اصلاً آیا کسی به‌اندازه برنامه‌نویسان از هوش مصنوعی استفاده خواهد کرد؟

نحوه گذراندن روز کاری مهندسان نرم‌افزار در استارتاپ‌های سیلیکون‌ولی طی چند سال گذشته به طور چشمگیری تغییر کرده است. اما خروجی کار همچنان همان است؛ حجم عظیمی از کد. با این تفاوت که آن‌ها دیگر به‌جای نشستن و تایپ‌کردن، در میکروفون‌ها صحبت می‌کنند. دستورهای آن‌ها سپس با استفاده از هوش مصنوعی به متن تبدیل و به عامل‌های هوش مصنوعی داده می‌شود؛ ربات‌هایی که می‌توانند با نرم‌افزارها تعامل داشته باشند و در این مورد، کد بنویسند.

›کالین جارویس» از OpenAI اذعان می‌کند که سایر کارکنان مشاغل اداری هنوز «در این دنیا» نیستند. آینده شرکت او و به‌طورکلی رونق هوش مصنوعی، به تغییر این وضعیت وابسته است. غول‌های رایانش ابری آمریکا و آزمایشگاه‌های هوش مصنوعی مانند آنتروپیک و OpenAI برای‌آنکه هزینه‌های هنگفت خود برای ساخت مراکز داده را توجیه کنند، نیاز دارند پذیرش این فناوری همچنان با سرعت زیادی گسترش پیدا کند. محاسبه‌ای سرانگشتی از سوی اکونومیست نشان می‌دهد که برای پوشش هزینه توسعه زیرساخت مراکز داده، مجموع درآمد سالانه حاصل از استفاده از هوش مصنوعی باید تا پایان این دهه به سالانه ۲.۵ تریلیون دلار برسد؛ درحالی‌که این رقم اکنون حدود ۱۵۰ میلیارد دلار است.

تاکنون، میزان استفاده از هوش مصنوعی با فاصله‌ای چشمگیر در میان توسعه‌دهندگان نرم‌افزار بیش از سایر گروه‌ها بوده است. بر اساس داده‌های Stack Overflow، چهار پنجم برنامه‌نویسان می‌گویند از یک ابزار هوش مصنوعی برای کدنویسی استفاده می‌کنند. شرکت پژوهشی SemiAnalysis برآورد می‌کند که در مورد آنتروپیک و OpenAI، کدنویسی اکنون بیش از نیمی از درآمد سالانه تکرارشونده (Annual Recurring Revenue) آن‌ها را تشکیل می‌دهد؛ معیاری رایج برای سنجش فروش که درآمد را بر اساس آخرین ماه برون‌یابی می‌کند. در ژوئن ۲۰۲۵، درآمد سالانه تکرارشونده چهار استارتاپ فعال در حوزه کدنویسی با هوش مصنوعی، یعنی Cognition، Cursor، Lovable و Replit، در مجموع حدود ۸۰۰ میلیون دلار بود. امروز این رقم به ۶ میلیارد دلار رسیده است.

اشتیاق برنامه‌نویسان توضیح می‌دهد که چرا هوش مصنوعی در صنایعی که سهم برنامه‌نویسان از نیروی کار آن‌ها بیشتر است، با سرعت بیشتری گسترش یافته است (نمودار). خوش‌بین‌ها ممکن است این وضعیت را نشانه‌ای بدانند از اینکه رونق هوش مصنوعی تازه آغاز شده است و با بلوغ سایر کاربردها، هزینه‌کرد برای این فناوری در سال‌های آینده به سطوح بسیار بالاتری خواهد رسید. با این حال، ممکن است دلایل ساختاری نیز وجود داشته باشد که کدنویسی را به یک مورد استثنایی تبدیل می‌کند.

سه حوزه‌ای که اغلب به‌عنوان کاربردهای بعدی هوش مصنوعی با قابلیت رشد انفجاری مطرح می‌شوند شامل وکالت، امور مالی و خدمات مشتری هستند. رشد در هر سه حوزه چشمگیر بوده است. Harvey، Clio و Legora، سه توسعه‌دهنده ابزارهای حقوقی مبتنی بر هوش مصنوعی درآمد سالانه تکرارشونده خود را طی یک سال گذشته تقریباً دو برابر کرده و به یک میلیارد دلار رسانده‌اند. Harvey می‌گوید مدت زمانی که وکلا در پلتفرم آن صرف می‌کنند، هر ماه دو برابر می‌شود. بانکداران و دیگر فعالان حوزه مالی نیز در حال پذیرش این فناوری هستند. Rogo، یک استارتاپ هوش مصنوعی که در حال ساخت ابزارهایی برای صنعت خدمات مالی است، طی سه‌ماهه گذشته ۱۰۰ مشتری سازمانی جدید جذب کرده و درآمد سالانه تکرارشونده خود را ۵۰ درصد افزایش داده است.

هوش مصنوعی در خدمات مشتری نیز در حال گسترش سریع است. Sierra که ابزارهایی برای این حوزه می‌سازد، در ژوئن به درآمد سالانه تکرارشونده ۲۰۰ میلیون دلار رسید؛ رقمی که دو برابر درآمد آن در نوامبر سال گذشته است. سرمایه‌گذاران خطرپذیر نیز نسبت به این حوزه خوش‌بین هستند. آن‌ها از ابتدای سال جاری تاکنون ۳ میلیارد دلار در استارتاپ‌های هوش مصنوعی فعال در این حوزه سرمایه‌گذاری کرده‌اند؛ رقمی بیش از سرمایه‌گذاری انجام‌شده در هر دسته دیگری از کاربردهای هوش مصنوعی. البته سرمایه‌گذاری در استارتاپ‌های کدنویسی مبتنی بر هوش مصنوعی متوقف شده است؛ بخشی از این مسئله به رشد سریع ابزارهای کدنویسی خود آزمایشگاه‌های هوش مصنوعی مربوط می‌شود.

این سه کاربرد شباهت‌هایی با کدنویسی دارند. بازار بالقوه آن‌ها بزرگ است و کار در بسیاری از موارد ماهیتی قاعده‌مند دارد. اما چهار عامل، کدنویسی را از آن‌ها متمایز می‌کند:

1. دسترسی به داده‌های آموزشی
2. سهولت آزمودن خروجی یک مدل
3. میزان اندک تعامل انسانی موردنیاز برای انجام کار
4. خود مهندسان نرم‌افزار

شرکت‌های هوش مصنوعی در تلاش‌اند بر تفاوت‌های موجود در سایر بازارها غلبه کنند، اما انجام این کار آسان نخواهد بود.

یکی از دلایلی که هوش مصنوعی به‌عنوان دستیار برنامه‌نویسی تا این اندازه موفق بوده، حجم عظیمی از کدهای متن‌بازی است که در اینترنت منتشر شده‌اند. در نتیجه، این کدها وارد مدل‌های هوش مصنوعی شده‌اند و در برخی موارد تقریباً یک‌پنجم کل داده‌های آموزشی را تشکیل می‌دهند. برای شکایت‌های مشتریان یا مذاکرات مربوط به قراردادها، چنین حجم مشابهی از محتوای عمومی در دسترس نیست.

اعتبارسنجی کدی که توسط هوش مصنوعی تولید شده نیز نسبتاً آسان است. آزمون‌های نرم‌افزاری بخش معمولی از مهندسی نرم‌افزار هستند و یک قطعه کد، قطعه دیگری را بررسی می‌کند. این امر احتمال آن را افزایش می‌دهد که خطاهای موجود در کد تولیدشده توسط هوش مصنوعی پیش از آنکه پیامدهای جدی ایجاد کنند، شناسایی شوند. علاوه بر این، آزمون‌کردن به بهبود عملکرد مدل‌ها نیز کمک می‌کند، زیرا هنگام وقوع اشتباه، مدل را از آن آگاه می‌سازد. اما ارزیابی اینکه آیا یک مشتری خشمگین آرام شده است یا اینکه یک مدل ارزش‌گذاری توانسته پیچیدگی‌های موجود در حساب‌های یک شرکت را به‌درستی منعکس کند، دشوارتر است.

ابزارهای تولید کد یک مزیت دیگر نیز دارند؛ بخش زیادی از اطلاعات موردنیاز برای انجام یک وظیفه، از قبل در کدبیس (codebase) یک برنامه وجود دارد یا می‌توان از طریق خطوط لوله دیجیتالی‌ای که نرم‌افزارها را به یکدیگر متصل می‌کنند و با نام رابط‌های برنامه‌نویسی کاربردی (API) شناخته می‌شوند، به آن‌ها دسترسی پیدا کرد. اما در بسیاری از زمینه‌های دیگر، اطلاعات حیاتی به شکل دیجیتال در دسترس نیستند و در عوض در ذهن یک کارمند مرکز تماس یا در حالت چهره وکیل طرف مقابل قرار دارند.

شرکت‌های هوش مصنوعی در حال کار روی تمام این چالش‌ها هستند. «وینستون واینبرگ»، مدیرعامل Harvey می‌گوید پیشرفت‌های هوش مصنوعی باعث شده است شرکت او اکنون بتواند ابزارهایش را تا حدی باتکیه‌بر داده‌های «مصنوعی» آموزش دهد؛ یعنی داده‌هایی که توسط سامانه‌های هوش مصنوعی تولید می‌شوند. استارتاپ‌هایی مانند Mercor نیز شرکت‌های هوش مصنوعی را به متخصصان حوزه‌های مختلف متصل می‌کنند تا این متخصصان بتوانند تخصص خود را به مدل‌ها منتقل کنند. «پینگ وو»، مدیرعامل Cresta، یک استارتاپ فعال در حوزه خدمات مشتری مبتنی بر هوش مصنوعی می‌گوید شرکت او با تحلیل هزاران متن پیاده‌سازی‌شده از مکالمات مراکز تماس می‌تواند بخشی از دانش موجود در ذهن کارکنان را استنباط کند. اکنون لشکرهایی از مهندسان موسوم به «مهندسان استقرار خط مقدم» (forward-deployed engineers) از سوی شرکت‌های هوش مصنوعی به دفاتر مشتریان اعزام می‌شوند تا مشکلات را برطرف کنند و ابزارهای خود را بهبود دهند.

اما آخرین عاملی که پشت موفقیت هوش مصنوعی در کدنویسی قرار دارد، ممکن است تکرارپذیری دشوارتری نسبت به سایر عوامل داشته باشد؛ یعنی خود مهندسان نرم‌افزار. آن‌ها، از یک سو افرادی فنی و علاقه‌مند به فناوری هستند و ازسوی‌دیگر به دلیل به‌روزرسانی هر چند سال یک‌بار زبان‌های برنامه‌نویسی، به تغییر عادت دارند؛ بنابراین به طور طبیعی پذیرندگان فناوری‌های جدید هستند. «انیش آچاریا» از شرکت سرمایه‌گذاری خطرپذیر Andreessen Horowitz اشاره می‌کند که بخش زیادی از پذیرش ابزارهای هوش مصنوعی برای کدنویسی، به‌صورت پایین‌به‌بالا اتفاق افتاده است؛ یعنی مهندسان خودشان این ابزارها را کشف کرده و مستقلاً با آن‌ها آزمایش کرده‌اند.

در مقابل، کارکنان مراکز تماس معمولاً نه انگیزه و نه آزادی لازم برای آزمایش فناوری در محیط کار را دارند و معمولاً منتظر می‌مانند تا فناوری‌ها از بالابه‌پایین در سازمان مستقر شوند. وکلا و کارکنان حوزه مالی نیز به نوبه خود باید با احتیاط عمل کنند تا با انبوه مقرراتی که بر حرفه آن‌ها حاکم است، دچار مشکل نشوند.

سایر کاربردهای هوش مصنوعی بدون تردید به رشد خود ادامه خواهند داد و حتی ممکن است با بهبود مدل‌ها و افزایش آسودگی شرکت‌ها از واگذاری وظایف به عامل‌های هوش مصنوعی، این رشد شتاب بگیرد. اما شاید مدتی طول بکشد تا اکثریت کارکنان مشاغل اداری، روزهای کاری خود را با نجواکردن در میکروفون‌ها سپری کنند.

گزارش حاضر در نسخه September 5th 2026 نشریه The Economist منتشر شده است.