ما هي الحواجز الجديدة أمام الشباب بعد أن أصبحت الذكاء الاصطناعي قادرًا على كتابة الأكواد؟

TL;DR
· قال رائد أعمال في مجال الذكاء الاصطناعي إن كتابة الأكواد بواسطة الذكاء الاصطناعي تغير ترتيب المهارات المهنية في المراحل المبكرة.
· المهام القابلة للتقييم أكثر ملاءمة للنماذج، ويجب على البشر تعلم كيفية تحديد المشكلات وتوزيع الوقت والأدوات.
· العائد النقدي ليس الهدف الوحيد، فالعلاقات والسمعة وجودة التسليم ستفصل بين الأفراد.

رائد أعمال يصف نفسه بأنه عمل في شركات مثل Scale AI وDeepMind وOpenAI وGoogle، ويشارك الآن في تأسيس شركة تعتمد على الذكاء الاصطناعي، كتب نصيحة مهنية جديدة للشباب في مقال طويل باللغة الإنجليزية. الخلفية هي أن أدوات البرمجة بالذكاء الاصطناعي قد انتقلت من إكمال الأكواد إلى أنظمة برمجية أكثر اكتمالاً. عندما أصدرت OpenAI Codex في عام 2025، قالت إنه يمكنه معالجة كتابة الوظائف وإصلاح الأخطاء واقتراح طلبات السحب (PR) بشكل متوازي في السحابة، لكنه لا يزال يحتاج إلى مراجعة بشرية للتحقق من الأكواد. السؤال الذي يطرح نفسه هو: مع انخفاض تكلفة الإجابات القياسية والأكواد العادية والمهام القابلة للتقييم، أين يجب على الشباب أن يستثمروا وقتهم؟

جوهر هذه المقالة ليس في "استبدال المبرمجين"، بل في أن معايير الفرز المهني في المراحل المبكرة تتغير. المدارس والمقابلات التقليدية تدرب بشكل كبير على الأسئلة الواضحة ذات الإجابات المحددة والتي يمكن تصحيحها، وهذا هو المكان الذي تتقدم فيه النماذج بشكل أسرع. في المستقبل، قد يكون ما يميز الأفراد هو قدرتهم على اكتشاف المشكلات المهمة، واختيار البيئات ذات القيمة العالية، وبناء سمعة موثوقة، وصقل النتائج المتوسطة التي ينتجها الذكاء الاصطناعي إلى مستوى قابل للتسليم.

العرض النقدي لم يعد هو الإجابة الوحيدة، فالعوامل الزمنية والسمعة أصبحت أكثر ندرة

وفقًا لتقديرات المؤلف، في بيئة ريادة الأعمال بالذكاء الاصطناعي، أصبح الحصول على رأس المال والأدوات أسهل من أي وقت مضى، لكن الوقت عالي الجودة، والعلاقات القوية، والسمعة الموثوقة لا تزال نادرة.

يستخدم تجربته الشخصية لتوضيح هذه النقطة. قبل الانضمام إلى Scale AI، قال إنه حصل على عرض لوظيفة كمي براتب أعلى، لكنه اختار Scale في النهاية لأنه كان هناك مجتمع أقوى، ومجموعة أوسع من المنتجات، وفرص أكثر للتعامل مع المشكلات الرائدة. وفقًا لذكرياته، كان من خلال Scale أنه اتصل بمزودي استنتاج النماذج الكبيرة، وحصل على فرص مع DeepMind وOpenAI، والتقى بمجموعة من الزملاء الذين أسسوا لاحقًا شركاتهم الخاصة.

لا يمكن تبسيط هذه التجارب لتصبح صيغة مهنية للجميع، لكن الرسالة واضحة: يجب ألا تركز اختيارات المهنة المبكرة فقط على النقد الفوري. خاصة بعد أن خفض الذكاء الاصطناعي عتبة بناء البرمجيات، لم يعد من النادر بسرعة إنشاء أداة صغيرة يمكن أن تحقق أرباحًا، وغالبًا ما تأتي العوائد طويلة الأجل من مشكلات أكثر صعوبة، وأشخاص أقوى، وإشارات سيرة ذاتية أكثر موثوقية.

ما يحتاجه الشباب ليس "أي فرصة تعطي المزيد من المال على الفور"، بل يجب أن يسألوا أنفسهم عما إذا كانت هذه الفرصة تستحق استثمار الوقت، وما إذا كان بإمكانهم العمل مع أشخاص متميزين، وما إذا كانت أعمالهم الجيدة ستُرى من قبل أشخاص موثوقين، وما إذا كانت ستصبح أساسًا للفرصة التالية.

قيمة المهندسين تتحول من "حل المشكلات" إلى "تحديد المشكلات"

عندما يتمكن الذكاء الاصطناعي من معالجة المزيد من المشكلات الواضحة، لم تعد قيمة المهندسين تتعلق فقط بـ "هل يمكنهم حلها"، بل بـ "هل يمكنهم اختيار المشكلة الصحيحة".

يشير المؤلف إلى أن فريقهم أعاد تصميم طريقة المقابلة. السبب هو أنه إذا لم يعد من الضروري كتابة كل سطر من الأكواد يدويًا في العمل الحقيقي، فإن مجرد اختبار الأسئلة الخوارزمية وتصميم الأنظمة التقليدية سيقلل من ارتباطها بالأداء الوظيفي. الاختبار الأكثر معنى هو معرفة ما إذا كان المرشح يمكنه فهم البيئة بسرعة، واكتشاف المشكلات التي تستحق الحل، ثم استخدام أدوات الذكاء الاصطناعي والموارد الخارجية لدفع النتائج.

هذه هي أيضًا تقسيم العمل الجديد بعد أن أصبح الذكاء الاصطناعي قادرًا على كتابة الأكواد. النماذج بارعة في معالجة المهام ذات الأهداف الواضحة والتغذية الراجعة الواضحة، بينما يحتاج البشر إلى الحكم على أي المشكلات مهمة، وأي الطرق تستحق التجربة، وكم من الوقت وتكاليف استدعاء النماذج يجب استثمارها.

بالنسبة للطلاب، قد يؤدي قدرة الذكاء الاصطناعي على القيام بالواجبات إلى إحباط. لكن من منظور التوظيف، لم تختفِ الفروق بين المرشحين المختلفين. حتى لو كان بإمكان الجميع الحصول على إجابات باستخدام الذكاء الاصطناعي، يحتاج بعض الأشخاص إلى الكثير من التجربة والخطأ والكلمات المفتاحية، بينما يمكن للآخرين التعاون مع الذكاء الاصطناعي بحدسهم التجاري، وخلفيتهم التقنية، وسياقهم، والعثور على الاتجاه بشكل أسرع.

ما يسمى بـ "استخدام الذكاء الاصطناعي" لا يقتصر فقط على إلقاء المشكلة على النموذج. تشمل القدرات الأقوى تقسيم المشكلات، وتحديد المعلومات المفقودة، وتحديد متى يجب الاستمرار في التكرار، ومتى يجب تغيير المسار، والتحقق مما إذا كانت النتائج قد حلت فعلاً التناقضات الأساسية في الأعمال أو التقنية.

كلما أصبح بناء البرمجيات أسهل، كلما كان من الضروري الاقتراب من المشكلات الأكثر صعوبة

لقد خفض الذكاء الاصطناعي عتبة بناء البرمجيات، وجعل الأنظمة البسيطة أكثر قابلية للتكرار. يستخدم المؤلف "الدروس المريرة" من أبحاث التعلم الآلي لتفسير اختيارات المهنة: على المدى الطويل، غالبًا ما تتفوق الأساليب العامة القابلة للتوسع على التحسينات الدقيقة لمهمة واحدة.

عند تطبيق ذلك على الشركات والمهن الفردية، يعني ذلك أن الحواجز الناتجة عن الإنتاج البسيط ستصبح أضعف. أصبح من الأسهل على أي شخص إنشاء نظام يبدو قابلاً للاستخدام، بينما تتركز القيمة المستدامة الحقيقية في المشكلات التي تكون صعبة بما فيه الكفاية وطموحة بما فيه الكفاية.

عند اختيار الشركات، المعايير التي قدمها المؤلف هي: هل تحل هذه الشركة النسخة الأكثر طموحًا من تلك المشكلة، وهل لديها حقًا فرصة لحلها. عند اختيار الأدوار، يجب النظر في ما إذا كانت هذه الوظيفة ستتيح لك الوصول المباشر إلى المشكلات الرائدة التي تحلها الشركة.

كما أشار، لا ينبغي أن تركز فقط على ما إذا كان المنتج المبكر جميلًا، أو ما إذا كانت العروض التوضيحية مدهشة. وفقًا لتقييمه الشخصي، بدا العرض التوضيحي المبكر لشركة Anthropic في ذلك الوقت مجرد بوت Slack أقل من ChatGPT، لكن ذلك لم يمنع الشركة من اتخاذ مسار مختلف تمامًا لاحقًا. ستتغير الشركات المبكرة، وستتغير المنتجات، لكن جودة الفريق، ومساحة السوق، وصعوبة المشكلة هي التي تؤثر على النتائج على المدى الطويل.

تتبع فرص العمل نفس المنطق. الفرص عالية الجودة لا تتحول دائمًا إلى نتائج، لكن يجب على الشخص أولاً أن يكون في موضع يمكنه رؤية الفرص. يعتمد ما إذا كان بإمكانه الوصول إلى هناك على القدرة والسمعة التي تم بناؤها على المدى الطويل، وما إذا كان الآخرون مستعدين لإخبارك بالفرص.

النتائج العادية أصبحت أرخص، بينما الـ 10% الأخيرة أصبحت أكثر قيمة

عندما يمكن أن يؤدي مجرد كلمة مفتاحية بسيطة إلى إنتاج الذكاء الاصطناعي لنتائج متوسطة الجودة، فإن قيمة الإنتاج العادي ستنخفض، بينما ستزداد قيمة الجزء الأخير من الصقل.

تشير الاقتباسات من ألفريد لين من Sequoia Capital إلى أن الـ 10% الأخيرة غالبًا ما تمثل 90% من العمل، وأيضًا 90% من العائدات. في عصر الذكاء الاصطناعي، تصبح هذه العبارة أكثر واقعية. لأن النتائج التي تبلغ 70 نقطة أصبحت أكثر سهولة في الحصول عليها، ما يميز الأفراد حقًا هو وجهات النظر الفريدة، والانتباه للتفاصيل، وقدرة التكرار، وجودة الهيكل، والقابلية للتوسع، والإبداع.

نادراً ما تكون النسخة الأولى من مخرجات الذكاء الاصطناعي مثالية مباشرة. غالبًا ما تحدث الأعمال الحقيقية في التكرارات اللاحقة: اكتشاف ما هو غير صحيح، وما يحتاج إلى إعادة هيكلة، وما هي التجربة التي لا تزال غير سلسة، وما هي الحالات الحدودية التي لم يتم تغطيتها، ومتى يجب استخدام النموذج التالي للبدء من جديد.

يمكن تطوير هذه القدرات من خلال المشاريع، والتدريب، والعمل الحقيقي. إن قضاء المزيد من الوقت في الصقل، وتنظيف الهيكل، والتفكير في القابلية للتوسع، والانتباه إلى التفاصيل التي تجعل المستخدمين يرغبون في الاستخدام، سيترك أثرًا في الأعمال والمقابلات.

لم تفقد المهارات الهندسية التقليدية فعاليتها. التغيير هو أن ندرة كتابة الأكواد نفسها قد انخفضت، بينما أصبحت القدرة على الحكم، والتقدير، وفهم الأنظمة، وجودة التسليم أكثر تكلفة. يمكن أن يساعد الذكاء الاصطناعي المزيد من الناس في الوصول إلى مستوى متوسط، لكن الفجوة المتبقية تصبح أكثر صعوبة في سدها.

انخفضت عتبة البحث، لكن البحث ليس مجرد لقب

تتوسع المقالة في النهاية إلى "كيفية الدخول في البحث". يعتقد المؤلف أن الذكاء الاصطناعي لم يجعل البحث مقتصرًا على المختبرات الرائدة، بل خفض من عتبة الدخول المبكر.

تعتمد الأبحاث الحديثة بالطبع على القدرة الحاسوبية، لكن نقطة البداية يمكن أن تكون بسيطة جدًا: استخدام النماذج الحالية، وتحويل حدسك إلى تقييمات، والمشاركة في قوائم التحسين العامة، واستخدام المنصات السحابية التي تقدم حصة للطلاب والباحثين، واختبار الأفكار مبكرًا. ستفشل معظم الأفكار في النهاية عند توسيع نطاقها، لكن فهم الفشل هو جزء من بناء الحكم البحثي.

الباحث هو في الأساس طريقة عمل، وليس مجرد وظيفة. غالبًا ما تتضمن الأبحاث في المختبرات الرائدة فضولًا، وتجربة أفكار جديدة، والتكيف مع البنية التحتية، وفهم تفاصيل النظام، والتصحيح السريع، وشرح قيمة النتائج للحصول على المزيد من الموارد. لا يتعين على الكثير من التدريب الانتظار حتى يحصل الشخص على لقب "باحث".

النصيحة المهنية التي تتركها هذه المقالة ليست متشائمة. لقد جعل الذكاء الاصطناعي الإجابات القياسية والأكواد العادية والمهام القابلة للتقييم أرخص، كما أتاح للشباب الوصول إلى المشكلات الحقيقية في وقت مبكر. لا تزال الفرص موجودة، لكن طريقة توزيعها قد تغيرت: من يمكنه العثور على المشكلات المهمة، والدخول في بيئات عالية الجودة، وبناء سمعة موثوقة، ودفع النتائج إلى آخر كيلومتر، سيكون أكثر قدرة على الحصول على الفرصة التالية.