أزمة الإرشاد في عصر الذكاء الاصطناعي: كيف تُفرغ وكلاء البرمجة خط أنابيب الهندسة

الورقة التي سمّت المشكلة

في فبراير 2026، نشر اثنان من أكثر الأصوات الهندسية احتراماً في Microsoft ورقة بحثية في Communications of the ACM أعطت اسماً لشيء كانت الصناعة تشعر به لكنها تكافح لصياغته. Mark Russinovich، كبير مسؤولي التكنولوجيا في Microsoft Azure، وScott Hanselman، مناصر تطوير مخضرم في Microsoft Core AI، شاركا في تأليف “Redefining the Software Engineering Profession for AI”، فاحصَين كيف يعيد وكلاء البرمجة بالذكاء الاصطناعي تشكيل القوى العاملة في هندسة البرمجيات. كان استنتاجهما مقلقاً: الذكاء الاصطناعي يجعل المهندسين الكبار أكثر إنتاجية بشكل كبير بينما يقوّض في الوقت نفسه الآليات التي يطور من خلالها المهندسون المبتدئون خبراتهم.

أطلقا على الظاهرة اسم “الكبح بالذكاء الاصطناعي” (AI drag)، وهو مصطلح دخل بسرعة في قاموس الصناعة. المفهوم بسيط لكن تداعياته عميقة. عندما يستخدم المهندسون الكبار وكلاء البرمجة بالذكاء الاصطناعي، يستفيدون بشكل هائل. فهم يمتلكون المعرفة السياقية لتوجيه الوكلاء بفعالية، وتقييم المخرجات بشكل نقدي، ودمج الكود المولّد بالذكاء الاصطناعي في أنظمة معقدة. إنتاجيتهم ترتفع بشكل قابل للقياس. أكد استطلاع Stack Overflow للمطورين 2025 هذا النمط: 84 في المئة من المطورين يستخدمون أو يخططون لاستخدام أدوات الذكاء الاصطناعي، والمطورون ذوو 10 إلى 19 سنة من الخبرة كانوا الأكثر احتمالاً (84 في المئة) للإشارة إلى مكاسب إنتاجية، أعلى من أي فئة أقل خبرة. لكن عندما يستخدم المهندسون المبتدئون نفس الأدوات، يحدث شيء مختلف. يحصلون على إجابات دون بناء الفهم. يُسلّمون كوداً لا يستطيعون تصحيحه. يطورون اعتماداً على المساعدة بالذكاء الاصطناعي يبدو ككفاءة على السطح لكنه ينهار تحت الفحص الدقيق.

استندت الورقة إلى بيانات داخلية من منظمة الهندسة في Microsoft وكذلك أبحاث خارجية، بما في ذلك دراسة Harvard أجراها الباحثان Seyed M. Hosseini وGuy Lichtinger تتبعت 62 مليون عامل عبر 285,000 شركة أمريكية من 2015 إلى 2025. كانت بيانات Harvard لافتة: عندما اعتمدت الشركات أدوات الذكاء الاصطناعي التوليدي، انخفض توظيف المبتدئين بنسبة 9 إلى 10 في المئة خلال ستة أرباع، بينما بقي توظيف الكبار دون تغيير تقريباً. ليس لأن المبتدئين طُردوا صراحة، بل لأن التوظيف تباطأ، والعقود لم تُجدد، وتبخرت الرغبة التنظيمية في الاستثمار في المواهب في بداية مسيرتها المهنية.

لم يقدم Russinovich وHanselman هذا كحجة ضد أدوات الذكاء الاصطناعي. كلاهما مناصران متحمسان للتطوير بمساعدة الذكاء الاصطناعي. بدلاً من ذلك، جادلا بأن الصناعة اعتمدت هذه الأدوات دون التفكير في تأثيراتها من الدرجة الثانية على التعلم التنظيمي، وأن النتيجة هي أزمة بطيئة الحركة في خط أنابيب المواهب الهندسية.

آليات الكبح بالذكاء الاصطناعي

فهم الكبح بالذكاء الاصطناعي يتطلب فهم كيفية تطوير المهندسين المبتدئين لخبراتهم تقليدياً. النموذج الكلاسيكي، المُصقل عبر عقود من ممارسة هندسة البرمجيات، يعمل تقريباً كالتالي: يتلقى مهندس مبتدئ مهمة تتجاوز قدراته الحالية بقليل، يكافح معها، يطلب المساعدة من زميل أكثر خبرة، يكرر الحل، يمر بمراجعة الكود، ويبني تدريجياً نموذجاً ذهنياً لكيفية عمل الأنظمة. الصعوبة ليست خللاً في العملية. إنها العملية ذاتها.

تقوم وكلاء البرمجة بالذكاء الاصطناعي بتقصير هذه الدورة. عندما يواجه مهندس مبتدئ مهمة تتجاوز قدراته، يوفر الذكاء الاصطناعي حلاً عاملاً، غالباً في ثوانٍ. يُسلّم المبتدئ الكود. ينجح في الاختبارات. يُوافق على طلب السحب (pull request) (غالباً بتدقيق أقل، لأن الكود المولّد بالذكاء الاصطناعي يميل لأن يبدو نظيفاً نحوياً). تُعلَّم المهمة كمكتملة. لكن المبتدئ لم يبنِ النموذج الذهني. لم يتصارع مع المفاضلات. لم يطور غريزة التصحيح التي تأتي من كتابة كود معطّل ومعرفة سبب تعطله. كما عبّر أحد تحليلات الصناعة، المبتدئ في 2026 يحتاج فهم تصميم الأنظمة الخاص بمهندس متوسط المستوى من 2020 لمجرد أن يكون مفيداً، لأن الذكاء الاصطناعي يتعامل مع البنية النحوية لكن ليس مع الحكم.

حدد Russinovich وHanselman عدة آليات محددة يتجلى من خلالها الكبح بالذكاء الاصطناعي. الأولى هي ما أسمياه “تجاوز الفهم” (comprehension bypass). يمكن للمهندسين المبتدئين الذين يستخدمون وكلاء الذكاء الاصطناعي إنتاج كود يحل المشكلة المطروحة دون فهم الأنظمة الأساسية. هذا يعمل جيداً حتى يحدث خطأ بطريقة لم يتوقعها الذكاء الاصطناعي، وعندها يكون المبتدئ عاجزاً عن تشخيص المشكلة أو إصلاحها.

الآلية الثانية هي “ضمور المراجعة” (review atrophy). كانت مراجعة الكود تاريخياً واحدة من أهم قنوات التعلم للمهندسين المبتدئين. مراجعة كود مهندس كبير تُعلّم الأنماط. مراجعة كودك الخاص تُعلّم الحكم. لكن عندما يولّد الذكاء الاصطناعي معظم الكود، تصبح المراجعات شكلية. يركز المراجعون على ما إذا كان الكود يعمل، وليس على ما إذا كان المؤلف يفهمه، لأن المؤلف ليس فعلياً المؤلف.

الآلية الثالثة هي “إزاحة الإرشاد” (mentorship displacement). في عالم ما قبل الذكاء الاصطناعي، كان المهندسون الكبار يخصصون وقتاً كبيراً لمساعدة المبتدئين. كان هذا مكلفاً على المدى القصير لكنه ضروري لصحة المؤسسة. حلّت وكلاء الذكاء الاصطناعي محل جزء كبير من هذا التفاعل. لماذا تقضي 30 دقيقة في مساعدة مبتدئ على فهم نمط تصميم عندما يمكن للمبتدئ أن يسأل الذكاء الاصطناعي ويحصل على تنفيذ عامل في 30 ثانية؟ يوفر المهندس الكبير الوقت، ويُفك حصار المبتدئ، وتخسر المؤسسة تفاعلاً إرشادياً لا يمكن استرجاعه.

بيانات Harvard: ما تُظهره الأرقام

تقدم دراسة Harvard التي استشهد بها Russinovich وHanselman بعضاً من أدق الأدلة التجريبية على مشكلة خط الأنابيب. تتبع فريق البحث، بقيادة Seyed M. Hosseini وGuy Lichtinger، بيانات التوظيف عبر 285,000 شركة أمريكية و62 مليون عامل من 2015 إلى 2025، مقارنةً بين الشركات التي اعتمدت أدوات الذكاء الاصطناعي التوليدي وتلك التي لم تفعل.

رسمت النتائج صورة واضحة. في الشركات ذات الاعتماد العالي للذكاء الاصطناعي، انخفض توظيف المبتدئين بنسبة 9 إلى 10 في المئة خلال ستة أرباع مقارنة بغير المعتمدين، بينما بقي توظيف الكبار دون تغيير إلى حد كبير. كانت الآلية بشكل رئيسي من خلال تقليل التوظيف بدلاً من التسريح المباشر. ببساطة توقفت الشركات عن ملء المناصب المبتدئة عندما يغادر الأشخاص، وأبطأت تحويل المتدربين إلى عروض بدوام كامل. في قطاعي تجارة الجملة والتجزئة، كان الانخفاض أكثر حدة، مع 40 في المئة أقل من التوظيفات المبتدئة بعد اعتماد الذكاء الاصطناعي.

تؤكد بيانات سوق العمل الأوسع هذا النمط. انخفضت فرص المطورين المبتدئين بحوالي 67 في المئة منذ 2022، وفقاً لتتبع الصناعة. وجدت دراسة Stanford University أن توظيف مطوري البرمجيات الذين تتراوح أعمارهم بين 22 و25 عاماً انخفض بنحو 20 في المئة بين 2022 و2025، متزامناً تماماً مع صعود أدوات البرمجة المدعومة بالذكاء الاصطناعي. انخفض إجمالي توظيف المبرمجين بنسبة 27.5 في المئة بين 2023 و2025. انخفضت حصة المبتدئين والخريجين في توظيف تكنولوجيا المعلومات من حوالي 15 في المئة إلى 7 في المئة فقط خلال السنوات الثلاث الماضية.

من المثير للاهتمام أن توظيف المهندسين متوسطي المستوى بقي مستقراً نسبياً في كلتا مجموعتي دراسة Harvard. تركز الضغط في أسفل طيف الخبرة، المهندسون ذوو صفر إلى ثلاث سنوات من الخبرة. هذا منطقي بديهياً: المهندسون متوسطو المستوى يملكون ما يكفي من المعرفة المتراكمة لاستخدام أدوات الذكاء الاصطناعي بشكل منتج، لكن المهندسين المبتدئين لا يملكون ذلك. عزز استطلاع LeadDev لعام 2025 هذه الديناميكية، حيث وجد أن 54 في المئة من قادة الهندسة يخططون لتوظيف عدد أقل من المبتدئين تحديداً لأن مساعدي الذكاء الاصطناعي يمكّنون الكبار من التعامل مع المزيد من العمل.

أضاف استطلاع Stack Overflow للمطورين 2025 بُعداً نوعياً لهذه الأرقام. أكبر إحباط ذكره 66 في المئة من المطورين كان التعامل مع حلول الذكاء الاصطناعي التي “تكاد تكون صحيحة لكنها ليست كذلك تماماً”، ووجد 45 في المئة أن تصحيح الكود المولّد بالذكاء الاصطناعي يستغرق وقتاً أطول من كتابة الكود من الصفر. بالنسبة للمهندسين المبتدئين الذين يفتقرون إلى النماذج الذهنية لرصد الأخطاء الدقيقة، تتحول هذه الإحباطات إلى فخ تعليمي بدلاً من أداة إنتاجية.

لاحظ الباحثون أن هذه الاتجاهات، إذا استمرت، ستخلق فجوة كبيرة في المواهب خلال ثلاث إلى خمس سنوات. هاوية توظيف بنسبة 67 في المئة في 2024-2026 تعني 67 في المئة أقل من القادة الهندسيين المحتملين في 2031-2036. يعتمد خط الأنابيب الذي أنتج تاريخياً المهندسين متوسطي المستوى والكبار على تدفق مستمر من المبتدئين الداخلين إلى المهنة والمتطورين من خلال الخبرة العملية. إذا تقلص هذا التدفق، ستكون التأثيرات اللاحقة على قاعدة مواهب الصناعة حادة.

نموذج المُعلِّم الموجِّه: الحل المقترح من Russinovich وHanselman

المساهمة الأكثر أهمية في ورقة Russinovich وHanselman، المنشورة في Communications of the ACM تحت عنوان “Redefining the Software Engineering Profession for AI”، ليست التشخيص (الذي كان كثيرون في الصناعة قد استشعروه بالفعل) بل الحل المقترح. قدما ما يسمونه “المنظمة القائمة على المُعلِّم الموجِّه” (preceptor-based organization)، وهو نموذج مستعار من التعليم الطبي يعتبرانه مناسباً بشكل فريد لبيئة العمل الهندسية المعززة بالذكاء الاصطناعي. تجادل الورقة بأنه بدون تغييرات متعمدة في تدريب المهنيين في بداية مسيرتهم (EiC)، يواجه خط أنابيب المواهب في مهنة هندسة البرمجيات خطر الانهيار.

في التعليم الطبي، المُعلِّم الموجِّه (preceptor) هو ممارس ذو خبرة يعمل مباشرة مع الطلاب أو المقيمين، يشرف على عملهم السريري بينما يسمح لهم باتخاذ القرارات وتطوير الحكم. المُعلِّم الموجِّه لا يقوم بالعمل بدلاً من الطالب. بدلاً من ذلك، يلاحظ ويوجه ولا يتدخل إلا عند الضرورة. يحافظ الطالب على استقلاليته وملكيته مع وجود شبكة أمان من الإشراف الخبير.

يقترح Russinovich وHanselman تكييف هذا النموذج لهندسة البرمجيات. في منظمة هندسية قائمة على المُعلِّم الموجِّه، يُقرن المهندسون الكبار صراحةً مع المهندسين المبتدئين، ليس كمرشدين عرضيين بل كمعلمين موجهين منظمين بمسؤوليات محددة ووقت محمي. الابتكار الرئيسي هو كيفية دمج وكلاء البرمجة بالذكاء الاصطناعي في الثلاثية.

في نموذجهما، وكيل البرمجة بالذكاء الاصطناعي هو أداة يستخدمها الثنائي المبتدئ-الكبير معاً. يتفاعل المبتدئ مع الذكاء الاصطناعي، لكن الكبير يلاحظ كيف يتفاعل، وما يقبله ويرفضه، وكيف يقيّم المخرجات، وأين ينهار فهمه. يتحول دور الكبير من “الشخص الذي يجيب على الأسئلة” إلى “الشخص الذي يعلّم الحكم”. يساعد المبتدئ على تطوير مهارات التقييم النقدي التي تميز الاستخدام المنتج للذكاء الاصطناعي عن الاعتماد عليه.

عملياً، يعني هذا عدة تغييرات في سير العمل الهندسي القياسي. تصبح مراجعة الكود لحظة تعليمية وليس مجرد بوابة جودة. لا يكتفي المراجع بالتحقق مما إذا كان الكود يعمل؛ بل يطلب من المبتدئ شرحه، وتحديد أين كانت اقتراحات الذكاء الاصطناعي دون المستوى الأمثل، وصياغة المفاضلات. تتضمن جلسات البرمجة الثنائية صراحةً أدوات الذكاء الاصطناعي، حيث يوجه الكبير المبتدئ في كيفية صياغة الأوامر (prompting) بفعالية، وكيفية رصد الأنماط المضادة المولّدة بالذكاء الاصطناعي، ومتى يرفض اقتراحاً ويفكر من المبادئ الأولى.

يعيد نموذج المُعلِّم الموجِّه أيضاً تعريف معنى “المنتج” بالنسبة للمهندسين الكبار. في النموذج الحالي، تُقاس إنتاجية الكبار تقريباً بالكامل بالمخرجات: كود مُسلّم، أنظمة مبنية، حوادث محلولة. في نموذج المُعلِّم الموجِّه، يرتبط جزء من تقييم أداء الكبير بمسار تطور متدربيه المبتدئين. هذا ليس مقياساً ناعماً. يُتتبع من خلال معالم محددة: قدرة المبتدئ على تصحيح مشاكل الإنتاج بشكل مستقل، وجودة مساهماته كما تُقيّم بمراجعة كود عمياء، وتقدمه على سلم المسار المهني التقني.

التداعيات التنظيمية وتحديات التبني

تطبيق نموذج المُعلِّم الموجِّه ليس بسيطاً. يتطلب من المؤسسات استثمارات صريحة في الإرشاد كانت موجة كفاءة الذكاء الاصطناعي تسحبها تدريجياً. هناك عدة تحديات عملية تواجه الشركات التي تدرس هذا النهج.

التحدي الأكثر إلحاحاً هو التكلفة. تعيين مهندسين كبار لأدوار المُعلِّم الموجِّه يعني أن هؤلاء الكبار ينتجون مخرجات فردية أقل. في بيئة تسعى فيها كل شركة لتعظيم الإنتاج لكل مهندس (جزئياً لتبرير استثماراتها في أدوات الذكاء الاصطناعي)، فإن تخصيص 20 إلى 30 في المئة من وقت مهندس كبير للإرشاد المنظم يبدو كخطوة إلى الوراء. الضغط شديد: أعلن الرئيس التنفيذي لـ Salesforce، Marc Benioff، في 2025 أن الشركة “لن توظف مهندسين جدداً”، ويسري شعور مماثل في المجالس الإدارية عبر الصناعة. يجادل Russinovich وHanselman بأن هذا تفكير قصير النظر، لكن الضغط قصير المدى حقيقي، خاصة للشركات الناشئة والشركات متوسطة الحجم التي تعمل تحت قيود مالية ضيقة.

التحدي الثقافي قد يكون أكثر أهمية. دخل كثير من المهندسين الكبار المهنة لأنهم يحبون بناء الأشياء، وليس تعليم الناس. مطالبتهم بتحويل جزء كبير من وقتهم للإرشاد يتطلب تحولاً ثقافياً يكافئ التدريس، ويحتفي بتطوير الآخرين، ويعامل بناء خط الأنابيب كأمر بنفس أهمية تسليم الميزات.

هناك أيضاً مشكلة القياس. تتراكم فوائد نموذج المُعلِّم الموجِّه على مدى سنوات وليس أرباع. شركة تستثمر في برامج المُعلِّم الموجِّه في 2026 قد لا ترى العائد الكامل على خط أنابيب المواهب حتى 2029 أو 2030. تعمل معظم المؤسسات على آفاق تخطيط أقصر، وإثبات العائد على الاستثمار في الإرشاد صعب بشكل معروف.

رغم هذه التحديات، يظهر متبنون مبكرون. بدأت Microsoft نفسها في تجربة برامج على غرار المُعلِّم الموجِّه في عدة أقسام هندسية، مع منظمة Azure التابعة لـ Russinovich كحقل اختبار. يُقرن البرنامج التجريبي مهندسين كباراً مع مجموعات من اثنين إلى ثلاثة مبتدئين لدورات مدتها ستة أشهر، مع مناهج منظمة وتقييمات منتظمة وتدريب صريح على أدوات الذكاء الاصطناعي مدمج في سير العمل.

عبّرت عدة شركات تكنولوجيا كبرى أخرى عن اهتمامها بالنموذج. الجاذبية ليست إيثارية فقط. الشركات التي تبني برامج مُعلِّم موجِّه فعالة ستحظى بميزة هيكلية في التوظيف. في سوق يزداد فيه قلق المهندسين المبتدئين بشأن تطورهم المهني في بيئة عمل يهيمن عليها الذكاء الاصطناعي، يُعد وعد الإرشاد الحقيقي والمنظم عامل تمييز قوي.

مفارقة الإنتاجية: كود أكثر، فهم أقل

تتبعت دراسة UC Berkeley وYale نُشرت في Harvard Business Review في فبراير 2026 مئتي موظف في شركة تقنية لمدة ثمانية أشهر ووجدت نمطاً يدعم مباشرة أطروحة الكبح بالذكاء الاصطناعي. يتولى المهندسون الكبار الآن عملاً كان يتطلب سابقاً عدة أشخاص، وازدادت أعباء عملهم المتسللة وأعباء المراجعة. في الوقت نفسه، وافق فقط 17 في المئة من مستخدمي وكلاء الذكاء الاصطناعي في استطلاع Stack Overflow للمطورين 2025 على أن الوكلاء حسّنت التعاون داخل فريقهم، وهو الأثر الأدنى تقييماً بفارق كبير.

تكشف هذه البيانات عن مفارقة التعاون. كان من المتوقع أن تجعل أدوات الذكاء الاصطناعي الفرق أكثر كفاءة وتماسكاً. بدلاً من ذلك، تجعل المهندسين الكبار أكثر استقلالية والمهندسين المبتدئين أكثر عزلة. ينتج الكبار أكثر ويُرشدون أقل. ينتج المبتدئون مخرجات بمساعدة الذكاء الاصطناعي ويتعلمون أقل. الفريق ككل يُسلّم أسرع، لكن قاعدة المعرفة التنظيمية تتآكل تحت السطح.

وثقت MIT Technology Review اتجاهاً مماثلاً في أواخر 2025، مشيرةً إلى أن البرمجة بالذكاء الاصطناعي أصبحت منتشرة في كل مكان لكن الأشخاص الأقرب إلى التكنولوجيا يظلون متناقضين بعمق حول تأثيرها على المهنة. انخفض الشعور الإيجابي تجاه أدوات الذكاء الاصطناعي من أكثر من 70 في المئة في 2023 و2024 إلى 60 في المئة فقط في 2025، وفقاً لبيانات Stack Overflow، مما يشير إلى أن الصناعة بدأت تحسب تكاليف تجاهلتها في البداية.

المخاطر: لماذا يتجاوز الأمر قطاع التكنولوجيا

أزمة الإرشاد في الذكاء الاصطناعي ليست مجرد مشكلة موارد بشرية لشركات التكنولوجيا. لها تداعيات تمتد إلى ما هو أبعد بكثير من الصناعة. هندسة البرمجيات هي واحدة من أهم خطوط أنابيب المهارات في الاقتصاد الحديث. الأنظمة التي تدير التمويل والرعاية الصحية والنقل والطاقة والحكومة كلها مبنية ومُصانة من قبل مهندسي البرمجيات. إذا تعرض خط الأنابيب الذي ينتج هؤلاء المهندسين للاختراق، تمتد التأثيرات إلى الخارج.

تجادل ورقة Russinovich وHanselman ضمنياً بأن أدوات الذكاء الاصطناعي هي أدوات محايدة يعتمد تأثيرها كلياً على كيفية اختيار المؤسسات نشرها. مستخدمةً بحكمة، يمكن لوكلاء البرمجة بالذكاء الاصطناعي تسريع التعلم، وتوفير أمثلة عند الطلب، وتحرير المهندسين الكبار للتركيز على إرشاد من مستوى أعلى. مستخدمةً بإهمال، نفس الأدوات تُفرغ عملية التعلم، وتخلق مهندسين مبتدئين معتمدين، وتآكل قاعدة المعرفة التنظيمية.

الاختيار بين هذه النتائج لا يقوم به الذكاء الاصطناعي. يقوم به البشر الذين يصممون الهياكل التنظيمية، ويحددون حوافز الأداء، ويقررون كيفية استثمار وقت مهندسيهم الكبار. نموذج المُعلِّم الموجِّه هو إجابة واحدة. ستكون هناك إجابات أخرى. لكن الخطوة الأولى هي الاعتراف بأن المشكلة موجودة، وأن المسار الحالي غير مستدام، وأن الصناعة بحاجة لأن تكون بنفس القدر من القصد في تطوير المواهب البشرية كما هي في تطوير الذكاء الاصطناعي.

الأسئلة الشائعة

المصادر والقراءات الإضافية

• Redefining the Software Engineering Profession for AI — Russinovich and Hanselman, Communications of the ACM
• Microsoft Execs Worry AI Will Eat Entry Level Coding Jobs — The Register
• The Junior Developer Extinction: 67% Hiring Collapse Reshaping Tech Careers — Hakia
• New Evidence Strongly Suggests AI Is Killing Jobs for Young Programmers — Understanding AI
• AI vs Gen Z: How AI Has Changed the Career Pathway for Junior Developers — Stack Overflow Blog
• AI Section: 2025 Stack Overflow Developer Survey
• AI Coding Is Now Everywhere, but Not Everyone Is Convinced — MIT Technology Review
• Is AI Eradicating the Junior Developer? — CIO
• Top Microsoft Execs Fret About Impact of AI on Software Engineering Profession — DevClass
• Why Algeria Is Positioned to Become North Africa’s AI Leader — New Lines Institute