خبر: توسعهدهندگان در 2026 بدون هوش مصنوعی کار نمیکنند؛ اما این ابزارها لزوماً کد بهتری تولید نمیکنند
در گزارش تازهای از آزمایشگاه پژوهشی METR که در فوریه 2026 منتشر شد، پژوهشگران به یافتهای شوکهکننده رسیدند: اکثر توسعهدهندگان حاضر نیستند حتی برای انجام آزمایشی محدود، بدون کمک ابزارهای هوش مصنوعی کدنویسی کنند. این نتیجه نشان میدهد که در عمل، هوش مصنوعی به بخشی جداییناپذیر از فرآیند توسعه نرمافزار تبدیل شده است، اما پیامدهای کیفی و اقتصادی این وابستگی هنوز روشن نیست.
خاستگاه نگرانیها: آیا سرعت مساوی با کیفیت است؟
سال گذشته (2025)، یک مطالعه پژوهشی نشان داد که هرچند ابزارهای هوش مصنوعی میتوانند کد را سریعتر تولید کنند، اما در عمل بسیاری از توسعهدهندگان پس از تولید کد، زمان بیشتری را صرف یافتن و رفع خطاها، هدایت مدل و انتظار برای تکمیل وظایف میکنند؛ بهعبارتی شتاب اولیه قابل اتکا نبود و در نهایت بهرهوری کاهش یافت. وقتی METR تلاش کرد همان آزمایش را با مدلها و مهارتهای بهروزشده تکرار کند، با مقاومت توسعهدهندگان مواجه شد: بسیاری نپذیرفتند بدون هوش مصنوعی کار کنند و به همین دلیل تکرار آزمایش ممکن نشد. بهجای آن، METR در می 2026 یک نظرسنجی منتشر کرد که در آن کارکنان فنی بهصورت خودگزارشی از افزایش توانمندیها و ارزششان به دلیل استفاده از هوش مصنوعی خبر دادند—گزارشهایی که میتواند تحت تأثیر سوگیری خودارزیابی قرار داشته باشد.
هزینهها و پیامدهای نگهداری کد
روند 2026 تحت عنوان “tokenmaxxing” هم مطرح شد؛ یعنی افزایش مصرف توکن (واحد محاسبات مدل) بهعنوان معیاری نامطمئن برای اندازهگیری بهرهوری. این رویکرد بهسرعت هزینههای بسیار بالایی تولید کرد: بهعنوان مثال آمازون تابلوی رهگیری داخلی مصرف توکن (Kirorank) را پس از سوءاستفاده کارکنان و افزایش هزینهها تعطیل کرد و گزارشهایی از مصرف پیشبینینشده بودجه در شرکتهایی مانند اوبر منتشر شد. مدیران ارشد این شرکتها اذعان کردهاند که افزایش هزینهها بهطور واضح معادل افزایش پروژهها یا بهرهوری قابلاندازهگیری نبوده است.
علاوه بر هزینههای مستقیم، شواهدی از افزایش مشکلات طولانیمدت نگهداری کد وجود دارد. برخی متخصصان مانند جیمز شور هشدار دادهاند که سرعت تولید کد با هوش مصنوعی ممکن است هزینههای نگهداری را افزایش دهد و توسعهدهندگان را درگیر مشکلات دائمی پس از تحویل کد کند. نمونههایی از دادهها نیز نشان میدهد که بخشی از باگها ناشی از تولید کد توسط هوش مصنوعی است: گزارشهایی از تحلیلهای داخلی و توییتهایی که ادعا میکنند درصد قابلتوجهی از توکنها صرف رفع اشکالات تولیدشده توسط هوش مصنوعی شده است. یک مطالعه دانشگاهی مستقل از Singapore Management University (SMU) نیز در آوریل 2026 هشدار داد که کد تولیدشده توسط هوش مصنوعی میتواند هزینههای نگهداری بلندمدت به پروژههای واقعی تحمیل کند.
چاره چیست؟ ترکیب هوشمند انسان و ماشین
فروشندگان ابزارهای هوش مصنوعی پیشنهاد میکنند که از همین ابزارها برای رفع سریع خطاها استفاده شود؛ یعنی هوش مصنوعی کد را تولید کند و همان یا سایر ابزارها آن را تصحیح کنند. اما حتی سازندگان این ابزار نیز تصریح میکنند که تواناییهای فعلی عاملهای کدنویس هوش مصنوعی هنوز در حد برنامهنویس تازهکار تا میانرده است و هرگز نمیتوان آن را بهصورت “تحویل کامل و فراموششده” روی آن حساب کرد.
پژوهشگران SMU راهکار عملیتر و محتاطانهتری پیشنهاد کردهاند:
– درک دقیق از نقاط قوت و ضعف هوش مصنوعی: توسعهدهندگان باید بدانند کدام دسته وظایف را مدلها بهخوبی انجام میدهند و کدام را نه، بهاندازهای که زبان برنامهنویسی محبوبشان را میشناسند.
– تقویت سامانههای تضمین کیفیت (QA) برای محیطهای مبتنی بر هوش مصنوعی: ابزارهای سنتی بررسی کد کافی نیستند؛ نیاز به تستها، معیارها و فرآیندهای جدیدی هست که خطاهای خاص تولیدشده توسط مدلها را هدف بگیرند.
– بازبینی دقیق خروجیهای هوش مصنوعی: رفتار مشابه با زمانی که کدی را از یک همکار تازهکار دریافت میکنید—باید کد تولیدشده را بهدقت بازبینی و تست کرد.
– حفظ نقش انسانی در تصمیمات کلان: معماری نرمافزار، طراحی امنیت و تصمیمات راهبردی باید همچنان توسط انسان انجام شود؛ این موارد برای پایداری و نگهداری بلندمدت حیاتیاند.
جمعبندی
هوش مصنوعی بهسرعت جایگاه خود را در جریانهای کاری توسعه نرمافزار تثبیت کرده است، اما پذیرش بیقید و شرط آن خطراتی دارد: هزینههای محاسباتی سنگین، اشکالات تولیدشده توسط مدلها و افزایش هزینههای نگهداری بلندمدت. برای بهرهبرداری هوشمندانه از این فناوری، لازم است سازمانها و توسعهدهندگان ترکیبی از نظارت انسانی، فرآیندهای QA ویژه و آگاهی دقیق از تواناییهای مدلها را پیاده کنند تا افزایش سرعت به معنای کاهش کیفیت یا افزایش هزینه بلندمدت نباشد.