Nopea rakentaminen, hidas ymmärrys

Ollaanko rehellisiä hetkeksi — vibe coding tuntuu taikuudelta. Kuvaat mitä haluat, ja koodi ilmestyy tyhjästä. Putkistot pyörähtävät käyntiin. Ominaisuudet materialisoituvat. Se on aidosti jännittävää, ja syystäkin: tällaista vauhtia meillä ei ole koskaan aiemmin ollut.

Mutta se, mitä konferenssidemoissa ei oikeasti nosteta esiin: mitä tapahtuu puolen vuoden päästä, kun putkisto hajoaa, vaatimukset muuttuvat, tai uusi insinööri liittyy tiimiin? Missä ymmärrys silloin elää?

Vastaus: yleensä ei missään hyödyllisessä paikassa.

Kontekstin hauraus

Vibe coding -sessiossa kaadat valtavia määriä kontekstia kehotteisiin. Liiketoimintasäännöt. Oletukset. Reunaehdot. Alavirran riippuvuudet. Päättely siitä, miksi valitsit lähestymistavan A eikä B. Kaikki tämä menee keskusteluun, kiteytyy generoiduksi koodiksi, ja sitten... haihtuu kuin aamun usva.

Koodi jää. Päättely katoaa.

Tämä ei ole vain dokumentaatio-ongelma. Kyse on systeemisestä haasteesta siinä, miten AI-avusteinen kehitys tällä hetkellä toimii. Rakennamme järjestelmiä huimaa vauhtia samalla kun menetämme sen institutionaalisen tiedon, joka tekee järjestelmistä ylläpidettäviä, virheistä selvitettäviä ja kehitettäviä.

Erityisesti data-alustoille tämä luo kerrannaisen ongelman. Moderneissa data-arkkitehtuureissa ei ole kyse yksittäisistä sovelluksista — ne ovat kokonaisia ekosysteemejä. Ingestointikerrokset, transformaatiologiikka, orkestrointikehykset, semanttiset tasot, jakelu-API:t, ML-putkistot. Jokainen komponentti ei tiedä muista muuta kuin hauraiden implisiittisten sopimusten kautta.

Miksi data-engineering tuntee tämän kipeästi

Jos rakennat CRUD-sovellusta, vibe codingin muistiongelma on hankala. Jos pyörität yrityksen data-alustaa, se voi olla olemassaolon uhka.

Data-engineering on aina ollut koordinointia. Liiketoimintalogiikan pitää olla johdonmukaista transformaatioiden läpi. Skeemamuutokset etenevät alavirtaan ennustettavilla — ja arvaamattomilla — tavoilla. Validoinnnisäännöt turvaavat datan laatua. Orkestrointiriippuvuudet määrittävät onnistumisen tai epäonnistumisen.

Kun AI generoi tätä logiikkaa kehotteista, kaikki koordinointitieto jää inhimilliseksi. Se asuu seniori-insinöörien pääkopassa. Se piilottelee vuoden 2023 Slack-ketjuissa. Se on haudattu Notion-sivuille, joita kukaan ei enää päivitä.

Alustalla itsellään ei ole muistia siitä, miksi se rakennettiin juuri näin.

Toinen suunta edemmäs

Entä jos spesifikaatiot itsessään tulisivat osaksi järjestelmää?

Spec-driven development kääntää kaavan päälaelleen. Sen sijaan että kehotteet generoisivat koodia, johon sitten pitäisi kerrostaa dokumentaatiota, päättelyä ja institutionaalista muistia, spesifikaatioista tuleekin totuuden lähde — suoritettavia, versionhallittuja ja pysyviä.

Liiketoimintasäännöt eivät ole vain "mitä koodi tekee." Ne ovat eksplisiittisiä, testattavia sopimuksia, jotka selviävät hengissä yli yksittäisten keskustelujen. Orkesterilogiiikka ei ole vain "mitä ajetaan milloinkin." Se on versioitu määritelmä, jota sekä ihmiset että AI-agentit voivat tulkita johdonmukaisesti.

Kyse ei ole AI-generoinnin korvaamisesta. Kyse on sen antamisesta AI-generoiduille järjestelmille, mitä niiltä on puuttunut: vakaa perusta pysyvälle operatiiviselle tiedolle.

Realistinen näkökulma

Ollaan selkeitä: spec-driven development ei ole hopealuoti. Se lisää alkuinvestointia. Se vaatii tiimeiltä eksplisiittistä ajattelua vaatimuksista ennen generointia. Se vaatii kurinalaisuutta, joka joskus törmää siihen nopeuteen, joka tekee vibe codingista houkuttelevan.

Mutta asia on tämä — jos rakennat järjestelmiä, joiden on tarkoitus kestää, kehittyä, ja joita ylläpitävät tiimit, jotka aikanaan vaihtuvat, tuo alkuinvestointi maksaa itsensä takaisin moninkertaisena.

Paras hetki rakentaa pysyvää järjestelmämuistia oli puoli vuotta sitten. Toiseksi paras hetki on nyt.

Lopputulos

Vibe coding on uskomaton tuottavuuskerroin toteutukselle. Mutta toteutus on vain osa ohjelmiston elinkaarta. Ylläpito, kehitys, virheiden selvittäminen ja tiedonsiirto ovat sitä vaihetta, jossa järjestelmät viettävät suurimman osan elämästään.

Jos aiomme luottaa AI:n generoivan yhä monimutkaisempia järjestelmiä, meidän on oltava yhtä ajattelevaisia siitä, miten nuo järjestelmät säilyttävät oman ymmärryksensä ajan myötä.

AI-avusteisen kehityksen tulevaisuus ei ole pelkästään nopeampaa generointia. Se on generointia, joka rakentaa järjestelmiä, jotka pystyvät selittämään itsensä.

Miten sinä lähestyt kontekstin säilyttämistä AI-avusteisessa kehityksessä? Haluaisimme kuulla, miten eri tiimit ovat tarttuneet tähän haasteeseen.