پرش به محتوای اصلی
پرش به محتوای مقاله

چرا افزایش تولید کد با هوش مصنوعی، منجر به تعدیل نیرو در Braze نشد؟

·۲۵ اردیبهشت ۱۴۰۵۲ دقیقه مطالعه۱ بازدید
چرا افزایش تولید کد با هوش مصنوعی، منجر به تعدیل نیرو در Braze نشد؟
اشتراک‌گذاری

اگر مدیریت یک تیم مهندسی بزرگ را بر عهده دارید، بزرگ‌ترین پیروزی شما حذف نیروها نیست، بلکه دو برابر کردن سرعت اجرای نقشه راه است. شرکت Braze این مسیر را طی کرده و اکنون بیش از ۶۰٪ از کدهایی که در مخازن اصلی آن ثبت می‌شوند، توسط هوش مصنوعی تولید شده‌اند.

این شرکت از مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — برای بازنویسی جریان کار خود استفاده کرد. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی جایگزینی برنامه‌نویسان با مدل‌های زبانی اشاره کردیم، ترس از بیکاری در سازمان‌های پیشرو جای خود را به بحث بهره‌وری داده است.

به نقل از مصاحبه‌ی مه ۲۰۲۶ در پادکست Stack Overflow، جان هایمن (Jon Hyman)، مدیر فنی Braze، می‌گوید این تحول تنها چند ماه زمان برد. طبق گزارش او، نقطه عطف در اوت ۲۰۲۵ رخ داد؛ جایی که دو مهندس با کمک هوش مصنوعی یک سرور MCP را شش هفته زودتر از موعد تحویل دادند. با عرضه مدل Claude Opus 4.5 در نوامبر ۲۰۲۵، سرعت پذیرش ابزارها بیشتر شد چون نیاز به اصلاحات انسانی کمتر بود. این مدل بخشی از استراتژی گسترده‌تر Anthropic برای ارائه خدمات هوش مصنوعی در مقیاس‌های مختلف است که در تحلیل ما پیرامون تغییر استراتژی این شرکت برای بازار متوسط به آن پرداختیم. این تیم اکنون از ترکیب Cursor، GitHub Copilot و Vercel v0 برای نمونه‌سازی سریع استفاده می‌کند.

اما این سرعت رایگان نیست. هایمن به مورد یک مهندس اشاره کرد که در یک روز ۱۵۰ دلار هزینه استنتاج (Inference) — یعنی همان لحظه‌ی تولید جواب توسط مدل، شبیه به خودِ آشپزی و نه دوره‌ی آموزش آن — پرداخت کرد. خطر اصلی اکنون «کدنویسی حسی» (Vibe-coding) است؛ یعنی تصور اینکه نمونه‌های اولیه ساخته شده با هوش مصنوعی، بدون دانش معماری عمیق، در مقیاس واقعی کار می‌کنند. این تغییر رویکرد، دقیقاً با آنچه در مورد تغییر مهارت‌های برنامه‌نویسان ارشد و پایان عصر تسلط صرف بر سینتکس نوشتیم، همسو است؛ جایی که نظارت بر معماری جایگزین کدنویسی دستی شده است.

گام بعدی شما

  • هزینه‌های استنتاج تیم خود را در برابر سرعت تولید ویژگی‌ها (Feature Velocity) بررسی کنید.
  • برای جلوگیری از «کدهای اسپاگتی»، استانداردهای نظارت بر معماری را سخت‌گیرانه‌تر کنید.
  • ابزارهای نمونه‌سازی سریع مثل Vercel v0 را در ابتدای چرخه توسعه تست کنید.

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

چرا این موضوع مهم است؟

این تجربه نشان می‌دهد که هوش مصنوعی زاینده، مدل اقتصادی مهندسی را از «کاهش هزینه» به «افزایش سرعت» تغییر می‌دهد. اعتبار این ادعا از تجربه عملی یک سازمان ۳۰۰ نفره می‌آید که توانسته سهم اجرای نقشه راه خود را دو برابر کند.

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.