أنظمتك بالفعل تحتوي على نقاط عمياء. الذكاء الاصطناعي يجعلها أسوأ.

في عام 2022، قبل أن تصبح أدوات البرمجة التوليدية جزءًا من عملنا الهندسي اليومي، كتبت عن فلسفتي في اختيار الأدوات. لقد صمدت أفضل مما توقعت. في ذلك الوقت، كنت أؤكد على البدء بالمشكلات التي تحلها فعليًا، ومعرفة نقاط ضعفك، وإعطاء الأولوية لكيفية استخدامك للأدوات بدلاً من القفز على أي أداة تبدو الأفضل على أمل أن تنجح. اعرف نفسك، واعرف أهدافك، حتى تتمكن من وضع توقعات صحيحة لأدواتك.

في ذلك الوقت، كنت أفكر في انتشار SaaS، وليس في الشيفرة المولدة بالذكاء الاصطناعي. لكن اليوم فلسفتي أكثر إلحاحًا، وأكثر أهمية للتمسك بها.

قرأ الكثير منا تقرير DORA لعام 2025, الذي وجد أن، على عكس العام السابق، اعتماد الذكاء الاصطناعي الآن يرتبط إيجابيًا بمعدل إنجاز عمليات التسليم. وكان الاستنتاج تحت ذلك أن عدم استقرار التسليم استمر في الارتفاع، واختبروا ما إذا كانت مكاسب السرعة تعوض ذلك. ليس كذلك. هذا يتطابق مع تجربتنا. اعتمد فريقنا تطوير البرمجيات الوكلي وشهد زيادة بنسبة 48٪ في معدل الإنجاز على مدار ربعين، تلتها زيادة بنسبة 16٪ في مشكلات الاستقرار. عشرة أشخاص عينة صغيرة، لكنها أيضًا عينة أستطيع من خلالها رؤية الصورة الكاملة، وقد استمر النمط.

اعتماد الذكاء الاصطناعي لم يعد سؤالًا حقًا بعد الآن. إما أنك في بداية الطريق أو أنك غارق فيه. ما هو مختلف الآن هو أن القادة الهندسيين متوقع منهم اعتماد الذكاء الاصطناعي وإثبات أنه يحقق عائدًا. يرغب الرئيس التنفيذي، ومجلس الإدارة، والمالية جميعًا في معرفة كيفية تحسين استثمارهم في الذكاء الاصطناعي. إنهم يسألون ما إذا كانت الأدوات التي اخترتها تحل المشكلات الحقيقية بفعالية.

الفجوة كانت دائمًا موجودة. الذكاء الاصطناعي جعلها أوسع.

كمدير تقني، أقضي جزءًا كبيرًا من وقتي في الحديث مع قادة هندسيين آخرين، بما في ذلك العملاء والعملاء المحتملين والزملاء، لمقارنة الإنجازات والشكاوى حول ما نعيشه مع الذكاء الاصطناعي. بعد عدد كافٍ من هذه المحادثات، بدأت ألاحظ أنماطًا في اعتماد الذكاء الاصطناعي والنتائج.

الملاحظة الرئيسية ليست لي. تضع DORA هذه الفكرة في صدارة طرحها منذ عامين الآن: الذكاء الاصطناعي يضخم ما يحدث بالفعل في المنظمة، سواءً من نقاط قوة أو ضعف. فريق يمتلك بنية نظيفة وعادات مراجعة صحية يصبح أسرع. فريق تعامل مع كرة معقدة من الديون التقنية بما يكفي لإصدار الشيفرة الآن يكتشف أن الديون التقنية تتطور إلى عائق رئيسي. ما يفتقده هذا الإطار، مع ذلك، هو سبب مفاجأة الكثير من الفرق. الذكاء الاصطناعي لم يخفِ نقاط الضعف هذه؛ الأنظمة التي نعتمد عليها لم تكشف عنها أبدًا.

تم بناء مجموعة التذاكر والتقارير التي تعتمد عليها معظم مؤسسات الهندسة للإجابة على الأسئلة التي يطرحها البشر، بسرعة بشرية، من قبل أشخاص يفهمون تقريبًا ما يعنيه “انتهى” لجزء معين من العمل. لم تكن أبدًا سجلًا مثاليًا. كانت دائمًا وصفًا تقريبيًا، يملأه شخص يلخص شيئًا أكثر فوضى في الأسفل. الآن، يضيف الذكاء الاصطناعي حجمًا، ويضيف مدخلات جديدة تولد نشاطًا جديدًا. لم تُصمم أي من الأنظمة (أو الأدوات) المستخدمة للطرق التقليدية غير القائمة على الذكاء الاصطناعي لهذا الغرض.

على أي حال، لا نزال مسؤولين عن نفس الأهداف. لا تزال مسؤولًا عن السرعة والجودة والإنفاق وكيفية أداء فريقك فعليًا. لا يمكنك بعد الآن الاعتماد على لوحات المعلومات للعام الماضي كحقائق.

هناك اعتراض معقول هنا. تقرير DORA لعام 2026 حول العائد على الاستثمار يصف منحنى J: انخفاض في الإنتاجية مباشرة بعد الاعتماد، نتيجة منحنى التعلم، وتكلفة التحقق من الشيفرة المولدة بالذكاء الاصطناعي، والعمليات اللاحقة التي لم تلحق بالركب. يسمونه “تكلفة التعليم” للتحول، ويحذرون القادة من الخلط بينها وبين الفشل. هذا معقول. لكن تكلفة التعليم ومشكلة حقيقية تبدوان متطابقتين على لوحة معلومات مبنية على التذاكر. إذا لم تستطع معرفة أي منهما أنت فيه، فأنت لست صبورًا. أنت تخمن.

نحتاج إلى العودة إلى الأساسيات. اعرف نفسك. اعرف فريقك. اعرف المشكلات التي تحلها.

كيف تعرف “نفسك” باستخدام الذكاء الاصطناعي؟

من خلال محادثاتي، حددت خمس مناطق رئيسية حيث تكون الأنظمة التقليدية، المبنية للعمل الذي ينفذه البشر ويبلغون عنه، عمياء. تجاهلها وستخاطر بتضخيم نقاط ضعفك مع استمرارك في اعتماد الذكاء الاصطناعي.

النقطة العمياء 1: مسرح السرعة

قد تبدو زيادة تسجيلات التغييرات البرمجية (commits) وطلبات السحب (PRs) تقدمًا، وغالبًا ما يكون كذلك. يرفع الذكاء الاصطناعي كلا العددين تلقائيًا. وأظهرت دراسة حالة لجامعة Stanford أن اعتماد الذكاء الاصطناعي رفع عدد طلبات السحب بنسبة 14٪. لكن ما تفتقده هو مقدار تلك النشاطات التي هي عمل ميزات تُنشر مقابل الصيانة، وإعادة العمل، أو إعادة تغيير الشيفرة مرارًا نتيجة إعادة هيكلة لم تستقر.

لمعالجة ذلك، راقب الانقسام بين عمل الميزات والصيانة، وراقب تكرار النشر والمدة اللازمة لتسليم التغييرات مقارنة بخطك المرجعي التاريخي، وليس المتوسط الصناعي. بدون هذا الانقسام، فإنك تُبلغ عن تقدم لا يمكنك إثباته فعليًا.

النقطة العمياء 2: ديون المراجعة

سعة المراجعة لا تتوسع تلقائيًا مع الإنتاج. التكلفة الإضافية للتحقق ليست مرحلة تتجاوزها؛ إنها جزء من التكلفة المستمرة لتطوير البرمجيات القائم على الوكلاء. استطلاع حديث لقادة الهندسة وجد أن 80% من الفرق تقضي ما لا يقل عن 10% من وقتها في المراجعة، وحوالي واحد من كل عشرة يقضي أكثر من 40%. تحت هذا العبء، تتأرجح الفرق بين تراكم المتأخرات والاعتماد الأعمى، ولا يُعد أي منهما حلاً حقيقيًا.

القيود على الإطلاق لم تعد تتعلق بمدى سرعة كتابة الشيفرة بعد الآن. إنها كم بسرعة يمكن للإنسان أن يثق فعليًا بأن التغيير صحيح, كم بسرعة وبدقة يمكن اكتشاف العيوب ومعالجتها. راقب كيف يتم توزيع عبء المراجعة فعليًا عبر فريقك؛ وإلا فإنك تخاطر بتحميل مهندسيك الأقدم خبرة فوق طاقاتهم، وتأخير إصداراتك، أو التسبب في مشكلات كبيرة في بيئة الإنتاج.

النقطة العمياء 3: العمل المخفي

إعادة الهيكلة وتحولات البنية البرمجية تميل إلى الاختباء داخل تذاكر أخرى، إذا ظهرت في نظام التذاكر أصلاً. الذكاء الاصطناعي ينتج المزيد من هذا النوع من العمل، لا أقل. الوكيل لا يتردد في لمس اثني عشر ملفًا لإصلاح خطأ واحد، بينما قد يتوقف الإنسان ويفكر مجددًا. العمل الذي يتجاوز نظام السجلات يتجاوز أيضًا التخطيط، مما يعني أن نموذج السعة لديك خاطئ، وكل توقع مبني عليه خاطئ أيضًا. 

لفهم مقدار العمل الذي يتم فعليًا، تحتاج إلى مراقبة ما يتغير فعليًا في قاعدة الشيفرة وتاريخ طلبات السحب. بدون ذلك، يُبنى مخطط السعة الخاص بك على ما تذكر الناس أن يسجلوه، وليس على ما فعلوه فعليًا. 

النقطة العمياء 4: انحراف الجودة

وجد نفس الاستطلاع أن ما يقرب من نصف قادة الهندسة يواجهون صعوبة في اكتشاف مشكلات الأمان أسبوعًا بعد أسبوع. التعقيد، التكرار، والاعتمادات التي لا تنتمي تمامًا تتراكم عبر العديد من التغييرات الصغيرة والمعقولة كل على حدة. لا أحد منها يبدو مقلقًا بمفرده. في دراسة الحالة نفسها من ستانفورد، انخفضت جودة الشيفرة بنسبة 9% وأصبح تباينها أكثر من ثلاثة أمثال قيمته السابقة. بينما تحرك المتوسط قليلًا، تحرك التشتت (الجزء الذي تلاحظه) كثيرًا. بحجم الذكاء الاصطناعي، تتراكم بسرعة أكبر مما تلتقطه معظم عمليات المراجعة. يميل الانحراف إلى الظهور كتنبيه أثناء المناوبة يُعزى إلى اعتماد لا يتذكر أحد مراجعته. بحلول ذلك الوقت، هناك فرصة جيدة أن يكون العميل قد لاحظ ذلك أولًا.

راقب خطوط الاتجاه في اكتشافات الأمان، والاعتمادات، والفشل والتعافي—ليس عملية تثبيت التغيير البرمجي الفردية. التعقيد والتكرار المتصاعد على مدى عدة أسابيع يهم أكثر من أي تغيير واحد يتم الإشارة إليه في المراجعة. بدون ذلك، تكتشف الانحراف بالطريقة التي لا تزال معظم الفرق تتبعها: بعد أن يسبب حادثًا بالفعل. 

النقطة العمياء 5: الإنفاق غير المثبت

بمجرد أن يتوقف الجدل حول تبني الذكاء الاصطناعي، يصبح الإنفاق والعائد على الاستثمار للذكاء الاصطناعي هو السؤال الذي يركز عليه الجميع. المالية تريد معرفة ما هو قابل للرسملة مقابل ما هو تشغيلي. القيادة تريد معرفة ما نتج عن الاستثمار. لا تزال معظم الفرق تتخذ قرارات الأدوات وتراخيص المستخدمين وعدد الموظفين بناءً على الحدس، وليس على دليل الرابط بين المال والعمل المنجز.

راقب أين يتدفق جهد الهندسة فعليًا في قاعدة الشيفرة نفسها، ربعًا بعد ربع — وليس حيث تقول خريطة الطريق أنه يجب أن يتدفق. بدون ذلك الرابط، تدافع عن ميزانية العام القادم بالقصص، والقصص لا تصمد أمام محادثة صعبة مع المدير المالي.

ابدأ بما لا يمكنك رؤيته

سؤال الإدارة المالية حول الإنفاق المُرسمل وتنبيه الاستدعاء أثناء المناوبة في الساعة 2 صباحًا يبدوان غير مرتبطين، لكنهما مرتبطان. كلاهما يمكن “تقديره تقريبيًا” من النشاط. لكن كلاهما قابل للإجابة فعليًا، بأدلة، من الشيفرة نفسها.

إجابة DORA على كل هذا هي نظام الهندسة نفسه: جودة المنصة، وضوح سير العمل، توافق الفريق. هذا صحيح، وهو أيضًا ليس الخطوة الأولى. لا يمكنك إصلاح نظام لا تراه. كل واحدة من تلك المناطق الخمس هي شيء يجب أن تكون قادرًا على ملاحظته قبل أن تتمكن من الجدال من أجل الاستثمار فيه.

الخطوة المفيدة الأولى ليست أداة جديدة أو عملية جديدة. إنها معرفة نفسك بصدق، وتحديد أي من هذه المناطق الخمس هي نقاط عمياء تفتقر فيها إلى دليل حقيقي. يمكن لمعظم القادة تحديد المشكلات في إحدى هذه المناطق على الفور (وهم يولونها اهتمامًا). ومع ذلك، فإن المناطق التي لديك فيها أقل معلومات هي الأكثر احتمالًا للظهور والتسبب لك بمشكلات بينما تواصل تبني الذكاء الاصطناعي.