تبنّي الذكاء الاصطناعي لم يُسرّع التطوير: تجربة Райффайзенбанк

مفارقة تبنّي الذكاء الاصطناعي: في Райффайзенбанк يستخدم 500 مهندس أدوات الذكاء الاصطناعي بنشاط، من محادثات ووكلاء برمجة، لكن سرعة التطوير لم تتغير.

مشكلة لا تظهر على لوحات المؤشرات

تبدو صورة تبنّي الذكاء الاصطناعي في الشركات الكبرى عادةً مطمئنة: عدد المستخدمين النشطين في ازدياد، والمهندسون يتقنون الأدوات الجديدة، والإدارة تتلقى تقارير إيجابية. ويكفي ذلك في العادة للحكم على التبنّي بالنجاح.

تظهر المشكلة لاحقًا، عندما يبدأ الفريق بالنظر إلى مقاييس الأعمال. فقد قارن فريق كينيابولاتوف المؤشرات قبل التبنّي وبعده: زمن دورة المهمة، وسرعة إصدار الميزات، وعدد التكرارات قبل الوصول إلى بيئة الإنتاج. أتقن 500 مهندس الأدوات، لكن إنتاجية الفرق بقيت عند مستواها السابق.

وبحسب كينيابولاتوف، لا تقتصر هذه الصورة على Райффайзенбанк. فمعظم الشركات التي تُدخل الذكاء الاصطناعي إلى التطوير على نطاق واسع تواجه الأمر نفسه: مقاييس استخدام الأدوات ترتفع قبل أن يتغير أي شيء في سير العمل الفعلي.

لماذا الاستخدام ≠ التسريع

اختبر الفريق عدة فرضيات حول تأثير الذكاء الاصطناعي في سرعة التطوير. وكان المنطق الأولي معقولًا:

• محادثات الذكاء الاصطناعي تقلّص الوقت المستغرق في البحث عن التوثيق والشروحات
• وكلاء البرمجة يتولّون كتابة الشيفرة النمطية والمتكررة
• تقليص الأعمال الروتينية يمنح المهندسين وقتًا للمهام المعقدة

أما عمليًا، فقد تبيّن أن كل واحدة من هذه الحلقات ليست خطية. فالمهندس الذي يتلقى إجابات سريعة من المحادثة قد ينفق الوقت الموفَّر على أسئلة توضيحية إضافية وإعادة صياغة، بدل أن يدفع المهمة إلى الأمام. وكان وكيل البرمجة يولّد شيفرة تحتاج إلى فحص وتحسين، وأحيانًا استغرق ذلك وقتًا أطول من كتابتها يدويًا.

«على الرسوم البيانية يزداد المستخدمون والنشاط، والمهندسون يجرّبون

الأدوات ويعتادون الواقع الجديد، لكن عند فحص المقاييس يتبيّن في كثير من الأحيان أن شيئًا لم يصبح أسرع»، يكتب كينيابولاتوف.

أي المقاييس ساعدت في الفصل بين العادة والنتيجة

كان التحدي المحوري هو بناء منظومة قياس تُظهر تأثير الأدوات في النتيجة، لا مجرد واقعة استخدامها. بحث الفريق عن ارتباطات بين النشاط في أدوات الذكاء الاصطناعي ومؤشرات الكفاءة الفعلية: cycle time وthroughput ونسبة المهام التي مرّت إلى بيئة الإنتاج دون إعادتها للتحسين.

وبالتوازي، درس الفريق الأنماط السلوكية، أي ما الذي تغيّر تحديدًا في عمل المهندسين الذين ارتفعت إنتاجيتهم فعلًا. وتبيّن أن الفارق الجوهري لا يكمن في وتيرة استخدام الأدوات، بل في طريقة دمجها في سير العمل.

قاد هذا التحليل إلى مفهوم Agentic Engineering، وهو نهج يبني فيه المهندس سلاسل من وكلاء الذكاء الاصطناعي تتولّى مراحل كاملة من العمل، بدل استخدام الذكاء الاصطناعي كمرجع تفاعلي لأسئلة منفردة.

ماذا يعني ذلك

تصف حالة Райффайзенбанк مشكلة منهجية في تحولات الذكاء الاصطناعي: فمقاييس استخدام الأدوات الظاهرة تخلق وهم التقدم، بينما تبقى الإنتاجية الفعلية على حالها. ولا يأتي الأثر الحقيقي من تبنّي التقنية بحد ذاتها، بل من إعادة بناء سير العمل حولها. ويعد كينيابولاتوف بتقديم عرض مفصّل لكيفية بناء الفريق لـ Agentic Engineering في الجزء الثاني.

لماذا لم يُسرّع تبنّي الذكاء الاصطناعي التطوير؟

يزداد عدد المستخدمين وتيرة الاستعانة بالأدوات، لكن المقاييس الفعلية تُظهر أن سرعة التطوير لم تتغير.

لماذا لا يحقق تبنّي الذكاء الاصطناعي تسريعًا للتطوير؟

وفق تجربة Райффайзенбанк، لا يضمن ازدياد عدد مستخدمي أدوات الذكاء الاصطناعي وتواتر استخدامها تسريع التطوير. وقد حلّل مارات كينيابولاتوف، المسؤول عن كفاءة الفرق الهندسية في البنك، أسباب عدم تحوّل النشاط في الذكاء الاصطناعي إلى تسريع للعمل الفعلي.