شبكات بالو ألتو: Claude لآلاف المطورين — ارتفاع سرعة تطوير الميزات بنسبة 20-30%

• Palo Alto Networks accelerates development with Claude (customer story) — Anthropic / Claude (кейс-стади)
• Palo Alto Networks: Accelerating software development and security with Anthropic's Claude and Google Cloud — Google Cloud (customer story)

السياق

شبكات بالو ألتو هي أكبر شركة أمن سيبراني: مزود عالمي لمنتجات وخدمات أمان الشبكات الشاملة. واجهت منظمة هندسية بآلاف المطورين السؤال الذي كانت الصناعة برمتها تطرحه في 2024–2025: كيف تزيد إنتاجية المطورين بمساعدة الذكاء الاصطناعي التوليدي دون التضحية بجودة وأمان الكود المُسلم؟ بالنسبة لشركة تبيع الأمان، الشرط الثاني ليس تحفظاً بل جوهر العلامة التجارية.

قادت البرنامج جونجان باتيل، مديرة الهندسة في مكتب رئيس المنتج، مع فريق هندسي متعدد الوظائف. كانت المنهجية منظمة من البداية: لم يسرع الفريق بنشر "أي ذكاء اصطناعي" بل قام أولاً بتحديد دورة حياة المطور لتحديد المهام الأكثر عرضة للأخطاء والتي تستهلك معظم الوقت. تم اختيار الأدوات بناءً على هذه الخريطة.

تبع ذلك تقييم رسمي لعدة LLMs ومساعدات الترميز. الفائز كان مزيجاً: Sourcegraph Cody كواجهة IDE مع نماذج Claude من Anthropic كخادم نهائي، مُنشرة على Vertex AI في Google Cloud — المزاوجة التي تطابقت، وفقاً لتقييم الفريق، بشكل أفضل مع تركيز الشركة على الأمان والسلامة. توثق الحالة مرتين — من قبل Anthropic ومن قبل Google Cloud — مما يوفر فرصة نادرة للتحقق من الأرقام من طرفين مهتمين ضد بعضهما.

نطاق النشر في لقطتين: تصف قصة Google Cloud تجربة أولية لـ 150 مطوراً وتطبيقاً لاحقاً لـ 3,000؛ تذكر قصة Anthropic 2,500 مطور تم إدراجهم مع 3,500 آخرين في طور التطبيق. إنها من بين أكبر عمليات النشر الموثقة علناً لمساعدات تطوير الذكاء الاصطناعي في قطاع الأمن السيبراني.

المشكلة

في الأمن السيبراني، تكلفة الخلل أعلى من أي مكان آخر: "إذا تم اكتشاف خلل لاحقاً، هذا ما يكلف المال والسمعة والعملاء ليسوا سعداء"، كما تقول باتيل. الثغرة الأمنية في المنتج الذي يحمي بنية العملاء بحد ذاته تؤثر على الثقة بقوة أكبر من أي فشل في البرامج العادية. لذلك لم يكن بإمكان تسريع التطوير أن يضحي بالجودة: على العكس، كان يجب على الذكاء الاصطناعي أن يعزز مراقبة الجودة.

أظهر تحديد دورة حياة المطور بالضبط أين تُفقد الوقت والجودة. ذهب 30-35% من وقت المطور إلى مرحلة التطوير الأولية — المحددة كنقطة منع الأخطاء الحرجة. كان الإدراج اختناقاً آخر: احتاج الموظف الجديد إلى ما يصل إلى ستة أشهر ليصبح بارعاً بالكامل في قوائم الأكواد الواسعة والمعقدة للشركة — وطوال هذا الوقت أمضى المطورون الكبار ساعات بتوجيه الوافدين الجدد يدوياً عبر هيكل الكود.

وضعت التفاصيل الخاصة بالصناعة طبقة منفصلة من المتطلبات. كود شبكات بالو ألتو المصدري هو أصل حساس: كان يجب أن تحافظ الحل على الكود ضمن حدود بيانات الشركة بدلاً من إرساله إلى خدمات خارجية غير مراقبة. بالإضافة إلى متطلبات البنية التحتية للتوسع: يحتاج آلاف المطورين إلى إنتاجية استدلال مستقرة دون تدهور في ساعات الذروة، ونموذج تكلفة يمكن التنبؤ به يمكن تخطيطه على أفق سنوي. أخيراً، فلتر الموردين: لا يمكن لشركة تبيع الأمان أن تعمل مع موفر نموذج يكون الأمان بالنسبة له مصدر قلق ثانوي.

الحل

تنقسم معمارية الحل بين نموذج يتم إقرانه حسب الكمون والعمق. يتعامل Claude 3.5 Haiku مع إكمال الكود في الوقت الفعلي: النموذج السريع والرخيص يقترح الأسطر التالية أثناء كتابة المطورين. يعمل Claude 3.5 Sonnet في وضع البرمجة الثنائية عبر دردشة IDE: يطلب المطور "ساعدني على تحسين أداء هذا الكود" — ينجمع النظام الملفات ذات الصلة، يرسلها إلى Sonnet، ويعود بمقتطف جاهز. الواجهة هي مكون Sourcegraph Cody في IDE؛ الخادم النهائي هو Claude على Vertex AI. "سمحت لنا مزيجة Claude على Vertex AI مع Sourcegraph بالحفاظ على الكود المصدري ضمن حدود البيانات لدينا وأدت بشكل جيد في مهام الترميز"، تشرح باتيل.

تباعدت سيناريوهات الاستخدام حسب مستوى الخبرة. يعتمد المبتدئون على قدرة Claude على شرح الكود: يفهم النموذج قاعدة الكود الكلية، ويبدأ الموظفون الجدد المساهمة في غضون أسابيع بدلاً من أشهر دون إهدار وقت المطورين الكبار. يستخدم المهندسون ذوو الخبرة Claude كشريك في تصحيح الأخطاء المعقدة وجلسات العصف الذهني للمعمارية — تقتبس الحالة الصيغة الحية: "يا، تحقق من منطقي في هذا" و"أنا عالق في هذا الخلل؛ هل يمكنك مساعدتي في العصف الذهني؟"

اتبع التطبيق المسار المعروف: تجربة أولية مع 150 مطوراً من المبتدئين إلى الكبار، قياس التأثير، ثم التوسع إلى آلاف المهندسين. من ناحية البنية التحتية، اعتمد التوسع على قدرتي Google Cloud: تسعير GSU (وحدات قياس الذكاء الاصطناعي التوليدي) المستند إلى الاستخدام الدقيق مع فترات التزام مرنة — ستة أشهر أو سنة — وإنتاجية مرصودة للأداء المتسق. تصف باتيل التبديل من الإنتاجية حسب الطلب إلى الإنتاجية المرصودة بحماس نادر في دراسات الحالة للمؤسسات: "لم نعتقد أن التبديل من الإنتاجية حسب الطلب إلى الإنتاجية المرصودة سيعمل بسهولة. لكنه عمل بالفعل — بشكل خالٍ من الأخطاء. كل ما كان علينا فعله هو تغيير نقطة النهاية، وكل شيء عمل بسلاسة. كانت هذه فوزاً ضخماً لنا."

الحدود التالية هي معالجة ما بعد الترميز بالذكاء الاصطناعي في CI/CD: يكتب المطور الكود مع Claude في الوقت الفعلي، وبعد إنشاء طلب السحب، يتولى الذكاء الاصطناعي عملية بلا اتصال — تحسين أسماء المتغيرات، إضافة تعليقات توضيحية، إنشاء وتشغيل اختبارات الوحدات تلقائياً، ثم تحديد مشاكل الأمان في الكود واقتراح الرقع تلقائياً. "ستساهم هذه الجهود في كود أنظف وأكثر قابلية للقراءة مع معالجة الثغرات الأمنية وتعزيز الأمان في نفس الوقت"، يقول باتيل. في هذه الأثناء، يقوم فريقه بتحديد عمليات كل فريق تطوير بحثاً عن نقاط الرافعة التالية للذكاء الاصطناعي — والتشكيك في هيكل العملية نفسه: "تم تصميم دورة حياة تطوير البرامج قبل عصر الذكاء الاصطناعي... ربما لن يكون لدينا كل هذه المراحل."

النتيجة

تتفق أرقام العنوان الرئيسي في كلا دراسات الحالة: ارتفعت سرعة تطوير الميزات وتنفيذ الكود بنسبة 20-30%. ارتفعت سرعة كتابة اختبارات الوحدات بنسبة 10-30% — وهذا ليس مجرد إنتاجية: المزيد من الاختبارات يعني عدداً أقل من الأخطاء وقاعدة كود أعلى جودة. أكمل المطورون المبتدئون المهام بسرعة أسرع بنسبة 70%، وانخفض إدراجهم من أشهر (حتى ستة) إلى أسابيع. النطاق: تجربة أولية بـ 150 مطوراً → 3,000 في التطبيق وفقاً لإصدار Google Cloud؛ 2,500 تم إدراجهم و 3,500 في طور التطبيق وفقاً لإصدار Anthropic. تختص باتيل الأسباب التي تجعل هذا مهماً للأمن السيبراني: "تشغيل Claude على Vertex AI من Google Cloud لا يسرع فقط مشاريع التطوير، بل يسمح لنا بدمج الأمان في الكود قبل شحنه."

النتيجة المنفصلة هي معيار اختيار الموردين الذي تذكره باتيل بصراحة: "أعطت Anthropic أولوية أكبر للأمان والسلامة من LLMs الأخرى. يناقشون آثار الأمان والسلامة في كل اجتماع. بصفتنا أكبر شركة أمن سيبراني، هذا مهم جداً لنا."

الإطار. جميع الأرقام هي تقارير ذاتية من الشركة منشورة بواسطة موردين مهتمين (Anthropic و Google Cloud)؛ لم يتم الكشف عن المنهجية وراء "سرعة تطوير الميزات"؛ نسبة 70% للمبتدئين هي تقدير لنوع معين من مهام التكامل؛ عدم التطابق بين المطورين 2,500/3,000 بين القصص يعكس لحظات لقطة مختلفة — تذكير بأن الأرقام في قصص الموردين تكون في نقطة زمنية معينة، وليست مدققة.

التحليل التحريري. أولاً: هذه حالة نادرة حيث يتم حساب العائد على الاستثمار لمساعد الذكاء الاصطناعي ليس "على المتوسط" بل حسب الجزء — والفوز الأكبر مع المبتدئين (70% مقابل متوسط 20-30%). الاستنتاج العملي يعكس حدس "الذكاء الاصطناعي يضخم القوي": في منظمات الهندسة الكبيرة يعادل الذكاء الاصطناعي الفريق بشكل أساسي ويحول الإدراج لمدة ستة أشهر إلى أسابيع، وهي أموال مباشرة في التوظيف والتوسع. ثانياً: الترتيب "حدد العملية → قيس تجربة أولية → توسع" أهم من أي رقم واحد هنا؛ تم اختيار نقطة الرافعة (مرحلة التطوير الأولية، 30-35% من الوقت) من البيانات، وليس من الموضة. ثالثاً: خط أنابيب المعالجة اللاحقة — إنشاء وتشغيل الاختبارات، والعثور على الثغرات الأمنية، والرقع التلقائية بعد كل طلب سحب — يرسم إعادة هيكلة أعمق من مساعد IDE: يصبح الذكاء الاصطناعي مرحلة في خط الأنابيب بمنطقة مسؤولية خاصة بها، وملاحظة باتيل بأن "ربما لن يكون لدينا كل هذه المراحل" تقرأ كإعلان عن دراسة الحالة القادمة. أخيراً، لاحظ ما يتم قياسه هنا: PANW هي من بين القلائل التي تنشر ليس فقط "متوسط الإنتاجية" بل التقسيم حسب الأقدمية (مبتدئين/كبار) ومقياس اختبار منفصل. كلما قسمت الشركة أرقامها الخاصة بشكل أدق، كلما زاد السبب للثقة فيها — بموجب هذا المعيار، حالة PANW أكثر إثباتاً بشكل واضح من تقرير الموردين العادي.

الدروس المستفادة

1. نموذج سريع رخيص للإكمال + نموذج قوي لدردشة IDE هو الزوج الفعال للاعتماد الشامل للذكاء الاصطناعي في الهندسة: الكمون حيث السرعة مهمة، الذكاء حيث العمق مهم.
2. ابدأ بخريطة العملية، وليس أداة: وجدت Palo Alto أولاً حيث تتسرب الوقت والجودة (30-35% — المرحلة الأولية) ثم فقط اختارت LLM.
3. يكسب المبتدئون الأكثر (مهام أسرع بنسبة 70%): يعادل الذكاء الاصطناعي الفريق ويقطع الإدراج من أشهر إلى أسابيع — سعّر تلك التأثير بالدولارات الموظفة.
4. الذكاء الاصطناعي في CI/CD (الاختبارات والتعليقات والكشف عن الثغرات والرقع التلقائية) يعطي عائداً أسرع من السيناريوهات الرائعة: الخلل الذي يتم اكتشافه قبل الإصدار هو توفير مباشر بالمال والسمعة.
5. بالنسبة للصناعات المنظمة وحساسة الأمان، يعتبر موقف الموردين من الأمان معيار اختيار على قدم المساواة مع جودة النموذج.
6. احفظ الكود ضمن حدود البيانات الخاصة بك: مكون IDE + نموذج داخل محيط السحابة الخاص بك (Vertex AI) يزيل العائق القانوني الرئيسي للاعتماد.
7. البنية التحتية للوصول المرن (تسعير GSU والإنتاجية المرصودة وتبديل نقطة النهاية دون إعادة كتابة الكود) تزيل العائق التقني الرئيسي لتوسع نطاق عمليات آلاف المهندسين.

الأسئلة الشائعة