Keyakinan itu runtuh sebaik sahaja kod dihantar ke persekitaran pengeluaran. Laporan itu mendedahkan "pemutusan sambungan struktur" — percanggahan langsung antara cara kod digredkan semasa semakan dan cara ia sebenarnya berkelakuan di bawah beban kerja pengeluaran dunia sebenar .

• 81% pemimpin teknologi perusahaan melaporkan peningkatan langsung dalam insiden pengeluaran yang berkaitan dengan kod janaan AI .
• 78% responden melaporkan lebih banyak insiden secara keseluruhan .
• 86% melaporkan peningkatan dalam masa yang dihabiskan oleh kakitangan kanan untuk membetulkan kod tersebut .
• 74% berkata bahawa sekurang-kurangnya 25% daripada kod janaan AI memerlukan kerja semula selepas penggunaan .

Corak ini mempunyai nama yang diketengahkan oleh laporan itu: "vibe coding" — amalan menjana dan menghantar kod sebahagian besarnya berdasarkan kepercayaan — telah menjadi arus perdana, dan kepercayaan yang tidak disahkan sedang menyebabkan krisis pengeluaran .

Di Luar New Relic: Masalah Industri yang Semakin Meluas

New Relic bukan satu-satunya yang membunyikan amaran. Laporan industri 2026 yang lain juga menggambarkan situasi yang sama:

• Laporan State of AI-Powered Engineering 2026 oleh Lightrun mendapati bahawa 43% daripada perubahan kod janaan AI memerlukan nyahpepijat manual dalam pengeluaran walaupun selepas lulus ujian QA dan pementasan. Tiada seorang pun responden mengatakan mereka boleh mengesahkan pembaikan yang dicadangkan AI dengan satu kitaran penggunaan semula; 88% memerlukan dua hingga tiga kitaran .
• Laporan Kejuruteraan 2026 oleh Faros AI mendapati bahawa pepijat bagi setiap pembangun meningkat 54%, dan nisbah insiden-kepada-PR meningkat lebih daripada tiga kali ganda. Hubungan antara penggunaan AI dan kualiti pengeluaran semakin merosot, bukannya stabil .
• Tinjauan State of Code Developer 2026 oleh Sonar mendapati bahawa AI sudah menyumbang 42% daripada kod yang dilakukan, dijangka mencecah 65% menjelang 2027 — namun 96% pembangun tidak mempercayai sepenuhnya kod janaan AI, dan hanya 48% sentiasa mengesahkannya sebelum melakukan .
• Analisis CodeRabbit terhadap 470 PR sumber terbuka menunjukkan bahawa PR janaan AI membawa kira-kira 1.7 kali ganda lebih banyak isu secara keseluruhan, tertumpu pada ralat logik, jurang pengendalian ralat, dan penemuan keselamatan. Pada persentil ke-90, PR AI mempunyai 26 isu berbanding 12.3 untuk PR manusia .

Masalah asasnya bukanlah AI menulis kod yang buruk. Masalahnya ialah penjanaan berjalan pada kelajuan 5–10 kali ganda kelajuan manusia, manakala pengesahan masih berjalan pada kelajuan 1 kali ganda . Saluran paip semakan kod yang direka untuk irama manusia tidak dapat mengikuti volum keluaran AI, mewujudkan kesesakan pengesahan yang membolehkan ketidakbolehpercayaan meresap ke dalam pengeluaran tanpa disedari.

Tindak Balas: New Relic AI Coding Observability

Pada 8 Jun 2026, New Relic secara langsung menangani pemutusan sambungan ini dengan mengumumkan pembangunan New Relic AI Coding Observability, penyelesaian kebolehcerapan sumber terbuka yang direka khusus untuk pembangunan perisian dibantu AI . Ciri ini dijadualkan untuk dikeluarkan pada 23 Jun 2026, dan akan tersedia pada tiada kos tambahan kepada pelanggan New Relic .

Lapisan Telemetri Neutral Vendor

Seni binanya penting. New Relic sengaja membina AI Coding Observability pada dua piawaian terbuka: OpenTelemetry (OTel) dan Model Context Protocol (MCP) . Ini bermakna pasukan tidak terikat dengan skema telemetri New Relic atau pembantu pengekodan AI tunggal. Mana-mana pembantu yang mendedahkan telemetri serasi MCP — GitHub Copilot, Cursor, Claude Code, dan lain-lain — boleh disalurkan ke dalam lapisan kebolehcerapan yang sama . Dalam pasaran di mana alat pengekodan dominan pada 2027 mungkin bukan yang digunakan hari ini, neutraliti vendor adalah keperluan praktikal.

Tiga Keupayaan Teras

Pengumuman New Relic menggariskan tiga tonggak utama untuk AI Coding Observability :

1. Keterlihatan — Mengesan cara pembantu pengekodan AI digunakan semasa pembangunan: alat mana, berapa kerap, dan apa yang dihasilkannya. Matlamatnya adalah untuk mengubah penggunaan AI yang terpisah-pisah dan tidak dipantau menjadi amalan kejuruteraan yang ditadbir dan boleh diukur.
2. Kawalan Kos — Meramal dan mengawal perbelanjaan pengekodan AI dengan amaran belanjawan. Ini secara langsung menangani titik buta yang dilaporkan oleh pasukan FinOps, yang secara rutin menerima invois bulanan yang tidak telus untuk penggunaan alat pengekodan AI tanpa memahami nilai yang dihantar .
3. Tadbir Urus — Memastikan pertanyaan dan penjanaan kod selamat dan boleh diaudit, termasuk mod sifar-keluar yang menyimpan data sensitif dalam rangkaian organisasi .

Menghubungkan Pembangunan ke Pengeluaran

Pertaruhan strategiknya adalah pada korelasi. AI Coding Observability sedang direka untuk menormalkan telemetri merentasi pembantu pengekodan AI dan mengaitkannya dengan lancar dengan infrastruktur pengeluaran sedia ada . Ideanya adalah untuk mencipta satu panel kaca bersatu di mana pasukan boleh menjejak perubahan yang dijana AI dari IDE melalui penggunaan ke dalam pengeluaran — dan kemudian melihat sama ada perubahan itu berkorelasi dengan lonjakan insiden beberapa jam atau hari kemudian.

Mengapa Ini Menandakan Titik Perubahan untuk Kepimpinan Kejuruteraan

CTO telah menghabiskan 2024-2025 memberi tumpuan kepada penggunaan dan keuntungan produktiviti daripada pembantu pengekodan AI. Data daripada New Relic, Lightrun, Faros, Sonar, dan yang lain menjelaskan bahawa fasa seterusnya mesti memberi tumpuan kepada pengesahan, kebolehpercayaan, dan akauntabiliti kos.

Kadar keyakinan 94% semasa semakan kod sememangnya tidak salah — AI sering menghasilkan kod yang bersih, boleh dibaca, betul dari segi sintaks yang lulus analisis statik. Mod kegagalannya adalah persekitaran: kod janaan AI berprestasi baik dalam kotak pasir sempit permintaan tarik tetapi gagal apabila berhadapan dengan kerumitan data pengeluaran, tingkah laku pengguna sebenar, dan interaksi sistem yang tidak dapat disimulasikan sepenuhnya oleh mana-mana semakan kod. Tanpa kebolehcerapan yang merangkumi kedua-dua fasa, organisasi menilai berdasarkan lengkung yang tidak dihormati oleh pengeluaran.

New Relic AI Coding Observability mewakili percubaan langsung untuk menutup gelung itu, menggerakkan industri daripada "percayai semakan" kepada "sahkan dalam pengeluaran."

Keyakinan itu runtuh sebaik sahaja kod dihantar ke persekitaran pengeluaran. Laporan itu mendedahkan "pemutusan sambungan struktur" — percanggahan langsung antara cara kod digredkan semasa semakan dan cara ia sebenarnya berkelakuan di bawah beban kerja pengeluaran dunia sebenar .

• 81% pemimpin teknologi perusahaan melaporkan peningkatan langsung dalam insiden pengeluaran yang berkaitan dengan kod janaan AI .
• 78% responden melaporkan lebih banyak insiden secara keseluruhan .
• 86% melaporkan peningkatan dalam masa yang dihabiskan oleh kakitangan kanan untuk membetulkan kod tersebut .
• 74% berkata bahawa sekurang-kurangnya 25% daripada kod janaan AI memerlukan kerja semula selepas penggunaan .

Corak ini mempunyai nama yang diketengahkan oleh laporan itu: "vibe coding" — amalan menjana dan menghantar kod sebahagian besarnya berdasarkan kepercayaan — telah menjadi arus perdana, dan kepercayaan yang tidak disahkan sedang menyebabkan krisis pengeluaran .

Di Luar New Relic: Masalah Industri yang Semakin Meluas

New Relic bukan satu-satunya yang membunyikan amaran. Laporan industri 2026 yang lain juga menggambarkan situasi yang sama:

• Laporan State of AI-Powered Engineering 2026 oleh Lightrun mendapati bahawa 43% daripada perubahan kod janaan AI memerlukan nyahpepijat manual dalam pengeluaran walaupun selepas lulus ujian QA dan pementasan. Tiada seorang pun responden mengatakan mereka boleh mengesahkan pembaikan yang dicadangkan AI dengan satu kitaran penggunaan semula; 88% memerlukan dua hingga tiga kitaran .
• Laporan Kejuruteraan 2026 oleh Faros AI mendapati bahawa pepijat bagi setiap pembangun meningkat 54%, dan nisbah insiden-kepada-PR meningkat lebih daripada tiga kali ganda. Hubungan antara penggunaan AI dan kualiti pengeluaran semakin merosot, bukannya stabil .
• Tinjauan State of Code Developer 2026 oleh Sonar mendapati bahawa AI sudah menyumbang 42% daripada kod yang dilakukan, dijangka mencecah 65% menjelang 2027 — namun 96% pembangun tidak mempercayai sepenuhnya kod janaan AI, dan hanya 48% sentiasa mengesahkannya sebelum melakukan .
• Analisis CodeRabbit terhadap 470 PR sumber terbuka menunjukkan bahawa PR janaan AI membawa kira-kira 1.7 kali ganda lebih banyak isu secara keseluruhan, tertumpu pada ralat logik, jurang pengendalian ralat, dan penemuan keselamatan. Pada persentil ke-90, PR AI mempunyai 26 isu berbanding 12.3 untuk PR manusia .

Masalah asasnya bukanlah AI menulis kod yang buruk. Masalahnya ialah penjanaan berjalan pada kelajuan 5–10 kali ganda kelajuan manusia, manakala pengesahan masih berjalan pada kelajuan 1 kali ganda . Saluran paip semakan kod yang direka untuk irama manusia tidak dapat mengikuti volum keluaran AI, mewujudkan kesesakan pengesahan yang membolehkan ketidakbolehpercayaan meresap ke dalam pengeluaran tanpa disedari.

Tindak Balas: New Relic AI Coding Observability

Pada 8 Jun 2026, New Relic secara langsung menangani pemutusan sambungan ini dengan mengumumkan pembangunan New Relic AI Coding Observability, penyelesaian kebolehcerapan sumber terbuka yang direka khusus untuk pembangunan perisian dibantu AI . Ciri ini dijadualkan untuk dikeluarkan pada 23 Jun 2026, dan akan tersedia pada tiada kos tambahan kepada pelanggan New Relic .

Lapisan Telemetri Neutral Vendor

Seni binanya penting. New Relic sengaja membina AI Coding Observability pada dua piawaian terbuka: OpenTelemetry (OTel) dan Model Context Protocol (MCP) . Ini bermakna pasukan tidak terikat dengan skema telemetri New Relic atau pembantu pengekodan AI tunggal. Mana-mana pembantu yang mendedahkan telemetri serasi MCP — GitHub Copilot, Cursor, Claude Code, dan lain-lain — boleh disalurkan ke dalam lapisan kebolehcerapan yang sama . Dalam pasaran di mana alat pengekodan dominan pada 2027 mungkin bukan yang digunakan hari ini, neutraliti vendor adalah keperluan praktikal.

Tiga Keupayaan Teras

Pengumuman New Relic menggariskan tiga tonggak utama untuk AI Coding Observability :

1. Keterlihatan — Mengesan cara pembantu pengekodan AI digunakan semasa pembangunan: alat mana, berapa kerap, dan apa yang dihasilkannya. Matlamatnya adalah untuk mengubah penggunaan AI yang terpisah-pisah dan tidak dipantau menjadi amalan kejuruteraan yang ditadbir dan boleh diukur.
2. Kawalan Kos — Meramal dan mengawal perbelanjaan pengekodan AI dengan amaran belanjawan. Ini secara langsung menangani titik buta yang dilaporkan oleh pasukan FinOps, yang secara rutin menerima invois bulanan yang tidak telus untuk penggunaan alat pengekodan AI tanpa memahami nilai yang dihantar .
3. Tadbir Urus — Memastikan pertanyaan dan penjanaan kod selamat dan boleh diaudit, termasuk mod sifar-keluar yang menyimpan data sensitif dalam rangkaian organisasi .

Menghubungkan Pembangunan ke Pengeluaran

Pertaruhan strategiknya adalah pada korelasi. AI Coding Observability sedang direka untuk menormalkan telemetri merentasi pembantu pengekodan AI dan mengaitkannya dengan lancar dengan infrastruktur pengeluaran sedia ada . Ideanya adalah untuk mencipta satu panel kaca bersatu di mana pasukan boleh menjejak perubahan yang dijana AI dari IDE melalui penggunaan ke dalam pengeluaran — dan kemudian melihat sama ada perubahan itu berkorelasi dengan lonjakan insiden beberapa jam atau hari kemudian.

Mengapa Ini Menandakan Titik Perubahan untuk Kepimpinan Kejuruteraan

CTO telah menghabiskan 2024-2025 memberi tumpuan kepada penggunaan dan keuntungan produktiviti daripada pembantu pengekodan AI. Data daripada New Relic, Lightrun, Faros, Sonar, dan yang lain menjelaskan bahawa fasa seterusnya mesti memberi tumpuan kepada pengesahan, kebolehpercayaan, dan akauntabiliti kos.

Kadar keyakinan 94% semasa semakan kod sememangnya tidak salah — AI sering menghasilkan kod yang bersih, boleh dibaca, betul dari segi sintaks yang lulus analisis statik. Mod kegagalannya adalah persekitaran: kod janaan AI berprestasi baik dalam kotak pasir sempit permintaan tarik tetapi gagal apabila berhadapan dengan kerumitan data pengeluaran, tingkah laku pengguna sebenar, dan interaksi sistem yang tidak dapat disimulasikan sepenuhnya oleh mana-mana semakan kod. Tanpa kebolehcerapan yang merangkumi kedua-dua fasa, organisasi menilai berdasarkan lengkung yang tidak dihormati oleh pengeluaran.

New Relic AI Coding Observability mewakili percubaan langsung untuk menutup gelung itu, menggerakkan industri daripada "percayai semakan" kepada "sahkan dalam pengeluaran."