اگر امروز از اپلیکیشن‌های متن‌باز برای مدیریت حریم خصوصی یا ابزارهای سیستمی استفاده می‌کنید، احتمالاً بخشی از کدهای زیر دستتان را یک انسان ننوشته است. طبق یک بازرسی دستی که در ۱۲ سپتامبر ۲۰۲۶ روی ۱۰۲ اپلیکیشن انجام شد، ۷۲.۵٪ از به‌روزرسانی‌های نرم‌افزاری در F-Droid عمدتاً توسط هوش مصنوعی تولید شده‌اند.
این جهش در استفاده از کدهای تولیدشده توسط مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — نشان‌دهنده تغییری بنیادین در نحوه تولید نرم‌افزارهای متن‌باز است. این پدیده به سمتی حرکت می‌کند که به آن «وایب-کدینگ» می‌گویند. جامعه نرم‌افزارهای آزاد و متن‌باز (FOSS) اکنون درگیر کشمکش میان سرعت توسعه و ظرافت‌های مهندسی انسانی است. در حالی که هوش مصنوعی می‌تواند سرعت ساخت اپلیکیشن‌های کاربردی (Utility) را افزایش دهد، اما اغلب ردی از «اسلاپ» (Slop) یا همان کدهای بی‌کیفیت و مستنداتی به جا می‌گذارد که فاقد نظارت انسانی هستند. این وضعیت مشابه گستره‌ی محتوای بی‌کیفیت تولیدشده توسط AI در شبکه‌های اجتماعی است که پیش‌تر در مورد آن نوشتیم. همان‌طور که در تحلیل قبلی ما درباره‌ی ابزارهای اصلاح خطاهای استریم در مدل‌های زبانی مانند LuxurAI اشاره کردیم، صنعت اکنون با نتیجه گسترده‌تر این ابزارها روبروست: سیل نرم‌افزارهای کاربردی اما بالقوه شکننده.
مفهوم وایب-کدینگ (Vibe-Coding)
اصطلاح وایب-کدینگ (Vibe Coding) به سبک توسعه‌ای اشاره دارد که در آن برنامه‌نویس تقریباً به‌طور کامل به پرامپت‌نویسی متکی است و در حالی که ماشین منطق برنامه را می‌سازد، او فقط نظاره‌گر است و استراحت می‌کند. بازرس این گزارش که خود یک دانشجو و از نگهدارندگان پروژه‌های متن‌باز است، اشاره می‌کند که جذابیت مدل‌های زبانی در این است که به توسعه‌دهنده اجازه می‌دهند «تنبلی» کند. این رویکرد در تمام بخش‌های پروژه دیده می‌شود؛ از نادیده گرفتن نوشتن فایل راهنما (README) از ابتدا گرفته تا سپردن بازبینی تغییرات کد به خودِ هوش مصنوعی.
در برخی موارد افراطی، توسعه‌دهندگان دسترسی مستقیم به مخزن کد (Repository) را به هوش مصنوعی می‌دهند تا حتی نیاز به فشردن دکمه ثبت تغییرات (Commit) نباشد. این وضعیت باعث می‌شود نرم‌افزارها در کسری از زمان معمول تولید شوند — مثلاً ساخت یک بازی در مقیاس متوسط در عرض ۳۰ دقیقه — اما محصول نهایی اغلب کیفیت پایینی دارد و از نظر مهندسی ضعیف است.
هزینه انسانی اتوماسیون
به نقل از گزارش منتشر شده در tintotint.eu، بازرس این پرونده نسبت به تأثیر مدل‌های زبانی بر مهندسی نرم‌افزار و رشته‌های مهندسی مرتبط ابراز تنفر و نگرانی عمیق کرده است. او استدلال می‌کند که صرفِ وجود این ابزارها، انگیزه یادگیری عمیق، آموزش خود و لذت اجرای پروژه‌های جانبی سرگرم‌کننده را به شدت کاهش می‌دهد. وقتی یک برنامه‌نویس «قرص سیاه» را می‌بلعد و به مسیر وایب-کدینگ می‌رود، حس دستاورد و موفقیت ناپدید می‌شود چون در واقع ماشین است که تمام کار سخت را انجام داده است. این تضاد میان یادگیری ماشین و یادگیری انسانی، ما را به این پرسش می‌برد که چرا کودکان با داده‌های بسیار کمتری می‌توانند مهارت‌های پیچیده‌تری را نسبت به AI کسب کنند.
علاوه بر این، نگرانی‌های سیستماتیکی درباره تحلیل رفتگی توانایی‌های ذهنی انسان و ظرفیت باورنکردنی مدل‌های زبانی برای ارائه اطلاعات نادرست اما متقاعدکننده (Plausibly sounding misinformation) وجود دارد. در همین راستا، تلاش‌هایی برای کاهش نرخ توهمات در مدل‌های زبانی از طریق شبیه‌سازی واقعیت در حال انجام است تا این ریسک‌ها مدیریت شوند. همچنین، هزینه‌های محیط‌زیستی و فاجعه اقلیمی ناشی از مصرف انرژی عظیم برای آموزش و اجرای این مدل‌ها نقطه‌ای است که به باور نویسنده، جامعه به‌طور عمدی نادیده می‌گیرد.
چارچوب شناسایی «کدهای بی‌کیفیت» (Slop)
بازرس برای دسته‌بندی اپلیکیشن‌ها از یک سیستم سه‌سطحی بر اساس زیبایی‌شناسی مخزن کد و تاریخچه کامیت‌ها استفاده کرد. از آنجا که متن به تنهایی برای تشخیص دقیق کافی نیست و متادیتای لازم را ندارد، او به دنبال «بوی کد» (Code Smell) و نشانه‌های خاص در برندینگ گشت:
- عمدتاً هوش مصنوعی: پروژه‌هایی که «بوی LLM» شدیدی دارند و انتظار می‌رود بیش از ۵۰٪ کد آن‌ها توسط ماشین نوشته شده باشد. هرگونه استفاده از زیرساخت‌های عامل‌محور (Agentic) به‌طور خودکار اپلیکیشن را در این دسته قرار می‌دهد، زیرا بازرس معتقد است استفاده مسئولانه از هوش مصنوعی از درون یک محیط کدنویسی خودکار (Coding Harness) غیرممکن است.
- نامشخص / عمدتاً انسانی / سایر: پروژه‌هایی که گاهی کامیت‌های LLM توسط نگهدارندگان یا مشارکت‌کنندگان در آن‌ها دیده می‌شود، اما در مجموع ساختار انسانی دارند. این پروژه‌ها ممکن است سیاست‌های مشخصی برای استفاده از LLM داشته باشند و انتظار می‌رود کمتر از ۵۰٪ کد آن‌ها توسط AI باشد.
- بدون نشانه هوش مصنوعی: پروژه‌هایی که هیچ اثر مشکوکی در آن‌ها یافت نشد یا سیاست‌های سخت‌گیرانه‌ای علیه استفاده از LLM دارند.
الگوهای تکرارشونده در وایب-کدینگ
یکی از برجسته‌ترین یافته‌ها، استفاده از زیرساخت‌های عامل‌محور است؛ جایی که عامل‌های هوش مصنوعی (AI Agents) — شبیه دستیارهای دیجیتالی که می‌توانند به‌طور مستقل ابزارها را اجرا کنند — دسترسی مستقیم به مخازن دارند تا بدون دخالت انسان تغییرات را ثبت کنند.
اپلیکیشن‌هایی مانند Amber (یک امضاکننده رویدادهای Nostr) و evcc (شارژ خورشیدی) به دلیل استفاده از زیرساخت‌های Claude Code یا Codex شناسایی شدند. در این موارد، درخواست‌های تغییر کد (PR) مستقیماً از سوی عامل‌ها پذیرفته شده و مرحله بازبینی انسانی (Human Code Review) کاملاً حذف شده است. نمونه‌های دیگر این ساختار در eQuran، Fechtkarte و Léon – The URL Cleaner دیده شد.
نشانه‌های دیگر شامل «استفراغ ایموجی» (Emoji Vomit) در فایل‌های README — که به‌طور خاص در اپلیکیشن GymMane مشاهده شد — و وجود فایل‌های برنامه‌ریزی با پسوند .md بود که مستقیماً در مخزن آپلود شده بودند (مانند اپلیکیشن Casio G-Shock Smart Sync). بازرس این وضعیت را «تنبلی در تمام سطوح» توصیف می‌کند؛ جایی که توسعه‌دهنده فقط یک پرامپت می‌زند و استراحت می‌کند در حالی که ماشین دکمه‌های کامیت را می‌زند.
دسته‌بندی دقیق اپلیکیشن‌ها
عمدتاً هوش مصنوعی (بوی شدید LLM):
- ابزارهای مالی و کاربردی: اپلیکیشن‌های Balance (داشبورد بانک خصوصی)، Baly Groceries Tracker و Tallybook (ردیاب هزینه‌ها) همگی آثار شدید تولید ماشینی در کد و کامیت‌ها داشتند. همچنین invoice, quote, delivery note (g8-invoicing) و KeyStoreViewer کاملاً توسط هوش مصنوعی ساخته شده به نظر می‌رسیدند.
- سلامت و تناسب اندام: اپلیکیشن Bati: Fitness RPG صراحتاً در راهنمای خود به استفاده از AI اشاره کرده است. Flexify (ثبت تمرینات بدنسازی) و Chompass (ردیاب کالری) نیز در این دسته بودند؛ مورد دوم در Codeberg میزبانی می‌شود و احتمالاً قوانین آن پلتفرم را نقض کرده است. اپلیکیشن Lens HRV نیز به دلیل داشتن یک کامیت اولیه (init) با بیش از ۱۰ هزار خط کد شناسایی شد.
- بهره‌وری و ابزارها: در MainTask (یادآورهای تکرار شونده) و DeltaSync (همگام‌سازی KeePass) اثرات همکاری با مدل‌های Claude Sonnet 5 و Claude Opus 5 دیده شد. اپلیکیشن‌های Lissen (کلاینت Audiobookshelf)، Markleaf (یادداشت‌های Markdown) و MateDroid (داده‌های تسلا) نیز از زیرساخت‌های LLM استفاده کرده بودند.
- سرگرمی و بازی: BlockDrop (بازی پازل) و Braincup (تمرین مغز) از کامیت‌های مشترک با Claude استفاده کردند. بازی Minesweeper هم به دلیل کامیت‌های تولیدشده و رابط کاربری «وایب-کد شده» شناسایی شد. Hue Spill و Queens نیز نشانه‌های قوی AI داشتند.
- ابزارهای سیستمی: Mihrab (اوقات شرعی)، N-Zik (کلاینت یوتیوب موزیک)، Universal Installer و Xime IME همگی از زیرساخت‌های LLM بهره بردند. در ReteClock و ReteKey تمام کامیت‌های اخیر توسط AI تولید شده بود.
- ارتباطات و وب: BVD (دانلودر bilibili)، NouTube و PipePipe دارای تغییرات اخیر بودند که ساختار LLM داشتند. motd (کلاینت IRC) و PlainApp نیز در این دسته قرار گرفتند.
- سایر موارد: Aria for Misskey موردی سخت بود اما به سمت انسانی متمایل شد، در حالی که BayesianBahn (زمان رسیدن قطارهای آلمان) به عنوان همکاری با Claude شناسایی شد. BeatBridge و Forkyz زیرساخت‌های سنگین LLM داشتند. GeoWeather، GPTMobile و Relatrix نیز به دلیل الگوهای کامیت اخیر در دسته عمدتاً AI قرار گرفتند.
عمدتاً انسانی یا بدون نشانه AI:
- مدیریت انسانی: Shattered Pixel Dungeon و Tasks.org تقریباً هیچ نشانی از دخالت AI نداشتند. Mako (لانچر) و Snowdrop (کلاینت Mastodon) استفاده محدودی از AI کردند که تحت نظارت انسان بود. Unciv (بازی 4X) برخی همکاری‌ها با Claude داشت اما عمدتاً انسانی باقی ماند.
- مخازن پاک: Binary Eye (اسکنر QR)، Aves Libre (گالری)، TacticMaster (مربی شطرنج) و Suntimes Calendars هیچ اثر مشکوکی نداشتند. NovaDial و Offline Translator نیز در نگاه اول پاک به نظر می‌رسیدند. Atmo Engine ایموجی‌های زیادی داشت اما نشانه دیگری از AI نداشت.
- مورد ویکی‌پدیا: اپلیکیشن رسمی Wikipedia غافلگیرکننده بود؛ با وجود اینکه زیرساخت‌های قابل توجهی از Claude در آن دیده می‌شود، اما حجم بالای کامیت‌های انسانی باعث شد در دسته «عمدتاً انسانی» باقی بماند.
موارد غیرعادی و پدیده Brandonp2412
دو اپلیکیشن DuressKeyboard و UnlicenseLauncher بسیار عجیب و غریب بودند. هر دو با پرچم زرد «Don’t tread on me» برند شده‌اند. با وجود اینکه از نوامبر ۲۰۲۵ در حال توسعه بوده‌اند، توسعه‌دهندگان آن‌ها به‌طور کامل از Git دوری کرده و به‌جای آن از ویرایشگر وب گیت‌هاب برای کپی-پیست دستی تغییرات استفاده کرده بودند. بازرس این وضعیت را یکی از گیج‌کننده‌ترین مخازنی که تا به حال دیده توصیف کرد.
همچنین کاربری به نام brandonp2412 جلب توجه کرد که چندین اپلیکیشن از جمله BeatBridge، BlockDrop، Flexify و MarketMonk را مدیریت می‌کرد. تمام این برنامه‌ها «وایب-کد» شده بودند. نکته جالب این است که این برنامه‌ها تحت فضای نام‌های (Namespaces) کاملاً متفاوتی مانند com.presley.* و com.codesail.* منتشر شده بودند. این موضوع باعث شد این احتمال مطرح شود که این حساب کاربری اصلاً متعلق به انسان نیست و در واقع یک عامل هوش مصنوعی است که یک حساب گیت‌هاب دریافت کرده است، زیرا حجم خروجی‌های کم‌کیفیت در فضای نام‌های مختلف بسیار زیاد است.
نقض قوانین در Codeberg
از ۵ اپلیکیشن میزبانی‌شده در Codeberg، ۴ مورد (از جمله Chompass، MainTask، Voxscribe و Wristotle Companion) عمدتاً توسط AI تولید شده بودند. بازرس اشاره کرد که این موضوع احتمالاً قوانین سخت‌گیرانه‌تر Codeberg در مورد هوش مصنوعی را نقض می‌کند، قوانینی که بسیار سخت‌تر از گیت‌هاب یا گیت‌لب هستند.
تأثیر بر اکوسیستم متن‌باز
این چرخش به سمت نرم‌افزارهای تولیدشده توسط ماشین، یک پارادوکس برای جامعه FOSS ایجاد کرده است. از یک سو کاربران ابزارهای بیشتری را سریع‌تر دریافت می‌کنند، اما از سوی دیگر، «پاداش» یادگیری برنامه‌نویسی از طریق پروژه‌های جانبی از بین می‌رود. وقتی یک توسعه‌دهنده «قرص سیاه» وایب-کدینگ را می‌بلعد، احساس می‌کند هیچ کاری انجام نداده است و ماشین همه کارها را کرده است.
این روند منجر به سه خطر اصلی می‌شود:
۱. تحلیل رفتگی شناختی: پتانسیل تحلیل رفتن مغز انسان وقتی نیاز به درک منطق زیربنایی کدها از بین می‌رود.
۲. اطلاعات نادرست: ظرفیت باورنکردنی LLMها برای ارائه اطلاعاتی که درست به نظر می‌رسند اما غلط هستند.
۳. هزینه محیط‌زیستی: فاجعه اقلیمی ناشی از مصرف انرژی عظیم برای مدل‌های زبانی که بازرس معتقد است جامعه آن را نادیده می‌گیرد.
آمار نهایی و نتیجه‌گیری
از ۱۰۲ اپلیکیشن بررسی شده:
- ۷۴ مورد (۷۲.۵٪) عمدتاً توسط AI نوشته شده بودند.
- ۱۸ مورد (۱۷.۶٪) نشانه کمی از AI داشتند یا اصلاً نداشتند.
- ۱۰ مورد (۹.۸٪) دسته‌بندی آن‌ها سخت بود.
بازرس در نهایت ابراز تضاد کرد و گفت با وجود اینکه هنوز از برخی این اپلیکیشن‌های AI-assisted استفاده می‌کند چون کاربردی هستند، اما نبود نرم‌افزارهای نوشته شده توسط انسان در حال تبدیل شدن به یک مشکل سیستماتیک است. این روند نشان می‌دهد که در حالی که سد ورود برای انتشار نرم‌افزار از بین رفته، اما سد حفظ کیفیت و استواری کدها بلندتر شده است. وقتی یک «وایب-کدر» منطق برنامه را نمی‌فهمد، نرم‌افزار حتی برای سازنده‌اش به یک جعبه سیاه تبدیل می‌شود.
گام بعدی شما
- اگر از اپلیکیشن‌های F-Droid یا هر مخزن FOSS استفاده می‌کنید، به تب Commits در گیت‌هاب برنامه‌های مورد علاقه خود سر بزنید.
- بررسی کنید آیا نام‌های Claude یا GPT در لیست نویسندگان کد (Co-authorship) دیده می‌شوند یا خیر تا بفهمید ابزارهای شما توسط انسان‌ها نگهداری می‌شوند یا عامل‌های هوش مصنوعی.
- در انتخاب ابزارهای حساس (مانند مدیریت رمز عبور)، اولویت را به پروژه‌هایی بدهید که تاریخچه تغییرات انسانی شفافی دارند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و هزینه استنتاج مدل‌های عظیم مراجعه کنید.
گفتگو