تصور کنید یک مهندس ارشد برای پاسخ به سؤال یک برنامهنویس تازهکار دربارهی کلیدهای پارتیشن، یک توضیح بینقص از هوش مصنوعی را کپی کرده و در پنجرهی چت میفرستد تا ۵ دقیقه از وقتش ذخیره شود. تیکت بسته میشود و کد ارسال میگردد، اما یک شکست حیاتی در رشد حرفهای رخ داده است: جونیور هرگز یاد نمیگیرد که چگونه در مسیر حل مسئله استدلال کند. این معاملهی خطرناک که در مجموعهای از مشاهدات صنعتی سال ۲۰۲۶ شناسایی شده، نشان میدهد که کارایی هوش مصنوعی زاینده (Generative AI) — شبیه به یک دستیار سریع که جوابها را بدون فکر کردن تحویل میدهد — بهطور خاموش در حال تخریب خط لولهی پرورش رهبران فنی آینده است.
این تغییر در حالی رخ میدهد که ابزارهای AI اکنون به رابط اصلی برای ورود نیروهای جدید به محیط فنی (Technical Onboarding) تبدیل شدهاند. برای بسیاری از توسعهدهندگان جونیور، پنجرهی چت محیطی امن، فوری و بدون قضاوت است؛ جایی که برخلاف گفتگو با مدیر یا همکاران ارشد، اضطرابِ «نادان به نظر رسیدن» یا پذیرش جهل وجود ندارد. با این حال، این راحتی یک «پارادوکس موفقیت» ایجاد میکند که در آن تمام معیارهای کمی — از سرعت بستن تیکتها و نرخ پذیرش کدها گرفته تا زمان پاسخدهی — مثبت به نظر میرسند، اما مدلهای ذهنی زیربنایی کارکنان underdeveloped یا underdeveloped باقی میمانند.
هزینهی «پاسخ فوری»
به نقل از مطالعهای توسط پژوهشگران دانشگاه برکلی (UC Berkeley) و ییل (Yale) که در اوایل سال ۲۰۲۶ در هاروارد بیزنس ریویو (Harvard Business Review) منتشر شد، زمانی که مهندسان ارشد از طریق AI در منتورینگ ذخیره کردند، به تفریح یا استراحت تبدیل نشد. این مطالعه با ردیابی ۲۰۰ کارمند در بازهی ۸ ماه متوجه شد که مهندسان ارشد این ساعات آزاد شده را صرف بررسی و اصلاح کدهای تولید شده توسط جونیورها کردند که توسط AI نوشته شده بود.
این وضعیت یک چرخهی «بدهی فنی در سرمایهی انسانی» ایجاد میکند. مقالهای در Communications of the ACM در همان ماه، این سازوکار را چنین توصیف کرد: جونیور با مشکلی مواجه میشود که فراتر از توان فعلی اوست، در چند ثانیه یک راهکار عملی از AI میگیرد و آن را اجرا میکند. چون راهکار کار میکند، جونیور هرگز آن «تلاش سازنده» (Productive Struggle) را تجربه نمیکند که برای ساختن یک مدل ذهنی مستحکم از سیستم ضروری است. در واقع، مدل ذهنیای که قرار بود در اثر مواجهه با دشواری ساخته شود، هرگز ساخته نمیشود.
سه رکن منتورینگ
منتورینگ واقعی از سه بخش تشکیل شده که AI تنها یکی از آنها را پوشش میدهد. برای درک این شکاف، مثال کلید پارتیشن را در نظر بگیرید. یک پاسخ کپیشده از AI فقط رکن اول را تامین میکند و بقیه را نادیده میگیرد:
- اطلاعات واقعی (Factual Information): «چیستی» و «چگونگی» یک فناوری. AI در اینجا عالی است و میتواند توضیحات شفاف و خوشساختی از سینتکس یا مفاهیم کلی ارائه دهد. برای مثال، میتواند توضیح دهد که کلید پارتیشن در واقع شرطی برای نحوهی خواندن یک جدول است.
- تاریخچهی سازمانی (Institutional History): «چرا ما این کار را به این شکل انجام میدهیم». این بخش شامل حوادث خاص، مهاجرتهای شکستخورده و محدودیتهای منحصربهفرد تیمی است که در هیچ دفترچه یا مستنداتی ثبت نشده است؛ مثلاً زمانی که تیمی با پارتیشنبندی بر اساس ID مشتری، دو میلیون فایل کوچک ایجاد کرد و لایهی متادیتا را فلج کرد.
- کالیبراسیون استدلال (Reasoning Calibration): فرآیندی که در آن جونیور جلوی ارشد اشتباه فکر میکند و ارشد دقیقاً میبیند منطق کجا منحرف شده است. این یعنی پرسیدن این سؤال که «فکر میکنی الگوی کوئریها یک سال دیگر چه باشد» و اجازه دادن به جونیور برای اشتباه کردن در مورد آن.
AI نمیتواند رکن دوم را فراهم کند چون به «تروماهای مستند نشدهی» تیم دسترسی ندارد. همچنین نمیتواند رکن سوم را تامین کند چون استدلال یک تکه اطلاعات برای بازیابی (Retrieve) نیست، بلکه رفتاری است که باید تمرین شود. در واقع، پاسخ به سؤال هرگز هدف اصلی نبود؛ بلکه فرآیند تفکر هدف بود.
تنگنای مهندس ارشد
مهندسان ارشد تنها کسانی هستند که میتوانند این معامله را انجام دهند و تنها کسانی هستند که بهای آن را میپردازند. جونیور نمیتواند انتخاب کند که توسط کسی که حضور ندارد منتور شود. در حالی که یک کد ریویوی حذفشده امروز به تیم ضربه میزند، حذف یک گفتگوی آموزشی، تیم را یک سال بعد دچار بحران میکند. نتیجه سیستمی است که هیچکس در تیم نمیتواند بدون کمک خارجی دربارهی آن استدلال کند.
این موضوع با نظرسنجی سال ۲۰۲۶ تشدید میشود که نشان داد ۵۶٪ از مدیران منابع انسانی گزارش دادهاند که استخدامهای تازهکار هنگام نبود راهنمایی رسمی، به ابزارهای غیررسمی AI پناه میبرند. وقتی منتور انسانی غایب است، پنجرهی چت خلاء را با «پاسخ» پر میکند، نه با «قضاوت فنی».
چارچوبی برای منتورینگ با کمک AI
برای مقابله با این روند، قاعدهی پیشنهادی این است: «با آن آماده شو، اما آن را نفرست». پژوهشها دربارهی بار منتورینگ نشان میدهد جونیور در ماههای اول به تقریباً ۲۰ تا ۳۰ درصد زمان یک ارشد نیاز دارد. به دلیل محدودیت این بودجه، راهکار باید کوچک و موثر باشد. ارشدها باید از AI برای تیز کردن فکر خود در ۳۰ ثانیه استفاده کنند و سپس ۵ دقیقه را صرف یک گفتگوی زنده کنند.
- تفکیک سؤالات: سؤالات استدلالی را از واقعی جدا کنید. اگر سؤال دربارهی سینتکس است (مثلاً «سینتکس window frame چیست؟»)، پاسخ AI را بفرستید و به آن فکر نکنید. اگر سؤال این است که «چرا این کلید اهمیت دارد»، نیاز به گفتگو است.
- پرسش پیش از پاسخ: جونیور را مجبور کنید فرضیه بسازد. پرسیدن «اگر بر اساس ID مشتری پارتیشن کنیم چه میشود؟» شکاف واقعی دانش او را برملا میکند، نه فقط شکافی که او در سؤالش پرسیده بود.
- تزریق موارد مستند نشده: یک داستان واقعی از شکستهای گذشته، یک مهاجرتی که بد پیش رفت، یا دلیلی که تیم شما متفاوت از استانداردهای اینترنت عمل میکند را به اشتراک بگذارید. این بخشی است که هیچ ابزاری ندارد چون نوشته نشده است.
این رویکرد تضمین میکند که AI انتقال اطلاعات کمارزش را بر عهده بگیرد و انسان انتقال قضاوتهای پرارزش را. بعد از ۵ دقیقه متوقف شوید؛ شما کلاس درس اداره نمیکنید.
اعتراض به دسترسیپذیری
این استدلال وجود دارد که توضیحات On-demand هوش مصنوعی از نظر دسترسی برتر است؛ چون نامحدود، فوری، صبور و بدون هزینهی اجتماعی است. برای جونیوری که دورکار است، در منطقه زمانی متفاوتی قرار دارد یا اعتمادبهنفس کمی دارد، پنجرهی چت اغلب نقطه دسترسی بهتری است تا ارشدی که نوسان خلقی دارد یا بازخوردهای بدی میدهد. این یک بهبود واضح نسبت به وضعیتی است که اکثر جونیورها پیش از این داشتند.
اما این امتیاز یک حد دارد. توضیح دادن صرفاً پاسخ به سؤالی است که پرسیده شده، اما «قضاوت فنی» با مشاهدهی تصمیمات و دیدن نتایج آنها در آینده ساخته میشود. این چیزی نیست که بتوان آن را بازیابی کرد چون اطلاعات نیست. پنجرهی چت در توضیح دادن بهتر است، اما نمیتواند تنها کاری را انجام دهد که یک جونیور را به کسی تبدیل میکند که بتوانید سیستم را به او بسپارید.
برای یک لید مدرن، هدف معلم بودن نیست، بلکه اطمینان از این است که شخصی که در نهایت سیستم را به او میسپارد، بتواند مستقل تصمیم بگیرد. تست ساده است: آیا یک پاسخ درست از AI باز هم میتواند جونیور را در دفعهی بعد ناتوان از تصمیمگیری مستقل کند؟ اگر بله، پنجرهی چت ابزار اشتباهی برای این کار است.
با اتوماسیون «پاسخها»، مزیت رقابتی تیمهای مهندسی کاملاً به توانایی «پرسیدن سؤالات درست» و مدیریت شکستهایی که در دادههای آموزشی نیستند، منتقل میشود. مراقب باشید که چگونه شرکتها شروع به رسمی کردن KPIهای «مبتنی بر قضاوت» میکنند تا معیارهای سادهی سرعت (Velocity) را جایگزین کنند.
گام بعدی شما
- در جلسات کد ریویو، بهجای اصلاح مستقیم، از جونیور بخواهید منطق پشت انتخابش را توضیح دهد.
- یک «دفترچه حوادث» برای تیم خود بسازید و داستان شکستهای فنی گذشته را برای نیروهای جدید تعریف کنید.
- از AI برای تولید سناریوهای «چه میشود اگر...» استفاده کنید تا توان استدلال جونیورها را به چالش بکشید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو