هوش مصنوعی کد مینویسد؛ آیا مهارت رفع خطا را هم یاد میگیریم؟

اگر هوش مصنوعی تمرین شما را تمام کند، هنوز معلوم نیست خودتان هم مهارت انجام آن را یاد گرفتهاید. این فاصله برای کسی که برنامهنویسی میآموزد، سفارش فریلنسری میگیرد یا ابزار محاسبه هزینه میسازد، مهم است: روزی که خروجی اشتباه باشد، باید بتواند خطا را پیدا کند، نه اینکه فقط دوباره درخواست تولید پاسخ بدهد.
پژوهش آنتروپیک درباره یادگیری یک مهارت تازه، همین تناقض را بررسی کرده است. نتیجه به معنی «ممنوعکردن AI در آموزش» نیست؛ پرسش دقیقتر این است که کدام قسمت کار را میتوان واگذار کرد، بدون آنکه فرصت فهمیدن مسئله هم واگذار شود.
فهرست مطالب
وقتی تمرین تمام شد، آزمون چه چیزی نشان داد؟
آنتروپیک در گزارش ۲۹ ژانویه ۲۰۲۶ یک آزمایش تصادفی با ۵۲ برنامهنویس، عمدتاً کمتجربه را شرح داد. شرکتکنندگان پایتون میدانستند، اما با کتابخانه Trio آشنا نبودند. یک گروه هنگام انجام تمرین به دستیار چتی AI دسترسی داشت و گروه دیگر بدون آن کار میکرد.
طبق متن گزارش، میانگین نمره آزمونی که بلافاصله پس از تمرین برگزار شد، در گروه دارای AI ۵۰ درصد و در گروه دیگر ۶۷ درصد بود. اختلاف نمره معنادار گزارش شد؛ در مقابل، حدود دو دقیقه کوتاهترشدن زمان انجام کار در گروه AI از نظر آماری معنادار نبود. بیشترین فاصله نمره به پرسشهای تشخیص خطا مربوط میشد.
این گزارش در ژانویه منتشر شده است، نه امروز. مقاله اصلی پژوهش نیز برای بررسی روش و محدودیتها در دسترس است. نتیجه آزمایش را نباید به همه کاربران، همه مهارتها یا عملکرد نسخههای فعلی ابزارها تعمیم داد.

آیا این یعنی هوش مصنوعی مهارت ما را از بین میبرد؟
چنین نتیجهای از این آزمایش به دست نمیآید. موضوع، یادگیری مهارت جدید بود؛ نه اندازهگیری فراموششدن مهارتی که فرد از قبل داشت. آزمون هم بلافاصله برگزار شد، نه چند ماه بعد. نمونه کوچک و محیط محدود آزمایش برای حکم درباره آینده شغلی، درآمد یا توانایی ذهنی همه افراد کافی نیست.
پژوهشگران در بررسی کیفی تعاملها دیدند کسانی که سؤال مفهومی میپرسیدند یا برای فهمیدن خروجی توضیح میخواستند، معمولاً نمره بهتری داشتند. بااینحال، افراد به این الگوهای استفاده بهصورت تصادفی تقسیم نشده بودند؛ بنابراین نمیتوان گفت یک نوع پرامپت مشخص، بهتنهایی علت یادگیری بهتر بوده است.
برای خواننده ایرانی، پیامد ملموس در انتخاب روش آموزش است: اگر بابت دوره یا ابزار هزینه میکنید، تحویل سریع تکلیف را تنها معیار پیشرفت نگذارید. توانایی توضیحدادن راهحل و حل یک مسئله مشابه بدون دستیار، اطلاعات متفاوتی به شما میدهد. این پیشنهاد ارزیابی شخصی است، نه وعده افزایش درآمد.
پس تواناییهای واقعی AI چه میشود؟
ساختن خروجی مفید و یادگرفتنِ ساخت آن، دو نتیجه متفاوتاند. ممکن است یک ابزار برای انجام کاری که قواعدش را میدانید مفید باشد، اما همان شیوه استفاده برای یادگیری قواعد تازه مناسب نباشد.
آنتروپیک در پژوهش ۱۶ ژوئن ۲۰۲۶ درباره Claude Code حدود ۴۰۰ هزار جلسه مربوط به اکتبر ۲۰۲۵ تا آوریل ۲۰۲۶ را بررسی کرد. در این دادهها، شناخت بیشترِ حوزه مسئله با موفقیت بیشتر جلسه همراه بود؛ حتی تخصص مرتبط با کار، لزوماً همان عنوان شغلی برنامهنویس نبود.
این گزارش مشاهدهای است. برآورد موفقیت بر نشانههای موجود در گفتوگو، مانند آزمونهای گذراندهشده یا ثبت تغییرات، تکیه دارد؛ درآمد واقعی یا دوام کیفیت محصول را اندازه نمیگیرد و رابطه علّی را ثابت نمیکند. هر دو پژوهش نیز از سوی سازنده Claude منتشر شدهاند؛ گزارش ژوئن را نباید تأیید مستقلِ مطالعه ژانویه دانست.
برای کاربری که ابزار مالی میسازد، برداشت عملی این است: لازم نیست تمام جزئیات فنی را از حفظ باشد، اما باید بداند خروجی درست چه ویژگیهایی دارد. مدل ممکن است کد محاسبه را بنویسد؛ تعریف اینکه چه چیزی «هزینه» محسوب میشود، همچنان به فهم مسئله نیاز دارد.
مثال آموزشی: فایل کار میکند، اما آیا منطق آن را میدانید؟
فرض کنید میخواهید یک فایل ساده برای محاسبه مبلغ سفارش بسازید. این مثال فرضی آموزشی است و نتیجه آزمایش زد ارز یا نرخ واقعی بازار نیست: قیمت کالا یک میلیون تومان، تخفیف ده درصد و هزینه ارسال ثابت ۵۰ هزار تومان است. قرارداد مثال میگوید تخفیف فقط روی کالا اعمال میشود.
پاسخ درست تحت این فرضها ۹۵۰ هزار تومان است. اگر کد ابتدا هزینه ارسال را اضافه و سپس کل مبلغ را ده درصد کم کند، خروجی ۹۴۵ هزار تومان میشود. هر دو برنامه ممکن است بدون خطای اجرایی باز شوند؛ ولی یکی با تعریف مسئله سازگار نیست.
در حالت واگذاری کامل، کاربر فقط از AI میخواهد فایل را اصلاح کند. در حالت یادگیری، ابتدا توضیح میدهد چرا تخفیف نباید به ارسال برسد، سپس یک نمونه بدون تخفیف و یک نمونه با ارسال رایگان را خودش حل میکند. هدف، حفظکردن عدد نیست؛ فهمیدن قاعدهای است که با عوضشدن ورودیها همچنان باید برقرار بماند.

حالت یادگیری ابزارها راهحل قطعی است؟
طبق مستندات فعلی Claude Code، حالت Learning توضیح میدهد و بخشهایی از کد را برای نوشتن توسط خود کاربر باقی میگذارد؛ حالت Explanatory نیز درباره انتخابهای انجامشده توضیح اضافه میکند. این قابلیتها میتوانند شکل تعامل را تغییر دهند، اما نام «یادگیری» بهتنهایی تضمین نمیکند که مهارت ماندگار شکل گرفته است.
برای تمرین، میتوانید درخواست کنید: «جواب کامل را فعلاً ننویس. اول از من بپرس قاعده مسئله چیست؛ بعد فقط یک راهنمایی بده. پس از پاسخ من، یک حالت مرزی مطرح کن و در پایان بخواه راهحل را بدون کمک توضیح بدهم.» این الگو پیشنهاد تحریریه برای حفظ مشارکت فعال است، نه روشی با اثر آماری اثباتشده در این مقاله.
اگر هدفتان انتخاب ابزار برای کار مالی است، راهنمای انتخاب هوش مصنوعی برای تحلیل و مدیریت ریسک به تفاوت کاربردها میپردازد. برای سنجش هزینه انجام کار نیز هزینه زمان بازبینی خروجی AI مسئله جداگانهای است؛ معیار یادگیری، چیزی است که بعد از بستن دستیار میتوانید انجام دهید.
پیش از سپردن کار واقعی، سه سؤال بپرسید
- میتوانم منطق راهحل را توضیح دهم؟ اگر فقط متن مدل را تکرار میکنید، یک مثال متفاوت حل کنید.
- میدانم خروجی در چه حالتی غلط میشود؟ ورودی خالی، عدد صفر یا استثنای قرارداد را متناسب با مسئله امتحان کنید.
- بدون دستیار، میتوانم خطای ساده را پیدا کنم؟ برای تمرین از نسخه آزمایشی و داده ساختگی استفاده کنید، نه فایل اصلی مشتری یا حساب مالی.
کمکگرفتن از AI با یادگیری ناسازگار نیست. مرز مهم، واگذاری بخشی از اجرا در برابر واگذاری تمام فکرکردن است. برای کار قابلتحویل، کیفیت خروجی را بسنجید؛ برای آموزش، توانایی مستقل خودتان را هم بسنجید.









