«برنامه‌نویسان توریست»؛ پیامد اتکای بیش از حد تازه‌کاران به مدل‌های زبانی

تصور کنید برنامه‌نویسی که می‌تواند در ۱۰ دقیقه یک اپلیکیشن کامل بسازد، اما وقتی سرور در ساعت ۳ صبح فرو می‌پاشد، حتی نمی‌داند از کجا شروع به عیب‌یابی کند. این کابوسِ مهندسان ارشد است: ظهور نسلی که کد می‌زند اما مهندسی نمی‌کند.

به نقل از یادداشتی که در ۲ اکتبر ۲۰۲۶ در وب‌سایت dev.to منتشر شد، یک مهندس باسابقه هشدار می‌دهد که هنر کدنویسی — که زمانی با کلنجار رفتن با بن‌بست‌های پایگاه‌داده (Database Deadlocks) و تداخل‌های حافظه (Race Conditions) گره خورده بود — اکنون به یک فرآیند بی‌روح تبدیل شده است؛ فرآیندی که در آن برنامه‌نویس فقط خطاهای سیستم (Stack Traces) را در پنجره‌های هوش مصنوعی کپی می‌کند تا پاسخی آماده بگیرد. او معتقد است هوش مصنوعی زاینده (Generative AI) — شبیه به دستیاری که تمام کتاب‌های دنیا را خوانده اما هرگز در دنیای واقعی چیزی نساخته — در حال تبدیل مهندسی نرم‌افزار به یک تمرین توخالی برای ویرایش متن است.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، سرعت در تولید کد لزوماً به معنای کیفیت یا پایداری نیست. در گذشته، لذت شغل برنامه‌نویسی در «گیر کردن» بود. این فرآیند شامل ساعت‌ها جست‌وجو در مستندات رسمی، خواندن بحث‌های مبهم و پیچیده در گیت‌هاب و بحث‌های داغ با توسعه‌دهندگان ارشد در دیسکورد درباره اینکه آیا از Redis استفاده کنند یا یک صف پیام (Message Queue) اختصاصی، بود. این اصطکاک، نقطه قوت شغل بود و حل یک مسئله دشوار، لحظه‌ای از eureka یا «یافتم!» ایجاد می‌کرد که به برنامه‌نویس حس قدرت می‌داد و او را شبیه به یک خدا در دنیای کد احساس می‌کرد.

اکنون این مسیر کاملاً حذف شده است. یک وصله (Patch) در دو ثانیه تولید می‌شود، تست‌ها اجرا می‌شوند و کد ادغام (Merge) می‌گردد. برنامه‌نویس دیگر یک مهندس نیست، بلکه تبدیل به ویراستاری شده است که برای یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — کار می‌کند؛ مدلی که مدام در منطق کسب‌وکار دچار توهم (Hallucination) — یعنی وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد — می‌شود.

در حالی که تیم‌های مدیریتی از سرعت رکوردشکن در بستن تیکت‌ها (Sprint Velocities) خوشحال‌اند، ابزارهایی مثل GitHub Copilot و Claude اجازه می‌دهند وظایف در ثانیه‌ها به وضعیت «انجام شد» بروند، اما اغلب بدون اینکه برنامه‌نویس درک بنیادی از منطق زیربنایی داشته باشد. برای سال‌ها، صنعت کدنویسی را به چشم مجموعه‌ای از تیکت‌ها می‌دید که باید بسته شوند، و حالا این ابزارها دقیقاً همین دیدگاه سطحی را تقویت کرده‌اند. این روند باعث شده تا بسیاری از متخصصان در فضای مجازی هشدار دهند که گردش‌کارهای مبتنی بر هوش مصنوعی در حال تخریب غرور حرفه‌ای مهندسان و جایگزینی تخصص با اتوماسیون ساده است.

این تغییر، بافت اجتماعی و فکری مهندسی را نیز از بین برده است. جلسات تحلیل معماری روی تخته‌سفید، گفتگوهای عمیق درباره ساختار سیستم و بررسی‌های دقیق استانداردهای کدنویسی در حال ناپدید شدن هستند. در جای این تعاملات، فرهنگی از بی‌تفاوتی جایگزین شده است؛ گویی برنامه‌نویسان فقط در حال تیک زدن خانه‌های یک لیست در یک نوار نقاله بی‌پایان از سینتکس‌های تولیدشده توسط ماشین هستند. این اتوماسیون گسترده حتی به لایه‌های مدیریتی رسیده است، تا جایی که برخی تیم‌های محصول تلاش می‌کنند تصمیمات کلیدی را به جای انسان به عامل‌های هوشمند بسپارند.

بر اساس بررسی‌های این مهندس، چندین ریسک فنی جدی در گردش‌کار فعلی وجود دارد:

• بمب‌های زمانی کد (AI Slop Grenade): برنامه‌نویسان جونیور اغلب از Copilot یا Claude کمک می‌گیرند و سپس دیواره‌های عظیم و خوانده‌نشده‌ای از کد یا پاسخ‌های طولانی پرامپت را مستقیماً در Pull Requestها قرار می‌دهند. این کار باعث می‌شود مهندسان ارشد مجبور شوند منطقی را بررسی کنند که حتی نویسنده‌ی اصلی آن هم وقت نکرده بفهمد چه اتفاقی افتاده است.
• بهینه‌سازی محلی در برابر جهانی: مدل‌های زبانی در نوشتن تکه‌های کوچک کد (سینتکس) که به صورت محلی بهینه هستند، عالی‌اند، اما نسبت به معماری کلی (Global Architecture) سیستم کورند. آن‌ها نمی‌دانند چرا سه سال پیش یک مرز خاص برای میکروسرویس‌ها تعریف شده است و در نتیجه هزاران خط کد «به اندازه کافی خوب» تولید می‌کنند که هیچ‌کس درک نمی‌کند.
• شکاف مسئولیت: هوش مصنوعی ساعت ۳ صبح شنبه بیدار نمی‌شود تا تماس‌های اضطراری PagerDuty را پاسخ دهد. وقتی یک کوئری SQL تولیدشده توسط AI باعث اسکن کامل جدول (Full Table Scan) و کرش کردن محیط عملیاتی می‌شود، یا باعث یک نشت حافظه (Memory Leak) خاموش می‌گردد، این انسان است که باید بیدار شود تا یک آشفتگی ۶۰۰ خطی از کدهای همزمان (Concurrent Mess) را دیباگ کند.

نویسنده این وضعیت را «نسل توریست» می‌نامد. او می‌گوید تصور کنید دنیایی را که در آن «پله‌های ورود به سطح حرفه‌ای» از بین رفته‌اند. او پیشنهاد می‌کند اگر امروز جوانی ۲۰ ساله برای شروع مسیر شغلی مشاوره بخواهد، پاسخ این است که شغل دیگری پیدا کند. چرا باید یک جونیور استخدام کرد وقتی AI می‌تواند یک اپلیکیشن CRUD را در ۱۰ دقیقه بنویسد؟

بدون تجربه زل زدن به یک خطای سینتکس برای ۳۰ دقیقه و احساس نادانی، تازه‌واردها نمی‌توانند «کامپایلر ذهنی» لازم برای تبدیل شدن به مهندس واقعی را بسازند. آن‌ها هرگز با منطق خام (Raw Logic) کلنجار نمی‌روند. این یک بمب ساعتی است: موجی از «ارشدها» که می‌توانند برای پاسخ به سوالات مصاحبه از Claude کمک بگیرند، اما در واقع توریست‌های کدبیس خودشان هستند.

تفاوت عمیقی میان «تک‌تک‌های تکنولوژی» (Tech Bros) در لینکدین — که ادعا می‌کنند هر کسی می‌تواند در یک آخر هفته یک SaaS بسازد — و مهندسان واقعی ایجاد شده است. ساخت یک پروتوتایپ وب در ۳۰ دقیقه یک «شعبده‌بازی» است، نه مهندسی نرم‌افزار. پرامپت‌نویسی به برنامه‌نویس یاد نمی‌دهد که چرا یک ORM وقتی ۵۰۰ کاربر همزمان به سرور حمله می‌کنند، پایگاه‌داده را فلج می‌کند.

وقتی معماران اصلی سیستم‌ها دچار فرسودگی شغلی شوند و بروند، کسی باقی نمی‌ماند که بداند چگونه این «سیستم‌های فرانکنشتاین» را از فروپاشی نجات دهد. صنعت در حال معامله لذت خلق کردن با یک توهم ارزان از سرعت است.

برای کسانی که هنوز در خط مقدم هستند، هدف اکنون مقاومت در برابر وسوسه‌ی سپردن منطق اصلی کسب‌وکار به AI است. همان‌طور که در یک نقل‌قول آمده است: «هوش مصنوعی هزینه تولید یک پاسخ را کاهش می‌دهد، اما هزینه درک پیامدهای آن را کم نمی‌کند».

باید منتظر ظهور «بدهی‌های فنی بومیِ هوش مصنوعی» (AI-native technical debt) در هنگام مقیاس‌پذیری این سیستم‌ها بود و بررسی کرد که تیم شما چگونه بازبینی منطق‌های تولیدشده توسط ماشین را مدیریت می‌کند تا از فرسایش کامل مهارت‌ها جلوگیری شود. این موضوع دقیقاً با چالش‌های ناپایداری کدهای تولیدشده توسط AI و ایجاد بدهی‌های فنی بلندمدت در عصر Vibe Coding همسو است.

گام بعدی شما

• در بررسی کدهای تولیدشده توسط AI، روی «چرا» تمرکز کنید نه «چه». اگر نمی‌توانید دلیل انتخاب یک متد را توضیح دهید، آن را حذف کنید.
• برای برنامه‌نویسان جونیور، تمرینات «بدون AI» طراحی کنید تا قدرت حل مسئله و کامپایلر ذهنی‌شان تقویت شود.
• استراتژی بازبینی کد (Code Review) تیم خود را تغییر دهید تا مسئولیت درک کامل کد بر عهده نویسنده باشد، نه بازبین.

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