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

في عام 2022، قبل أن تصبح أدوات الترميز 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 وتمنى 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 الـ2025 DORA report, التي وجدت أن، على عكس العام السابق، اعتماد الذكاء الاصطناعي الآن يرتبط إيجابيًا بزيادة إنتاجية 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 الإنتاجية 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 والآفاق 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. لقد قادت DORA هذا الأمر 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 هذه الضعف؛ 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 تقريبًا، 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 تتحكم في السرعة، الجودة، الإنفاق، وكيفية أداء فريقك فعليًا. لا يمكنك بعد الآن الاعتماد على لوحات المعلومات للعام الماضي كحقائق.

هناك اعتراض معقول هنا. DORA’s 2026 ROI report 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 البشري المولّد والمبلغ عنه، عمياء. تجاهلها وستخاطر بتضخيم نقاط ضعفك مع استمرارك في اعتماد الذكاء الاصطناعي.

النقطة العمياء 1: مسرح السرعة

يمكن أن يشعر المزيد من الالتزامات والمراجعات (PRs) بالتقدم، وغالبًا ما يكون كذلك. يرفع الذكاء الاصطناعي كلا العددين تلقائيًا. دراسة Stanford دراسة حالة أظهر أن اعتماد الذكاء الاصطناعي رفع عدد المراجعات بنسبة 14٪. لكن ما تفتقده هو مقدار تلك النشاطات التي هي عمل ميزات تُنشر مقابل الصيانة، وإعادة العمل، أو التذبذب الناتج عن إعادة هيكلة لم تثبت.

لمعالجة ذلك، راقب الانقسام بين عمل الميزات والصيانة، وراقب تكرار النشر ووقت الاستجابة مقارنة بقاعدة بياناتك التاريخية، 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. ضريبة التحقق ليست مرحلة تتجاوزها؛ إنها جزء من التكلفة الثابتة لتطوير الوكالة. A 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 الكبار فوق طاقاتهم، وتأخير إصداراتك، أو التسبب في مشكلات إنتاجية كبيرة.

النقطة العمياء 3: العمل المخفي

إعادة الهيكلة وتحولات الهندسة المعمارية 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 تذكره الناس لتسجيله، 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% وتضاعفت تباينها أكثر من ثلاث مرات. 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 الالتزام الفردي. 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 للرأس مال مقابل ما هو تشغيلي. القيادة تريد معرفة ما نتج عن الاستثمار. لا تزال معظم الفرق تتخذ قرارات الأدوات، والمقاعد، والعدد 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 المالية حول الإنفاق الرأسمالي وصفحة المناوبة في الساعة 2 صباحًا يبدو غير مرتبط، لكنه ليس كذلك. 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 (ويولون اهتمامًا) للمشكلات في إحدى هذه المناطق على الفور. ومع ذلك، فإن المناطق التي لديك فيها أقل معلومات هي الأكثر احتمالًا للظهور وإصابتك بينما تواصل تبني الذكاء الاصطناعي.