چرا برنامه‌نویسی بیش از هر شغل دیگری در معرض اتوماسیون است؟

اگر امروز یک مهندس نرم‌افزار هستید، ابزارهایی که برای افزایش سرعتِ کارتان به آن‌ها تکیه می‌کنید، دقیقاً همان‌هایی هستند که در حال حاضر برای جایگزینی شما تنظیم شده‌اند. صنعت فناوری در حال تجربه یک وحشت خاموش است؛ جایی که «سقوط سرویس‌های ابری» (SaaS-pocalypse) از یک ریسک تئوریک به واقعیتی در اتاق‌های جلسات تبدیل شده است. به نقل از گزارش ۸ ژوئن ۲۰۲۶ در وب‌سایت b-ark.ca، معماران عصر هوش مصنوعی حالا متوجه شده‌اند که تهدید از درون خانه وارد شده است.

زمینه و بستر «سقوط سرویس‌های ابری»

در حال حاضر حس ترس و دلهره شدیدی در لایه‌های مدیریتی (C-suite) و طبقه سرمایه‌گذاران جاری است. اگرچه مدیران ارشد سعی می‌کنند چهره‌ای شجاع و مطمئن به نمایش بگذارند، اما اضطراب آن‌ها کاملاً مشهود است. این وحشت زمانی شدت گرفت که یک تحلیل مالی تخیلی که در پلتفرم Substack منتشر شده بود، باعث یک موج فروش واقعی در بازارها شد. این اتفاق ثابت کرد که اعتماد فعلی بازار تا چه حد شکننده و متزلزل است و حتی یک شایعه ساختگی می‌تواند لرزه بر اندام سرمایه‌گذاران بیندازد.

در پاسخ به این وضعیت، مدیران عامل (CEO) و مدیران فناوری (CTO) در تکاپوی آن هستند تا خود را به عنوان «آینده‌نگر» معرفی کنند. چهره‌هایی مانند جک دورسی (Jack Dorsey)، سباستین سیماتکوفسکی (Sebastian Siemiatkowski) و مت بیلمن (Matt Biilmann) هر یک تلاش می‌کنند تا با ادعاهای بزرگتر از دیگری در مورد هوش مصنوعی، برتری خود را ثابت کنند و در واقع سعی دارند یکدیگر را در «قرص‌خواری هوش مصنوعی» (out-AI-pill) شکست دهند. هنوز مشخص نیست چه مقدار از این رفتار یک استراتژی واقعی است و چه مقدار صرفاً «شستشوی هوش مصنوعی» (AI-washing) یا اغراق‌های عمدی برای جلب توجه سرمایه‌گذاران است، اما این نمایش‌های عمومی تنها نوک کوه یخ یک بحران بسیار بزرگتر است.

برای دهه‌ها، سیلیکون‌ولی بر پایه مفهوم «تخریب خلاق» رشد کرد. شرکت‌هایی مثل اوبر (Uber)، آمازون (Amazon) و اسپاتیفای (Spotify) با نابود کردن تاکسی‌های سنتی، کتاب‌فروشی‌های قدیمی و درآمدهای هنرمندان، ثروت کلانی به دست آوردند. آن‌ها بازارهای تثبیت‌شده را مختل کردند و سپس خود به جایگاه «اجاره‌داران» (Rent-seekers) در آن بازارها تبدیل شدند تا از زیرساختی که ساخته بودند اجاره‌بها بگیرند. حالا، همان نیروی تخریب‌گر در حال بازگشت به سوی درون است؛ هدف این بار مدیران ارشد و برنامه‌نویسانی هستند که در لایه‌های عملیاتی کد می‌زنند. همه، از نویسندگان و طراحان گرافیک گرفته تا تحلیلگران مالی، حس می‌کنند که گرگ دم در است، اما این بار تخریب، ابتدا صنعت فناوری را هدف گرفته است.

مکانیسم‌های شکست و موفقیت هوش مصنوعی

برای درک اینکه چرا صنعت فناوری نسبت به سایر بخش‌ها آسیب‌پذیرتر است، باید به نقاط شکست مدل‌های زبانی بزرگ (LLM) نگاه کنیم. در بسیاری از حوزه‌ها، ما «اوراکل» یا یک منبع حقیقت مطلق نداریم تا نتایج را با آن بازجویی کنیم و اعتبار آن‌ها را بسنجیم. وقتی هوش مصنوعی برای نوشتن متون ادبی، تولید کلیپ‌های ویدئویی یا مدیریت تماس‌های پشتیبانی مشتری استفاده می‌شود، «درستی» اغلب موضوعی مربوط به تفسیر، سلیقه یا نظر شخصی است و معیار قطعی برای رد یا تایید وجود ندارد.

وظیفه ساده‌ای مانند خلاصه‌سازی یادداشت‌های یک جلسه را در نظر بگیرید. حتی پیشرفته‌ترین مدل‌ها معمولاً به دقت حدود ۹۰ درصد می‌رسند، اما آن ۱۰ درصد باقی‌مانده بسیار حیاتی است. هوش مصنوعی مکرراً دچار این خطاها می‌شود:

• جملات را به اشتباه از یک شخص به شخص دیگر نسبت می‌دهد.
• نتایجی می‌گیرد یا ادعاهایی می‌کند که در متن اصلی جلسه وجود ندارد و صرفاً توهم زده است.
• اظهارات بیان شده در جلسه را بیش از حد بزرگ‌نمایی یا اغراق می‌کند.

علاوه بر این، LLMها روی داده‌های عمومی آموزش می‌بینند. در تخصص‌های عمیق و حرفه‌ای، دانشی که یک متخصص را واقعاً «متخصص» می‌کند، اغلب به‌صورت عمومی در اینترنت برای استخراج (Scraping) در دسترس نیست. این دانش تخصصی در محیط‌های بسته یا تجربیات عملی نهفته است و همین موضوع اثرگذاری هوش مصنوعی را در آن زمینه‌های خاص محدود می‌کند.

چرا توسعه نرم‌افزار متفاوت است؟

توسعه نرم‌افزار ویژگی‌های منحصر‌به‌فردی دارد که آن را به هدف اصلی «هم‌نوع‌خواری» هوش مصنوعی تبدیل می‌کند:

• قابلیت تأیید بنیادی: برخلاف خلاصه یک جلسه، نرم‌افزار باینری است. با فرض اینکه مجموعه‌ای مناسب از نیازمندی‌ها وجود داشته باشد، کد یا دقیقاً همان کاری را می‌کند که باید بکند، یا نمی‌کند. این ویژگی اجازه می‌دهد «حلقه‌های رالف» (Ralph loops) ایجاد شوند؛ جایی که به یک LLM معیارهای موفقیت داده می‌شود و مدل آزاد است تا به‌طور خودکار و متوالی برای رسیدن به راه حل، کد را تکرار و اصلاح کند تا زمانی که خروجی با معیارها مطابقت یابد.
• طنز متن‌باز: هیچ صنعتی در جهان دارای مجموعه داده‌های آموزشی به غنا و تنوع توسعه نرم‌افزار نیست. حجم عظیمی از کدهای منبع به‌صورت عمومی در دسترس است که سوختی ایده‌آل برای آموزش مدل‌های زبانی فراهم می‌کند و باعث می‌شود مدل‌ها ساختار زبان‌های برنامه‌نویسی را بهتر از هر چیز دیگری درک کنند.
• چرخه استفاده داخلی (Dogfooding): صنعت هوش مصنوعی توسط متخصصان نرم‌افزار ساخته شده است. آزمایشگاه‌های بزرگ هوش مصنوعی در حال «تست محصول خود» هستند؛ یعنی از هوش مصنوعی برای نوشتن کدهای خودِ ابزارهای هوش مصنوعی استفاده می‌کنند. این امر سرعت تکرار و پیشرفت را به‌صورت تصاعدی افزایش می‌دهد، زیرا ابزار با هر نسخه جدید، ابزارِ بهتری برای ساختِ نسخه بعدی می‌سازد.

واکنش انسانی: انکار در برابر ترویج افراطی

در داخل صنعت، واکنش‌ها بین دو طیف افراطی تقسیم شده است. در یک سو، توسعه‌دهندگان نرم‌افزاری خشمگین هستند که کاملاً متقاعد شده‌اند شغلشان هرگز نمی‌تواند خودکار شود. این افراد اغلب از ادبیات گذشته استفاده می‌کنند و ترس فعلی را با وضعیت «رانندگان تاکسی» یا «سازندگان شلاقی اسب» مقایسه می‌کنند که در برابر موج‌های قبلی تخریب مقاومت کردند و تصور می‌کردند جایگزینی آن‌ها غیرممکن است.

در سوی دیگر طیف، مدیران عامل و مدیران فناوری کارکنان را به «بیشترین استفاده از توکن» (Token Maxx) فشار می‌دهند. آن‌ها با شدت روی میز می‌کوبند و اصرار دارند که صنعت باید «سریع‌تر و شدیدتر» به سمت هوش مصنوعی برود تا از تبدیل شدن به زباله‌دان تاریخ نجات یابد. نتیجه این وضعیت، ترکیبی عجیب از انکار و ترویج شرکتی (Corporate Boosterism) است که تطبیق آن‌ها با یکدیگر دشوار است و فضای کاری را به محیطی متناقض تبدیل کرده است.

پیامدهای اقتصادی پیش‌بینی شده

نویسنده یک سقوط پنج مرحله‌ای را برای حرفه نرم‌افزار پیش‌بینی می‌کند که مشابه مسیر صنایع تخریب‌شده قبلی است:

۱. رقابت قیمتی رو به پایین: ما شاهد یک «انفجار کامبرین» در تولید محتوا خواهیم بود — مشابه پیش‌بینی دانا لاسون درباره «یک میلیارد اپلیکیشن جدید». با این حال، این اتفاق در پایین‌ترین قیمت‌های ممکن رخ می‌دهد و نسبت «سیگنال به نویز» چنان پایین می‌آید که تشخیص محصولات باکیفیت از «زباله‌های دیجیتال» (Slop) تقریباً غیرممکن می‌شود.
۲. فشار بر دستمزدها: با افزایش دسترسی به هوش مصنوعی، ارزش ادراک‌شده از تخصص انسانی کاهش می‌یابد و کارگران تحت فشار قرار می‌گیرند. این روند هم‌اکنون در میان کپی‌رایترها و طراحان گرافیک مشهود است که مجبورند برای مبالغ بسیار کمتر کار کنند.
۳. نابودی دائمی: این یک نوسان طبیعی در بازار نیست. هنگامی که حرفه توسعه نرم‌افزار تخریب شود، به همان حالت باقی خواهد ماند؛ زیرا مسیرهای جذب استعداد خشک می‌شوند (دیگه کسی انگیزه‌ای برای یادگیری کد نمی‌کند) و تخصص‌های موجود با گذشت زمان از رده خارج می‌شوند.
۴. حجم کاری دوگانه: رویای «کار کمتر» محقق نخواهد شد. در عوض، کسانی که به‌طور کامل از صنعت بیرون انداخته نمی‌شوند، سخت‌تر کار خواهند کرد. به‌جای ارسال ۵ تغییر کد (PR) در هفته، از توسعه‌دهندگان انتظار می‌رود سیستم‌های خودکار را برای تولید ۵۰ یا ۵۰۰ تغییر کد مدیریت و نظارت کنند.
۵. تمرکز ثروت: ثروت توسط مالکان کسب‌وکار، مدیران ارشد، طبقه سرمایه‌گذاران و تامین‌کنندگان مدل‌ها (که مانند اجاره‌داران عمل می‌کنند) تصاحب خواهد شد. شکاف ثروت فعلی تنها شروع این روند است و ثروت از دست متخصصان به جیب مالکان مدل‌ها می‌رود.

مسیر پیش رو

این تغییرات نشان می‌دهد که شکاف ثروت در صنعت فناوری به‌طور قابل توجهی عمیق‌تر خواهد شد. تنها پادمان‌های واقعی برای مقابله با این اثرات، مالیات‌های دولتی و مقرراتی برای توزیع مجدد ثروت، و همچنین اتحادیه‌های کارگری سازمان‌یافته برای ایستادگی در برابر زیاده‌خواهی‌های شرکتی است. با این حال، با توجه به گرایش همیشگی لیبرتارین در صنعت فناوری، بعید است هیچ‌کدام از این‌ها اتفاق بیفتد و هیچ مانعی برای این انتقال ثروت نباشد.

در عوض، صنعت به‌طور جمعی درگیر «تخریب خلاق» خواهد شد. هر کسی امیدوار خواهد بود که اتوماسیون سراغ «آن آدم دیگر» برود، در حالی که در اعماق قلبش باور می‌کند نوبت به او نمی‌رسد — تا زمانی که نوبتش برسد. همان‌طور که نویسنده می‌گوید: «هم‌نوع‌خوارها گرسنه‌اند» و کارکنان صرفاً گوشت هستند که یکی پس از دیگری بلعیده می‌شوند.

در نهایت، قدرت این ابزارها غیرقابل انکار است. آن‌ها برای سازندگان مستقل بسیار مفیدند و می‌توانند باعث پیشرفت جنبج‌هایی مانند «وب مستقل» (Indieweb) و وب‌های کوچک شوند. با این حال، این فناوری معیشت‌ها را تهدید می‌کند، تغییرات اقلیمی را تسریع می‌کند، سیستم‌های سیاسی را مختل می‌کند و صدای انسان را در زباله‌های هوش مصنوعی غرق می‌کند. ابزارها آمده‌اند و نمی‌روند؛ تراژدی اینجاست که رهبرانی که اکنون این ابزارها را به کار می‌گیرند، اعتماد کسانی را که در حال تخریب زندگی‌شان هستند، به دست نیاورده‌اند.

گام بعدی شما

• تمرکز بر یادگیری «مدیریت سیستم‌های خودکار» به‌جای صرفاً «نوشتن کد».
• بررسی مدل‌های کسب‌وکار مبتنی بر ارزش (Value-based) به‌جای مدل‌های ساعتی یا پروژه‌ای.
• دنبال کردن تحولات در حوزه «وب مستقل» (Indieweb) برای کاهش وابستگی به پلتفرم‌های بزرگ.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.