في عالم الشركات التكنولوجية الناشئة عالي المخاطر، غالبًا ما تكون السرعة هي العملة الوحيدة التي تهم. تعمل هذه الشركات الشابة وفق فلسفة تُعرف باسم "الشركة الناشئة الرشيقة" (Lean Startup)، حيث يكون الهدف هو بناء "المنتج الأدنى القابل للتطبيق" (Minimum Viable Product) — وهو نسخة أساسية من أداة برمجية تكون جيدة بما يكفي لاختبارها مع عملاء حقيقيين، ولكنها بسيطة بما يكفي لبنائها بسرعة. الفكرة هي التعلم من ذلك الإصدار الأول والتحسين، بدلاً من قضاء سنوات في إتقان منتج لا يريده أحد. ولإدارة هذا الإيقاع السريع، تستخدم الفرق أساليب "أجايل" (Agile)، التي تقسم العمل إلى أجزاء صغيرة يمكن إدارتها وتعدل الخطط باستمرار. ومع ذلك، هناك مشكلة مستمرة تؤرق هذه الفرق الصغيرة: فهي غالبًا ما تنفد منها الموارد من وقت أو مال قبل أن تتمكن حتى من الإطلاق. فرق الهندسة لديها صغيرة، وميزانياتها ضيقة، والعمل اليدوي المطلوب للتخطيط والتقدير وبناء البرمجيات يبطئ حركتها. وعندما تعتمد شركة ناشئة على منتج واحد للنجاة، فإن التأخير في التسليم قد يعني الفرق بين النجاح وبين إغلاق أبوابها للأبد.

هنا يأتي وعد الذكاء الاصطناعي. في السنوات الأخيرة، ظهر نوع جديد من البرامج الحاسوبية يسمى "الذكاء الاصطناعي التوليدي" (Generative AI)، القادر على كتابة الأكواد، والإجابة على الأسئلة، وحل المشكلات تمامًا كما يفعل البشر. وبينما حاول العديد من المطورين استخدام هذه الأدوات لتسريع عملهم، لم يكن هناك دليل واضح ومختبر حول كيفية دمجها في العملية الكاملة لبناء منتج شركة ناشئة. هل تنجح هذه التكنولوجيا حقًا عندما يكون الفريق تحت الضغط؟ هل تجعل المنتج أفضل، أم فقط أسرع؟ وضع الباحث محمد أويس مشتاق حداً لهذه التساؤلات من خلال اختبار طريقة عمل جديدة في بيئة مؤسسية حقيقية. لم يكتفِ بسؤال الناس عما يعتقدون، بل بنى إطار عمل محدد لاستخدام الذكاء الاصطناعي ثم راقب أداءه خلال مشروع حي ليرى ما إذا كان بإمكانه حل التأخيرات المزمنة التي تقتل الكثير من الشركات الناشئة.

ركز البحث على تحدٍ محدد: نقل نظام برمجيات قديم إلى نظام جديد وحديث. هذا مهمة شائعة للشركات، وتسمى غالبًا "ترحيل" (Migration)، وهي صعبة للغاية لأن الكود القديم يكون معقدًا وضعيف التوثيق. عمل مشتاق مع فريق في شركة تكنولوجيا مالية كانت بحاجة إلى ترقية نظامها بسرعة. قدم نهجًا مهيكلًا حيث يتولى الذكاء الاصطناعي أجزاء مختلفة من المهمة في أوقات مختلفة. تم تقسيم العملية إلى مرحلتين رئيسيتين: أولاً، كان على الفريق التخطيط وتقدير الوقت الذي سيستغرقه العمل. ثانًا، كان عليهم كتابة الكود فعليًا والتحقق من الأخطاء. في مرحلة التخطيط، استخدم الباحثون أدوات الذكاء الاصطناعي لقراءة الكود القديم واقتراح مقدار الجهد الذي سيتطلبه كل جزء من النظام الجديد. وقارنوا اقتراحات الذكاء الاصطناعي هذه بالتقديرات التي وضعها خبراء بشريون متمرسون.

كانت نتائج مرحلة التخطيط هذه مذهلة. تمكن الفريق المدعوم بالذكاء الاصطناعي من وضع تقديرات مشروعه في يومين ونصف فقط، بينما استغرق الخبراء البشريون خمسة أيام للقيام بنفس العمل. وهذا يعني أن عملية التخطيم كانت أسرع بمرتين. والأهم من ذلك، أن السرعة لم تأتِ على حساب الدقة؛ فقد بلغت دقة تقديرات الذكاء الاصطناعي 94 بالمائة مقارنة بالأحكام النهائية للخبراء البشريين. أثبت هذا أن الكمبيوتر يمكنه النظر إلى نظام قديم وفوضوي وفهم العمل المطلوب بمستوى يقارب قدرة البشر المتمرسين، ولكن في نصف الوقت. وتعتبر هذه النتيجة مهمة لأنها تشير إلى أن الشركات الناشئة الصغيرة، التي تفتقر غالبًا إلى فرق كبيرة من المخططين الكبار، يمكنها استخدام هذه الأدوات للحصول على خارطة طريق واقعية لمشاريعها دون استنزاف خبرائها المتاحين.

بمجرد تحديد الخطة، انتقل الفريق إلى مرحلة البناء. هنا، اختبر الباحثون أنواعًا مختلفة من أدوات الذكاء الاصطناعي لمعرفة الأفضل لكل مهمة. وجدوا أن الأدوات ليست متساوية؛ فبعضها أفضل في فهم الصورة الكبيرة، بينما البعض الآخر أفضل في كتابة الأكواد المعيارية والمتكررة. بالنسبة للمهام التي تتطلب فهم كيفية ترابط أجزاء النظام مع بعضها البعض، مثل إعادة كتابة ميزات أمنية معقدة أو ربط ملفات متعددة، استخدم الفريق وكلاء ذكاء اصطناعي "ذوي سياق عميق" (deep-context). هذه الأدوات يمكنها النظر إلى المشروع بأكمله دفعة واحدة، وقد أدت أداءً استثنائيًا، حيث حققت معدل دقة يتراوح بين 95 إلى 99 بالمائة في عملها وتطلبت تدخلات قليلة جدًا للتصحيح. ومع ذلك، بالنسبة للمهام الأبسط مثل إنشاء هياكل بيانات أساسية أو إعداد خط الأنابيب (pipeline) الذي يختبر البرمجيات تلقائيًا، كان مساعد البرمجة القياسي كافيًا. هذا التمييز أمر بالغ الأهمية: فهو يوضح أن استخدام الأداة المناسبة للمهمة المناسبة أكثر أهمية من مجرد استخدام الذكاء الاصطناعي بشكل عام.

كما درست الدراسة أيضًا كيف قام الفريق بفحص العمل. استخدم الباحثون الذكاء الاصطناعي لإنشاء حالات اختبار (test cases) — وهي سيناريوهات مصممة لكسر البرمجيات وإيجاء الأخطاء — ولمراجعة الكود بحثًا عن الثغرات الأمنية. كان هذا الجزء من العملية فعالاً للغاية في العثور على "الحالات الحدية" (edge cases)، وهي المواقف النادرة التي غالبًا ما تتسبب في تعطل البرمجيات. ساعد الذكاء الاصطناዊ فريق ضمان الجودة في العث de على ما يصل إلى خمس حالات حدية لكل ميزة قاموا ببنائها، وهو رقم كان من الصعب تحقيقه يدويًا. ومع ذلك، كشف البحث أيضًا عن تكلفة بشرية كبيرة. فبينما كتب الذكاء الاصطناعي الكود بسرعة، كان لا يزال يتعين على البشر التحقق من كل سطر منه. غالبًا ما كانت الأدوات المؤتمتة تصنف الكود الآمن على أنه خطير، مما خلق معدلًا مرتفعًا من الإنذارات الكاذبة. وفي بعض الحالات، كان يتعين على البشر تجاهل ما يقرب من نصف التحذيرات الآلية.

أدى هذا إلى اكتشاف ظاهرة جديدة سماها الباحث "إجهاد التحقق" (verification fatigue). لم يحل الذكاء الاصطناعي محل الحاجة إلى الحكم البشري، بل قام ببساطة بنقل العبء. فبدلاً من قضاء ساعات في كتابة الكود، أصبح المطورون الآن يقضون ساعات في التحقق من صحة وأمان الكود الذي كتبه الذكاء الاصطناعي. كان الجهد الذهني المطلوب للتحقق من عمل الآلة مكثفًا، ووجد الباحثون أن الأدوات لم تكن ذكية بما يكفي لفهم بنية النظام ككل بمفردها. يمكنها رؤية التفاصيل، لكنها تغفل الصورة الكبيرة. وبناءً على ذلك، تطور الدور البشري من كونه كاتب كود إلى كونه مدققًا للكود. وتخلص الدراسة إلى أنه بينما يمكن لهذه الأدوات تسريع إنشاء منتج الشركة الناشئة بشكل كبير، إلا أنها لا تستطيع إدارة المشهد بمفردها بعد.

الخلاصة النهائية من هذا البحث هي أن الذكاء الاصطناعي شريك قوي للشركات الناشئة الرشيقة، ولكنه يتطلب نهجًا منضبطًا ليكون فعالًا. أظهرت الدراسة أنه من خلال دمج الذكاء الاصطناعي في سير عمل مهيكل، يمكن لفريق صغير تقليص وقت التخطيط إلى النصف وبناء برمجيات معقدة بدقة عالية. يوفر إطار العمل الذي اقترحه الباحث مسارًا واضحًا للشركات الناشحة الأخرى لاتباعه: استخدم الذكاء الاصطناعي للقيام بالأعمال الشاقة المتعلقة بالتقدير وإعادة الهيكلة المعقدة، ولكن أبقِ البشر في الحلقة للإشراف على البنية والتحقق من النتائج. التكنولوجيا جاهزة للمساعدة، لكنها ليست عصا سحرية تلغي الحاجة إلى الإشراف البشري. النجاح يأتي من معرفة أين تترك الآلة تعمل بالضبط وأين تتدخل بالخبرة البشرية.