كيف تختصر الشركات وقت تطوير منتجاتها الرقمية باستخدام الذكاء الاصطناعي؟

تضخ الشركات ميزانيات متزايدة في أدوات البرمجة بالذكاء الاصطناعي على أمل تقليص زمن إطلاق منتجاتها إلى السوق. لكن الواقع يفاجئ الكثيرين: المطورون يكتبون الأكواد أسرع، ومع ذلك يبقى موعد تسليم المنتجات معلقًا لأشهر دون تغيير يُذكر.

خلال عملي على تطوير المنتجات والأنظمة الرقمية، عايشت هذا التناقض بوضوح؛ كتابة الأكواد البرمجية لم تكن يومًا عنق الزجاجة الحقيقي، بل الوقت الذي يضيع في غموض المتطلبات، وبناء نماذج أولية صامتة، وتأخر معالجة ملاحظات العملاء.

السرعة الحقيقية لا تأتي إذن من مجرد تسريع كتابة الكود، لكن من توظيف الذكاء الاصطناعي في إعادة هندسة المسار بأكمله. وذلك عبر تحويل الفكرة في ساعات إلى نموذج تفاعلي حي، وضغط حلقة التعلم والتحقق من شهور إلى أيام.

أين يضيع وقت تطوير المنتجات الرقمية فعليًا؟

حين تُسأل الإدارة عن سبب بطء إطلاق تطبيق جديد، يتجه اللوم تلقائيًا إلى الفريق البرمجي، حيث يشار إلى أن البرمجة تحتاج وقتًا، غير أن الواقع يقول غير ذلك تمامًا، فالبرمجة الفعلية أي كتابة الكود لا تستهلك سوى ما بين 20% إلى 30% من إجمالي وقت تطوير البرمجية، بينما تلتهم أربع محطات الـ 70% المتبقية:

1. غموض المتطلبات والتردد الإداري، أي صياغة وثائق العمل، وتفسير متطلبات العميل ورغباته، والتعديل المستمر على الأهداف قبل الاستقرار على التصور النهائي.
2. النماذج الأولية الصامتة، إذ يأخذ تصميم نماذج ساكنة على برامج التصميم لا تعكس بالضرورة سلوك النظام الحقيقي أسابيع، وليس بالضرورة أن تكشف هذه النماذج عن المشاكل التشغيلية، ما يؤخر اكتشافها.
3. دورات المراجعة وإعادة العمل، أي اكتشاف الفريق بعد أشهر من العمل أن ما بني لا يحل المشكلة الحقيقية للعميل، ما يؤدي إلى إعادة بناء أجزاء واسعة من الصفر.
4. التحقق والأمان والاعتماد، حيث تأخذ المراجعات المعمارية، وفحوصات الأمان واكتشاف الثغرات ومعالجتها، واختبارات التكامل اليدوية المعقدة وقتًا طويلًا.

عندما تُدخِل الشركة أدوات توليد الكود في مسار تطوير البرمجيات، فإنها في الحقيقة تضخ مياهًا غزيرة في أنبوب لا يمكنه أن يمررها، وبالتالي تتراكم الأكواد البرمجية منتظرة أن تراجع وتعتمد، ولا يحدث تغيير في زمن وصول المنتج إلى العميل.

أين يستطيع الذكاء الاصطناعي اختصار الوقت حقًا؟

لا تكمن القيمة الحقيقية للذكاء الاصطناعي في جعل المبرمج أسرع فقط، بل أيضًا في جعل الشركة قادرة على ضغط حلقة التطوير من أشهر إلى أيام معدودة، ويمكن أن تتحقق هذه القفزة عبر 3 أمور رئيسية:

الانتقال الفوري من الفكرة إلى النموذج التفاعلي الملموس

في الحالة التقليدية، تبدأ الفكرة بوثيقة متطلبات طويلة، تليها رسومات تخطيطية، ثم ينتظر الجميع أشهرًا حتى يكتب المهندسون واجهة خلفية وأخرى أمامية ليرى العميل أو المدير شيئًا يعمل بالنقرات والتجربة.

أما مع بيئات التطوير المعززة بالذكاء الاصطناعي والوكلاء (Agents) المستقلين، أصبح بإمكان مدير المنتج تحويل الوثيقة أو المخطط إلى نموذج تفاعلي كامل يعمل بقواعد بيانات حقيقية وواجهات مستخدم متجاوبة في غضون ساعات، هذا ينقل نقاش الإدارة من الاعتماد على فرضيات إلى الاعتماد على تجربة حية تختصر وقتًا طويلًا في الإصلاح لاحقًا.

استكشاف الحلول المختلفة دون تكلفة إضافية

كان استكشاف أكثر من مسار لحل المشكلة مكلفًا، لأنه يتطلب وقتًا إضافيًا في التصميم والتنفيذ. اليوم يستطيع الفريق استخدام الذكاء الاصطناعي لتوليد بدائل أولية للبنية أو الواجهة أو منطق الحل، ثم اختبار الفرضيات الأساسية بسرعة قبل الالتزام بمسار واحد. 

وتوضح دراسة نشرتها McKinsey في أغسطس 2026 أن وضوح المتطلبات يصبح أكثر أهمية مع تسارع التطوير؛ لأن التعليمات الغامضة تستطيع إنتاج نماذج واختبارات وأكواد تبدو صحيحة، لكنها لا تحقق ما يحتاجه المنتج فعليًا.

ولهذا تعيد الفرق الأكثر تقدمًا توزيع المسؤوليات؛ فيساعد الذكاء الاصطناعي على إعداد المقترحات وتنفيذ التجارب الأولية، بينما يتولى المختصون تحديد المتطلبات والمفاضلة بين الحلول واتخاذ القرارات الهندسية المهمة.

وتصبح المقارنة بين البدائل أسرع، مع استمرار خضوع الحل المختار لاختبارات الأداء والأمان والتكامل قبل اعتماده.

ضغط زمن معالجة ملاحظات العميل إلى ساعات

عندما يختبر العميل أو الإدارة ميزة جديدة ويطلب تعديلًا، مثل تغيير طريقة عرض البيانات أو تعديل مسار الدفع، فإنه في الحالة المعتادة، يمر الطلب بدورة عمل طويلة، تبدأ بكتابة تذكرة المهام، ثم بحث المطور لساعات داخل الملفات للتأكد من سلامة التعديل، ثم تنفيذ التعديلات، ما يجعل التغيير البسيط يستغرق أسبوعًا أو أكثر.

أما عند دمج الذكاء الاصطناعي، فالوضع يتغير جذريًا، إذ تستطيع أدوات البرمجة المدعومة بالذكاء الاصطناعي تحليل أجزاء واسعة من النص البرمجي الأساسي (Codebase) وتحديد الملفات والدوال الأكثر ارتباطًا بالتعديل، واقتراح التغييرات البرمجية المطلوبة مع توليد اختبارات تحقق آلية فورية. هذا يمكّن المطور من مراجعة التعديل وتجريبه ونشره على بيئة الاختبار للعميل خلال ساعات من طرح الملاحظة.

تجارب عالمية رائدة لاستخدام الذكاء الاصطناعي في دورة التطوير

أعادت شركات تقنية مثل Spotify وAmazon وSonar تصميم مسار العمل حول أدوات الذكاء الاصطناعي، بدلًا من حصر استخدامها في كتابة الكود:

تجربة Spotify: كثرة الكود تنقل الزحام إلى عنق زجاجة جديد

أوضحت شركة سبوتيفاي في تقرير هندسي أن أكثر من 99% من مهندسيها يستخدمون أدوات البرمجة بالذكاء الاصطناعي أسبوعيًا، وأن 94% منهم يرون أنها رفعت إنتاجيتهم، وارتفع عدد طلبات السحب Pull Requests بنسبة 76%.

ومع زيادة سرعة توليد التعديلات، انتقل الضغط إلى المراجعة والقرارات البشرية؛ فالشركة أصبحت تتعامل مع عدد أكبر بكثير من التغييرات التي تحتاج إلى تحديد ما يمكن دمجه تلقائيًا وما يستحق مراجعة بشرية أعمق.

وبالتالي تسريع كتابة الكود دون تسريع آلية اتخاذ القرار لا قيمة له. إذا لم تكن المواصفات والأولويات واضحة، فإن الذكاء الاصطناعي سينتج لك كميات ضخمة من الأكواد لكنها ستبقى غير معتمدة،  وكان الحل هو تحويل المطور من كاتب كود إلى محكِّم ومراجع، مع وضع معايير جودة مسبقة تعتمد التعديلات السليمة دون انتظار لجان مراجعة بشرية بطيئة.

تجربة AWS: إلغاء التسليم الخطي بين الأقسام

وثقت شركة أمازون في رسالة رئيسها التنفيذي السنوية للمساهمين تجربة إعادة بناء محرك الاستدلال لمنصة Amazon Bedrock، حيث كان التقدير التقليدي لإنجاز المشروع يتطلب 40 شخصًا يعملون على مدار 12 شهرًا، بينما نجحت الشركة في تنفيذه بفريق مكون من 6 مهندسين خلال 76 يومًا فقط.

وتوضح AWS في عرضها لتجارب فرق التطوير المتقدمة أن الفرق التي حققت نتائج كبيرة أعادت تنظيم العمل حول أهداف واضحة، ووفرت للوكلاء معلومات منظمة عن الأنظمة، وشغّلت مهام متعددة بالتوازي، مع الاعتماد على الاختبارات الآلية لاكتشاف الأخطاء مبكرًا.

كما تعرض الشركة في منهجية AI-DLC نموذجًا لتوزيع المسؤوليات بين البشر والوكلاء؛ إذ يمكن للذكاء الاصطناعي إعداد خطط التنفيذ وتوليد الكود والاختبارات، بينما يحتفظ المهندسون بمسؤولية التحقق من المخرجات والموافقة على القرارات المهمة.

تجربة Sonar وماكنزي: السرعة دون أمان مؤتمت ليست الحل الأفضل

في تجربة مشتركة بين McKinsey وSonar، أعادت ثلاث فرق تصميم دورة تطوير المنتج حول الوكلاء، وربطت توليد الكود بالتحقق المستمر من الجودة والأمان وحلقات تصحيح مؤتمتة. ورفعت الفرق معدل إنجاز طلبات السحب بما يصل إلى 2.2 مرة، وخفّضت زمن دورة طلب السحب بما يصل إلى 3.4 مرة.

وعالجت Sonar هذه المشكلة بتوحيد قوالب وصف المهام وتطوير وكلاء يستطيعون اكتشاف المعلومات الناقصة وطلب استكمالها، إلى جانب أدوات تساعد على فهم الكود والتحقق من التغييرات المقترحة.

وأصبح الوكلاء قادرين على الانتقال من تحليل ملاحظة أو بلاغ عن خلل إلى إعداد مهمة برمجية واقتراح تعديل أولي، بينما يراجع الفريق المتطلبات والنتائج ويحدد ما يحتاج إلى استكمال.

كيف يتغير دور فريقك التقني من كتابة الكود إلى المراجعة والتحكيم؟

تشير دراسة أجراها باحثون في Microsoft على 448 مطورًا محترفًا إلى أن معظم المشاركين يتقبلون تنفيذ الذكاء الاصطناعي للمهام تحت إشرافهم، لكن تقبلهم لاستقلاليته ينخفض في المهام المرتبطة بتصميم الحلول والتعامل مع البشر والهوية المهنية.

ووجد الباحثون أيضًا أن زيادة مسؤولية المطور عن نتائج المهمة ترتبط بانخفاض استعداده للسماح للذكاء الاصطناعي بالتصرف نيابةً عنه. وتوضح هذه النتيجة أهمية التمييز بين المهام التي تستطيع الأدوات تنفيذها، والقرارات التي تحتاج إلى خبرة هندسية وفهم لأهداف المنتج.

ويظهر هذا التحول في ثلاث مسؤوليات رئيسية:

• تصميم الحلول واتخاذ القرارات التقنية: يستخدم المهندس الذكاء الاصطناعي لاستكشاف البدائل وإعداد النماذج الأولية، ثم يقيّمها وفق احتياجات المنتج ومتطلبات الأداء والأمان وقابلية التوسع، ويحدد التصميم المناسب للتنفيذ.
• مراجعة الجودة والتحقق من النتائج: يستفيد المهندس من الاختبارات والتحليلات المؤتمتة، مع التحقق من صحة التغييرات وتأثيرها في النظام. وتُوجّه المراجعة البشرية بصورة خاصة إلى القرارات المعمارية والتعديلات الحساسة.
• فهم النظام وضمان إمكانية تطويره مستقبلًا: يحتفظ الفريق بمعرفة واضحة حول طريقة عمل النظام وأسباب اختيار تصميمه، ويوثّق القرارات المهمة حتى يتمكن من معالجة الأعطال وإضافة الوظائف دون الاعتماد الكامل على الوكلاء.

وتؤكد معايير التطوير الهندسي الصادرة عن وزارة الداخلية البريطانية أن استخدام أدوات الذكاء الاصطناعي لا يعفي الفرق من فهم الأنظمة التي تشغّلها، أو تحمل مسؤولية تصميمها وأمانها وقابليتها للصيانة. كما تشترط مراجعة المخرجات واعتمادها من مختصين مؤهلين قبل استخدامها في بيئة الإنتاج.

مؤشرات الأداء الحقيقية: ماذا يقيس القائد التنفيذي؟

إذا أردت معرفة ما إذا كانت أدوات الذكاء الاصطناعي تختصر وقت تطوير منتجاتك فعلًا، فلا تراقب المقاييس السطحية مثل عدد أسطر الكود المكتوبة أو عدد التعديلات البرمجية المنجزة، فهذه المقاييس مضللة ولا تعكس سرعة وصول القيمة للعميل.

بل ركز بدلًا من ذلك على أربعة مؤشرات عملية:

1. زمن الوصول إلى النموذج الأولي: كم يومًا أو ساعة يحتاجها فريقك لتحويل الفكرة من طاولة الاجتماعات إلى نموذج حي يعمل على الشاشة ويمكن تجربته؟
2. زمن إطلاق النسخة التجريبية الأولى: كم أسبوعًا استغرق المشروع ليصل إلى أيدي مستخدمين حقيقيين لاختبار الفرضيات في السوق؟
3. سرعة استيعاب وتطبيق الملاحظات: كم ساعة تمر بين تلقي ملاحظة جوهرية من العميل وتجربتها مطبقة عمليًا على بيئة الاختبار؟
4. جودة الإصدارات واستقرارها: متابعة الأخطاء المكتشفة بعد الإطلاق، ونسبة التغييرات التي تسبب أعطالًا، والوقت اللازم لاستعادة الخدمة عند وقوع مشكلة.

الخلاصة

لن تختصر شركتك وقت تطوير منتجاتها الرقمية بمجرد حث المبرمجين على استخدام أدوات كتابة الكود بالذكاء الاصطناعي، إنما الفارق يحدث في الشركات التي تعيد هندسة دورة العمل كاملة بشكل يؤهلها لنقل الفكرة إلى نموذج تفاعلي في ساعات، وإلغاء طوابير الانتظار بين الفرق، ووضع النماذج المبكرة لدى العميل ومعالجة ملاحظاته بسرعة.

والسؤال الذي ينبغي لكل مدير ومسؤول أن يطرحه على فريقه ليس كم سطرًا من الكود كتبنا اليوم؟ بل متى سيتمكن العميل من تجربة الفكرة فعليًا، وكيف يمكننا تقليص هذه المدة من شهور إلى أيام؟