سرعت تولید کد در برابر معماری نرم‌افزار: چالش جدید استارتاپ‌های AI

اگر سرعت توسعه نرم‌افزار واقعاً ۱۰ برابر شده بود، باید تا امروز شاهد ظهور چندین شرکت در ابعاد Airbnb یا Stripe می‌بودیم. اما واقعیت این است که تنها برندگان این بازی، خودِ تأمین‌کنندگان مدل‌های هوش مصنوعی هستند.

به نقل از تحلیل منتشر شده در ۱۷ اوت ۲۰۲۶ در وب‌سایت hermit-tech.com، روایت رایج مبنی بر اینکه مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — گلوگاه‌های تحویل نرم‌افزار را حل کرده‌اند، به شدت مورد تردید است. این تحلیل بر اساس محاسبات ریاضی «شوشانا کاکس» است که استدلال می‌کند اگر هوش مصنوعی واقعاً محدودیت‌های فنی دسترسی به بازار هدف را از بین برده بود، اکنون بازار باید با شرکت‌های انقلابی اشباع می‌شد. طبق این منطق، پس از چهار سال دسترسی به مدل‌های بازمتن، ما باید حداقل سه Airbnb، دو Stripe و سه Dropbox جدید می‌دیدیم که از قدرت هوش مصنوعی برای جهش به بازار استفاده کرده باشند.

در عوض، تنها بازیگران بزرگ جدید، شرکت‌هایی مثل OpenAI، Anthropic و High-Flyer (توسعه‌دهنده DeepSeek) هستند که با ارزش‌های نجومی و رکوردشکن قیمت‌گذاری شده‌اند. اما اثر ملموس آن‌ها بر جامعه، بیشتر در قالب اشباع شبکه‌های اجتماعی با محتوای بی‌کیفیت (Garbage)، تخریب کیفیت موتورهای جست‌وجو و عادی‌سازی ایمیل‌های بدنویس شده دیده می‌شود. برای بسیاری، ترند فعلی بیش از آنکه درباره بهره‌وری باشد، یک بازی دوپامینی است که به کاربر حس «خاص‌ترین برنامه‌نویس جهان™️» را می‌دهد، در حالی که در واقع حالتی از وابستگی فکری گسترده و بازی‌وار شده (Gamified) را ترویج می‌کند.

ریشه خشم علیه هوش مصنوعی

این وضعیت از یک سوءتفاهم بنیادین درباره عوامل موفقیت نرم‌افزار ناشی می‌شود. یک باور فراگیر در میان رهبران استارتاپ‌ها وجود دارد که مدل‌های زبانی گلوگاه‌های تحویل محصول را حل کرده‌اند. این یک ادراک غلط است که گمان می‌کنند تمام مسائل فنی در توسعه نرم‌افزار دیگر وجود ندارند، زیرا می‌توانند «ساده آن را به Claude بسپارند تا انجام دهد».

همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، این طرز تفکر منجر به ظهور پدیده‌ای به نام Vibe Coding شده است. در این رویکرد، هدف رسیدن سریع به محصول اولیه (MVP) است، بدون اینکه کسی به معماری زیرساختی توجه کند. صنعت اکنون با مهندسی نرم‌افزار مثل یک کالای مصرفی برخورد می‌کند، نه یک دیسیپلین ساختاری. این در حالی است که نوشتن خطوط کد، هرگز آن بخشی از توسعه نرم‌افزار نبوده است که بیشترین زمان را می‌بلعد.

سال‌هاست که صنعت تحت این فرض عمل می‌کند که نوشتن خطوط کد، عامل اصلی اتلاف زمان در توسعه است. همین باور باعث شده موجی از Vibe Coding ایجاد شود، جایی که مؤسسان غیرفنی با استفاده از ابزارهایی مثل Claude، بدون داشتن مدیر فنی (CTO)، محصولات اولیه می‌سازند. در یک کنفرانس اخیر تکنولوژی، پنلی با عنوان «بدون کد، بدون مشکل» میزبان چهار مؤسس استارتاپ بود که با Vibe Coding به MVP رسیده بودند و در حال دریافت پول از مشتریان بودند. یکی از این مؤسسان صراحتاً بیان کرد که او CTO ندارد و هرگز هم به آن نیاز نخواهد داشت، زیرا می‌تواند به سادگی از Claude برای حل تمام مشکلات فنی خود استفاده کند.

تصور کنید یک مجتمع اداری را بدون مهندس سازه بسازید یا جراحی را بدون مدرک پزشکی انجام دهید. اکثر مردم این کار را به دلیل ریسک‌های فوری و فاجعه‌بار غیرقابل تصور می‌دانند. اما ترند فعلی هوش مصنوعی، دقیقاً همین فقدان تخصص را در نرم‌افزار تشویق می‌کند؛ با این تفاوت که «ریسک فاجعه» اینجا ریزش سقف نیست، بلکه یک نشت گسترده داده‌ها (Data Breach) است. نویسنده استدلال می‌کند که اگرچه افراد غیرفنی می‌توانند از این ابزارها استفاده کنند، اما آن‌ها اساساً قادر به تولید اپلیکیشن‌های پایداری نیستند که در برابر حملات معمولی و رایج، سخت‌افزاری و امن شده باشند. در مقابل، وقتی مهندسان خبره از این ابزارها استفاده می‌کنند، اثر آن اغلب شبیه به یک «دست دادن سست» است.

توهم بهره‌وری

مهندسان خبره سرعت بیشتری را در استفاده از ایجنت‌های کدنویسی گزارش می‌کنند، اما خروجی برای غیرمتخصصان اغلب از اساس خراب است. نویسنده در آزمایشی با استفاده از اعتبار مدل DeepSeek روی یک اپلیکیشن واقعی — اپلیکیشنی که ترافیک کافی برای درآمدزایی را پیش‌بینی می‌کرد — به الگوی نگران‌کننده‌ای رسید. او اعتراف می‌کند که خودش یک «مفت‌سوار» است و اعتبار ۱۰ دلاری را هم‌بنیان‌گذارش، نیک، خریده است، اما فرآیند توسعه برای او خشم‌برانگیز بود:

• کیفیت خروجی: کدها از نظر فنی اجرا می‌شدند، اما نویسنده آن‌ها را به «ماشینی دلقک‌وار تشبیه کرد که چرخ‌هایش با چسب نواری نگه داشته شده بود».
• منطق: چت‌بات برخی از «احمقانه‌ترین کارهایی که ممکن بود انجام دهید» را توصیه می‌کرد.
• معماری: هوش مصنوعی میان‌برهای خطرناکی را پیشنهاد می‌داد؛ مثلاً توصیه می‌کرد وب‌اپلیکیشن، پایگاه‌داده و پردازش‌های پس‌زمینه را همگی روی یک سرور واحد میزبانی کنند.
• افسانه پرامپت‌نویسی: در حالی که برخی استدلال می‌کنند نتایج بد ناشی از پرامپت‌نویسی ضعیف است، نویسنده اشاره می‌کند که او خودش محصولی را به بازار رسانده است — کاری که بیشتر از آنچه اکثر مهندسان در کل دوران شغلی‌شان انجام می‌دهند است — و بنابراین نتیجه می‌گیرد که خودِ ابزار نقطه شکست است.

این وضعیت شکاف خطرناکی بین «پیشرفت ادراکی» و «پایداری واقعی» ایجاد می‌کند. مؤسسانی که ادعا می‌کنند به جای CTO به Claude تکیه می‌کنند، در واقع با حریم خصوصی مشتریان و سرمایه مخاطره می‌دهند. یک پایگاه‌داده تولیدی (Production) که به درستی محافظت نشده باشد، تمام آن چیزی است که یک نوجوان ۱۶ ساله با یک اتصال اینترنت نیاز دارد تا زندگی هزاران نفر را نابود کند. نتیجه ممکن است به اندازه آتش‌سوزی یک خانه سینمایی نباشد، اما نتیجه نهایی، زندگی‌ای است که به دلیل طراحی بی‌دقت نرم‌افزاری کاملاً به گند کشیده شده است.

فرسایش تفکر انتقادی

تغییر از «جست‌وجو» به «چت کردن»، نحوه حل مسئله توسط توسعه‌دهندگان را به طور بنیادین تغییر داده است. پیش از این، یافتن پاسخ نیازمند یک فرآیند سنتز بود. این مسیر از «جست‌وجو در پشته‌ها» (Stacks) — یعنی رفتن به ساختمانی عظیم پر از انسان‌های خاک‌گرفته برای جست‌وجو در قفسه‌های کتاب‌های قطور — تکامل یافت تا گوگل کردن نظرات متعدد و فیلتر کردن آن افکار برای رسیدن به یک موضع شخصی.

اکنون این فرآیند جای خود را به یک جنگ متنی با رباتی داده است که اغلب پست‌های تأییدنشده ردیت (Reddit) را بازتاب می‌دهد. این وابستگی فکری در گزارش Semrush توسط کارلوس سیلوا به اعداد رسیده است. طبق این گزارش، هنگام پاسخ به سؤالات مالی توسط ChatGPT، ردیت ۱۷۶٪ بیشتر از متخصصان مالی رتبه می‌گیرد، در حالی که دستورالعمل‌های YMYL (پول شما، زندگی شما) باید منابع معتبر و مراجع تخصصی را اولویت دهند.

بسیاری دیگر برای خودشان فکر نمی‌کنند. در حالی که کنجکاوی باقی مانده، اما تفکر انتقادی جای خود را به اپلیکیشنی داده است که توانایی استدلال ندارد. منبع اطلاعات اکنون مجموعه‌ای از نظرات متفاوت است که عمدتاً از غیرمتخصصان گرفته شده و مشروعیت آن‌ها تأیید نشده است. این اتفاق، سد ورود لازم به حوزه‌های تخصصی و مهارت‌آموز را از بین برده است.

خطر «به اندازه کافی خوب»

مدل‌های زبانی اطلاعاتی ارائه می‌دهند که برای چشم آموزش‌ندیده «به اندازه کافی خوب» به نظر می‌رسد، زیرا آن‌ها حجم عظیمی از اطلاعات را در چند ثانیه سازماندهی می‌کنند. این اثر «جادوگر شهر اُز» است؛ کاربر تنها زمانی متوجه پرده‌های پشت صحنه می‌شود که خودش تخصص کافی برای تشخیص توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد — را داشته باشد. اگر کاربر موضوع را نشناسد، هیچ راهی برای تأیید مشروعیت نظرات غیرمتخصصانی که هوش مصنوعی در حال ترکیب آن‌هاست، ندارد.

نمونه‌هایی از این توهمات خطرناک عبارتند از:

• سلامت: پیشنهاد تمرینات دوی سرعت ۴۰ متری برای کسانی که تازه می‌خواهند ماراتون را شروع کنند.
• ایمنی: تشویق کاربران به قرار دادن سم مورچه در ساندویچ‌ها.
• مهندسی: پیشنهاد پیکربندی‌های ناامن سرور برای اپلیکیشن‌های در سطح تولید.
• تأسیسات: ارائه راهنمای گام‌به‌گام سیم‌کشی برق که اگر کاربر توصیه چت‌بات برای شروع از تابلو برق را دنبال کند، می‌تواند منجر به آتش‌سوزی یا برق‌گرفتگی شود.

در کارهای برقی، ترس از آتش‌سوزی یا مرگ باعث می‌شود افراد غیرمتخصص یک حرفه‌ای را استخدام کنند. در نرم‌افزار، پیامدها کمتر سینمایی اما به همان اندازه ویرانگرند. کاربران با پول دیگران (سرمایه‌گذاران یا مشتریان)، حریم خصوصی کسانی که داده‌های خود را به اپلیکیشن سپرده‌اند و معیشت هر فردی که در آن شرکت استخدام شده، قمار می‌کنند.

گلوگاه واقعی

نوشتن کد سخت‌ترین بخش توسعه نیست؛ بلکه طراحی سیستمی است که پایدار بماند و در برابر حملات امن باشد. هوش مصنوعی فقط سرعت «بیل زدن» را برای کسی که فقط بیل زدن بلد است زیاد می‌کند. نقطه کور بزرگ در هیجان فعلی، این باور است که مشکلات فنی دیگر وجود ندارند چون «Claude هست».

تحول واقعی نیازمند تغذیه بلندمدت و نظارت متخصص است. یک ایده نیاز به زمان دارد تا رشد کند؛ در غیر این صورت، نتایج زشت و خطرناک خواهند بود و بیشتر شبیه به یک «هومونکولوس» (موجود ناقص) در انیمه Full Metal Alchemist می‌شوند تا یک موجود زنده. صنعت تکنولوژی باید دوباره مسئولیت‌پذیر شود و از متخصصان واقعی بیاموزد.

برای درک این موضوع، نویسنده به بازه‌های زمانی واقعی شرکت‌های موفق اشاره می‌کند تا نشان دهد ارزش واقعی زمان‌بر است:

• Airbnb: ۱۲ سال طول کشید تا عرضه عمومی (IPO) شود و ۱۴ سال تا سودده شود.
• Stripe: پس از ۱۴ سال به سوددهی رسید.
• Dropbox: ۱۱ سال تا IPO و ۱۳ سال تا سوددهی زمان برد.

این بازه‌های زمانی در تضاد کامل با انتظار فعلی برای موفقیت آنی و سریع با هوش مصنوعی است. هیجان فعلی، دوپامینِ داشتن یک نمونه اولیه (Prototype) را به کار طاقت‌فرسای ساخت یک شرکت مقیاس‌پذیر و امن ترجیح می‌دهد. این روند نشان می‌دهد که بزرگترین تحولی که GenAI تا به حال ایجاد کرده، نه خلق صنایع جدید، بلکه تخریب جست‌وجوی اینترنتی و عادی‌سازی ایمیل‌های بدنویس شده است.

گام بعدی شما

• اگر مؤسس استارتاپ هستید، به جای حذف CTO، از هوش مصنوعی برای تسریع کدنویسی استفاده کنید اما معماری را به یک انسان متخصص بسپارید.
• در بررسی کدهای تولید شده توسط AI، روی «امنیت» و «مقیاس‌پذیری» تمرکز کنید، نه فقط روی «اجرا شدن» کد.
• برای یادگیری عمیق، به جای چت با مدل‌ها، مستندات رسمی و تحلیل‌های معماری را مطالعه کنید تا دچار وابستگی فکری نشوید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.