هوش مصنوعی چگونه شیوه کار در Anthropic را تغییر داد

زمان مطالعه: 22 دقیقه

Anthropic در آگوست ۲۰۲۵ از ۱۳۲ مهندس و محقق Anthropic نظرسنجی کرد، ۵۳ مصاحبه کیفی عمیق انجام داد و داده‌های داخلی استفاده از Claude Code را تحلیل کرد تا دریابد استفاده از هوش مصنوعی چگونه نحوه انجام کارها را در Anthropic تغییر می‌دهد. یافته‌ها Anthropic نشان می‌دهد که استفاده از هوش مصنوعی به شکلی اساسی در حال تغییر ماهیت کار برای توسعه‌دهندگان نرم‌افزار است و هم‌زمان موجی از امید و نگرانی ایجاد کرده است.

مقدمه

نتایج این تحقیق محیط کاری را نشان می‌دهد که با تحولات قابل‌توجهی روبروست: مهندسان کارهای بسیار بیشتری انجام می‌دهند و اصطلاحاً فول‌استک شده‌اند (توانایی موفقیت در وظایفی فراتر از تخصص معمول خود)، سرعت یادگیری و اصلاح خود را افزایش داده‌اند و به وظایفی می‌پردازند که پیش‌تر نادیده گرفته می‌شدند. این گسترش در عرض باعث شده است که افراد درباره هزینه‌های فرصت و سبک‌سنگین کردن‌ها دچار تردید شوند؛ برخی نگران‌اند که این امر به معنای ازدست‌دادن «صلاحیت فنی عمیق» یا کاهش توانایی در نظارت مؤثر بر خروجی‌های Claude باشد، درحالی‌که دیگران از فرصت تفکر گسترده‌تر و در سطحی بالاتر استقبال می‌کنند. برخی دریافتند که همکاری بیشتر با هوش مصنوعی به معنای همکاری کمتر با همکاران واقعی است و برخی دیگر در این فکر بودند که آیا در نهایت با اتوماسیون، خود را از چرخه شغلی حذف خواهند کرد یا خیر.

Anthropic اذعان می‌کند که مطالعه تأثیر هوش مصنوعی در شرکتی که خود سازنده هوش مصنوعی است، به معنای بازنمایی یک موقعیت ممتاز است؛ مهندسان Anthropic پیش از سایرین به ابزارهای پیشرفته دسترسی دارند، در حوزه‌ای نسبتاً پایدار کار می‌کنند و خودشان در تحول هوش مصنوعی که بر سایر صنایع تأثیر می‌گذارد، سهیم هستند. بااین‌وجود، دسترسی احساس کرد که در مجموع، تحقیق و انتشار این یافته‌ها مفید است، زیرا آنچه در داخل Anthropic برای مهندسان رخ می‌دهد، می‌تواند پیش‌درآمدی آموزنده از تحولات گسترده‌تر اجتماعی باشد. یافته‌های Anthropic متضمن چالش‌ها و ملاحظاتی است که ممکن است نیازمند توجه زودهنگام در تمامی بخش‌ها باشد. در زمان جمع‌آوری این داده‌ها، مدل‌های Claude Sonnet 4 و Claude Opus 4 توانمندترین مدل‌های موجود بودند و از آن زمان قابلیت‌ها همچنان پیشرفت کرده است.

هوش مصنوعی توانمندتر، مزایای بهره‌ورانه به همراه دارد، اما پرسش‌هایی را نیز در مورد حفظ تخصص فنی، صیانت از همکاری‌های معنادار و آماده‌شدن برای آینده‌ای نامطمئن ایجاد می‌کند؛ آینده‌ای که ممکن است نیازمند رویکردهای جدید در یادگیری، مربی‌گری و توسعه مسیر شغلی در یک محیط کار تقویت‌شده با هوش مصنوعی باشد.

داده‌های نظرسنجی

از ۱۳۲ مهندس و محقق Anthropic در سراسر سازمان درباره نحوه استفاده‌شان از Claude نظرسنجی شد تا درک دقیق‌تری از فعالیت‌های روزمره آن‌ها به دست آید. این نظرسنجی از طریق کانال‌های ارتباطی داخلی و تماس مستقیم با کارکنان در تیم‌های مختلف (اعم از بخش‌های تحقیقاتی و محصول) توزیع شد.

افراد برای کدام وظایف کدنویسی از Claude استفاده می‌کنند؟

Anthropic از مهندسان و محققان مورد بررسی خواست میزان دفعات استفاده از Claude را برای انواع وظایف کدنویسی رتبه‌بندی کنند؛ وظایفی نظیر:

• «عیب‌یابی» (Debugging): استفاده از Claude برای کمک به رفع خطاهای کد
• «درک کد» (Code understanding): توضیح کدهای موجود توسط Claude برای کمک به کاربر انسانی جهت درک بدنه کد
• «بازسازی کد» (Refactoring): استفاده از Claude برای بازطراحی ساختار کدهای موجود
• «علوم داده» (Data science): به‌عنوان‌مثال، تحلیل مجموعه‌داده‌ها و ترسیم نمودارهای میله‌ای توسط Claude

در ادامه، رایج‌ترین وظایف روزانه آورده شده است. اکثر کارکنان (۵۵ درصد) به‌صورت روزانه از Claude برای عیب‌یابی استفاده می‌کنند. ۴۲ درصد هر روز برای درک کد و ۳۷ درصد هر روز برای پیاده‌سازی ویژگی‌های جدید از آن بهره می‌برند. وظایفی که کمتر تکرار می‌شوند عبارت‌اند از: طراحی/برنامه‌ریزی در سطح بالا (احتمالاً به این دلیل که افراد ترجیح می‌دهند این وظایف را در کنترل انسان نگه دارند) و همچنین علوم داده و توسعه فرانت‌اند (احتمالاً به این دلیل که در مجموع کارهای کم‌تکرارتری هستند). این توزیع تقریباً با داده‌های استفاده از Claude Code که در بخش Claude Code usage trends گزارش شده، هم‌خوانی دارد.

میزان استفاده و بهره‌وری

کارکنان در گزارش‌های خود اظهار داشتند که در طی ۱۲ ماه پیش، در ۲۸ درصد از کارهای روزانه خود از Claude استفاده کردند و بیش از ۲۰ درصد+ افزایش بهره‌وری داشتند؛ درحالی‌که اکنون در ۵۹ درصد از کارهایشان از Claude استفاده می‌کنند و به طور متوسط بیش از ۵۰ درصد افزایش بهره‌وری کسب می‌کنند. این موضوع تقریباً با افزایش ۶۷ درصدی در «درخواست‌های ادغام شده» (Merged Pull Requests)؛ یعنی تغییرات کد که با موفقیت تأیید و اعمال شده‌اند به‌ازای هر مهندس در روز که پس از پذیرش Claude Code در کل سازمان مهندسی مشاهده شد، مطابقت دارد. مقایسه سال‌به‌سال بسیار چشمگیر است؛ این نتایج نشان‌دهنده بیش از ۲ برابر افزایش در هر دو شاخص طی یک سال است. همچنین همبستگی شدیدی میان «میزان استفاده» و «بهره‌وری» وجود دارد و در بخش‌های انتهایی نمودار توزیع، ۱۴ درصد از پاسخ‌دهندگان بهره‌وری خود را با استفاده از Claude بیش از ۱۰۰ درصد افزایش می‌دهند؛ این افراد «کاربران حرفه‌ای» (Power users) داخلی Anthropic هستند.

در جهت تبیین این یافته و سایر یافته‌های مربوط به بهره‌وری خوداظهاری، باید اشاره کرد که اندازه‌گیری دقیق بهره‌وری دشوار است. تحقیقات اخیر از سوی نهاد غیرانتفاعی تحقیقاتی هوش مصنوعی METR، نشان داده است که توسعه‌دهندگان باسابقه هنگام کار با هوش مصنوعی روی بدنه‌های کدِ بسیار آشنا، در مورد بهبود بهره‌وری خود دچار بیش‌برآورد (Overestimate) می‌شوند. بااین‌حال، عواملی که METR به‌عنوان دلایل بهره‌وری پایین‌تر از حد انتظار شناسایی کرده؛ مانند عملکرد ضعیف‌تر هوش مصنوعی در محیط‌های بزرگ و پیچیده یا جایی که دانش ضمنی/زمینه زیادی لازم است؛ دقیقاً با انواع وظایفی که کارکنان Anthropic اعلام کردند به Claude واگذار نمی‌کنند، مطابقت دارد. دستاوردهای بهره‌وری که در وظایف مختلف گزارش شده، ممکن است بازتاب‌دهنده توسعه «مهارت‌های استراتژیک واگذاری به هوش مصنوعی» توسط کارکنان باشد؛ موضوعی که در مطالعه METR لحاظ نشده بود.

یک الگوی بهره‌وری جالب زمانی پدیدار می‌شود که از کارکنان پرسیده شد برای دسته‌هایی از وظایف که در حال حاضر از Claude استفاده می‌کنند، این ابزار چگونه بر کل زمان صرف‌شده و حجم خروجی کار آن‌ها تأثیر می‌گذارد. در تقریباً تمام دسته‌های وظایف، شاهد کاهش خالص در زمان صرف‌شده و افزایش خالصِ بزرگ‌تری در حجم خروجی هستیم.

محور افقی در هر نمودار مربوط به کاهش (مقادیر منفی)، افزایش (مقادیر مثبت) یا عدم تغییر (خط تیره عمودی) در زمان صرف‌شده یا حجم خروجی کارهای انجام شده با کمک Claude، در مقایسه با عدم استفاده از آن است. نوارهای خطا فاصله اطمینان ۹۵ درصد را نشان می‌دهند. مساحت دایره‌ها متناسب با تعداد پاسخ‌ها در هر امتیاز رتبه‌بندی است. فقط پاسخ‌دهندگانی که گزارش داده‌اند برای آن دسته از وظایف از Claude استفاده می‌کنند، لحاظ شده‌اند

بااین‌حال، وقتی عمیق‌تر در داده‌های خام کاوش کنیم، می‌بینیم که پاسخ‌های مربوط به صرفه‌جویی در زمان در دو قطب مخالف متمرکز شده‌اند. برخی افراد زمان به‌مراتب بیشتری را صرف وظایفی می‌کنند که توسط Claude انجام می‌شود. دلیل چیست؟ پاسخ‌دهندگان عموماً توضیح دادند که ناچار هستند عیب‌یابی و پاک‌سازی بیشتری روی کدهای تولیدشده توسط Claude انجام دهند (با وایب‌کدینگ خودم را رفتار کردم) و بار شناختی بیشتری را برای درک کدهای Claude تحمل کنند، چرا که خودشان آن‌ها را ننوشته‌اند. برخی به صرف زمان بیشتر برای وظایف از جنبه توانمندساز اشاره کردند؛ یکی از پاسخ‌دهندگان گفت استفاده از Claude به او کمک می‌کند تا «به سراغ وظایفی برود که قبلاً بلافاصله از آن‌ها دست می‌کشید»؛ دیگری گفت این ابزار به او کمک می‌کند تست‌های دقیق‌تری انجام دهد و یادگیری و اکتشاف بیشتری در بدنه کدهای جدید داشته باشد. به نظر می‌رسد به‌طورکلی، مهندسانی که صرفه‌جویی در زمان را تجربه می‌کنند، کسانی هستند که وظایف «به‌سرعت قابل‌تأیید» را برای Claude تعریف می‌کنند، درحالی‌که کسانی که زمان بیشتری صرف می‌کنند، ممکن است در حال عیب‌یابی کدهای تولیدشده با هوش مصنوعی یا کار در حوزه‌هایی باشند که Claude در آن‌ها به راهنمایی بیشتری نیاز دارد.

همچنین از داده‌های Anthropic مشخص نیست که زمان صرفه‌جویی شده در کجا مجدداً استفاده می‌شود؟ آیا صرف وظایف مهندسی اضافی می‌شود یا کارهای غیرمهندسی، تعامل با Claude و بازبینی خروجی‌های آن و یا فعالیت‌های خارج از کار؟ چارچوب دسته‌بندی وظایف Anthropic تمام روش‌هایی را که مهندسان ممکن است زمان خود را تخصیص دهند، پوشش نمی‌دهد. علاوه بر این، صرفه‌جویی در زمان ممکن است بازتاب‌دهنده سوگیری‌های ادراکی در خوداظهاری باشد. برای تفکیک این اثرات به تحقیقات بیشتری نیاز است.

افزایش حجم خروجی واضح‌تر و قابل‌توجه‌تر است و یک افزایش خالصِ بزرگ در تمام دسته‌های وظایف دیده می‌شود. این الگو زمانی منطقی به نظر می‌رسد که در نظر بگیریم افراد در مورد دسته‌بندی وظایف مانند کل فرایند عیب‌یابی گزارش می‌دهند و نه تک‌تک وظایف؛ به این معنی که افراد می‌توانند زمان کمی کمتری را صرف «عیب‌یابی» به‌عنوان یک دسته کلی کنند، درحالی‌که در مجموع خروجی عیب‌یابی بسیار بیشتری تولید می‌کنند. اندازه‌گیری مستقیم بهره‌وری بسیار دشوار است، اما این داده‌های خوداظهاری نشان می‌دهد که هوش مصنوعی در Anthropic، در درجه اول از طریق افزایش حجم خروجی باعث ارتقای بهره‌وری می‌شود.

Claude به‌عنوان توانمندسازِ کارهای جدید

یک موضوع کنجکاوبرانگیز بود: آیا Claude در حال توانمندسازی نوع جدیدی از کارها از نظر کیفی است یا کارهای انجام شده با کمک Claude در نهایت توسط کارکنان انجام می‌شد (هرچند با سرعتی کمتر)؟

کارکنان برآورد کردند که ۲۷ درصد از کارهای انجام‌شده با کمک Claude، بدون آن اصلاً انجام نمی‌شد. مهندسان به استفاده از هوش مصنوعی برای مقیاس‌بندی پروژه‌ها، کارهای جانبیِ مطلوب مانند داشبوردهای تعاملی داده، کارهای مفید اما ملال‌آور مانند مستندسازی و تست و کارهای اکتشافی که انجام دستی آن‌ها مقرون‌به‌صرفه نبود اشاره کردند. همان‌طور که یکی از افراد توضیح داد که آن‌ها اکنون می‌توانند مشکلات جزئی بیشتری را ترمیم کنند که قبلاً به کیفیت زندگی کاری آسیب می‌زد؛ مواردی مانند بازسازی کدهای بدساختار، یا ساخت «ابزارهای کوچکی که کمک می‌کنند وظیفه دیگری را سریع‌تر انجام دهیم». Anthropic این موضوع را در تحلیل داده‌های استفاده خود نیز بررسی کرد و دریافت که ۸.۶ درصد از وظایف Claude Code شامل همین حل مشکلات جزئی است.

محقق دیگری توضیح داد که آن‌ها نسخه‌های زیادی از Claude را به طور هم‌زمان اجرا می‌کنند که هر کدام رویکردهای متفاوتی را برای حل یک مسئله کشف می‌کنند: «افراد تمایل دارند به مدل‌های فوق‌توانمند به‌عنوان یک نمونه واحد نگاه کنند، مثل داشتن یک ماشین سریع‌تر. اما داشتنِ یک میلیون اسب… به شما اجازه می‌دهد دسته‌ای از ایده‌های مختلف را تست کنید… وقتی این عرضِ اضافی را برای اکتشاف دارید، کار هیجان‌انگیزتر و خلاقانه‌تر می‌شود.» همان‌طور که در بخش‌های بعدی خواهیم دید، این کارهای جدید اغلب شامل مهندسانی می‌شود که وظایفی خارج از تخصص اصلی خود را بر عهده می‌گیرند.

چه مقدار از کار را می‌توان به طور کامل به Claude واگذار کرد؟

اگرچه مهندسان مکرراً از Claude استفاده می‌کنند، بیش از نیمی از آن‌ها گفتند که تنها بین ۰ تا ۲۰ درصد از کار خود را می‌توانند به طور کامل به Claude «واگذار کنند». شایان‌ذکر است که تفاوت‌هایی در نحوه تفسیر «واگذاری کامل» توسط پاسخ‌دهندگان وجود دارد؛ از وظایفی که اصلاً نیازی به تأیید ندارند تا وظایفی که به‌اندازه کافی قابل‌اعتماد هستند و تنها به نظارت اندک نیاز دارند. مهندسان در توضیح چرایی این موضوع، کارِ فعال و تکرارشونده با Claude و اعتبارسنجی خروجی‌های آن را توصیف کردند؛ به‌ویژه برای وظایف پیچیده یا حوزه‌های حساس که استانداردهای کیفیت کد در آن‌ها حیاتی است. چنین چیزی نشان می‌دهد که مهندسان ترجیح می‌دهند به‌جای تحویل‌دادن کارها بدون اعتبارسنجی، با Claude همکاری نزدیکی داشته باشند، کار آن را بررسی کنند و استاندارد بالایی برای آنچه «واگذاری کامل» محسوب می‌شود، قائل هستند.

مصاحبه‌های کیفی

درحالی‌که یافته‌های این نظرسنجی نشان‌دهنده افزایش قابل‌توجه بهره‌وری و تغییر الگوهای کاری است، پرسش‌هایی را نیز در مورد نحوه تجربه واقعی این تغییرات توسط مهندسان در زندگی روزمره ایجاد می‌کند. برای درک ابعاد انسانی پشت این آمارها، Anthropic مصاحبه‌های عمیقی با ۵۳ نفر از مهندسان و محققان که در نظرسنجی شرکت کرده بودند انجام داد تا دیدگاه و احساس آن‌ها را نسبت به این تغییرات در محیط کار جویا شود.

رویکردهای واگذاری به هوش مصنوعی

مهندسان و محققان در حال توسعه استراتژی‌های متنوعی برای بهره‌برداری بهینه از Claude در جریان کاری خود هستند. افراد عموماً وظایفی را واگذار می‌کنند که دارای ویژگی‌های زیر باشند:

• خارج از ساختار ذهنی کاربر و دارای پیچیدگی کم:
  «من از Claude برای مواردی استفاده می‌کنم که اشراف کمی بر آن‌ها دارم، اما فکر می‌کنم پیچیدگی کلی آن‌ها نیز کم است.»
  «اکثر مشکلات زیرساختی من دشوار نیستند و Claude از پس آن‌ها برمی‌آید… من Git یا لینوکس را خیلی خوب بلد نیستم… Claude به‌خوبی خلأ ناشی از عدم تجربه من در این زمینه‌ها را پر می‌کند.»
• اعتبارسنجی آسان:
  «برای هر کاری که زحمتِ اعتبارسنجی در مقایسه با زحمتِ تولید آن زیاد نباشد، این ابزار فوق‌العاده است.»
• خودکفا یا مستقل (Self-contained):
  «اگر یکی از زیرمؤلفه‌های پروژه به‌اندازه کافی از بقیه بخش‌ها مجزا باشد، از Claude می‌خواهم که شانسی برای انجامش امتحان کند.»
• عدم حساسیت به کیفیت کد:
  «اگر کد مربوط به عیب‌یابیِ موقت یا کد تحقیقاتی باشد، مستقیماً به Claude می‌سپارم. اما اگر موضوع از نظر مفهومی دشوار باشد، یا نیاز به نوع خاصی از تزریق کد برای عیب‌یابی (Debug injection) داشته باشد، یا یک مسئله طراحی باشد، خودم آن را انجام می‌دهم.»
• تکراری یا خسته‌کننده:
  «هرچه برای انجام کاری هیجان‌زده‌تر باشم، احتمال اینکه از Claude استفاده نکنم بیشتر است. درحالی‌که اگر مقاومت ذهنی زیادی احساس کنم… اغلب شروع یک گفت‌وگو با Claude درباره آن وظیفه برایم آسان‌تر است.»
  • در نظرسنجی Anthropic، افراد به طور متوسط اعلام کردند که ۴۴ درصد از کارهای انجام شده با کمک Claude، شامل وظایفی بوده که خودشان به‌تنهایی از انجام‌دادن آن‌ها لذت نمی‌بردند.
• زمانی که پرامپت‌نویسی سریع‌تر از اجرا باشد:
  «برای وظیفه‌ای که پیش‌بینی می‌کنم کمتر از ۱۰ دقیقه از من زمان بگیرد… احتمالاً به خودم زحمت استفاده از Claude را نمی‌دهم.»

«مشکل «شروع سرد» (Cold start) احتمالاً بزرگ‌ترین مانع فعلی است. منظورم از شروع سرد این است که اطلاعات درونی زیادی درباره نحوه کارکرد بدنه کد تیمم دارم که Claude به طور پیش‌فرض آن‌ها را نمی‌داند… می‌توانم وقت بگذارم تا روی یک پرامپت بی‌نقص سعی و خطا کنم، [اما در عوض] فقط می‌روم و خودم آن را انجام می‌دهم.»

این عوامل ذکر شده توسط کارکنان Anthropic در تصمیم‌گیری برای واگذاری، مشابه مواردی است که در مطالعه METR برای توضیح کاهش بهره‌وری مرتبط با هوش مصنوعی (مانند آشنایی بالای برنامه‌نویس با بدنه کد، یا مخازن بزرگ و پیچیده) یافت شده بود. همگرایی بر روی این معیارهای واگذاری در مصاحبه‌های Anthropic نشان می‌دهد که انتخاب مناسب وظیفه، عاملی حیاتی در افزایش بهره‌وری هوش مصنوعی است.

اعتماد کن، اما راستی‌آزمایی کن

بسیاری از کاربران روندی را در استفاده از Claude توصیف کردند که شامل واگذاری وظایف به‌تدریج پیچیده‌تر در طول زمان بود: «در ابتدا از ابزارهای هوش مصنوعی برای سؤالات پایه درباره زبان برنامه‌نویسی Rust استفاده می‌کردم… اخیراً برای تمام کارهای کدنویسی‌ام از Claude Code استفاده می‌کنم.»

یکی از مهندسان، روند تکامل اعتماد را به پذیرش فناوری‌های دیگر مانند Google Maps تشبیه کرد:

«در ابتدا فقط برای مسیرهایی که نمی‌شناختم از [Google Maps] استفاده می‌کردم… این مثل استفاده من از Claude برای نوشتن SQLهایی بود که بلد نبودم، اما برای نوشتن پایتون که بلد بودم از آن درخواست نمی‌کردم. سپس شروع کردم به استفاده از Google Maps برای مسیرهایی که عمدتاً می‌شناختم، اما شاید قدم‌های آخر را بلد نبودم… امروز همیشه از آن استفاده می‌کنم، حتی برای مسیر روزانه خانه تا محل کار. اگر بگوید از مسیر دیگری برو، این کار را انجام می‌دهم و اعتماد می‌کنم که تمام گزینه‌ها را در نظر گرفته است… امروز از Claude Code هم به همین شکل استفاده می‌کنم.»

مهندسان در مورد اینکه آیا از Claude در حوزه تخصص خود استفاده کنند یا خارج از آن، به دو دسته تقسیم شده‌اند. برخی از آن برای حوزه‌های «حاشیه‌ای» استفاده می‌کنند تا در زمان پیاده‌سازی صرفه‌جویی کنند؛ برخی دیگر قلمروهای آشنا را ترجیح می‌دهند تا بتوانند خروجی‌ها را اعتبارسنجی کنند. «من به‌گونه‌ای از Claude استفاده می‌کنم که هنوز درک کامل از آنچه انجام می‌دهد داشته باشم». یک مهندس امنیت بر اهمیت تجربه تأکید کرد، زمانی که Claude راه‌حلی پیشنهاد داد که «به شکلی خطرناک هوشمندانه بود؛ از آن نوع کارهایی که یک مهندس جونیور بسیار بااستعداد ممکن است پیشنهاد دهد». به این معنی که آن پیشنهاد تنها توسط کاربرانی باقدرت قضاوت و تجربه بالا می‌توانست به‌عنوان یک مورد مشکل‌دار تشخیص داده شود.

سایر مهندسان از Claude برای هر دو نوع وظایف استفاده می‌کنند؛ یا به روشی آزمایشی «من اساساً همیشه از Claude برای اولین تلاش در هر مسئله کدنویسی استفاده می‌کنم» یا با تطبیق رویکرد خود بسته به سطح تخصص در آن وظیفه:

• «من از این ابزارها هم برای کارهای اصلی تخصصم به‌عنوان یک شتاب‌دهنده استفاده می‌کنم؛ جایی که می‌دانم چه انتظاری داشته باشم و می‌توانم عامل را به طور مؤثر هدایت کنم و هم برای کارهایی که کمی خارج از حوزه تخصص من هستند؛ جایی که به‌طورکلی می‌دانم چه انتظاری داشته باشم اما Claude می‌تواند شکاف‌های حافظه یا ناآشنایی با تعاریف خاص را پر کند.»
• «اگر موضوعی باشد که به‌خصوص در آن تبحر دارم، جسورتر خواهم بود و به Claude می‌گویم چه چیزی را باید پیگیری کند. اگر چیزی باشد که درباره‌اش مطمئن نیستم، اغلب از او می‌خواهم که نقش «کارشناس» را ایفا کند و گزینه‌ها و بینش‌هایی درباره مواردی که باید در نظر بگیرم و تحقیق کنم به من بدهد.»

افراد چه وظایفی را برای خود نگه می‌دارند؟

پاسخ‌دهندگان به طور مستمر بیان کردند که از Claude برای وظایفی که شامل تفکر استراتژیک یا سطح بالا است یا برای تصمیمات طراحی که نیازمند درک «زمینه سازمانی» (Organizational context) یا «سلیقه» (Taste) است، استفاده نمی‌کنند. یکی از مهندسان توضیح داد: «من معمولاً تفکر سطح بالا و طراحی را برای خودم نگه می‌دارم. هر چیز دیگری را از توسعه ویژگی‌های جدید گرفته تا عیب‌یابی واگذار می‌کنم.» این موضوع در داده‌های نظرسنجی Anthropic نیز منعکس شده است که کمترین دستاوردهای بهره‌وری را برای وظایف طراحی و برنامه‌ریزی نشان می‌داد (نمودار ۲). بااین‌حال، بسیاری از افراد مرزهای واگذاری را به‌عنوان یک «هدف متحرک» توصیف کردند که با بهبود مدل‌ها به طور مرتب بازتعریف می‌شود در ادامه، داده‌های استفاده از Claude Code نشان می‌دهد که اکنون نسبت به شش ماه پیش، استفاده برای طراحی/برنامه‌ریزی کد نسبتاً بیشتر شده است.

تحول مهارت‌ها

یافته نظرسنجی نشان می‌دهد که ۲۷ درصد از کارهای انجام‌شده با کمک Claude بدون آن انجام نمی‌شد. این واقعیت بازتاب‌دهنده یک الگوی گسترده‌تر است؛ مهندسان از هوش مصنوعی برای کار خارج از تخصص اصلی خود استفاده می‌کنند.

قابلیت‌های بیشتر…

بسیاری از کارکنان از تکمیل کارهایی گزارش می‌دهند که قبلاً خارج از تخصص آن‌ها بود؛ مهندسان بک‌اند که رابط کاربری (UI) می‌سازند و محققانی که بصری‌سازی می‌کنند. یک مهندس بک‌اند ساخت یک رابط کاربری پیچیده را با تکرار به کمک Claude این چنین توصیف کرد: «کار را بسیار بهتر از آنچه من می‌توانستم، انجام داد. من قطعاً نمی‌توانستم آن را انجام دهم، مخصوصاً در آن زمان محدود… [طراحان] متعجب بودند که «صبر کن، تو این را ساختی؟» و من گفتم: نه، Claude این کار را کرد، من فقط پرامپت دادم.»

مهندسان گزارش می‌دهند که در حال تبدیل‌شدن به نیروهای فول‌استک‌تر هستند؛ «من می‌توانم با توانمندی بالا روی فرانت‌اند، پایگاه‌های داده یا کدهای API کار کنم؛ درحالی‌که قبلاً از دست‌زدن به مواردی که تخصص کمتری در آن‌ها داشتم، می‌ترسیدم.» این گسترش قابلیت‌ها باعث ایجاد حلقه‌های بازخورد کوتاه‌تر و یادگیری سریع‌تر می‌شود؛ یکی از مهندسان گفت که یک «فرایند چندهفته‌ای» شامل ساخت، تنظیم جلسات و تکرار، می‌تواند به یک «جلسه کاری چندساعته» با حضور همکاران برای بازخورد زنده تبدیل شود.

به‌طورکلی، افراد از توانایی جدید خود برای نمونه‌سازی سریع یا همان اصطلاحاً پروتوتایپینگ، موازی‌سازی کارها، کاهش کارهای ملال‌آور و به‌طورکلی افزایش جاه‌طلبی خود مشتاق بودند. یک مهندس ارشد گفت: «این ابزارها قطعاً مهندسان جونیور را بهره‌ورتر و در انتخاب نوع پروژه‌هایی که بر عهده می‌گیرند، جسورتر کرده است.» برخی نیز گفتند که کاهش «انرژی فعال‌سازی» با استفاده از Claude به آن‌ها اجازه داده تا راحت‌تر بر اهمال‌کاری غلبه کنند که «به طرز چشمگیری انرژی لازم برای تمایل من به شروعِ دست‌وپنجه نرم کردن با یک مسئله را کاهش داده و بنابراین مایل هستم به مسائل اضافی بسیار بیشتری بپردازم.»

… و تمرین عملیِ کمتر

درعین‌حال، برخی نگران «تحلیل‌رفتن مهارت‌ها» (Skills Atrophying) به دلیل واگذاری بیشتر و از دست‌دادن یادگیری ضمنی یا جانبی بودند که حین حل دستی مسائل رخ می‌دهد.

• «اگر قرار باشد خودتان یک مشکل سخت را عیب‌یابی کنید، وقت خود را صرف خواندن مستندات و کدهایی می‌کنید که مستقیماً برای حل مشکلتان مفید نیستند؛ اما در تمام این مدت در حال ساختن مدلی ذهنی از نحوه کارکرد سیستم هستید. اکنون این اتفاق بسیار کمتر می‌افتد، زیرا Claude می‌تواند بلافاصله شما را به ریشه مشکل برساند.»
• «من قبلاً هر تنظیماتی (Config) را بررسی می‌کردم تا بفهمم آن ابزار چه کارهایی می‌تواند انجام دهد، اما حالا به هوش مصنوعی تکیه می‌کنم تا به من بگوید چگونه از ابزارهای جدید استفاده کنم و بنابراین فاقد تخصص عمیق هستم. در گفتگو با هم‌تیمی‌های دیگر، قبلاً می‌توانستم چیزها را فوراً به یاد بیاورم، اما حالا باید از هوش مصنوعی بپرسم.»
• «استفاده از Claude این پتانسیل را دارد که آن بخشی را که در آن با حل یک نمونه ساده یاد می‌گیرم چگونه وظیفه‌ای را انجام دهم، دور بزند و در نتیجه بعداً برای حل یک نمونه پیچیده‌تر دچار مشکل شوم.»

یک مهندس ارشد گفت اگر سابقه کمتری می‌داشت، بیشتر نگران مهارت‌هایش می‌شد: «من عمدتاً در مواردی از هوش مصنوعی استفاده می‌کنم که می‌دانم پاسخ چیست یا باید چه شکلی باشد. من این توانایی را با انجام مهندسی نرم‌افزار به «روش سخت» به دست آوردم… اما اگر در ابتدای مسیر شغلی‌ام بودم، فکر می‌کنم ادامه رشد توانایی‌های شخصی‌ام به‌جای پذیرش کورکورانه خروجی مدل، نیازمند تلاش آگاهانه بسیار زیادی بود.»

یکی از دلایلی که تحلیل‌رفتن مهارت‌های کدنویسی نگران‌کننده است، «پارادوکس نظارت» (Paradox of supervision) است؛ همان‌طور که پیش‌تر ذکر شد، استفاده مؤثر از Claude نیازمند نظارت است و نظارت بر Claude نیازمند همان مهارت‌های کدنویسی است که ممکن است بر اثر استفاده بیش از حد از هوش مصنوعی تحلیل بروند. یک نفر گفت:

«صادقانه بگویم، من بسیار بیشتر از اینکه نگران مجموعه مهارت‌هایم به طور خاص باشم، نگران مسئله نظارت و سرپرستی هستم… تحلیل‌رفتن مهارت‌هایم یا عدم رشد آن‌ها، در درجه اول دررابطه‌با توانایی‌ام برای استفاده ایمن از هوش مصنوعی در وظایفی که برایم مهم هستند مشکل‌ساز خواهد بود، نه توانایی‌ام برای انجام مستقل آن وظایف.»

برای مقابله با این موضوع، برخی مهندسان آگاهانه بدون هوش مصنوعی تمرین می‌کنند: «هر از چند گاهی، حتی اگر بدانم Claude می‌تواند از پس مسئله‌ای برآید، از او نمی‌خواهم. این کار به من کمک می‌کند تا آمادگی خود را حفظ کنم.»

آیا همچنان به مهارت‌های عملی کدنویسی نیاز خواهیم داشت؟

شاید مهندسی نرم‌افزار در حال حرکت به سمت سطوح بالاتری از انتزاع (Abstraction) باشد؛ اتفاقی که در گذشته نیز رخ‌داده است. اولین برنامه‌نویسان بسیار نزدیک‌تر به سخت‌افزار کار می‌کردند؛ آن‌ها حافظه را به‌صورت دستی مدیریت می‌کردند، به زبان اسمبلی می‌نوشتند یا حتی برای واردکردن دستورالعمل‌ها، سوئیچ‌های فیزیکی را تغییر می‌دادند. با گذشت زمان، زبان‌های سطح بالاتر و خواناتر برای انسان پدید آمدند که عملیات پیچیده و سطح پایین را به طور خودکار مدیریت می‌کردند. شاید اکنون و به‌ویژه با ظهور پدیده «کدنویسیِ حسی» (Vibe coding)، در حال حرکت به سمتی هستیم که زبان انگلیسی به زبان برنامه‌نویسی تبدیل شود. یکی از کارکنان Anthropic پیشنهاد داد که مهندسان آینده باید «در کار کشیدن از هوش مصنوعی برای نوشتن کد مهارت پیدا کنند و تمرکز خود را بر یادگیری مفاهیم و الگوهای سطح بالا بگذارند.»

تعدادی از کارکنان گفتند احساس می‌کنند این تغییر به آن‌ها این توانایی را می‌دهد تا در سطحی بالاتر؛ یعنی «درباره محصول نهایی و کاربر نهایی» فکر کنند و نه صرفاً درباره کد. یک نفر این تحول فعلی را با الزامِ یادگیری «لیست‌های پیوندی» (Linked-lists) در علوم کامپیوتر مقایسه کرد؛ ساختارهای بنیادینی که اکنون زبان‌های برنامه‌نویسی سطح بالا به طور خودکار آن‌ها را مدیریت می‌کنند. «خیلی خوشحالم که می‌دانستم چطور آن کار را انجام دهم… اما انجام آن عملیات سطح پایین از نظر احساسی چندان مهم نیست. من ترجیح می‌دهم به آنچه کد اجازه انجامش را به من می‌دهد اهمیت بدهم.» مهندس دیگری مقایسه مشابهی داشت، اما خاطرنشان کرد که انتزاع هزینه‌ای هم دارد؛ با حرکت به سمت زبان‌های سطح بالا، اکثر مهندسان درک عمیق خود از مدیریت حافظه را از دست دادند.

ادامه توسعه مهارت‌ها در یک حوزه می‌تواند منجر به نظارت بهتر بر Claude و کارایی بیشتر شود و به گفته یکی از برنامه‌نویسان: «متوجه شده‌ام وقتی موضوعی برایم آشناست، اغلب انجام‌دادنش توسط خودم سریع‌تر است». اما مهندسان درباره اهمیت این موضوع اختلاف‌نظر دارند. برخی همچنان خوش‌بین هستند: «من خیلی نگران فرسایش مهارت‌ها نیستم. هوش مصنوعی هنوز من را وادار می‌کند درباره مسائل با دقت فکر کنم و به من کمک می‌کند رویکردهای جدید را یاد بگیرم. اگر اتفاقی هم افتاده باشد، این است که توانایی بررسی و آزمایش سریع‌تر ایده‌ها، یادگیری من را در برخی زمینه‌ها شتاب بخشیده است»

مهندس دیگری نگاهی عمل‌گرایانه‌تر داشت: «مطمئناً مهارت‌هایم به‌عنوان مهندس نرم‌افزار در حال تحلیل‌رفتن است… اما آن مهارت‌ها اگر زمانی نیاز باشند، می‌توانند برگردند؛ مسئله اینجاست که من دیگر به آن‌ها نیازی ندارم!» فرد دیگری اشاره کرد که تنها مهارت‌های کم‌اهمیت‌تر مانند رسم نمودار را ازدست‌داده و «آن نوع کدی که حیاتی است را هنوز می‌توانم خیلی خوب بنویسم.» شاید جالب‌ترین نکته، چالش یکی از مهندسان با اصل موضوع بود: «صورت‌بندیِ کندشدن ذهن و مهارت بر این فرض استوار است که کدنویسی روزی به روش پیش از Claude 3.5 بازخواهد گشت و من فکر نمی‌کنم چنین شود.»

هنر و معنا در مهندسی نرم‌افزار

دیدگاه مهندسان در مورد اینکه آیا دلتنگ کدنویسی عملی می‌شوند یا خیر، به‌شدت متفاوت است. برخی فقدان عمیقی حس می‌کنند: «این برای من پایان یک دوران است؛ من ۲۵ سال برنامه‌نویسی کرده‌ام و داشتن حس صلاحیت در این مجموعه مهارت، بخش اصلی رضایت شغلی من است.» دیگران نگران هستند که از ماهیت جدید کار لذت نبرند: «گذراندن روز با پرامپت دادن به Claude چندان لذت‌بخش یا رضایت‌بخش نیست. خیلی لذت‌بخش‌تر است که موسیقی بگذاری، در فضای تمرکز غرق شوی و خودت چیزی را پیاده‌سازی کنی.»

برخی مستقیماً به این سبک‌سنگین کردن اشاره کرده و آن را پذیرفته‌اند: «قطعاً بخش‌هایی از نوشتن کد هست که دلم برایشان تنگ شده؛ مثل رفتن به حالت غرق‌شدن در کار هنگام بازسازی کد، اما در کل اکنون آن‌قدر بهره‌ورتر هستم که باکمال‌میل از آن صرف‌نظر می‌کنم.» یک نفر گفت که تکرار و کار با Claude لذت‌بخش‌تر بوده، زیرا او می‌تواند در بازخوردهایش نسبت به هوش مصنوعی، بسیار سخت‌گیرتر از انسان‌ها باشد. دیگران بیشتر به نتایج علاقه‌مند هستند. یک مهندس گفت: «انتظار داشتم تا این مقطع احساس ترس یا کسالت کنم… اما واقعاً هیچ‌کدام را حس نمی‌کنم. در عوض، از اینکه می‌توانم کارهای به‌مراتب بیشتری انجام دهم، بسیار هیجان‌زده هستم. فکر می‌کردم واقعاً از نوشتن کد لذت می‌برم، اما در واقع فقط از آنچه از نوشتن کد به دست می‌آورم لذت می‌برم.» اینکه افراد از کمک هوش مصنوعی استقبال کنند یا برای ازدست‌رفتن کدنویسی دستی سوگواری کنند به این بستگی دارد که کدام جنبه‌های مهندسی نرم‌افزار برایشان معنادارتر است.

تغییر پویایی‌های اجتماعی در محیط کار

یکی از برجسته‌ترین موضوعات این بود که Claude به اولین مقصد برای پرسش‌هایی تبدیل شده که زمانی از همکاران پرسیده می‌شد. یکی از کارکنان خاطرنشان کرد: «به‌طورکلی اکنون سؤالات بسیار بیشتری می‌پرسم، اما حدود ۸۰ تا ۹۰ درصد آن‌ها را از Claude می‌پرسم.» این امر یک سازوکار فیلترینگ ایجاد می‌کند که در آن Claude به پرسش‌های روتین پاسخ می‌دهد و همکاران را برای رسیدگی به مسائل پیچیده‌تر، استراتژیک یا ساختارمحور که فراتر از توانایی‌های هوش مصنوعی است، باقی می‌گذارد. «وابستگی من به تیمم ۸۰ درصد کاهش یافته، اما آن ۲۰ درصد نهایی حیاتی است و برای آن سراغشان می‌روم و با آن‌ها صحبت می‌کنم.» افراد همچنین از Claude برای «پرورش و چکش‌کاری ایده‌ها» استفاده می‌کنند؛ مشابه تعاملاتی که با همکاران انسانی دارند.

حدود نیمی از افراد گزارش دادند که الگوهای همکاری تیمی تغییری نکرده است. یک مهندس گفت که همچنان با افراد جلسه می‌گذارد، زمینه کار را به اشتراک می‌گذارد و مسیرها را انتخاب می‌کند؛ او فکر می‌کند در آینده نزدیک همچنان همکاری‌های زیادی وجود خواهد داشت، اما «به‌جای انجام کارهای متمرکز استاندارد، با تعداد زیادی از Claudeها صحبت خواهید کرد.» بااین‌حال، دیگران تجربه تعامل کمتر با همکاران را توصیف کردند. برخی از کاهش اصطکاک‌های اجتماعی استقبال می‌کنند و می‌گویند: «دیگر بابت گرفتن وقت همکارم احساس بدی ندارم». دیگران در برابر این تغییر مقاومت می‌کنند و می‌گویند: «واقعاً دوست ندارم پاسخ معمول این باشد که: «از Claude پرسیدی؟» من واقعاً از کار حضوری با مردم لذت می‌برم و برای آن ارزش زیادی قائلم». برخی هم دلتنگ روش قدیمی کار هستند: «کار با مردم را دوست دارم و غم‌انگیز است که اکنون کمتر به آن‌ها نیاز دارم.» چندین نفر به تأثیر بر پویایی‌های سنتی مربی‌گری اشاره کردند؛ زیرا «Claude می‌تواند به‌جای مهندسان ارشد، آموزش‌های زیادی به کارکنان جونیور بدهد.» یک مهندس ارشد گفت: «غم‌انگیز بوده که افراد جونیور دیگر به‌اندازه قبل با سؤالاتشان سراغ من نمی‌آیند، هرچند قطعاً پاسخ‌هایشان را مؤثرتر دریافت می‌کنند و سریع‌تر یاد می‌گیرند.»

عدم قطعیت شغلی و انطباق

بسیاری از مهندسان تغییر نقش خود را از «نوشتن کد» به «مدیریت مدل‌های هوش مصنوعی» توصیف می‌کنند. مهندسان بیش‌ازپیش خود را به‌عنوان «مدیر عامل‌های هوش مصنوعی» می‌بینند؛ برخی از قبل «به طور مداوم حداقل چند نمونه از Claude را در حال اجرا دارند.» یک نفر تخمین زد که کارش «بیش از ۷۰ درصد به بازبینی/اصلاح کد تبدیل شده تا نوشتن کد جدید» و دیگری «مسئولیت‌پذیری در قبال کار ۱، ۵ یا ۱۰۰ مدل Claude» را بخشی از نقش آینده خود می‌دید.

در بلندمدت، عدم قطعیت شغلی گسترده است. مهندسان این تغییرات را پیش‌درآمدی برای تحول گسترده‌تر صنعت می‌دانند و بسیاری گفتند که «سخت است بگوییم» حرفه آن‌ها در چند سال آینده چه شکلی خواهد داشت. برخی تضادی بین خوش‌بینی کوتاه‌مدت و عدم قطعیت بلندمدت بیان کردند. یکی از آن‌ها گفت: «در کوتاه‌مدت خوش‌بین هستم، اما در بلندمدت فکر می‌کنم هوش مصنوعی در نهایت همه کارها را انجام خواهد داد و من و بسیاری دیگر را بی‌مصرف خواهد کرد.» برخی دیگر دقیق‌تر به موضوع اشاره کردند: «انگار حس می‌کنم که هر روز سر کار می‌آیم تا خودم را از کار بیکار کنم.»

برخی مهندسان خوش‌بین‌تر بودند. یکی گفت: «من برای توسعه‌دهندگان جونیور نگرانم، اما این را هم درک می‌کنم که جونیورها شاید تشنه‌ترین افراد برای فناوری‌های جدید باشند. من به‌طورکلی نسبت به مسیر این حرفه بسیار خوش‌بین هستم.» آن‌ها استدلال کردند که اگرچه خطر بالقوه انتشار کدهای مشکل‌دار توسط مهندسان بی‌تجربه وجود دارد، اما ترکیب سازوکارهای حفاظتی بهتر هوش مصنوعی، منابع آموزشی داخلی بیشتر و یادگیری طبیعی از اشتباهات به این حوزه کمک می‌کند تا به‌مرورزمان خود را تطبیق دهد.

Anthropic پرسید که افراد نقش‌های آینده خود را چگونه متصور هستند و آیا استراتژی انطباقی دارند یا خیر. برخی به برنامه‌هایی برای کسب تخصص بیشتر اشاره کردند؛ زیرا «توسعه مهارت برای بازبینی معنادار کار هوش مصنوعی زمان بیشتری می‌برد و به تخصص بیشتری نیاز دارد.» برخی تمرکز بر کارهای بین‌فردی و استراتژیک بیشتر در آینده را پیش‌بینی کردند: «ما زمان بیشتری را صرف رسیدن به اجماع خواهیم کرد و اجازه می‌دهیم هوش مصنوعی زمان بیشتری را صرف پیاده‌سازی کند.» یک نفر گفت که از Claude به طور خاص برای توسعه شغلی استفاده می‌کند و از آن درباره کار و مهارت‌های رهبری بازخورد می‌گیرد: «سرعتی که می‌توانم چیزها را یاد بگیرم یا حتی بدون یادگیری کامل، مؤثر باشم، کاملاً تغییر کرده است. تقریباً حس می‌کنم سقف یادگیری دیگر برایم وجود ندارد.»

در مجموع، بسیاری به عدم قطعیت عمیق اذعان دارند: «من اطمینان بسیار کمی دارم که دقیقاً چه مهارت‌هایی در آینده مفید خواهند بود» و یک مدیر تیم گفت: «هیچ‌کس نمی‌داند چه اتفاقی خواهد افتاد… مسئله مهم این است که فقط واقعاً تطبیق‌پذیر باشیم.»

روندهای استفاده از Claude Code

داده‌های حاصل از نظرسنجی و مصاحبه‌ها نشان می‌دهند که افزایش استفاده از Claude به افراد کمک می‌کند تا سریع‌تر کار کنند و انواع جدیدی از وظایف را بر عهده بگیرند؛ هرچند این امر با تنش‌هایی در زمینه واگذاری به هوش مصنوعی و توسعه مهارت‌ها همراه است. بااین‌حال، داده‌های خوداظهاری تنها بخشی از ماجرا را بازگو می‌کنند. برای تکمیل این تصویر، Anthropic داده‌های واقعی استفاده از Claude را در تیم‌های مختلف تحلیل کرد. ازآنجایی‌که پاسخ‌دهندگانِ نظرسنجی گزارش دادند که Claude Code بخش عمده‌ای از موارد استفاده آن‌ها را تشکیل می‌دهد، Anthropic از ابزار تحلیلِ حفظ حریم خصوصی خود برای بررسی ۲۰۰,۰۰۰ نسخه از رونوشت‌های (Transcripts) داخلی Claude Code بین فوریه و آگوست ۲۰۲۵ استفاده کرد.

حل مسائل دشوارتر با نظارت کمتر

استفاده از Claude Code در طول شش ماه گذشته به سمت وظایف کدنویسی دشوارتر و خودگردان‌تر (Autonomous) سوق پیدا کرده است (نمودار ۳):

• کارکنان با استفاده از Claude Code با وظایف پیچیده‌تری دست‌و‌پنجه نرم می‌کنند. Anthropic پیچیدگی وظایف هر رونوشت را در یک مقیاس ۱ تا ۵ تخمین زد که در آن ۱ مربوط به «ویرایش‌های پایه» و ۵ مربوط به «وظایف در سطح خبره که نیازمند هفته‌ها/ماه‌ها کار تخصصی انسانی است» بود. میانگین پیچیدگی وظایف از ۳.۲ به ۳.۸ افزایش یافته است. برای درک بهتر تفاوت این امتیازها؛ وظایف با میانگین ۳.۲ شامل مواردی مانند «عیب‌یابی خطاهای ایمپورت ماژول در پایتون» بود، درحالی‌که وظایف با میانگین ۳.۸ مواردی همچون «پیاده‌سازی و بهینه‌سازی سیستم‌های کشینگ (Caching)» را شامل می‌شد.
• حداکثر تعداد فراخوانی‌های متوالی ابزار (Tool calls) توسط Claude Code در هر رونوشت، ۱۱۶ درصد افزایش یافته است. فراخوانی ابزار به اقداماتی اشاره دارد که Claude با استفاده از ابزارهای خارجی مانند ویرایش فایل‌ها یا اجرای دستورات انجام می‌دهد. Claude اکنون ۲۱.۲ فراخوانی مستقل ابزار را بدون نیاز به مداخله انسانی به هم زنجیره می‌کند درحالی‌که این رقم شش ماه پیش ۹.۸ فراخوانی بود.
• تعداد نوبت‌های تعامل انسانی ۳۳ درصد کاهش یافته است. میانگین نوبت‌های انسانی در هر رونوشت از ۶.۲ به ۴.۱ کاهش یافته است که نشان می‌دهد اکنون برای انجام یک وظیفه مشخص در مقایسه با شش ماه پیش به ورودی انسانی کمتری نیاز است.

میانگین پیچیدگی وظیفه در طول زمان افزایش یافته است (پنل سمت چپ)، میانگین حداکثر فراخوانی متوالی ابزار در هر رونوشت افزایش یافته (پنل میانی) و تعداد نوبت‌های انسانی کاهش یافته است (پنل سمت راست). نوارهای خطا نشان‌دهنده فاصله اطمینان ۹۵ درصد هستند. داده‌ها نشان می‌دهند که افراد به‌مرورزمان، خودمختاری بیشتری را به Claude واگذار می‌کنند.

این داده‌های استفاده، نتایج نظرسنجی را تأیید می‌کنند؛ مهندسان کارهای به‌مراتب پیچیده‌تری را به Claude واگذار می‌کنند و Claude به نظارت کمتری نیاز دارد. منطقی به نظر می‌رسد که همین موضوع محرک اصلی دستاوردهای بهره‌وری مشاهده‌شده باشد.

توزیع وظایف

Anthropic رونوشت‌های Claude Code را در یک یا چند دسته از وظایف کدنویسی طبقه‌بندی کرد تا بررسی کند که کاربردها برای وظایف مختلف در شش ماه گذشته چگونه تکامل یافته است.

توزیع کلی فراوانی وظایف که به کمک از داده‌های استفاده از Claude، تخمین زده شده، تقریباً با توزیع فراوانی وظایفِ خوداظهاری مطابقت دارد. چشمگیرترین تغییر بین فوریه و آگوست ۲۰۲۵ این است که اکنون نسبتِ رونوشت‌هایی که از Claude برای «پیاده‌سازی ویژگی‌های جدید» (از ۱۴.۳ درصد به ۳۶.۹ درصد) و «طراحی یا برنامه‌ریزی کد» (از ۱.۰ درصد به ۹.۹ درصد) استفاده می‌کنند، به طور قابل‌توجهی بیشتر شده است. این تغییر در توزیع نسبی وظایف Claude Code ممکن است نشان‌دهنده این باشد که Claude در انجام این وظایف پیچیده بهتر شده است، اگرچه می‌تواند بازتاب‌دهنده تغییر در نحوه پذیرش Claude Code توسط تیم‌ها برای جریان‌های کاری مختلف باشد و نه لزوماً افزایش در حجم مطلق کار.

حل مشکلات جزئی

Anthropic از نظرسنجی دریافت که مهندسان اکنون زمان بیشتری را صرف بهبودهای کوچک در کیفیت زندگی کاری می‌کنند؛ در همین راستا، ۸.۶ درصد از وظایف فعلی Claude Code به‌عنوان «حل مشکلات جزئی» طبقه‌بندی شده‌اند. این موارد شامل وظایف بزرگ‌تری مانند ساخت ابزارهای بصری‌سازی عملکرد و بازسازی کد برای نگهداری بهتر و همچنین وظایف کوچک‌تری مانند ساخت میان‌برهای ترمینال می‌شود. این موضوع ممکن است در بهبود بهره‌وری گزارش‌شده توسط مهندسان نقش داشته باشد. پرداختن به بهبودهایی که قبلاً نادیده گرفته می‌شدند، می‌تواند در طول زمان منجر به کارایی بیشتر شود و به طور بالقوه اصطکاک و ناامیدی را در کارهای روزمره کاهش دهد.

تفاوت وظایف در تیم‌های مختلف

Anthropic برای بررسی نحوه تفاوت وظایف در تیم‌های مختلف، رویکرد طبقه‌بندی خود را اصلاح کرد تا هر رونوشتِ ماه آگوست را به یک وظیفه اصلی کدنویسی اختصاص دهد و داده‌ها را بر اساس تیم‌های داخلی تفکیک کرد.

نوار «All Teams» توزیع کلی را نشان می‌دهد که در آن رایج‌ترین وظایف عبارت‌اند از: ساخت ویژگی‌های جدید، عیب‌یابی و درک کد. این یک خط پایه برای مقایسه‌های تیم‌محور فراهم می‌کند. الگوهای قابل‌توجه در تیم‌های خاص عبارت‌اند از:

• تیم پیش‌آموزش (Pre-training): این تیم که به آموزش Claude کمک می‌کنند، اغلب از Claude Code برای ساخت ویژگی‌های جدید (۵۴.۶ درصد) استفاده می‌کنند که بخش زیادی از آن مربوط به اجرای آزمایش‌های اضافی است.
• تیم‌های هم‌راستایی و ایمنی (Alignment & Safety) و پسا‌آموزش (Post-training): بیشترین توسعه فرانت‌اند (۷.۵ درصد و ۷.۴ درصد) را با Claude Code انجام می‌دهند که اغلب برای بصری‌سازی داده‌ها است.
• تیم امنیت (Security): اغلب از Claude Code برای درک کد (۴۸.۹ درصد) استفاده می‌کنند، به‌ویژه برای تحلیل و درک پیامدهای امنیتی بخش‌های مختلف بدنه کد.
• کارکنان غیرفنی: اغلب از Claude Code برای عیب‌یابی (۵۱.۵ درصد)، مانند رفع مشکلات شبکه یا عملیات Git و همچنین برای علوم داده (۱۲.۷ درصد) استفاده می‌کنند؛ به نظر می‌رسد Claude برای پر کردن شکاف‌های دانش فنی بسیار ارزشمند است.

بسیاری از این الگوهای تیمی، همان گسترش قابلیتی را نشان می‌دهند که در نظرسنجی و مصاحبه‌ها مشاهده شد؛ مانند توانمندسازی انواع جدیدی از کارها که اعضای تیم یا زمان انجام آن را نداشتند و یا مجموعه مهارت‌هایشان اجازه آن را نمی‌داد. برای مثال، تیم پیش‌آموزش آزمایش‌های اضافی بسیاری را اجرا کرد و کارکنان غیرفنی توانستند خطاهای کد را اصلاح کنند. درحالی‌که داده‌ها نشان می‌دهند تیم‌ها از Claude برای وظایف اصلی خود استفاده می‌کنند. مثلاً تیم زیرساخت بیشترین استفاده را برای کارهای زیرساختی و DevOps دارد و Claude اغلب وظایف اصلی آن‌ها را نیز تقویت می‌کند، مثلاً محققان از Claude برای توسعه فرانت‌اِند جهت بصری‌سازی بهتر داده‌های خود استفاده می‌کنند. این امر نشان می‌دهد که Claude به همه اجازه می‌دهد در کار خود «فول‌استک‌تر» شوند.

نگاه به آینده

کارکنان Anthropic در سال گذشته استفاده از Claude را به‌شدت افزایش داده‌اند و از آن نه‌تنها برای شتاب بخشیدن به کارهای موجود، بلکه برای یادگیری بدنه‌های کد جدید، کاهش کارهای ملال‌آور، گسترش به حوزه‌های جدید و پرداختن به بهبودهایی که قبلاً نادیده گرفته می‌شدند، بهره می‌برند. با خودگردان‌تر و توانمندتر شدن Claude، مهندسان در حال کشف روش‌های جدیدی برای واگذاری به هوش مصنوعی هستند و درعین‌حال به دنبال درک این موضوع هستند که در آینده به چه مهارت‌هایی نیاز خواهند داشت.

این تحولات، مزایای آشکاری در بهره‌وری و یادگیری به همراه دارد، اما هم‌زمان با عدم قطعیت واقعی در مورد مسیر بلندمدت شغل مهندسی نرم‌افزار همراه است. آیا هوش مصنوعی شبیه به گذارهای گذشته در مهندسی نرم‌افزار خواهد بود؛ مانند انتقال از زبان‌های سطح پایین به سطح بالا، یا از مشارکت‌کننده انفرادی به مدیر، همان‌طور که چندین مهندس پیشنهاد کردند؟ یا فراتر از آن خواهد رفت؟

این چشم‌انداز به‌سرعت در حال تغییر است و یافته‌های Anthropic احتمالاً در حال حاضر قابل‌تعمیم به سایر سازمان‌ها یا ساختارها نیست. این تحقیق بازتاب‌دهنده همان عدم قطعیت است؛ یافته‌ها ظریف و دارای جزئیات هستند و هیچ اجماع واحد یا دستورالعمل مشخصی از آن‌ها استخراج نمی‌شود. اما این تحقیق پرسش‌هایی را در مورد اینکه چگونه می‌توانیم آگاهانه و به طور مؤثر در میان این تغییرات گام برداریم، مطرح می‌کند.