آنچه مهندسان نرمافزار در سیلیکون ولی در طول روز انجام میدهند، در چند سال گذشته تغییرات چشمگیری کرده است. خروجی نهایی همچنان همان است: انبوهی از کدهای برنامه. اما به جای نشستن و تایپ کردن، آنها آرام در میکروفونها صحبت میکنند. دستورالعملهای آنها سپس توسط هوش مصنوعی رونویسی شده و به عاملان هوش مصنوعی—رباتهایی که میتوانند با نرمافزار تعامل داشته باشند و در این مورد خاص، آن را بنویسند—ارسال میشود.
کولین جارویس از OpenAI، سازنده چتجت ChatGPT، اذعان میکند که سایر کارگران سفیدپوش هنوز «وارد این دنیا نشدهاند». آینده کارفرمای او و به طور کلی موج هوش مصنوعی، به تغییر این وضعیت وابسته است. غولهای فضای ابری آمریکا و آزمایشگاههای هوش مصنوعی مانند Anthropic و OpenAI برای توجیه هزینههای کلان خود بر روی دیتاسنترها، نیاز دارند که پذیرش این فناوری با سرعتی ادامه یابد. محاسبهای سرانگشتی توسط The Economist نشان میدهد که پوشش هزینههای توسعه دیتاسنترها مستلزم آن است که درآمد سالانه کل ناشی از استفاده از هوش مصنوعی تا پایان دهه جاری به ۲.۵ تریلیون دلار در سال برسد که رقمی بسیار بالاتر از حدود ۱۵۰ میلیارد دلار فعلی است.
تاکنون، پذیرش این فناوری در میان توسعهدهندگان نرمافزار بسیار قویتر از سایر گروهها بوده است. چهار پنجم آنها اعلام کردهاند که از ابزارهای کدنویسی هوش مصنوعی استفاده میکنند، بر اساس گزارش Stack Overflow، یک انجمن آنلاین. در ژوئن ۲۰۲۵، درآمد تکرارشونده سالانه ترکیبی (ARR) چهار استارتاپ کدنویسی هوش مصنوعی شامل Cognition، Cursor، Lovable و Replit، حدود ۸۰۰ میلیون دلار بود. امروز این رقم به ۶ میلیارد دلار رسیده است. SemiAnalysis، یک شرکت پژوهشی، تخمین میزند که کدنویسی اکنون بیش از نیمی از درآمد تکرارشونده سالانه ترکیبی Anthropic و OpenAI را تشکیل میدهد؛ معیاری محبوب در فروش که از آخرین ماه استخراج میشود.
این موضوع توضیح میدهد که چرا هوش مصنوعی در صنایعی که مهندسان نرمافزار سهم بیشتری از اشتغال را دارند، سریعتر نفوذ کرده است (به نمودار مراجعه کنید). خوشبینان ممکن است این را به عنوان شواهدی ببینند که موج هوش مصنوعی تازه آغاز شده است و هزینههای مربوط به این فناوری در سالهای آینده با بالغ شدن کاربردهای دیگر، به سطوح بسیار بالاتری خواهد رسید. با این حال، دلایل ساختاری نیز ممکن است باعث شود کدنویسی یک مورد استثنایی باقی بماند.
سه نامزد اغلب به عنوان کاربردهای بعدی و پیشران هوش مصنوعی معرفی میشوند: وکالت، امور مالی و خدمات مشتریان. همه این حوزهها شاهد رشد قابل توجهی هستند. Harvey، Clio و Legora، سه توسعهدهنده ابزارهای حقوقی هوش مصنوعی، درآمد تکرارشونده سالانه ترکیبی خود را در سال گذشته تقریباً دو برابر کرده و به ۱ میلیارد دلار رساندهاند. Harvey اعلام میکند که میزان زمانی که وکلا در پلتفرم آنها سپری میکنند، هر ماه دو برابر میشود. بانکداران و سایر متخصصان مالی نیز رو به پذیرش هوش مصنوعی آوردهاند. Rogo، یک استارتاپ هوش مصنوعی که ابزارهایی برای صنعت خدمات مالی میسازد، در فصل گذشته ۱۰۰ مشتری سازمانی اضافه کرده و درآمد تکرارشونده سالانه خود را ۵۰ درصد افزایش داده است.
هوش مصنوعی همچنین در خدمات مشتریان به شدت در حال رشد است. Sierra، که ابزارهایی برای این منظور میسازد، در ژوئن به درآمد تکرارشونده سالانه ۲۰۰ میلیون دلار رسید، رقمی دو برابر نسبت به نوامبر سال گذشته. سرمایهگذاران خطرپذیر خوشبین هستند. تا کنون امسال، آنها ۳ میلیارد دلار در استارتاپهای هوش مصنوعی در این حوزه سرمایهگذاری کردهاند، که بیشتر از هر دسته دیگر از کاربردهای هوش مصنوعی است. (سرمایهگذاری در استارتاپهای کدنویسی هوش مصنوعی متوقف شده است، بخشی به دلیل غالب شدن ابزارهای کدنویسی خود آزمایشگاههای هوش مصنوعی).
این سه کاربرد شباهتهایی به کدنویسی دارند. بازارهای بالقوه بزرگ هستند و کار اغلب فرمولیک است. اما چهار عامل کدنویسی را متمایز میکند: دسترسی به دادههای آموزشی؛ سهولت در تست خروجی مدل؛ میزان تعامل انسانی درگیر در کار؛ و خود مهندسان نرمافزار. شرکتهای هوش مصنوعی تلاش میکنند بازارهای دیگر خود را شبیهتر به کدنویسی کنند، اما انجام این کار ساده نخواهد بود.
بخشی از دلیل موفقیت هوش مصنوعی به عنوان یک همکار برنامهنویسی این است که مقادیر عظیمی از کدهای متنباز در اینترنت منتشر میشوند. بنابراین، این کدها وارد مدلها شدهاند و در برخی موارد نزدیک به یک پنجم از تمام دادههای آموزشی را تشکیل میدهند. همان حجم از محتوای موجود برای عمومی، صرفاً برای شکایات مشتریان یا مذاکرات قراردادی وجود ندارد.
کد تولید شده توسط هوش مصنوعی همچنین نسبتاً آسان است که اعتبارسنجی شود. تستهای نرمافزاری بخشroutineای از مهندسی هستند: یک قطعه کد، قطعه دیگری را بررسی میکند. این امر احتمال اینکه هرگونه خطایی در کد تولید شده توسط هوش مصنوعی قبل از ایجاد فاجعه شناسایی شود را افزایش میدهد. علاوه بر این، تستها با هشدار دادن به مدل هنگام وقوع خطا، به بهبود عملکرد آن کمک میکنند. ارزیابی اینکه آیا یک مشتری خشمگین آرام شده است یا یک مدل ارزشگذاری، ظرافتهای موجود در حسابهای یک شرکت را به درستی منعکس کرده است، دشوارتر است.
ابزارهای نوشتن نرمافزار مزیت اضافی این را دارند که بسیاری از اطلاعات لازم برای تکمیل یک وظیفه، از قبل در پایگاه کد یک برنامه وجود دارد یا میتوان از طریق خطوط لوله دیجیتالی که نرمافزارها را به هم متصل میکنند، به آن دسترسی یافت که به آنها رابطهای برنامهنویسی کاربردی (API) گفته میشود. با این حال، در بسیاری از زمینههای دیگر، اطلاعات حیاتی به صورت دیجیتال در دسترس نیست، بلکه در ذهن یک کارگر مرکز تماس یا در زبان بدن واکاوی وکیل طرف مقابل نهفته است.
شرکتهای هوش مصنوعی بر روی تمام این چالشها کار میکنند. ونس وینبرگ، مدیرعامل Harvey، میگوید که پیشرفتهای هوش مصنوعی به شرکت او امکان داده است تا ابزارهای خود را تا حدی با تکیه بر دادههای «مصنوعی» آموزش دهد که خود سیستمهای هوش مصنوعی آنها را تولید میکنند. استارتاپهایی مانند Mercor شرکتهای هوش مصنوعی را با حرفهایهای مختلف حوزهها مرتبط میکنند تا بتوانند تخصص خود را به مدلها منتقل کنند. پینگ وو، مدیرعامل Cresta، میگوید که با تحلیل هزاران رونوشت تماسهای تلفنی، استارتاپ خدمات مشتریان هوش مصنوعی او میتواند برخی از دانشهای نهفته در ذهن کارکنان را استنباط کند، مانند نحوه مدیریت بازپرداختها. لشکری از آنچه به عنوان «مهندسان مستقر شده در محل» شناخته میشوند، اکنون توسط شرکتهای هوش مصنوعی به دفاتر مشتریان آنها اعزام میشوند تا مشکلات را برطرف کرده و ابزارهایشان را بهبود بخشند.
آخرین عامل پشت موفقیت هوش مصنوعی در کدنویسی ممکن است سختترین مورد برای بازتولید باشد: خود مهندسان نرمافزار. آنها هم از نظر روحیه فنی و هم به دلیل عادت به تغییر (با توجه به اینکه زبانهای برنامهنویسی هر چند سال یکبار بهروزرسانی میشوند)، پذیرندگان طبیعی فناوریهای جدید هستند. بخش عمدهای از پذیرش کدنویسی هوش مصنوعی به این صورت رخ داده است که مهندسان فردی به صورت پایین به بالا، ابزارها را کشف و به صورت مستقل با آنها آزمایش میکنند، همانطور که آنیچ آچاریا از Andreessen Horowitz، یک شرکت سرمایهگذاری خطرپذیر، اشاره میکند.
نمایندگان مراکز تماس، در مقابل، معمولاً نه انگیزه و نه آزادی کافی برای آزمایش در حین کار ندارند و تمایل دارند منتظر بمانند تا فناوریها به صورت بالا به پایین استقرار یابند. وکلا و کارکنان حوزه مالی نیز باید با احتیاط عمل کنند تا دچار جریمههای متعدد مقرراتی حاکم بر مشاغل آنها نشوند.
قطعا کاربردهای دیگر هوش مصنوعی نیز به رشد خود ادامه خواهند داد و ممکن است با بهبود مدلها و راحتتر شدن شرکتها در واگذاری وظایف به عاملان هوش مصنوعی، شتاب بگیرند. اما ممکن است مدتی طول بکشد تا اکثر کارمندان اداری روزهای خود را با زمزمه کردن در میکروفونها سپری کنند.