Governing AI Coding Agents: An Empirical Analysis of Repository Artifacts
تُحلل هذه الدراسة تجريبياً ٥٥٥ من مخرجات حوكمة مستودعات غيت هاب (GitHub) لتكشف أنه بينما تُسهل هذه المخرقات بفعالية نقل المعرفة ومعايير البرمجة، إلا أنها تفتقر إلى آليات إشراف قوية ولا تُظهر أي ارتباط منهجي مع النضج التنظيمي أو المجال، مما يسلط الضوء على مسؤوليات جسيمة مثل التعليمات الغامضة والتجزئة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم إنشاء البرمجيات الحديث، وصل نوع جديد من العمال: وكيل البرمجة القائم على الذكاء الاصطناائي. هؤلاء ليسوا مجرد أدوات بسيطة تكتفي بإكمال جملة برمجية لإنسان؛ بل هم برامج ذاتية التشغيل قادرة على قراءة مشاريع كاملة، وفهم تعليمات معقدة، وكتابة أو إصلاح البرمجيات عبر ملفات متعددة بمفردها. ومع ازدياد شيوع هؤلاء العمال الرقميين، تواجه الشركات ومجتمعات المصادر المفتوحة تحديًا حرجًا: كيف تديرهم؟ إذا ارتكب موظف بشري خطأً، يمكن للمدير التدخل، ومراجعة العمل، وتصحيح المسار. ولكن عندما يعمل وكيل الذكاء الاصطناعي بسرعة واستقلالية، فإن أساليب الإشراف التقليدية قد تبدو بطيئة للغاية أو بعيدة المنال. ولتجسير هذه الفجوة، بدأ المطورون في إنشاء ملفات تعليمات خاصة—وهي دفاتر قواعد رقمية تُخزن مباشرة داخل كود المشروع. هذه الملفات، التي تحمل أسماء مثل AGENTS.md أو CLAUDE.md، تهدف إلى إخبار الذكاء الاصطناعي بدقة بكيفية التصرف، وما هي القواعد التي يجب اتباعها، وكيف يندمج في سير عمل الفريق. إنها الدستور المكتوب للعامل الآلي.
السؤال الذي طرحه الباحثون هو ما إذا كانت دفاتر القواعد الرقمية هذه تمثل حقًا نظام تحكم ناضج، أم أنها مجرد مجموعة من الملاحظات. في عالم الإدارة التنظيمية، لا يعني وجود سياسة مكتوبة القدرة على إنفاذها. فالقدرة الحقيقية على الحوكمة تعني أن المؤسسة لا تستطيع فقط تدوين القواعد، بل يمكنها أيضًا مراقبتها، وضمان اتباعها، وتكييفها مع تغير الظروف. ولمعرفة ما إذا كان عالم البرمجيات قد وصل إلى هذا المستوى من النضج مع وكلاء الذكاء الاصطناعي، أجرى فريق من الباحثين من جامعة LUT في فنلندا تحقيقًا واسع النطاق. لم يكتفوا بقراءة بضع أمثلة فحسب؛ بل جمعوا وحللوا 555 من ملفات الحوكمة هذه من مشاريع برمجية عامة على GitHub. كان هدفهم هو معرفة ما إذا كان وجود هذه الملفات يعني أن المشاريع قد طورت طريقة متطورة لإدارة الذكاء الاصطناعي، أم أن الملفات كانت مجرد توثيق للتوقعات دون وجود الآليات الداعمة لها.
تعامل الباحثون مع هذه الملفات كدليل على كيفية محاولة المشاريع حوكمة عمال الذكاء الاصطناعي الخاص بهم. قرأوا أولاً عينة من الملفات لبناء خريطة مفصلة لما تحتويه بالفعل. واكتشفوا أن هذه الملفات تنقسم عمومًا إلى فئتين: تعليمات مفيدة وعيوب خفية. التعليمات المفيدة، التي أطلقوا عليها اسم ممارسات الحوكمة، شملت أشياء مثل شرح تاريخ المشروع، وتحديد أساليب البرمجة، ورسم الخطوات اللازمة لمهمة ما. أما العيوب، التي وصفوها بمسؤوليات الحوكمة، فكانت مشكلات قد تجعل مهمة الذكاء الاصطناعي أصعب أو أكثر خطورة. وشمل ذلك الأوامر الغامضة التي لم تحدد كيفية قياس النجاح، والتعليمات التي نُسخت من مشاريع أخرى دون تكييفها، والثغرات الأمنية حيث ذُكرت معلومات حساسة دون حماية.
بمجرد حصولهم على هذه الخريطة، استخدم الباحثون نموذج لغة قوي لمسح جميع الملفات الـ 555، والتحقق من وجود هذه الممارسات والعيوب المحددة. ثم قارنوا النتائج مع نضج المشاريع. قد يكون الافتراض الشائع هو أن المشاريع الأقدم والأكثر شعبية التي تمتلك آلاف النجوم والعديد من المساهمين سيكون لديها ملفات حوكمة أفضل وأكثر قوة من المشاريع الأصغر والأحدث. المنطق وراء ذلك هو أنه مع نمو المشروع، يتعلم من أخطائه ويبني أنظمة أفضل. ومع ذلك، أخبرتهم البيانات قصة مختلفة. وجد الباحثون أنه لا يوجد رابط بين حجم المشروع أو عمره وبين جودة ملفات الحوكمة الخاصة به. فالمشروع الضخم والمستقر منذ فترة طويلة كان عرضة تمامًا لامتلاك تعليمات ضعيفة أو غامضة مثل المشاريع الصغيرة والجديدة. وبالمثل، بحثوا فيما إذا كانت المشاريع في المجالات عالية المخاطر، مثل البنية التحتية أو تطبيقات الهاتف المحمول، تمتلك قواعد أكثر صرامة من تطوير الويب العام. ومرة أخرى، لم يكن هناك أي فرق. بدت الملفات متشابهة بغض النظر عن العواقب المحتملة للخطأ.
كانت النتيجة الأكثر إثارة للدهشة تتعلق بطبيعة الحوكمة نفسها. وجد الباحثون أن الملفات كانت تركز بشكل مفرط على التوجيه بدلاً من الرقابة. حيث احتوت حوالي 82 بالمائة من الملفات على تعليمات حول كيفية نقل المعرفة أو اتباع معايير البرمجة. وفي المقابل، تضمنت حوالي 11 بالمائة فقط من الملفات "بوابة موافقة بشرية"—وهي قاعدة محددة تتطلب من الإنسان مراجعة واعتماد عمل الذكاء الاصطناعي قبل نهائيته. يشير هذا إلى أن النهج الحالي يركز بشكل كبير على إخبار الذكاء الاصطناعي بما يجب فعله، بدلاً من بناء نظام للإمساك به عندما يخطئ. علاوة على على ذلك، لاحظ الباحثون نمطًا مثيرًا للاهتمام: كلما زادت التعليمات في الملف، زادت احتمالية وجود عيوب فيه. لم يكن الأمر أن إضافة المزيد من القواعد ينظف الفوضى؛ بل إن إضافة المزيد من القواعد غالبًا ما تؤدي إلى مزيد من الارتباك أو التكرار أو التناقضات. لم تكن الملفات تصبح أكثر تماسكًا مع نموها، بل كانت تصبح أكثر ازدحامًا.
خلصت الدراسة إلى أنه بينما تتبنى المشاريع البرمجية بسرعة ملفات الحوكمة هذه لتوجيه وكلاء الذكاء الاصطناعي الخاص بها، فإن هذا التبني لا يشير بعد إلى قدرة تنظيمية ناضجة. فهذه الملفات فعالة في توثيق المعرفة ووضع التوقعات، لكنها تفتقر إلى الآليات الهيكلية—مثل المساءلة، والرقابة المتسقة، والتكيف الخاص بالمشروع—التي تميز النظام المؤسسي الحقيقي. إن وجود دفتر قواعد لا يعني أن المنظمة لديها القدرة على إنفاذه. بدلاً من ذلك، يهيمن على المشهد الحالي "الحوكمة الموجهة بالتعليمات"، حيث تكون الأولوية لتمكين الذكاء الاصطناعي من العمل، بينما تظل الأنظمة القادرة على التحكم في هذا العمل والتحقق منه غير متطورة. وبالنسبة للمؤسسات التي تتطلع إلى توسيع نطاق استخدامها للذكاء الاصطناعي، تشير الأبحاث إلى أن مجرد كتابة المزيد من التعليمات ليس هو الحل. فالحوكمة الحقيقية تتطلب الانتقال من مرحلة التوثيق إلى بناء الروتينات التنظيمية التي يمكنها مراقبة والتحقق من أفعال هؤلاء العمال المستقلين وتكييفها معهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.