دورة حياة التطوير المستندة إلى الذكاء الاصطناعي (AI-DLC)

صاغ Raja SP من AWS هذا المصطلح عام 2025، وشرح المنهجية في مستنده الفني “AI-Driven Development Lifecycle (AI-DLC) Method Definition”[x]. وتُقدَّم منهجية AI-DLC باعتبارها تعاونًا بين الآلة والإنسان، بخلاف منهجيات سابقة مثل Agile وScrum، التي كانت تتمحور أساسًا حول الإنسان. ويشبّه المؤلف هذا التحول باستبدال السيارات بالعربات التي تجرها الخيول. لكن مجرد إضافة الذكاء الاصطناعي إلى Agile لا تنتج سوى “حصان أسرع” – وفق استعارة شائعة تُنسب خطأً إلى Henry Ford – في حين تمثل AI-DLC تطورًا أكثر جوهرية.

ومع أن أدوات الذكاء الاصطناعي دُمجت في دورة حياة تطوير البرمجيات (SDLC) خلال السنوات الأخيرة، فإن AI-DLC تمثل خطوة إضافية نحو تكامل أعمق للذكاء الاصطناعي. وباختصار، لا يقتصر دور الذكاء الاصطناعي على كونه مجرد أداة لتوليد التعليمات البرمجية. فهو ليس مجرد جزء من عملية التطوير، بل عنصر محوري فيها. ويستمر التعاون بين الذكاء الاصطناعي والبشر طوال عملية التطوير، فيما يتولى المهندسون دورًا إشرافيًا بدرجة أكبر.

كما تختلف AI-DLC عن مصطلح “دورة حياة الذكاء الاصطناعي”، الذي يصف كيفية بناء نماذج الذكاء الاصطناعي نفسها، لا كيفية استخدامها للمساعدة في تطوير البرمجيات.

تحدد ورقة Raja SP عشرة مبادئ تشكل الأساس الذي تقوم عليه AI-DLC.

لا ينبغي الاكتفاء بإضافة الذكاء الاصطناعي إلى منهجيات تطوير البرمجيات القائمة. فالذكاء الاصطناعي ليس مجرد أداة أخرى للإنتاجية، بل مشارك أساسي في عملية التطوير. وتنطلق هذه المنهجية من سؤال: كيف كانت ستبدو دورة حياة تطوير البرمجيات (SDLC) لو كان الذكاء الاصطناعي موجودًا منذ البداية؟ والنتيجة هي دورة حياة لتطوير البرمجيات تتمحور حول الذكاء الاصطناعي ومصممة من الأساس للاستفادة منه.

في النهج التقليدي للتطوير بمساعدة الذكاء الاصطناعي، يقدّم المطورون باستمرار موجّهات إلى الذكاء الاصطناعي التوليدي لتنفيذ المهام كلًّا على حدة. وفق النموذج الجديد، بدلًا من أن يطلب المطور المساعدة من الذكاء الاصطناعي وينتظر منه تنفيذ المهمة، يوضح المطور ما يريد تحقيقه، ثم يستخدم الذكاء الاصطناعي قدراته بوصفه ذكاءً اصطناعيًا وكيلاً لوضع خطة وطرح الأسئلة والتنفيذ والتحقق والصيانة، مع طلب موافقة شريكه البشري بصورة استباقية طوال العملية.

كانت المنهجيات السابقة تتيح لفرق التطوير اختيار تقنيات التصميم التي تناسبها. أما AI-DLC، فتوحّد نهج التصميم وتدمج التخصصات الهندسية في صميم المنهجية نفسها. وتصبح ممارسات مثل التصميم الموجّه بالمجال (DDD)، والتطوير الموجّه بالسلوك (BDD)، والتطوير الموجّه بالاختبارات (TDD) جزءًا لا يتجزأ من مهام سير العمل. ويساعد ذلك على توحيد معايير الجودة الهندسية.

لا يمكن للذكاء الاصطناعي أن يعمل باستقلالية تامة بنسبة 100%. وتشجع الورقة على التحقق بمشاركة العنصر البشري والإشراف البشري على قرارات الذكاء الاصطناعي، بما يتيح له الاستفادة من الحكم البشري.

في برمجيات المؤسسات، لا يقتصر التعقيد على مجرد كتابة التعليمات البرمجية. فالأنظمة الكبيرة تتألف من خدمات وبنى متعددة، وتخدم أنواعًا مختلفة من المستخدمين والأطراف المعنية، فضلًا عن تراكم سنوات من الدين التقني المعقد. وتتمثل إحدى القيم التي تقدمها AI-DLC في الحفاظ على هذا السياق كاملًا على امتداد المشروع، ما يتيح للمطورين الاستفادة باستمرار من هذا الفهم الشامل والفريد.

تُحدث AI-DLC تحولًا جذريًا في تطوير البرمجيات، مع الإبقاء على المشاركة البشرية حيثما تكون ضرورية. وتُرسَّخ ثقافة التعليقات المستمرة طوال المشروع للمساعدة على ضمان استمرار توافق عملية التطوير مع أهداف الأعمال. وتتم أتمتة نقاط التفاعل هذه وتوثيقها، بحيث يتمكن البشر من التركيز على اتخاذ أفضل القرارات.

أدرك المؤلف أن المؤسسات لا تستطيع الانتقال إلى منهجية جديدة بين عشية وضحاها. فالعملية تدريجية، وتتكامل مع المفاهيم ومهام سير العمل القائمة التي اعتادت عليها المؤسسات بالفعل، بما يقلل الاضطراب الناجم عن تبني المنهجية إلى أدنى حد ممكن.

ونظرًا إلى قدرة الذكاء الاصطناعي على تنفيذ العمل والحفاظ على السياق عبر مختلف التخصصات، أصبح من الممكن الآن إنجاز المهام التي كانت تتطلب سابقًا فرقًا منفصلة من المتخصصين من خلال فرق أكثر تكاملًا تتمتع بفهم أوسع وأعلى مستوى. والنتيجة هي تقليل عمليات تسليم العمل بين الفرق.

تقسّم دورة حياة تطوير البرمجيات (SDLC) التقليدية العمل إلى مراحل منفصلة، مثل التخطيط والتصميم والتنفيذ والاختبار والنشر. وفي نهاية كل مرحلة، تُنقل المعلومات إلى المرحلة التالية. أما AI-DLC فتزيل الحدود الفاصلة بين هذه المراحل، إذ تتعامل معها باعتبارها تدفقًا مستمرًا تُنفَّذ فيه المهام بالتوازي وبصورة غير خطية. والنتيجة هي دورات تعليقات أقصر وتقدم أسرع.

ولا تفرض AI-DLC مهام سير عمل صارمة على كل مشروع، بل تتكيف مع متطلباته. فهي لا تُلزم المشاريع باتباع عملية محددة مسبقًا. وفي كل حالة، يحلل الذكاء الاصطناعي الأهداف والقيود ويُنشئ مهام سير عمل مخصصة تتناسب على أفضل وجه مع طبيعة المشروع المعني.

ويطرح إطار العمل السؤال التالي: كيف سيكون تطوير البرمجيات إذا لم يكن قائمًا على حدود القدرات البشرية؟ صُممت منهجيات سابقة، مثل Waterfall وAgile، لمساعدة الفرق البشرية على تنسيق جهودها. لكن الذكاء الاصطناعي يغيّر هذا الافتراض الأساسي جذريًا.

وباستخدام منهجية التطوير الموجّه بالمواصفات (SDD)، تركز AI-DLC على المقاصد بدلًا من العمليات الصارمة، وتتيح للذكاء الاصطناعي تحديد أفضل طريقة لبناء ما يفي بهذه المواصفات. وتُشتق من هذه المقاصد وحدات عمل، وهي مجموعات من المهام تمثل المسار الذي يسلكه الذكاء الاصطناعي لتحقيق المقصد. أما Bolt، فهو دورة تكرارية تُنفَّذ خلالها وحدات العمل.

يتقدم العمل عبر عدة مراحل. في مرحلة التأسيس، تُحدَّد المقاصد وتُحوَّل إلى وحدات باستخدام أسلوب التخطيط الجماعي التفصيلي (mob elaboration)، وهو ممارسة تعاونية لتخطيط البرمجيات يعمل فيها فريق متعدد التخصصات ونظام ذكاء اصطناعي معًا لتحويل أفكار الأعمال عالية المستوى إلى قصص مستخدمين.

يبدأ تحليل المتطلبات في هذه المرحلة. وتحدد المتطلبات غير الوظيفية (NFRs) السمات الأساسية وحواجز الحماية والقيود. كما تُجرى تقييمات المخاطر في هذه المرحلة، مع مواصلة مراجعة المخاطر والمتطلبات وإعادة تقييمها باستمرار طوال دورة الحياة.

ملفات التوجيه هي مستندات بتنسيق Markdown تُخزَّن في مستودع، وتحدد القواعد والقيود والمعايير المعمارية ومهام سير العمل التي يتعين على الوكلاء اتباعها. تُنشأ هذه الملفات خلال مرحلة التأسيس، لكنها تظل حاضرة وفاعلة في المراحل الثلاث جميعها من AI-DLC. وتشكّل مرجعًا دائمًا للحقيقة يستند إليه وكلاء الذكاء الاصطناعي طوال المشروع.

أما مرحلة البناء، فهي المرحلة التي يبدأ فيها التنفيذ الفعلي. وخلال البناء الجماعي (mob construction)، يتعاون الفريق البشري والذكاء الاصطناعي في كتابة التعليمات البرمجية واختبارها ونشرها.

وفي مرحلة التشغيل النهائية، يستعين الذكاء الاصطناعي بمتطلبات الأعمال المحددة في مرحلة التأسيس والقرارات التقنية المتخذة في مرحلة البناء لإدارة النشر وأتمتة البنية التحتية ومراقبة النظام أثناء تشغيله.

يؤدي الذكاء الاصطناعي دورًا محوريًا في كل مرحلة من مراحل دورة حياة تطوير البرمجيات (SDLC).

ففي دورة حياة تطوير البرمجيات التقليدية، يحوّل البشر أهداف الأعمال يدويًا إلى خطط للمشروعات. وقد بدأت المؤسسات تجربة مهام سير عمل يستعين فيها مساعدو الذكاء الاصطناعي بتحويل الأهداف العامة إلى خطط قابلة للتنفيذ. أما في AI-DLC، فيطرح وكلاء الذكاء الاصطناعي أسئلة توضيحية، ويكشفون أوجه الغموض، ويقدمون اقتراحات، ويلفتون الانتباه إلى الفرص التي ربما لم تُؤخذ في الحسبان. ثم تُحوَّل هذه المدخلات إلى قصص مستخدمين وخرائط طريق للمشروعات. ويحتفظ الذكاء الاصطناعي الوكيل بهذا السياق طوال المشروع.

في AI-DLC، لا يقتصر دور الذكاء الاصطناعي على تلخيص الاجتماعات. بل يحلل رسائل البريد الإلكتروني وتذاكر الدعم والنصوص المفرغة والوثائق للكشف عن أوجه التعارض والفجوات حتى قبل بدء عملية التطوير. فإذا أشار أحدهم في اجتماع إلى حدث رئيسي يتعارض مع الجدول الزمني للمشروع الذي جرى تحديده في اجتماع آخر، يستطيع الوكيل التنبيه إلى هذا التعارض المحتمل واقتراح حل له. وبذلك تتوافر رؤية شاملة للمشروع من بدايته إلى نهايته، وهي رؤية يصعب على شخص واحد أو فريق واحد الاحتفاظ بها على امتداد المشروع.

يحوّل الذكاء الاصطناعي تصميم البرمجيات إلى عملية تعاونية تكرارية. إذ يمكنه اقتراح بنيات التطبيقات ومخططات قواعد البيانات وواجهات برمجة التطبيقات (APIs) وتكوينات البنية التحتية وتصاميم واجهات المستخدم، مع توضيح المفاضلات بين الأساليب المختلفة. كما يمكنه إنشاء نماذج أولية تفاعلية بسرعة، ومقارنة التصميمات البديلة، وتحديث وثائق البنية مع تطور المشروع.

تُعد كتابة التعليمات البرمجية المهمة الأساسية في هندسة البرمجيات، وهي أيضًا من أكثر المجالات وضوحًا من حيث استفادة دورة حياة تطوير البرمجيات (SDLC) من الذكاء الاصطناعي، كما تمنح الذكاء الاصطناعي أكبر قدر من الاستقلالية. ويفهم وكلاء الذكاء الاصطناعي للبرمجة سياق المشروع ومعايير كتابة التعليمات البرمجية ومنطق الأعمال، ما يتيح لهم تنفيذ أعمال التطوير باستقلالية مع مراعاة هذه الجوانب. ويتولى المطورون التحقق من القرارات وتنقيح التعليمات البرمجية التي ينشئها الذكاء الاصطناعي.

ويحل محل الاختبار طورٌ أشمل للتحقق، إذ يولّد الذكاء الاصطناعي الاختبارات وينفذها باستمرار على امتداد عملية التطوير، بدلًا من انتظار اكتمالها أولًا. كما يحلل التعليمات البرمجية للكشف عن العيوب وحالات التراجع، ويتحقق من الالتزام بالقيود المعمارية. وتجري هذه العمليات في الخلفية في كل خطوة من خطوات التطوير.

وفي AI-DLC، يصبح النشر بدوره عملية تخضع للتحسين المستمر. فيُعد الوكلاء خطط الإصدار، ويتحققون من تكوينات البنية التحتية، وينشئون الوثائق، ويراقبون عمليات النشر في بيئة الإنتاج، ويحسنون مسارات CI/CD. ويسهم الذكاء الاصطناعي بصورة فاعلة في الحفاظ على استقرار الإصدارات وأمانها وتوافقها مع الأهداف التشغيلية.

ولا تقتصر AI-DLC على مفهوم صيانة البرمجيات التقليدي، بل تتعامل مع أنظمة الإنتاج بوصفها مصدرًا مستمرًا للتعليقات. ومن خلال الاحتفاظ بالمعرفة طوال دورة الحياة، يتيح الذكاء الاصطناعي لكل إصدار الاستفادة من الدروس المستخلصة من دورات التطوير السابقة.

تشجع الورقة المؤسسات على تطبيق الممارسات المختلفة لمنهجية AI-DLC ودمجها في أدوات التنسيق لديها، بما يقلل الحاجة إلى إجراء تغييرات جذرية واسعة النطاق.

يستند إطار العمل إلى نهج موحّد يرتكز على أدوات AWS مثل Kiro وAmazon Q Developer. ومع ذلك، يمكن استخدامه أيضًا مع منصات قائمة على الوكلاء، مثل IBM® Bob وClaude Code.

فعلى سبيل المثال، يمثل IBM Bob شريكًا للتطوير قائمًا على الوكلاء ويغطي العملية من البداية إلى النهاية، كما أن بنيته مُحسّنة خصيصًا للعمل وفق منهجية AI-DLC. ويقدم IBM Bob وضعي Ask وPlan، اللذين يحوّلان المقاصد عالية المستوى إلى بنية أولية لتصميم التطبيق. يتوفر أيضًا وضع Agent لكتابة التعليمات البرمجية وتعديلها وإعادة هيكلتها، إلى جانب إصلاح الأخطاء البرمجية وإنشاء ملفات جديدة. ويمكن للمستخدمين أيضًا تخصيص سلوك Bob من خلال إنشاء أوضاع مخصصة تتضمن أدوارًا متخصصة وقيودًا على استخدام الأدوات ومهام سير عمل خاصة بالفريق.