دَين الفهم هو ضريبة الذكاء الاصطناعي الحقيقية

قضت مهندسة أولى لدى أحد عملائنا ساعة الشهر الماضي تُصلح انحرافًا دقيقًا بواحد في مسار تسوية مدفوعات كتبته في نوفمبر — 400 سطر، باختبارات ناجحة، في الإنتاج لخمسة أشهر. استغرق الأمر ساعة لأنها لم تعد تتذكر لماذا شُكّلت الدالة بهذا الشكل. كان git blame الخاص بها يبدو كشيفرة شخص غريب. كانت قد كتبتها مع Claude Code في بعد ظهر واحد.

هذا أرخص توضيح ممكن لما قاسته دراسة Anthropic لتكوين المهارات (opens in new tab): 52 مهندسًا يتعلمون مكتبة Trio للتزامن، أكملت المجموعتان المهمة في نفس الوقت تقريبًا، لكن المجموعة المدعومة بالذكاء الاصطناعي سجّلت 50٪ في اختبار الفهم اللاحق مقابل 67٪ للمجموعة الضابطة — فجوة 17 نقطة مئوية، أكبرها في التصحيح (opens in new tab). تدوينتنا السابقة عن انضباط المراجعة ورقم 23.5٪ حوادث لكل PR من Cortex 2026 benchmark (opens in new tab) تُغطّي عبئًا مختلفًا: معدل الحوادث قابل للقياس في الأسبوع الأول؛ دَين الفهم ليس قابلًا للقياس حتى السنة الثانية — حين يغادر شخص، أو يقع حادث الساعة 3:00 صباحًا، أو يسأل مُنظّم عن نظام فرعي لم يكتبه أحد في الفريق الحالي. لعملاء Mittelstand الذين يُشغّلون برمجيات بعمر 10 إلى 20 سنة، هذه الفئة الثانية هي المُكلِفة.

دَين الفهم التزام على البشر، لا على المنتجات

أوضح تأطير هو تأطير Addy Osmani (opens in new tab): دَين الفهم هو "الفجوة المتنامية بين كمية الشيفرة الموجودة في نظامك وكمية ما يفهمه أي إنسان منها فهمًا حقيقيًا". الدَّين التقني يعيش في الشيفرة ويظهر عبر احتكاك يمكنك البحث عنه بـgrep؛ دَين الفهم يعيش في عقول من يُصيّنون الشيفرة ويظهر فقط تحت الضغط — مراجع يُمرّر PR لأن الشيفرة تبدو جيدة، عامل استجابة يقضي أربعين دقيقة الساعة 2:30 يُعيد بناء لماذا تبتلع دالة ValidationError. لا شيء من هذا يظهر في المستودع.

دراسة arXiv "دَين الفهم في مشاريع هندسة البرمجيات المدعومة بالذكاء الاصطناعي التوليدي" (opens in new tab) — 207 طلاب، و621 يوميات تأملية على مدى ثمانية أسابيع — تطرحه بوضوح: دَين الفهم "يقيم في الإدراك الجماعي لفرق التطوير وليس في قاعدة الشيفرة نفسها". لا يمكنك إعادة هيكلته للخروج منه. الشيء الذي تآكل هو النموذج العقلي للفريق، والنماذج العقلية لا تستجيب لـepic في Jira.

أربعة أنماط للتراكم، من الفصل إلى فريقك

أنماط ورقة arXiv رُصدت لدى طلاب جامعيين، لكنها تنطبق بوضوح على الفرق المهنية — وهي أصعب رؤيةً لأن المهندسين الأوائل يملكون الطلاقة لإخفائها.

قبول الصندوق الأسود. مهندس أول يقبل سكريبت migration كتبه Claude لأن الاختبارات تنجح، دون إعادة بناء لماذا يقفل الجداول بالترتيب الذي يفعله. "أفهم" يُعاد تعريفها بهدوء إلى "أستطيع التنبؤ بالمخرج"، وهو معيار أضعف بكثير من "أستطيع التصحيح تحت الضغط".

دَين عدم تطابق السياق. النموذج يكتب شيفرة معقولة تفترض بنية مختلفة وثوابت مختلفة. الشيفرة تعمل؛ لا تتناسب. على مدى شهور تُراكم وحدات مكتوبة ضد نسخة متخيَّلة من نظامك، والفجوة هي حيث تعيش الأخطاء الدقيقة.

ضمور ناتج عن الاعتماد. الاستخدام المستمر للذكاء الاصطناعي يُقلّل بشكل قابل للقياس من جهد الفهم المستقل. في تجربة Anthropic العشوائية المحكمة، سجّل المشاركون الذين استخدموا الذكاء الاصطناعي للاستفسار المفاهيمي فوق 65٪؛ أولئك الذين فوّضوا توليد الشيفرة سجّلوا أقل من 40٪ (opens in new tab). الأداة نفسها، وفجوة بمقدار درجة حرف تقريبًا.

تجاوز التحقق. إن كان المهندس يتعلم المجال عبر النموذج، فهو مُجهَّز بشكل منقوص منهجيًا للتحقق مما أنتجه — الآلية خلف معظم معدل فشل الأمن 45٪ في بيانات Veracode 2025.

النمط المُخفِّف الوحيد في الورقة: الطلاب الذين استخدموا GenAI كسِقالة فهم — يطلبون تفسيرات، ويُعيدون كتابة الشيفرة المولَّدة، ويتحققون مقابل التوثيق — احتفظوا بالفهم. الأداة ليست المشكلة. أسلوب التفاعل هو المشكلة.

لماذا تدفع أنظمة Mittelstand هذه الفاتورة أولاً

الشركات العملاقة تستطيع تحمّل دَين الفهم مقابل قاعدة إيرادات أكبر بكثير. اقتصاديات هندسة Mittelstand معكوسة على كل محور ذي صلة.

أعمار الأنظمة طويلة. بيانات الصناعة حول الأنظمة المؤسسية القديمة (opens in new tab) تضع أعمار تشغيل 20 سنة ضمن المعتاد، مع 41٪ من الشركات الصناعية الألمانية والإيطالية ما زالت تُشغّل ERP مخصصًا بُني قبل 2005 (opens in new tab). الشيفرة التي تشحنها اليوم ستكون لا تزال في الإنتاج عام 2040 — وسياق المؤلف بالفعل أرق بـ17 نقطة مما كان سيكون.

الفرق صغيرة. فريق Mittelstand عادة خمسة إلى خمسة عشر شخصًا. بحث على مشاريع مفتوحة المصدر وجد 16٪ شهدت مغادرة كاملة لمهندسيها الرئيسيين، و41٪ فقط استعادت الزخم بعد ذلك (opens in new tab). يغادر مهندس أول والفجوة هي معرفته زائدًا دَين الفهم الذي راكمه عمله المدعوم بنموذج لغوي على مدى سنتين، ولم يُحمّله أحد آخر في رأسه قط.

معدل الدوران منخفض — جيد عادة، فخ أحيانًا. شركات Mittelstand تُسجّل معدل دوران سنوي بمتوسط 3٪ (opens in new tab). النمط المضاد "سنسأل Jane فقط" يبدو آمنًا — حتى تذهب Jane في إجازة والدية عام 2029 ويفتح بديلها ملفًا من 600 سطر شحنته Jane بـCursor عام 2026، بلا تعليقات وبلا ذاكرة حية لماذا أيّ من الشروط موجود هناك.

عمق QA محدود. قلة من عملاء Mittelstand يملكون الطاقم لانضباطَي اختبار الخصائص والطفرات اللذين نُوصي بهما في تدوينة المراجعة. نمط فشل تجاوز التحقق أكثر احتمالًا للوصول إلى الإنتاج وللبقاء فيه. ملف Mittelstand هو الملف الأكثر تعرّضًا تمامًا: أنظمة طويلة العمر، فرق صغيرة، معدل دوران منخفض يؤخّر الحساب، وQA نحيل. لوحة الإنتاجية ستبدو ممتازة لمدة سنتين. ميزانية الصيانة ستقول لك الحقيقة في السنة الثالثة.

ما غيّرناه في ممارستنا

نحن نشحن شيفرة مدعومة بالذكاء الاصطناعي عبر ZahlFlow وBookMe وCommersio وFlexiLearn وOrdrino وiCAS كل أسبوع. الانضباطات أدناه كلها تؤلم عند التبني.

وقت القراءة مقياس من الدرجة الأولى. نتتبّع ساعات لكل مهندس لكل sprint مُنفَقة في قراءة شيفرة لم يكتبها المهندس في آخر 30 يومًا. الهدف: 15٪ كحد أدنى، نُبلّغ عنه جنبًا إلى جنب مع PRs المدموجة في المراجعات. التغيير الأعلى رافعة في القائمة.

"اشرح الـdiff" كبوابة دمج على PRs التي لمسها الذكاء الاصطناعي. قبل الدمج، يكتب المؤلف جملتين إلى أربع تشرحان ما تغيّر ولماذا، بكلماته. إن لم يستطع، لا يُدمَج الـPR. عدة من مهندسينا تخلّوا بهدوء عن اكتمالات Copilot المضمنة لصالح محادثات Claude Code بعد شهر — الوضع الحواري يُعلّم بينما وضع الاكتمال لا يُعلّم، مطابقًا تجربة Anthropic بالضبط.

مناوبات صيانة متعمَّدة بلا نماذج لغوية. كل مهندس أول يقضي يومًا كل أسبوعين يُصيّن وحدات أقدم بلا مساعدة ذكاء اصطناعي — فقط المحرر، والتوثيق، وgit blame. الممارسة الوحيدة التي وجدناها تستعيد بموثوقية فهم شيفرة شُحنت قبل ستة أشهر.

نوادي قراءة شيفرة على الوحدات المثقلة بالذكاء الاصطناعي. مرة شهريًا، لأي وحدة كُتب فيها أكثر من 40٪ من الأسطر بالذكاء الاصطناعي في الربع الماضي، يقرأ أربعة مهندسين الوحدة معًا لساعة. تُحمَّل الوحدة في أربعة رؤوس إضافية، ودَين الفهم المحيط يظهر حين يسأل أحدهم "لماذا هذا catch block هنا؟" ولا أحد يستطيع الإجابة.

دَين الفهم على الميزانية العمومية الهندسية. تقرير ربع سنوي إلى جانب جرد الدَّين التقني: نسبة الشيفرة المدعومة بالذكاء الاصطناعي، الوحدات بعامل حافلة < 2، متوسط عمر آخر لمسة للمؤلفين على المسارات الحرجة، ومعدل عينة الشرح العكسي. يُخرج بند ميزانية لوقت القراءة والمناوبة والبرمجة الثنائية — أول نموذج لدينا يُظهر الالتزام قبل أن يفعله حادث.

ما جرّبناه وأسقطناه

حظر الذكاء الاصطناعي على الوحدات "المهمة". التفّ المهندسون حول الوسم وتقادمت الوسوم. الحالة الخطرة هي الذكاء الاصطناعي غير المُدقَّق على أي وحدة، لا الذكاء الاصطناعي على الوحدات الحرجة.

إلزام المهندسين بإعادة طباعة شيفرة الذكاء الاصطناعي يدويًا. الناتج كان شيفرة الذكاء الاصطناعي الأصلية مع تأخيرات ضغطات مفاتيح. إعادة الطباعة لا تبني الفهم؛ الشرح يبنيه.

قياس مساعدة الذكاء الاصطناعي مباشرة. تتبّع نسبة الأحرف المقبولة من الذكاء الاصطناعي قابل للتلاعب وصاخب ويشعر كرقابة. نتتبّع الآن مخرجات الفهم — وقت القراءة، جودة الشرح العكسي، وقت الاستجابة للحوادث على شيفرة المهندس نفسه — لا مدخلات الذكاء الاصطناعي.

التظاهر بأن المبتدئين "المولودين في الذكاء الاصطناعي" سيمتصّون الفهم أثناء العمل. لا يفعلون. المبتدئون الذين تعلّموا مع مساعد بجانبهم يملكون حدوس تصحيح أرق. عبء الإرشاد على الأوائل أعلى، لا أقل، في فريق مثقل بالذكاء الاصطناعي. ضعه في الميزانية.

الفاتورة تستحق في السنة الثانية

لوحة إنتاجية الذكاء الاصطناعي ولوحة دَين الفهم تتحركان في اتجاهين متعاكسين خلال الـ12 إلى 18 شهرًا الأولى. الإنتاجية تبدو عظيمة؛ المراجعون يشعرون بالإنتاجية؛ القيادة لديها الأرقام التي وُعدت بها. الفاتورة تستحق في السنة الثانية — يتغير شخص، يتطلب حادث قراءة شيفرة من سنة مضت، يسأل مُنظّم عن خيار معماري لم يصنعه أحد في الفريق الحالي فعلاً لأن نموذجًا لغويًا صنعه. على مقاييس زمن Mittelstand، الإشارة بطيئة.

الإجابة ليست شحن شيفرة مدعومة بالذكاء الاصطناعي أقل؛ تقرير Anthropic 2026 لاتجاهات البرمجة الوكيلية (opens in new tab) يُقدّم حجة الإنتاجية بوضوح، ونحن نصدقها. الإجابة هي أن ميزانية الهندسة تحتاج بندًا جديدًا. كتابة الشيفرة هي الجزء الرخيص الآن. فهمها — على المستوى الذي يمكنك فيه السير عبر أوضاع فشلها في الساعة 3:00 — هو الجزء الغالي. اذهب بأسرع ما تريد في التوليد، وأنفق أرباح الإنتاجية على الفهم. الفرق التي تفعل هذا ستكون لا تزال تشحن بثقة في 2030. الفرق التي تُودع كامل مكاسب الإنتاجية لن تكون.

قراءات إضافية

• Addy Osmani, Comprehension Debt — the hidden cost of AI generated code (opens in new tab)
• Comprehension Debt in GenAI-Assisted Software Engineering Projects (arXiv 2604.13277) (opens in new tab)
• Anthropic, How AI assistance impacts the formation of coding skills (opens in new tab)
• Cortex, Engineering in the Age of AI: 2026 Benchmark Report (opens in new tab)
• Anthropic, 2026 Agentic Coding Trends Report (opens in new tab)
• GitClear, AI Copilot Code Quality: 2025 Research (opens in new tab)