تسريع دورة حياة تسليم البرمجيات باستخدام الذكاء الاصطناعي التوليدي: دروس مستفادة من Enterprise Payment Services من IBM

قبل ثلاثة أشهر، كان تراكم اختبارات الانحدار لدى فريقي والوقت اللازم لتنفيذها يشكِّلان عبئًا مستمرًا في كل دورة تطوير. اليوم، أسهم Bob في خفض الجهد المبذول في الاختبارات لدينا بأكثر من 70%. وقد تحقق ذلك من خلال دمج IBM Bob، مساعد تطوير البرمجيات بالذكاء الاصطناعي من IBM، بشكل أصلي ضمن سير عمل الاختبارات ليعمل كعضو أساسي في فريق الاختبار لدينا. وهذا يثبت أن تطوير البرمجيات المدعوم بالذكاء الاصطناعي لم يَعُد مجرد مفهوم للمستقبل.

تواجه فِرق هندسة البرمجيات ضغوطًا متزايدة من جهات متعددة في الوقت نفسه. تعمل الجهات التنظيمية على تشديد متطلبات الامتثال. ويطالب مدققو الأمن برؤية أوضح لإدارة الثغرات الأمنية والجداول الزمنية لمعالجتها. وفي الوقت نفسه، يرفع العملاء سقف متطلباتهم الوظيفية ويتوقعون طرح المنتجات في السوق بوتيرة أسرع من دون التأثير في الجودة أو الاستقرار.

يدير فريق Enterprise Payment Services (EPS) في IBM Payment Center منصة مدفوعات عالية القيمة وخاضعة لضوابط تنظيمية صارمة، ونواجه هذه الضغوط يوميًا. تقع منصات المدفوعات في صميم هذه التحديات جميعًا: إذ تجتمع المتطلبات التنظيمية المالية ومتطلبات المرونة التشغيلية والتدقيق الأمني والضغوط التنافسية التي يفرضها العملاء في قاعدة برمجية واحدة.

السؤال الذي سعيتُ إلى الإجابة عنه هذا العام بسيط: كيف يمكننا إنجاز المزيد بوتيرة أسرع وبنفس عدد الموظفين، دون التضحية بالجودة أو الاستقرار؟

الإجابة هي الذكاء الاصطناعي التوليدي، وتحديدًا IBM Bob، الذي انضم إلى فريق هندسة EPS في أوائل عام 2026 كعضو كامل في الفريق. لقد حققنا تقدمًا كبيرًا في غضون بضعة أشهر فقط. وتعكس هذه النتائج تحولًا أوسع يشهده قطاع البرمجيات بأكمله.

لم يَعُد الذكاء الاصطناعي التوليدي مجرد تجربة تجريبية تقتصر على اقتراحات الإكمال التلقائي. بل أصبح جزءًا من كل مرحلة رئيسية في دورة حياة تطوير البرمجيات (SDLC)، بدءًا من جمع المتطلبات ووصولًا إلى الاستجابة للحوادث في بيئة الإنتاج. وتُشير النتائج إلى أن المؤسسات التي لم تبدأ الاستثمار في هذه التقنيات بعد ستواجه تراجعًا حقيقيًا في قدرتها التنافسية.

تتوافق تجربتنا بشكل واضح مع جميع مراحل تطوير البرمجيات وتسليمها. دعوني أستعرض معكم كل مرحلة.

المتطلبات: تحويل المدخلات غير المنظمة إلى متطلبات واضحة
 

لطالما كانت مرحلة جمع المتطلبات الأكثر غموضًا والأكثر عرضة للتسبب في تكاليف إضافية في المراحل اللاحقة. تُعَد المتطلبات غير الواضحة سببًا رئيسيًا في قدر كبير من إعادة العمل في المشروعات وتجاوز النطاق وإدخال العيوب إلى البرمجيات. وتكلفة اكتشاف العيب في مرحلة المتطلبات لا تُقارن بتكلفة اكتشافه في بيئة الإنتاج.

يُحدث الذكاء الاصطناعي التوليدي تغييرًا جذريًا في تكلفة هذه المرحلة وكفاءتها. في سياق EPS، يتولى Bob ما يلي:

• إنشاء قصص المستخدم والوثائق بسرعة - تحويل ملاحظات الاجتماعات ومناقشات الأطراف المعنية مباشرةً إلى قصص مستخدم منظمة ومعايير قبول جاهزة للاستخدام في Jira.
• تحديد المتطلبات المفقودة - تحليل قصص المستخدم الحالية في ضوء سياق الأعمال والكشف عن الفجوات التي قد لا يلاحظها محللو الأعمال إلا في مرحلة متأخرة من دورة التطوير.
• تحويل المدخلات غير المنظمة - تحويل النصوص المفرَّغة من التسجيلات ورسائل البريد الإلكتروني والملاحظات غير الرسمية إلى مستندات رسمية للمتطلبات.

لاحظنا تحسُّنًا في الإنتاجية بنسبة تتراوح بين 30 و40% في مرحلة المتطلبات عند استخدام Bob لمساعدة محللي الأعمال، ويرجع ذلك بشكل أساسي إلى الاستغناء عن العمل اليدوي في تفريغ المحتوى وإعادة تنسيقه ومراجعته ومقارنته بالمصادر الأخرى. وتستند هذه التقديرات التي قاسها الفريق إلى تتبُّع الجهد الذي بذله محللو الأعمال قبل انضمام Bob إلى الفريق وبعده.

العامل الأساسي الذي يُتيح ذلك هو قدرة Bob على فهم السياق. لقد زوَّدناه بمجموعة الوثائق الكاملة للمنصة والمعايير التنظيمية ومعايير البرمجة والمتطلبات غير الوظيفية. ويضمن هذا التزويد بالسياق أن تعكس المتطلبات التي يتم إنشاؤها الواقع البنائي والتنظيمي لمنصة المدفوعات، بدلًا من أن تكون صحيحة من الناحية اللغوية أو البرمجية فحسب.

الهندسة والتطوير: أكبر فرصة
 

يستحوذ التطوير على الجزء الأكبر من ساعات العمل الهندسي، ولذلك فهو المجال الذي يوفر فيه الذكاء الاصطناعي التوليدي أكبر فرصة لإحداث تحوُّل ملموس في الإنتاجية. تتراوح توقعات IBM بشأن تحسين الكفاءة الذي يمكن أن يحققه Bob في مرحلة الهندسة بين 30 و50%، وهو نطاق يعكس تنوع المهام الهندسية وعمق السياق المطلوب لكلٍّ منها.

في تطبيقنا، نسعى إلى تسريع أعمال الهندسة عبر ثلاثة محاور. في كل محور، يعمل Bob في وضع شبه مستقل، حيث ينفِّذ المهام بينما يراجع خبير متخصص المخرجات ويتحقق منها قبل اعتمادها. هذا الأسلوب المزدوج ليس قيدًا، بل هو النمط البنائي الأنسب لاستخدام الذكاء الاصطناعي في هذه المرحلة من نضجه.

1. مراجعات الأكواد بمساعدة Bob: تم منح Bob إمكانية الوصول إلى مستودع الأكواد المصدر الخاص بـ EPS، ويُجري مراجعات للأكواد إلى جانب المراجعين البشريين من الخبراء المتخصصين. يضمن هذا النهج القائم على المراجعة المزدوجة الالتزام بالمتطلبات التنظيمية ومعايير الأمن والخصوصية ومتطلبات البنية البنائية الوظيفية وغير الوظيفية، ما يساعد على اكتشاف العيوب أثناء التطوير بدلًا من اكتشافها أثناء الاختبار أو في بيئة الإنتاج. وجدت أبحاث GitHub حول Copilot أن مراجعة الأكواد بمساعدة الذكاء الاصطناعي اكتشفت مشكلات متعلقة بالأمن بنسبة أكبر تتراوح بين 15 و20% في كل دورة لطلبات السحب، كما قللت الوقت اللازم لمعالجة المشكلات لأن الذكاء الاصطناعي اقترح تعديلات تصحيحية إلى جانب النتائج التي توصَّل إليها.
2. إدارة الثغرات الأمنية والترقيات: مع تطور إصدارات لغات البرمجة والمكتبات وتغيُّر المتطلبات التنظيمية، يقيّم Bob نطاق تأثير ترقية إحدى المكتبات عبر قاعدة الأكواد بأكملها. ويحدِّد مواضع استدعاء الأكواد غير المتوافقة ويقترح التعديلات اللازمة خلال دقائق، وهي مهمة كانت تتطلب سابقًا من المهندسين ذوي الخبرة قضاء أيام في تتبُّع التبعيات يدويًا.
3. إنشاء الأكواد وتعديلها: يقدِّم Bob توصيات لتعديل الأكواد الحالية استنادًا إلى المتطلبات الواضحة (الوظيفية وغير الوظيفية) وسياق قاعدة الأكواد والقيود التنظيمية ذات الصلة. إنشاء الذكاء الاصطناعي للأكواد لمعالجة المدفوعات دون مراعاة قواعد توطين البيانات أو معايير معالجة الأخطاء أو الالتزامات التنظيمية يمثل خطرًا وليس ميزة. ويعالج تزويد Bob بهذا السياق مسبقًا هذا التحدي بشكل مباشر.

الاختبار: التخلص من العوائق
 

لطالما كان الاختبار العامل الذي يحدِّد وتيرة تسليم البرمجيات. تنتج فِرق التطوير الأكواد بوتيرة أسرع مما تستطيع فِرق ضمان الجودة (QA) التحقق منها. ويُعَد هذا التفاوت السبب الرئيسي لتراكم المهام من دورة تطوير إلى أخرى وتأخر الإصدارات وتزايد تراكم اختبارات الانحدار.

تُعَد نتائج فريق ضمان الجودة (QA) لدينا الأكثر نضجًا والأكثر لفتًا للانتباه. بعد ثلاثة أشهر من استخدام Bob لإنشاء أتمتة الاختبارات لمنصة مدفوعات EPS Wires، حققنا النتائج التالية:

• انخفاض بنسبة 70% في الوقت والجهد اللازمين لإنشاء أتمتة الاختبارات. 
• انخفاض بنسبة 90% في تراكم اختبارات الانحدار.
• انخفاض بنسبة 80% في الوقت اللازم لتنفيذ دورة اختبارات الانحدار.

هذه النتائج ليست مجرد تحسينات هامشية. تمثل بل تمثل تحولًا جوهريًا في طريقة عمل الفريق. انتقل مهندسو ضمان الجودة من كتابة أكواد أتمتة الاختبارات الروتينية إلى مراجعة الاختبارات التي يُنشئها الذكاء الاصطناعي وتحسينها، وهو نشاط أكثر قيمة وتأثيرًا بشكل جوهري. ويعني دمج مسار التكامل المستمر/التسليم المستمر (CI/CD) ظهور حالات فشل اختبارات الانحدار خلال ساعات من إجراء أي تعديل على الأكواد، وليس بعد أيام، ما يقلل بشكل كبير تكلفة التغييرات المعيبة.

وتتوافق هذه التجربة مع الملاحظات الأوسع نطاقًا في القطاع. وجدت الأبحاث التي تناولت المؤسسات التي تطبِّق الذكاء الاصطناعي التوليدي لإنشاء الاختبارات انخفاضًا متوسطه 60% في الوقت اللازم لدورة اختبارات الانحدار، مع تحقيق التطبيقات عالية الأداء، مثل تطبيقنا، مكاسب أكبر من ذلك. ويتمثل العامل الفارق باستمرار في السياق: إذ تنتج أدوات إنشاء الاختبارات بالذكاء الاصطناعي التي يمكنها الوصول إلى قاعدة الأكواد الكاملة وحالات الاختبار الحالية ومتطلبات الأعمال اختبارات أفضل بكثير من الأنظمة التي تعمل على مقتطفات من الأكواد فقط.

ويجسِّد IBM Bob، المزوَّد بمستودع GitHub الكامل الخاص بـ EPS والمعايير التنظيمية والوثائق الوظيفية، هذا النهج القائم على فهم السياق.

التصميم والبنية: التحسين الاستباقي
 

بدأ الذكاء الاصطناعي التوليدي يؤدي دورًا في الاستفادة الاستباقية من الرؤى المتعلقة بالتصميم. وهو يتجاوز الآن النهج التفاعلي القائم على تنفيذ ما تم تحديده مسبقًا واختباره. تتضمن خارطة طريقنا تمكين Bob مما يلي:

• تحديد عوائق الأداء غير الملحوظة وأوجه القصور في البنية التي تراكمت بمرور الوقت.
• تقييم إزالة الديون التقنية وتحديد أولوياته من خلال الربط بين بنية الأكواد وسجل الحوادث وبيانات الأداء.
• إنشاء توصيات تصميمية للتحسينات الوظيفية الجديدة مع مراعاة البنية الحالية والقيود التنظيمية والمتطلبات غير الوظيفية.

يُعَد هذا النهج حالة استخدام أكثر تقدمًا من تعديل الأكواد أو أتمتة الاختبارات، ويتطلب مستوى أعلى من الثقة في توصيات Bob المستندة إلى السياق. ويُعد إشراك المهندسين البنائيين البشريين للتحقق من التوصيات قبل تنفيذها النهج الأنسب في هذه المرحلة من نضج الذكاء الاصطناعي.

وتكمن القيمة هنا في قدرة نظام استوعب قاعدة الأكواد بالكامل والبنية الموثقة وقرارات التصميم المتخذة على مدار سنوات على كشف رؤى قد يتطلب الوصول إليها لولا ذلك أسابيع من البحث البنائي.

دعم المستوى الثالث: إغلاق الحلقة
 

أكثر حالات استخدام الذكاء الاصطناعي تأثيرًا في العمليات ضمن خارطة طريقنا هي تسريع حل الحوادث. يمثل دعم المستوى الثالث (L3) لمنصة مدفوعات عالية القيمة مهمة بالغة الأهمية وحساسة للوقت. عند وقوع حادث في بيئة الإنتاج، يؤثِّر الوقت اللازم لتحديد السبب الأساسي ومعالجته مباشرةً في حجم التأثير على العملاء.

تتضمن خارطة طريق نشر Bob ضمن دورة حياة تطوير البرمجيات (SDLC) تحليل حوادث دعم المستوى الثالث (L3) وربط الأعراض المُبلغ عنها بمسارات الأكواد في المستودع وتحديد الأسباب الأساسية المحتملة واقتراح الإجراءات التصحيحية. والسياق نفسه الذي يزيد من فعالية Bob في مراجعة الأكواد -المعرفة الكاملة بقاعدة الأكواد والمتطلبات التنظيمية وأنماط معالجة الأخطاء- يجعل منه أداة مناسبة بشكل خاص لهذه المهمة.

يمكن للمهندس البشري لدعم المستوى الثالث (L3) المدعوم بـ Bob فحص قاعدة الأكواد بالكامل خلال ثوانٍ بحثًا عن أنماط تتطابق مع مؤشرات الحادث، ما يؤدي إلى تسريع حل الحوادث والحدّ من تأثيرها في العملاء.

لا تخلو هذه المكاسب في الإنتاجية من المخاطر. قد تنتج أنظمة الذكاء الاصطناعي التوليدي معلومات غير صحيحة أو هلوسات. وقد تنتج مخرجات تبدو منطقية لكنها غير صحيحة وبدرجة من الثقة الظاهرية. وفي منصة مدفوعات تخضع لتدقيق تنظيمي، قد يترتب على أي تعديل في الأكواد أنشأه الذكاء الاصطناعي من دون مراجعة أو أي حالة اختبار تم تحديدها بشكل غير صحيح عواقب وخيمة في المراحل اللاحقة.

يرتكز إطار إدارة المخاطر لدينا على نموذج شبه مستقل: يتم دمج Bob بشكل كامل في الفريق عبر جميع مراحل دورة حياة تطوير البرمجيات (SDLC)، مع وجود مراجع بشري دائمًا للتحقق من المخرجات قبل اعتمادها. يراجع محللو الأعمال المتطلبات التي يُنشئها Bob. يراجع مسؤولو الأكواد العيوب التي يحددها Bob والإصلاحات المقترحة. يراجع مهندسو ضمان الجودة (QA) حالات الاختبار التي يُنشئها Bob. وسيراجع مهندسو دعم المستوى الثالث (L3) تحليلات Bob للحوادث.

هذا النهج ليس قيدًا. بل هو النمط البنائي الأنسب لاستخدام الذكاء الاصطناعي في هذه المرحلة من نضجه. يضحّي هذا النموذج بجزء من الحد الأقصى النظري للكفاءة مقابل خفض مخاطر الأخطاء بشكل كبير، مع إتاحة بناء الثقة تدريجيًا.

ومع إثبات موثوقية مخرجات Bob في كل مجال، يمكن ضبط مستوى المراجعة البشرية بما يتناسب مع ذلك. أتوقع أن يظل هذا التكوين شبه المستقل هو النمط السائد لعدة سنوات، مع استمرار Bob في التعلم من خبراته العملية وتقديم مخرجات أعلى جودة تدريجيًا بمرور الوقت.

تتوقع IBM أن يحقق Bob تحسُّنًا في الكفاءة يتراوح بين 25 و70% عبر مراحل المتطلبات والهندسة والاختبار، بحسب المرحلة والمهمة المحددة. وحتى إذا جاءت النتائج عند الحد الأدنى لكل نطاق، فإن التأثير التراكمي على مستوى الفريق يعادل زيادة تتراوح بين 25 و40% في القدرة الفعلية للفريق.

ولتوضيح ذلك بالأرقام، لنفترض أن فريقًا مكوّنًا من 10 أشخاص حقق زيادة مجمَّعة في الكفاءة بنسبة 30% عبر جميع مراحل دورة حياة تطوير البرمجيات (SDLC). يعادل الناتج الفعلي عمل 13 مهندسًا بالوتيرة الأصلية، دون زيادة عدد الموظفين أو زيادة التكلفة بشكل متناسب.

بالنسبة إلى مؤسسة تواجه طلبًا متزايدًا ضمن ميزانية ثابتة، فهذا ليس مجرد تحسُّن تدريجي. بل هو عامل مضاعف للقدرات، يُتيح للفريق نفسه تقديم المزيد من الميزات والحفاظ على جودة أعلى والاستجابة للحوادث بشكل أسرع واستيعاب المتطلبات التنظيمية المتزايدة دون زيادة متناسبة في التكاليف.

تطرح تجربتنا ثلاثة أسئلة ينبغي على كل قائد هندسي أن يبحث عن إجابات لها الآن:

1. كيف يمكنك تهيئة الذكاء الاصطناعي ليتناسب مع سياق بيئتك؟ يمثل نهج EPS القائم على تزويد Bob مسبقًا بقاعدة الأكواد والمعايير والمتطلبات التنظيمية والوثائق الأساس لكل ما يأتي بعد ذلك. يكون مساعد الذكاء الاصطناعي الذي يعمل دون هذا السياق أقل قيمة وربما أكثر عرضة للمخاطر من مساعد تم تزويده بالسياق المناسب.
2. من أين تبدأ؟ الاختبار هو أسرع طريق لتحقيق عائد قابل للقياس على الاستثمار، كما توضِّح نتائجنا. والجمع بين معايير نجاح واضحة ومستوى مخاطر منخفض نسبيًا وحجم كبير من العمل اليدوي في الوضع الحالي يجعل الاختبار نقطة الانطلاق المثالية لأي فريق يبدأ هذه الرحلة.
3. كيف تدير الثقة تدريجيًا؟ النموذج شبه المستقل -الذكاء الاصطناعي مع وجود إنسان ضمن مسار العمل- ليس حلًا وسطًا. بل هو نمط تطبيق مسؤول يُتيح للمؤسسات تحقيق القيمة مع بناء الثقة المؤسسية اللازمة لتوسيع دور الذكاء الاصطناعي بمرور الوقت.

تُظهر رحلة فريقي خلال ثلاثة أشهر، من وظيفة ضمان جودة تعتمد على العمل اليدوي وتقيِّدها تراكمات الاختبارات إلى منظومة جودة مدعومة بالذكاء الاصطناعي ومتكاملة مع مسار CI/CD، إمكانية تحقيق هذا التحول بوتيرة سريعة. والدرس الأوسع واضح: الذكاء الاصطناعي التوليدي المدمج في دورة حياة تطوير البرمجيات (SDLC) ليس مشروعًا تجريبيًا للمستقبل. بل يحقق بالفعل نتائج قابلة للقياس للفِرق التي استثمرت فيه. والوقت المناسب لبناء هذا الأساس هو الآن.