تصور کنید در دنیایی هستید که محصول نهایی برنامه‌نویسی، نرم‌افزار نیست، بلکه تسلط بر یک حوزه فنی بسیار دشوار است. در چنین حلقه‌های محدودی، استفاده از مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — یک ردپای مستقیم از پذیرفتن شکست در برابر هنرِ کدنویسی است.
به نقل از پست وبلاگی fogus.me که در ۵ آگوست ۲۰۲۶ منتشر شد، این جوامع استدلال می‌کنند که کدهای تولیدشده توسط هوش مصنوعی، در واقع «گم کردن هدف» از توسعه تفننی (Hobbyist) هستند. این اصطکاک در حالی رخ می‌دهد که AI در حال نفوذ به تمام لایه‌های مهندسی نرم‌افزار است. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی بهینه‌سازی محتوا برای ارجاعات مدل‌های زبانی اشاره کردیم، در حاشیهٔ عمیق وب، دقیقاً اتفاق عکس این روند در حال رخ دادن است.
برای این توسعه‌دهندگان، دشواریِ یادگیری همان پاداش است؛ برنامه‌ای که صرفاً «کار می‌کند»، یک دغدغه ثانویه است. این دیدگاه با این واقعیت همسو است که تخصص کاربر همچنان متغیر اصلی در کیفیت خروجی مدل‌های زبانی است و بدون دانش عمیق، ابزار تنها یک پوشش برای فقدان مهارت است. طبق گزارش‌های این منابع، شدت این خصومت در حوزه‌های تخصصی زیر بسیار بیشتر است:
- OSDev (توسعه سیستم‌عامل)
- EmuDev (توسعه شبیه‌ساز)
- LangDev و TxtDev (توسعه زبان و متن)
- فضای دمو-سین (Demoscene) و کد-گلف (Code Golf)
در این حلقه‌ها، احترام تنها از طریق سال‌ها اشتراک‌گذاری کدهای ظریف و نمایش کنجکاوی عمیق در دامنه تخصصی به دست می‌آید. نویسنده اشاره می‌کند که تلاش‌های اولیه برای ادغام هوش مصنوعی، به دلیل نبود درک عمیق از سوی متخصصان AI و وجود گروهی تندرو که ابزار را «میان‌بری برای اعتبار ارزان» می‌بیند، شکست خورد.
این یعنی روایت «بهره‌وری AI» زمانی شکست می‌خورد که هدف ما کارایی نباشد، بلکه رشد شخصی باشد. استفاده از یک LLM برای تولید قطعه‌ای نهایی، برنامه‌نویس را به یک صنعتگر تبدیل نمی‌کند، بلکه او را از خودِ صنعتگری محروم می‌کند. این ابزار برای خبرگان مانند یک اهرم عمل می‌کند، اما برای تازه‌کاران جایگزینی است که منحنی یادگیری — همان مسیری که تعریف‌کننده این جوامع است — را کاملاً پاک می‌کند. این جایگزینی خطرناک، در برخی موارد می‌تواند به بحران‌های سلامت روان به دلیل وابستگی شدید به ابزارهای هوش مصنوعی منجر شود.
اینکه آیا این سخت‌گیری‌های حفاظتی در برابر گسترش توانایی‌های AI دوام می‌آورند یا خیر، هنوز یک پرسش باز است.
گام بعدی شما
- بررسی کنید که آیا فرآیند یادگیری شما با جایگزینی «تفکر» با «تولید کد» تخریب شده است یا خیر.
- سعی کنید از هوش مصنوعی به‌جای تولید جواب، برای توضیح منطق زیربنایی (Underlying Logic) مسائل استفاده کنید.
- در پروژه‌های شخصی، محدودیت‌های سخت‌گیرانه‌ای برای استفاده از AI تعریف کنید تا مهارت‌های پایه خود را از دست ندهید.
اما تأثیر این دیدگاه بر آینده استانداردهای کدنویس در دنیای تجاری حتی پیچیده‌تر است؛ در گزارش‌های بعدی اثر این شکاف فرهنگی را بررسی خواهیم کرد.
گفتگو