گرایندر: جایگزینی ۲۰۰ مهندس با ابزارهای کدنویسی هوش مصنوعی

تصور کنید شرکتی در حال رشد است که برای پاسخ به تقاضای کاربران، پیش از این باید تعداد برنامه‌نویسان خود را از ۱۰۰ به ۳۰۰ نفر می‌رساند، اما ناگهان متوجه می‌شود که با همان تیم کوچک، سرعت تولید محصولش ۲.۵ برابر شده است. این دقیقاً همان اتفاقی است که اکنون در گرایندر (Grindr) رخ داده و تعریف ما از «مقیاس‌پذیری» در دنیای نرم‌افزار را تغییر می‌دهد. جورج آریسون (George Arison)، مدیرعامل این شرکت، تخمین می‌زند که دستیابی به این سرعت فنی پیش از ظهور هوش مصنوعی مولد، مستلزم استخدام حدود ۲۰۰ مهندس اضافی می‌بود.

این تحول در حالی رخ می‌دهد که صنعت فناوری درگیر بحث‌های داغی است که آیا هوش مصنوعی باعث اخراج‌های دسته‌جمعی می‌شود یا صرفاً نقش انسان را تقویت می‌کند. در حالی که بیشتر بحث‌ها بر روی افرادی متمرکز است که شغل فعلی خود را از دست می‌دهند، مورد گرایندر به یک روند متفاوت و شاید خطرناک‌تر اشاره دارد: حذف فرصت‌های شغلی آینده.

به جای اخراج کارکنان فعلی، شرکت‌ها دیگر نیازی به ایجاد پست‌های شغلی جدید ندارند. تصور کنید شرکتی که قبلاً برای رشد، تعداد توسعه‌دهندگانش را سه برابر می‌کرد، اکنون می‌تواند با تیمی بسیار کوچک‌تر، محصولات را با همان سرعت عرضه کند. این یک «جایگزینی پنهان» ایجاد می‌کند؛ جایی که نقش‌های شغلی اصلاً خلق نمی‌شوند. اگر این الگو در کل صنعت پخش شود، هوش مصنوعی بدون نیاز به موج‌های بزرگ و نمایشی از اخراج‌ها، تأثیر عمیقی بر نرخ اشتغال در حوزه فناوری خواهد داشت؛ چرا که شرکت‌ها هنگام رشد، صرفاً کمتر استخدام می‌کنند. این نگرانی‌ها با هشدار ۱۶ برنده جایزه نوبل درباره ریسک جایگزینی گسترده مشاغل در دهه آینده هم‌سو است.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن و بهینه‌سازی هزینه‌های استنتاج اشاره کردیم، بهره‌وری در لبه‌ی تکنولوژی اکنون بیش از هر زمان دیگری به ابزارهای خودکار وابسته است.

ریاضیات بهره‌وری

طبق گزارشی از ai-updates.net که در ۸ اوت ۲۰۲۶ منتشر شد، خروجی مهندسی گرایندر بین ژوئیه ۲۰۲۵ و آوریل ۲۰۲۶ حدود ۲.۵ برابر افزایش یافته است. جورج آریسون در تماس تلفنی مربوط به گزارش سود سه ماهه دوم اشاره کرد که اندازه‌گیری‌های داخلی در واقع افزایش ۳.۵ برابری را نشان می‌دهند، هرچند شرکت برای اینکه ادعاهایش باورپذیر باقی بماند، از عدد محافظه‌کارانه‌تر (۲.۵ برابر) استفاده کرده است.

انگیزه اقتصادی این گذار بسیار شفاف و تکان‌دهنده است:

• هزینه تخمینی نیروی انسانی: ۶۰ میلیون دلار در سال برای استخدام ۲۰۰ مهندس اضافی.
• هزینه زیرساخت هوش مصنوعی: حدود ۶ میلیون دلار در سال برای خرید توکن (Token) — شبیه برش‌های کوچک متن که مدل تکه‌تکه می‌خورد.

اگرچه این دو عدد مستقیماً قابل مقایسه نیستند — زیرا زیرساخت هوش مصنوعی باعث حذف لیست حقوق‌های فعلی نمی‌شود و عدد ۲۰۰ مهندس تنها یک تخمین است — اما منطق اقتصادی آن بدیهی است. آریسون اشاره کرده است که گرایندر کمتر نگران به حداقل رساندن هزینه‌های استفاده از هوش مصنوعی است و بیشتر بر این تمرکز دارد که مطمئن شود شرکت بازدهی کافی از این هزینه‌ها دریافت می‌کند. این نشان‌دهنده یک ذهنیت شرکتی جدید است: تشویق به استفاده تهاجمی از مدل‌های گران‌قیمت هوش مصنوعی، زمانی که بهره‌وری حاصل از آن، هزینه‌های استنتاج (Inference) — یعنی همان لحظه‌ای که مدل واقعاً جواب تولید می‌کند و شبیه به خودِ آشپزی است، نه دوره آموزش آشپز — را به شدت پشت سر بگذارد.

گردش کار AI-Native

گرایندر از اواسط سال ۲۰۲۵ هوش مصنوعی را در هسته فرآیند توسعه خود جای داده و اکنون خود را یک شرکت «AI-native» می‌نامد. این شرکت اعلام کرده است که هوش مصنوعی در مرکز هر دو بخش «نحوه ساخت محصولات» و «خودِ محصولات» قرار دارد.

در یک نظرسنجی داخلی در ژانویه ۲۰۲۶ که از ۵۰ مهندس (از مجموع ۶۵ نفر) به عمل آمد، نتایج نشان‌دهنده وابستگی عمیق به ابزارهای عامل‌محور (Agentic) بود:

• ابزارهای مورد استفاده: مهندسان به‌طور گسترده از Claude Code، Cursor و Firebender استفاده می‌کنند.
• افزایش بهره‌وری: ۹۲٪ پاسخ‌دهندگان افزایش بهره‌وری حداقل ۱.۵ برابری و ۵۸٪ افزایش ۲ تا ۳ برابری را گزارش کردند.
• استفاده از عامل‌ها: ۹۴٪ مهندسان در هر جلسه کاری، بین یک تا پنج عامل (Agent) — برنامه‌هایی که می‌توانند به‌طور مستقل هدف را دنبال کنند — را به‌طور موازی اجرا می‌کنند.

در حال حاضر، نیروی کار گرایندر که حدود ۲۰۰ نفر است، سرویسی را مدیریت می‌کند که در بیش از ۱۹۰ کشور فعال است. این امر به این معناست که ابزارهای کدنویسی هوش مصنوعی دیگر دستیارهای اختیاری برای توسعه‌دهندگان فردی نیستند، بلکه به بخشی بنیادی از مدل عملیاتی شرکت تبدیل شده‌اند.

هشدار درباره «حجم کد»

با این حال، یک تمایز حیاتی در نحوه اندازه‌گیری این دستاوردها وجود دارد. گرایندر «حجم کد ارسال‌شده» را به عنوان شاخص اصلی خروجی خود در نظر می‌گیرد. این معیار در میان معماران نرم‌افزار بسیار بحث‌برانگیز است.

کد بیشتر همیشه به معنای نرم‌افزار بهتر نیست. مهندسی باکیفیت اغلب شامل حذف کدهای غیرضروری برای کاهش پیچیدگی است. یک مهندس بسیار ماهر گاهی می‌تواند با حذف هزاران خط کد، سیستمی را بهبود ببخشد، در حالی که نرم‌افزارهای با طراحی ضعیف می‌توانند پایگاه‌های کد عظیمی تولید کنند که نگهداری آن‌ها بسیار هزینه‌بر است.

علاوه بر این، کدهای تولیدشده توسط هوش مصنوعی می‌توانند ریسک‌های خاصی را معرفی کنند:

• بدهی فنی (Technical Debt): کدهایی که با سرعت تولید می‌شوند، ممکن است فاقد پایداری بلندمدت باشند.
• امنیت: هوش مصنوعی می‌تواند آسیب‌پذیری‌های امنیتی را وارد بدنه کد کند.
• پیچیدگی: باگ‌های معماری ممکن است مدت‌ها پس از ارسال کد ظاهر شوند.

به دلیل این عوامل، ادعای گرایندر را نباید به عنوان یک اثبات علمی برای این موضوع تفسیر کرد که یک سیستم هوش مصنوعی لزوماً کار کامل ۲۰۰ مهندس نرم‌افزار انسان را انجام می‌دهد. با این حال، این موضوع ثابت می‌کند که مدیریت باور دارد هوش مصنوعی به آن‌ها اجازه می‌دهد به سطحی از خروجی دست یابند که پیش از این نیازمند سازمانی به مراتب بزرگ‌تر بود.

تغییر در اهرم مهندسی

این گذار، اقتصاد بنیادی توسعه نرم‌افزار را تغییر می‌دهد. برای سال‌ها، صنعت بر این فرض بود که محصولات جاه‌طلبانه‌تر به تیم‌های بزرگ‌تر نیاز دارند. هوش مصنوعی اکنون این رابطه خطی را می‌شکند.

ما به سمتی می‌رویم که ارزشمندترین شرکت‌ها، لزوماً آن‌هایی نیستند که بیشترین تعداد کارکنان را دارند. در عوض، آن‌ها توسط گروه‌های کوچکی از مهندسان نخبه اداره خواهند شد که به عنوان «ارکستراتور» یا هماهنگ‌کننده برای حجم عظیمی از کارهای تولیدشده توسط ماشین عمل می‌کنند. اگر یک مهندس مجهز به چندین عامل هوش مصنوعی بتواند کاری را انجام دهد که قبلاً به دو یا سه نفر نیاز داشت، مزیت رقابتی از «مقیاس» به «اهرم» تغییر می‌کند.

آریسون استدلال می‌کند که این وضعیت به قوی‌ترین توسعه‌دهندگان او اجازه می‌دهد تا بر خلاقیت انسانی، قضاوت و معماری سطح بالا تمرکز کنند. این دیدگاه خوش‌بینانه است: ماشین‌ها پیاده‌سازی‌های روتین را بر عهده می‌گیرند و انسان‌ها به سمت تصمیمات محصول و خلاقیت حرکت می‌کنند. این رویکرد با دیدگاه سام آلتمن که معتقد است هوش مصنوعی در مجموع باعث ایجاد شغل‌های جدید می‌شود هم‌راستا است.

تفسیر کمتر خوشایند این است که شرکت‌ها در نهایت متوجه می‌شوند که به سادگی به مهندسان بسیار کمتری نیاز دارند. برای توسعه‌دهندگان نرم‌افزار، بزرگ‌ترین تهدید هوش مصنوعی ممکن است این نباشد که صبحی بیدار شوند و بفهمند الگوریتمی شغل فعلی‌شان را گرفته است؛ بلکه این باشد که بفهمند ۲۰۰ فرصت شغلی بعدی، اصلاً آگهی نشدند.

به نحوه گزارش «کارایی نیروی انسانی» در تماس‌های سود شرکت‌های فناوری متوسط در آینده توجه کنید. داستان واقعی، اخراج‌هایی نیست که امروز می‌بینیم، بلکه آگهی‌های استخدامی است که فردا هرگز ظاهر نخواهند شد.

گام بعدی شما

• اگر مدیر فنی هستید، معیار «حجم کد» را با «تعداد ویژگی‌های تحویل‌شده» جایگزین کنید تا اثر واقعی AI را بسنجید.
• ابزارهای Agentic مانند Cursor را در گردش کار خود تست کنید تا بفهمید کجا می‌توانید نقش ارکستراتور را ایفا کنید.
• روی مهارت‌های معماری سیستم و تفکر استراتژیک تمرکز کنید، زیرا کدنویسی ساده‌ترین بخش زنجیره است و سریع‌تر از همه خودکار می‌شود.

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