Présentation
L'utilisation de l'IA dans les réécritures de logiciels modifie fondamentalement l'approche de ces projets.
La qualité de la sortie d'un modèle d'IA n'est pas déterminée uniquement par la prompte, mais également par les données de formation et le contexte fourni.
Fonctionnement de l'IA
Pour les tâches de codage, le contexte est principalement fourni par le codebase.
Les piles technologiques populaires ont un avantage en termes d'IA car le modèle a vu des millions d'exemples, y compris des sources publiées.
En revanche, les langages propriétaires et les frameworks privés, avec des modèles incohérents, nécessitent un apprentissage supplémentaire, généralement à l'aide de la fenêtre de contexte limitée disponible pour les modèles.
Implications et limites
Deux flux de travail peuvent être comparés : lire la spécification de fonctionnalité et générer l'implémentation à partir d'un codebase avec des modèles clairs et établis, ou à partir d'un codebase incohérent avec des langages propriétaires et des bagages historiques.
Dans le premier cas, le codebase a des modèles établis que le modèle d'IA comprend facilement.
Dans le second cas, le modèle d'IA doit d'abord déduire ces modèles avant de pouvoir résoudre le problème.
Cela signifie plus de contexte, plus de jetons, plus de promptes, plus de variance et généralement une sortie de moindre qualité, ce qui se traduit par un coût plus élevé.
Économie des réécritures
Une réécriture n'est pas seulement l'occasion de moderniser sa pile technologique, mais également de reconstruire son codebase autour de modèles clairs et cohérents qui jouent sur les forces de l'IA au lieu de les combattre.
Vous pouvez utiliser l'IA pour résoudre le problème, ou passer du temps à essayer d'enseigner votre langage à l'IA.
Le temps perdu est un avantage pour vos concurrents, et l'écart ne concerne pas seulement la vitesse, mais également la qualité de la sortie.
