اگر امروز به عنوان یک برنامه‌نویس به خروجی‌های هوش مصنوعی تکیه می‌کنید، احتمالاً در حال تولید کدهایی هستید که هزینه نگهداری‌شان در بلندمدت، سودِ سرعتِ فعلی شما را می‌بلعد. این ادعای تند اما مستدل، هسته مرکزی تحلیل انتقادی جی‌اس بارتو (JS Barretto) است که در ۱۵ اوت ۲۰۲۶ منتشر شد. او در این تحلیل، روایت رایجی را که مدعی است مدل‌های زبانی بزرگ (LLM) در حال متحول کردن صنعت نرم‌افزار هستند، به شدت به چالش می‌کشد.
به نقل از این تحلیل، ۱.۵ تریلیون دلار روی هوش مصنوعی سرمایه‌گذاری شده است، اما هنوز هیچ مطالعه مستقلی وجود ندارد که ثابت کند بهره‌وری سطح‌بالا در مهندسی نرم‌افزار واقعاً افزایش یافته است. بارتو معتقد است روایت رایج درباره تحول صنعت توسط مدل‌های زبانی بزرگ (LLM) — شبیه کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — بیشتر شبیه به یک حباب تبلیغاتی است تا یک انقلاب ساختاری.
زمینه و ریشه‌های بدبینی
برای بسیاری از توسعه‌دهندگان، رونق فعلی هوش مصنوعی بیشتر شبیه به یک چرخه از «تبلیغات اغراق‌آمیز» (Boosterism) است تا یک انقلاب ساختاری. بارتو اشاره می‌کند که ما اکنون چهار سال است که در این انقلاب هستیم، اما صنعت تقریباً هیچ دستاورد ملموسی برای ارائه ندارد. نرم‌افزارها نه سریع‌تر شده‌اند، نه هزینه تولیدشان کاهش یافته و نه قابلیت‌هایشان افزایش یافته است. او تأکید می‌کند که نرم‌افزارها قطعاً امن‌تر نشده‌اند.
او استدلال می‌کند که یک انقلاب تکنولوژیک واقعی باید با سقوط امپراتوری‌های قدیمی و جایگزینی آن‌ها با ایده‌های نو همراه باشد. اما در عوض، عصر فعلی با «خودشیفتگی» (Navel-gazing) و تولید نویز تعریف می‌شود. در حالی که بسیاری از برنامه‌نویسان از عقب ماندن می‌ترسند، بارتو متوجه شده است که هیچ‌کس توانسته است «پول ناهار شهرت» (Reputational lunch money) پروژه‌های متن‌باز او را بدزدد. او استدلال می‌کند که یک پروژه مورد اعتماد، بسیار فراتر از یک لیست از ویژگی‌هاست؛ ویژگی‌هایی که می‌توان آن‌ها را با یک دستور ساده memcpy کپی کرد. این دیدگاه با رویکرد برخی از جامعه‌های برنامه‌نویسان آماتور همسو است که استفاده از مدل‌های زبانی را نوعی تقلب و تهدیدی برای یادگیری اصولی می‌دانند.
شکاف بهره‌وری و توهم خروجی
طبق گزارش بارتو، صنعت اکنون دچار یک شکاف بهره‌وری عمیق شده است. بسیاری از شرکت‌ها «تعداد خطوط کد نوشته شده» یا «تعداد درخواست‌های ادغام (PR) پذیرفته شده» را معیار موفقیت می‌دانند، اما این اعداد فریبنده هستند. در دنیایی که با کد به عنوان یک «خروجی» نگاه می‌شود و نه به عنوان ورودیِ یک فرآیند بزرگتر، خطر تولید انبوه کدهای بی‌کیفیت و غیرقابل نگهداری (Slop) افزایش می‌یابد. او با استناد به نظریات پیتر نائور، تأکید می‌کند که در نظر گرفتن خطوط کد به عنوان معیار بهره‌وری، یک خطای بنیادین در تئوری نرم‌افزار است.
بر اساس بررسی‌های بارتو، مدل‌های پیشرو در محیط‌های عملیاتی واقعی با شکست‌های مشخصی روبرو هستند:
- نرخ ادغام پایین: درخواست‌های ادغام (PR) تولید شده توسط LLMها عمدتاً «زباله» هستند. اگرچه این کدها از نظر استایلی سازگارتر شده‌اند و تکرارهای بدیهی کمتری دارند، اما نسبت کدهایی که واقعاً ارزش ادغام در پروژه را دارند، بسیار کمتر از کدهای نوشته شده توسط انسان است.
- نادیده گرفتن خطاهای بدیهی: مدل‌های پیشرو مکرراً باگ‌های حیری را نادیده می‌گیرند که حتی یک برنامه‌نویس آماتور با استدلال ساده آن‌ها را پیدا می‌کند. بارتو چندین مورد را به یاد می‌آورد که در آن مدل یک مورد بدیهی و مهم را نادیده گرفت و اندکی بعد توسط یک انسان کشف شد. این چالش‌ها در واقع بازتابی از تضاد میان انعطاف‌پذیری LLMها و نیاز به قطعیت در سیستم‌های مقیاس‌پذیر است که منجر به خطاهای عملیاتی می‌شود.
- تحریف معیارها: اکثر مطالعات بهره‌وری روی معیارهای محدودی مانند «تعداد ویژگی‌های اضافه شده» زوم می‌کنند که هیچ همبستگی با قابلیت کلی نرم‌افزار ندارند. مطالعاتی که دقت آکادمیک دارند، اغلب به بهره‌وری ناچیز یا حتی منفی اشاره می‌کنند.
این مدل‌ها اکنون در زنجیره وابستگی‌های شرکت‌های FAANG قرار دارند، اما توانایی آن‌ها در یافتن باگ‌های غیربدیهی همچنان متزلزل است. نویسنده اشاره می‌کند که اگرچه خروجی‌های AI کمتر فرمول‌وار شده‌اند، اما هنوز فاقد قابلیت اطمینانی هستند که برای پروژه‌های حساس متن‌باز — جایی که اعتماد ارز اصلی است — مورد نیاز است.
نیروی کار و حاکمیت فکری
از منظر اقتصادی، فشار برای پذیرش LLMها شاید هدفش افزایش کارایی نباشد، بلکه هدف، «یکسان‌سازی» (Fungibility) نیروی کار است. با همگن کردن نحوه نوشتن کد، غول‌های فناوری می‌توانند کار فکری را به کاری قابل جایگزین تبدیل کنند و به طور موثری قدرت چانه‌زنی کارکنان را سلب کنند. این صنعتی کردن «حوزه صنفی» توسعه نرم‌افزار، ارزش تخصص‌های عمیق را تهدید می‌کند.
بارتو دلایل گسترده‌تری را برای دوری از LLMها می‌شمارد، از جمله:
- آثار مخرب محیط‌زیستی، اجتماعی و سیاسی.
- قفل شدن در یک اکوسیستم خاص (Lock-in) و وابستگی آموخته‌شده. در این راستا، برخی تحلیلگران هشدار داده‌اند که وابستگی شدید به ابزارهای هوش مصنوعی می‌تواند به بحران‌های سلامت روان و کاهش اعتماد به نفس حرفه‌ای منجر شود.
- از دست دادن حاکمیت فردی (Self-sovereignty) و نگرانی‌های فلسفی.
- تخریب عمدی قدرت مذاکره نیروی کار.
برای یک توسعه‌دهنده، اکنون دو راه وجود دارد: تسلیم شدن در برابر این ابزارها یا سرمایه‌گذاری روی مهارت‌های تخصصی. به باور بارتو، دوری از وابستگی به مدل‌های احتمالی، یک مزیت رقابتی در امنیت شغلی و حاکمیت فکری ایجاد می‌کند. وقتی همه از یک موتور احتمالی یکسان استفاده می‌کنند، انسانی که می‌تواند از «اصول اولیه» (First Principles) استدلال کند، ارزشمندترین فرد اتاق خواهد بود.
چه یک نگهدارنده پروژه (Maintainer) باشید و چه یک مدیر شرکتی، معیار حیاتی بعدی که باید رصد کنید، حجم کدهای تولید شده توسط AI نیست، بلکه هزینه نگهداری بلندمدت آن کدها در یک چرخه عمر سه ساله است.
گام بعدی شما
- به‌جای تمرکز بر سرعت تولید کد، هزینه نگهداری (Maintenance Cost) کدهای تولید شده توسط AI را در بازه سه ساله رصد کنید.
- مهارت‌های استدلال از اصول اولیه (First Principles Thinking) را تقویت کنید تا در دنیای کدهای همگن، متمایز شوید.
- در بررسی PRهای تولید شده توسط AI، به‌طور ویژه به‌دنبال «حذفیات بدیهی» بگردید که مدل‌ها معمولاً نادیده می‌گیرند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو