في أبريل الماضي، نشر الرئيس التنفيذي لشركة Shopify، Tobi Lutke، مذكرة داخلية على مستوى الشركة أحدثت صدى واسعاً في صناعة التكنولوجيا. كانت الرسالة صريحة: استخدام الذكاء الاصطناعي لم يعد اختيارياً. يجب على كل فريق يطلب زيادة في عدد الموظفين أن يُثبت أولاً أن الذكاء الاصطناعي لا يستطيع إنجاز المهمة. وأصبحت تقييمات الأداء تشمل الآن تقييم الكفاءة في استخدام الذكاء الاصطناعي. شارك Lutke المذكرة علنياً بنفسه، مستبقاً التسريب الحتمي.
باختصار: أعادت فرق الهندسة في شركات مثل Shopify وStripe وVercel بناء سير عمل التطوير حول الذكاء الاصطناعي في عام 2026. الدورة الجديدة — المواصفات، مسودة الذكاء الاصطناعي، المراجعة البشرية، اختبار الذكاء الاصطناعي — تحل محل البرمجة الثنائية التقليدية. يؤكد تقرير DORA لعام 2025 ما يلاحظه الممارسون على أرض الواقع: الذكاء الاصطناعي أصبح يرتبط إيجابياً بمعدل تسليم الإنتاج، لكنه يستمر في زيادة عدم استقرار التسليم. الأدوات تُضخّم ما هو موجود أصلاً — سواء كان انضباطاً أو خللاً وظيفياً.
ما جعل تعميم Lutke لافتاً لم يكن طموحه بل توقيته. بحلول الوقت الذي انتشرت فيه تلك المذكرة، كان التحول الذي طالب به قد حدث فعلاً في عشرات المؤسسات الهندسية. لم يعد السؤال ما إذا كان يجب استخدام الذكاء الاصطناعي في تطوير البرمجيات، بل كيف يمكن استخدامه دون فقدان الأشياء التي تجعل البرمجيات موثوقة: انضباط مراجعة الكود، والتماسك المعماري، والمعرفة المؤسسية التي تعيش في الذاكرة الجماعية للفريق.
دورة التطوير الجديدة
أُعيد هيكلة حلقة تطوير البرمجيات التقليدية — كتابة الكود، تقديم طلب السحب، انتظار المراجعة، التكرار — بشكل جذري في الشركات التي تشحن برمجيات إنتاجية بالذكاء الاصطناعي. ما ظهر هو شيء يسميه المهندسون حلقة “المواصفات-المسودة-المراجعة-الاختبار”، وهي لا تشبه إطلاقاً نموذج الإكمال التلقائي المُحسّن الذي ميّز الموجة الأولى من أدوات البرمجة بالذكاء الاصطناعي.
إليكم كيف تعمل في الممارسة الفعلية. يكتب مدير المنتج أو القائد التقني مواصفات، غالباً وصفاً بلغة طبيعية لما يجب أن يحدث. يأخذ وكيل الذكاء الاصطناعي تلك المواصفات وينتج مسودة أولى — ليست مقتطفاً من الكود، بل تطبيقاً كاملاً يمتد عبر ملفات متعددة، مع اختبارات وهياكل توثيق ومعالجة الأخطاء. يراجع مهندس بشري المسودة، ليس سطراً بسطر بالمعنى التقليدي، بل معمارياً: هل يتناسب هذا النهج مع النظام؟ هل يحترم اتفاقياتنا؟ هل يُدخل ديناً تقنياً سنندم عليه؟
ثم يُشغّل الذكاء الاصطناعي مجموعة الاختبارات. إذا فشلت الاختبارات، يُصلح الكود ويُشغّلها مرة أخرى. تستمر الحلقة حتى ينجح التطبيق، وعندها يمنح الإنسان الموافقة النهائية.
في Stripe، وصلت هذه الدورة إلى نطاق شبه صناعي. وكلاء الذكاء الاصطناعي الداخليون للشركة، المعروفون داخلياً باسم “Minions”، يدمجون الآن أكثر من ألف طلب سحب أسبوعياً — رقم تجاوز مؤخراً 1,300 وفقاً لاتصالات Stripe الخاصة. هذه ليست تغييرات تنسيق تافهة. طلبات السحب لا تحتوي على كود مكتوب بشرياً — يُحدد المهندسون المهمة عبر أمر Slack أو واجهة سطر الأوامر أو زر “إصلاح بواسطة Minion” في متتبع الأخطاء، ويتولى الوكيل كل شيء من التطبيق حتى فحوصات التكامل المستمر.
الفارق الدقيق الحاسم: لا يزال البشر يراجعون كل طلب سحب. الكود مكتوب بالذكاء الاصطناعي لكنه مُعتمد بشرياً. بنت Stripe بنية تحتية من ست طبقات حول وكيلها — نسخة معدّلة من أداة Block المفتوحة المصدر Goose — مع خادم MCP مركزي يُسمى Toolshed يضم أكثر من 400 أداة وتكامل داخلي. بيئات الوكلاء لا تملك وصولاً للإنترنت ولا وصولاً للإنتاج. العزل هو نظام الصلاحيات.
الهندسة المُعزّزة في Shopify
تتعامل Shopify مع دمج الذكاء الاصطناعي بطريقة مختلفة عن Stripe، لكن النتيجة متشابهة. تُؤطّر الشركة استراتيجيتها باسم “الهندسة المُعزّزة” — جعل المهندسين أكثر إنتاجية بشكل كبير عبر تضمين الذكاء الاصطناعي في سير عملهم اليومي بدلاً من استبدال تلك الأنماط كلياً.
يتمتع جميع موظفي Shopify الآن بإمكانية الوصول إلى مجموعة من أدوات الذكاء الاصطناعي بما في ذلك GitHub Copilot وClaude من Anthropic وCursor. لا تضع الشركة حداً لإنفاق رموز الذكاء الاصطناعي. يُتوقع من مصممي المنتجات إنتاج نماذج أولية للميزات باستخدام أدوات الذكاء الاصطناعي. بنى فريق منصة الهندسة خادم Dev MCP يُمكّن وكلاء الذكاء الاصطناعي من إنشاء هياكل تطبيقات Shopify الكاملة، وتنفيذ عمليات GraphQL، وتوليد كود مُتحقق منه عبر واجهة الإدارة وإضافات واجهة المستخدم وقوالب Liquid وإطار عمل واجهة المتجر Hydrogen.
الفلسفة وراء الهندسة المُعزّزة عملية وليست مثالية. مع تزايد تعقيد الهندسة — المزيد من التكاملات، المزيد من مساحة المنصة، المزيد من خيارات تخصيص التجار — وجدت Shopify أن الذكاء الاصطناعي يمكنه امتصاص العبء الإدراكي. بدلاً من توظيف مهندسين أكثر بشكل متناسب، استخدموا الذكاء الاصطناعي للحفاظ على سرعة الإنتاج ثابتة حتى مع تزايد تعقيد النظام. والجدير بالملاحظة أن Shopify لا تزال توظف — بما في ذلك ألف متدرب — مما يشير إلى أن التوجه نحو الذكاء الاصطناعي لا يعني تقليص عدد الموظفين.
Vercel ونموذج v0
يمثل نهج Vercel نموذجاً ثالثاً: الذكاء الاصطناعي كنقطة بداية للتطوير بدلاً من مساعد أثناءه. تطورت أداة v0 الخاصة بالشركة من أداة نمذجة بسيطة إلى ما يصفه الرئيس التنفيذي Guillermo Rauch ببيئة تطوير جاهزة للإنتاج تدعم سير عمل Git الكامل — ما تسميه الصناعة الآن “البرمجة بالإحساس” (vibe coding).
ما يميز v0 عن روبوت محادثة يولّد مكونات React هو البنية التحتية تحته. بيئة تشغيل قائمة على الصناديق المعزولة يمكنها استيراد أي مستودع GitHub وسحب متغيرات البيئة والتكوينات تلقائياً من Vercel. كل طلب يولّد كوداً يعمل في بيئة حقيقية، وليس في ساحة تجريب. لوحة Git تتيح للمطورين إنشاء فرع لكل محادثة، وفتح طلبات سحب مقابل الفرع الرئيسي، والنشر عند الدمج.
أطلقت Vercel الإصدار السادس من AI SDK مع تجريد أصلي للوكلاء ونظام موافقة على الأدوات يتيح للمطورين تقييد أي إجراء يتطلب مراجعة بشرية. عرّف أداة بخاصية needsApproval: true، ويتوقف الوكيل حتى يؤكد شخص ما. إنه المكافئ الهندسي لقاعدة الشخصين لإطلاق الصواريخ، مُطبّقة على ترحيل قواعد البيانات ونشر واجهات برمجة التطبيقات.
إعلان
ما تُظهره البيانات فعلاً
يرسم تقرير DORA لعام 2025، التقييم السنوي لأداء تسليم البرمجيات من Google، صورة دقيقة لتأثير الذكاء الاصطناعي على فرق الهندسة. الرقم الرئيسي: 90 بالمائة من محترفي تطوير البرمجيات يستخدمون الآن أدوات الذكاء الاصطناعي في العمل، بزيادة 14 نقطة مئوية عن العام السابق. يقضي المطور المتوسط حوالي ساعتين يومياً مع أدوات الذكاء الاصطناعي — أي ما يقارب ربع يوم عمله.
مكاسب الإنتاجية الفردية حقيقية. يُظهر تحليل بيانات DORA أن المطورين يُنجزون 21 بالمائة مهام أكثر ويدمجون 98 بالمائة طلبات سحب أكثر عند استخدام مساعدي الذكاء الاصطناعي. لكن إليكم المفارقة التي تقلق قادة الهندسة: مقاييس التسليم المؤسسي لم تتحسن بنفس النسبة. بينما وجد تقرير 2025 أن تبني الذكاء الاصطناعي أصبح يرتبط إيجابياً بمعدل تسليم الإنتاج — انعكاس عن النتيجة السلبية للعام السابق — إلا أنه يستمر في الارتباط سلبياً باستقرار التسليم. يُشحن كود أكثر بسرعة أكبر، لكن عدم الاستقرار يزداد معه. يزداد وقت مراجعة الكود بنسبة 91 بالمائة مع تكدس حجم طلبات السحب على المراجعين، ويتضخم حجم طلبات السحب بنسبة 154 بالمائة، وترتفع معدلات الأخطاء بنسبة 9 بالمائة مع عجز بوابات الجودة عن مواكبة الوتيرة.
يصف باحثو DORA هذا بتأثير التضخيم. الذكاء الاصطناعي لا يُصلح فريقاً مختلاً. إنه يُضخّم ما هو موجود أصلاً. الفرق القوية ذات البنى المعمارية الفضفاضة الترابط وحلقات التغذية الراجعة السريعة والاختبارات الآلية القوية تستخدم الذكاء الاصطناعي لتصبح أسرع وأكثر موثوقية. الفرق المتعثرة — تلك ذات الأنظمة المحكمة الترابط وخطوط التكامل المستمر البطيئة وممارسات المراجعة الضعيفة — تجد أن الذكاء الاصطناعي يُضخّم خللها فقط.
الفرق التي تحقق مكاسب إنتاجية حقيقية تشترك في ثلاث خصائص. أولاً، لديها مجموعات اختبار آلية قوية تلتقط التراجعات قبل وصول الكود المُولّد بالذكاء الاصطناعي إلى الإنتاج. ثانياً، تعمل في بنى معمارية فضفاضة الترابط حيث لا تتسلسل التغييرات في خدمة واحدة إلى خدمات أخرى. ثالثاً، استثمرت في منصات مطورين داخلية توفر أدوات موحدة، مما يقلل المساحة التي يمكن للذكاء الاصطناعي أن يُدخل فيها عدم اتساق.
قياس ما يهم
تبقى مقاييس DORA التقليدية — تكرار النشر، والمهلة الزمنية للتغييرات، ومعدل فشل التغييرات، ووقت استعادة الخدمة — مهمة لكنها غير كافية بشكل متزايد. يوسّع تقرير 2025 الإطار ليشمل أداء الفريق، وأداء المنتج، والعمل القيّم (هل نبني الأشياء الصحيحة)، والاحتكاك (أين يتعثر المطورون)، والإرهاق، والفعالية الفردية.
توقفت الفرق الأكثر تطوراً عن قياس “سطور الكود المُولّدة بالذكاء الاصطناعي” وبدأت في قياس “الوقت من الفكرة إلى الميزة المُتحقق منها”. يلتقط هذا المقياس الدورة الكاملة: المواصفات والتطبيق والمراجعة والاختبار والنشر. اتضح أن الذكاء الاصطناعي يضغط مرحلة التطبيق بشكل كبير لكنه لا يفعل شيئاً تقريباً لمرحلتي المواصفات والمراجعة، اللتين تبقيان بسرعة بشرية عنيدة.
تُفيد بعض الفرق أن الذكاء الاصطناعي نقل عنق الزجاجة إلى المراحل الأعلى. عندما يستغرق التطبيق ساعات بدلاً من أيام، يصبح القيد هو سرعة كتابة مديري المنتجات لمواصفات واضحة وسرعة مراجعة كبار المهندسين للقرارات المعمارية. أبطأ جزء في خط الإنتاج هو الآن الجزء الذي يتطلب حكماً بشرياً حول ما يجب بناؤه وما إذا كان قد بُني بشكل صحيح.
واقع الإنسان في الحلقة
رغم اللغة التسويقية حول البرمجة “المستقلة” و”الوكيلة” بالذكاء الاصطناعي، فإن كل فريق هندسي إنتاجي يصون أنظمة حرجة يفرض سياسة صارمة للإنسان في الحلقة. لكن الحلقة تحركت. لم يعد المهندسون يكتبون الكود ويجعلون الذكاء الاصطناعي يتحقق منه. الذكاء الاصطناعي يكتب الكود والبشر يتحققون منه. مجموعة المهارات المطلوبة انتقلت من إنتاج الكود إلى تقييم الكود.
هذا التمييز بالغ الأهمية. المهندس الذي يراجع كوداً مُولّداً بالذكاء الاصطناعي يحتاج نوعاً مختلفاً من الخبرة عن ذلك الذي يكتبه من الصفر. يحتاج لفهم بنية النظام بعمق كافٍ لاكتشاف متى ينتج الذكاء الاصطناعي حلاً صحيحاً تقنياً لكنه غير ملائم معمارياً. يحتاج للتعرف على متى تنجح مجموعة الاختبارات لكنها لا تختبر فعلاً الأشياء المهمة. يحتاج لالتقاط الأخطاء الدقيقة التي تنشأ عندما يربط الذكاء الاصطناعي أنماطاً من بيانات تدريبه لا تتناسب تماماً مع السياق المحدد لقاعدة الكود هذه.
لاحظ عدة قادة هندسيين أن المهندسين المبتدئين يواجهون تحدياً خاصاً في سير العمل الجديد هذا. بدون خبرة كتابة الكود من الصفر، كيف يطورون الحكم اللازم لمراجعته؟ تعالج Stripe هذا بمطالبة المهندسين المبتدئين ببناء أسس برمجة تقليدية قبل الاعتماد على وكلاء الذكاء الاصطناعي. نفّذ آخرون “أيام بدون ذكاء اصطناعي” حيث تبرمج الفرق دون مساعدة للحفاظ على مهاراتهم الأساسية.
إلى أين يتجه هذا
التقارب يسير نحو ما يمكن تسميته “تصنيع البرمجيات” — عملية يعمل فيها المهندسون البشر أكثر كمصممي منتجات ومفتشي جودة بدلاً من عمال خط التجميع. الذكاء الاصطناعي يتولى التصنيع. البشر يتولون التصميم والفحص وأحكام القيمة التي تحدد ما إذا كان يجب بناء شيء ما أصلاً.
هذا ليس سيناريو مستقبلي بعيد. إنه يحدث الآن في شركات تعالج ملايين المعاملات يومياً. الفرق الناجحة مع هذا النموذج تشترك في سمة واحدة: استثمرت في أساسيات الهندسة — الاختبار، والبنية المعمارية، وثقافة المراجعة — قبل فترة طويلة من تبني الذكاء الاصطناعي. الأدوات تُضخّم الانضباط. وتُضخّم غيابه أيضاً.
الأسئلة الشائعة
ما المقصود بـ AI Dev Workflows؟
يتناول هذا المقال الجوانب الأساسية لهذا الموضوع، ويستعرض الاتجاهات الحالية والجهات الفاعلة الرئيسية والتداعيات العملية على المهنيين والمؤسسات في عام 2026.
لماذا يُعد هذا الموضوع مهمًا؟
يكتسب هذا الموضوع أهمية كبيرة لأنه يؤثر بشكل مباشر على كيفية تخطيط المؤسسات لاستراتيجيتها التقنية وتخصيص مواردها وتموضعها في مشهد سريع التطور.
ما أبرز النقاط المستخلصة من هذا المقال؟
يحلل المقال الآليات الرئيسية والأطر المرجعية والأمثلة الواقعية التي تشرح كيفية عمل هذا المجال، مستندًا إلى بيانات حديثة ودراسات حالة عملية.
المصادر والقراءات الإضافية
- Minions: Stripe’s One-Shot, End-to-End Coding Agents — Stripe Engineering Blog
- DORA State of AI-Assisted Software Development 2025 — Google Cloud
- How AI Is Changing Software Engineering at Shopify — The Pragmatic Engineer
- Shopify CEO: AI Is Now a Fundamental Expectation for Employees — CNBC
- AI SDK 6 — Vercel Blog
- DORA Report 2025 أبرز النقاط: AI Impact on Dev Metrics — Faros AI
