نماذج الذكاء الاصطناعي الأفضل لن تصلح فريقك الهندسي — نيكولاس أركولانو، Jellyfish
원제 · Better AI Models Won't Fix Your Engineering Team — Nicholas Arcolano, Jellyfish
핵심 요약
تقع العوامل المؤثرة على إنتاجية الهندسة بالذكاء الاصطناعي في الفرد والبيئة التنظيمية بنسبة أكبر بكثير من اختيار نموذج الذكاء الاصطناعي أو الأداة.
하이라이트
يمثل تأثير أداة الذكاء الاصطناعي والنموذج أقل بقليل من 1% من التغيرات في إنتاجية طلبات السحب للمهندسين.
يؤدي استخدام المهارات بمعدل يزيد عن 30 مرة أسبوعياً إلى زيادة بنسبة 30% في إنتاجية طلبات الدمج.
يحقق أعلى 10% من مستهلكي الرموز ضعف الإنتاجية مقارنة بالمتوسط، بتكلفة تبلغ حوالي 10 أضعاف استهلاك الرموز.
يُفسر العامل الفردي للمهندس ثلاثة أرباع التباين الإحصائي في نموذج الإنتاجية، مع وجود تباين بـ 3.5 أضعاف بين أفضل وأسوأ 10% من المهندسين.
타임라인
تشابه تطور أدوات الذكاء الاصطناعي مع تقنيات الجولف
ينطلق العرض بتشبيه أدوات الذكاء الاصطناعي بمعدات الجولف حيث يميل المستخدمون دائماً لافتراض أن المعدات الأفضل هي الحل السحري. يعرض المتحدث بيانات شركة Jellyfish التي تراقب مئات الآلاف من المطورين عبر 1300 شركة. عندما غيرت واجهة Cursor الترويج لصالح نموذج Grok، حدثت تجربة طبيعية أظهرت عدم وجود تأثير حقيقي لتبديل النماذج على حجم إنتاجية طلبات السحب.
- تشهد مسافة الضرب في جولة PGA زيادة بنسبة 20% منذ عام 1980 بفضل التطور التكنولوجي للمضارب والكرات.
- تعكس الرسوم البيانية لموقع Artificial Analysis التحسن المستمر في قدرات نماذج الذكاء الاصطناعي بمرور الوقت.
- أدى استحواذ SpaceX على Cursor إلى طفرة هائلة في استخدام نموذج Grok نتيجة الترويج له في واجهة المستخدم.
- لم يحدث أي ارتباط إحصائي أو تغير في إنتاجية طلبات السحب المدمجة لكل مهندس نتيجة التحول نحو نموذج Grok.
العوامل المؤثرة على الإنتاجية وتأثير الأداة مقابل الاستخدام والمهارات
يعتمد التحليل على مجموعة بيانات مختارة تضم 50 ألف مهندس في 447 شركة خلال عام 2026. تظهر النتائج أن اختيار النموذج أو الأداة له تأثير ضئيل جداً مقارنة بطريقة الاستخدام وحجم استهلاك الرموز. يوضح المتحدث أن مهارات مثل قواعد Cursor وبيئة التشغيل تمثل تأثيراً ملحوظاً، بينما يتبع استهلاك الرموز منحى ذو عوائد تناقصية.
- يساهم اختيار الأداة والنموذج بأقل بقليل من 1% فقط في تفسير التغيرات في الإنتاجية ضمن نموذج إحصائي يضم 50 ألف مهندس.
- يمثل استخدام المهارات وتخصيص بيئة التشغيل حوالي 3% من التباين في الإنتاجية.
- يولد استخدام المهارات بمعدل يزيد عن 30 مرة أسبوعياً زيادة بنسبة 30% في الإنتاجية مع ثبات العوامل الأخرى.
- يضاعف أعلى 10% من مستهلكي الرموز الإنتاجية مقارنة بالمتوسط مقابل تكلفة تعادل 10 أضعاف استهلاك الرموز.
تأثير بيئة العمل والفرد على تباين الإنتاجية
يختتم العرض بتسليط الضوء على العوامل الأكبر حجماً في معادلة الإنتاجية، وهي البيئة التنظيمية والفرد نفسه. تظهر البيانات أن مهارات المهندسين الفردية وثقافة الفريق هي التي تصنع الفارق الحقيقي، حيث تظل مستويات الأداء ثابتة نسبياً بين ما قبل الذكاء الاصطناعي وبعده. يدعو المتحدث القادة الهندسيين إلى التركيز على بيئة العمل وصقل مهارات الأفراد بدلاً من السعي وراء النماذج الأحدث فقط.
- يشكل مكان العمل والبيئة التنظيمية والفريق 12% من التباين في الإنتاجية مع وجود فرق بمقدار الضعف بين أفضل وأسوأ 10 شركات.
- يستحوذ العامل الفردي للمهندس على ثلاثة أرباع النموذج الإحصائي، مع تباين بـ 3.5 أضعاف بين أسوأ وأفضل 10% من المهندسين.
- لا يُحدث الذكاء الاصطناعي إعادة ترتيب جذرية لتصنيفات المهندسين، حيث يحتفظ أفضل المهندسين بمواقعهم بنسبة كبيرة مقارنة بما قبل الذكاء الاصطناعي.
- يتحكم القادة في بيئة العمل والتنظيم على عكس مختبرات النماذج الأساسية، مما يجعل التركيز على الأفراد والبيئة هو مفتاح النتائج.
설명
Nicholas Arcolano, head of AI and research at Jellyfish, uses data from about 50,000 engineers at 447 companies to ask how much the model really matters for AI coding output. When Cursor pushed many of its users onto Grok, merged PRs barely moved. Breaking down what drives throughput, the tool explains under 1%, skill use about 3% (heavy skill users see roughly a 30% bump), token usage about 9%, company and team about 12%, and the individual engineer most of the rest. The engineers who were top performers before AI are mostly still the top performers now. His advice for leaders: focus on the people, skills and environment you can control. Chapters: - 00:00 Intro - 00:40 A golf analogy - 02:01 Models keep getting better - 02:59 A natural experiment: the Grok switch - 04:54 What actually drives output - 07:14 The tool - 08:07 How well you use it: skills - 10:00 How much you use it: tokens - 11:23 Where you work - 12:22 You, the individual - 13:42 Is AI reshuffling the top engineers? - 14:50 What leaders can control Nicholas Arcolano, Jellyfish: https://jellyfish.co Join us in SF for the second annual AIE CODE summit: https://aie.codes our last flagship summit of 2026. Applications live now!