چرا مهندسان نرم‌افزار جایشان رو به هوش مصنوعی نمی‌دن؟
هوش مصنوعیخلاصهٔ کامل‌تر
بوریس چرنی، سازنده‌ی Claude Code آنتروپیک، می‌گه ماه‌هاست حتی یه خط کد هم دستی ننوشته. یه روز ۲۲ پول ریکوئست و روز بعدش ۲۷ تا — همه‌شون AI-generated. آنتروپیک می‌گه ۷۰ تا ۹۰ درصد کدهاش رو هوش مصنوعی می‌نویسه و CEO شرکت پیش‌بینی کرده که AI به‌زودی «بیشتر یا شاید همه» کارهای مهندسان نرم‌افزار رو انجام می‌ده. با اینحال، آنتروپیک همزمان ده‌ها پوزیشن مهندسی باز داره با حقوق‌هایی تا ۵۷۰ هزار دلار. این تناقض به نظر می‌رسه، ولی اگه دقیق‌تر نگاه کنیم، یه الگوی روشن داره.
جنسن هوانگ، CEO انویدیا، هم در GTC 2026 اعلام کرد که ۱۰۰٪ انویدیا از ابزارهای AI کدینگ استفاده می‌کنه و گفت مهندسی که ۵۰۰ هزار دلار حقوق می‌گیره ولی حداقل ۲۵۰ هزار دلار توکن AI مصرف نمی‌کنه، مثل طراح چیپی‌ه که می‌گه می‌خوام با کاغذ و مداد کار کنم.
یه مقایسه‌ی تاریخی جالب اینجا کمک می‌کنه: وقتی دستگاه‌های ATM اومدن، کارمندان بانک اخراج نشدن — بلکه تعدادشون از ۲۶۸ هزار نفر در ۱۹۷۰ به ۶۰۸ هزار نفر در ۲۰۰۶ رسید. دستگاه‌ها کارهای روتین رو حذف کردن، ولی چون شعبه‌زدن ارزون‌تر شد، بانک‌ها شعبه‌های بیشتری باز کردن و تقاضا برای نیروی انسانی بیشتر شد. اقتصاددان‌ها بهش می‌گن «پارادوکس جونز»: وقتی تکنولوژی چیزی رو کارآمدتر می‌کنه، تقاضا کاهش پیدا نمی‌کنه، بلکه بیشتر هم میشه.
مهندسان نرم‌افزار هم همینطورن. AI داره کارهای تکراری مثل boilerplate، CRUD endpoint و تست‌های استاندارد رو حذف می‌کنه، ولی این کارایی، سطح کل «مهندسی» رو گسترش می‌ده. آنتروپیک برای ۵۷۰ هزار دلار دنبال کسی نیست که کد تایپ کنه؛ دنبال کسیه که بتونه ایجنت‌های AI رو هدایت کنه، تصمیم بگیره چی بسازه، خروجی رو ارزیابی کنه و سیستم‌هایی رو که ماشین‌ها می‌نویسن مدیریت کنه.
حالا سوال مهم اینه: چرا ایجنت‌های AI در توسعه نرم‌افزار سریع‌تر از هر حوزه‌ی دیگه‌ای موفق شدن؟ نه به‌خاطر اینکه مدل‌های کدینگ بهترن — LLMهای زیرین همونان. دلیلش اینه که توسعه نرم‌افزار از قبل زیرساخت‌هایی داشت که بقیه حوزه‌ها ندارن. این زیرساخت‌ها رو مهندسان برای خودشون ساختن، ولی دقیقاً همون چیزیه که ایجنت‌های AI بهش نیاز دارن.
شش شکاف اساسی وجود داره که SDLC (چرخه توسعه نرم‌افزار) قبلاً حلشون کرده: اول، گاورننس — branch protection، code review و کنترل دسترسی مبتنی بر نقش، یه زنجیره‌ی مشخص از مجوز از پیش‌نویس تا دیپلوی ایجاد می‌کنن. در مقابل، در اکثر سازمان‌ها وقتی یه ایجنت AI پاسخ مشتری می‌نویسه یا یه مدل مالی رو تغییر می‌ده، لایه‌ی گاورننس یا وجود نداره یا خیلی ضعیفه. طبق نظرسنجی مایکروسافت در ۲۰۲۶، ۸۰٪ شرکت‌های Fortune 500 ایجنت AI دارن ولی فقط ۴۷٪ سیاست‌های امنیتی مخصوص ایجنت دارن.
دوم، آبزروبیلیتی — هر خط کد AI-generated یه مسیر کاغذی داره. Git blame نشون می‌ده چی نوشته، CI/CD همه چیز رو لاگ می‌کنه. ولی در بقیه حوزه‌ها، تصمیمات ایجنت‌ها اغلب کاملاً مبهمه و audit trail ندارن.
سوم، ارزیابی — unit test، integration test، linting و QA خودکار بهت می‌گن خروجی AI درسته یا نه. طبق نظرسنجی DigitalOcean در ۲۰۲۶، ۴۱٪ رهبران فناوری می‌گن مشکل اصلی‌شون برای scale کردن ایجنت‌ها، reliability هست — که اساساً یه مشکل evaluation-ه.
چهارم، حافظه — version control، مستندات و تاریخچه‌ی commit به ایجنت کدینگ اجازه می‌ده بفهمه چرا یه تصمیم معماری در ۲۰۱۹ گرفته شده. ولی اکثر ایجنت‌های enterprise در حالت «بدون حافظه» کار می‌کنن و هر session از صفر شروع میشه.
پنجم، کنترل هزینه — تیم‌های مهندسی یاد گرفتن بر اساس تسک، مدل‌های مختلف انتخاب کنن: مدل سبک برای boilerplate، مدل reasoning برای تصمیمات معماری، و مدل code-specific برای refactoring. cost-per-PR و cost-per-feature رو اندازه می‌گیرن. بقیه حوزه‌ها این granularity رو ندارن و scale کردن ایجنت‌ها یعنی scale کردن هزینه‌ها به‌صورت خطی.
ششم، انعطاف دیپلوی — containerization، Kubernetes و ابزارهایی مثل Terraform از دهه‌هاست که کد رو portable کردن. این mindset در توسعه نرم‌افزار جا افتاده ولی در بقیه‌ی دنیای enterprise هنوز خیلی جوونه.
نکات کلیدی:
- آنتروپیک ۷۰–۹۰٪ کدهاش رو با AI می‌نویسه، ولی همچنان مهندسان با حقوق‌های بالا استخدام می‌کنه
- نقش مهندس از «نوشتن کد» به «هدایت ایجنت‌های AI» تغییر کرده
- پارادوکس جونز: وقتی AI کدنویسی رو ارزون‌تر می‌کنه، تقاضا برای مهندسان بیشتر میشه، نه کمتر
- دلیل موفقیت AI در توسعه نرم‌افزار، زیرساخت موجود (گاورننس، آبزروبیلیتی، تست، حافظه، کنترل هزینه، انعطاف دیپلوی) هست
- سازمان‌هایی که می‌خوان ایجنت‌های AI رو در حوزه‌های دیگه scale کنن، باید همین شش زیرساخت رو از صفر بسازن
- ۴۱٪ رهبران فناوری، reliability رو مانع اصلی scale کردن ایجنت‌ها می‌دونن
