سبيربنك ويانديكس وred_mad_robot تعرض كيف يغيّر الذكاء الاصطناعي دور المطوّر

يستحوذ الذكاء الاصطناعي بوتيرة متزايدة على الجزء الروتيني من التطوير، فيما ينتقل دور المهندس من كتابة الشيفرة يدويًا إلى صياغة المهام ومراقبة النتائج. وتُظهر أمثلة سبيربنك ويانديكس وT-Technologies وred_mad_robot أن هذا التحول لا يؤثر في سرعة الإصدارات فحسب، بل يمتد إلى المتطلبات المفروضة على المطوّرين أنفسهم.

كيف يتغير التطوير

يصف سبيربنك مسيرته نحو AI PDLC عبر مقياس نضج يمتد من المستوى صفر إلى المستوى الخامس. وتقع الشركة حاليًا عند مستوى supervised automation: فالذكاء الاصطناعي مدمج بالفعل في معظم مراحل التطوير، لكن القرار النهائي يبقى بيد الإنسان.

وبحسب بيانات الشركة، يستخدم GigaCode نحو 14 ألف مطوّر، ويعمل قرابة 80% منهم مع الأداة يوميًا. وارتفعت حصة الشيفرة التي ولّدها الذكاء الاصطناعي واعتمدتها الفرق من 45% في بداية عام 2025 إلى 69% بحلول نهايته. لم يعد الأمر مساعدًا يُستعان به في حالات معزولة، بل نمط عمل جديدًا.

والخطوة التالية هي إعادة بناء بيئة العمل نفسها. ففي نوفمبر 2025 نقل سبيربنك المطوّرين من JetBrains IDE إلى بيئته الخاصة GigaIDE PRO، التي تعمل فيها سبعة وكلاء ذكاء اصطناعي، من التوثيق وتسجيل الأحداث (journaling) إلى الاختبارات الآلية والتحليلات. ويُقبل أكثر من نصف اقتراحاتهم.

وفي موازاة ذلك يتغير اقتصاد التوظيف: ففي عام 2024 كان المهندس الجديد يحتاج إلى 71 يومًا للوصول إلى الإنتاجية الكاملة، أما الآن فيحتاج إلى 36 يومًا. وفي هذا المنطق ينشغل الإنسان بالجانب الميكانيكي بدرجة أقل، ويزداد انشغاله بإدارة العملية.

«90% من التنفيذ يتولاه الذكاء الاصطناعي، و90% من إدارة الفكرة تبقى بيد البشر».

ماذا يحدث للناس

المكسب التقني لا يلغي الكلفة البشرية. فباحثو سبيربنك يلاحظون أن المطوّرين المبتدئين (junior) يجدون أنفسهم أكثر فأكثر في دور غريب: فهم مطالبون بتقييم نتائج أنتجها النموذج أكثر من مطالبتهم بتعلّم كتابة الشيفرة، رغم أن قاعدة معارفهم الخاصة لم تكتمل بعد.

أما المهندسون الأكثر خبرة فتواجههم مشكلة مختلفة: فقد كان جزء من متعة العمل يأتي من حل المهام المعقدة، ومع الوكلاء يظهر شعور بأنك لم تعد المؤلف بل مراقب لخط إنتاج. ومن هنا ينشأ القلق على المهارات والمكانة والقيمة الذاتية في سوق العمل.

وعلى مستوى الإنتاج (production) يبدو الأمر أوضح. ففي المؤسسات الكبرى لا يمكن ببساطة تفعيل وضع الوكلاء الرائج وانتظار المعجزة: إذ يجب أن يفهم النظام واجهات API الداخلية وسياسات الأمن والقيود التنظيمية. لذلك لا يكاد «vibe coding» يعمل بصورته الخالصة في الشركات الكبرى.

وتُعدّ حالة GigaCode دالّة في هذا السياق، إذ أنجز في ديسمبر إصدارًا كاملًا من أداة لتنزيل المكتبات والتحقق منها دون سطر واحد كُتب يدويًا. وضم الإصدار خمس مهام كبرى وعدة إصلاحات، وقبلت الفريق النتيجة دون ملاحظات جوهرية.

وهذا يغيّر تخصص المهندس: تجميع يدوي أقل، وصياغة مهام ومراجعة ومسؤولية معمارية أكثر.

كيف يُقاس الأثر

تُظهر تجربتا يانديكس وT-Technologies أن قياس الأثر بعدد أسطر الشيفرة وحده لم يعد ذا معنى. ففي يانديكس يستخدم نحو 70% من المطوّرين مساعدي الذكاء الاصطناعي بانتظام عند كتابة الشيفرة، وينفذون في المتوسط عددًا أكبر من الالتزامات (commits) بنسبة 10–20%.

لكن توليد الشيفرة ليس سوى جزء من العمل: فوقت كبير يذهب في البحث عن المعلومات والتصميم وتصحيح الأخطاء والمراجعة. وقد قلّص AI Chat الداخلي زيارات الموظفين إلى wiki بشكل ملحوظ، أما DeepAgent فيمنح، بتقدير الشركة، تسريعًا بمقدار عشرة أضعاف في المهام المعقدة لاستكشاف قاعدة الشيفرة.

أما T-Technologies فلا تنظر إلى حجم النص، بل إلى Developer Experience، وتقيس:

• الوقت من أول التزام (commit) حتى النشر
• حصة وقت التركيز وعدد مرات تبديل السياق
• سرعة المراجعة الأولى
• حصة الاختبارات غير المستقرة
• مدة تأهيل المهندس الجديد

ووفق القياس عن بُعد (telemetry) الداخلي لدى T-Technologies، ارتفعت حصة المستخدمين المنتظمين للذكاء الاصطناعي من 17% إلى 85% خلال عشرة أشهر، وبعد أربعة أسابيع من أول تعرّف على المساعد يواصل 80% استخدامه في IDE و75% في الواجهة الويب.

وذهبت red_mad_robot أبعد من ذلك: فقد بنت نماذج أولية للويب وiOS وAndroid خلال 48 ساعة، وحصلت على نحو 80 ألف سطر من الشيفرة و208 التزامات، وتقلّص دور الفريق فعليًا إلى مهندس ذكاء اصطناعي واحد نسّق عمل الوكلاء. وبكلفة نموذج تبلغ نحو 27 دولارًا للنموذج الأولي الواحد، لا يتعلق الأمر بالتسريع فحسب، بل باقتصاد جديد للمنتج.

ماذا يعني ذلك

المطوّر لا يختفي، لكن عمله ينتقل بسرعة إلى مستوى أعلى: من كتابة الشيفرة إلى صياغة القصد والتحقق من النتيجة وإدارة الوكلاء. وبالنسبة إلى الشركات، لم يعد الخطر الرئيسي أن يكتب الذكاء الاصطناعي أكثر مما ينبغي، بل أن ينجح العمل في تسريع الإصدارات ثم يتأخر في إعادة بناء التدريب والمقاييس والثقافة الهندسية بما يلائم الواقع الجديد.