ساعد Claude Opus محلل أعمال على إطلاق تطبيقين خلال أسبوعين من دون فريق

أظهرت تجربة في تطوير البرمجيات بمساعدة الذكاء الاصطناعي أن الشخص بدون خبرة في البرمجة يمكنه بالفعل إطلاق منتج محمول إلى السوق. في أسبوعين، قام محلل أعمال بتطوير تطبيقين Flutter لمتجر RuStore وأنفق حوالي 80 ساعة عمل على ذلك.

كيف سارت التجربة

تعامل المؤلف مع المهمة كاختبار فرضية: إذا كان محلل الأعمال يعرف كيفية تحليل المتطلبات وكتابة قصص المستخدمين ومعايير القبول، فقد يكون هذا كافياً للعمل مع مساعد ذكاء اصطناعي بدلاً من فريق عمل عادي. لإجراء الاختبار، اختار منتجين مختلفين - تطبيق تتبع الوقت "168 ساعة" ولعبة F1 Tycoon عن إدارة فريق الفورمولا-1. اختار أيضاً مكدس التكنولوجيا عبر النموذج: Flutter و Dart للتطوير متعدد المنصات، و Supabase كخادم خلفي مجاني للنموذج الأولي.

كان الجدول الزمني يشبه تقريباً سباق تطويري كامل. استغرقت الأيام الأولى في تثبيت Flutter و Android Studio، ثم بدأ تجميع الواجهات بطريقة متسلسلة. ثم جاءت المرحلة الأولى الثقيلة - التكامل مع Supabase، حيث تحولت التفويض وعمليات الشبكة بسرعة إلى سلسلة من الإصلاحات المتكررة.

بعد ذلك، تعامل المؤلف مع F1 Tycoon، لكن مشروع اللعبة نفسه كشف عن القيد الرئيسي للنماذج الحالية: كلما زاد عدد الملفات والتبعيات، أسوأ الحفاظ على المعمارية الكلية. في اليوم 14، اجتازت كلا التطبيقين المراجعة في RuStore، وظلت النفقات المباشرة عند الصفر.

حيث أسرع الذكاء الاصطناعي العمل

وفقاً للمؤلف، جاءت أفضل النتائج ليس من الأدوات المجانية، بل من النماذج التجارية الأقوى. غالباً ما أنتجت الخيارات المجانية كوداً لم يتم ترجمته وواجهات بأسلوب المشاريع الأكاديمية القديمة. تبين أن GPT-5.2 أكثر استقراراً بشكل ملحوظ، لكن Claude Opus هو الذي قدم أنظف الأكواد والواجهة الحديثة والحفاظ الأفضل على سياق الحوار. لكن هناك شيء أكثر أهمية: توافقت مهارات محلل الأعمال بشكل غير متوقع مع ما يتطلبه الصياغة الجيدة.

"الذكاء الاصطناعي مثل مطور مبتدئ: كلما كانت المتطلبات أكثر دقة، كان

الناتج أكثر دقة."

في الممارسة العملية، لم يبدُ هذا وكأنه سحر، بل بدا وكأنه دورة سريعة جداً من صياغة المهام والتحقق من النتائج. وصف المؤلف الواجهة، وتلقى الكود، وأدرجه في المشروع، وقام بتشغيله على الهاتف، وأعاد الأخطاء المحددة إلى النموذج. كان هذا الأسلوب يشبه العمل مع مطور مبتدئ بعيد الموقع سريع جداً: تصل الإجابة في دقائق ويمكن التحقق من التصحيحات فوراً على جهاز حقيقي. في هذا المخطط، ثبت أن الذكاء الاصطناعي مفيد بشكل خاص لعدة مهام نمطية:

• توليد مكونات واجهة المستخدم والشاشات في دقائق
• اختيار مكدس البدء للمبتدئ بدون فريق
• شرح الأخطاء والمصطلحات بلغة بسيطة
• كتابة كود النماذج والمنطق التجاري الأساسي
• التحضير للنشر: توقيع البناء والمفاتيح وإعدادات build.gradle

حيث بدأت المشاكل

الجزء الأكثر إيلاماً كان التكاملات. بدا ربط Supabase بسيطاً على الورق، لكن في الواقع، أنتج الإصلاح الواحد الخطأ التالي بسهولة. يصف المؤلف سيناريو نمطي: يصحح النموذج خطأ التفويض عبر البريد الإلكتروني، وبعده تنكسر شاشة التسجيل، ثم يؤثر التصحيح التالي على ملف آخر.

في المهام القصيرة هذا محتمل، لكن في المشروع الكبير يتحول إلى لعبة مرهقة حيث لا يضمن إصلاح المشكلة المحلية أن يتم ترجمة التطبيق حتى ككل واحد. كانت المشكلة الثانية ذاكرة النموذج. عندما نما F1 Tycoon إلى أكثر من 50 ملف، توقف الذكاء الاصطناعي عن تذكر الفئات الرئيسية وهيكل المشروع والقرارات المعمارية السابقة بثقة.

لتقليل فقدان السياق، قام المؤلف بإنشاء "ملف الذاكرة" منفصل يصف الهيكل وقدمه للنموذج في بداية كل جلسة. ساعد هذا، لكنه لم يحل المشكلة بالكامل. كان هناك خطر إضافي وهو حدود الطلبات: في اللحظة الحاسمة، يمكن قطع الوصول إلى أفضل نموذج لعدة ساعات، وتوقف التطوير ببساطة.

بحلول نهاية التجربة، وصل كلا الإصداران إلى المتجر، لكنهما معاً تلقيا 14 تنزيل فقط.

ماذا يعني هذا

القصة لا تثبت أن الذكاء الاصطناعي قد استبدل المطورين بالفعل، لكنها توضح شيئاً آخر جيداً: انخفض حد الدخول لإنشاء نموذج أولي بشكل حاد. إذا كان الشخص يعرف كيفية صياغة المتطلبات وتقسيم المهام والقضاء على الأخطاء بصبر، فيمكنه بالفعل الوصول إلى إصدار فعال. لكن التكاملات المعقدة ومعمارية المشاريع الكبيرة والتحكم في الجودة تبقى مجالات حيث بدون مهندس ذي خبرة، تصل السرعة بسرعة إلى سقف حتى في التجارب الفردية.