اگر طراح هستید و ساعت‌ها وقت صرف صیقل دادن اجزای Figma می‌کنید تا در نهایت مهندسان درباره امکان‌پذیری آن‌ها سؤال کنند یا بگویند «این قابلیت پیاده‌سازی نمی‌شود»، تمام گردش کار شما در حال تغییر است. ادوین (Edwin)، طراح میز آپشن‌ها در شرکت جین استریت (Jane Street)، ابزارهای طراحی سنتی خود را به‌طور مؤثر با کلود (Claude) جایگزین کرده تا به‌جای ساخت ماک‌آپ‌های ایستا، نمونه‌های نرم‌افزاری فعال و کاربردی بسازد.
این تغییر در زمانی رخ می‌دهد که کل صنعت در حال بحث درباره نقش «طراحی به کمک هوش مصنوعی» است. برای سال‌ها، خط لوله استاندارد شامل تلاش زیاد روی مستندات مشخصات (spec documents)، رسم وای‌فریم‌ها در Figma و سپس مذاکره با توسعه‌دهندگان برای اجرای آن‌ها بود. این فرآیند اغلب باعث ایجاد شکافی بین تجربه کاربری ایده‌آل (که طراح مد نظر داشت) و محصول نهایی می‌شد.
به نقل از پست وبلاگی جین استریت، ادوین متوجه شد که مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیارد‌ها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — زمانی شکست می‌خورند که او بخواهد کارهایی را انجام دهد که خودش در آن‌ها مهارت دارد. او در گذشته سعی کرد از Copilot و Cursor برای تغییر دادن یک بازی که خودش ساخته بود استفاده کند، اما هیچ‌کدام از این ابزارها نتوانستند تغییرات کاربردی و درست ایجاد کنند. حتی در شغل قبلی‌اش، او از Gemini برای تولید وای‌فریم‌ها و توصیف‌های محصول (product briefs) استفاده کرد، اما در نهایت همه آن‌ها را دور ریخت. او به این نتیجه رسید که وقتی از LLMها برای کارهایی استفاده می‌کند که خودش در آن‌ها خبره است، عملکرد آن‌ها بدتر از خود اوست.
اما پس از پیوستن به این شرکت در تابستان ۲۰۲۴ و مواجهه با منحنی یادگیری تند زبان‌هایی مثل اوکامِل (OCaml) و بونسای (Bonsai)، او کشف کرد که هوش مصنوعی زمانی حیاتی و ضروری است که «شکاف مهارتی» را پر کند. چون بخش بزرگی از محیط فنی برای او کاملاً جدید بود، AI به یک سیستم پشتیبانی کلیدی تبدیل شد تا او را از سطح دانش فعلی‌اش به سطح مورد نیاز پروژه برساند.
چرخه جدید نمونه‌سازی
فرآیند فعلی ادوین مرحله تحویل طراحی به توسعه‌دهنده (design-to-dev handoff) را به‌طور کامل حذف کرده است. او دیگر زمانی را صرف نوشتن پروپوزال‌های متنی یا فرمت‌بندی مستندات نمی‌کند. به‌جای آن، این چرخه تکرارشونده و خاص را دنبال می‌کند:
- نوشتن توصیفی دقیق از مشکل و راهکار پیشنهادی.
- باز کردن ویرایشگر، شروع یک Build و اجرای سرور، و سپس باز کردن کلود.
- استفاده از توصیف نوشته‌شده به‌عنوان پرامپت (دستور) برای هوش مصنوعی.
- راه‌اندازی عملکردهای پایه برای اثبات این موضوع به خودش که ایده از نظر فنی امکان‌پذیر است.
- تکرار و اصلاح روی کد زنده به هر تعداد دفعاتی که نیاز باشد.
- ارسال تغییرات به محیط توسعه و درخواست بازخورد از کاربران واقعی.
- ارسال یک «ویژگی» (Feature) — که نسخه جین استریت برای Pull Request است — که دقیقاً همان‌طور که قصد داشت، رفتار می‌کند.
یک مثال عینی از این رویکرد، پروژه اخیر او برای افزودن قابلیت پرامپت‌نویسی به JSQL است؛ یک گویش داخلی از SQL که در جین استریت برای ابزارهای مختلف کاربردی استفاده می‌شود. ادوین به‌جای رسم یک دکمه در Figma، از Claude استفاده کرد تا دکمه Submit واقعی را اصلاح کند، میان‌برهای کیبورد اضافه کند، متن‌ها (copy) را تغییر دهد، پرامپت را تنظیم کند و پیام‌های تأیید تولید شده را به‌صورت لحظه‌ای اضافه کند.
او روزها با این نمونه اولیه زندگی کرد و آن را تست کرد. Claude تکرارهای نامحدود و رایگانی را فراهم کرد و حتی وقتی ادوین برای پنجاهمین بار نظرش تغییر کرد یا یک تغییر کوچک درخواست کرد، خسته‌نشده و بدون اعتراض ادامه داد. طبق گزارش جین استریت، این بهبودهای گردش کار در شغل قبلی او هفته‌ها زمان می‌برد (به دلیل رفت‌وبرگشت‌های مهندسی بین طراح و برنامه نویس) یا احتمالاً هرگز اتفاق نمی‌افتاد چون هزینه زمانی‌اش برای مهندسان زیاد بود.
مقیاس‌پذیری برای ویژگی‌های پیچیده
او در ابتدا، یعنی زمانی که تابستان گذشته به شرکت پیوست، فقط برای اصلاحات کوچک UX یا همان «خراش‌های کوچک» (UX papercuts) از AI استفاده می‌کرد. اما در دو ماه اخیر تغییر چشم‌گیری رخ داده است. او دریافت که برای ایده‌های بزرگ، Claude در ابتدا شکست می‌خورد و او مجبور بود به Figma و مستندات برگردد. اما با ترکیب مدل‌های پیشرفته‌تر، مهارت بیشتر خود او در کار با ابزار و تعریف دقیق محدوده پروژه (scoping)، حالا AI برای «کارهای بزرگ» هم جواب می‌دهد.
خروجی‌های فعلی او شامل موارد زیر است:
- نیم‌دوجین نمونه اولیه شامل تغییرات در رابط کاربری (User-facing)، مدل داده و تغییرات در کتابخانه‌ها.
- پیاده‌سازی‌های پیچیده‌ای که منجر به تغییر بیش از ۲ هزار خط کد (diffs) شده است.
- نمونه‌های تعاملی برای اپلیکیشن‌های کاملاً جدیدی که ابتدا در Figma طراحی شده بودند.
- اپلیکیشن‌های جدیدی که او Figma را کاملاً حذف کرده و طراحی بصری را از همان ابتدا داخل Claude پیش می‌برد و تکرار می‌کند.
این توانایی به طراحان اجازه می‌دهد بدون نیاز به متقاعد کردن مهندسان برای صرف وقت روی یک ایده که احتمالاً غیرممکن یا غیربه‌صرفه است، «اثبات مفهوم» (Proof of Concept) بسازند. در مورد قابلیت پرامپت‌نویسی در JSQL، امکان‌سنجی در ابتدا مشخص نبود؛ ادوین با واقعی کردن ایده و تبدیل آن به کد، ارزیابی آن را برای دیگران ساده کرد تا آن‌ها صرفاً با استفاده از محصول، ایده را بسنجند.
توازن در همکاری
با این حال، این کارایی تنشی در فرآیند بازبینی (Review) ایجاد می‌کند. وقتی یک بازبین با ویژگی «کاملاً پخته‌شده» (fully baked) مواجه می‌شود، ممکن است احساس کند هیچ نقشی در تعیین عملکرد و منطق آن ندارد. این موضوع نقش آن‌ها را به یک بازبین کد (Code Reviewer) تقلیل می‌دهد؛ چیزی که ادوین آن را شبیه به این می‌داند که یک طراح، وای‌فریم دقیقی از مدیر محصول بگیرد و فقط از او بخواهند «ظاهرش را زیبا کند» بدون اینکه در ساختار اثر داشته باشد.
برای حل این مشکل، جین استریت با این نمونه‌ها به‌عنوان «مستندات پیشنهادی زنده» برخورد می‌کند. تیم مدل ذهنی خاصی را برای این تسلیم‌ها پذیرفته است:
- کد نوشته شده «یک‌بار مصرف» (disposable) تلقی می‌شود و قرار نیست حتماً به تولید برود.
- وظیفه اصلی بازبین، ارائه بازخورد درباره طراحی و تجربه کاربری است، نه فقط بررسی سینتکس کد.
- نمونه اولیه تنها به‌عنوان مرجعی برای پیاده‌سازی نهایی عمل می‌کند.
- در نهایت، بازبین‌ها ایده را می‌پذیرند و آن را به‌عنوان یک ویژگی مجزا در کد تولیدی (production code) پیاده می‌کنند و مالکیت کد نهایی را بر عهده می‌گیرند.
ریسک خلاقیت
یک نگرانی روان‌شناختی درباره «تله تکرار» (iterative trap) نیز وجود دارد. ادوین می‌ترسد که طراحی با Claude او را در حلقه‌ای از بهبودهای تدریجی و کوچک نگه دارد و باعث شود ایده‌های رادیکال، جسورانه و غیرخطی را که AI نمی‌تواند پیشنهاد دهد، نادیده بگیرد. این موضوع برای ابزارهای تکامل‌یافته و بالغ پذیرفتنی است، اما در خلق چیزی کاملاً جدید می‌تواند یک نقطه ضعف یا ریسک جدی باشد.
این بحث یادآور مناقشات سال ۲۰۱۱ درباره ضرورت یادگیری کدنویسی توسط طراحان است. منتقدان آن زمان می‌گفتند محدودیت‌های برنامه‌نویسی خلاقیت را می‌کشد و باعث می‌شود طراحان کمتر احتمال داشته باشند تغییرات بزرگ و ساختاری در یک ایده ایجاد کنند. ادوین با این نظر مخالف بود و حتی وقتی در کارهای حرفه‌ای‌اش روی Figma و مستندات تمرکز داشت، پروژه‌های شخصی خود را با React می‌ساخت تا دستش باز باشد.
او باور دارد اگر پیش از ظهور LLMها به جین استریت پیوسته بود، بیشتر در Figma غرق می‌شد چون زبان OCaml و Bonsai برایش از نظر فنی دست‌نیافتنی و دشوار به نظر می‌رسید. اما اکنون او دوباره در حال ساخت «چیزهای واقعی» است و احساس می‌کند برای آزمایش مستقیم در محیط محصول نهایی، آزادتر از هر زمان دیگری است.
گام بعدی شما
- اگر طراح هستید، سعی کنید برای ایده‌های کوچک به‌جای رسم، یک نمونه کد ساده با Claude بسازید تا سرعت تست را بسنجید.
- برای تیم‌های توسعه، مدل «کد یک‌بار مصرف» را برای نمونه‌های اولیه تعریف کنید تا مهندسان از تغییرات گسترده نترسند.
- در کنار AI، تمرین‌های ایده‌پردازی غیرخطی (مانند نقشه‌برداری ذهنی روی کاغذ) را حفظ کنید تا در تله بهبودهای تدریجی نیفتید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو