‏بازگشت توسعهٔ کدمحور با ظهور هوش مصنوعی

ماجرا از یه میم معروف شروع می‌شه که می‌خواد «حداقل محصول قابل‌عرضه» یا همون MVP رو توضیح بده. نویسنده میم خودشو ساخته و نسخهٔ هنریک کنیبرگ (همون که مدل Spotify با squad و tribe رو معروف کرد) رو «توصیه‌نشده» علامت زده بود. تو نسخهٔ کنیبرگ به‌جای ساختن یه ماشین، اول یه اسکیت‌بورد و بعد دوچرخه به کاربر می‌دی تا نیازش (رفتن از نقطهٔ A به B) رو قدم‌به‌قدم بسنجی و یاد بگیری.

نویسنده می‌گه ایراد تعبیر چابک (agile) از کشف محصول اینه که همه‌چی بر پایهٔ تولید کد کارکننده‌ست. این درست با بیانیهٔ Agile سال ۲۰۰۱ جوره که می‌گه «نرم‌افزار کارکننده، معیار اصلی پیشرفته». ولی اون موقع تحقیق کاربر و داده‌های مصرف هنوز رایج نبود و کشف محصول و Lean Startup هنوز اختراع نشده بودن.

به گفتهٔ نویسنده امروز کلی راه برای اعتبارسنجی ایده بدون کد داریم: مدل‌سازی کسب‌وکار، تحلیل داده، مصاحبه و نظرسنجی. یه دسته تست هم هست که «وانمود کن تا وقتی واقعا بسازی» اسمشونه، مثل fake door و concierge و wizard of Oz. روش درست اینه که اول با این روش‌های ارزون ایده‌ها رو غربال کنی و فقط اونایی که شواهد مثبت دارن رو با کد تست کنی.

نویسنده به نقل از مارتی کیگن می‌گه ساختن نسخه‌های یادگیری با مهندس‌ها شدنیه، ولی یه مرتبه کندتره و دورریز خیلی بیشتری تولید می‌کنه. حالا با هوش مصنوعی این روند خوب داره متوقف می‌شه: آدما اول می‌رن سراغ Claude Code یا Figma Make، چون ساختن یه نمونهٔ کارکننده تو یه روز انگار راحت‌تر از وقت گذاشتن روی داده‌ست.

به گفتهٔ نویسنده این طرز فکر چند تا اشکال جدی داره. اول اینکه تست با کاربر واقعا کند و گرون‌تر از چیزیه که فکر می‌کنیم؛ هوش مصنوعی می‌تونه کدشو سریع بسازه ولی نمی‌تونه خودِ اجرای تست رو که روزها تا هفته‌ها طول می‌کشه کوتاه کنه (و کاربر مصنوعی هم جایگزین قبولی نیست).

دوم، وقتی یه نمونهٔ صیقلی ساختی و به مدیرها نشون دادی، یادت می‌ره این فقط یه ابزار دورریختنی بوده و سوگیری «پافشاری بر تعهد» باعث می‌شه حتی ایدهٔ بد رو ول نکنی. سوم، طبیعت ما اینه که عمل کنیم تا فکر؛ ولی ارزش زیادی تو ارزیابی ایده از نظر تاثیر، تلاش و اطمینان هست.

نکات کلیدی:

• میم «اسکیت‌بورد تا ماشین» کنیبرگ نمادِ تست تدریجی با نسخه‌های کارکننده‌ست
• تعبیر چابک از کشف محصول روی تولید کد تکیه می‌کنه که نویسنده اونو قدیمی می‌دونه
• روش‌های بدون کد مثل مصاحبه، fake door و تحلیل داده ارزون‌تر ایده‌ها رو غربال می‌کنن
• هوش مصنوعی وسوسهٔ پریدن مستقیم به کد رو زیاد کرده و این یادگیری رو کند می‌کنه
• هوش مصنوعی اجرای تست با کاربر واقعی رو سریع‌تر نمی‌کنه؛ فقط ساختن ابزارشو سریع می‌کنه