أصبح تقليل كلفة استخدام أدوات البرمجة المدعومة بالذكاء الاصطناعي هدفاً أساسياً لدى كثير من فرق التطوير، مع توسع الاعتماد على النماذج الكبيرة في كتابة الشيفرة ومراجعتها وتحليل المشاريع. وفي هذا السياق، برزت خلال الأشهر الماضية طريقة توجيه مختصرة تُعرف باسم "Caveman"، تقوم على تقليص اللغة التفاعلية إلى أوامر مقتضبة ومباشرة بهدف خفض عدد الرموز التي يستهلكها النموذج أثناء العمل.
لكن اختباراً جديداً أجرته JetBrains، الشركة المعروفة بأدوات التطوير المتكاملة، أظهر أن الفكرة تحمل قدراً من الصحة، وإن كان أقل بكثير من الانطباع السائد حولها. فبحسب نتائج الشركة، يمكن لأسلوب التوجيه المقتضب أن يحقق وفراً في استهلاك الرموز من دون الإضرار بأداء مساعد البرمجة، لكنه لا يقترب من نسب التوفير الكبيرة التي يتداولها مؤيدوه.
اختبار على مهام برمجية واقعية
اعتمدت JetBrains في تقييمها على إطار عمل مفتوح المصدر لتجارب القياس، إلى جانب مجموعة من المهام المأخوذة من بيئات تطوير حقيقية. وشمل الاختبار 86 مهمة هندسية برمجية جرى تنفيذها عبر Claude Code، مع مقارنة جلسات استخدمت أسلوب Caveman بجلسات مماثلة لم تستخدمه. وهدفت الشركة إلى قياس الفارق الفعلي في استهلاك الرموز والتكلفة، وليس فقط أثر الأسلوب على لغة الحوار بين المطور والمساعد.
في المرحلة الأولى من التجربة، وبالاعتماد على عشر مهام فقط، بدا أن التوفير قد يصل إلى نحو 30%. غير أن الصورة تغيرت مع توسيع العينة. وعند احتساب نتائج الاختبار بالكامل، تراجع التوفير في الرموز الصادرة إلى قرابة 8.5% فقط، وهو مستوى أدنى بكثير من الادعاء المتداول بأن الأسلوب قد يحقق خفضاً يصل إلى 65%.
لماذا جاءت النتائج أقل من التوقعات؟
ترى JetBrains أن سبب الفجوة بين الوعود والنتائج يعود إلى طبيعة عمل وكلاء البرمجة الحديثة. فجزء كبير من استهلاك الرموز لا يذهب في المحادثة المباشرة بين الإنسان والنموذج، بل في قراءة ملفات المشروع، وفهم السياق، وتشغيل الأدوات، واستدعاء الخطوات الوسيطة اللازمة للوصول إلى حل برمجي صحيح. وبعبارة أخرى، فإن اختصار لغة التخاطب وحده لا يمس سوى جزء محدود من إجمالي العبء الحاسوبي.
هذا التفسير مهم للشركات التي تبني استراتيجياتها على خفض تكاليف الاستدلال. فحتى عندما ينخفض عدد الكلمات في التعليمات أو الردود، قد يظل الجزء الأكبر من التكلفة مرتبطاً بعمليات أعمق داخل سير العمل البرمجي، مثل تحليل المستودعات الكبيرة أو توليد مقاطع شيفرة طويلة أو تنفيذ مهام تتطلب سياقاً ممتداً.
كما أشارت نتائج JetBrains إلى أن حسابات التوفير لا تسير دائماً على خط مستقيم. ففي إحدى المهام، وهي مهمة تدقيق اعتماديات البرمجيات، تجاوزت الجلسة عتبة تسعير خاصة بالسياق الطويل داخل Claude Code، ما رفع الكلفة الإجمالية لبعض التشغيلات. ورغم أن هذا الارتفاع ظهر في نسخة التوجيه المختصر، فإن الشركة أوضحت أن المهمة نفسها كانت قد سببت شذوذاً مشابهاً في اختبار الأساس، ما يعني أن السبب يعود لطبيعة العبء نفسه أكثر من كونه نتيجة مباشرة لأسلوب Caveman.
الأداء البرمجي لم يتراجع
رغم أن الوفورات جاءت محدودة، فإن جانباً آخر من الاختبار بدا أكثر إيجابية. فبحسب JetBrains، لم يظهر أي تراجع ملحوظ في معدلات نجاح المهام أو جودة الشيفرة أو زمن التنفيذ عند استخدام أسلوب التوجيه المقتضب. وهذا يعني أن تقليص اللغة لم يأتِ على حساب فعالية أداة البرمجة أو دقة مخرجاتها.
هذه النتيجة تمنح المطورين والشركات مساحة للنظر إلى Caveman بوصفه خياراً تحسينيّاً لا مخاطرة فيه من حيث الجودة، لكنه ليس حلاً سحرياً لتخفيض الفاتورة. وبالنسبة لفرق الهندسة التي تدير عدداً كبيراً من الطلبات اليومية، قد يكون خفض 8.5% مفيداً في بعض الحالات، إلا أن أثره يبقى أقل من أن يغيّر معادلة التكلفة على نطاق واسع بمفرده.
دروس أوسع لهندسة الأوامر
تأتي هذه النتائج ضمن موجة متزايدة من التجارب التي تبحث عن طرق عملية لتقليل استهلاك الذكاء الاصطناعي للرموز دون التضحية بالأداء. فخلال الفترة الأخيرة ظهرت أساليب متعددة لهندسة الأوامر، من بينها مقاربات تعتمد على تنظيم التعليمات بصياغات أكثر كثافة واختصاراً، أو استخدام بنى نصية محددة لتقليل الردود الزائدة. وبعض هذه الأساليب يجذب الانتباه بسبب وعود كبيرة بالخفض، لكن الاختبارات الواقعية كثيراً ما تكشف عن مكاسب متواضعة أو غير مستقرة.
ويبدو أن الرسالة الأهم من اختبار JetBrains هي أن تحسين التكلفة في أدوات الذكاء الاصطناعي يحتاج إلى قياس ميداني دقيق، لا إلى افتراضات مبنية على طول الرسالة أو قصرها فقط. فالتقنيات التي تبدو فعالة في عينات صغيرة قد تفقد جزءاً كبيراً من تأثيرها عندما تواجه مهاماً أكثر تنوعاً وتعقيداً، خصوصاً في بيئات التطوير الفعلية.
كما تذكّر النتائج بأن التكلفة في أنظمة الذكاء الاصطناعي لا تتحدد بعامل واحد. فإلى جانب طول التوجيه أو الرد، هناك وزن كبير للسياق، وتعقيد المشروع، وعدد الأدوات المستخدمة، وطبيعة المهمة نفسها. لذلك فإن أي مؤسسة تفكر في خفض النفقات عبر هندسة الأوامر وحدها تحتاج إلى اختبار ذلك على أحمال العمل الخاصة بها، لا الاكتفاء بالنتائج المعلنة في عروض عامة أو تجارب محدودة.
خلاصة عملية للشركات المطورة
الخلاصة التي يمكن استخلاصها من اختبار JetBrains واضحة: أسلوب Caveman قد يخفف استهلاك الرموز، لكنه لا يحقق وفورات ضخمة كما يُشاع، ولا يغيّر جوهرياً من سلوك أدوات البرمجة المدعومة بالذكاء الاصطناعي. ومع ذلك، فإنه لا يسبب ضرراً ظاهراً في الجودة أو سرعة الإنجاز، ما يجعله خياراً يمكن تجربته ضمن أدوات تحسين التكلفة، شرط تقييمه ضمن بيئة العمل الحقيقية لكل مؤسسة.
وفي سوق تتسارع فيه تطبيقات الذكاء الاصطناعي داخل فرق التطوير، تبقى مثل هذه الاختبارات ضرورية لتفكيك الادعاءات الكبيرة إلى أرقام قابلة للقياس. فالتحدي لم يعد في إظهار أن التوجيه المختصر قد يكون مفيداً، بل في تحديد مقدار الفائدة الفعلية، ومتى تتحول إلى قيمة تشغيلية حقيقية، ومتى تبقى مجرد تحسن هامشي لا أكثر.