ویرگول
ورودثبت نام
مصطفی رادمرد
مصطفی رادمرد
مصطفی رادمرد
مصطفی رادمرد
خواندن ۷ دقیقه·۲ ماه پیش

چطور با AI ده ایکس بشیم؟!

 یکی از اهداف تیم ما در شش ماه اول سال، توانمندشدن مبتنی بر هومص (هوش مصنوعی) با کمک حسین انصاری بود. بنظر می‌رسه که این مهم محقق نشده. حداقل چند برابر نشدیم.

کنجکاو شدیم که دلیلش چیه؟ چرا نشدیم؟ با اینکه اعضای تیم مشتاق و یادگیرنده هستند و فرضشون اینه که دارن به خوبی از هومص استفاده میکنن. لذا جلسه همکفری بین مصطفی و حسین تشکیل شد و راجع به این موضوع صحبت کردن.

در ادامه بخشی ازین گفتگو برای درک منطق نتیجه‌گیری اومده. بعدش هم پاسخ خود هومص به این سوال اومده.

و در پایان مدل شایستگی بهمراه نردبان رشدی که هومص برای توانمندی چند برابری پیشنهاد داده اومده.

{نکته: این یک گفتگو و تحلیل شخصی است و ممکنه به خیلی از جوانب نپرداخته باشه.}


مصطفی: فرضیه و مدل توسعه تو انگار برای همه کار نمیکنه. با اینکه میگفتی در کوتاه مدت میشه که بچه‌ها چند برابر بشن، نشدن! تو این شیش ماه آدم‌های عجیب و غریبی نشدن.

حسین: بعضن مایه نگذاشتن و کارهایی که باید رو نکردن. یک عامل مهم برای توانمندشدن با هومص، فراهم کردن محیط تست و برقراری کامل CI/CD و این چیزاست. وقتی این اصول اجرا نشه، عملن پتانسیل هومص شکوفا نمیشه.

مصطفی: خب چرا؟ اینها که باهوشن و انگیزه داشتن نکردن؛ خب پس این مدلِ توانمندسازی کار نکرده. انگار مدل تو فقط برای چند نفر خاص مثل خودت جواب میده. اصلن بهم بگو چجوری میشه علی پنج برابر چیزی که الان هست خروجی داشته باشه؟ اون که داره خیلی زیاد و خوب از هومص استفاده میکنه. دیگه چیکار کنه؟ همه کارهاش رو داره میده کلاد بزنه!

حسین: آره روی یک کار نسبتن خوب داره استفاده میکنه؛ اگر نواقصی مثل نبود محیط تست و CI/CD کامل بگذریم.

ولی راز چند برابر شدن اینه که خودش رو تکثیر کنه. فقط برای یک کار از هومص کمک نگیره. اگه هومص کار کنه و علی همراهش نظارت کنه که درست کار کنه؛ اینجوری بازم یک نفر هست؛ حالا یکم راحت‌تر و سریع‌تر.

باید مجموعه‌ای از کارگزارهای هومص رو درست کنه که اونها همزمان با هم کار کنن. و علی نقش هماهنگ کننده و ناظر اونها رو داشته باشه. بتونه چند تا کار رو همزمان جلو ببره و در میزان مشخص، خروجی چند برابری بگیره.

مصطفی: عجب! ایده جالبیه. اینی که میگی یعنی اینکه علی نقش مدیرپروژه رو داشته باشه نه توسعه دهنده‌ای که از ابزار هومص استفاده میکنه! من اینجوری میفهمم که پس باید مهارت تک لیدی داشته باشه. درسته؟

حسین: اوممم؛ نمیدونم. شبیه این. نمیخوام اسم تک لید روش بزارم. cto نتفیلیکس بهش میگه توانایی تفکر سیستمی. برای اینکه توسعه‌دهنده چند برابری با هومص، باید بتونه محصول رو به ماژول‌های مناسب بشکنه.

مصطفی: ولی اینی که میگی خیلی شبیه تک لیدی هست. فقط تفکر سیستمی نیست. باید بتونی یک تیم از کارگزارها پرورش بدی، هماهنگی بین اون‌ها برقرار کنی، پروژه رو به نحو خوبی بشکنی، به اونها تفویض کنی، سازوکار نظارت بر اون‌ها برقرار کنی طوری که وقتت رو کامل نگیره، خروجی اون‌ها رو بهم بدوزی، و باقی کارهای لازم برای تولید محصول با مدیریت یک تیم!

حسین: آره. میشه اینجور گفت. برای همین هم آدم‌های جونیور نمیتونن خوب از هومص استفاده کنن. و راهکار ساده‌ای هم بنظرم نمیرسه که چیکارشون میشه کرد. چون تجربه شکستن پروژه و راهبری‌ش رو ندارن.

مصطفی: جالب شد! یعنی میگی کسی که تجربه مدیریت تیم و مدیریت پروژه نداره یا علاقه‌مندیش حل چالش تخصصی هست تا مدیریت افراد، احتمالن خیلی سخت میتونه با هومص چند برابر بشه!

حسین: میشه اینجوری گفت. تا حدی ادبیات مرتبط هم داره. مثل صحبت مدیرفنی نتفیلیکس راجع به اهمیت تفکر سیستمی در استفاده چند برابر از هومص.

مصطفی: بزار یکم از خود هومص بخوام راجع به این موضوع تحقیق کنه؛ یعنی اینکه برای چند برابر شدن با هومص، چه شایستگی‌هایی لازمه...

هومص میگه از بین همه شایستگی‌های مختلف، سه مورد را به‌عنوان شایستگی‌های کلیدی سازمانی می‌گذارم:

1. Problem Decomposition

2. Context + AI Delegation

3. Verification / Engineering Judgment

چون این سه مورد همان چیزی هستند که تعیین می‌کنند آیا یک developer صرفاً از AI استفاده می‌کند یا واقعاً با AI اهرم چندبرابری ایجاد می‌کند.

 

تحقیقاتش بابت توانمندشدن چند برابری یک شرکت متوسط توسعه نرم‌افزار توسط هومص میگه:


احتمالاً یکی از مهم‌ترین competencies آینده Task Decomposition & Delegation خواهد بود.

در سازمان بالغ، مسئله اصلی دیگر «prompt خوب بنویس» نیست.

مسئله این است:

آیا می‌توانی یک مسئله پیچیده را به شکلی ساختاربندی کنی که AI بتواند بخش زیادی از آن را با کیفیت بالا انجام دهد و تو بتوانی خروجی را قضاوت کنی؟

 

شرکت باید خودش AI-native شود. اگر فقط developerها را آموزش دهید، احتمالاً نتیجه محدود خواهد بود. باید سه چیز همزمان تغییر کند:

People

توسعه‌دهنده‌ها AI-native شوند.

Process

فرآیند توسعه برای AI طراحی شود.

Platform

زیرساخت AI داخلی فراهم شود.

من این را به شکل زیر می‌بینم:

AI-enabled developer

⬇

AI-enabled team

⬇

AI-enabled engineering organization

و مرحله سوم است که واقعاً می‌تواند به جهش چندبرابری برسد.

DORA هم دقیقاً همین جهت را نشان می‌دهد: اثر AI وقتی بیشینه می‌شود که سازمان روی قابلیت‌های پایه‌ای مثل maintainability، continuous delivery، loosely coupled teams، monitoring، learning culture و در لایه AI روی internal data و policy روشن سرمایه‌گذاری کند.


مدل پیشنهادی برای AI Engineering Competency Model

Competency

وزن

1. Software Engineering Fundamentals 12%

2. Problem Framing & Decomposition 10%

3. AI Tool Mastery 8%

4. Context Engineering 10%

5. AI Delegation & Agent Orchestration 10%

6. Code Review & Verification 12%

7. Testing & Quality Engineering 9%

8. System Design & Architecture 9%

9. Debugging & Root Cause Analysis 7%

10. Observability, Reliability & Performance 5%

11. Security & Risk Judgment 4%

12. Domain & Product Understanding 4%

جمع 100%


AI تولید code را ارزان می‌کند، اما تشخیص code خوب از code بد همچنان نیازمند engineering knowledge است.

یک junior ضعیف ممکن است با AI ده برابر code تولید کند، ولی الزاماً ده برابر engineer نشده است.


فرد باید بتواند یک مسئله بزرگ را به taskهایی تبدیل کند که:

  • واضح

  • مستقل

  • قابل تست

  • قابل delegation

  • قابل اندازه‌گیری

باشند.

مثلاً به جای:

«سیستم پرداخت را بهینه کن»

آن را تبدیل کند به:

Analyze → Identify bottleneck → propose options → benchmark → implement → test → rollout → monitor

این دقیقاً یکی از جاهایی است که AI-native developer از developer سنتی جدا می‌شود.


توسعه‌دهنده باید بتواند تصمیم بگیرد:

چه چیزی را خودش انجام دهد؟

چه چیزی را به AI بدهد؟

چه چیزی را به چند agent تقسیم کند؟

در آینده تفاوت developerهای high-performing احتمالاً کمتر در «چقدر سریع کد می‌زنند» و بیشتر در چقدر خوب می‌توانند کار را به ماشین delegate کنند خواهد بود.

البته agentها هنوز بلوغ کامل ندارند؛ در Survey 2025، ۳۸٪ توسعه‌دهندگان گفته‌اند برنامه‌ای برای استفاده از agentها ندارند و ۸۷٪ کاربران نسبت به دقت agentها نگرانی داشته‌اند. بنابراین باید این competency را با governance و verification همراه کنید.


عمداً بالاترین وزن را برای Code Review & Verification گذاشته‌ام. AI می‌تواند code تولید کند؛ سؤال اصلی این است:

آیا developer می‌تواند بفهمد این code واقعاً درست است؟

فرد باید بتواند:

  • generated code را بخواند

  • assumptions را کشف کند

  • edge case پیدا کند

  • security flaw پیدا کند

  • performance issue پیدا کند

  • maintainability را ارزیابی کند

  • AI را به challenge بکشد


من چهار سطح تعریف می‌کنم:

L1 — AI User

فرد:

  • روزانه از AI استفاده می‌کند

  • code generation انجام می‌دهد

  • test می‌نویسد

  • debugging کمک می‌گیرد

  • خروجی را می‌خواند

ولی هنوز عمدتاً:

AI به او کمک می‌کند


L2 — AI Practitioner

فرد:

  • task را برای AI آماده می‌کند

  • context مناسب می‌دهد

  • multi-step workflow طراحی می‌کند

  • code و test را با AI می‌سازد

  • خودش review می‌کند

اینجا:

AI با فرد همکاری می‌کند.


L3 — AI Engineer

اینجا اتفاق مهم رخ می‌دهد.

فرد:

  • task را به agentها می‌شکند

  • چند agent workflow طراحی می‌کند

  • از repository به‌عنوان context استفاده می‌کند

  • automated verification دارد

  • AI را وارد debugging و testing می‌کند

  • workflow شخصی خودش را continuously optimize می‌کند

اینجا:

فرد AI را مدیریت می‌کند.


L4 — AI Engineering Leader

این سطح بیشتر برای Tech Lead / Staff / Principal است.

فرد دیگر به بهره‌وری خودش فکر نمی‌کند.

سؤالش این است:

چگونه ۶ نفر تیم را ۲ برابر سریع‌تر کنیم؟

مثلاً:

  • internal agents

  • shared prompts/context

  • reusable workflows

  • automated reviews

  • engineering standards

  • AI platform

طراحی می‌کند.

اینجا:

فرد سیستم تولید نرم‌افزار را AI-native می‌کند.


بزرگ‌ترین اشتباه شما می‌تواند این باشد:

«حالا که AI داریم، انتظار داریم توسعه‌دهنده‌ها ۳ برابر feature بسازند.»

این لزوماً اتفاق نمی‌افتد.

اگر bottleneck شما:

  • Product Management

  • design

  • code review

  • QA

  • deployment

  • architecture

  • dependency بین تیم‌ها

باشد، AI فقط bottleneck را به مرحله بعد منتقل می‌کند.

DORA در پژوهش ۲۰۲۵ دقیقاً به همین نتیجه رسیده که بیشترین بازده AI از بهبود سیستم سازمانی اطراف AI می‌آید، نه صرفاً خرید ابزار.


من این فلسفه را پیشنهاد می‌کنم:

AI نباید یک Tool Competency باشد؛ باید یک Engineering Operating Model باشد.

و از بین ۱۲ competency بالا، سه مورد را به‌عنوان Core Competencies سازمانی می‌گذارم:

1. Problem Decomposition

2. Context + AI Delegation

3. Verification / Engineering Judgment

چون این سه مورد همان چیزی هستند که تعیین می‌کنند آیا یک developer صرفاً از AI استفاده می‌کند یا واقعاً با AI اهرم چندبرابری ایجاد می‌کند.


مستندی که هومص راجع به نردبان رشد چهار سطحی در دوازده شایستگی تیه کرد را از طریق لینک زیر میتونید دریافت کنید:

https://uploadkon.ir/uploads/75eb08_26AI-Engineering-Competency-Model-—-Career-Ladder.docx

یا اینجا:

https://www.picofile.com/f/F5E81cG4cY/AI-Engineering-Competency-Model-Career-Ladder.docx


ai
۲
۰
مصطفی رادمرد
مصطفی رادمرد
شاید از این پست‌ها خوشتان بیاید