‏هوش مصنوعی کد رو ارزون کرده، ولی سیستم دور کد هنوز گرونه

نویسنده با یه اتفاق واقعی شروع می‌کنه: سال ۲۰۲۵ یه ایجنت روی Replit دیتابیس production رو پاک کرد. به گفته‌ی خودش این «مشکل هوش مصنوعی» نبود؛ راه‌حلش یه چیز ساده بود، یعنی جدا کردن تنظیمات محیط توسعه از production. درسش اینه که مقصر رو نزدیک‌ترین بازیگر ندونی. ایجنت فقط بازیگر بود، علت اصلی ساختار بود: دو محیط با یه credential مشترک. اگه ساختار رو درست کنی، ایجنت بعدی همون اشتباه رو تکرار نمی‌کنه.

به گفته‌ی نویسنده، vibe coding (یعنی همه‌چی رو Accept کنی و diffها رو نخونی) برای پروژه‌های آخر هفته خوبه، ولی ریسک سازمان‌ها تو کار دیگه‌ایه: نرم‌افزاری که مردم بهش وابسته‌ن. هزینه‌ی نگهداری طبق تخمین Robert Glass بین ۴۰ تا ۸۰ درصد کل هزینه‌ی نرم‌افزاره. حتی مقاله‌ای که می‌گه مهندسی نرم‌افزار داره می‌میره، خودش نشون می‌ده موفقیت ایجنت‌ها از بالای ۸۰٪ روی تسک‌های جدا به حداکثر ۳۸٪ می‌رسه وقتی نرم‌افزار باید مدام تغییر کنه.

هسته‌ی بحث، تفکر سیستمی Peter Senge و قانون Goldratt هست: سرعت کل زنجیره رو کندترین مرحله تعیین می‌کنه. داده‌های Faros AI روی ۱۰ هزار برنامه‌نویس نشون می‌ده تیم‌هایی که خیلی از هوش مصنوعی استفاده می‌کنن ۹۸٪ PR بیشتری merge می‌کنن، ولی زمان بازبینی ۹۱٪ بالا رفته. یعنی گلوگاه فقط جابه‌جا شده. نویسنده می‌گه به‌جای خریدن token بیشتر، «Brent» سازمانت رو پیدا کن (همون آدم یا مرحله‌ای که همه‌ی تغییرات منتظرشن) و lead time و change failure rate کل سیستم رو اندازه بگیر، نه آمار یه تیم.

نویسنده استراتژی‌های رایج مدیرها رو هم نقد می‌کنه: لایسنس برای همه و صبر کردن، اجبار به استفاده، leaderboard مصرف token، شمردن PR، پایلوت‌های بی‌پایان و تعدیل نیرو قبل از دیدن نتیجه. به گفته‌ی خودش، Meta تو ۳۰ روز ۶۰ تریلیون token (حدود ۹۰۰ میلیون دلار) سوزوند و بعد leaderboardش رو جمع کرد. مطالعه‌ی METR هم نشون داد برنامه‌نویس‌های باتجربه با ابزار هوش مصنوعی ۱۹٪ کندتر بودن، در حالی که فکر می‌کردن ۲۰٪ سریع‌ترن. نویسنده این رو افت اول منحنی یادگیری می‌دونه.

به نظر نویسنده، SDLC آماده‌ای برای خرید وجود نداره و باید اجزا رو با سازمانت جور کنی: پایپ‌لاینی که ایجنت بتونه ازش استفاده کنه، بازبینی به شکل بررسی اثبات، WIP limit روی صف بازبینی، و مستنداتی که فقط «چرا» رو نگه می‌دارن. شکستن کار به تکه‌های کوچیک و قابل‌تست هم حالا پیش‌نیازه؛ DORA می‌گه فایده‌ی هوش مصنوعی به کار کردن با batchهای کوچیک بستگی داره. ایجنت‌ها هم باید مستقیم به لاگ، trace و خطاهای CI دسترسی داشته باشن، مثلاً از طریق MCP serverهای Sentry و Datadog.

نکات کلیدی:

• تیم‌های پرمصرف هوش مصنوعی ۹۸٪ PR بیشتر merge می‌کنن، ولی زمان بازبینی ۹۱٪ بیشتر شده (داده‌ی Faros AI روی ۱۰ هزار برنامه‌نویس).
• موفقیت ایجنت‌ها از بالای ۸۰٪ روی تسک‌های جدا به حداکثر ۳۸٪ روی نرم‌افزارِ در حال تغییر می‌رسه.
• طبق گزارش NANDA از MIT، ۹۵٪ سازمان‌ها از ۳۰ تا ۴۰ میلیارد دلار سرمایه‌گذاری GenAI بازدهی نگرفتن.
• مطالعه‌ی METR در ۲۰۲۵: برنامه‌نویس‌های باتجربه ۱۹٪ کندتر شدن ولی خیال می‌کردن ۲۰٪ سریع‌ترن.
• معیار درست lead time، change failure rate و زمان انتظار در بازبینیه، نه تعداد PR یا مصرف token.