موضوع 64 از 64· سافٹ ویئر انجینئرنگ اور ڈیجیٹل فراہمی سے تعلق

سرکاری شعبے میں AI پیداواریت

AI کوڈنگ معاونت دراصل انجینئرنگ پیداوار کے ساتھ کیا کرتی ہے اس کے میٹرکس — تجویز کی منظوری کی شرحیں، کنٹرول شدہ مطالعوں میں رفتار، PR کی بہاؤ کی شرح، اور کوڈ کی برقراری — سرکاری شعبے کی قیود شامل کیے جانے سے پہلے ہی حقیقی معنوں میں متضاد شواہد کی بنیاد رکھتے ہیں: ڈیٹا کی درجہ بندی یہ محدود کرتی ہے کہ میراثی نظام کا کون سا حصہ AI ٹول کو چھونے کی اجازت ہے، خریداری کے چکر کا مطلب یہ ہے کہ جانچے جانے والا ٹول اکثر موجودہ صلاحیت سے ایک ماڈل نسل پیچھے ہوتا ہے، اور سیکیورٹی کلیئرنس کی ضروریات یہ طے کرتی ہیں کہ کون کس چیز پر اسے استعمال کر سکتا ہے۔

یہ کیوں اہم ہے

سب سے زیادہ حوالہ دیے جانے والے دو کنٹرول شدہ مطالعے مخالف سمتوں کی نشاندہی کرتے ہیں۔ Peng et al. کے 2023 کے GitHub Copilot RCT نے پایا کہ ڈویلپرز نے ایک نئے (greenfield) HTTP سرور کے کام کو Copilot کے ساتھ 55.8 فیصد تیزی سے مکمل کیا (1 گھنٹہ 11 منٹ بمقابلہ 2 گھنٹے 41 منٹ، n=95)۔ METR کے 2025 کے RCT نے پایا کہ تجربہ کار اوپن سورس ڈویلپرز جو اپنے ہی پختہ ذخیروں پر کام کر رہے تھے، 2025 کے ابتدائی AI ٹولز کے ساتھ 19 فیصد سست تھے، جبکہ وہ یہ سمجھ رہے تھے کہ وہ تقریباً 20 فیصد تیز ہیں۔ دونوں مطالعے مستند ہیں؛ تضاد ہی نتیجہ ہے — نئے کام پر تاثیر پختہ کوڈ بیس پر تاثیر میں منتقل نہیں ہوتی، اور زیادہ تر حکومتی انجینئرنگ پختہ کوڈ بیس کا کام ہے ان نظاموں پر جو اوسط تجارتی ذخیرے سے پرانے اور زیادہ خاص الخصلت ہیں۔ Central Digital and Data Office کا Generative AI Framework for HMG (2024، https://www.gov.uk/government/publications/generative-ai-framework-for-hmg) ذمہ دارانہ اپنانے کے اصول اسی لیے بیان کرتا ہے کیونکہ یہ شواہد کی بنیاد وینڈر کے مظاہروں سے سیدھے درآمد نہیں کی جا سکتی؛ محکموں سے توقع کی جاتی ہے کہ وہ رول آؤٹ سے پہلے ٹولز کو اپنی ڈیٹا ہینڈلنگ اور سیکیورٹی کی ضروریات کے خلاف جانچیں۔

ریاضیاتی بنیاد

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

عملی مثال

ایک حکومتی محکمہ 300 ڈویلپرز میں ایک AI کوڈنگ اسسٹنٹ کا پائلٹ کرتا ہے، مگر صرف OFFICIAL کے طور پر درجہ بند نظام ہی ٹول کے استعمال کے اہل ہیں — افرادی قوت کی تقسیم کے لحاظ سے مجموعے کا 70 فیصد، جبکہ باقی 30 فیصد (زیادہ درجہ بند نظام) مکمل طور پر خارج ہیں۔

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

خود رپورٹ کردہ فائدے کے تقریباً ایک تہائی حصے پر فنڈ کے قابل، اور وہ بھی صرف درجہ بندی کی حد لاگو کرنے کے بعد — خود رپورٹ کردہ عدد کی بنیاد پر تمام 300 ڈویلپرز کو لائسنس دینا اہل آبادی اور حقیقی بچت دونوں کو بڑھا چڑھا کر پیش کرتا۔

سافٹ ویئر انجینئرنگ سے تعلق

وہ ضوابط جو براہِ راست منتقل ہوتے ہیں: محکمے کے اپنے کوڈ بیس اور حقیقی ٹکٹس پر عملی آزمائشیں چلائیں، وینڈر کے مظاہراتی کاموں پر نہیں، کیونکہ METR کا نتیجہ خاص طور پر ایک پختہ کوڈ بیس کی دریافت ہے؛ منظوری کی شرح کو ایک متبادل اشارہ سمجھیں، نتیجہ نہیں — کم برقراری کے ساتھ زیادہ منظوری کی شرح سافٹ ویئر کے میدان میں زیادہ تشخیص کے مترادف ہے؛ ہر بہاؤ کے دعوے کو استحکام کی جانچ کے ساتھ جوڑیں، کیونکہ DORA کی 2025 کی رپورٹ نے پایا کہ AI اپنانا بہاؤ کو بڑھاتا ہے مگر تبدیلی کے استحکام کو کم کرتا ہے، جو بالکل وہی خالص فائدے کا تجزیہ ہے جس کے لیے عوامی قدر کے لیے DORA میٹرکس بنایا گیا ہے؛ اور یہ تسلیم کریں کہ AI ٹولنگ تکنیکی قرض والے میراثی نظاموں پر خلا کو تنگ کرنے کے بجائے وسیع کر سکتی ہے، کیونکہ تربیتی ڈیٹا میں COBOL، 4GL، اور خاص مین فریم کوڈ کی نمائندگی کم ہوتی ہے جو حکومت میں عام ہیں، لہٰذا بالکل انہی نظاموں پر تجویز کا معیار اکثر کمزور ترین ہوتا ہے جنہیں سب سے زیادہ مدد کی ضرورت ہے۔ یہ وسیع تر حکومت میں AI کی قدر کے سوال کے ساتھ کھڑا ہے اور اسی سرکاری شعبے کی سائبر سیکیورٹی کی قدر کی قیود کے تحت آنا چاہیے جو یہ محدود کرتی ہیں کہ کوئی بھی تیسرا فریق ٹول کہاں کوڈ یا ڈیٹا دیکھ سکتا ہے۔

ممکنہ خامیاں

  • وینڈر مطالعے کی پیوند کاری: نئے کاموں کے RCT کی رفتار کو میراثی انضمام کے کام پر لاگو کرنا وہی غلطی ہے جسے METR کے مطالعے نے بے نقاب کیا۔
  • خود رپورٹ کو پیمائش سمجھنا: 20 فیصد پوائنٹس کا تاثر بمقابلہ ناپی گئی حقیقت کا فرق اس لٹریچر کا سب سے بڑا معلوم تعصب ہے، اور یہ صرف ڈویلپر سروے پر انحصار کرنے والے کاروباری معاملات کو بڑھا چڑھا کر پیش کرتا ہے۔
  • درجہ بندی کی حد کو نظرانداز کرنا: کل افرادی قوت کی بنیاد پر بنائے گئے لائسنسنگ اور قدر کے ماڈل، بجائے اہل، درجہ بندی سے صاف شدہ ذیلی گروہ کے، منظم طور پر لاگت کی تاثیر اور قابلِ حصول کوریج دونوں کو بڑھا چڑھا کر پیش کرتے ہیں۔
  • خریداری کے چکر کی تاخیر: فریم ورک پر مبنی ٹول کی خریداری کا مطلب یہ ہو سکتا ہے کہ ایک پائلٹ ایسے ماڈل کی نسل کو جانچتا ہے جو مکمل رول آؤٹ کے وقت تک عوامی طور پر دستیاب چیز سے 12 سے 18 مہینے پیچھے ہو، جس سے اصل کاروباری معاملے کی رفتار کا مفروضہ لانچ سے پہلے ہی باسی ہو جاتا ہے۔

ماخذ