Google-ingeniører støder på begrænsninger i computerkraft, da andelen af ny kode skrevet af kunstig intelligens er steget til 75 %, op fra 50 % for blot seks måneder siden, ifølge interne data. Den kraftige stigning belaster virksomhedens infrastruktur og tvinger teams til at genoverveje, hvordan de allokerer ressourcer.
Skiftet til AI-assisteret kodning
For seks måneder siden var halvdelen af Googles nye kode fra AI. Nu er det tre fjerdedele. Det betyder, at virksomhedens interne systemer håndterer en langt større mængde AI-genererede forslag, fuldførelser og automatiske rettelser. Skiftet afspejler en bredere tendens i tech-industrien mod at integrere AI-værktøjer i daglige udviklingsarbejdsgange. Hos Google er værktøjer som interne versioner af store sprogmodeller blevet standard til at skrive boilerplate-kode, rette fejl og endda generere hele funktioner.
Men stigningen er ikke kommet uden omkostninger. Hver AI-forespørgsel bruger regnekraft, og med mere kode genereret af modeller er efterspørgslen efter processorkraft steget. Ingeniører har rapporteret om langsommere svartider fra interne AI-værktøjer og lejlighedsvise nedbrud i spidsbelastningsperioder.
Pres på den interne infrastruktur
Computerkraftbegrænsningerne er mest synlige i datacentrene, der kører AI-modellerne. Googles egen hardware, herunder TPU'er og GPU'er, er nu under stor belastning fra kodegenereringsopgaver. Nogle teams har måttet sætte opgaver i kø eller begrænse antallet af AI-forespørgsler per ingeniør. Virksomheden er også begyndt at prioritere visse typer kodegenerering – som sikkerhedsrettelser eller kritiske fejlrettelser – frem for mindre presserende hjælpefunktioner.
Google er ikke alene om at opleve dette pres. Andre store tech-virksomheder har rapporteret om lignende vokseværk, da de integrerer AI i udviklingen. Men hastigheden af ændringen hos Google – en stigning på 25 procentpoint på seks måneder – har overrasket nogle interne teams.
Hvad dette betyder for ingeniører
For ingeniørerne, der skriver koden, betyder den nye virkelighed, at de må justere deres arbejdsgange. De kan ikke længere stole på, at AI-værktøjer genererer kode øjeblikkeligt uden at planlægge omkring computerkraftbegrænsninger. Nogle er begyndt at samle deres forespørgsler til tidspunkter uden for spidsbelastning. Andre gennemgår AI-genereret kode mere omhyggeligt, velvidende at modellerne nogle gange producerer ineffektiv eller fejlbehæftet kode, når de kører under begrænsede forhold.
Google har ikke offentligt beskrevet, hvordan det planlægger at håndtere infrastrukturpresset. Virksomheden står sandsynligvis over for et valg: investere i mere hardware, forfine modellerne til at være mere effektive eller indføre strengere begrænsninger for AI-brug. Hver mulighed har afvejninger. Mere hardware koster penge og tager tid at implementere. Effektivitetsforbedringer i modellerne kan bremse tempoet i forbedringerne. Brugsbegrænsninger kan frustrere ingeniører, der er blevet afhængige af værktøjerne.
Indtil videre er situationen uløst. Ingeniører arbejder sig omkring begrænsningerne, men den underliggende efterspørgsel efter AI-genereret kode viser ingen tegn på at aftage. Spørgsmålet er, hvor længe Googles infrastruktur kan følge med.
