اثر هوش مصنوعی بر برنامه‌نویسی؛ چه مهارت‌هایی مهم‌تر شده‌اند؟

فرض کنید یک دستیار هوش مصنوعی در چند ثانیه endpoint ثبت سفارش را می‌نویسد. پاسخ HTTP درست است و تست مسیر موفق هم پاس می‌شود. ولی اگر موجودی کالا صفر باشد، درخواست دوبار برسد یا دو نفر آخرین کالا را همزمان بخرند چه اتفاقی می‌افتد؟ تفاوت برنامه‌نویسی با تولید متن کد، دقیقاً در همین پرسش‌ها معلوم می‌شود.

در نظرسنجی ۲۰۲۵ Stack Overflow، ۸۴ درصد پاسخ‌دهندگان از استفاده یا برنامهٔ استفاده از ابزارهای AI گفته‌اند. این دادهٔ یک نظرسنجی است، نه سرشماری همهٔ برنامه‌نویسان و نه پیش‌بینی قطعی حذف شغل‌ها. برداشت کاربردی برای یادگیری، شناخت ابزار همراه با توانایی بررسی خروجی آن است.

برای تصمیم‌های پرهزینه، یک خروجی خوش‌بیان کافی نیست. دستیار باید بتواند فرض‌های خود را روشن کند و شما هم باید مسیر ارزیابی داشته باشید. هرچه مسئله به پول، دادهٔ کاربر یا دسترسی مربوط باشد، شواهد اجرای واقعی ارزش بیشتری پیدا می‌کند.

• تعریف: ورودی، خروجی و محدودیت را پیش از درخواست کد مشخص کنید.
• پیشنهاد: ابتدا طرح کوتاه و نقاط مبهم را از دستیار بخواهید.
• اجرا: کد را در محیط آزمایشی اجرا و تغییرات را مرور کنید.
• اثبات: تست حالت موفق، نامعتبر و همزمان را نگه دارید.

وظیفه: بررسی endpoint ثبت سفارش
محدودیت: قیمت فقط از دیتابیس خوانده شود.
حالت‌های مهم: درخواست تکراری، موجودی صفر، اجرای همزمان.
خروجی: ایراد + دلیل + تستی که ایراد را نشان دهد.

اگر تازه شروع کرده‌اید، نوشتن یک پروژهٔ کوچک بدون کمک AI را کنار نگذارید. باید بتوانید جریان اجرای تابع، کوئری دیتابیس و علت خطا را توضیح دهید. سپس همان بخش را با کمک دستیار بازنویسی کنید و دربارهٔ تفاوت‌ها تصمیم بگیرید. این تمرین، سرعت ابزار را به فهم شخصی وصل می‌کند.

در یک پروژهٔ آموزشی ساده، اول ثبت کاربر و فهرست سفارش‌ها را بسازید. بعد از AI بخواهید کد را نقد کند؛ هر پیشنهاد را با یک مثال بررسی کنید. پیشنهاد ایندکس را با نقشهٔ اجرا و پیشنهاد امنیتی را با یک تست دسترسی ارزیابی کنید. تعداد خط‌های تولیدشده معیار رشد شما نیست؛ توانایی توضیح و اصلاح رفتار برنامه معیار بهتری است.