۸۰٪ برنامه‌نویسان به ابزارهای کدنویسی هوش مصنوعی وابسته شده‌اند

اگر امروز برای نوشتن یک تابع ساده به ChatGPT یا Claude تکیه می‌کنید، احتمالاً در حال تبادل مهارت‌های تحلیلی خود با سرعتِ تولید کد هستید. طبق گزارش ZDNet در ۲۲ اوت ۲۰۲۶، ۸۰٪ برنامه‌نویسان اکنون احساس می‌کنند به هوش مصنوعی زاینده (Generative AI) وابسته شده‌اند و این رقم نشان‌دهنده یک نقطه عطف بحرانی در رابطه صنعت نرم‌افزار با تکنولوژی است. این آمار از نظرسنجی Coddy Tech روی ۳۰۵ برنامه‌نویس به دست آمده و نشان می‌دهد اکثریت قریب به اتفاق توسعه‌دهندگان، استفاده از AI را دیگر یک مزیت استراتژیک نمی‌بینند، بلکه آن را به عنوان یک وابستگی تلقی می‌کنند.

این وضعیت در حالی رخ می‌دهد که صنعت از اتوکامپلیت‌های ساده به سمت کدنویسی عامل‌محور (Agentic) — یعنی سیستم‌هایی که مثل یک کارمند مستقل، برنامه‌ریزی و اجرا می‌کنند — حرکت می‌کند. این در حالی است که پژوهش‌های اخیر دانشگاه برکلی نشان می‌دهد نرخ موفقیت این عامل‌ها در وظایف تخصصی هنوز زیر ۲۵٪ است و تکیه کامل به آن‌ها ریسک‌های جدی دارد. سال‌ها تصور می‌شد هوش مصنوعی فقط کارهای تکراری (Boilerplate) را انجام می‌دهد تا انسان‌ها روی معماری سطح بالا تمرکز کنند، اما داده‌های جدید نشان می‌دهد این ابزارها در حال خالی کردن میانه‌ی زنجیره مهارت‌ها هستند.

تصور کنید خلبانی باشد که فقط پرواز با خلبان خودکار را بلد است؛ او در آسمان صاف عالی عمل می‌کند، اما لحظه‌ای که سیستم دچار اختلال شود، حافظه عضلانی لازم برای حفظ تعادل هواپیما را ندارد. این دقیقاً همان «پارادوکس ارکستراتور ماهر» است که اکنون در مهندسی نرم‌افزار در حال وقوع است. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، حذف لایه‌های نظارتی انسانی همواره ریسک‌های سیستمی را افزایش می‌دهد.

فرسایش تخصص

لارس فای (Lars Faye) استدلال می‌کند که تخصص کدنویسی در حال فروپاشی است، زیرا مهارت‌های لازم برای مدیریت عامل‌های (Agents) هوش مصنوعی، دقیقاً همان مهارت‌هایی هستند که این عامل‌ها جایگزین می‌کنند. این بحث اخیراً در هکر نیوز (Hacker News) به شدت داغ شد و مقاله فای با ۵۳۶ امتیاز و ۵۳۰ کامنت، در صدر صفحه اصلی قرار گرفت و بحثی گسترده را درباره این موضوع به راه انداخت که آیا این حرفه در حال بلعیدن خودش است یا خیر.

تخصص از طریق «اصطکاک» ساخته می‌شود؛ همان فرآیند دردناک ردیابی خطاهای مبهم بدون فایل لاگ، حس کردن تفاوت عملکرد بین دو رویکرد مختلف، و بازنویسی کدی که مقیاس‌پذیر نیست. فای این حس را Fingerspitzengefühl یا «حس نوک انگشتان» می‌نامد؛ همان شهودی که به یک برنامه‌نویس ارشد اجازه می‌دهد با یک نگاه به کد، غریزی بفهمد که این بخش در آینده باعث ایجاد مشکل خواهد شد.

وقتی هوش مصنوعی این تقلا را حذف می‌کند، یادگیری را هم حذف می‌کند. طبق گزارشی که جت‌برینز (JetBrains) منتشر کرد، مطالعه‌ای با عنوان «شکاف رو به گسترش: مزایا و مضرهای هوش مصنوعی زاینده برای برنامه‌نویسان تازه‌کار» با تحلیل جلسات کدنویسی زنده نشان داد که کمک‌های شدید هوش مصنوعی فعالانه مانع یادگیری برنامه‌نویسان تازه‌کار می‌شود. این موضوع در تحلیل‌های ما درباره‌ی ایجاد توهم صلاحیت در تازه‌کاران به طور مفصل‌تر بررسی شده است.

تازه‌کارها اغلب مراحل حیاتی برنامه‌ریزی را نادیده می‌گیرند. آن‌ها با «توهم صلاحیت» کارهایشان را تمام می‌کنند؛ یعنی باور دارند راه حل را فهمیده‌اند، در حالی که درک واقعی آن‌ها هیچ پیشرفتی نکرده است. به گفته فای، تازه‌کارهایی که در این مطالعه کمترین محدودیت را در استفاده از AI داشتند، «مراحل کلیدی در فرآیند حل مسئله برنامه‌نویسی را رد کرده بودند و اکنون در کد خود گم شده‌اند».

شکاف میان متخصص و تازه‌کار

منحنی ارزش ابزارهای هوش مصنوعی وارونه است. پیشکسوتان صنعت که شهود خود را پیش از عصر AI ساخته‌اند، از این ابزارها برای چند برابر کردن خروجی خود استفاده می‌کنند. آن‌ها می‌توانند مدل را هدایت کنند، خروجی را بازبینی کنند و توهمات (Hallucinations) — یعنی وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — را شناسایی کنند، زیرا دانش بنیادین لازم را در اختیار دارند.

در مقابل، تازه‌کارها از روز اول به سمت AI رانده می‌شوند. این امر منجر به خلق «تازه‌کار متخصص» می‌شود: توسعه‌دهنده‌ای که می‌تواند کدی کاربردی تحویل دهد اما قضاوتی ندارد که بداند چرا کد کار می‌کند یا چه زمانی شکست می‌خورد. آن‌ها از سال‌های اصطکاکی که قضاوت حرفه‌ای را می‌سازد، محروم شده‌اند.

این شکاف در مطالعه سال ۲۰۲۵ دانشگاه UPenn روی ۱۰۰۰ دانشجوی ریاضی مشهود بود. کسانی که از مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — استفاده کردند، ۱۷٪ ضعیف‌تر از دانشجویان کتاب‌خوان بودند، هرچند خودشان تصور می‌کردند عالی عمل کرده‌اند. این ابزار اعتمادبه‌نفس ایجاد کرد اما درک را نه؛ درست مثل قطب‌نمایی که همیشه به سمتی اشاره می‌کند که کاربر فکر می‌کند شمال است.

تله‌های رفتاری و اعتیاد

فراتر از فقدان مهارت، این ابزارها یک حلقه روان‌شناختی ایجاد کرده‌اند. نظرسنجی کادی تک (Coddy Tech) روندی نگران‌کننده از اعتیاد به AI را افشا کرد:

• ۴۳٪ برنامه‌نویسان حتی پس از پایان ساعت کاری، در حالی که قصد توقف داشتند، به کدنویسی با AI ادامه می‌دهند.
• ۳۲٪ برای کار با عامل‌ها از خواب خود زده‌اند.
• ۳۹٪ گزارش داده‌اند که ابزارهای AI قطع ارتباط با محیط کار را سخت‌تر کرده است.

کوانتین روسو (Quentin Rousseau)، مدیر فنی Rootly، این تجربه را در لینکدین یک چرخه مبتنی بر دوپامین توصیف کرد. او تعریف می‌کند که چگونه در ساعت ۲:۴۷ بامداد، بدون هیچ ضرب‌الاجل یا خرابی سیستمی، تماشای بازنویسی یک ماژول توسط Claude Code را نمی‌توانست متوقف کند و گفت: «نمی‌توانم متوقف شوم». روسو در نهایت برای این موضوع کمک پزشکی گرفت و توضیح داد که تماشای کار یک عامل، «به اندازه کافی غیرفعال است که شبیه استراحت باشد، اما به اندازه کافی فعال است که شما را قلاب کند».

این اعتیاد هزینه‌های حرفه‌ای دارد. همان نظرسنجی نشان داد در حالی که ۷۴٪ کاربران پروباز AI باور دارند این ابزارها احتمال ترفیع یا افزایش حقوق آن‌ها را زیاد می‌کند، ۵۱٪ معتقدند احتمال دچار شدن به «فرسودگی شغلی» (Burnout) برایشان بیشتر شده است. صنعت در حال اندازه‌گیری افزایش بهره‌وری است اما هزینه‌های انسانی را نادیده می‌گیرد. این فرسایش مهارت‌ها در واقع بخشی از یک «تراژدی مشترکات شناختی» است که می‌تواند مسیرهای رشد حرفه‌ای را در سازمان‌های مدرن تخریب کند.

بدهی تأیید و بحران خط لوله

با افزایش پذیرش، اعتماد در حال سقوط است. نظرسنجی ۲۰۲۵ استک اورفلو (Stack Overflow) نشان می‌دهد در حالی که ۸۰٪ برنامه‌نویسان از AI استفاده می‌کنند، اعتماد به صحت خروجی‌ها در یک سال از ۴۰٪ به ۲۹٪ رسیده است. همچنین احساس مثبت نسبت به این ابزارها از ۷۲٪ به ۶۰٪ کاهش یافته است.

تقریباً نیمی از برنامه‌نویسان (۴۵٪) از پاسخ‌هایی که «تقریباً درست اما نه کاملاً» هستند، ابراز ناامیدی کرده‌اند. این وضعیت منجر به ایجاد «بدهی تأیید» (Verification Debt) می‌شود، اصطلاحی که وآن نایکلز از ZDNet به کار برده است. کد فوراً تولید می‌شود، اما زمانی که در نوشتن ذخیره شده، صرف بازبینی این می‌شود که آیا خروجی امن است، قابلیت نگهداری دارد و از نظر معماری درست است یا خیر.

یک کاربر هکر نیوز این معامله را چنین توصیف کرد: کدنویسی عامل‌محور در واقع «معاوضه دقت و کنترل با سرعت و بهره‌وری» است. صنعت در حال بهینه‌سازی «توان عملیاتی» (Throughput) است که یک معیار قابل مشاهده است، در حالی که معیار نامرئی «قضاوت» در حال سقوط است. کارفرمایان با treating AI به عنوان یک ضرب‌کننده ظرفیت، فشار می‌آورند تا ویژگی‌های بیشتر و Pull Requestهای بزرگتری ارسال شود، که این امر ریسک عملیاتی را افزایش می‌دهد.

رهبران مهندسی اکنون با یک ریسک سیستمی روبرو هستند. اگر برنامه‌نویسان جونیور هرگز اصطکاک کدنویسی دستی را تجربه نکنند، صنعت در نهایت با کمبود برنامه‌نویسان سنیوری مواجه می‌شود که قادر به بازبینی کدهای AI باشند. این سناریوی «ماری است که دم خود را می‌خورد» است؛ جایی که معدود متخصصان باقی‌مانده، غرق در بازبینی کدهایی می‌شوند که با Vibe Coding (کدنویسی بر اساس حس و حال) تولید شده‌اند و اغلب «زباله‌های با کیفیت پایین» هستند اما آنقدر کاربردی هستند که تولیدکننده را متقاعد کنند که بلد است کد بزند.

برخی دستورات سازمانی وضعیت را بدتر کرده‌اند. گزارش‌های رشته بحث HN نشان می‌دهد مدیرانی به مهندسان می‌گویند: «اگر دارید کد را دستی می‌نویسید، دارید اشتباه انجامش می‌دهید». این منجر به تولید کدی شده است که سریع‌تر از توان بازبینی صادقانه انسان‌ها تولید می‌شود.

دیوید کرامر (David Cramer) از Sentry هشدار می‌دهد که باور به اینکه مدل‌های آینده کدهای فعلی را «پاکسازی» می‌کنند، یک آزمایش خطرناک است. او معتقد است اگر صدها مورد را به صورت موازی تولید کنید، کدها «۱۰۰٪ مواقع خراب خواهند بود».

برخی استدلال می‌کنند که این وضعیت شبیه زمانی است که کامپایلرها جایگزین تخصص اسمبلی شدند، اما منتقدان در هکر نیوز به یک تفاوت کلیدی اشاره می‌کنند: زبان‌های برنامه‌نویسی قطعی (Deterministic) هستند، اما LLMها نیستند. وقتی خودِ لایه انتزاع شروع به اختراع «نشت» می‌کند، مشابهت‌های تاریخی از بین می‌رود.

استراتژی‌های بقا

برای مقابله با این روند، برخی متخصصان رویکرد «اول اصطکاک» را پیشنهاد می‌کنند. رابرت سی. مارتین (Uncle Bob) استدلال کرده است که جونیورها باید در سه سال اول کاری از ابزارهای AI دوری کنند تا شهود ضروری را بسازند.

پژوهش‌های آنتروپیک (Anthropic) در سال ۲۰۲۶ تأیید می‌کند که تلاش شناختی — حتی گیر کردن دردناک در یک مسئله — برای رسیدن به تخصص حیاتی است. مؤثرترین راه استفاده از AI، تبدیل آن به یک «معلم سقراطی» است تا یک «ماشین پاسخ‌گو». این مطالعات نشان می‌دهند که بهره‌ورترین یادگیری زمانی رخ می‌دهد که ابزار اصلاً برای تولید کد استفاده نشود.

در مطالعه UPenn، دانشجویانی که از نسخه «معلم» AI استفاده کردند — جایی که مجبور بودند پس از دریافت راهنمایی، مسئله را مستقل حل کنند — ۱۲۷٪ بهتر از کسانی عمل کردند که از AI برای تولید پاسخ استفاده کرده بودند. این ثابت می‌کند وقتی اصطکاک باقی بماند، یادگیری اتفاق می‌افتد.

شرط‌بندی تریلیون دلاری

در نهایت، صنعت در حال یک شرط‌بندی بزرگ است. یا راهی برای حفظ تخصص انسانی از طریق آموزش‌های مبتنی بر AI می‌یابیم، یا می‌پذیریم که تخصص انسانی دیگر اهمیتی ندارد چون LLMها تمام خلاءها را پر می‌کنند. این شرط‌بندی بر این فرض است که مدل‌های زبانی «به‌طور مؤثر تبدیل به نسل جدید برنامه‌نویسان می‌شوند».

اگر این فرض غلط باشد، ما نسلی از برنامه‌نویسان را تربیت می‌کنیم که مسافران حرفه خود باشند، نه راننده. همان‌طور که جوئل اسپولسکی در سال ۲۰۰۲ در «قانون انتزاع‌های نشت‌کننده» هشدار داد، تنها راه برخورد competent با نشت‌ها، یادگیری نحوه عملکرد انتزاع‌ها است. اگر یادگیری را متوقف کنیم، توانایی بازبینی ماشین‌ها را از دست می‌دهیم.

بزرگ‌ترین ریسک این است که به نقطه‌ای برسیم که ماشین‌ها همه چیز را بنویسند و هیچ انسانی زنده نباشد که بتواند کد نوشته شده را بخواند. فروپاشی تخصص کدنویسی، شکست تکنولوژی نیست، بلکه شکست انگیزه‌هایی است که سرعت را بر درک، و اعتمادبه‌نفس را بر صلاحیت ترجیح می‌دهند.

اگر آخرین نسلی که می‌تواند کد بخواند، همان نسلی باشد که امروز کد می‌نویسد، وقتی ماشین‌ها همه چیز را نوشتند، چه کسی ماشین‌ها را بازبینی می‌کند؟ شواهد نشان می‌دهد فرسایش واقعی است؛ اینکه آیا اجتناب‌ناپذیر است یا خیر، بستگی به این دارد که صنعت ارزش «اصطکاک یادگیری» را بیشتر از «سرعت تولید» بداند.

گام بعدی شما

• اگر تازه‌کار هستید، برای هر قطعه کد تولید شده توسط AI، دلیل هر خط را در مستندات رسمی زبان جست‌وجو کنید تا «توهم صلاحیت» ایجاد نشود.
• از AI به جای تولید کد، برای «نقد کد» (Code Review) استفاده کنید و از آن بخواهد نقاط ضعف معماری کد شما را پیدا کند.
• در پروژه‌های حساس، جلسات «کدنویسی بدون AI» را برای تقویت حافظه عضلانی و شهود فنی برگزار کنید.

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