اگر ده سال از عمر خود را صرف تسلط بر پیچیدگیهای بانکی یا سیستمهای پرداخت کردهاید، باید بدانید مزیت رقابتی شما احتمالاً همین حالا از دست رفته است. تصور کنید سالها تجربه و تلاش شما در یک صنعت خاص، حالا با یک دستور متنی ساده توسط ماشین جایگزین شود.
طبق گزارش منتشرشده در human-in-the-loop.bearblog.dev، این تغییر زمانی رخ داد که شرکتها از چتباتهای ساده به سمت گردشهای کاری عاملمحور (Agentic) — شبیه به کارمندی که فقط پیشنهاد نمیدهد، بلکه خودش دست به اجرا میزند — حرکت کردند. همانطور که در تحلیل قبلی ما دربارهی حاکمیت دادهها در محیطهای سازمانی اشاره کردیم، صنعت اکنون در حال اتوماسیون لایهی «متخصص» در توسعه نرمافزار است.
بر اساس این گزارش، تا ژوئن ۲۰۲۶ مدلهایی مانند Claude 4.5، GPT 5.5 و Opus 4.8 با استفاده از مدل زبانی بزرگ (LLM) — که مثل کتابخانهداری است که میلیاردها صفحه را خوانده و حالا با همان لحن جواب میدهد — خندقهای دفاعی شغلی را تخریب کردهاند. این فرسایش در سه مرحله اتفاق افتاد:
- دانش تخصصی: مدلها حالا اسناکهکهای معماری را مینویسند که قبلاً نیاز به سالها تجربه صنعتی داشت.
- عیبیابی: عاملهای هوش مصنوعی با استفاده از MCP (پروتکل بافت مدل) — که مثل یک تبدیل جهانی است و اجازه میدهد هوش مصنوعی به هر ابزاری وصل شود — و ابزارهای Sentry و DataDog، حدود ۹۰٪ باگهای سیستمهای توزیعشده را در یک مرحله حل میکنند.
- کیفیت کد: صنعت حالا کدهای «درجه C» را میپذیرد؛ چون دیگر انسانها کد را نمیخوانند و ماشینها برایشان قابل فهم است.
این روند تمام مهندسان را به نقش «جنرالیست» میکشاند. وقتی همه جنرالیست باشند، قیمت بازار برای این مهارت سقوط میکند. شما دیگر بر اساس «آنچه میدانید» رقابت نمیکنید، بلکه بر اساس «سلیقه» شما در هدایت روباتها سنجیده میشوید.
گام بعدی شما
- ارزیابی کنید که آیا خندق دفاعی فعلی شما در محیط کار، با یک پرامپت قابل بازسازی است یا خیر.
- تمرکز خود را از «حفظ کردن پاسخها» به «بهبود سلیقه در هدایت مدلها» تغییر دهید.
- وضعیت اتوماسیون نقشهای پژوهشی را زیر نظر بگیرید، زیرا اینها آخرین پناهگاههای امن به نظر میرسند.
اما این تحول تنها بخشی از یک بازی بزرگتر است؛ برای درک لایهی سختافزاری این تغییرات، تحلیل ما دربارهی تراشههای Blackwell را بخوانید.
گفتگو