امتناع برنامه‌نویسان از کار بدون هوش مصنوعی؛ تهدیدی برای بهره‌وری واقعی

به گزارش اخبار زنده و به نقل از Techcrunch، در فوریه ۲۰۲۶، آزمایشگاه تحقیقاتی معتبر «متر» (METR) یافته‌ای شگفت‌انگیز منتشر کرد: اکثر توسعه‌دهندگان، حتی برای انجام تعداد محدودی از وظایف، از کار بدون پشتیبانی هوش مصنوعی امتناع می‌ورزند. متر قصد داشت به‌روزرسانی‌هایی از پژوهش پیشگامانه‌ای را ارائه دهد که چند ماه پیش‌تر در سال ۲۰۲۵ درباره بهره‌وری کدنویسی با هوش مصنوعی منتشر شده بود. در آن پژوهش، محققان زمان صرف‌شده توسط توسعه‌دهندگان متن‌باز برای انجام وظایف به‌صورت دستی را در مقایسه با هوش مصنوعی اندازه‌گیری کرده بودند.

اگرچه توسعه‌دهندگان در آن مطالعه گزارش کردند که هوش مصنوعی بهره‌وری آن‌ها را افزایش داده، اما با کمال تعجب دریافتند که در عمل، سرعت کارشان کاهش یافته است. به این معنا که هوش مصنوعی هرچند کد را سریع‌تر تولید می‌کرد، اما زمان بیشتری صرف یافتن و رفع خطاها، راهنمایی سامانه هوشمند و انتظار برای تکمیل وظایف می‌شد. هنگامی که متر تصمیم گرفت این آزمایش را برای سنجش پیشرفت در مهارت‌های کدنویسی و قابلیت‌های هوش مصنوعی تکرار کند، با شکست مواجه شد. محققان اعتراف کردند که توسعه‌دهندگان حاضر به همکاری نبودند، زیرا «حتی برای شرکت در این مطالعه هم نمی‌خواهند بدون هوش مصنوعی کار کنند».

در عوض، متر در مه ۲۰۲۶ نتیجه نظرسنجی‌ای را منتشر کرد که در آن از کارمندان فنی خواسته شده بود میزان افزایش بهره‌وری خود در اثر استفاده از هوش مصنوعی را گزارش دهند. جای تعجب نیست که آن‌ها اعلام کردند هوش مصنوعی ارزش آن‌ها را برای سازمان‌هایشان دو برابر کرده است. اما تیترهای اخیر درباره هزینه‌های سرسام‌آور «توکن‌مکسینگ» (Tokenmaxxing) همراه با یافته‌های پراکنده جدید، چنین خودارزیابی‌هایی را با تردید جدی مواجه کرده است.

توکن‌مکسینگ به معنای استفاده از تعداد توکن‌های مصرف‌شده به‌عنوان معیاری برای سنجش بهره‌وری با هوش مصنوعی، تاکنون روند غالب سال ۲۰۲۶ بوده، اما ممکن است همین حالا نیز از رونق افتاده باشد. روزنامه فایننشال تایمز هفته گذشته گزارش داد که شرکت آمازون سامانه داخلی ردیابی توکن خود به نام «کیرورنک» (Kirorank) را پس از آن تعطیل کرد که کارمندان با استفاده بیش ازحد از هوش مصنوعی، جدول امتیازات را دستکاری و هزینه‌ها را افزایش دادند. این کارمندان ثابت کردند که استفاده صِرف از هوش مصنوعی به‌طور خودکار به افزایش بهره‌وری منجر نمی‌شود.

به گزارش نشریه «دِ ایندفورمیشن» (The Information)، شرکت اوبر بودجه هوش مصنوعی سال ۲۰۲۶ خود را تنها در چهار ماه نخست سال به طور کامل مصرف کرده است. اندرو مک‌دونالد، مدیر ارشد عملیاتی، اخیراً در یک پادکست گفت که این هزینه‌ها افزایش قابل‌اندازه‌گیری در تعداد پروژه‌ها یا سطح بهره‌وری را به دنبال نداشته است.
 

جیمز شور، برنامه‌نویس و نویسنده، در پستی وبلاگی که به سرعت در «هکرنیوز» (Hacker News) دست‌به‌دست شد، به زیبایی استدلال کرده است که کد تولیدشده توسط هوش مصنوعی لزوماً نیازهای مستمر نگهداری نرم‌افزار را کاهش نمی‌دهد، بلکه چه‌بسا آن را افزایش می‌دهد. او نوشت: «الان دو برابر سریع‌تر کد می‌نویسید؟ بهتر است امیدوار باشید هزینه‌های نگهداری‌تان نصف شده باشد. در غیر این صورت، کارتان تمام است. شما یک افزایش سرعت موقت را با یک قرارداد دائمی معاوضه می‌کنید.»

شواهد دیگری نیز حاکی از تشدید مشکلات نگهداری کد توسط هوش مصنوعی است. توییتی پربازدید از آیسواریا سانکار، بنیان‌گذار و مدیرعامل استارتاپ «انتلیجنس ای‌آی» (Entelligence AI) در حوزه مهندسی قابلیت اطمینان، اعلام کرد که شرکت‌ها ۴۴ درصد از توکن‌های خود را صرف رفع اشکالاتی می‌کنند که هوش مصنوعی ایجاد کرده است. در همین حال، شرکت «کودرَبت» (CodeRabbit) که در زمینه بازبینی کد فعالیت می‌کند، می‌گوید با تحلیل درخواست‌های ادغام (pull requests) در پروژه‌های متن‌باز دریافته که هوش مصنوعی ۱/۷ برابر بیشتر از کد نوشته‌شده توسط انسان، مشکل ایجاد می‌کند.

بی‌شک این آمار از سوی نهادهایی ارائه می‌شوند که ممکن است منافع تجاری در فروش ابزارهای بازبینی کد مبتنی بر هوش مصنوعی داشته باشند. بااین‌حال، محققان مستقل نیز مشکلات مشابهی را شناسایی کرده‌اند. پژوهشگران دانشگاه معتبر مدیریت سنگاپور در آوریل ۲۰۲۶  گزارشی منتشر کردند که در آن هشدار داده شده بود: «کد تولیدشده توسط هوش مصنوعی می‌تواند هزینه‌های نگهداری بلندمدت را به پروژه‌های نرم‌افزاری واقعی تحمیل کند.»

با توجه به علاقه شدید برنامه‌نویسان به دستیاران هوش مصنوعی خود، راه‌حل چیست؟ فروشندگان «عامل‌های کدنویسی هوش مصنوعی» پیشنهاد می‌کنند که توسعه‌دهندگان می‌توانند از همین عامل‌ها برای انجام وظایف طاقت‌فرسای اصلاح کد، با همان سرعتی که هوش مصنوعی کد را تولید می‌کند، استفاده کنند. اسکات وو، بنیان‌گذار و مدیرعامل شرکت «کاگنیشن» (Cognition) – سازنده عامل کدنویسی «دوین» (Devin) – همین رویکرد را توصیه می‌کند. اما حتی او نیز اذعان می‌کند که اگرچه دوین می‌تواند مستقل عمل کند، مهارت کنونی او در سطحی بین یک برنامه‌نویس تازه‌کار و میان‌رده ارزیابی می‌شود؛ بنابراین این راهکار «بسپار و فراموش کن» نیست.

محققان دانشگاه سنگاپور رویکردی انسانی‌تر را پیشنهاد می‌دهند: برنامه‌نویسان باید همان‌طور که با زبان‌های برنامه‌نویسی محبوب خود آشنایی دارند، دقیقاً بدانند هوش مصنوعی چه وظایفی را به‌خوبی انجام می‌دهد و در کدام زمینه‌ها ضعیف عمل می‌کند. آن‌ها به سیستم‌های تضمین کیفیت قوی که ویژه هوش مصنوعی طراحی شده‌اند نیاز دارند و باید خروجی هوش مصنوعی را با دقتی برابر با بازبینی کار یک توسعه‌دهنده تازه‌کار بررسی کنند. در همین حال، محققان (و وو نیز با آن‌ها هم‌عقیده است) تأکید می‌کنند که انسان‌ها همچنان باید وظایف کلان مانند معماری نرم‌افزار و طراحی امنیتی را بر عهده بگیرند.