گزارش مکینزی: افت بهره‌وری در ۳۰ درصد از شرکت‌هایی که از ابزارهای برنامه‌نویسی هوش مصنوعی عامل‌محور استفاده می‌کنند

رهبران مهندسی سازمان‌ها که در حال تخصیص سرمایه به ابزارهای برنامه‌نویسی خودکار هستند، اکنون اولین معیار گسترده از بازدهی واقعی این فناوری را در دست دارند و باید فوراً تصمیم بگیرند که آیا چرخه‌های توسعه خود را بازطراحی کنند یا به بازدهی منفی تن دهند. بر اساس گزارش «چشم‌انداز روندهای فناوری ۲۰۲۶» مکینزی، نزدیک به ۳۰ درصد از شرکت‌ها پس از معرفی هوش مصنوعی عامل‌محور به تیم‌های نرم‌افزاری خود، افت بهره‌وری را ثبت کرده‌اند. این داده‌ها روایت متناقض و تلخی را در برابر ادعاهای بازاریابی پیرامون توسعه خودکار ارائه می‌دهد و نشان می‌دهد که بخش قابل‌توجهی از این پیاده‌سازی‌ها در عمل رو به عقب حرکت می‌کنند.[1][2][5]

مشکل اصلی در شکاف میان «تولید کد» و «عرضه نرم‌افزار» نهفته است. سیستم‌های هوش مصنوعی عامل‌محور برای پیش‌نویس، آزمایش و دیباگ خودکار کدها طراحی شده‌اند، اما خروجیِ بیشتر به‌طور خودکار نتایج تجاری به همراه نمی‌آورد. گزارش مکینزی در این باره خاطرنشان می‌کند: «در یک مطالعه، ابزارهای هوش مصنوعی فعالیت برنامه‌نویسی را ۱۸۰ درصد افزایش دادند، اما آمار انتشار محصولات تنها ۳۰ درصد رشد کرد؛ این نشان می‌دهد که کدِ بیشتر همیشه به معنای محصولِ بیشتر نیست.»[1][2]

این اصطکاک از ادغام غیراصولی نشأت می‌گیرد. وقتی شرکت‌ها ابزارهای خودکار را بدون هیچ‌گونه نظم ساختاری به جریان‌های کاری موجود پرتاب می‌کنند، نتیجه به‌جای شتاب‌گرفتن کارها، هرج‌ومرج عملیاتی است. در این گزارش آمده است: «بدون یک رویکرد سیستماتیک، توسعه نرم‌افزار عامل‌محور می‌تواند به پیامدهای ناخواسته‌ای منجر شود. تحقیقات ما نشان می‌دهد که در ۳۰ درصد از شرکت‌ها، پس از شروع استفاده تیم‌ها از ابزارهای هوش مصنوعی عامل‌محور، بهره‌وری کاهش یافته است. به نظر می‌رسد تقریباً همه در حال «کدنویسی حسی» (vibe coding) هستند، اما این کار همیشه به خلق ارزش ختم نمی‌شود.»[1][2]

ناظر حوادث هوش مصنوعی در سازمان همکاری و توسعه اقتصادی (OECD) رسماً این افت ۳۰ درصدی بهره‌وری را به عنوان یک «آسیب اقتصادی محقق‌شده» طبقه‌بندی کرده است و یادآور می‌شود که این اتفاق صرفاً یک خطر بالقوه نیست، بلکه یک پیامد منفیِ مستند است که مستقیماً با استفاده از هوش مصنوعی ارتباط دارد. این طبقه‌بندی تأکید می‌کند که آسیبِ واردشده ماهیتی عملیاتی دارد و ناشی از ادغام غیراصولی سیستم‌های خودکار در عملکردهای تثبیت‌شده تحقیق و توسعه است.[3]

پذیرش از سوی توسعه‌دهندگان همچنان یکی از محدودیت‌های جدی بر سر راه موفقیت این فناوری است. نیروی کاری که وظیفه پیاده‌سازی این ابزارها را بر عهده دارد، عمیقاً به قابلیت اطمینان آن‌ها شک دارد. تقریباً ۴۶ درصد از توسعه‌دهندگان در سراسر جهان به دقت ابزارهای هوش مصنوعی بی‌اعتمادند، در حالی که تنها ۳۳ درصد به آن‌ها اعتماد دارند. فقط ۳ درصد به خروجی‌های خودکار اعتمادِ کامل دارند. گزارش مکینزی در پایان نتیجه‌گیری می‌کند: «برای شرکت‌هایی که می‌خواهند از مزایای توسعه نرم‌افزار عامل‌محور بهره‌مند شوند، این شکافِ اعتماد اهمیت زیادی دارد.»[1][2][5]

با وجود این پس‌رفت‌های عملیاتی، تزریق سرمایه به توسعه نرم‌افزارهای عامل‌محور با سرعتی بی‌سابقه در حال گسترش است. سرمایه‌گذاری سهامی در شرکت‌های توسعه‌دهنده نرم‌افزارهای عامل‌محور، از سطوح ناچیز در سال ۲۰۲۳ به حدود ۵ میلیارد دلار در سال ۲۰۲۵ افزایش یافت.[1][2]

این شتاب مالی در نیمه اول سال ۲۰۲۶ به‌شدت افزایش یافت و سرمایه‌گذاری‌ها از مرز ۶۱ میلیارد دلار عبور کرد. این جهش عمدتاً ناشی از خرید ۶۰ میلیارد دلاری پلتفرم برنامه‌نویسی هوش مصنوعی «کرسر» (Cursor) بود؛ اتفاقی که نشان می‌دهد سرمایه‌گذاران با وجود موانع فوری در ادغام این ابزارها، روی نقش زیرساختی و بلندمدت این فناوری شرط‌بندی سنگینی کرده‌اند. آگهی‌های شغلی مرتبط با این فناوری نیز با رشد چشمگیری همراه بود و بین سال‌های ۲۰۲۴ تا ۲۰۲۵ حدود ۲۲۱ درصد افزایش یافت.[2][4]

این داده‌ها شکافِ فزاینده میان «قابلیت‌های تئوریک» عامل‌های خودکار و «عملکرد واقعی» آن‌ها در سطح سازمانی را برجسته می‌کند. برای استخراج ارزش از این ابزارها، شرکت‌ها باید مدل‌های عملیاتی خود را به سمت تیم‌های کوچک‌تر و با اهرمِ کاریِ بالا تغییر دهند؛ تیم‌هایی که به‌جای اضافه‌کردنِ ساده هوش مصنوعی به اسپرینت‌های سنتیِ دوهفته‌ای، بر اجرای عامل‌ها نظارت کنند. برای آن ۳۰ درصد از شرکت‌هایی که در حال حاضر با افت بهره‌وری دست‌وپنجه نرم می‌کنند، مرحله بعدی نیازمند بازطراحی بنیادین در نحوه تعامل توسعه‌دهندگان انسانی و سیستم‌های خودکار است.[5]