«هر توسعه‌دهنده اکنون مدیر تیمی از عامل‌هاست»؛ دیدگاه مدیر گوگل

تصور کنید برنامه‌نویسی دیگر به معنای تایپ کردن خطوط کد نباشد، بلکه شبیه مدیریت تیمی از کارمندان خبره باشد که هر کدام یک عامل هوش مصنوعی هستند. اگر هنوز فکر می‌کنید تسلط بر الگوریتم‌های پیچیده تنها راه بقا در بازار کار است، باید بدانید گوگل همین حالا قواعد بازی را تغییر داده است.

به نقل از اندی گاتمنز (Andi Gutmans)، رئیس بخش Agentic Data Cloud در گوگل، مهندسی نرم‌افزار از یک «صنعتِ ساخت» به یک «صنعتِ هدایت» تبدیل شده است. در این پارادایم جدید، هر توسعه‌دهنده در واقع به یک «سرپرست تیمِ عامل‌ها» تبدیل می‌شود که وظیفه‌اش نه نوشتن کد، بلکه اعمال قضاوت و نظارت بر خروجی‌های سیستم‌های عامل‌محور (Agentic) است. این تحول در حالی رخ می‌دهد که صنعت با پدیده‌ای به نام «فرسایش مهارت‌ها» در کدنویسی سنتی دست‌وپنجه نرم می‌کند. در حالی که پیش‌تر بررسی کردیم گوگل چگونه سعی کرد کاهش ترافیک ناشی از هوش مصنوعی را از طریق دکمه Preferred Sources جبران کند، اکنون تغییر داخلی شرکت به سمت نحوه ساخت نرم‌افزار توسط مهندسان تغییر مسیر داده است. دوران فعلی دیگر درباره قدرت خام مدل‌ها نیست، بلکه درباره توانایی انسان در اعمال قضاوت بر خروجی‌های عامل‌هاست. این نیاز به قضاوت انسانی دقیق است که بسیاری از عامل‌های AI در مقیاس سازمانی را به دلیل فقدان لایه‌ی قضاوت تجاری با شکست مواجه کرده است.

پارادایم جدید مهندسی

گاتمنز ظهور عامل‌ها را پیشرفتی طبیعی در مسیر دموکراتیزه کردن توسعه نرم‌افزار می‌بیند. او لحظه کنونی را با روزهای اولیه ظهور PHP مقایسه می‌کند؛ زبانی که او در دوران کالج به عنوان یک پروژه برای کسب نمره اضافی در ساخت آن کمک کرد. PHP طراحی شده بود تا توسعه وب را برای افرادی که فارغ‌التحصیل علوم کامپیوتر نبودند در دسترس قرار دهد و به افراد با استعداد فنی — از جمله متخصصانی مانند پزشکان — اجازه دهد وب‌سایت‌های خود را بسازند.

با این حال، او به یک تفاوت حیاتی در عصر عامل‌ها اشاره می‌کند: در حالی که PHP اولیه اغلب به دلیل فقدان آموزش رسمی کاربران، منجر به تولید کدهای ناامن و «کدهای بد» می‌شد، عامل‌های مدرن می‌توانند به‌طور خودکار بهترین روش‌ها (Best Practices) و نرده‌های حفاظتی امنیتی را اعمال کنند. این یک «جهش» است؛ جایی که خودِ ابزارها کیفیتی را تحمیل می‌کنند که پیش از این تنها بر عهده توسعه‌دهنده انسانی بود.

بازتعریف فرآیند مصاحبه

از آنجایی که ماهیت کار در حال تغییر است، گوگل به‌طور فعال در حال تغییر معیارهای استخدام خود است. شرکت در حال فاصله گرفتن از تست‌های سنتی تخته‌سفید (Whiteboarding) است؛ تست‌هایی مانند درخواست از کاندیدا برای پیاده‌سازی دستی الگوریتم Quick Sort و سپس بررسی خط به خط کد حاصل.

در عوض، اکنون به کاندیداها مسائلی داده می‌شود و آن‌ها فرصت دارند از Gemini (جمینای) برای حل آن‌ها استفاده کنند. مصاحبه‌کنندگان در این حالت سه معیار اصلی را ارزیابی می‌کنند:

• استدلال (Reasoning): کاندیدا چگونه فضای مسئله را تحلیل می‌کند و راهکار را طراحی می‌نماید.
• هدایت (Guidance): کیفیت پرامپت‌ها و نحوه هدایت عامل برای رسیدن به نتیجه درست.
• ارکستراسیون (Orchestration): توانایی مدیریت یک مسئله در مقیاس کلان به‌جای حل یک پازل انتزاعی.

این تغییر بازتاب‌دهنده این باور است که استعداد و اشتیاق برای یادگیری، بسیار ارزشمندتر از توانایی حفظ کردن الگوریتم‌های قدیمی است. گاتمنز معتقد است فارغ‌التحصیلان جدید علوم کامپیوتر از همان ابتدا به عنوان «سرپرست تیم‌های عامل» وارد بازار کار می‌شوند و از این ابزارها برای انجام پروژه‌های دانشگاهی در مقیاسی از پیچیدگی استفاده می‌کنند که کدنویسی دستی آن‌ها غیرممکن بود.

مدیریت ریسک و چارچوب «حلقه»

گاتمنز یک چارچوب مبتنی بر ریسک را برای تصمیم‌گیری در مورد زمان نیاز به دخالت انسان معرفی می‌کند. او استدلال می‌کند که تصمیم برای استفاده از یک عامل، یک پرسش مدیریت ریسک است، نه پرسشی درباره اعتماد به هوش مصنوعی. او خودمختاری عامل‌ها را به سه سطح تقسیم می‌کند:

۱. انسان در حلقه (Human in the loop): دخالت مستقیم انسان در هر مرحله؛ این سطح برای کارهای با ریسک بالا ضروری است.
۲. عامل در حلقه (Agent in the loop): عامل‌ها کار را پیشنهاد داده یا انجام می‌دهند، اما انسان باید خروجی را تایید کند.
۳. عامل بر حلقه (Agent on the loop): عامل‌ها به‌طور خودکار عمل می‌کنند، در حالی که انسان‌ها سیستم را برای شناسایی ناهنجاری‌ها رصد می‌کنند.

این چارچوب بر اساس تأثیر یک شکست احتمالی اعمال می‌شود. برای مثال، کدهای مربوط به توکن‌های امنیتی که حساسیت بالایی دارند، نیازمند یک متخصص انسانی هستند تا امنیت کامل تضمین شود. در مقابل، تغییرات در CSS، HTML یا اسکریپت‌های پایتون می‌توانند توسط عامل‌هایی با خودمختاری بالاتر مدیریت شوند. در برخی موارد، عامل‌ها حتی در یافتن دسته‌های خاصی از باگ‌ها موثرتر از انسان‌ها هستند، زیرا می‌توانند مجموعه بسیار گسترده‌تری از کدبیس را نسبت به هر انسان واحد تحلیل کنند.

گاتمنز برای تبیین این شکاف اعتماد از Waymo (ویمو) مثال می‌زند. او اشاره می‌کند که داده‌ها نشان می‌دهند احتمال وقوع تصادف آسیب‌زا در یک خودروی ویمو ۸۰٪ کمتر از اوبرهایی است که توسط انسان رانده می‌شوند. با وجود این واقعیت‌ها، بسیاری از مردم به دلیل ادراک ذهنی، هنوز با راننده انسان راحت‌تر هستند. او استدلال می‌کند که تیم‌های مهندسی باید به جای شهود، بر واقعیت‌های تأثیر ریسک تکیه کنند و بپذیرند که کد نوشته شده توسط انسان نیز هرگز «ضدگلوله» نبوده است. در همین راستا، بحث بر سر حاکمیت عامل‌ها در لایه‌های سخت‌افزاری اهمیت بیشتری یافته تا از تغییرات خطرناک و پیش‌بینی‌نشده در زیرساخت‌ها جلوگیری شود.

گلوگاه داده‌ها و لیک‌هوس بدون مرز

به گفته گاتمنز در گفتگو با Stack Overflow، گلوگاه اصلی هوش مصنوعی در حال حاضر مدل‌ها (مانند Gemini یا Opus) نیستند، بلکه وضعیت داده‌های سازمانی است. مدل‌ها در حال حاضر قادر به اتوماسیون درصد زیادی از گردش کارهای سازمانی هستند، اما اگر داده‌ها غیرقابل دسترس باشند، نمی‌توانند به‌طور موثر استدلال کنند.

بیشتر داده‌های سازمانی همچنان در سیلوهای بسته یا به‌صورت بدون ساختار باقی مانده‌اند. برای حل این مشکل، گوگل در حال پیاده‌سازی مفهوم «لیک‌هوس بدون مرز» (Borderless Lakehouse) است. هدف این رویکرد، فعال‌سازی ۱۰۰٪ داده‌های یک سازمان است — شامل داده‌های ساختاریافته، داده‌های عملیاتی و داده‌های بدون ساختار مانند PDFها، تصاویر و قراردادها — فارغ از اینکه این داده‌ها در GCP، AWS، Azure یا سرورهای محلی (On-premises) باشند.

مکانیزم‌های فنی برای فعال‌سازی داده‌ها

برای شکستن این «باغ‌های محصور»، گوگل بر چندین پیش‌نیاز فنی کلیدی تمرکز کرده است:

• اتصالات متقاطع ابری (Cross-cloud interconnects): این اتصالات اجازه جابجایی داده بین ارائه‌دهندگان مختلف ابر را با تأخیر تک‌رقمی (میلی‌ثانیه) می‌دهند، در حالی که کاملاً امن، خارج از اینترنت عمومی و با هزینه کم باقی می‌مانند.
• فرمت‌های داده باز (Open Data Formats): با بهره‌گیری از فرمت‌های بازی مانند Iceberg، گوگل تضمین می‌کند که دسترسی به داده‌ها بدون نیاز به کپی (Zero-copy) و مقرون‌به‌صرفه باشد و هزینه‌های خروجی (Egress) هر گیگابایت داده که معمولاً با جابجایی داده‌ها همراه است، کاهش یابد.
• فرمت دانش باز (Open Knowledge Format): گوگل اخیراً یک فرمت دانش باز منتشر کرده تا کاربران بتوانند دانش شخصی یا تجاری خود را به‌گونه‌ای ثبت کنند که در پلتفرم‌های مختلف قابل استفاده باشد.
• حکمرانی خودکار (Automated Governance): پیاده‌سازی سیستم‌هایی که بتوانند کنترل‌های دسترسی دقیق و مجوزها را حتی زمانی که یک عامل در حال دسترسی به داده‌ها در محیط‌های مختلف است، رعایت کنند.

تغییر به سمت کیوریتوری و هستی‌شناسی عامل‌محور

گاتمنز معتقد است آینده مدیریت داده، تغییر از «حالت بازرسی» به «حالت کیوریتوری» (گزینش) است. از نظر تاریخی، سازماندهی داده‌ها نیازمند «متولیان داده» (Data Stewards) انسانی بود تا به‌طور دستی هستی‌شناسی‌ها (Ontologies) — مشابه فرمت OWL (زبان وب هستی‌شناسی) — را بسازند. با این حال، استخدام هزاران متولی برای نقشه‌برداری ۱۰۰٪ داده‌های یک سازمان غیرممکن است.

از طریق ابتکاری به نام Knowledge Catalog، گوگل در حال انتقال ساخت هستی‌شناسی معنایی از حالت انسان‌محور به حالت عامل‌محور است. عامل‌ها به‌طور منحصر‌به‌فردی برای مدیریت «آشفته بودن» داده‌های سازمانی و استنباط روابطی که شناسایی آن‌ها برای انسان‌ها دشوار است، مناسب هستند.

این امر «زحمات سنگین و تکراری» متولیان داده را کاهش می‌دهد. نقش انسان به کیوریتوری با ارزش بالا تبدیل می‌شود تا اطمینان حاصل کند دانش استنباط شده توسط عامل با اهداف تجاری همسو است. این دقیقاً مشابه تغییر در کدنویسی است: توسعه‌دهنده دیگر ۸۰٪ زمان خود را صرف خطوط دستی کد نمی‌کند، بلکه بر ۲۰٪ مربوط به معماری، تعالی عملیاتی و قضاوتی که برای هدایت نیروی کار عامل‌محور لازم است، تمرکز می‌کند.

پیاده‌سازی عملی در مقیاس بزرگ

در گوگل، هوش مصنوعی از طریق Gemini Enterprise برای کارهای عمومی مانند ایمیل‌ها و تقویم در دسترس تمام کارکنان است. با این حال، تأثیر عمیق‌تر در عامل‌های خودمختاری است که در دامنه‌های عملیاتی خاص مستقر شده‌اند:

• مهندسی قابلیت اطمینان سایت (SRE): استفاده از عامل‌ها برای مدیریت پایداری سیستم و کاهش زحمات دستی انسان.
• پشتیبانی مشتری: استقرار عامل‌هایی برای رسیدگی به پرسش‌ها و حل مسائل به‌طور خودمختار.
• امنیت: استفاده از عامل‌ها برای شناسایی و رفع آسیب‌پذیری‌ها به‌صورت پیش‌دستانه و سریع‌تر از روش‌های قبلی که توسط انسان هدایت می‌شدند.

تکامل مالکیت کد

در پاسخ به این نگرانی که مهندسان ممکن است دیگر کدی را که می‌نویسند درک نکنند، گاتمنز به دیدگاهی اشاره می‌کند که لینوس توروالدز نیز بر آن تأکید داشته است: در پروژه‌های سازمانی مقیاس‌بزرگ، هیچ مهندس واحدی هرگز ۱۰۰٪ کد را درک نمی‌کرد. اکثر آن‌ها فقط زیرمجموعه خاص خود و ماژول‌های مجاور را می‌شناختند.

عامل‌ها اکنون راه جدیدی برای پیمایش در کدبیس‌های ناشناخته فراهم می‌کنند و به مهندسان اجازه می‌دهند با کارایی بیشتری بفهمند کجا باید تغییرات را اعمال کنند. این به معنای جایگزینی بازبینی انسانی نیست — گوگل همچنان به بازبینی کد توسط هر دو طرف (انسان و عامل) نیاز دارد — اما ماهیت بازبینی را تغییر می‌دهد. برای مثال، گاتمنز گردش کاری را توصیف می‌کند که در آن او یک ویژگی را کدنویسی کرد، یک عامل هزاران تست برای آن ساخت و عامل دوم آن تست‌ها را نقد کرد، که در نهایت نیازمند قضاوت انسانی او برای بهبود بود.

شکستن باغ‌های محصور SaaS

در حالی که صنعت به سمت قیمت‌گذاری مبتنی بر مصرف و APIهای محدود حرکت می‌کند، گاتمنز استدلال می‌کند که فشار مشتریان، فروشندگان SaaS را مجبور به پذیرش باز بودن می‌کند. «لیک‌هوس بدون مرز» برای کار با پلتفرم‌های بزرگی از جمله موارد زیر طراحی شده است:

• SAP
• Workday
• ServiceNow
• Salesforce

با فشار برای دسترسی بدون کپی (Zero-copy) و فرمت‌های باز، سازمان‌ها می‌توانند تضمین کنند که عامل‌هایشان بر روی تمام گستره داده‌های تجاری آن‌ها استدلال می‌کنند، بدون اینکه در اکوسیستم یک فروشنده واحد محبوس شوند.

برای توسعه‌دهنده مدرن، ارزش جابجا شده است. برای رقابتی ماندن، توسعه‌دهندگان باید شروع کنند به اینکه با ابزارهای AI خود نه به عنوان پلاگین‌های تکمیل‌کننده کد، بلکه به عنوان مهندسان جونیور برخورد کنند که نیازمند یک نقشه راه روشن و بازبینی سخت‌گیرانه هستند.

گام بعدی شما

• ابزارهای AI را به‌جای پلاگین‌های تکمیل‌کننده کد، به‌عنوان «مهندسان جونیور» ببینید که نیاز به نقشه راه دقیق و بازبینی سخت‌گیرانه دارند.
• تمرکز یادگیری خود را از حفظ کردن الگوریتم‌های قدیمی به سمت «ارکستراسیون سیستم‌های عامل‌محور» ببرید.
• روی مهارت‌های تحلیل ریسک و تعیین سطح دخالت انسان (Human-in-the-loop) در چرخه تولید نرم‌افزار سرمایه‌گذاری کنید.

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