تصور کنید مدیر محصول یا طراح سایت شما، به‌جای نوشتن تیکت و توصیف تغییرات، خودش مستقیماً کد را بنویسد و ارسال کند. این دیگر یک سناریوی تخیلی نیست، بلکه واقعیت جدیدی است که داده‌های ۱۸ اوت ۲۰۲۶ شرکت Linear آن را تایید می‌کند. طبق گزارش جامع این شرکت، خروجی هفتگی تیم‌های نرم‌افزاری پیشرو با استفاده از عامل‌های (Agents) — سیستم‌هایی که مثل دستیاران هوشمند، به‌جای صرفاً پیشنهاد دادن، خودشان مراحل کار را پیش می‌برند — سه برابر شده است. این یافته‌ها نشان‌دهنده یک تغییر بنیادین در نحوه ساخت محصولات است؛ جایی که مرز بین «مدیر» و «سازنده» به‌سرعت در حال ناپدید شدن است.
این تحول در حالی رخ می‌دهد که صنعت از رابط‌های ساده‌ی چت به سمت جریان‌های کاری عامل‌محور (Agentic) حرکت می‌کند. برای سال‌ها، معیار اصلی موفقیت AI میزان توکن‌های مصرفی یا تعداد خطوط کد تولید شده بود. اما Linear با بررسی کل چرخه — از اولین تیکت (Issue Ticket) تا آخرین درخواست ادغام (Pull Request یا PR) — نگاهی نادر و واقعی به رفتار سازمانی انداخته است، نه صرفاً بررسی استفاده‌های پراکنده از یک ابزار. این روند با داده‌های اخیر گیت‌هاب هم‌سو است که نشان می‌دهد ابزارهای کدنویسی AI فعالیت توسعه‌دهندگان را تا ۱۸۰٪ افزایش داده‌اند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، پذیرش ابزارهای جدید همیشه با چالش‌های ساختاری همراه است. در اینجا نیز می‌بینیم که AI دیگر فقط یک «ابزار توسعه‌دهنده» نیست، بلکه لایه‌ای عمومی برای هماهنگی محصول شده است.
به نقل از این گزارش، نرخ پذیرش AI در تمام سطوح سلسله‌مراتب شرکتی نفوذ کرده است. بین ژانویه و ژوئن ۲۰۲۶، سهم کاربرانی که از ویژگی‌های AI استفاده می‌کنند در تمام بخش‌ها بیش از دو برابر شد. مدیران محصول سریع‌ترین رشد را داشتند و نرخ پذیرش آن‌ها از ۱۲٪ به ۳۴٪ رسید. حتی نقش‌هایی که دورترین فاصله را با کد داشتند، مانند تیم‌های بازاریابی و فروش (Go-to-market)، فعالیت خود را از ۵٪ به ۱۸٪ افزایش دادند. این الگو در نمونه‌ای شامل ۱۲۷ هزار کاربر پولی که هم در ژانویه و هم در ژوئن ۲۰۲۶ فعال بودند، مشاهده شده است.
یک روند قابل توجه دیگر این است که اندازه شرکت — که معمولاً پیش‌بینی‌کننده قوی برای سرعت پذیرش تکنولوژی‌های جدید است — در اینجا تقریباً هیچ تأثیری نداشته است. پذیرش AI در همه جا، از استارتاپ‌های کوچک گرفته تا سازمان‌های بزرگ، تقریباً سه برابر شده است. این ثبات نشان‌دهنده یک کشش جهانی به سمت ابزارهای هوش مصنوعی است، فارغ از مقیاس سازمان. این داده‌ها بر اساس بررسی ۱۹۹ هزار کاربر پولی با اندازه شرکت مشخص استخراج شده است.
یکی از تکان‌دهنده‌ترین یافته‌ها مربوط به مدیران ارشد است. فعالیت AI در میان مدیران عامل (CEO) شرکت‌های با ۲۰۰ employee یا بیشتر، تنها در شش ماه از ۹٪ به ۳۶٪ رسید. این بزرگ‌ترین جهش در میان تمام دسته‌بندی‌های این گزارش است. این موضوع نشان می‌دهد که ارشدترین رهبران به‌جای تکیه بر گزارش‌های تئوریک، مستقیماً با ابزارها کار می‌کنند تا تکنولوژی را از طریق کاربرد عملی یاد بگیرند. آن‌ها دیگر فقط نظارت بر استراتژی AI ندارند، بلکه خودشان از این ابزارها استفاده می‌کنند. این داده‌ها مربوط به گروهی از ۱۳,۳۰۰ مدیر اجرایی است که در هر دو بازه زمانی ژانویه و ژوئن ۲۰۲۶ فعال بوده‌اند.
این موضوع باعث ایجاد پدیده‌ای به نام «تاری نقش سازنده» شده است. AI اکنون کارکنان غیرفنی را قادر می‌سازد تا مستقیماً در کدبیس مشارکت کنند. در یک بازه دو ساله، سهم مدیران محصولی که PR ارسال کرده‌اند از ۳٪ به ۱۰٪ و سهم طراحان از ۱٪ به ۸٪ رسیده است. افرادی که پیش‌تر زمان خود را صرف توصیف یک تغییر برای مهندس می‌کردند، اکنون خودشان آن تغییر را پیاده و ارسال (Ship) می‌کنند. این روند تایید می‌کند که نقش «مشارکت‌کننده انفرادی» (Individual Contributor یا IC) در حال گسترش است تا تقریباً همه افراد سازمان را در بر بگیرد. لازم به ذکر است که این ارقام به عنوان «کف» در نظر گرفته می‌شوند نه «سقف»، زیرا فقط PRهای مخازنی را می‌شمارند که به Linear متصل هستند.
حجم کدهای ارسالی اکنون به یک نقطه عطف رسیده است. مجموع PRها در هر فضای کاری از ژوئن ۲۰۲۴ تاکنون ۱۱۱٪ افزایش یافته است. خروجی در سال اول نسبتاً ثابت بود، اما در طول سال ۲۰۲۶ با افزایش همزمان کیفیت مدل‌ها و نرخ پذیرش، نمودار خروجی به شدت صعودی شد. این شتاب تقریباً به‌طور کامل مدیون پذیرش عامل‌های کدنویسی است:
- تیم‌های مجهز به عامل: خروجی هفتگی آن‌ها از ۲۱ به ۶۵ مورد رسید (سه برابر). جالب اینجاست که این تیم‌ها حتی پیش از ظهور عامل‌ها نیز خروجی بالاتری داشتند.
- تیم‌های سنتی: خروجی آن‌ها تقریباً ثابت ماند و از ۸ به ۱۰ مورد در هفته رسید.
این داده‌ها که از ۴۷,۹۰۰ فضای کاری پولی استخراج شده، نشان می‌دهد تقریباً تمام رشد حجم ارسال کد در سمت تیم‌های مجهز به عامل رخ داده است. گزارش به‌طور مشخص تعداد PRهای «باز شده» را می‌شمارد، نه لزوماً PRهای «ادغام شده».
علاوه بر کدنویسی، AI اکنون در حال نویسندگیِ خودِ کارهاست. دو سال پیش، کمتر از یک تیکت در هر هزار تیکت توسط AI ایجاد می‌شد، اما امروز تقریباً نیمی از تمام موارد ایجاد شده در Linear توسط هوش مصنوعی نوشته شده است. با سرعت فعلی، عامل‌های AI و ادغام‌های پروتکل زمینهٔ مدل (MCP) به‌زودی تیکت‌های بیشتری نسبت به مجموع انسان‌ها و ادغام‌های سنتی ایجاد خواهند کرد. این تغییر، سیستم ردیابی تیکت‌ها را از یک سوابق انسان‌محور به سیستمی تبدیل می‌کند که در آن AI بخش بزرگی از لیست وظایف را تعریف می‌کند. در این مسیر، برخی گزارش‌ها نشان می‌دهند که در تیم‌های پیشرو، حاکمیت داده‌ها در حال تبدیل شدن به اولویتی حیاتی‌تر از سرعت صرف کدنویسی است.
اما یک نکته عجیب وجود دارد: با وجود این حجم عظیم خروجی، تیم‌ها کمتر کار نمی‌کنند. زمان صرف شده برای ایجاد، اولویت‌بندی (Triage) و کامنت گذاشتن روی تیکت‌ها بین ژوئن ۲۰۲۵ و ژوئن ۲۰۲۶ در واقع افزایش یافته است. این همان «پارادوکس جِوونز» است؛ پدیده‌ای که در آن وقتی هزینه تولید یک منبع کاهش می‌یابد، مصرف کلی آن منبع افزایش می‌یابد.
- تیم‌های مهندسی: ۱۷٪ افزایش زمان صرف شده فقط برای ایجاد و اولویت‌بندی داشتند.
- مؤسسان: نوسانات بزرگ‌تری را تجربه کردند و ماهانه ۱۷ دقیقه زمان بیشتر برای ایجاد و ۲۶ دقیقه برای کامنت گذاشتن صرف کردند.
AI جایگزین کارهای قبلی نشده، بلکه به‌عنوان یک لایه جدید روی آن‌ها قرار گرفته است. چت با AI و تفویض کار به عامل‌ها، اکنون فعالیت‌های استاندارد هفتگی هستند که به حجم کل کاری اضافه شده‌اند، نه اینکه از آن کم کنند. این لایه جدید کاری در تمام بخش‌ها ظاهر شده است، اما تیم‌های محصول بیشترین فشار را حس می‌کنند.
با این حال، AI هنوز نحوه تصمیم‌گیری درباره «چه چیزی ساخته شود» را تغییر نداده است. زمان صرف شده برای درخواست‌های مشتریان، مستندات و برنامه‌ریزی پروژه در سال گذشته ثابت مانده است. در حالی که AI مرحله اجرا (چگونه) را به‌شدت شتاب بخشیده، مرحله برنامه‌ریزی استراتژیک (چه چیزی) همچنان یک فرآیند انسان‌محور است. این نشان می‌دهد تأثیر فعلی AI عملیاتی است و نه استراتژیک. همچنین باید توجه داشت که شیوه‌های برنامه‌ریزی بسیار متفاوت است و بسیاری از این کارها در گفتگوهای شفاهی رخ می‌دهند، پیش از آنکه هرگز وارد سیستم شوند.
در نهایت، Linear استدلال می‌کند که اندازه‌گیری «توکن» — تکه‌های کوچکی از متن که مدل مصرف می‌کند — دیگر معیاری قدیمی و متعلق به دوران ابتدایی AI است. یک بازنویسی مکانیکی کد (Refactor) ممکن است میلیون‌ها توکن مصرف کند اما هیچ ارزشی خلق نکند، در حالی که یک رفع باگ حیاتی ممکن است توکن‌های بسیار کمی مصرف کند. هزینه توکن و ارزش خلق شده با هم هم‌راستا نیستند.
با ردیابی PRها و چرخه حیات تیکت‌ها، این گزارش گفتگو را به سمت «حرکت ملموس» می‌برد. اگرچه تعداد بیشتر PRها به‌طور خودکار به معنای ارزش تجاری بیشتر نیست، اما همبستگی بین پذیرش عامل‌ها و شتاب تولید غیرقابل انکار است. این رویکرد تصویر دقیق‌تری نسبت به حجم توکن‌ها ارائه می‌دهد؛ معیاری که گزارش پیش‌بینی می‌کند به‌زودی به عنوان یک جایگزین (Proxy) منسوخ دیده شود.
ما وارد عصر «بیش-تولید» (Hyper-production) شده‌ایم. گلوگاه دیگر توانایی نوشتن کد نیست، بلکه توانایی هماهنگ کردن حجم عظیمی از تغییراتی است که عامل‌های AI اکنون می‌توانند تولید کنند. برای درک کامل این تأثیر، سازمان‌ها باید فراتر از معیار «زمان ذخیره شده» نگاه کنند و در عوض، کیفیت و پیامد تجاری این حجم افزایش یافته از خروجی را اندازه‌گیری کنند.
گام بعدی شما
- اگر مدیر هستید، به‌جای نظارت بر استراتژی AI، مستقیماً از ابزارهای عامل‌محور برای تغییرات کوچک در محصول استفاده کنید.
- معیارهای ارزیابی تیم خود را از «ساعت کاری» یا «تعداد خطوط کد» به «تعداد PRهای موفق و اثرگذاری تجاری» تغییر دهید.
- برای کاهش فشار لایه جدید کاری، روی اتوماسیونِ اولویت‌بندی (Triage) تیکت‌ها تمرکز کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو