विषय 64 / 64· सॉफ़्टवेयर इंजीनियरिंग और डिजिटल वितरण से संबंध

सार्वजनिक क्षेत्र में AI उत्पादकता

AI कोडिंग सहायता वास्तव में इंजीनियरिंग आउटपुट पर क्या प्रभाव डालती है, इसके मेट्रिक्स — सुझाव स्वीकृति दर, नियंत्रित-अध्ययन गति-वृद्धि, PR थ्रूपुट और कोड बनाए रखने की दर — में सार्वजनिक-क्षेत्र की बाधाएँ जोड़ने से पहले ही वास्तव में परस्पर-विरोधी साक्ष्य-आधार मौजूद है: डेटा वर्गीकरण यह सीमित करता है कि कोई AI टूल किसी लीगेसी एस्टेट के किन हिस्सों को छू भी सकता है, ख़रीद-चक्र (procurement cycles) का अर्थ है कि जिस टूल का मूल्यांकन किया जा रहा है वह अक्सर वर्तमान क्षमता से एक मॉडल-पीढ़ी पीछे होता है, और सुरक्षा-अनुमति आवश्यकताएँ यह तय करती हैं कि कौन किस पर इसका उपयोग कर सकता है।

यह क्यों महत्वपूर्ण है

दो सबसे अधिक उद्धृत नियंत्रित अध्ययन विपरीत दिशाओं की ओर इशारा करते हैं। Peng et al. के 2023 के GitHub Copilot RCT में पाया गया कि डेवलपर्स ने एक ग्रीनफ़ील्ड HTTP-सर्वर कार्य Copilot के साथ 55.8% तेज़ी से पूरा किया (1घं11मि बनाम 2घं41मि, n=95)। METR के 2025 के RCT में पाया गया कि अपने ही परिपक्व रिपॉज़िटरी पर काम करने वाले अनुभवी ओपन-सोर्स डेवलपर्स 2025 की शुरुआत के AI टूलों के साथ 19% धीमे थे, जबकि उन्हें लगता था कि वे लगभग 20% तेज़ थे। दोनों अध्ययन विश्वसनीय हैं; विरोधाभास ही निष्कर्ष है — ग्रीनफ़ील्ड-कार्य में प्रभावकारिता परिपक्व-कोडबेस प्रभावशीलता में परिवर्तित नहीं होती, और सरकारी इंजीनियरिंग का अधिकांश हिस्सा परिपक्व-कोडबेस कार्य है, ऐसे एस्टेट पर जो माध्यिका वाणिज्यिक रिपॉज़िटरी से अधिक पुराने और विशिष्ट-प्रकृति के हैं। Central Digital and Data Office का Generative AI Framework for HMG (2024) ठीक इसीलिए ज़िम्मेदार अपनाने के सिद्धांत निर्धारित करता है क्योंकि यह साक्ष्य-आधार केवल विक्रेता-प्रदर्शनों से आयात नहीं किया जा सकता; विभागों से अपेक्षा की जाती है कि वे रोलआउट से पहले टूलों का आकलन अपनी ही डेटा-प्रबंधन और सुरक्षा आवश्यकताओं के आधार पर करें।

गणितीय आधार

Acceptance rate  = accepted suggestions / shown suggestions
Retention rate   = AI code surviving to merge / accepted AI code
Speedup          = (t_control − t_AI) / t_control  (from controlled comparison ONLY)
Throughput delta = Δ merged PRs/dev/week

Public-sector coverage factor:
  eligible codebase share = LOC on systems where the classification
    (OFFICIAL, OFFICIAL-SENSITIVE, SECRET) permits the tool at all

Value model = devs × eligible-coverage × time saved × loaded rate × utilization
             — every term needs local measurement, and the coverage factor
             has no private-sector equivalent

व्यावहारिक उदाहरण

एक सरकारी विभाग 300 डेवलपर्स में एक AI कोडिंग सहायक का पायलट चलाता है, लेकिन केवल OFFICIAL वर्गीकृत प्रणालियाँ ही टूल-उपयोग के लिए पात्र हैं — हेडकाउंट-आवंटन के अनुसार एस्टेट का 70%, शेष 30% (उच्चतर-वर्गीकरण वाली प्रणालियाँ) पूरी तरह बाहर।

Eligible developers = 300 × 0.70 = 210

Pilot result: self-reported time saved 40 min/day;
              measured task-level saving 12 min/day (0.2h)
              — the METR perception gap, reproduced in the wild

Value the MEASURED number:
  210 × 0.2h × 220 days × £55/hr loaded × 0.6 utilization
  = 210 × 44 hours × £55 × 0.6
  = 9,240 hours × £55 × 0.6 ≈ £304,920/year capacity

Cost: 210 licensed seats × £22/month × 12 ≈ £55,440/year

Net capacity ratio ≈ 304,920 / 55,440 ≈ 5.5:1

स्व-रिपोर्ट किए गए लाभ के लगभग एक-तिहाई पर ही यह वित्तपोषण-योग्य है, और वह भी केवल वर्गीकरण-सीमा लागू करने के बाद — यदि स्व-रिपोर्ट किए गए आँकड़े के बल पर सभी 300 डेवलपर्स को लाइसेंस दिया गया होता तो यह पात्र जनसंख्या और वास्तविक बचत दोनों को बढ़ा-चढ़ाकर पेश करता।

सॉफ़्टवेयर इंजीनियरिंग से संबंध

वे अनुशासन जो सीधे लागू होते हैं: विभाग के अपने कोडबेस और वास्तविक टिकटों पर व्यावहारिक परीक्षण (pragmatic trials) चलाएँ, विक्रेता-प्रदर्शन कार्यों पर नहीं, क्योंकि METR का परिणाम विशेष रूप से परिपक्व-कोडबेस का निष्कर्ष है; स्वीकृति दर को एक परिणाम नहीं, एक प्रॉक्सी के रूप में मानें — कम बनाए रखने की दर के साथ उच्च स्वीकृति, अति-निदान (overdiagnosis) का सॉफ़्टवेयर-समतुल्य है; हर थ्रूपुट दावे को एक स्थिरता-जाँच के साथ जोड़ें, क्योंकि DORA की 2025 रिपोर्ट में पाया गया कि AI अपनाने से थ्रूपुट तो बढ़ता है लेकिन परिवर्तन-स्थिरता घटती है, जो ठीक वही शुद्ध-लाभ विश्लेषण है जिसे चलाने के लिए सार्वजनिक मूल्य हेतु DORA मेट्रिक्स बनाया गया है; और यह ईमानदारी से स्वीकार करें कि AI टूलिंग तकनीकी क़र्ज़-भारी लीगेसी एस्टेट पर अंतर को संकरा नहीं, चौड़ा कर सकती है, क्योंकि प्रशिक्षण डेटा में COBOL, 4GL और सरकार में आम बेस्पोक मेनफ़्रेम कोड का प्रतिनिधित्व कम होता है, इसलिए ठीक उन्हीं प्रणालियों पर सुझाव-गुणवत्ता सबसे कमज़ोर होती है जिन्हें सबसे अधिक मदद चाहिए। यह व्यापक सरकार में AI का मूल्य प्रश्न के साथ खड़ा है और इसे उन्हीं सार्वजनिक क्षेत्र साइबर सुरक्षा मूल्य बाधाओं द्वारा नियंत्रित किया जाना चाहिए जो यह सीमित करती हैं कि कोई तीसरे-पक्ष का टूल कहाँ कोड या डेटा देख भी सकता है।

सामान्य त्रुटियाँ

  • विक्रेता-अध्ययन का प्रत्यारोपण: ग्रीनफ़ील्ड RCT गति-वृद्धि को लीगेसी-एकीकरण कार्य पर लागू करना ठीक वही त्रुटि है जिसे METR अध्ययन ने उजागर किया।
  • स्व-रिपोर्ट को मापन मानना: बोध और मापे गए आँकड़े के बीच 20-प्रतिशत-बिंदु का अंतर इस साहित्य में ज्ञात सबसे बड़ा पूर्वाग्रह है, और यह केवल डेवलपर सर्वेक्षणों पर निर्भर बिज़नेस केस को फुला देता है।
  • वर्गीकरण-सीमा को नज़रअंदाज़ करना: कुल हेडकाउंट के आधार पर बनाए गए लाइसेंसिंग और मूल्य मॉडल, न कि पात्र, वर्गीकरण-स्वीकृत उपसमूह के आधार पर, व्यवस्थित रूप से लागत-प्रभावशीलता और प्राप्य कवरेज दोनों को बढ़ा-चढ़ाकर पेश करते हैं।
  • ख़रीद-चक्र का विलंब: ढाँचा-आधारित टूल ख़रीद का अर्थ यह हो सकता है कि पायलट एक ऐसे मॉडल-पीढ़ी का मूल्यांकन करता है जो पूर्ण रोलआउट के समय तक सार्वजनिक रूप से उपलब्ध चीज़ से 12–18 महीने पीछे है, जिससे मूल बिज़नेस केस की गति-वृद्धि धारणा गो-लाइव से पहले ही पुरानी पड़ जाती है।

स्रोत