۶۴٪ از کدهای ادغام‌شده در یک تیم نرم‌افزاری توسط عامل‌های هوش مصنوعی نوشته شد

تصور کنید در تیمی هستید که همکاران اصلی شما نه انسان، بلکه ناوگانی از ربات‌های متخصص‌اند که هرگز نمی‌خوابند و وظایف را به صورت موازی اجرا می‌کنند. طبق گزارش وب‌سایت dev.to، یک سازمان نرم‌افزاری در بازه زمانی ۸ آوریل تا ۶ جولای ۲۰۲۶، نتایج خیره‌کننده‌ای را به دست آورده است: از مجموع ۳۷۸۱ درخواست تغییر (Pull Request) در ده مخزن اصلی، ۲۴۲۴ مورد توسط عامل‌های هوش مصنوعی مدیریت شده است. این یعنی ۶۴٪ از PRهای ادغام‌شده توسط AI نوشته شده‌اند و به یک تیم کوچک انسانی متشکل از دو تا سه نفر اجازه داده‌اند تا تمرکز خود را از کدنویسی به جهت‌دهی سطح بالا و بازبینی تغییر دهند. این روند مشابه تجربه شرکت آنتروپیک است که در آن تا ۸۰ درصد کدهای تولیدی توسط مدل کلود نوشته می‌شود و مرزهای اتوماسیون کدنویسی را جابه‌جا کرده است.

این تغییر، گذاری است به توسعه عامل‌محور (Agentic) — یعنی سیستمی که در آن هوش مصنوعی صرفاً پیشنهاد کد نمی‌دهد، بلکه کل چرخه حیات نرم‌افزار، از تیکت گرفته تا ادغام نهایی، را مدیریت می‌کند. همان‌طور که در تحلیل‌های پیشین ما درباره امنیت مدل‌های بازمتن اشاره کردیم، اتکای بیشتر به اتوماسیون، لایه‌های جدیدی از نظارت را می‌طلبد. این تحول در جای دیگری از صنعت نیز دیده می‌شود؛ به‌طوری‌که مدل Fable 5 با تغییر استانداردهای اجرایی در بنچمارک RLI، توانمندسازی عامل‌ها برای انجام تکالیف پیچیده فریلنسری را به اثبات رسانده است.

به نقل از این گزارش، زیرساخت این سازمان بر اکوسیستم Codens استوار است که شامل پنج عامل تخصصی می‌شود:

• Green: تبدیل گفتگوهای پراکنده به مستندات نیازمندی‌های محصول (PRD) ساختاریافته.
• Purple: اجرای تیکت‌ها از طریق پیاده‌سازی کد و تأیید صحت عملکرد.
• Orange: انجام بازبینی‌های خودکار و ممیزی‌های امنیتی برای شناسایی نقاط ضعف.
• Red: شناسایی خطاهای محیط عملیاتی (Production) از طریق Sentry و ارسال PRهای اصلاحی.
• Blue: مدیریت تضمین کیفیت (QA) و اجرای تست‌های جامع پایان به پایان (End-to-End).

بر اساس مستندات منتشرشده، بهره‌وری این تیم به شدت افزایش یافته و زمان میانگین (Median Time) از لحظه «باز شدن PR» تا «ادغام» برای عامل‌های وظیفه‌محور، تنها به ۲ دقیقه رسیده است. با این حال، این سرعت بدون هزینه و بدون نقص فنی نبوده است. گزارش به شکست‌های فنی خاصی اشاره می‌کند: برخی عامل‌ها که روی اینستنس‌های Spot (سرورهای ارزان‌قیمت و موقت ابری) اجرا می‌شدند، هنگامی که منابع توسط سرویس‌دهنده بازپس گرفته می‌شد، در میانه مسیر «استعفا» داده و متوقف می‌شدند. همچنین، برخی عامل‌ها تاریخ‌های سخت‌افزاری (Hardcoded) را در تست‌ها قرار داده بودند که ۹۰ روز بعد «منفجر» شده و باعث مسدود شدن کامل مخزن کد شدند.

این وضعیت، نقش توسعه‌دهنده ارشد را به کلی متحول می‌کند. انسان‌ها دیگر نویسنده خطوط کد نیستند، بلکه بر کیفیت اولیه تیکت‌ها و طراحی الگوهای تأیید تمرکز می‌کنند تا جلوی میان‌بر زدن‌های خطرناک هوش مصنوعی را بگیرند. این چالش دقیقاً همان نقطه‌ای است که در آن مهندسان ارشد به دلیل انباشت بدهی فنی، حتی کدهای «سالم» هوش مصنوعی را رد می‌کنند، چرا که پایداری بلندمدت سیستم بر سرعت تولید کد اولویت دارد. برای مدیران کسب‌وکار، این به معنای مدیریت یک «گزارش‌دهنده مستقیم AI» است که می‌تواند در یک فصل ۲۴۰۰ مورد PR ثبت کند. هزینه این سرعت، نوع جدیدی از بدهی فنی است؛ جایی که حوادثی مانند «ترافیک‌های کد» — که در آن ربات‌ها کدهای یکدیگر را بازنویسی می‌کنند — به منبع اصلی کار انسان تبدیل شده است.

توسعه‌دهندگان اکنون باید به دقت نظارت کنند که عامل‌های اصلاح‌ساز خودکاری مانند Red چگونه با زیرساخت‌های حیاتی برخورد می‌کنند، زیرا در این گذار، نقش انسان از «خالق» به «ارکستراتور» یا سازمان‌دهنده تغییر یافته است.

گام بعدی شما

• بررسی نحوه تعریف تیکت‌های دقیق برای کاهش خطای مدل‌های استدلالی.
• مطالعه راهکارهای جایگزین برای اجرای عامل‌ها خارج از محیط‌های ناپایدار (Spot Instance).
• نظارت بر عملکرد عامل‌های اصلاح‌ساز خودکار در زیرساخت‌های حساس.

اما تأثیر این اتوماسیون بر هزینه‌های زیرساختی حتی پیچیده‌تر است؛ به تحلیل ما درباره بهینه‌سازی هزینه استنتاج مراجعه کنید.