تصور کنید هیچ خط کدی بلد نباشید، اما هر مشکلی در محیط کار را با یک نرم‌افزار اختصاصی حل کنید. این دقیقاً همان اتفاقی است که برای شخصی رخ داد که بدون دانش برنامه‌نویسی، ۲۲ ابزار کاربردی را در یک سال پیاده کرد. او در یک روایت مفصل که در ۱۸ جولای ۲۰۲۶ منتشر شد، توضیح می‌دهد که چگونه از هوش مصنوعی به عنوان شریک اصلی توسعه استفاده کرده است. نکته کلیدی این است که او برای این کار هیچ برنامه نرم‌افزاری رسمی یا نقشه راه فنی نداشت؛ بلکه فرآیند ساخت او به صورت تکرارشونده و بر اساس میل به حل چالش‌های فوری در محیط کار پیش می‌رفت.
زمینه و بستر خلق اثر
نویسنده اشاره می‌کند که این پروژه با یک هدف استراتژیک یا برنامه‌ریزی شده آغاز نشد. هیچ لحظه‌ای وجود نداشت که او بنشیند و تصمیم بگیرد: «من باید ابزارهایی برای دیگران بسازم». در واقع، این ابزارها از دل ناتوانی او در تماشای دشواری‌های همکارانش متولد شدند. این حس همدلی باعث ایجاد یک چرخه شد: شناسایی یک مشکل، ساخت یک راهکار برای رفع آن، و تکرار این روند تا زمانی که یک سال کامل گذشت.
این تغییر رویکرد نشان‌دهنده یک گذار گسترده‌تر در اقتصاد دیجیتال است. برای چندین دهه، «سواد کامپیوتر» به معنای تسلط بر مهارت‌های فنی خاص بود؛ مهارت‌هایی مانند فرمول‌های پیچیده اکسل یا فرمت‌بندی اسناد برای تضمین استخدام در یک شغل. اما امروز، همان‌طور که نویسنده در گزارش وب‌سایت dev.to اشاره می‌کند، آن دوران در حال رنگ باختن است. کامپیوتر در حال تبدیل شدن به یک کالای عادی (Commodity) است و مهارت واقعی، توانایی هدایت و پیمایش در مدل‌های هوش مصنوعی است که این ابزارها را می‌رانند. این پدیده با یافته‌های اخیر همسو است که نشان می‌دهد چرا کارکنان کم‌تجربه‌تر اغلب بهره‌وری بیشتری از ابزارهای AI می‌گیرند و چگونه سدهای مهارتی در حال فروپاشی هستند.
جزئیات ۲۲ ابزار ساخته شده
بعد از یک سال ساخت و ساز، نویسنده وقتی تمام ۲۲ ابزار را کنار هم قرار داد، متوجه نکته عجیبی شد: حتی یک مورد از این ابزارها برای استفاده شخصی او نبود. تمام این ابزارها رو به بیرون بودند تا به دیگران کمک کنند. برخی از نمونه‌های مشخص این ابزارهای کاربردی عبارت‌اند از:
- سیستم ردیابی بهداشت: ابزاری برای همکارانی که قبلاً مجبور بودند لحظات بهداشت دست‌ها را به صورت دستی شمارش کنند.
- ورودی داده‌های میدانی: ابزاری برای یکی از کارکنانی که پیش از این باید زیر آفتاب می‌ایستاد تا شماره پلاک خودروها را به صورت دستی روی کاغذ یادداشت کند.
- رسانه‌های دسترسی‌پذیر: یک ابزار ساده شده برای ویرایش ویدیو، مخصوص کارمندی مسن که نرم‌افزارهای حرفه‌ای و سنتی را برای استفاده غیرممکن می‌دید.
- مراقبت از بیمار: چندین ابزار تخصصی که دقیقاً برای بیماران طراحی شده بودند تا تجربه آن‌ها از خدمات درمانی را بهبود ببخشند.
این رویکرد ساخت ابزارهای کاربردی با AI، مشابه تجربه‌ای است که دومینیک برای مدیریت داده‌های مالی خود از ترکیب استنتاج قطعی و هوش مصنوعی استفاده کرد تا ابزاری دقیق و کاربردی خلق کند.
مکانیزم «برش کوچک» (The Sliver)
راز این بهره‌وری نه در یادگیری کدنویسی، بلکه در تسلط بر «هنر پرسش» بود. نویسنده توضیح می‌دهد که هوش مصنوعی حجم عظیمی از دانش را در اختیار دارد — تقریباً در هر زمینه‌ای — و همه این‌ها را به طور همزمان در خود جای داده است. اما کاربر در هر لحظه تنها به یک «برش کوچک» (Sliver) از آن دانش نیاز دارد.
مهارت واقعی در اینجا دانستن حقایق نیست، بلکه بیرون کشیدن آن تکه خاص و مورد نیاز از آن توده عظیم اطلاعات است. نویسنده شرح می‌دهد که چگونه نحوه «پرسش» (Ask)، خروجی را شکل می‌دهد: اگر به یک روش بپرسید، هوش مصنوعی تبدیل به یک ریاضیدان می‌شود؛ اگر به روشی دیگر بپرسید، تبدیل به یک دانشمند یا نویسنده می‌گردد. برای این نویسنده، هوش مصنوعی دقیقاً در نقش یک توسعه‌دهنده (Developer) قرار گرفت.
این رویکرد به یک فرد غیربرنامه‌نویس اجازه داد تا یک مدل AI را به عنوان یک توسعه‌دهنده اختصاصی به خدمت بگیرد، ویژگی‌های خاص را درخواست کند و کدهای بازگردانده شده را پیاده‌سازی نماید. البته این مدل توسعه سریع، چالش‌های خاص خود را دارد؛ چنان‌که پروژه Loupe بر شناسایی باگ‌های خاموشی تمرکز دارد که ممکن است در کدهای تولید شده توسط AI، علیرغم عبور از تست‌های اولیه، پنهان مانده باشند.
این فرآیند حتی فراتر از نرم‌افزار رفت؛ نویسنده از هوش مصنوعی به عنوان شریک نوشتاری استفاده کرد تا داستان خود را ترجمه کرده و آن را برای مخاطبان انگلیسی‌زبان شکل دهد، چرا که او انگلیسی‌زبان نیست و این زبان مادری‌اش نیست.
سازگاری با موج تغییر
این تحول نشان می‌دهد که سد ورود به دنیای خلق نرم‌افزار فرو ریخته است. نویسنده پیشرفت خود را به گذاشتن پاها در آب جاری تشبیه می‌کند و می‌گوید باید آن‌قدر سخت قدم برداشت تا جریان آب شما را با خود نبرد. او تأکید می‌کند که اگرچه لازم نیست همه در رأس این موج باشند، اما باید از ایستادگی و بی‌تحرکی خودداری کنند.
کسانی که با هوش مصنوعی «بازی» می‌کنند و به تدریج درخواست‌های سخت‌تری می‌برند، در حال کسب نوع جدیدی از «عاملیت فنی» (Technical Agency) هستند. این مزیت دیگر منحصر به کسانی نیست که مدرک علوم کامپیوتر دارند، بلکه متعلق به هر کسی است که در تجربه کردن و آزمایشگری پافشاری کند.
برای یک کارمند عادی، این بدان معناست که مزیت رقابتی از «دانستن پاسخ» به «دانستن نحوه پرسیدن سوال» تغییر یافته است. «مهارت» دیگر خودِ کد نیست، بلکه توانایی سازماندهی و ارکستراسیون هوش مصنوعی برای تولید آن کد است.
برای شروع این گذار، نویسنده توصیه می‌کند که از مطالعات آکادمیک درباره AI دوری کنید و به جای آن به «بازی ساده» روی آورید. با پرسیدن «این» و «آن»، کاربران به این احساس می‌رسند که «اوه، پس این کار را هم بلد است!». از این نقطه به بعد، آن‌ها شروع به درخواست چیزهای سخت‌تر می‌کنند، بدون اینکه حتی متوجه شیب دشواری مسیر شوند.
امروز افرادی که با کوهی از کاغذبازی یا همکارانی درمانده روبرو هستند، ابزاری برای ساخت گذرگاه‌های میان‌بر برای آن مشکلات دارند. گام بعدی این است که یک نقطه اصطکاک کوچک و تکراری در گردش کار خود شناسایی کنید و با هوش مصنوعی به عنوان یک برنامه‌نویس جونیور برخورد کنید که وظیفه دارد آن مشکل را حل کند.
گام بعدی شما
- یک نقطه اصطکاک کوچک و تکراری در گردش کار روزانه خود (مثلاً یک گزارش هفتگی خسته‌کننده) را شناسایی کنید.
- یک مدل زبانی را به عنوان «برنامه‌نویس جونیور» فرض کنید و از او بخواهید برای این مشکل یک ابزار ساده یا اسکریپت بسازد.
- به جای یادگیری سینتکس زبان‌های برنامه‌نویسی، روی توصیف دقیق «نتیجه مطلوب» تمرکز کنید.
این تنها آغاز ماجراست؛ اثر موج‌گونه‌ی این تغییر در تعریف «برنامه‌نویس» بر بازار استخدام‌های ۲۰۲۷ را در گزارش بعدی بررسی خواهیم کرد.
گفتگو