كود C++ المكتوب بالذكاء الاصطناعي يعمل بسخونة أعلى بنسبة 5-8% ومراجعاته أطول. الحل في التلقيمات

تُطلق مساعدات البرمجة بالذكاء الاصطناعي الكود إلى الإنتاج أسرع مما تستطيع الفرق مراجعته، وتضع دراسة جديدة واسعة النطاق أخيرًا رقمًا على تكلفة هذا الكود. على مدار 12 شهرًا، تتبّع الباحثون جودة كود C++ المُولَّد بالذكاء الاصطناعي مقارنةً بكود C++ المكتوب بشريًا داخل مؤسسة كبيرة تُستخدم منتجاتها من قِبل مليارات الأشخاص يوميًا. السجل كثيف: 3.52 مليون تغيير برمجي، وكل سطر قابل للملاحظة في الإنتاج.

تتعارض النتائج مع السردية المبسطة القائلة إن كود الذكاء الاصطناعي إما مكسب إنتاجية صامت أو كارثة أمنية. الواقع أكثر تحديدًا. يُظهر كود C++ المُولَّد بالذكاء الاصطناعي ملفًا مميزًا للجودة، مع معدلات أعلى من أعباء الواجهات والاقتران، ونفقات إضافية للنسخ والتخصيص، وتفضيلًا للحلقات الصريحة على واجهات برمجة التطبيقات القياسية المحسّنة. تترجم هذه العادات إلى زيادة بنسبة 5-8% في استهلاك موارد الحوسبة ودورات مراجعة أطول. لكن الدراسة نفسها تُظهر أن الضرر ليس ثابتًا: التغذية الراجعة الموجَّهة والمستندة إلى التصنيف والمقدمة إلى النماذج خفّضت تحذيرات التحليل الساكن بنسبة 11.1%.

كيف تم قياس 3.52 مليون تغيير

معظم الادعاءات حول جودة كود الذكاء الاصطناعي تأتي من المعايير (benchmarks)، وليس من الإنتاج. هذه الدراسة مختلفة. المؤسسة المعنية تدير منتجات عالمية وبنَت قابلية مراقبة شاملة لكل سطر كود يُنشر إلى الإنتاج، وهو ما حل مشكلة القياس التي عادةً ما تعيق هذا النوع من الأبحاث. على مدار عام كامل، من أبريل 2025 إلى أبريل 2026، تتبّع الباحثون 3.52 مليون تغيير برمجي عبر قاعدة كود C++ القائمة (brownfield) للشركة.

البنية القائمة (brownfield) مهمة هنا. لم يبدأ الكود من الصفر بمساعدة الذكاء الاصطناعي، لذا فإن المقارنة ليست بين مشاريع ذكاء اصطناعي جديدة كليًا (greenfield) وأنظمة قديمة، بل بين تغييرات مكتوبة بالذكاء الاصطناعي وأخرى مكتوبة بشريًا تصل إلى نفس قاعدة الكود الحية. هذا التصميم يعزل مساهمة المؤلف الاصطناعي بشكل أنظف مما يمكن أن يفعله معيار بسيط.

حجم كود الذكاء الاصطناعي المنتشر في الواقع الفعلي يدفع بالفعل إلى تحركات دفاعية في أماكن أخرى من الصناعة. دراسة أُجريت في يوليو 2026 لما يقرب من 9,000 برنامج C++ وجدت أن كود الذكاء الاصطناعي يتسبب في انتهاكات وقت التشغيل بمعدل يقارب ضعف معدل الكود المكتوب بشريًا، حتى عند التحكم في الطول ومعدلات اجتياز الاختبارات. كان رد البائعين هو ربط مراجعة الأمان بجلسة البرمجة نفسها، إما عبر مهندسي أمان مخصصين مدمجين في كل جلسة أو مراجعة كود داخل الجلسة تلتقط الثغرات قبل وصولها إلى المستودع. الاعتراف الصامت المدفون في تلك المنتجات هو أن الحالة الافتراضية لكود الذكاء الاصطناعي هي عدم مراجعته.

ملف الجودة: الاقتران والنسخ والحلقات

تتجمع نتائج التحليل الساكن في الورقة ضمن ثلاث فئات متكررة. الكود المُولَّد بالذكاء الاصطناعي أكثر عرضة لإنشاء أعباء واجهات واقتران، أي تبعيات جديدة ومساحات سطح أوسع بين المكونات. ويميل إلى توليد نفقات نسخ وتخصيص، مكررًا البيانات بدلًا من نقلها. ويفضل الحلقات الصريحة في الحالات التي كانت فيها واجهات برمجة التطبيقات القياسية المحسّنة ستؤدي المهمة نفسها بكود أقل وأداء أفضل.

لا شيء من هذه الأمور يعد انهيارًا. إنها الضريبة البطيئة التي تتراكم في قاعدة الكود: مراجعات أصعب، وتراجع أداء خفي، وديون صيانة تقع على البشر الذين يرثون الكود. وتعكس هذه المقايضة ما تحاول GitHub إصلاحه في جانب Copilot، عبر تعليم النماذج شكل الكود الجيد بدلًا من الكود الصحيح فحسب، وهي نفس الفجوة التي تظهر عندما يُقيَّم كود الذكاء الاصطناعي من حيث جودة التصميم بدلًا من الصحة فقط.

التكلفة الخفية: حوسبة إضافية بنسبة 5-8% ومراجعات أثقل

لقضايا الجودة المجردة تكاليف ملموسة في المراحل اللاحقة. تجد الدراسة زيادة بنسبة 5-8% في استهلاك موارد الحوسبة تُعزى إلى الطريقة التي يكتب بها الذكاء الاصطناعي كود C++. على نطاق منتج عالمي، هذه النسبة ليست في نطاق خطأ التقريب. إنها ضريبة موارد دائمة على كل تغيير بمساعدة الذكاء الاصطناعي، تُدفع في صورة كهرباء وبنية تحتية، وتتفاقم مع نمو حصة الكود المُولَّد بالذكاء الاصطناعي.

يرتفع جهد المراجعة بالتوازي. أعباء الواجهات والاقتران تجعل الفروقات (diffs) أصعب في الاستيعاب، وأنماط النسخ والتخصيص تحجب تدفق البيانات الفعلي. خصائص الصيانة للكود المُولَّد بالذكاء الاصطناعي، كما تصوغها الدراسة، مختلفة بشكل قابل للقياس عن الكود المكتوب بشريًا.

هنا تظهر أهمية النصف الثاني من الدراسة. وجد الباحثون أن تزويد النماذج بتغذية راجعة موجَّهة ومستندة إلى التصنيف يخفف من هذه التأثيرات. خفّض التدخل التحذيرات المستهدفة في التحليل الساكن بنسبة 11.1% وحسّن الكفاءة الحسابية. بعبارات بسيطة: فجوة الجودة ليست خاصية ثابتة لكود الذكاء الاصطناعي، بل هي سلوك قابل للتلقيم والتوجيه. يمكن حماية قاعدة الكود في مرحلة التوليد بدلًا من حمايتها فقط عند بوابة المراجعة.

ما يعنيه ذلك للفرق التي تُطلق كود C++ بمساعدة الذكاء الاصطناعي

ثلاث استنتاجات رئيسية تصمد أمام تحفظات الدراسة. أولًا، يحتاج الكود المُولَّد بالذكاء الاصطناعي إلى عملية مراجعة تبحث عن أنماط الاقتران والتخصيص، وليس فقط عن الأخطاء البرمجية. ثانيًا، التكلفة الحسابية للكود المكتوب بالذكاء الاصطناعي حقيقية بما يكفي لقياسها وإدراجها في الميزانية، خاصة مع تجاوز نسبة الكود الجديد المُولَّد بالذكاء الاصطناعي 40% في بعض المؤسسات الهندسية. ثالثًا، الفرق التي تزوّد النماذج بتغذية راجعة محددة ومستندة إلى التصنيف حول العيوب المهمة لديها يمكنها استعادة حصة ملموسة من الجودة.

لا تذكر الدراسة النماذج المعنية، ولا المؤسسة، ولا التصنيف الدقيق الذي استخدمته، وتتوقف عند أبريل 2026. ضمن هذه الحدود، هي الصورة الأكثر رسوخًا حتى الآن لما يفعله كود C++ بمساعدة الذكاء الاصطناعي فعليًا في الإنتاج: إنها ليست كارثة وليست مجانية. إنه أسلوب برمجي بملف قابل للقياس، ويمكن تغيير ذلك الملف من خلال التلقيم.

الدراسة: «توصيف ملف الجودة لكود C++ المُولَّد بالذكاء الاصطناعي في الإنتاج»، أبريل 2025 - أبريل 2026، متاحة عبر Hugging Face.