هزینه‌های پنهان کدنویسی با هوش مصنوعی مولد

هوش مصنوعی مولد ابزاری قدرتمند برای افزایش بهره‌وری در کدنویسی است؛ اما تنها زمانی که بادقت و به‌درستی به کار گرفته شود. استفاده نادرست از آن می‌تواند مقیاس‌پذیری را مختل، سیستم‌ها را بی‌ثبات و وضعیت شرکت‌ها را بدتر از قبل کند.

تله بهره‌وری

رشد هوش مصنوعی مولد در مشاغل دانش‌ورزی به‌ویژه در توسعه نرم‌افزار به طرزی انفجاری در حال گسترش است. نسخه‌های جدید چت‌بات‌هایی مانند ChatGPT به طور ویژه بر تقویت قابلیت‌های کدنویسی تمرکز دارد و گامی در جهت خودکارسازی کامل به شمار می‌رود.

سازمان‌هایی که این ابزارها را به کار می‌گیرند، انتظار دستاوردهای بزرگی دارند. تحقیقات اولیه نیز این خوش‌بینی را تأیید می‌کند. گیت‌هاب گزارش داده است که برنامه‌نویسانی که از Copilot استفاده می‌کنند تا ۵۵ درصد بهره‌وری بیشتری دارند و مک‌کنزی نیز نشان داد توسعه‌دهندگان می‌توانند با کمک هوش مصنوعی مولد وظایف خود را تا دوبرابر سریع‌تر به پایان برسانند. اما این نتایج مثبت یک تبصره مهم نیز دارند؛ این مطالعات در محیط‌های کنترل‌شده انجام شده‌اند، جایی که برنامه‌نویسان وظایف ازپیش‌تعیین‌شده و جداگانه را تکمیل می‌کردند، نه در محیط‌های واقعی که نرم‌افزار باید بر روی سیستم‌های پیچیده و موجود ساخته شود.

وقتی استفاده از کد تولیدشده توسط هوش مصنوعی به‌سرعت گسترش می‌یابد یا در محیط‌های قدیمی (brownfield) به کار گرفته می‌شود، ریسک‌ها بسیار بیشتر و مدیریت آن‌ها دشوارتر می‌شود. با تکیه‌بر مصاحبه با متخصصان، مرور رسانه‌های تخصصی و مدل‌سازی اقتصادی، نشریه MIT Sloan Management Review، در نسخه Fall 2025 خود چندین ملاحظه استراتژیک را شناسایی کرده و پیشنهاد داده که شرکت‌ها باید در هنگام استفاده از هوش مصنوعی مولد در توسعه نرم‌افزار در نظر بگیرند.

چرا بدهی فنی با هوش مصنوعی سریع‌تر رشد می‌کند؟

زمانی که یک سازمان نرم‌افزار جدید را با سرعت وارد سیستم‌های موجود می‌کند، ناخواسته می‌تواند شبکه‌ای از وابستگی‌های پیچیده ایجاد کند که «بدهی فنی» (Technical Debt) را افزایش می‌دهد. بدهی فنی در واقع هزینه کارهای فناورانه‌ای است که در آینده باید برای جبران میان‌بُرها و رفع اصلاحات سطحی در طول توسعه انجام شود. بدهی فنی همان بخش پنهان و آسیب‌پذیر فناوری دیجیتال است.

این همان کدهای ۶۰ساله COBOL در سیستم‌های بانکی است که هرگز به‌درستی مستندسازی یا به‌روزرسانی نشدند. همان کوتاهیِ نمایش سال با دو رقم به‌جای چهار رقم بود که بحران Y2K (آغاز سال 2000) را رقم زد و صدها میلیارد دلار هزینه جهانی به بار آورد. انباشت بدهی فنی چرخه‌های توسعه را کند می‌کند، پیچیدگی را افزایش می‌دهد و آسیب‌پذیری‌های امنیتی ایجاد می‌کند که در نهایت می‌تواند به شکست سیستم منجر شود.

«کنسرسیوم کیفیت اطلاعات و نرم‌افزار» (Consortium for Information & Software Quality) برآورد کرده است که هزینه بدهی فنی در ایالات متحده حداقل ۲.۴ تریلیون دلار است. با وجود این هزینه سنگین، بیشتر سازمان‌ها اولویت چندانی برای پرداختن به بدهی فنی قائل نیستند و اغلب کمتر از ۲۰ درصد از بودجه فناوری خود را به آن اختصاص می‌دهند. توسعه‌دهندگان اذعان دارند که معمولاً مدیریت بدهی فنی را به‌صورت پنهانی در زمان تعمیر و نگهداری انجام می‌دهند، چون مدیران به‌ندرت زمانی اختصاصی برای آن تأیید می‌کنند. به قول یکی از توسعه‌دهندگان ارشد: «هیچ‌کس بدهی فنی را درست نمی‌کند، همین باعث بحران‌های بیشتر می‌شود و بحران‌ها هم مانع از رفع بدهی فنی می‌شوند و این چرخه ادامه دارد.»

می‌توان بدهی فنی را مشابه بدهی مالی در نظر گرفت. «اصل بدهی» کارهایی است که برای مدرن‌سازی و بازسازی کد باید انجام شود؛ «بهره» (interest) هم پیچیدگی‌های مستمر است که نگهداری را کند کرده، مقیاس‌پذیری را دشوار می‌سازد و ریسک شکست را بالا می‌برد. هرچند بخشی از بدهی فنی اجتناب‌ناپذیر است، اما اجرای کدهای تولیدشده توسط هوش مصنوعی اغلب شبیه به گرفتن وامی با نرخ بهره بسیار بالاتر است. یکی از توسعه‌دهندگان در این باره می‌گوید: «مشکل هوش مصنوعی این است که نمی‌تواند تصویر کلی را ببیند.»

توسعه‌دهندگان مشکلاتی مانند تکرار کد، دشواری در یکپارچه‌سازی، تعارض در وابستگی‌ها، نبود درک از بستر کلی و ده‌ها مسئله دیگر ناشی از کدنویسی با هوش مصنوعی را عنوان می‌کنند. در واقع، تحلیل گیت‌کلیر (GitClear) روی میلیون‌ها خط کد بین سال‌های ۲۰۲۰ تا ۲۰۲۴ نشان داد که تکرار بلوک‌های کد هشت برابر و تغییرات کد دوبرابر شده است که هر دو شاخصی از کاهش کیفیت کد هستند. گزارش «Accelerate State of DevOps 2024» از تیم DevOps گوگل نیز نشان داد که افزایش ۲۵ درصد در استفاده از هوش مصنوعی، کیفیت بازبینی کد و مستندسازی را بهبود می‌دهد، اما ثبات تحویل را ۷.۲ درصد کاهش می‌دهد؛ بنابراین، چیزی که امروز به نظر پیشرفت سریع می‌رسد، ممکن است فردا به عقب‌گردی پرهزینه تبدیل شود.

افزودن کدهای تولیدشده توسط هوش مصنوعی به محیط‌های توسعه قدیمی این ریسک‌ها را چندبرابر می‌کند. سیستم‌های قدیمی معمولاً خودشان بدهی فنی پنهان دارند؛ لایه‌گذاری کدهای هوش مصنوعی روی آن‌ها، وابستگی‌های درهم‌تنیده بیشتری ایجاد می‌کند که روند توسعه را کندتر کرده و ثبات سیستم‌ها را بیش‌ازپیش تهدید می‌کند. به گفته یکی از مهندسان یک شرکت بزرگ هوش مصنوعی: «هوش مصنوعی نمی‌تواند بفهمد پایگاه کد شما چه وضعیتی دارد، بنابراین نمی‌تواند با شیوه جاری شما هماهنگ شود.» شاید مدل‌های آینده هوش مصنوعی بتوانند کل پایگاه‌های کد را تحلیل کنند و این مشکلات را حل نمایند، اما در حال حاضر، کار در محیط‌های قدیمی احتمالاً بدهی فنی را بیشتر و پیچیده‌تر می‌کند.

انباشت بدهی فنی بسیار خطرناک است. بحران شرکت هواپیمایی Southwest در سال ۲۰۲۲ که منجر به زمین‌گیر شدن بیش از ۱۶۹۰۰ پرواز شد و بیش از ۷۵۰ میلیون دلار هزینه روی دست شرکت گذاشت، ریشه در بدهی فنی سیستم‌های زمان‌بندی خدمه داشت. همین‌طور، بدهی فنی عامل اصلی خاموشی گسترده CrowdStrike در سال ۲۰۲۴ بود که موجب اختلالات جهانی در ارائه خدمات درمانی شد. در می ۲۰۲۵ نیز فرودگاه بین‌المللی Newark Liberty نیوجرسی با تأخیرهای گسترده و صدها لغو پرواز مواجه شد که علت آن ترکیبی از فناوری قدیمی کنترل ترافیک هوایی و کمبود نیروی انسانی بود.

چنین شکست‌هایی نشان می‌دهد که ریسک‌های پنهان می‌توانند ناگهان حتی بزرگ‌ترین سازمان‌ها را فلج کنند. بدون تلاش آگاهانه برای «پرداخت اصل بدهی»، سازمان‌ها در معرض خطر قرار دارند؛ ابتدا به‌آهستگی و سپس ناگهان از پا درمی‌آیند.

چه زمانی استفاده از هوش مصنوعی مولد در کدنویسی (نسبتاً) ایمن است؟

وجود ریسک‌های بالقوه به این معنا نیست که شرکت‌ها باید برای همیشه از استفاده هوش مصنوعی مولد در کدنویسی اجتناب کنند. در زمینه‌های مناسب مانند ساخت سریع پروتوتایپ از محصولات جدید در محیط‌های سبز (greenfield)؛ کدهای تولیدشده توسط هوش مصنوعی می‌تواند برتری قابل‌توجهی در سرعت روند انجام کار ایجاد کند. در چنین مواردی، کد اولیه به‌هرحال نیازمند بازنگری‌های اساسی خواهد بود و بنابراین هزینه بدهی فنی کمتر خواهد بود.

اما زمانی که مقیاس‌پذیری یک اولویت باشد، یا در محیط‌های قدیمی (brownfield) که با سیستم‌های سنتی (legacy) سنگین شده‌اند، استفاده از کد تولیدشده توسط هوش مصنوعی باید با نهایت احتیاط انجام شود. دو عامل به‌شدت سطح ریسک را تحت‌تأثیر قرار می‌دهند:

• محیط توسعه (greenfield or brownfield): پروژه‌های greenfield که هیچ کد قدیمی‌ای ندارند، ریسک کمتری ایجاد می‌کنند. پروژه‌های brownfield به‌مراتب بیشتر در معرض انباشت بدهی فنی پنهان قرار دارند.
• مهارت‌های مهندسی نرم‌افزار: تجربه‌های توسعه‌دهندگان ارشد نشان می‌دهد که توسعه‌دهندگان کم‌تجربه بیشتر مستعدند بدهی فنی ناشی از هوش مصنوعی را به حال خود رها کنند تا تلنبار شود. در مقابل، توسعه‌دهندگان باتجربه بهتر می‌توانند نقص‌های معماری را شناسایی کرده و پیش از گسترش، بدهی فنی را کنترل کنند.

همان‌طور که یک توسعه‌دهنده در بخش زیرساخت هوش مصنوعی یک شرکت بزرگ فناوری Fortune 50 توضیح می‌دهد: «[با هوش مصنوعی] یک مهندس تازه‌کار می‌تواند به‌سرعت یک مهندس ارشد کدنویسی کند، اما درک شناختی از کاری که انجام می‌دهد ندارد … نمی‌داند چه مشکلاتی ایجاد می‌کند … یا حتی اینکه کارش از اساس تصمیم درستی هست یا نه.»

بنابراین مدیران باید در شرایطی که توسعه‌دهندگان کم‌تجربه کدهای تولیدشده توسط هوش مصنوعی را به کار می‌گیرند، یا زمانی که این کدها در محیط‌های brownfield استفاده می‌شوند، نهایت احتیاط را به خرج دهند. اگر هر دو عامل خطر هم‌زمان وجود داشته باشد، شاید بهترین گزینه این باشد که کلاً از اجرای کدهای تولیدشده توسط هوش مصنوعی اجتناب شود.

کاهش «مالیات هوش مصنوعی» بر بدهی فنی

حتی باوجوداینکه هوش مصنوعی مولد به طور مداوم در حال بهبود و افزایش بهره‌وری است، تحقیقات نشان می‌دهد که ریسک‌های مرتبط با آن همچنان اهمیت خواهند داشت. سازمان‌ها باید تمایل ابزارهای هوش مصنوعی به افزایش بدهی فنی را یک ریسک استراتژیک در نظر بگیرند، نه صرفاً یک مزاحمت عملیاتی. برای بهره‌برداری کامل از ظرفیت هوش مصنوعی مولد، شرکت‌ها باید اقدامات زیر را انجام دهند:

• تدوین دستورالعمل‌های شفاف درباره زمان و چگونگی استفاده از ابزارهای کدنویسی مبتنی بر هوش مصنوعی. بسیاری از شرکت‌های بزرگ از جمله مایکروسافت، گوگل، متا و Salesforce پیش‌تر سیاست‌های استفاده مسئولانه از هوش مصنوعی را مبتنی بر اصول اخلاقی همچون انصاف، حریم خصوصی و شمول‌گرایی تنظیم کرده‌اند. بااین‌حال، تبدیل این اصول کلی به دستورالعمل‌های عملی و روزمره در توسعه نرم‌افزار تقویت‌شده با هوش مصنوعی (AI-augmented)، همچنان یک روند در حال تکامل است. انتظار می‌رود این دستورالعمل‌ها به‌زودی شامل استفاده از هوش مصنوعی برای بهبود پایگاه‌های کد موجود نیز شود. به گفته یکی از توسعه‌دهندگان: «اگر منطق را استخراج کرده و به هوش مصنوعی آموزش دهید، می‌توانید بدهی فنی را به‌سرعت کاهش دهید.» شواهد اولیه‌ای نیز وجود دارد که هوش مصنوعی می‌تواند در نگهداری کدهای سنتی مفید باشد، اما تعریف دقیق وظایف و حضور مداوم انسان در چرخه کنترل حیاتی است. برای نمونه، بانک Morgan Stanley در حال آزمایش این رویکرد با یک ابزار داخلی هوش مصنوعی مولد است، زیرا مدل‌های آماده بازار هنوز توانایی کافی برای مدیریت ترجمه کدهای قدیمی را ندارند.
• مدیریت بدهی فنی به‌عنوان یک اولویت مهندسی، نه یک کار فرعی. دستورالعمل‌های متعددی برای مدیریت بدهی فنی وجود دارد، اما آنچه اهمیت دارد این است که مدیریت بدهی فنی در جریان کار روزمره گنجانده شود، نه اینکه تنها زمانی به آن پرداخته شود که بحران رخ‌داده است. در غیر این صورت، بر اساس مدل‌سازی اقتصادی MIT Sloan Management Review ، عملکرد شاید در کوتاه‌مدت بهبود یابد؛ اما در بلندمدت بدهی فنی این بهبود را از بین خواهد برد.
• سرمایه‌گذاری در آموزش توسعه‌دهندگان تازه‌کار تا بتوانند ابزارهای هوش مصنوعی را بدون ایجاد بدهی فنی بیش از حد به کار بگیرند. برخی شرکت‌ها از هم‌اکنون تلاش برای ارتقای مهارت‌ها (به‌ویژه در زمینه مهندسی پرامپت) را از طریق آموزش‌های درون‌سازمانی یا کارگاه‌های خارجی آغاز کرده‌اند. اما توانایی ارزیابی خروجی هوش مصنوعی به رویکرد متفاوتی نیاز دارد. در اینجا نقش مربی‌گری اهمیت پیدا می‌کند. بازبینی‌های سنتی کد باید تکامل یابد؛ توسعه‌دهندگان ارشد نه‌تنها باید کیفیت کد را بررسی کنند، بلکه باید به توسعه‌دهندگان جوان‌تر آموزش دهند که چگونه به شکل مسئولانه و مؤثر از هوش مصنوعی استفاده کنند. چنین هدایت و نظارتی همچنین می‌تواند از فرسایش مهارت‌های بنیادی نسل آینده برنامه‌نویسان جلوگیری کند.

هوش مصنوعی مولد به‌طورقطع ماندگار است. اما مانند هر ابزار قدرتمندی، نیازمند احترام، انضباط و استراتژی است. سازمان‌هایی که شتاب‌زده و بدون برنامه جلو می‌روند، در معرض این خطرند که دستاوردهای بهره‌وری امروزشان به بهای ازدست‌دادن توان رقابتی فردا تمام شود.