Walang sinuman ang sadyang naglalayong makalimutan kung paano mag-code. Nangyayari ito sa parehong paraan na karamihan sa pagkawala ng kasanayan ay nangyayari: isang maginhawang shortcut sa isang pagkakataon. Dati, isinusulat mo mismo ang regex; ngayon, inilalarawan mo na lang kung ano ang gusto mo at ipinapasok mo kung anuman ang ibinigay ng modelo. Dati, sinusuri mo ang stack trace nang linya-por-linya; ngayon, inilalagay mo na lang ito sa isang chat window at binabasa mo ang buod. Bawat pagpapalit ay makatwiran kung isa-isahing tingnan. Ang kabuuan ng mga ito, sa loob ng isang taon ng AI-assisted na trabaho, ay isang developer na kayang maglabas ng mga feature nang mabilis kapag naka-on ang tool, ngunit medyo natitigilan kapag naka-off ito.

Iyan ang hindi kumportableng subtext sa likod ng vibe-coding boom ngayong buwan — ang Lovable ay iniuulat na malapit nang maabot ang $13.2B na valuation, ang Replit at Factory ay parehong nakapag-raise papasok sa bilyun-bilyon, ang SpaceX ay pinapababa ang frontier pricing gamit ang Grok 4.5 na ginawa para sa "autonomous agents." Lahat ng iyon ay na-optimize para sa isang bagay: gawin kang magsulat ng mas kaunting code mismo. Iyan ang punto, at para sa maraming trabaho, ito ay isang lehitimong kapalit. Ngunit nangangahulugan ito na ginugol ng industriya ang nakaraang dalawang taon sa pagpapatakbo ng isang uncontrolled na eksperimento kung gaano karaming manual na kakayahan sa pag-code ang maaari mong i-outsource bago ito magkahalaga ng isang bagay, at ang bayarin ay nagsisimula nang dumating sa tiyak, mase-check na paraan.

Saan Talaga Kumakagat ang Puwang

Ang atrophy ay hindi isang malabong pag-aalala — lumalabas ito sa tatlong konkretong sitwasyon, at makabubuting maging tapat sa sarili tungkol sa kung alin sa mga ito ang iyong nalalantad:

  • Mga Interbyu. Karamihan sa mga teknikal na interbyu, bukod sa mga take-home, ay nagbabawal pa rin o naglilimita sa tulong ng AI. Kung ang iyong pang-araw-araw na kahusayan ay tahimik na lumipat mula sa "kaya kong isulat ito" tungo sa "kaya kong utusan ang isang modelo na isulat ito," ilalantad ng isang whiteboard o live-coding round ang puwang na iyon sa real time, sa harap mismo ng taong magpapasya kung ikaw ay tatanggapin sa trabaho.
  • Mga Outage. Kapag bumagsak ang production, ang pinakamabilis na landas patungo sa ayos ay karaniwang ang pagbabasa ng hindi pamilyar na code sa ilalim ng presyon at direktang pangangatwiran tungkol dito — hindi ang paggawa ng magandang prompt tungkol sa isang sistemang wala kang oras na ipaliwanag. Ang incident response ay gumagantimpala mismo sa mga kasanayang (mabilis na pagbabasa ng code, mental debugging, pagkaalam sa API surface mula sa memorya) hindi gaanong nagagamit kapag isang modelo ang humahawak nito para sa iyo araw-araw.
  • Walang Koneksyon, Walang Assistant. Ang isang paglipad, isang client site na may naka-lock na network, isang tool outage sa panig ng model provider — kahit alin sa mga ito ay ibinabalik ka sa unaided na pag-code sa loob ng ilang panahon. Hindi na kailangang permanente ito para maging mahalaga; kailangan lang mangyari ito sa isang araw na kailangan mong maglabas ng isang bagay.

Wala sa mga ito ang hypothetical na edge case na ginawa lamang upang magbenta ng produkto. Ito ang karaniwang mga kalagayan ng isang gumaganang karera. Ang tanong ay kung mapapansin mo ba ang pagguho bago ka ilagay ng isa sa mga ito sa alanganin.

Pumasok ang mga Drilling Tool

Iyan ang puwang na tinatarget ng isang bagong tool na tinatawag na Atrophy CLI, ayon sa isang artikulo sa The Register ngayong buwan. Ang pitch ay diretso: ituring ang kakayahan sa pag-code na parang isang chess Elo rating sa halip na isang binary na "kaya mag-code / hindi kaya mag-code." Magsisimula ka sa isang baseline exam na nagtatatag kung nasaan ka sa kasalukuyan, pagkatapos ay didrilin ka ng tool sa ilang magkakahiwalay na kategorya ng kasanayan — syntax recall, debugging, pagbabasa ng code, API memory, at problem decomposition — at sinusubaybayan ang iyong rating sa paglipas ng panahon, kaparehong paraan ng pagsubaybay ng isang chess engine kung talaga kang gumagaling o pakiramdam mo lang ay ganoon. Ang tagline ay ang buong tesis sa isang linya: "Kung tahimik na inaagnas ng tulong ng AI ang iyong kakayahang mag-code nang walang tulong, ipapakita ito sa iyo ng chart – bago pa gawin iyon ng isang interbyu, isang outage, o isang araw na walang wifi."

Ang disenyong dapat pansinin ay ang paghahati sa magkakahiwalay na kategorya sa halip na isang composite score. Hindi pantay na inaagnas ng vibe coding ang lahat ng kasanayan sa pag-code — mananatili kang matalas sa decomposition (paghahati ng isang problema sa mga hakbang) dahil iyan ay malaki pa ring bahagi ng iyong trabaho kahit may AI assistant, habang ang iyong syntax recall at raw na debugging-without-a-copilot na kalamnan ay tahimik na humihina, dahil iyon mismo ang mga bahaging idinedelegate mo. Ang isang solong score ay itatago iyon. Ang isang per-category na rating ay hindi bababa sa nagsasabi sa iyo kung aling partikular na kalamnan ang muling sasanayin, na mas kapaki-pakinabang na senyales kaysa sa pangkalahatang pakiramdam ng pagka-antigo.

Isang Kinakailangang Hedge

Sulit sabihin nang tapat: bago pa lamang ang Atrophy CLI, at wala pa akong nakitang independiyenteng datos kung ang mga rating nito ay talagang nagbibigay-hula sa performance sa interbyu o incident, o kung ang regular na drilling ay makabuluhang nagbabaligtad sa pagkasira ng kasanayan kumpara sa paggawa lamang sa iyong mahusay sa mismong mga drill — iyan ay tunay na panganib sa anumang practice tool na hindi ang aktwal na gawain. Ituring itong isang diagnostic na sulit subukan, hindi isang napatunayang solusyon. Ang kategoryang iniuukit nito — ang pagsukat sa AI-assisted na pagkasira ng kasanayan, hiwalay sa AI-assisted na produktibidad — ang kapaki-pakinabang na ideya rito, mangyari pa man o hindi na ang partikular na tool na ito ang magpapatuloy.

Ano ang Gagawin Tungkol Dito nang Hindi Isinusuko ang Produktibidad

Hindi mo kailangang talikuran nang tuluyan ang AI-assisted na pag-code upang protektahan ang sarili rito; iyon ay magiging pagsuko sa isang tunay na pakinabang sa produktibidad upang mag-hedge laban sa isang panganib na kaya mong pangasiwaan sa mas murang paraan. Ilang konkretong ugali ang gumagawa ng karamihan sa trabaho:

  • Paminsan-minsan, lutasin ang isang bagay na normal mong ibibigay sa modelo — isang bug, isang maliit na function, isang data transform — nang ganap na walang tulong, at oras-orasan ang sarili. Pansinin kung saan ka nag-aatubili.
  • Bago ang isang interview loop o on-call rotation, sadyang mag-code nang AI-off sa loob ng ilang panahon, sa parehong paraan na mag-cram ka bago ang isang exam na hindi mo na ginamit ang materyal sa loob ng ilang buwan.
  • Kapag gumamit ka ng tulong ng AI, basahing mabuti ang nabuong code hanggang sa kaya mo itong ipaliwanag sa iba, sa halip na mag-paste at magpatuloy na lang — iyon ang hakbang na pinakamay-pananagutan kung ang exposure ba ay bumubuo ng iyong pag-unawa o iniikot lamang ito.
  • Kung gumagana para sa iyo ang isang rating-style na tool tulad ng Atrophy CLI, gamitin ito bilang isang smoke detector, hindi bilang isang training regimen mismo — suriin ito paminsan-minsan, at kung bumababa ang isang kategorya, gumawa ng tunay na unaided na trabaho sa larangang iyon sa halip na mag-drill ng flashcard para dito.

Ang tapat na pagtingin dito ay ang AI-assisted na pag-code at ang kakayahang mag-code nang walang tulong ay ngayon ay dalawang magkahiwalay na kasanayan na iyong pinamamahalaan, hindi isang kasanayan na may shortcut. Ang mga employer, interview panel, at mga incident channel nang alas-3 ng umaga ay hindi pa lubos na nakakaabot doon, ngunit mapapansin nila kung sinu-sino sa mga kandidato ang nagpanatiling buhay ang parehong kasanayan.