دیوار واقعی هوش مصنوعیVentureBeat
۱۸ تیر ۱۴۰۵

شرکت‌ها تازه فهمیده‌اند مشکل اصلی خود کدنویسی نیست

دسته بندی: تحلیل عمومی
میزان اهمیت:
۶/ ۱۰
دیوار واقعی هوش مصنوعی

اصل ماجرا

  • تولید کد با هوش مصنوعی سریع شده، اما اجرای همان کد در دل یک سازمان بزرگ داستان کاملاً متفاوتی است.
  • بسیاری از شرکت‌ها استراتژی هوش مصنوعی دارند، اما تعداد کمی واقعاً به مرحله اجرای عملیاتی رسیده‌اند.
  • مشکل اصلی معمولاً کیفیت کد نیست؛ داده‌های پراکنده، سیستم‌های قدیمی، مجوزها، امنیت و حاکمیت سازمانی مانع می‌شوند.
  • نقش توسعه‌دهنده هم حذف نمی‌شود؛ بیشتر به سمت فهم معماری، کنترل خروجی و تبدیل دانش سازمان به مزیت واقعی می‌رود.

اعداد کلیدی

۸۱درصد

استراتژی روی کاغذ

این سهم از سازمان‌ها استراتژی دقیق هوش مصنوعی دارند، اما داشتن نقشه با رسیدن به مقصد فرق دارد.

۱۲تا ۱۶ درصد

اجرای واقعی

فقط این بخش از سازمان‌ها به اجرای مبتنی بر هوش مصنوعی می‌رسند؛ یعنی بیشتر شرکت‌ها هنوز از مرحله حرف و نمونه اولیه عبور نکرده‌اند.

۱۰سال

عمر کد سازمانی

در سازمان‌های بزرگ، کد باید سال‌ها قابل نگهداری، وصله‌کردن و فهمیدن باشد، نه فقط امروز اجرا شود.

۲۰سال

دوام عملیاتی

بعضی کدهای سازمانی باید حتی تا این مدت در سیستم‌های حیاتی زنده بمانند و توسط تیم‌های بعدی مدیریت شوند.

چرا مهم است؟

نمونه اولیه، محصول واقعی نیست: خیلی از شرکت‌ها با دیدن سرعت تولید کد فکر می‌کنند به تحول هوش مصنوعی نزدیک شده‌اند. اما محصول واقعی باید به داده زنده، امنیت، مجوزها، سیستم‌های قدیمی و فرایندهای روزمره وصل شود؛ همان جاهایی که سازمان‌ها معمولاً آماده نیستند.

هوش مصنوعی بی‌نظمی را درمان نمی‌کند: اگر داده‌ها پراکنده باشند، APIها روشن نباشند و فرایندها مستند نشده باشند، هوش مصنوعی نمی‌تواند معجزه کند. این فناوری بیشتر شبیه تقویت‌کننده است؛ سازمان منظم را پرقدرت‌تر می‌کند و سازمان نامنظم را با سرعت بیشتری درگیر خطا می‌کند.

کار توسعه‌دهنده عمیق‌تر می‌شود: آینده مهندسی نرم‌افزار فقط نوشتن خط‌به‌خط کد نیست. توسعه‌دهنده باید زمینه بدهد، خروجی را نقد کند، معماری را نگه دارد و دانش اختصاصی سازمان را به سیستم منتقل کند. این یعنی ارزش انسانی از کدنویسی صرف به قضاوت فنی و تجاری منتقل می‌شود.

شرح کامل ماجرا

تولید کد با هوش مصنوعی شبیه این است که کسی در چند دقیقه برایتان یک قطعه از پازل را بسازد. جذاب است، سریع است و گاهی واقعاً شگفت‌انگیز. اما در سازمان‌های بزرگ، مسئله فقط ساختن قطعه پازل نیست؛ باید ببینید آن قطعه در تصویر عظیمی جا می‌گیرد که پر از سیستم‌های قدیمی، داده‌های پراکنده، قوانین امنیتی، مجوزهای دسترسی و فرایندهایی است که سال‌ها روی هم انباشته شده‌اند یا نه.

مایکل آملینگ (Michael Ameling)، مدیر محصول پلتفرم فناوری کسب‌وکار SAP، می‌گوید خیلی از شرکت‌ها دقیقاً همین‌جا به دیوار می‌خورند. طبق گفته او، ۸۱ درصد سازمان‌ها استراتژی دقیق هوش مصنوعی دارند، اما فقط ۱۲ تا ۱۶ درصد به اجرای واقعی مبتنی بر هوش مصنوعی می‌رسند. این شکاف نشان می‌دهد مشکل معمولاً این نیست که هوش مصنوعی کد بدی نوشته؛ مشکل این است که کد تولیدشده وقتی وارد محیط واقعی سازمان می‌شود، با دنیایی از محدودیت‌های عملیاتی روبه‌رو می‌شود.

نمونه اولیه ساختن آسان‌تر از همیشه شده است. تیمی می‌تواند با چند پرامپت، یک ابزار جذاب بسازد و حس کند خیلی جلو افتاده. اما بعد تازه معلوم می‌شود آن ابزار به داده‌ای نیاز دارد که دسترسی به آن ممکن نیست، به یکپارچگی‌ای وابسته است که وجود ندارد، یا برای اجرا به مجوزهایی نیاز دارد که در محیط واقعی داده نمی‌شود. هوش مصنوعی بلوغ داده و فرایند یک سازمان را تقویت می‌کند، اما جای آن را نمی‌گیرد. اگر زیرساخت سازمان شبیه انباری شلوغ باشد، هوش مصنوعی فقط سریع‌تر در همان انباری دنبال چیزها می‌گردد.

در سازمان‌های بزرگ، کد قرار نیست فقط امروز کار کند. گاهی باید ۱۰ سال یا حتی ۲۰ سال قابل نگهداری، وصله‌کردن، توضیح دادن و تحویل دادن به تیم‌های بعدی باشد. این همان جایی است که چرخه عمر نرم‌افزار اهمیت پیدا می‌کند. کدی که یک دستیار هوش مصنوعی تولید می‌کند، اگر کسی نفهمد چه کرده، به چه داده‌ای وصل است، چه مجوزی دارد و در کدام فرایند تجاری اثر می‌گذارد، بیشتر شبیه یک میان‌بر خطرناک است تا یک مزیت رقابتی.

چالش بعدی وقتی جدی‌تر می‌شود که هوش مصنوعی از نقش «پیشنهاددهنده» به نقش «اقدام‌کننده» حرکت می‌کند. یک عامل هوش مصنوعی که فقط جواب می‌دهد با عاملی که رکوردها را به‌روزرسانی می‌کند، فرایندها را فعال می‌کند یا در سیستم‌های مالی و عملیاتی تصمیم اجرایی می‌گیرد، زمین تا آسمان فرق دارد. اینجا بحث هویت، سطح دسترسی، ثبت رفتار، مشاهده‌پذیری و ارزیابی تجاری مطرح می‌شود. سازمان باید بداند هر عامل چه کاری می‌تواند بکند، به کدام API دسترسی دارد و اگر اشتباه کرد، رد پایش کجاست.

نقش توسعه‌دهنده هم در این تصویر حذف نمی‌شود؛ فقط از تایپ‌کننده کد به داور، معمار و نگهبان زمینه تبدیل می‌شود. توسعه‌دهنده می‌تواند چند عامل کدنویسی را هم‌زمان روی چند مسئله به کار بگیرد، اما همچنان باید خروجی‌ها را بفهمد، کیفیت آن‌ها را بسنجد و درباره معماری تصمیم بگیرد. مزیت واقعی شرکت‌ها ابزار تولید کد نیست؛ دانشی است که از صنعت، فرایند، ریسک، مسیرهای لجستیک یا منطق کسب‌وکار خود دارند و می‌توانند آن را به شکلی قابل استفاده وارد سیستم کنند.

مطالعه در منبع اصلی

آنچه کمتر دیده می‌شود (زوایای پنهان)

۱

زاویه پنهان این است که شرکت‌ها ممکن است ابزارهای هوش مصنوعی مشابهی بخرند، اما برنده واقعی کسی است که داده، فرایند و دانش اختصاصی خودش را بهتر آماده کرده باشد.

۲

پیچش مهم ماجرا این است که تولید کد شاید بخش ساده تحول باشد؛ بخش سخت‌تر، تبدیل همان کد به چیزی است که در محیط زنده، قانون‌مند، قابل حسابرسی و قابل نگهداری سازمان دوام بیاورد.

میزان اهمیت

اهمیت کلی
۱۰از۶
فرصت۷/۱۰
ارتباط با ایران۵/۱۰
زمان‌بندی۶/۱۰
ریسک رقبا۶/۱۰

چه کسانی باید توجه کنند؟

مدیران فناوری اطلاعات، مشاوران استراتژیک، و سرمایه‌گذاران در حوزه فناوری.

✨ تبدیل تحلیل با AI

بازنویسی آماده برای انتشار در شبکه‌های اجتماعی

Lensora AI
تولید کد با هوش مصنوعی، مشکل اصلی هوش مصنوعی سازمانی را حل نمی‌کند.

طبق گفته SAP، ۸۱ درصد سازمان‌ها استراتژی دقیق هوش مصنوعی دارند، اما فقط ۱۲ تا ۱۶ درصد به اجرای واقعی مبتنی بر هوش مصنوعی می‌رسند. دلیلش معمولاً کیفیت کد تولیدشده نیست. مشکل وقتی شروع می‌شود که همان کد باید به داده زنده، سیستم‌های قدیمی، مجوزهای امنیتی، APIها و فرایندهای واقعی سازمان وصل شود.

اما چرا این موضوع مهم است؟ چون بسیاری از شرکت‌ها سرعت تولید نمونه اولیه را با آمادگی واقعی اشتباه می‌گیرند. هوش مصنوعی می‌تواند کد بسازد، اما نمی‌تواند به‌تنهایی داده‌های پراکنده را تمیز کند، حاکمیت سازمانی بسازد یا سال‌ها نگهداری نرم‌افزار را تضمین کند.

زاویه پنهان: مزیت رقابتی آینده در خود ابزارهای تولید کد نیست. تقریباً همه به ابزارهای مشابه دسترسی خواهند داشت. برنده کسی است که دانش اختصاصی، منطق فرایندها و داده‌های سازمانی خود را بهتر آماده و قابل استفاده کرده باشد.

آیا شرکت‌ها بیش از حد روی «کد تولید کردن» تمرکز کرده‌اند و کمتر روی «آماده بودن برای اجرای واقعی»؟

🔗 جزئیات بیشتر در لنزورا:
/news/شرکتها-تازه-فهمیدهاند-مشکل-اصلی-خود-کدنویسی-نیست
🧩 کدی که برای سازمان کافی نیست

اتفاق اصلی: تولید کد با هوش مصنوعی سریع شده، اما اجرای همان کد در سازمان‌های بزرگ به داده، امنیت، مجوز، سیستم‌های قدیمی و فرایندهای قابل اعتماد نیاز دارد.

📉 شکاف بزرگ: ۸۱ درصد سازمان‌ها استراتژی هوش مصنوعی دارند، اما فقط ۱۲ تا ۱۶ درصد به اجرای واقعی مبتنی بر هوش مصنوعی می‌رسند.

🚨 چرا مهم است؟ هوش مصنوعی بی‌نظمی سازمان را حل نمی‌کند؛ فقط آن را سریع‌تر آشکار می‌کند. اگر داده و فرایند آماده نباشد، تولید کد به محصول واقعی تبدیل نمی‌شود.

🔍 زاویه پنهان: مزیت آینده در ابزار تولید کد نیست؛ در دانش اختصاصی سازمان، کیفیت داده‌ها و توانایی تبدیل آن‌ها به سیستم‌های قابل اجراست.

🔗 جزئیات بیشتر در لنزورا:
/news/شرکتها-تازه-فهمیدهاند-مشکل-اصلی-خود-کدنویسی-نیست
ادامه مطالعهپیشنهاد مطالعه
عرضه مدل باهوش اقتصادی‌تر آنتروپیک
۵دلارورودی مدل
عرضه مدل باهوش اقتصادی‌تر آنتروپیکVentureBeat

اوپوس ۵ کارهای پیچیده را با هزینه‌ای قابل‌تحمل‌تر انجام می‌دهد

چرا مهم است؟

آنتروپیک روی مدلی شرط بسته که شاید بهترین نباشد، اما برای انجام روزانه کارهای پیچیده، سریع‌تر و اقتصادی‌تر است.

۲ مرداد ۱۴۰۵
میزان اهمیت
۷ از ۱۰
مدل کوچک، صرفه‌جویی بزرگ
۸۹درصدکاهش هزینه صوت
مدل کوچک، صرفه‌جویی بزرگVentureBeat

مایکروسافت، شریک بزرگ اوپن‌ای‌آی حالا به‌دنبال استقلال بیشتر است

چرا مهم است؟

مایکروسافت می‌خواهد کارهای عادی هوش مصنوعی را با مدل‌های خودش انجام دهد؛ ارزان‌تر، سریع‌تر و با وابستگی کمتر به شرکا.

۱ مرداد ۱۴۰۵
میزان اهمیت
۸ از ۱۰
مقصر واقعی خطای هوش مصنوعی
۳ماهزمان افت کیفیت
مقصر واقعی خطای هوش مصنوعیVentureBeat

عامل‌های هوش مصنوعی اغلب قربانی داده‌های قدیمی، ناقص و ناسازگار می‌شوند

چرا مهم است؟

بهترین مدل هوش مصنوعی هم با قیمت‌ها، سیاست‌ها و اسناد قدیمی، پاسخ‌های متقاعدکننده اما اشتباه تولید می‌کند.

۳۱ تیر ۱۴۰۵
میزان اهمیت
۷ از ۱۰