OpenAI وAnthropic وGoogle تخشى سؤالًا واحدًا من المديرين التقنيين

يشترك مزوّدو أدوات الذكاء الاصطناعي للمطوّرين، من OpenAI وAnthropic إلى Google وعشرات الشركات الناشئة التي تقدّم وكلاء ذكاء اصطناعي لكتابة الشيفرة، في مصلحة واحدة: ألا يطرح نواب رؤساء الهندسة سؤالًا بعينه. ليس السؤال «كم موظفًا يستخدم الأداة؟»، ولا «كم ازداد حجم الشيفرة المُولَّدة؟». ما يخشونه حقًا هو سؤال «ما النتائج الفعلية للأعمال؟»

اعتماد الذكاء الاصطناعي في تطوير البرمجيات يشهد بالفعل نموًا هائلًا. تعلن GitHub Copilot عن ملايين المستخدمين النشطين. أما Cursor وReplit وWindsurf وعشرات الأدوات الأقل شهرة فتستحوذ على ميزانيات الفرق التقنية في أنحاء العالم. وبحسب دراسات قطاعية، يستخدم أكثر من 70% من المطوّرين في الشركات الكبرى أداة ذكاء اصطناعي واحدة على الأقل لكتابة الشيفرة. ويُقدَّر المحللون أن سوق مساعدات الذكاء الاصطناعي للمطوّرين ستتجاوز 10 مليارات دولار بحلول عام 2027.

لكن خلف هذه الأرقام اللافتة تكمن مشكلة جدّية. فمعظم قادة الهندسة يقيسون مؤشرات الاستخدام لا النتائج. هم يعرفون كم مطوّرًا فعّل الترخيص، وكم سطرًا من الشيفرة اقترحه الذكاء الاصطناعي وجرى قبوله، وما نسبة الفريق التي «تستخدم المنتج بنشاط». لكنهم لا يتتبعون ما إذا كان زمن وصول الميزات إلى السوق قد انخفض، أو ما إذا تراجع عدد العيوب في بيئة الإنتاج (production)، أو ما إذا قلّ الدين التقني، أو ما إذا ارتفعت سرعة التطوير الفعلية بعد اعتماد الذكاء الاصطناعي. وهذه نقطة عمياء مكلفة، تناسب مزوّدي الأدوات تمامًا بالمناسبة.

سبب هذه الفجوة مفهوم: قياس الاستخدام سهل، أما قياس النتائج الفعلية فصعب للغاية. فتقييم الأثر الحقيقي للذكاء الاصطناعي على إنتاجية الفريق يتطلب بيانات أساس مسجَّلة قبل الاعتماد، ومجموعات ضابطة سليمة، وتعريفات ثابتة لمفهوم «الإنتاجية» (وهو في حد ذاته موضع جدل محتدم في الأوساط الهندسية)، ووقتًا لا يقل عن عدة أرباع سنوية. ومزوّدو الأدوات معنيّون بتجديد التراخيص وبقصص النجاح التسويقية اللامعة، لا بدراسات صارمة قد تُظهر أثرًا متواضعًا، بل سلبيًا في بعض السيناريوهات.

الدراسات المستقلة القليلة في هذا الموضوع تقدّم نتائج متباينة. فقد أظهرت تجارب GitHub نمو الإنتاجية بنسبة 55% في مهام محددة، مثل كتابة خادم HTTP من الصفر. أما دراسات أخرى، منها دراسات METR ومختبرات مستقلة، فسجّلت أرقامًا أكثر تواضعًا بكثير، أو حذّرت من أن المكسب في سرعة كتابة الشيفرة كثيرًا ما يعوّضه ارتفاع الوقت المستغرق في المراجعة وتصحيح الشيفرة التي ولّدها الذكاء الاصطناعي. فالواقع يتوقف إلى حد كبير على نوع المهام، ومستوى خبرة الفريق، ومدى إحكام بناء عملية العمل مع الأدوات.

وثمة مشكلة منفصلة تتعلق بوكلاء الذكاء الاصطناعي من الجيل الجديد. فإذا كانت الأدوات الأولى مثل Copilot تعمل كإكمال تلقائي متقدّم، فإن وكلاء 2025-2026 يزعمون القدرة على تنفيذ مهام كاملة بصورة مستقلة: من كتابة الشيفرة إلى إنشاء طلبات الدمج (PR) واجتياز جزء من مراحل CI/CD. وهذا يرفع سقف الرهانات: فإذا كنتم عاجزين عن قياس عائد الاستثمار (ROI) من مساعد ذكاء اصطناعي أساسي، فكيف ستقيّمون نتائج وكيل شبه مستقل؟

الخلاصة الرئيسية بسيطة، لكنها غير مريحة للسوق: على قادة الهندسة أن يكفّوا عن قياس الاستخدام، وأن يبدؤوا بتصميم تجارب حقيقية ذات نتائج قابلة للقياس قبل التوقيع على عقود أدوات الذكاء الاصطناعي التي تبلغ قيمتها ستة أرقام. حدّدوا المقاييس مسبقًا: cycle time، ونسبة العيوب (defect rate)، والوقت المستغرق في مراجعة PR، ومدة تأهيل المطوّرين الجدد. وقارنوا بين الفرق التي تستخدم الأداة والفرق التي لا تستخدمها، ولا تكتفوا بتتبّع «الرضا» العام.

لن يعلّمكم المزوّدون ذلك، فلا حافز لديهم لفعله. لكن القدرة على طرح السؤال المحرج هي تحديدًا ما يميّز القادة التقنيين الذين يحسّنون عمل فرقهم فعلًا عن أولئك الذين يشترون مجرد إحساس بالتقدّم.