بدهیهای فنی و کدهای قدیمی (Legacy Code) همواره یکی از بزرگترین کابوسهای تیمهای مهندسی نرمافزار بودهاند. بازنویسی و ارتقای این سیستمها معمولاً به سالها زمان، هزینههای نجومی و تخصیص منابع انسانی گسترده نیاز دارد. با این حال، پیشرفتهای اخیر در حوزه هوش مصنوعی، قواعد بازی را به طور کامل تغییر داده است. در یک دستاورد بیسابقه، شرکت «آسانا» (Asana) موفق شد با استفاده از ابزار OpenAI Codex، پروژهای را که تخمین زده میشد پنج سال به طول بینجامد، تنها در عرض دو هفته و با کسری از هزینههای پیشبینیشده به اتمام برساند. این اتفاق نه تنها یک موفقیت سازمانی برای آسانا محسوب میشود، بلکه نقطه عطفی در نحوه تعامل انسان و هوش مصنوعی در توسعه نرمافزار است.
تحولی عظیم در توسعه نرمافزار: رویارویی با بدهیهای فنی
شرکت آسانا به عنوان یکی از پلتفرمهای پیشرو در مدیریت کار و هماهنگی تیمی شناخته میشود. این شرکت همواره تلاش کرده است تا با استفاده از اتوماسیونها و ایجنتهای هوشمند، بهرهوری مشتریان خود را افزایش دهد. اما نکته جالب توجه این است که آسانا همین رویکرد را در ساختار مهندسی داخلی خود نیز پیادهسازی کرده است. مهندسان این شرکت با بهرهگیری از مدلهای پیشرفته هوش مصنوعی، توانستهاند بر یکی از زمانبرترین چالشهای برنامهنویسی، یعنی تغییرات گسترده در پایگاه کد (Codebase)، غلبه کنند.
در پروژههای بزرگ نرمافزاری، مهاجرت از یک تکنولوژی قدیمی به یک تکنولوژی جدید، فرآیندی به شدت خستهکننده و مستعد خطا است. این نوع کارها معمولاً نیازمند تغییرات تکراری در هزاران فایل مختلف هستند که انگیزه و انرژی تیم مهندسی را کاهش میدهند. اما آسانا نشان داد که با واگذاری این وظایف به هوش مصنوعی، میتوان زمان را به طرز چشمگیری ذخیره کرد.
چالش اصلی: سیستم تست قدیمی Enzyme
هسته اصلی این پروژه، حذف و جایگزینی یک سیستم تست قدیمی به نام Enzyme بود. این ابزار که در گذشته برای تست کامپوننتهای فرانتاند استفاده میشد، دیگر بهروزرسانی نمیشد و به یک مانع بزرگ برای مدرنسازی ساختار فرانتاند آسانا تبدیل شده بود. وجود کدهای وابسته به Enzyme باعث میشد تا ارتقای سایر بخشهای سیستم با کندی و اختلال مواجه شود.
بر اساس برآوردهای اولیه تیم مهندسی آسانا، حذف کامل این سیستم و بازنویسی تستها با ابزارهای مدرن، نیازمند حداقل پنج سال کار مداوم مهندسی بود. این زمان طولانی به معنای درگیر شدن بخش بزرگی از تیم توسعه و صرف هزینهای بالغ بر ۶ میلیون دلار بود؛ سرمایهگذاری عظیمی که میتوانست صرف توسعه ویژگیهای جدید برای کاربران شود.
ورود OpenAI Codex به میدان: راهکار مبتنی بر ایجنتهای هوشمند
به جای اتکا به روشهای سنتی، آسانا تصمیم گرفت از مدلهای مرزی (Frontier Models) و ابزار OpenAI Codex استفاده کند. رویکرد آنها استفاده از ایجنتهای برنامهنویسی مستقلی بود که میتوانستند به صورت موازی روی بخشهای مختلف کد کار کنند. فرآیند اجرای این پروژه شامل نکات فنی و مدیریتی بسیار جالبی بود:
- دستورات ساده اما دقیق: برخلاف تصور رایج که برای کارهای پیچیده نیاز به پرامپتهای (Prompts) بسیار طولانی است، مهندسان آسانا دریافتند که دستورالعملهای سادهتر عملکرد بهتری دارند. کل این عملیات عظیم تنها با یک پرامپت پنج جملهای آغاز شد.
- پردازش موازی: تا چهار ایجنت برنامهنویسی به صورت همزمان وارد عمل شدند. هر کدام از این ایجنتها روی یک نسخه کپی شده و مجزا از پایگاه کد کار میکردند تا تداخلی در عملکرد یکدیگر ایجاد نکنند.
- نظارت مستمر انسانی: هوش مصنوعی به هیچ وجه به حال خود رها نشد. یک مهندس ارشد روزی دو بار روند پیشرفت ایجنتها را بررسی میکرد و تکتک تغییرات پیشنهادی (Pull Requests) پیش از ادغام در سیستم اصلی، توسط انسان بازبینی و تایید میشد.
مقایسه شگفتانگیز: هوش مصنوعی در برابر روشهای سنتی
نتایج به دست آمده از این پروژه فراتر از حد انتظار بود. در حالی که پیشبینی میشد این کار سالها زمان ببرد، کل فرآیند تنها در یک بازه زمانی دو هفتهای تقویمی (معادل ۱.۵ هفته کار مهندسی) به پایان رسید. جدول زیر تفاوتهای چشمگیر این دو رویکرد را نشان میدهد:
| شاخصهای ارزیابی | روش سنتی (تخمین اولیه) | استفاده از OpenAI Codex (نتیجه واقعی) |
|---|---|---|
| زمان مورد نیاز | حداقل ۵ سال | حدود ۲ هفته |
| هزینه برآوردی | تقریباً ۶ میلیون دلار | حدود ۱۲ هزار دلار (هزینه زیرساخت و مدل) |
| تمرکز نیروی انسانی | درگیری کامل تیم برای کارهای تکراری | نظارت، بازبینی و تمرکز بر معماری |
تغییر پارادایم: انسان در حلقه (Human-in-the-Loop)
موفقیت این پروژه به معنای حذف برنامهنویسان نیست، بلکه نشاندهنده تغییر نقش آنهاست. آمریتانش راگاو (Amritansh Raghav)، مدیر ارشد فناوری آسانا، در این باره میگوید:
«قرار نیست هر پروژه چند سالهای به چند هفته کاهش یابد. اما ایجنتهای هوشمند میتوانند فضای بیشتری برای هنرِ مهندسی فراهم کنند و کارهایی را که پیش از این غیرممکن یا غیرمنطقی به نظر میرسیدند، به پروژههایی باارزش برای اجرا تبدیل کنند.»
این دیدگاه به خوبی نشان میدهد که هوش مصنوعی نقش یک «توسعهدهنده همکار» را ایفا میکند. ایجنتها کارهای سنگین، تکراری و خستهکننده (Grunt Work) را انجام میدهند و مهندسان انسانی نقش معمار، ناظر کیفی و تصمیمگیرنده نهایی را بر عهده میگیرند. این همافزایی باعث میشود کیفیت نهایی نرمافزار به شدت افزایش یابد.
چشمانداز آینده: بازتعریف پروژههای غیرممکن
تجربه موفقیتآمیز حذف Enzyme، دیدگاه مدیران آسانا را نسبت به پروژههای طولانیمدت نرمافزاری به کلی تغییر داده است. با تکمیل این مهاجرت، این شرکت اکنون قصد دارد ایجنتهای هوش مصنوعی را برای سایر چالشهای بزرگ خود از جمله بازنویسی کدهای قدیمی، رفع مشکلات پیچیده عملکردی (Performance Issues) و مهاجرتهای ساختاری دیگر آزمایش کند.
در گذشته، بسیاری از شرکتهای فناوری به دلیل هزینههای سرسامآور و کمبود زمان، از بهینهسازی سیستمهای پایهای خود صرفنظر میکردند. اما امروز، ابزارهایی مانند OpenAI Codex این امکان را فراهم کردهاند که سازمانها با چابکی بیشتری به سمت مدرنسازی حرکت کنند. این رویداد ثابت میکند که ما در آستانه عصر جدیدی از کار و توسعه نرمافزار قرار داریم؛ عصری که در آن، سرعت نوآوری دیگر توسط محدودیتهای انسانی در تایپ کردن کدها محدود نمیشود، بلکه تنها به قدرت تخیل و معماری ذهن مهندسان بستگی دارد.
جمعبندی
دستاورد شرکت آسانا در فشردهسازی یک پروژه پنج ساله به دو هفته، تنها یک رکوردشکنی شرکتی نیست؛ بلکه اثباتی بر بلوغ هوش مصنوعی در درک و مدیریت پایگاههای کد پیچیده است. با کاهش هزینهها از ۶ میلیون دلار به ۱۲ هزار دلار، OpenAI Codex نشان داد که میتواند اقتصادِ توسعه نرمافزار را دگرگون کند. در این مسیر، مهندسان نرمافزار جایگاه خود را از دست نمیدهند، بلکه از کدنویسانِ کارهای تکراری، به ناظران و معماران سیستمهای هوشمند ارتقا مییابند. این تحول به تیمهای فناوری اجازه میدهد تا زمان خود را صرف نوآوری، خلاقیت و حل مشکلات واقعی کاربران کنند.
سؤالات متداول
پروژه آسانا با استفاده از هوش مصنوعی دقیقاً چه بود؟
شرکت آسانا توانست با استفاده از ایجنتهای هوش مصنوعی OpenAI Codex، سیستم تست قدیمی و منسوخشدهی Enzyme را به طور کامل از پایگاه کد خود حذف و جایگزین کند؛ کاری که در حالت عادی به ۵ سال زمان نیاز داشت.
تفاوت هزینه انجام این پروژه با هوش مصنوعی و روش سنتی چقدر بود؟
تخمین زده میشد که انجام این پروژه با نیروی انسانی سنتی حدود ۶ میلیون دلار هزینه داشته باشد، اما استفاده از مدلهای هوش مصنوعی و زیرساختهای آن تنها حدود ۱۲ هزار دلار هزینه در بر داشت.
آیا هوش مصنوعی به تنهایی کدها را تغییر داد و تایید کرد؟
خیر. ایجنتهای هوش مصنوعی کدها را تولید و تغییرات را پیشنهاد میدادند، اما یک مهندس ارشد روزی دو بار روند کار را بررسی میکرد و تمامی تغییرات نهایی پیش از ادغام در سیستم، توسط انسان بازبینی و تایید میشد.
OpenAI Codex چیست؟
یک مدل پیشرفته هوش مصنوعی توسعهیافته توسط OpenAI است که زبان طبیعی را به کدهای برنامهنویسی تبدیل میکند و میتواند به عنوان یک دستیار قدرتمند یا ایجنت مستقل برای توسعهدهندگان نرمافزار عمل کند.
