اسکات کری (Scott Carey)، سردبیر LeadDev مصاحبه‌ای با The New Stack داشت. LeadDev پلتفرمی است که کارش را به عنوان یک کسب‌وکار رویدادی آغاز کرد و هدفش کمک به مهندسان برای بهتر شدن در جنبه‌های مدیریتی و رهبری مهندسی نرم‌افزار است.
LeadDev اخیرا اولین «گزارش تاثیر هوش مصنوعی» خود را منتشر کرده که به بررسی نحوه استفاده توسعه‌دهندگان و سازمان‌هایشان از هوش مصنوعی در حال حاضر پرداخته است.
جایگاه AI بین دولوپرها و سازمان‌ها
این گزارش تصویری روشن از جایگاه فعلی سازمان‌های مهندسی در مسیر استفاده از هوش مصنوعی ارائه می‌دهد. برخی از یافته‌های کلیدی نشان می‌دهد که در حالی‌که دو سوم توسعه‌دهندگان و سازمان‌های مهندسی به‌طور فعال از ابزارها و مدل‌های هوش مصنوعی استفاده می‌کنند، ۲۰ درصد در مرحله اثبات مفهوم (PoC) و ۱۳ درصد در مرحله اکتشافی هستند. تنها ۲ درصد از پاسخ‌دهندگان گفته‌اند هیچ برنامه‌ای برای استفاده از ابزارها و مدل‌های هوش مصنوعی ندارند.
کری گفت:
«می‌خواهم با آن ۲ درصد افراد صحبت کنم، چون برایم جالب است بدانم کجا کار می‌کنند و چرا این ابزارها را به کار نمی‌گیرند، چون واقعا در اینجا استثنا هستند. از طرف دیگر، این موضوع اکنون بخشی از کاری است که همه انجام می‌دهند.»
ابزارهای هوش مصنوعی
در مورد ابزارهایی که افراد استفاده می‌کنند، گزارش LeadDev نشان داد که ۴۳ درصد از پاسخ‌دهندگان از Cursor به‌عنوان ابزاری که توسط سازمانشان تامین مالی شده، استفاده می‌کنند (که کمی غافلگیرکننده بود) و GitHub Copilot با ۳۷ درصد در رتبه دوم قرار گرفت.
ابزارهای شناخته‌شده‌ای مانند OpenAI، Google Gemini، Windsurf و Claude متعلق به Anthropic در میانه جدول بودند و پس از آن ابزارهای متعددی با سهم بسیار کم در میان پاسخ‌دهندگان قرار داشتند، از جمله Amazon Q، Bedrock، Replit و Lovable.
با توجه به این‌که اکثر پاسخ‌دهندگان توسعه‌دهندگان حرفه‌ای بودند و سوال درباره ابزارهایی بود که سازمانشان هزینه آن‌ها را تامین می‌کرد، منطقی است که ابزارهای Vibe-Coding مثل Lovable سهم کمی در لیست داشته باشند، هرچند انتظار می‌رفت Amazon عملکرد بهتری در این بخش داشته باشد.
کاربرد ابزارهای هوش مصنوعی برای مهندسان
یکی از نکات جالب در گزارش این بود که مهندسان شرکت‌کننده بیشتر از هوش مصنوعی و مدل‌های زبانی بزرگ (LLMs)، برای کارهایی مانند تولید کد، خلاصه‌سازی جلسات، نوشتن مستندات و محتواهای دیگر و تحقیق و یادگیری مفاهیم جدید استفاده کرده‌اند. با این حال، آن‌ها معمولا از هوش مصنوعی برای تحلیل داده (۷٪)، تست و کنترل کیفیت (۷٪)، اتوماسیون عملیات بخش IT (حدودا ۳٪) یا استقرار کد (۲٪) استفاده نکرده‌اند.
کری گفت:
«ایده DevOps مبتنی بر هوش مصنوعی و همه این چیزهایی که فروشندگان برایشان هیجان‌زده می‌شوند، هنوز جایی بین پاسخ‌دهندگان ما ندارد. آن‌ها هنوز در چرخه عمر توسعه نرم‌افزار به آن مرحله نرسیده‌اند تا واقعا این فناوری را روی آن مشکلات متمرکز کنند. این برای من ناامیدکننده است چون فکر می‌کنم آن‌جاست که بیشترین تاثیر -یا دست‌کم پتانسیل بیشترین تاثیر- وجود دارد. اما این فناوری هنوز آماده و در دسترس نیست و فروشندگان هم تمرکز خود را روی آن بخش قرار نداده‌اند.»
یکی از پرسش‌های جالبی که مدتی است صنعت را به چالش کشیده، این است که توسعه‌دهندگان تا چه حد فکر می‌کنند ابزارهای جدید هوش مصنوعی واقعا آن‌ها را بهره‌ورتر کرده‌اند و آیا واقعا چنین است یا نه. گزارشی اخیر از METR نشان داد که در حالی‌که توسعه‌دهندگان تصور می‌کنند هوش مصنوعی بهره‌وری آن‌ها را افزایش داده، این ابزارها در عمل سرعت آن‌ها را ۱۹٪ کاهش داده‌اند.
پاسخ‌دهندگان LeadDev هم عمدتا باور دارند که هوش مصنوعی آن‌ها را بهره‌ورتر کرده است؛ تنها ۵٪ گفته‌اند هیچ تغییری ایجاد نشده و ۱۰٪ اظهار کرده‌اند که این ابزارها بهره‌وری آن‌ها را کاهش داده است. اما ۲۶٪ نیز گفته‌اند مطمئن نیستند یا نمی‌دانند. این نکته به گفته کری، نشان می‌دهد بسیاری از سازمان‌ها اساسا روشی برای ردیابی بهره‌وری توسعه‌دهندگان ندارند.
با پذیرش هوش مصنوعی در سازمان‌ها، یکی دیگر از پرسش‌های همیشگی این است که این روند چه تاثیری بر مهندسان جونیور خواهد داشت؛ کسانی که بیشترین احتمال جایگزینی توسط ابزارهای هوش مصنوعی را دارند. اکثریت پاسخ‌دهندگان (۵۴٪) در نظرسنجی LeadDev معتقدند سازمان‌هایشان در بلندمدت، تعداد کمتری توسعه‌دهنده جونیور استخدام خواهند کرد و نقش آن‌ها بیشتر به نظارت بر عامل‌ها تغییر خواهد یافت.
منبع: thenewstack.io
دیدگاهتان را بنویسید