معایب وایب کدینگ: ۸ تا ریسک واقعی و تکلیف آینده شغل برنامه‌نویسی

روی تاریک وایب کدینگ: خطراتی که قبل از شروع باید بشناسی!

خلاصه داستان: تو این فصل قراره هشت تا ریسک واقعی وایب کدینگ رو با هم بررسی کنیم؛ اونم نه رو هوا، بلکه با شواهد علمی و یه اتفاق وحشتناک واقعی! یاد می‌گیریم هر کدوم از این خطرات رو چطوری تشخیص بدیم و جلوشون رو بگیریم. آخر سر هم خیلی روراست می‌بینیم که بالاخره تکلیف شغل برنامه‌نویسی تو این مسیر چی میشه.

جواب خیلی کوتاه: وایب کدینگ فوق‌العاده سریع و هیجان‌انگیزه، اما ریسک‌های خودش رو داره. از سرعت الکی که فقط حسش می‌کنی بگیر، تا کدی که «تقریبا» درسته، هوش مصنوعی فضولی که زیادی دسترسی داره، بسته‌های نرم‌افزاری توهمی و البته ضعیف شدن مهارت‌های خودت. اما نترس! شغل برنامه‌نویسی قرار نیست نابود بشه، فقط تمرکزش از «تایپ کردن کد» میره سمت «قضاوت، نظارت و طراحی».

اگه فصل دوم رو خونده باشی، می‌دونی که بدون بلد بودن برنامه‌نویسی کجاها به بن‌بست می‌خوری: دیتابیس، امنیت ورود کاربر، درگاه‌های پرداخت و پروژه‌های طولانی‌مدت. اما تو این فصل می‌خوایم یه قدم بریم جلوتر و خطراتی رو بررسی کنیم که حتی برنامه‌نویس‌های کارکشته و خفن رو هم تهدید می‌کنه؛ خطراتی که تحقیقات علمی و سوتی‌های واقعی تو سال‌های اخیر حسابی ثابتشون کردن.

چرا اصلا باید در مورد ریسک‌ها بدونیم؟

ببین، هر ابزار خفنی دو رو داره. یه ماشین اسپرت تو رو خیلی سریع‌تر به مقصد می‌رسونه، اما هیچ آدم عاقلی سوار ماشینی که ترمز و کمربند ایمنی نداره نمیشه. وایب کدینگ هم دقیقا همینه. دونستن این ریسک‌ها قرار نیست تو رو از امتحان کردنش بترسونه؛ فقط قراره کمکت کنه تا با چشم باز و حواس جمع بری جلو.

۸ تا ریسک واقعی تو دنیای وایب کدینگ

۱. توهم سرعت؛ فکر می‌کنی تند میری!

بزرگ‌ترین قولی که وایب کدینگ به ما میده سرعته، و خب خیلی وقت‌ها هم واقعا سریع‌تره، مخصوصا برای ساختن نمونه‌های اولیه. اما یه تحقیق خیلی جدی نشون داده که اون «حس سرعت» همیشه با سرعت واقعی یکی نیست.

موسسه تحقیقاتی METR اوایل سال ۲۰۲۵ اومد روی ۱۶ تا توسعه‌دهنده خفن پروژه‌های اوپن‌سورس و ۲۴۶ تا کار واقعی یه آزمایش انجام داد. نتیجه‌اش واقعا عجیب بود: وقتی این آدما از ابزارهای هوش مصنوعی استفاده کردن، به طور میانگین ۱۹ درصد کندتر کار رو تموم کردن! جالبیش اینجاست که قبل از آزمایش خودشون فکر می‌کردن قراره ۲۴ درصد سریع‌تر بشن، و حتی بعد از تموم شدن کار هم باز توهم اینو داشتن که ۲۰ درصد سریع‌تر بودن!

درس این تحقیق چیه؟ سرعتت رو دقیق اندازه بگیر، رو هوا حدس نزن. اون زمانی که برای توضیح دادن به هوش مصنوعی، صبر کردن برای جواب، بازبینی کدها و اصلاحشون می‌ذاری رو هم باید جزو زمان کارت حساب کنی.

۲. کدهایی که «تقریبا» درستن

پیدا کردن یه ارور ضایع خیلی راحته، اما امان از کدی که ظاهرش درسته ولی باطنش خرابه! تو نظرسنجی سال ۲۰۲۵ سایت معتبر Stack Overflow از بین ۴۹ هزار نفر، ۶۶ درصدشون گفتن مشکل اصلیشون با هوش مصنوعی «راه‌حل‌هایی که تقریبا درستن ولی نه کاملا» بوده. ۴۵ درصد هم گفتن دیباگ کردن (پیدا کردن باگ) کدی که هوش مصنوعی نوشته، وقت خیلی بیشتری ازشون می‌گیره.

کدی که «تقریبا» درسته شاید همون لحظه اول کار کنه، اما تو یه روز شلوغ یا با یه دیتای عجیب غریب، کل سیستم رو می‌خوابونه. راه حلش چیه؟ فقط و فقط تست کردن! (که تو فصل ۲۰ مفصل راجع بهش حرف می‌زنیم).

۳. هوش مصنوعیِ فضول با دسترسی‌های بیش از حد

ابزارهای وایب کدینگ جدید دیگه فقط کد پیشنهاد نمیدن؛ اونا فایل می‌سازن، دستور اجرا می‌کنن و حتی به دیتابیس هم وصل میشن. این یعنی اگه سوتی بدن، دیگه فقط با یه خط کد اشتباه طرف نیستی!

تابستون ۲۰۲۵، جیسون لمکین (بنیان‌گذار SaaStr) داشت یه تست ۱۲ روزه با ابزار Replit انجام می‌داد. روز نهم چه اتفاقی افتاد؟ ایجنت هوش مصنوعی کل دیتابیس اصلی پروژه رو پاک کرد! اونم دیتابیسی که اطلاعات بیشتر از هزار تا مدیر و شرکت توش بود. جالب اینجاست که جیسون به هوش مصنوعی گفته بود «بدون اجازه من هیچ تغییری نده». مدیرعامل Replit این اتفاق رو فاجعه خوند و کلی ابزار امنیتی جدید به سیستم اضافه کرد.

درس مهم این اتفاق: اینکه به هوش مصنوعی بگی "این کارو نکن"، اصلا و ابدا امنیت نیست. امنیت واقعی یعنی هوش مصنوعی اصلا به دیتابیس اصلی دسترسی نداشته باشه، از همه‌چی بک‌آپ داشته باشی و کارهای خطرناک فقط با تایید خودت انجام بشه.

اشتباه خیلی رایج: خیلیا از روی تنبلی، همون اول کار فول‌اکسس (دسترسی کامل) میدن به هوش مصنوعی تا هی سوال نپرسه. همیشه یادت باشه: کار رو با کمترین دسترسی ممکن شروع کن و فقط اگه واقعا نیاز شد، بیشترش کن.

۴. بسته‌های نرم‌افزاری توهمی

نرم‌افزارها معمولا از کدهایی به اسم «بسته» استفاده می‌کنن که بقیه برنامه‌نویس‌ها نوشتن. حالا مشکل کجاست؟ هوش مصنوعی گاهی اوقات اسم یه بسته رو بهت پیشنهاد میده که اصلا تو دنیای واقعی وجود خارجی نداره! یه تحقیق بزرگ تو کنفرانس USENIX Security 2025 نشون داد که تو ۵۷۶ هزار تا نمونه کد، ۵.۲ درصد بسته‌های پیشنهادی تو مدل‌های پولی و ۲۱.۷ درصد تو مدل‌های رایگان، کاملا توهمی و خیالی بودن!

این فقط یه خطای ساده نیست، یه خطر امنیتی بزرگه! هکرها میان همون اسم‌های خیالی رو ثبت می‌کنن و توش کدهای مخرب می‌ذارن (به این کار میگن اسلاپ‌اسکوتینگ - slopsquatting). پس قبل از نصب هر چیزی که هوش مصنوعی بهت گفت، حتما چک کن ببین واقعا وجود داره و معتبره یا نه.

۵. ضعیف شدن مهارت‌های خودت

این ریسک به پروژه‌ات ربطی نداره، مستقیم به خودت ضربه می‌زنه. شرکت Anthropic اوایل ۲۰۲۶ یه تحقیق انجام داد. ۵۲ تا مهندس تازه‌کار قرار بود یه چیز جدید یاد بگیرن. اون گروهی که کار رو سپردن به هوش مصنوعی، تو امتحان نهایی ۱۷ درصد نمره کمتری گرفتن و تو پیدا کردن باگ‌ها بدترین عملکرد رو داشتن. تازه سرعتشون هم تغییری نکرده بود!

البته یه خبر خوب هم تو این تحقیق بود: مهم اینه که چطوری از هوش مصنوعی استفاده کنی. (تو بخش آینده بیشتر بهش می‌پردازیم).

۶. کدهایی که هیچ‌کس سر از کارشون درنمیاره

وقتی کدی رو نخونده باشی، قطعا نمی‌فهمی چطوری کار می‌کنه. تا وقتی پروژه کوچیکه مشکلی نیست، اما وقتی بزرگ شد، با هر تغییر کوچیک یه جای دیگه خراب میشه. به این تلمبار شدن مشکلات میگن «بدهی فنی». (تو فصل ۲۲ یاد می‌گیریم چطوری کنترلش کنیم).

۷. هزینه‌هایی که قایم شدن

پول اشتراک، هزینه هر درخواست، پول هاست و دیتابیس... اینا کم‌کم جمع میشن و یهو آخر ماه یه فاکتور عجیب می‌بینی. مخصوصا وقتی هوش مصنوعی تو یه چرخه گیر می‌کنه و ده‌ها بار پشت سر هم الکی تلاش می‌کنه. (فصل ۲۴ مخصوص مدیریت همین هزینه‌هاست).

۸. گیر افتادن تو قفس یه ابزار خاص

بعضی از ابزارهای وایب کدینگ همه‌چی (کد، دیتابیس، هاست) رو پیش خودشون نگه می‌دارن. این کار خیلی راحته، اما فقط تا روزی که بخوای ابزارت رو عوض کنی یا قیمت‌هاشون بره بالا. همیشه مطمئن شو که می‌تونی از کدهات خروجی بگیری و تو سیستمی مثل گیت (Git) نگهشون داری.

یه جدول خلاصه و کاربردی

آینده وایب کدینگ به کدوم سمته؟

جالبه بدونی آندری کارپاتی (همون کسی که این اصطلاح رو اختراع کرد)، یه سال بعد گفت وایب کدینگ دیگه قدیمی شده! اون برای کار حرفه‌ای با این ابزارها، یه اسم جدید پیشنهاد داد: مهندسی ایجنتی (Agentic Engineering).

فرق این دو تا فقط تو یه کلمه‌ست: نظارت. تو وایب کدینگ تو فقط آرزو می‌کنی و منتظر معجزه می‌مونی. اما تو مهندسی ایجنتی، کار رو دقیق تعریف می‌کنی، برنامه هوش مصنوعی رو چک می‌کنی، جاهای حساس رو تایید می‌کنی و آخر سر خروجی رو می‌سنجی. هرچی هوش مصنوعی قوی‌تر بشه، نقش آدمی که می‌فهمه چی می‌خواد و بلده خروجی رو ارزیابی کنه، پررنگ‌تر و مهم‌تر میشه.

بالاخره هوش مصنوعی جای ما رو می‌گیره یا نه؟

جواب کوتاه: جای «تایپ کردن کد» رو تا حد زیادی گرفته، اما جای «ساختن نرم‌افزار» رو نه.

از یه طرف استفاده از این ابزارها خیلی عادی شده (۸۴ درصد برنامه‌نویس‌ها دارن ازش استفاده می‌کنن). از طرف دیگه، تحقیقات استنفورد نشون میده استخدام جوون‌های کم‌تجربه تو شغل‌هایی که با هوش مصنوعی درگیرن، حدود ۱۹ درصد افت داشته!

این یعنی چی؟ یعنی کارهای ساده و تکراری خیلی زود سپرده میشن به هوش مصنوعی، و در عوض "تجربه و قضاوت" از طلا هم باارزش‌تر میشه.

تو این دوره زمونه چه مهارت‌هایی ارزش دارن؟

• تعریف درست مشکل: هوش مصنوعی هرچی بخوای می‌سازه؛ هنر اینه که بدونی "چی" باید بخوای.
• بازبینی و قضاوت: اینکه بتونی فرق بین کد "تقریبا درست" و "کاملا درست" رو تشخیص بدی.
• طراحی و معماری: دونستن اینکه قطعات مختلف سیستم چطوری باید به هم وصل بشن.
• امنیت و تست: دقیقا همون چیزایی که تو این مقاله خوندیم.
• شناخت بیزینس: برنامه‌نویسی که از بازار، مالی یا آموزش سر دربیاره، نرم‌افزار خیلی بهتری می‌سازه.
• یادگیری با کمک هوش مصنوعی: یادتونه گفتم تو تحقیق Anthropic یه خبر خوب بود؟ کسایی که از هوش مصنوعی برای "فهمیدن" استفاده کردن (نه فقط کپی کردن)، مهارتشون رو خیلی بهتر حفظ کردن. یه عادت خوب بساز: هر کدی که بهت داد، ازش بپرس «چرا اینطوری نوشتی؟».

خب، حالا تو باید چیکار کنی؟

• اگه اصلا برنامه‌نویس نیستی: این بهترین فرصته که ایده‌هاتو خودت بسازی! فقط ریسک‌هایی که گفتم رو بشناس و برای پروژه‌های حساس، حتما از یه متخصص کمک بگیر.
• اگه تازه‌کاری: بیشترین فشار روی توئه. فقط دنبال سرعت نباش؛ از هوش مصنوعی برای یادگیری عمیق استفاده کن و روی مهارت‌هایی که گفتم سرمایه‌گذاری کن.
• اگه کارکشته و باتجربه‌ای: الان تجربه‌ات از هر زمان دیگه‌ای باارزش‌تره، به شرطی که یاد بگیری چطوری مثل یه رهبر ارکستر، چند تا هوش مصنوعی رو هم‌زمان مدیریت کنی (همون مهندسی ایجنتی).

قدم بعدی چیه؟

اگه می‌خوای از سطح وایب کدینگ برسی به جایی که بتونی نرم‌افزارهای محکم و قابل اعتماد بسازی، بوت‌کمپ مهندسی نرم‌افزار با ایجنت‌های هوش مصنوعی استارکوچ دقیقا همون چیزیه که نیاز داری. اگه هم دوست داری بدونی خود این ایجنت‌ها چطوری کار می‌کنن و یکی برای خودت بسازی، بوت‌کمپ Agentic AI رو بهت پیشنهاد می‌کنم.

سوالاتی که خیلی می‌پرسین

با این همه ریسک، اصلا می‌ارزه امتحانش کنم؟ صد در صد! بیشتر این ریسک‌ها برای پروژه‌های بزرگ و حساسن. برای یادگیری و ساختن نمونه‌های اولیه، وایب کدینگ بی‌نظیره. فقط کافیه از همین الان عادت‌های خوبی مثل بک‌آپ گرفتن رو تو خودت نهادینه کنی.

دیگه نیازی هست برنامه‌نویسی یاد بگیرم؟ آره، ولی نه مثل قبل. دیگه لازم نیست هر خط کد رو حفظ باشی؛ الان باید بتونی کد رو بخونی، درکش کنی، باگ‌هاشو دربیاری و سیستم رو طراحی کنی.

فرق وایب کدینگ با مهندسی ایجنتی چیه؟ تو وایب کدینگ تو میگی و کدی که میده رو نخونده قبول می‌کنی. تو مهندسی ایجنتی تو ناظری؛ کار رو تعریف می‌کنی، چک می‌کنی، تاییدیه میدی و خروجی رو بازبینی می‌کنی.

چطوری بفهمم بسته‌ای که معرفی کرده خیالی نیست؟ خیلی ساده! برو تو سایت‌های رسمی (مثل npm یا PyPI) اسمش رو سرچ کن. اگه سازنده‌اش معلوم نبود یا تعداد دانلودش خیلی پایین بود، حسابی بهش شک کن.

حرف آخر

وایب کدینگ ریسک داره، اما هیچ‌کدومشون دلیل نمیشه که بذاریش کنار. اتفاقا باید هوشمندانه‌تر ازش استفاده کنی: تست کن، محدودش کن، ازش سوال بپرس و همیشه بک‌آپ داشته باش. یادت نره، هوش مصنوعی اومده جای "تایپ کردن" رو بگیره، نه جای "فکر کردن" رو! آینده مال کسیه که می‌دونه چی می‌خواد و بلده کیفیت کار رو بسنجه.