چرا تخصص در حوزه‌های خاص دیگر نجات‌دهنده مهندسان ارشد نیست؟

اگر ده سال از عمر خود را صرف تسلط بر یک حوزه فنی خاص کرده‌اید، احتمالاً مزیت رقابتی شما اکنون به یک «پرامپت» ساده تبدیل شده است. یک مهندس نرم‌افزار ارشد با ۱۰ سال تجربه حرفه‌ای گزارش می‌دهد که دانش تخصصی، که زمانی برای متمایز کردن متخصصان از دیگران به کار می‌رفت، اکنون توسط گردش‌های کاری مبتنی بر عامل‌های هوش مصنوعی (Agentic AI) بازتولید می‌شود.

این تغییر در حالی رخ می‌دهد که صنعت از رابط‌های ساده‌ی چت به سمت عامل‌های خودمختار حرکت می‌کند. برای سال‌ها، این اجماع وجود داشت که در حالی که هوش مصنوعی می‌تواند کدهای تکراری (Boilerplate) را بنویسد، انسان‌ها برای طراحی‌های سطح بالا و عیب‌یابی‌های پیچیده ضروری هستند. اما این فرض با ادغام مستقیم مدل‌ها در داده‌های عملیاتی (Telemetry) و زمینه‌ی کدهای پروژه (Codebase Contexts) در حال فروپاشی است.

فرسایش تخصص در دامنه (Domain Expertise)

نویسنده مسیر شغلی خود را با مهندسی فرانت‌اند وب آغاز کرد؛ او این مسیر را انتخاب کرد چون در آن زمان عیب‌یابی در این بخش ساده‌تر بود. او به‌سرعت به توسعه‌ی بک‌اند تغییر مسیر داد و دیگر هرگز به عقب نگاه نکرد. از طریق یک سری اتفاقات، او در نقش‌های توسعه نرم‌افزار در حوزه‌های مالی، دفترداری (Bookkeeping) و پردازش پرداخت مشغول به کار شد. در این نقش‌ها، او رابطه‌ای نزدیک و صریح با مدیران محصول و ذینفعان داشت و استقلال کاری قابل توجهی به دست آورد.

این مسیر حرفه‌ای منجر به تسلط عمیق او بر مکانیزم‌های حیاتی صنعت شد، از جمله:

• انطباق با استانداردهای PCI
• دفاتر کل دوطرفه (Double-entry ledgers)
• حساب‌های امانی (Escrows)
• تطبیق حساب‌ها (Reconciliation)
• چرخه‌های حیات پرداخت
• یکتایی (Idempotency) در انتقال‌های بانکی

برای نویسنده، تبدیل شدن به یک متخصص در این دامنه، استراتژی اصلی او برای متمایز شدن به عنوان یک متخصص در میدانی بود که نیاز به متخصصان دامنه در آن رو به افزایش بود. با این حال، این ستون اول تخصص پس از پیوستن به شرکتی که با تمام وجود هوش مصنوعی را پذیرفته بود، شروع به فرسایش کرد. از روز اول، حساب‌های ChatGPT و Claude Enterprise در اختیار او قرار گرفت و تشویق شد تا از آن‌ها برای تحقیق، اکتشاف و کدنویسی استفاده کند، به شرطی که هر خط از کدی که وارد محیط تولید (Production) می‌شود را بررسی کرده و مسئولیت آن را بپذیرد.

یکی از اولین پروژه‌های او بازسازی یک سیستم پرداخت آنلاین قدیمی و نامنظم بود. شرکت او را دقیقاً به دلیل تجربه قبلی در ساخت چنین سیستم‌هایی استخدام کرده بود و این وظیفه را به او سپرد. شرکت به جای بررسی‌های فنی عمیق، نیازمند «اسناد طراحی» (Design Docs) بود که به عنوان نماهای معماری، هم برای مهندسان و هم برای مدیران محصول قابل خواندن باشد.

در ابتدا، نویسنده به مدل‌های زبانی بزرگ (LLMs) به چشم «طوطی‌های احتمالی» (Stochastic Parrots) نگاه می‌کرد و اولین سند را با کمترین کمک هوش مصنوعی نوشت.

با این حال، مدیر او فشار آورد تا از هوش مصنوعی بیشتر برای افزایش سرعت تحویل این اسناد استفاده کند، با این استدلال که اگرچه سرعت کدنویسی خوب است، اما اسناد طراحی بیش از حد زمان می‌برند. نویسنده کشف کرد که مدل‌ها می‌توانند نقاط پراکنده را برای ساختاردهی به سیستم‌های پیچیده متصل کنند؛ سخت‌ترین بخش کاری که معمولاً سال‌ها تجربه عملی برای توسعه آن لازم است. تمام دانش انباشته شده در مورد سبک-سنگین کردن پیاده‌سازی‌ها (Trade-offs)، نحوه عملکرد فرآیندهای اکتساب و جلوگیری از پرداخت‌های تکراری، اکنون به داده‌های آموزشی قابل تبدیل به پرامپت تبدیل شده بود.

سقوط ستون عیب‌یابی (Debugging)

وقتی دانش معماری شروع به کمرنگ شدن کرد، نویسنده باور داشت که عیب‌یابی شرایط مسابقه‌ای (Race Conditions) و سیستم‌های توزیع‌شده در محیط عملیاتی، «بلیت او برای استخدام بلندمدت» خواهد بود. این ستون دوم در نیمه دوم سال ۲۰۲۵، همزمان با موج تبلیغاتی Claude Code و ظهور Codex، شروع به فرسایش کرد.

در حالی که نویسنده برای مدتی هر روز از LLMها برای نوشتن تست‌های واحد (Unit Tests) استفاده می‌کرد، در ابتدا در برابر اعتماد به هوش مصنوعی برای پیاده‌سازی‌های کامل مقاومت می‌کرد. اما با تکامل عامل‌ها، ماهیت کار تغییر کرد. نویسنده اعتراف کرد که فرآیند ارسال کد به تولید و دیدن کاربران خوشحال را به اندازه کدنویسی دوست دارد، بنابراین این معامله با هوش مصنوعی در ابتدا منصفانه به نظر می‌رسید.

نقطه عطف با انتشار Claude 4.5 و معرفی گردش‌های کاری عامل‌محور از طریق پروتکل زمینه مدل (MCP) فرا رسید. اگرچه Claude 4.5 کامل نبود — و تقریباً ۶۰٪ باگ‌ها را با داشتن ردپای خطا (Stack Trace) و زمینه حل می‌کرد — اما پایان تردیدهای نویسنده بود. او شاهد بود باگ‌هایی که پیش‌تر یک روز کامل عیب‌یابی تمام‌وقت می‌طلبید، توسط Claude Code در یک تلاش (One-shot) حل می‌شوند.

مکانیزم‌های فنی عیب‌یابی AI

نویسنده افزایش سریع قابلیت‌های هوش مصنوعی را از طریق ادغام ابزارهای خاص و تکرارهای مدل توصیف می‌کند:

• Sentry MCP: با ارائه لینک Sentry و ردپای خطا، Claude 4.5 می‌توانست اکثریت باگ‌ها را حل کند، هرچند گاهی اوقات راه‌حل‌هایی ارائه می‌داد که محتمل به نظر می‌رسیدند اما کاملاً غلط بودند.
• Claude Code: این ابزار شروع به حل تک‌مرحله‌ای (One-shotting) باگ‌های پیچیده‌ای کرد که پیش‌تر نیازمند تلاش گسترده انسانی بود.
• تکرارهای پیشرفته: انتشار نسخه‌های بعدی مانند ۴.۶، ۴.۷، GPT 5.5 و Opus 4.8 این روند را شتاب بخشید.
• DataDog MCP: این ابزار امکان حل تک‌مرحله‌ای باگ‌ها را در سیستم‌های توزیع‌شده فراهم کرد، حتی در سیستم‌هایی که فاقد مشاهده‌پذیری توزیع‌شده (Distributed Observability) بودند.

در نهایت، اکنون ۹۰٪ باگ‌ها به صورت تک‌مرحله‌ای حل می‌شوند، از جمله:

• شرایط مسابقه‌ای (Race Conditions) عجیب
• موارد خاص (Corner-cases) غیرمنتظره
• مشکلات ادغام با سرویس‌های شخص ثالث
• موارد خاص APIهای مستند نشده

باگ‌هایی که زمانی دو روز کامل تلاش انسانی می‌طلبید، اکنون فوراً حل می‌شوند. نویسنده اشاره می‌کند که اگرچه هنوز برای هدایت ربات و بررسی کد قابل استخدام است، اما به یک «مهندس آماده مصرف» (Off-the-shelf engineer) تبدیل شده که هیچ مزیت دامنه منحصر‌به‌فردی ندارد. تمام شهود عیب‌یابی و دانش سیستم‌های توزیع‌شده که با ساعت‌ها عرق ریختن و اشک به دست آمده بود، اکنون قابل پرامپت شدن است.

بی‌ارزش شدن «سلیقه» (Taste)

آخرین ستون باقی‌مانده، معماری نرم‌افزار و کیفیت کد است. نویسنده تمام دوران حرفه‌ای خود را صرف اولویت‌بندی بازسازی کد (Refactoring) و مذاکره برای زمان اسپرینت جهت دستیابی به کدهای با استاندارد بالا کرده است و از متدولوژی‌هایی چون:

• طراحی دامنه-محور (DDD)
• معماری شش‌ضللکی (Hexagonal Architecture)
• معماری پاک (Clean Architecture)
• اصول SOLID
  استفاده کرده است.

این تخصص اکنون به کلمه «سلیقه» تقلیل یافته است. نویسنده استدلال می‌کند که عامل‌ها عموماً در سازماندهی کدهای پروژه ضعیف هستند؛ بدون هدایت انسانی، آن‌ها وابستگی‌های چرخه‌ای (Circular Dependencies)، کدهای تکراری، کامنت‌های غیرضروری ایجاد می‌کنند و توابع خالص را با اثرات جانبی (Side-effects) مخلوط می‌کنند. آن‌ها اصول SOLID را نادیده می‌گیرند.

با این حال، تحمل صنعت برای کدهای با کیفیت پایین‌تر در حال افزایش است. چون کد منبع (Source Code) را بیشتر ماشین‌ها می‌خوانند تا انسان‌ها، تقاضا برای کدهای سطح A یا B از بین رفته است. اکنون یک کدبیس سطح C یا D قابل قبول است. در نتیجه، سال‌ها مطالعه کتاب‌ها، انجام تمرینات واقعی، نوشتن سوابق تصمیمات معماری (ADRs) و بحث درباره سبک-سنگین کردن‌ها با سایر مهندسان، ارزش بازار خود را از دست داده است.

پیامدهای بازار برای مهندسان

این تغییر تکنولوژیک در حال بازسازی اقتصاد بازار کار است. نویسنده گذاری از نقش‌های تخصصی به نقش‌های عمومی (Generalist) را مشاهده می‌کند. پیش از این، شرکت‌ها فرصت‌های شغلی را به صورت «مهندس نرم‌افزار - حوزه X» لیست می‌کردند، اما اکنون صرفاً «مهندس نرم‌افزار» استخدام می‌کنند و پس از پذیرش پیشنهاد، آن‌ها را به تیم‌ها اختصاص می‌دهند.

این تغییر یک واقعیت اقتصادی سخت بر اساس عرضه و تقاضا ایجاد می‌کند:

• تله عمومیست: اگر هر مهندس از طریق هدایت LLM به یک عمومیست تبدیل شود، در صورت نبود تقاضای متناسب، قیمت بازار برای یک عمومیست سقوط می‌کند. نویسنده اشاره می‌کند که تقاضا در حال حاضر در حال خشک شدن است.
• پارادوکس تجربه: در حالی که این وضعیت مانع ورود مهندسان جدید و باهوش که عمق دامنه ندارند را کاهش می‌دهد، اما متخصصان باسابقه را که یک دهه صرف جمع‌آوری دانش تخصصی کرده‌اند و اکنون در همان مسیر با تازه‌کارها رقابت می‌کنند، جریمه می‌کند.

این موضوع در تعدیل نیروهای شرکت نویسنده در حدود هشت ماه پیش مشهود بود. با وجود ادعای شرکت مبنی بر اینکه تعدیل‌ها مربوط به AI نبود، بسیاری از همکاران سابق باهوش بیکار ماندند زیرا تخصص دامنه آن‌ها دیگر تمایز کافی برای برجسته شدن در بازار کار نبود.

چشم‌انداز آینده و استراتژی‌های تغییر مسیر

با نگاه به بلندمدت، نویسنده ابراز تردید می‌کند. او پس از ده سال تجربه حرفه‌ای، خود را در موقعیتی می‌بیند که مهارت‌های اصلی‌اش در حال منسوخ شدن هستند. او چندین مسیر را برای حفظ قابلیت استخدام بررسی کرده است:

• تغییر مسیر آکادمیک: بازگشت به دانشگاه برای مطالعه ریاضیات، آمار و یادگیری ماشین پیشرفته برای دنبال کردن یک نقش پژوهشی در آزمایشگاه‌های پیشرو (Frontier Labs).
• محدودیت‌های جغرافیایی: این مسیر به دلیل نبود آزمایشگاه‌های پیشرو در کشورش و مسائل خانوادگی که جابجایی را دشوار می‌کند، با مانع مواجه است. علاوه بر این، تعداد کمی از آزمایشگاه‌های موجود با سیل درخواست‌ها اشباع شده‌اند.
• ریسک RSI: نویسنده می‌ترسد تا زمانی که بتواند چنین جهشی داشته باشد، آسیب‌های تکراری (RSI) یا پیشرفت‌های بیشتر AI، پژوهشگران را نیز منسوخ کرده باشد.

به عنوان جایگزین نهایی، نویسنده به تبدیل سرگرمی نجاری خود به یک حرفه تمام‌وقت فکر می‌کند؛ جستجوی دامنه‌ای که در آن صنایع دستی فیزیکی را نتوان با یک پرامپت بازسازی کرد.