گزارش «چشمانداز روندهای فناوری ۲۰۲۶» مککینزی نشان میدهد هوش مصنوعی در توسعه نرمافزار از پیشنهاد و تکمیل کد فراتر رفته و به عاملهایی رسیده است که میتوانند بخشی از چرخه توسعه را انجام دهند. با این حال، افزایش سرعت تولید کد هنوز به همان نسبت به افزایش نرمافزار قابل تحویل منجر نشده است.
بهگزارش پیوست، مطالعهای روی بیش از ۱۰۰ هزار توسعهدهنده گیتهاب نشان داده است که ابزارهای تکمیل خودکار کد فعالیت کدنویسی را حدود ۴۰ درصد افزایش دادهاند و با اضافهشدن عاملهای همزمان این اثر تجمعی به حدود ۱۴۰ درصد و با عاملهای غیرهمزمان به حدود ۱۸۰ درصد رسیده است. در مقابل، شمار پروژهها حدود ۵۰ درصد و شمار نسخههای منتشرشده نزدیک ۳۰ درصد افزایش یافته است. پژوهشگران این فاصله را به مراحلی مانند بازبینی، ادغام، آزمایش و انتشار نسبت دادهاند که هنوز به میزان زیادی به کار و داوری انسان وابستهاند.
مککینزی در گزارش ۲۰۲۶ برای نخستین بار «توسعه نرمافزار عاملمحور» (Agentic Software Development) را بهعنوان یکی از ۱۴ روند مستقل فناوری معرفی کرده است. در این الگو، هوش مصنوعی میتواند علاوه بر نوشتن کد، در برنامهریزی، اصلاح کد، اجرای آزمون، رفع اشکال و گاهی اعمال تغییرات مشارکت کند.
از دستیار کدنویسی به عامل انجامدهنده کار
ابزارهایی مانند Claude Code شرکت آنتروپیک و کدکس شرکت OpenAI به توسعهدهنده اجازه میدهند کارهای طولانیتری را به هوش مصنوعی بسپارد تا روی کدنویسی، رفع اشکال، آزمایش و مستندسازی کار کند و نتیجه را بعدا بررسی کند.
طبق دادههایی که مککینزی از گیتهاب نقل کرده است، تا اکتبر ۲۰۲۵ بیش از ۱.۱ میلیون مخزن عمومی کد از کیتهای توسعه مبتنی بر مدلهای زبانی استفاده میکردند و نزدیک ۸۰ درصد توسعهدهندگان تازهوارد در هفته نخست کار خود از کوپایلوت استفاده کرده بودند. این دادهها به زیستبوم گیتهاب مربوطاند و نمیتوان آنها را به همه برنامهنویسان تعمیم داد.
مککینزی همچنین از رشد ۲۲۱ درصدی آگهیهای شغلی مرتبط با توسعه نرمافزار عاملمحور میان سالهای ۲۰۲۴ و ۲۰۲۵ خبر داده است. با این حال، حدود ۹۰ درصد این موقعیتها همچنان در گروه تحقیق و توسعه قرار داشتهاند و مککینزی میزان بلوغ این فناوری را ۳ از ۵، یعنی «اجرای آزمایشی» ارزیابی کرده است.
کدنویسی فقط بخشی از چرخه توسعه است
پژوهشی که مککینزی به آن استناد کرده نشان میدهد توسعهدهندگان فقط حدود یکدهم روز کاری خود را مستقیما صرف نوشتن کد میکنند و بخش بزرگی از زمان آنها صرف تعریف نیازمندیها، طراحی، هماهنگی، بازبینی، آزمایش و استقرار میشود. به همین دلیل، افزایش سرعت نوشتن کد لزوما کل چرخه توسعه را به همان نسبت سریع نمیکند.
مککینزی برای گسترش هوش مصنوعی به مراحل دیگر از مفهوم «کارخانه عاملمحور» استفاده کرده است. در این الگو، عاملهای مختلف میتوانند نیازمندیهای محصول را آماده کنند، معماری را طراحی کنند، آزمونهای امنیتی بسازند یا انتشار نسخه را مدیریت کنند. براساس تحلیل مککینزی، سازمانهایی که عملکرد بهتری در استفاده از هوش مصنوعی داشتهاند، شش تا هفت برابر بیشتر احتمال داشته است که این فناوری را در چهار مرحله یا بیشتر از چرخه توسعه بهکار گرفته باشند.
همین موضوع در سنجش موفقیت هوش مصنوعی نیز اهمیت دارد. تعداد مجوزها، کاربران فعال، حجم درخواستها یا سهم کد تولیدشده با هوش مصنوعی میزان استفاده از ابزار را نشان میدهد، اما سرعت، کیفیت و امنیت نرمافزار تحویلشده را اندازه نمیگیرد.
بهرهوری در همه شرکتها یکسان افزایش نیافته است
در بررسی مککینزی، فقط حدود یکچهارم شرکتهایی که از ابزارهای توسعه عاملمحور استفاده کردهاند، شتاب چشمگیری در کل چرخه توسعه گزارش کردهاند. حدود ۸۰ درصد مهندسان استفادهکننده از ابزارهای هوش مصنوعی افزایش بهرهوری نزدیک ۳ درصد گزارش کردهاند، در حالی که ۲۰ درصد برتر بهطور متوسط حدود ۵۵ درصد افزایش بهرهوری داشتهاند. در ۳۰ درصد شرکتهای بررسیشده نیز بهرهوری پس از استفاده از ابزارهای عاملمحور کاهش یافته است. این نتایج به نمونه مورد بررسی مککینزی مربوطاند و نباید به همه شرکتهای نرمافزاری تعمیم داده شوند.
تیمهای کوچکتر و نقشهای گستردهتر
در میان سازمانهایی که بیشترین افزایش سرعت را گزارش کردهاند، ۷۹ درصد پاسخدهندگان گفتهاند اندازه تیمها پس از استقرار هوش مصنوعی کاهش یافته است و اندازه میانه تیمهای توسعه از حدود ۱۰ نفر به ۷ نفر رسیده است.
در این سازمانها، زمان صرفشده برای کارهای اجرایی بیشتر کاهش یافته و کارهایی مانند تهیه مستندات، تولید نسخه نخست برخی خروجیها و ساخت اولیه آزمونها بیشتر به عاملها واگذار شدهاند. در مقابل، نقش برخی مهندسان به سمت تعریف نیازمندیها، طراحی راهحل، معماری، امنیت، استقرار و نظارت بر خروجی عاملها حرکت کرده است.
مککینزی همچنین نمونه یک شرکت فناوری جهانی را بدون ذکر نام گزارش کرده است که تیمهای هشت تا ده نفره خود را به گروههای چهار تا شش نفره شامل نیروی انسانی و عاملهای هوش مصنوعی تبدیل کرده است. به گفته مککینزی، تیمهای بررسیشده در این شرکت حدود دو برابر ظرفیت بیشتر و چرخههای توسعه ۵۰ تا ۸۰ درصد کوتاهتر ثبت کردهاند. چون نام شرکت و داده خام منتشر نشده است، این مورد را نمیتوان به همه شرکتها تعمیم داد.
مهارت کمیاب دیگر فقط برنامهنویسی نیست
دادههای بازار کار نشان میدهند کمبود مهارت در توسعه نرمافزار عاملمحور بیشتر به بخشهایی منتقل شده است که کد را به نرمافزار عملیاتی تبدیل میکنند. مککینزی شدیدترین کمبود نیروی انسانی را در حوزه یکپارچهسازی و تحویل پیوسته (CI/CD) گزارش کرده است.
در مقابل، عرضه مهارتهایی مانند Python، JavaScript، GitHub و حتی یادگیری ماشین بیشتر بوده است. مککینزی در حوزه گستردهتر هوش مصنوعی عاملمحور نیز کمبود مهارت در هماهنگسازی عاملها و ابزارها (Orchestration) را گزارش کرده است که به پیوند دادن مدلها، ابزارها، دادهها و روندهای کاری مربوط میشود.
چارچوبهایی مانند LangGraph نیز برای مدیریت عاملهایی طراحی شدهاند که کارهای چندمرحلهای انجام میدهند، وضعیت خود را حفظ میکنند و در نقاط مشخص امکان مداخله انسان را فراهم میکنند.
تولید کد آسانتر شده، شناخت سازمان نه
عامل هوش مصنوعی برای تغییر یک سامانه واقعی فقط به توانایی کدنویسی نیاز ندارد و باید ساختار کد، سیاستهای داخلی، الزامات قانونی، تاریخچه محصول و وابستگیهای سامانههای قدیمی را نیز بشناسد.
مککینزی میان ساخت سامانهای تازه، کار روی سامانه موجود و نوسازی سامانههای قدیمی تفاوت گذاشته است و برآورد کرده است که عاملها میتوانند برخی پروژههای نوسازی سامانههای قدیمی را ۴۰ تا ۵۰ درصد سریعتر و هزینه آنها را تا ۴۰ درصد کمتر کنند. این ارقام برآورد مککینزی هستند و باید با همین انتساب بیان شوند.
در چنین محیطی، ابزارهایی مانند نمودارهای دانش، نمایهسازی مخزنهای کد و سامانههای بازیابی اطلاعات سازمانی اهمیت بیشتری پیدا میکنند، زیرا عامل برای تغییر سامانه باید ارتباط اجزای آن با فرایندها و سامانههای دیگر را بشناسد.
سرعت بیشتر، کنترل بیشتری میخواهد
افزایش سرعت تولید کد، مسئله کیفیت و امنیت را نیز جدیتر کرده است. در نظرسنجی Stack Overflow در سال ۲۰۲۵، ۴۶ درصد توسعهدهندگان پاسخدهنده گفتهاند به دقت ابزارهای هوش مصنوعی اعتماد ندارند، در حالی که ۳۳ درصد به آنها اعتماد داشتهاند و فقط حدود ۳ درصد اعتماد بسیار بالایی گزارش کردهاند.
شرکت امنیتی Veracode نیز بیش از ۱۰۰ مدل زبانی را در وظایفی مربوط به Java، Python، C# و JavaScript آزمایش کرده و گزارش داده است که ۴۵ درصد نمونههای کد تولیدشده آزمونهای امنیتی موردنظر را پشت سر نگذاشتهاند و دستکم یکی از آسیبپذیریهای قابل شناسایی در مجموعه OWASP Top 10 را داشتهاند. این آزمایش در محیط کنترلشده انجام شده است و نرخ آسیبپذیری نرمافزارهای واقعی را نشان نمیدهد.
گزارش DORA نیز هوش مصنوعی را بیشتر تقویتکننده وضع موجود فرایند توسعه توصیف کرده است؛ به این معنا که فرایندهای قوی میتوانند از افزایش سرعت بهره ببرند و ضعفهای موجود نیز ممکن است تشدید شوند.
مککینزی نیز گزارش کرده است که کاهش زمان انجام فعالیتها بیشتر از کاهش دوبارهکاری بوده و بر استفاده از آزمون خودکار، بررسی امنیتی، سنجش تطابق با نیازمندیها و تعیین موارد نیازمند تأیید انسانی تأکید کرده است.
عاملها به هویت و سطح دسترسی نیاز دارند
عاملهایی که به مخزن کد، رابطهای برنامهنویسی، پایگاه داده یا نرمافزارهای سازمانی دسترسی دارند، میتوانند در سامانه اقدام کنند. به همین دلیل، کنترل هویت و دسترسی آنها نیز به مسئلهای امنیتی تبدیل شده است.
مککینزی به افزایش «هویتهای غیرانسانی»، مانند حسابهای خدماتی، کلیدهای دسترسی و اعتبارنامههای ماشینی، اشاره کرده است.
شرکت Okta نیز در مارس ۲۰۲۶ چارچوب «سازمان عاملمحور امن» را معرفی کرده است که ثبت عاملها، کنترل دسترسی، مدیریت اعتبارنامهها، ثبت رویدادها، تأیید انسانی و امکان متوقفکردن عامل را دربر میگیرد. این چارچوب پیشنهاد یک شرکت است و استاندارد مستقل صنعت محسوب نمیشود.
هزینه هوش مصنوعی فقط قیمت مجوز نیست
عاملهای هوش مصنوعی برای انجام یک کار ممکن است بارها مدل را فراخوانی کنند، اطلاعات بازیابی کنند و ابزارهای بیرونی را بهکار بگیرند؛ بنابراین، هزینه آنها با میزان و شیوه استفاده تغییر میکند.
مککینزی در یکی از بررسیهای خود گزارش کرده است که ۹۳ درصد پاسخدهندگان از بودجه پیشبینیشده هوش مصنوعی خود عبور کردهاند. نمونه این بررسی محدود بوده است و نتیجه آن را نمیتوان به همه سازمانها تعمیم داد.
پژوهشی که مککینزی به آن استناد کرده نیز نشان داده است که مصرف «توکن» برای انجام یک کار مشابه میتواند میان عاملهای مختلف تا ۳۰ برابر تفاوت داشته باشد. تعداد مراحل پردازش، فراخوانی ابزارها، حجم اطلاعات زمینهای و طراحی روند کار نیز بر این هزینه اثر میگذارند.
مککینزی همچنین برآورد کرده است که هزینه توکن، توان پردازشی، زیرساخت و عملیات هوش مصنوعی در برخی استقرارها میتواند به اندازه ۲۰ درصد هزینه نیروی انسانی موجود برسد. این رقم نیز برآورد محیطهای مورد بررسی مککینزی است و نرخ عمومی محسوب نمیشود.
هنوز در مرحله گذار قرار داریم
شواهد موجود نشان میدهند تولید کد سریعتر شده است، اما کل فرایند توسعه نرمافزار با همان سرعت خودکار نشده است.
METR که توان مدلها برای انجام مستقل وظایف طولانیتر را اندازهگیری میکند، تأکید کرده است که شاخص «افق زمانی انجام وظیفه» بر کارهای مشخص و قابل سنجش در مهندسی نرمافزار، یادگیری ماشین و امنیت سایبری تمرکز دارد و نباید آن را معادل توان هوش مصنوعی برای انجام چند ساعت کار واقعی یک متخصص در محیط کامل سازمانی دانست.
مککینزی نیز توسعه نرمافزار عاملمحور و هوش مصنوعی عاملمحور را در گزارش ۲۰۲۶ همچنان در مرحله اجرای آزمایشی قرار داده است.
شواهد فعلی بیشتر از حذف برنامهنویسی، از جابهجایی گلوگاهها حکایت دارند. تولید اولیه کد سریعتر شده است، اما تعریف نیازمندیها، معماری، بازبینی، آزمایش، امنیت، استقرار، دانش سازمانی، مدیریت دسترسی و کنترل هزینه اهمیت بیشتری پیدا کردهاند.
برای مدیران فناوری، معیار اصلی موفقیت دیگر فقط مقدار کد تولیدشده با هوش مصنوعی نیست و باید دید افزایش سرعت تولید کد تا چه اندازه به نرمافزار قابل تحویل، قابل نگهداری و قابل اعتماد تبدیل میشود.
گزارش چشمانداز روندهای فناوری ۲۰۲۶ مککینزی
منبع
