شیوهٔ گذراندن روز کاری مهندسان نرم‌افزار در استارتاپ‌های سیلیکون‌ولی طی چند سال گذشته به‌شدت تغییر کرده است. خروجی کار همچنان همان است: انبوهی از کد. اما آن‌ها به‌جای نشستن و تایپ‌کردن، دستورهایشان را در میکروفون زمزمه می‌کنند. سپس این دستورها با هوش مصنوعی به متن تبدیل می‌شود و در اختیار عامل‌های هوش مصنوعی قرار می‌گیرد؛ ربات‌هایی که می‌توانند با نرم‌افزار تعامل کنند و در این مورد، کد بنویسند.
کالین جارویس از اوپن‌ای‌آی، سازندهٔ چت‌جی‌پی‌تی، اذعان می‌کند که دیگر کارکنان دفتری هنوز «در این دنیا» زندگی نمی‌کنند. آیندهٔ شرکت او و کل رونق هوش مصنوعی به تغییر این وضعیت بستگی دارد. غول‌های خدمات ابری آمریکا و آزمایشگاه‌های هوش مصنوعی مانند آنتروپیک و اوپن‌ای‌آی، برای توجیه هزینه‌های سرسام‌آورشان برای مراکز داده، به تداوم گسترش سریع استفاده از این فناوری نیاز دارند. محاسبه‌ای سرانگشتی از اکونومیست نشان می‌دهد که برای پوشش هزینهٔ ساخت مراکز داده، کل درآمد سالانهٔ حاصل از استفاده از هوش مصنوعی باید تا پایان این دهه به ۲٫۵ تریلیون دلار در سال برسد؛ رقمی که اکنون حدود ۱۵۰ میلیارد دلار است.
تاکنون استقبال از هوش مصنوعی در میان توسعه‌دهندگان نرم‌افزار، با فاصله‌ای زیاد، بیش از دیگران بوده است. به‌گزارش استک‌اورفلو، یک انجمن اینترنتی، چهارپنجم برنامه‌نویسان می‌گویند از ابزارهای کدنویسی هوش مصنوعی استفاده می‌کنند. شرکت پژوهشی سمی‌آنالیسس برآورد می‌کند که کدنویسی اکنون بیش از نیمی از مجموع درآمد تکرارشوندهٔ سالانهٔ آنتروپیک و اوپن‌ای‌آی را تشکیل می‌دهد. درآمد تکرارشوندهٔ سالانه شاخصی رایج برای سنجش فروش است که رقم آخرین ماه را به کل سال تعمیم می‌دهد. در ژوئن ۲۰۲۵، مجموع درآمد تکرارشوندهٔ سالانهٔ کاگنیشن، کرسر، لاوبل و رپلیت، چهار استارتاپ فعال در کدنویسی با هوش مصنوعی، حدود ۸۰۰ میلیون دلار بود. امروز این رقم به ۶ میلیارد دلار رسیده است.
ایالات متحده، به تفکیک بخش اقتصادی، اوت ۲۰۲۶. محور افقی سهم توسعه‌دهندگان نرم‌افزار از کارکنان هر بخش را نشان می‌دهد و محور عمودی درصد شرکت‌های استفاده‌کننده از هوش مصنوعی را. بخش‌های نام‌گذاری‌شده عبارت‌اند از مالی، خدمات حرفه‌ای، اطلاعات، بهداشت و درمان، تولید و حمل‌ونقل. خط روند قرمز نشان می‌دهد در بخش‌هایی که توسعه‌دهندگان نرم‌افزار سهم بیشتری از کارکنان دارند، استفادهٔ شرکت‌ها از هوش مصنوعی نیز بیشتر است.
منابع: ادارهٔ سرشماری آمریکا؛ ادارهٔ آمار کار آمریکا؛ اکونومیست
تهیهٔ نمودار: اکونومیست
اشتیاق برنامه‌نویسان توضیح می‌دهد که چرا هوش مصنوعی در صنایعی که آن‌ها سهم بیشتری از کارکنانشان را تشکیل می‌دهند، سریع‌تر گسترش یافته است (نمودار را ببینید). خوش‌بین‌ها ممکن است این را نشانه‌ای بدانند که رونق هوش مصنوعی تازه آغاز شده و با پخته‌ترشدن کاربردهای دیگر، هزینه‌کرد برای این فناوری در سال‌های آینده به سطوح بسیار بالاتری خواهد رسید. بااین‌حال، ممکن است دلایل ساختاری‌ای هم وجود داشته باشد که کدنویسی را به موردی استثنایی تبدیل می‌کند.
بخوانید: انویدیا موتور محرک رونق هوش مصنوعی است؛ چه خوب
سه حوزه‌ای که اغلب از آن‌ها به‌عنوان نامزدهای بعدی رشد جهشی کاربرد هوش مصنوعی یاد می‌شود، کار حقوقی، امور مالی و خدمات مشتریان‌اند. رشد هر سه چشمگیر بوده است. هاروی، کلیو و لگورا، سه سازندهٔ ابزارهای حقوقی مبتنی بر هوش مصنوعی، طی یک سال گذشته مجموع درآمد تکرارشوندهٔ سالانه‌شان را تقریباً دوبرابر کرده و به یک میلیارد دلار رسانده‌اند. هاروی می‌گوید مدت‌زمانی که وکلا در پلتفرم آن می‌گذرانند، هر ماه دوبرابر می‌شود. بانکداران و دیگر فعالان امور مالی نیز به‌تدریج از این فناوری استقبال می‌کنند. روگو، استارتاپی که برای صنعت خدمات مالی ابزارهای هوش مصنوعی می‌سازد، در سه‌ماههٔ گذشته ۱۰۰ مشتری سازمانی به مشتریانش افزوده و درآمد تکرارشوندهٔ سالانه‌اش را ۵۰ درصد افزایش داده است.
استفاده از هوش مصنوعی در خدمات مشتریان نیز رو به جهش است. سیرا، سازندهٔ ابزارهایی برای این حوزه، در ژوئن به درآمد تکرارشوندهٔ سالانهٔ ۲۰۰ میلیون دلار رسید؛ دوبرابر رقم نوامبر سال گذشته. سرمایه‌گذاران خطرپذیر به این حوزه خوش‌بین‌اند. آن‌ها از ابتدای امسال تاکنون ۳ میلیارد دلار در استارتاپ‌های هوش مصنوعی فعال در خدمات مشتریان سرمایه‌گذاری کرده‌اند؛ بیش از هر دستهٔ دیگری از کاربردهای هوش مصنوعی. (سرمایه‌گذاری در استارتاپ‌های کدنویسی با هوش مصنوعی متوقف شده است؛ تا حدی به این دلیل که ابزارهای کدنویسی خودِ آزمایشگاه‌های هوش مصنوعی به‌سرعت رشد کرده‌اند.)
این سه کاربرد شباهت‌هایی با کدنویسی دارند. بازارهای بالقوهٔ آن‌ها بزرگ است و کارشان اغلب از الگوهای مشخصی پیروی می‌کند. اما چهار عامل کدنویسی را متمایز می‌کند: در دسترس بودن داده‌های آموزشی؛ آسانیِ آزمودن خروجی مدل؛ تعامل انسانیِ اندکی که این کار نیاز دارد؛ و ویژگی‌های خودِ مهندسان نرم‌افزار. شرکت‌های هوش مصنوعی می‌کوشند بر تفاوت‌های موجود در بازارهای دیگر غلبه کنند، اما این کار ساده نخواهد بود.
یکی از دلایلی که هوش مصنوعی به دستیاری موفق برای برنامه‌نویسی تبدیل شده، حجم عظیم کد متن‌بازی است که در اینترنت منتشر شده است. این کدها به داده‌های آموزشی مدل‌ها راه یافته‌اند و در برخی موارد نزدیک به یک‌پنجم کل این داده‌ها را تشکیل می‌دهند. برای شکایت‌های مشتریان یا مذاکرات قراردادی، چنین حجمی از محتوای عمومیِ در دسترس اساساً وجود ندارد.
بخوانید: انویدیا در زمین فین‌تک چه می‌کند؟
اعتبارسنجی کدی که هوش مصنوعی تولید می‌کند نیز نسبتاً آسان است. آزمون نرم‌افزار بخشی معمول از کار مهندسی است: یک قطعه کد، قطعهٔ دیگری را بررسی می‌کند. این کار احتمال شناسایی خطاهای کد تولیدشده با هوش مصنوعی را پیش از آنکه خسارتی به بار آورند، افزایش می‌دهد. افزون بر این، آزمون‌کردن با آگاه‌کردن مدل از خطایش به بهبود عملکرد آن کمک می‌کند. تشخیص اینکه آیا مشتری خشمگین آرام شده، یا یک مدل ارزش‌گذاری ظرافت‌های موجود در صورت‌های مالی شرکتی را به‌درستی بازتاب داده است، دشوارتر است.
ابزارهای کدنویسی مزیت دیگری هم دارند: بخش بزرگی از اطلاعات لازم برای انجام یک کار از پیش در پایگاه کدِ برنامه وجود دارد، یا می‌توان از طریق مسیرهای دیجیتالیِ اتصال نرم‌افزارها، موسوم به رابط‌های برنامه‌نویسی کاربردی، به آن دسترسی یافت. در بسیاری از موقعیت‌های دیگر، اطلاعات حیاتی به شکل دیجیتال در دسترس نیست؛ بلکه در ذهن کارمند مرکز تماس یا در حالت چهرهٔ وکیلِ طرف مقابل جای دارد.
شرکت‌های هوش مصنوعی برای حل همهٔ این چالش‌ها تلاش می‌کنند. وینستون واینبرگ، مدیرعامل هاروی، می‌گوید پیشرفت‌های هوش مصنوعی باعث شده شرکتش اکنون بتواند ابزارهای خود را تا حدی با تکیه بر داده‌های «مصنوعی» آموزش دهد؛ داده‌هایی که سامانه‌های هوش مصنوعی تولید می‌کنند. استارتاپ‌هایی مانند مرکور، شرکت‌های هوش مصنوعی را به متخصصان حوزه‌های گوناگون وصل می‌کنند تا این متخصصان دانش خود را به مدل‌ها منتقل کنند. پینگ وو، مدیرعامل کرستا، استارتاپ فعال در هوش مصنوعیِ خدمات مشتریان، می‌گوید شرکتش با تحلیل متن هزاران مکالمهٔ مرکز تماس می‌تواند به بخشی از دانشی که در ذهن کارکنان است، مانند شیوهٔ رسیدگی به بازپرداخت وجه، پی ببرد. شرکت‌های هوش مصنوعی اکنون گروه‌های بزرگی از مهندسانِ مستقر نزد مشتری را به دفتر مشتریانشان می‌فرستند تا مشکلات را برطرف کنند و ابزارهایشان را بهبود دهند.
اما بازآفرینی آخرین عامل موفقیت هوش مصنوعی در کدنویسی شاید دشوارتر باشد: خودِ مهندسان نرم‌افزار. آن‌ها هم به فناوری علاقه‌مندند و هم، با توجه به اینکه زبان‌های برنامه‌نویسی هر چند سال یک‌بار به‌روزرسانی می‌شوند، به تغییر عادت دارند؛ بنابراین پذیرندگان طبیعی فناوری‌های تازه‌اند. به‌گفتهٔ انیش آچاریا از شرکت سرمایه‌گذاری خطرپذیر اندریسن هوروویتز، بخش بزرگی از رواج ابزارهای کدنویسی هوش مصنوعی به همین شکل و از پایین به بالا رخ داده است: مهندسان به ابتکار خودشان ابزارها را کشف و آزمایش کرده‌اند.
در مقابل، کارکنان مراکز تماس معمولاً نه انگیزهٔ آزمایش‌کردن فناوری‌های تازه در محل کار را دارند و نه آزادی انجام آن را؛ آن‌ها اغلب منتظر می‌مانند تا فناوری از بالا در اختیارشان قرار گیرد. وکلا و کارکنان بخش مالی نیز باید محتاطانه پیش بروند تا با مقررات فراوان حاکم بر حرفه‌شان دچار مشکل نشوند.
بخوانید: انویدیا بانک مرکزی هوش مصنوعی است اما آیا وام‌هایش بازپرداخت خواهند شد؟
کاربردهای دیگر هوش مصنوعی قطعاً به رشد خود ادامه خواهند داد و چه‌بسا با بهترشدن مدل‌ها و آسوده‌خاطرترشدن شرکت‌ها از سپردن وظایف به عامل‌های هوش مصنوعی، رشدشان شتاب بگیرد. اما شاید مدتی طول بکشد تا بیشتر کارمندان دفتری روزشان را با زمزمه‌کردن در میکروفون بگذرانند.
