تصور کنید ابزاری را در دست دارید که ایده‌های شما را در لحظه به واقعیت تبدیل می‌کند، اما تنها به شرط آنکه بدانید کدام کلید را فشار دهید. یک متخصص بهداشت و درمان دقیقاً همین نقطه عطف را تجربه کرد و با یک تغییر ساده در انتخاب مدل، سد بین «ایده» و «اجرا» را شکست. بسیاری تصور می‌کنند خلق نرم‌افزار نیازمند دانش عمیق کدنویسی است، اما این فرد توانست بیش از ۲۰ ابزار کاربردی را صرفاً با جایگزین کردن یک مدل زبانی با مدل دیگر بسازد.
به گزارش وب‌سایت dev.to، این کاربر که هیچ پیش‌زمینه فنی در برنامه‌نویسی نداشت، توانست ۲۰ ابزار فعال را طراحی کند؛ اتفاقی که نه با یادگیری زبان‌های پیچیده، بلکه با جایگزین کردن یک مدل زبانی بزرگ (LLM) — که شبیه کتابخانه‌داری است که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — با مدل دیگر رخ داد. این تحول در تاریخ ۱۲ مارس آغاز شد، زمانی که یک تماس تلفنی با مدیرعامل یک استارتاپ، دیدگاه او را نسبت به امکانات هوش مصنوعی تغییر داد.
کاتالیزور تغییر
داستان از جایی شروع شد که رئیس یک بنیاد بهداشت و درمان، نویسنده را به دفترش فراخواند. رئیس دوستی داشت که مدیرعامل یک استارتاپ بود و از نظر او، این فرد به دلیل نحوه استفاده از هوش مصنوعی برای خودکارسازی شرکت توزیعش، یک «نابغه» محسوب می‌شد. رئیس به نویسنده گفت: «تو تنها کسی در این بیمارستان هستی که می‌فهمی او درباره چه چیزی صحبت می‌کند؛ این موضوع را به خاطر داشته باش».
تا آن زمان، نویسنده ماه‌ها در سکوت و در اتاق درمان، مشغول کلنجار رفتن با ابزارهای کوچک برای استفاده‌های شخصی بود. اما این اولین باری بود که کسی تلاش‌های او را به عنوان چیزی که ارزش جدی گرفته شدن دارد، می‌دید. رئیس اعتراف کرد که خودش فناوری را نمی‌فهمد و نویسنده را ترغیب کرد تا با کسی صحبت کند که تسلط کامل بر آن دارد.
دو آماتور در یک تماس تلفنی
وقتی نویسنده سرانجام با آن مدیرعامل تماس گرفت، یک نزدیکی عجیب میان آن دو شکل گرفت. نکته کلیدی این بود که هیچ‌کدام از آن‌ها هرگز برنامه‌نویسی یاد نگرفته بودند. آن‌ها صرفاً دو فرد بودند که از یک مشکل به ستوه آمده بودند و شروع کردند به کلنجار رفتن با آن. این درک برای نویسنده حیاتی بود؛ او ماه‌ها تصور می‌کرد افرادی که «واقعاً» نرم‌افزار می‌سازند در دنیای متفاوتی زندگی می‌کنند، اما حالا می‌دید مدیرعاملی شرکتش را با ابزارهایی اداره می‌کند که بدون گذراندن حتی یک کلاس آموزشی ساخته شده‌اند.
شکاف ابزاری
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی کاهش اصطکاک در توسعه نرم‌افزارهای مبتنی بر AI اشاره کردیم، ابزارها در حال تبدیل شدن به «مترجمان قصد» هستند. این کاربر در ابتدا برای ساخت ابزارهای داخلی بیمارستان از Gemini استفاده می‌کرد. اگرچه این مدل کدها را ارائه می‌داد، اما کاربر همچنان مجبور بود خروجی‌ها را به صورت دستی کپی، پیست و وصله کند. این فرآیند شکاف عمیقی بین یک «ایده» و یک «محصول فعال» ایجاد می‌کرد و باعث می‌شد هر شکست آزمایشی از نظر زمان و انرژی بسیار هزینه‌بر باشد.
در طول آن تماس تلفنی، مدیرعامل توصیه‌ای کرد که همه‌چیز را تغییر داد: «آن ابزار را فراموش کن. مدلی به نام Claude را امتحان کن». در ۱۲ مارس، نویسنده در Claude ثبت‌نام کرد و هر دو مدل را در کنار هم قرار داد و تکالیف یکسانی به آن‌ها سپرد تا تفاوت‌ها را مشاهده کند.
مقایسه دقیق عملکرد
پس از این تغییر، تفاوت‌های ساختاری و فوری مشاهده شد:
- دقت در ویرایش: برخلاف مدل قبلی که در ویرایش‌ها ناتمام و ناشی بود و با درخواست تغییر یک مورد، اغلب تمام بخش‌های سالم کد را پاک می‌کرد، Claude تنها خطوط مورد نیاز و خاص را اصلاح می‌کرد.
- عاملیت (Agency): کاربر دیگر یک «چسب‌زن» یا «وصله‌گر» نبود که مجبور باشد تکه‌های کد شکسته را کپی و اصلاح کند؛ او به یک طراح تبدیل شد که فقط «قصد» و هدف خود را بیان می‌کرد و مدل آن را اجرا می‌کرد.
- سرعت تکرار: کارهایی که پیش‌تر روزها زمان می‌برد تا نسخه‌های مختلف کپی شوند و اشتباهات بازگردانی شوند، اکنون در چند جمله به نتیجه می‌رسیدند. ایده‌هایی از جنس «نمی‌شد این‌طور باشد که...» با همان سرعتی که توصیف می‌شدند، ظاهر می‌شدند.
- پایداری و قابلیت اطمینان: مدل جدید کارهای اضافی و درخواست‌نشده‌ای را ابداع نمی‌کرد که کاربر هرگز نخواسته بود؛ این موضوع باعث شد کاربر احساس کند زمین زیر پایش محکم شده است.
آزادسازی بهره‌وری
این تجربه یک تغییر حیاتی در توسعه نرم‌افزارهای کمک‌گرفته از AI برای کاربران غیرفنی را برجسته می‌کند. تماس تلفنی نویسنده را باهوش‌تر نکرد؛ او هنوز نمی‌دانست «متغیر» (Variable) چیست. با این حال، فاصله بین «گفتن آنچه می‌خواست» و «به وجود آمدن آن» تقریباً به صفر رسید.
وقتی هزینه امتحان کردن یک ایده تا این حد کاهش یابد، فرد چیزهای بیشتری را امتحان می‌کند. ابزارهای اولیه آزمایش‌ها را گران می‌کردند و نویسنده را مجبور می‌کردند ایده‌هایش را «جیره‌بندی» کند. اما ابزار درست، آزمایش‌ها را ارزان کرد و جیره‌بندی پایان یافت. این تغییر — و نه استعداد یا دانش — بود که سال آینده توسعه او را باز کرد. البته این سرعت بی‌سابقه در تولید کد، چالش‌های جدیدی را نیز به همراه می‌آورد؛ چرا که برخی تحلیل‌ها هشدار می‌دهند سرعت فوق‌بشری عامل‌های کدنویس ممکن است منجر به خلق بدهی‌های فنی غیرقابل‌تعمیر شود.
برای کسانی که در مسیر کسب‌وکار هستند، این بدان معناست که شکاف فعلی در بهره‌وری، اغلب یک «شکاف ابزاری» است تا «شکاف استعدادی». توانایی پروتوتایپ سریع دیگر در گرو مدرک علوم کامپیوتر نیست، بلکه در گرو انتخاب مدلی است که «اصطکاک وجود» یک قابلیت را به حداقل برساند. نویسنده در ابتدا از تغییر مدل مقاومت کرده بود چون ابزار اول را یاد گرفته بود و فکر می‌کرد شروع مجدد اتلاف وقت است؛ در واقع، رها کردن آنچه آشنا بود، همان چیزی بود که اجازه داد همه‌چیز سرعت بگیرد.
برخورد با یک دیوار جدید
موفقیت داخلی این ابزارها اکنون به نقطه اوج خود رسیده است. تمام آنچه تاکنون ساخته شده، در پشت دیوارهای بیمارستان باقی مانده است. نویسنده به رئیس دپارتمان قول داده بود که ابزارها داخلی بمانند و هرگز در را به روی اینترنت عمومی باز نکرده بود. با این حال، اکنون موقعیتی پیش آمده است که او را مجبور می‌کند از این خط قرمز عبور کند و ابزارهای خود را به خارج از شبکه داخلی منتقل و عرضه کند.
گام بعدی شما
- اگر در حال حاضر از یک مدل برای کدنویسی استفاده می‌کنید و احساس می‌کنید زمان زیادی را صرف «اصلاح کدهای غلط» می‌کنید، مدل خود را برای یک پروژه کوچک تغییر دهید و نتایج را مقایسه کنید.
- روی «بیان دقیق قصد» (Intent) به‌جای درخواست‌های پراکنده تمرکز کنید تا قدرت عاملیت مدل‌های جدید را به حداکثر برسانید.
- بررسی کنید کدام بخش‌های تکراری کار شما می‌تواند با یک ابزار ساده (حتی بدون دانش کدنویسی) خودکار شود.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و کاهش هزینه‌های استنتاج مراجعه کنید.
گفتگو