فراتر از کوپایلوت: مقیاسپذیری چرخه توسعه محصول عاملمحور؛ خلاصهای از گزارش مککینزی (آگوست ۲۰۲۶)
سه شنبه ۱۷ شهریور ۱۴۰۵
امیر مهدی خسروانی
چرا این موضوع مهم است؟
هوش مصنوعی وارد فرآیند توسعه نرمافزار شده، اما نتایج آن بهشدت نامتوازن است. طبق نظرسنجی مککینزی از ۳۳۴ مدیر محصول و مهندسی، تنها ۲۵ درصد از پاسخدهندگان در سطح مدیریتی گزارش دادهاند که بخش قابلتوجهی از تیمهایشان (بیش از یکچهارم) به بهرهوری دوبرابر یا بیشتر رسیدهاند. نگرانکنندهتر اینکه ۳۰ درصد گفتهاند بهرهوری تیمشان اصلاً افت کرده است.
نکته کلیدی گزارش این است: فناوری عامل تمایز نیست. آنچه سازمانهای پیشرو را از بقیه جدا میکند، نحوه بازطراحی کامل جریان کار، نقشها، سیستمهای کنترلی و مدیریت تغییر است، نه صرفاً نصب ابزارهای هوش مصنوعی.
چهار وجه مشترک سازمانهای پیشرو
۱. بازطراحی فرآیندها از ابتدا تا انتها
سازمانهایی که پیش از پیادهسازی هوش مصنوعی، فرآیندهایشان را بازطراحی کردهاند، بیش از دو برابر بیشتر از کسانی که فقط هوش مصنوعی را روی روالهای قدیمی سوار کردهاند، به بهبود بهرهوری بالای ۲۰ درصد رسیدهاند. نمونهای که در گزارش آمده، شرکت Sonar است که با جاسازی عاملهای هوش مصنوعی در تمام مراحل (از تحقیق تا رفع باگ)، زمان چرخه pull request را ۳.۴ برابر کاهش داد.
۲. بازتعریف نقشها حول قضاوت انسانی
صرفاً وارد کردن ابزار هوش مصنوعی بدون تغییر نقشها کافی نیست. طبق دادهها، سازمانهایی که هم هوش مصنوعی را جا انداختند و هم نقشها را بازطراحی کردند («ترنسفورمرها»)، در ۴۰ درصد موارد به سطح بالای شتاب بهرهوری رسیدند؛ در حالی که سازمانهایی که فقط ابزار را اضافه کردند («اداپترها»)، تنها ۲۷ درصد موفق بودند. تیمها کوچکتر میشوند (میانه از ۱۰ نفر به ۷ نفر) و مرزهای نقشها (محصول، طراحی، مهندسی، تست) در حال ادغاماند.
۳. ساخت سیستمهای راستیآزمایی و کنترل همگام با سرعت جدید
سرعت تولید سریعتر از بهبود کیفیت پیش میرود. میانگین صرفهجویی در زمان ۱۱.۸ درصد است اما کاهش دوبارهکاری فقط ۶.۲ درصد. این شکاف میتواند بدهی فنی را سریعتر از توان تیم برای رفع آن انباشته کند. راهحل: طراحی راستیآزمایی درون خود جریان کار (تست و اسکن خودکار توسط عاملها) و ایجاد یک لایه مشترک «AI Ops» برای کنترل هویت، مجوزها، مسیریابی و هزینه.
۴. سرمایهگذاری جدی در مدیریت تغییر
آموزش حضوری و مربیگری تعبیهشده در تیمها، حدود ۳۰ درصد در سازمانهای پیشرو رایجتر است. همچنین معیارهای سنجش باید از «میزان استفاده از ابزار» به «نتایج واقعی» (کیفیت، سرعت، هزینه، رضایت مشتری) تغییر کند. ۸۶ درصد سازمانهای پیشرو معیارهای نتیجهمحور را رصد میکنند.
عدد و رقم قابل توجه
با فرض هزینه متوسط هر مهندس نرمافزار حدود ۸۵ هزار دلار در سال و حدود ۳۰ میلیون مهندس در سطح جهان، اگر همه به سطح ۲۰ درصد برتر (که رشد بهرهوری ۵۵ درصدی دارند) برسند، ارزش جدیدی نزدیک به ۸۰۰ میلیارد دلار ایجاد میشود.
پنج گام پیشنهادی برای رهبران سازمان
1.روی جریانهای کاری با بالاترین ارزش تمرکز کنید و آنها را از صفر بازطراحی کنید.
2.نقشها را هم برای انسان و هم برای عاملها بازطراحی کنید.
3.استاندارد نوشتن نیازمندیها را بالا ببرید — باید بهقدری دقیق باشد که هم عامل، هم مهندس، هم تست و هم بازبین بتوانند بدون گفتوگوی اضافی از آن استفاده کنند.
4.لایه مشترک راستیآزمایی و AI Ops بسازید.
5.پذیرش را بهعنوان یک برنامه تغییر واقعی اجرا کنید، نه یک دوره آموزشی یکباره.
جمعبندی
هوش مصنوعی میتواند فاصله میان سیگنال مشتری تا تصمیم محصول، و از نیازمندی تا کد را بهشدت کوتاه کند. اما سازمانهایی که فقط ابزار جدید را روی روال قدیمی سوار میکنند، به این ارزش دست نمییابند. برندگان واقعی، کل سیستم توسعه محصول را حول هوش مصنوعی بازطراحی میکنند.
منبع:
Charlotte Relyea, Gautam Lunawat, Janaki Palaniappan, Martin Harrysson, Matt Linderman, Prakhar Dixit — "Beyond the copilot: Scaling the agentic product development life cycle", McKinsey & Company, August 2026