رايفايزن بانك: 500 مهندس تبنوا الذكاء الاصطناعي، لكن سرعة التطوير لم تزد

يستخدم مهندسو بنك رايفايسن بنشاط أدوات الذكاء الاصطناعي — واجهات الدردشة والعوامل المتعلقة بالترميز. في الرسوم البيانية، تبدو الأنشطة مقنعة: يتزايد عدد المستخدمين، وتتزايد تكرار الطلبات. لكن عندما تحققت الفريق من المقاييس الفعلية، تبين أن سرعة التطوير لم تتغير. حلل مارات كينيابولاتوف، خبير في ممارسات البرمجة الرشيقة والمسؤول عن كفاءة فريق الهندسة في البنك، سبب عدم ترجمة النمو في الاستخدام إلى تسارع.

المشكلة التي لا تُرى على لوحات المعلومات

عادة ما تبدو صورة تنفيذ الذكاء الاصطناعي في شركة كبيرة واعدة: يتزايد عدد المستخدمين النشطين، ويتقن المهندسون أدوات جديدة، وتتلقى الإدارة تقارير إيجابية. يبدو أن هذا كافٍ لاعتبار التنفيذ ناجحاً.

تظهر المشكلة لاحقاً — عندما تبدأ في النظر إلى مقاييس الأعمال. قارنت فريق كينيابولاتوف المؤشرات قبل وبعد التنفيذ: وقت دورة المهمة، وسرعة إطلاق الميزات، وعدد التكرارات قبل الإنتاج. أتقن 500 مهندس الأدوات، لكن إنتاجية الفريق بقيت على نفس المستوى السابق.

وفقاً لكينيابولاتوف، فإن هذه الصورة نموذجية ليس فقط لبنك رايفايسن. تواجه معظم الشركات التي تنفذ الذكاء الاصطناعي بشكل ضخم في التطوير نفس الشيء: مقاييس استخدام الأدوات تنمو قبل أن يتغير أي شيء في عمليات العمل الفعلية.

لماذا الاستخدام ≠ التسارع

اختبرت الفريق عدة فرضيات حول تأثير الذكاء الاصطناعي على سرعة التطوير. بدت المنطق الأولي معقولاً:

• تقلل الدردشات المدعومة بالذكاء الاصطناعي الوقت المستغرق في البحث عن التوثيق والشروحات
• تتعامل عوامل الترميز مع كتابة رمز النموذج والرمز المتكرر
• تعطي الروتينية المنخفضة المهندسين وقتاً للمهام المعقدة

في الواقع العملي، أثبتت كل واحدة من هذه الاتصالات أنها غير خطية. يمكن لمهندس يتلقى إجابات سريعة من الدردشة أن ينفق الوقت الذي تم توفيره على توضيحات وإعادة صياغات إضافية — بدلاً من تقدم المهمة. أنتج عامل الترميز رمزاً كان يحتاج إلى مراجعة وتحسين: في بعض الأحيان، كان هذا يستغرق وقتاً أطول من كتابته بشكل مستقل.

"على الرسوم البيانية، يتزايد عدد المستخدمين والنشاط، ويجرب المهندسون

الأدوات ويعتادون على الواقع الجديد، لكن عند التحقق من المقاييس، غالباً ما يتبين أن لا شيء يعمل بشكل أسرع،" يكتب كينيابولاتوف.

ما المقاييس التي ساعدت على فصل العادة عن النتيجة

كان التحدي الأساسي هو إنشاء نظام قياس يوضح ليس فقط حقيقة استخدام الأداة، بل تأثيرها على النتائج. بحثت الفريق عن الارتباطات بين النشاط في أدوات الذكاء الاصطناعي والمؤشرات الفعلية للأداء: وقت الدورة، والإنتاجية، وحصة المهام التي مرت عبر الإنتاج دون الحاجة إلى إعادة العمل.

بالتوازي، درسوا الأنماط السلوكية — ما الذي تغير بالضبط في عمل المهندسين الذين زادت إنتاجيتهم. تبين أن الفرق الأساسي لم يكن في تكرار استخدام الأداة، بل في طريقة تكاملها مع عملية العمل.

أدى هذا التحليل إلى مفهوم هندسة العوامل (Agentic Engineering) — وهو نهج يقوم به المهندس ببناء سلاسل من عوامل الذكاء الاصطناعي التي تتعامل مع مراحل عمل كاملة، بدلاً من تطبيق الذكاء الاصطناعي كمرجع تفاعلي للأسئلة الفردية.

ما يعنيه هذا

يوصف حالة بنك رايفايسن مشكلة نظامية في تحويلات الذكاء الاصطناعي: تخلق مقاييس استخدام الأدوات المرئية وهماً من التقدم بينما تبقى الإنتاجية الفعلية دون تغيير. التأثير الحقيقي لا يأتي من تنفيذ التكنولوجيا، بل من إعادة هيكلة عمليات العمل حولها. يعد كينيابولاتوف بتحليل مفصل لكيفية بناء الفريق لهندسة العوامل بالضبط في الجزء الثاني.