ساخت سازمان‌های مهندسی AI-native؛ شعارهای جذاب یا تحولی واقعی؟

این روزها با گسترش ابزارهای هوش مصنوعی، اصطلاحاتی مثل AI-native (بومی هوش مصنوعی) به لغت‌نامه روزمره توسعه‌دهندگان راه پیدا کرده‌اند. ساشانک گوندالا (Sashank Gondala)، هم‌بنیان‌گذار و CTO شرکت FurtherAI و از فارغ‌التحصیلان Apple و Georgia Tech، اخیراً مقاله‌ای با عنوان «ساخت سازمان‌های مهندسی AI-native» منتشر کرده است که بازخوردهای متفاوتی را در شبکه‌های اجتماعی و جوامع تخصصی به همراه داشته است. او در این یادداشت به این موضوع می‌پردازد که چگونه یک سازمان نرم‌افزاری باید از پایه برای کار با هوش مصنوعی طراحی شود.

زمینه و مفهوم AI-native

برای درک این بحث، باید توجه کنیم که شرکت‌های پیشرو ماه‌هاست در حال استفاده سنگین از ابزارهای تولید کد و اتوماسیون مبتنی بر LLM هستند. مفهوم سازمان AI-native فراتر از صرفاً استفاده از ChatGPT یا Copilot در کنار کدنویسی سنتی است؛ حامیان این الگو معتقدند که کل فرآیند از طراحی تا استقرار باید بر محوریت هوش مصنوعی بازنویسی شود.

با این حال، انتشار این مقاله در Hacker News با واکنش‌های متفاوتی روبرو شد. برخی از مفسران باسابقه اشاره کردند که صنعت نرم‌افزار اکنون ماه‌هاست در حال تجربه کدنویسی بدون بازبینی دقیق انسانی است و به زودی نتایج و درس‌آموخته‌های این دوره آشکار خواهد شد.

نگاه منتقدان و جامعه مهندسی

واکنش کاربران Hacker News به این نوع مطالب، ابعاد جالب و واقع‌بینانه‌ای از چالش‌های روز توسعه نرم‌افزار را نشان می‌دهد:

• معیارهای اشتباه بهره‌وری: برخی کاربران به این نکته اشاره کردند که تمرکز روی متریک‌هایی مانند «میزان خروجی کد به ازای هر مهندس» می‌تواند فاجعه‌بار باشد؛ چرا که توسعه‌دهندگان را ترغیب می‌کند تا کدهای حجیم و اصطلاحاً over-engineered تولید کنند.
• چالش تعریف AI-native: دیدگاه جالب دیگری مطرح شد مبنی بر اینکه مطالبی از این دست در واقع سازمان‌های سنتی با کمی چاشنی هوش مصنوعی هستند، نه یک سازمان واقعاً AI-native. از این منظر، یک ساختار واقعاً بومی هوش مصنوعی باید فرآیندهایی مثل بازبینی کد انسانی را کنار بگذارد و مدیریت را کاملاً به مدل‌ها بسپارد.
• انتقاد به لحن بازاریابی: برخی کاربران لحن مقاله را شبیه به پست‌های لینکدینی و جنبه تبلیغاتی دانستند و تأکید کردند که اصول مهندسی نرم‌افزار همچنان سنگ بنای اصلی هستند و ابزارهای هوش مصنوعی باید در خدمت این اصول باشند، نه برعکس.

چرا این بحث برای مهندسین اهمیت دارد؟

تبدیل شدن به یک سازمان AI-native تنها به معنای خرید لایسنس ابزارهای جدید نیست. چالش اصلی در نحوه مدیریت کیفیت، پایداری سیستم، امنیت و جلوگیری از انباشت بدهی فنی در کدهایی است که توسط هوش مصنوعی تولید و بدون بازبینی عمیق انسانی Merge می‌شوند. این بحث به ما یادآوری می‌کند که پیش از پذیرش کورکورانه الگوهای جدید، باید پیامدهای بلندمدت آن‌ها را روی کیفیت نرم‌افزار و سلامت تیم‌های مهندسی بسنجیم.