دبل دایموند واقعی هنوز زنده‌ست
هوش مصنوعیخلاصهٔ کامل‌تر
پاول سامسونوف تو نوشتهٔ جدیدش از خبرنامهٔ Product Picnic سراغ یه دعوای قدیمی تو دنیای محصول رفته: Agile که می‌گه «بساز تا یاد بگیری» در برابر Waterfall که طرفدار «طراحی کامل از اول» (BDUF) هست. نویسنده می‌گه این دوگانه از اول غلط بوده و برای همینه که شرکت‌ها ۲۵ سال بعد از مانیفست Agile هنوز درگیر «تحول Agile» هستن.
به گفتهٔ نویسنده، مدیرها عاشق قطعیت‌ان. دوست دارن از اول بدونن چی درسته و یه بار بسازنش، بدون اینکه برای تست و دوباره‌کاری وقت بذارن. این وسط کاربرهای مصنوعی (synthetic users، یعنی جواب‌های AI به جای مصاحبه با کاربر واقعی) محبوب شدن. نه چون دقیق‌ان، چون اصطکاک به چالش کشیدن نظر خودت رو حذف می‌کنن. تحقیقی که نویسنده بهش اشاره می‌کنه می‌گه دقتشون تقریباً اندازهٔ شیر یا خط انداختنه.
نویسنده معتقده این از نداشتن هیچ داده‌ای هم بدتره، چون وقتی هیچی نداری حداقل می‌دونی چی رو نمی‌دونی. وقتی دلیل یه تصمیم «AI گفت» باشه، کافیه یه ذی‌نفع از همون AI یه جواب دیگه بگیره تا کل تصمیم برگرده. به گفتهٔ اون فقط یه متخصص باتجربه می‌تونه جلوی این رو بگیره که فاز discovery (کشف مسئله قبل از ساخت) به یه نمایش برای تأیید نظر مدیرها تبدیل بشه.
طرف دیگه هم ایراد داره. یه عده می‌گن چون کد ارزون شده، هر چی خواستی منتشر کن و بذار analytics تصمیم بگیره. نویسنده می‌گه یه آزمایش واقعی فرضیه داره («کاربرها دوستش دارن» فرضیه نیست)، معلومه قراره چی یاد بگیری، و یه جایی تموم میشه. اگه فرضیه رد شد هم باید برش گردونی. وگرنه فقط محصول رو با فیچرهای نصفه‌نیمه آلوده می‌کنی. نقل‌قولی از اندی باد هم میاره: شرکت‌ها حرف از پوکر می‌زنن ولی مثل شطرنج محصول می‌سازن و هیچ‌وقت آزمایش‌های شکست‌خورده رو پاک نمی‌کنن.
نتیجه‌ای که نویسنده می‌گیره اینه که دبل دایموند تقلبی یعنی جایگزین کردن واگرایی و همگرایی واقعی با هم‌راستایی مصنوعی و عجلهٔ ساختگی. تیم‌هایی که واقعاً نرم‌افزار مفید می‌خوان، هم به تعریف مسئله قبل از ساخت نیاز دارن و هم به مشاهده و اصلاح بعدش، اونم داخل یه سیستم مشترک. به نظرش هر کی بگه AI می‌تونه جای این وضوح مفهومی رو بگیره، داره یه چیزی بهت می‌فروشه.
نکات کلیدی:
- دوگانهٔ «تحقیق اولیه» در برابر «ساختن برای یادگیری» ساختگیه و محصول خوب به هر دو نیاز داره.
- کاربرهای مصنوعی تو یه تحقیق تقریباً هم‌اندازهٔ شیر یا خط دقیق بودن.
- آزمایش واقعی فرضیهٔ مشخص، هدف یادگیری و نقطهٔ پایان داره و اگه رد شد برگردونده میشه.
- منتشر کردن بی‌هدف فیچرها به اسم آزمایش، محصول رو با چیزهای نصفه‌کاره پر می‌کنه.
- تصمیمی که فقط پشتش «AI گفت» باشه با یه پرامپت دیگه قابل برگردوندنه.
