Sztuczna inteligencja zmienia sposób pracy programistów WordPressa: tworzy prototypy, pomaga w szukaniu błędów i generuje kod na podstawie zapytań w języku naturalnym. Generowanie kodu różni się jednak od decyzji, czy dane rozwiązanie nadaje się na stronę produkcyjną. Decyzje dotyczące architektury, wydajności, bezpieczeństwa, dostępności i łatwości utrzymania wymagają zrozumienia projektu oraz oceny, jak kod pasuje do wtyczek, motywów i wymagań biznesowych.
Narzędzia generatywne mogą sugerować nieistniejące funkcje i API, błędnie interpretować założenia techniczne i wprowadzać trudne do zauważenia usterki. Generowany kod może także pomijać środki bezpieczeństwa, takie jak walidacja danych wejściowych, sanityzacja oraz uciekanie znaków wyjściowych (output escaping). Podczas opisanego przez Kinsta tworzenia wtyczki za pomocą narzędzia Cursor, próba usunięcia odnośnika szybkiej edycji skutkowała niekiedy jednoczesnym usunięciem standardowej funkcji edycji, podczas gdy rola użytkownika nadal musiała zachować przewidziane działanie.
Przegląd kodu staje się wąskim gardłem w zespołach deweloperskich
Gdy sztuczna inteligencja generuje zmiany szybciej, niż zespół może je przeanalizować, głównym ograniczeniem staje się weryfikacja. Nie wystarczy sprawdzić, czy kod działa: konieczna jest ocena, czy zachowuje się zgodnie z założeniami, odpowiada standardom kodowania WordPressa i pasuje do całej aplikacji.
Zagadnienie to dotyczy także wkładu w rozwój WordPressa. Wytyczne dotyczące wkładu z wykorzystaniem AI nakładają na kontrybutorów odpowiedzialność za nadsyłany kod: autor musi go zrozumieć, zweryfikować i przetestować przed przekazaniem do osób utrzymujących projekt. Deweloperzy stosują różne podejścia do tego procesu:
- Testy określające zachowanie: Mike Auteri stosuje podejście TDD, w którym człowiek pisze testy, a sztuczna inteligencja przygotowuje implementację spełniającą te warunki.
- Wzajemny przegląd modeli: Rich Tabor wykorzystuje narzędzia Claude Code oraz Copilot równolegle, zlecając jednemu weryfikację kodu napisanego przez drugie, zachowując decyzje techniczne dla siebie.
Zalecenia dotyczące GitHub Copilot wskazują, że automatyczny przegląd może przeoczyć błędy lub oznaczyć nieistniejące problemy, dlatego powinien uzupełniać weryfikację przez człowieka, a nie ją zastępować.
Kontekst projektu decyduje o jakości generowanych rozwiązań
Umiejętność konstruowania zapytań nie jest jedynym czynnikiem decydującym o pracy z AI. Istotniejsze jest dostarczenie odpowiedniego kontekstu, ograniczeń oraz zdefiniowanie oczekiwanego wyniku. Mark Szymanski stosuje zestaw plików zawierających informacje biznesowe, zasady programistyczne, historię klienta i wiedzę o projekcie. Z kolei Jos Velasco używa AI do analizy danych serwera i wykrywania wzorców, lecz każdą sugestię weryfikuje z zachowaniem witryny przed wprowadzeniem zmian.
Dostarczenie kontekstu nie zwalnia ze zrozumienia otrzymanego wyniku. Bez wiedzy o WordPressie i tworzeniu stron internetowych można uzyskać działający kod bez świadomości, jakie kompromisy ze sobą niesie i czy jest odpowiedni dla danego projektu.