Vibe Coding vs. Agentic Engineering in 2026: Which One Survives Production?

منذ ثمانية عشر شهرًا، كانت كتابة التعليمات البرمجية بواسطة الذكاء الاصطناعي تبدو وكأنها مجرد لعبة أو حيلة مسلية. كنت تقوم بلصق موجه الأوامر في نافذة الدردشة، وتراقب دالة برمجية تتجسد أمامك، ثم تشارك لقطة الشاشة على تويتر. وبحلول أوائل عام 2025، أطلق أندري كارباثي على هذه الممارسة اسمًا وهو البرمجة بالانطباع العاطفي (vibe coding)، وفجأة حصل نصف العاملين في القطاع على إذن بالتوقف عن قراءة المخرجات. اليوم، أصبح التطوير بمساعدة الذكاء الاصطناعي هو سير العمل الافتراضي لمعظم الفرق الهندسية، وتحول السؤال من "هل يجب أن نستخدمه؟" إلى "كيف نمنعه من الانهيار تحت وطأة حجمه؟"

هذا السؤال يقسم هذا القطاع إلى معسكرين؛ معسكر يعتمد على الانطباع (vibes)، ومعسكر آخر يقوم بالهندسة الفعالة. والفرق بينهما هو الفرق بين نموذج تجريبي يحظى بالتصفيق ونظام يصمد طوال ربعه السنوي الأول في بيئة الإنتاج الفعلية.

ما هي البرمجة بالانطباع العاطفي (vibe coding) حقًا؟

كان وصف كارباثي الأصلي صادقًا ومباشرًا إلى حد مذهل: أنت تجري محادثة بلغة طبيعية مع الذكاء الاصطناعي، وتقبل الكود الذي ينتجه، ثم تقوم بتشغيله، وإذا حدث عطل ما، تقوم بلصق الخطأ مرة أخرى وتترك الذكاء الاصطناعي يصلحه. لا توجد مراجعة يدوية للكود، ولا يوجد تخطيط لبنية النظام البرمجية. أنت "تستسلم تمامًا للأجواء والانطباع العاطفي" وتترك النموذج يقودك بالكامل.

يعمل هذا الأسلوب بشكل رائع وممتاز ضمن نطاق ضيق؛ فالنماذج الأولية، والأدوات الشخصية، ومشاريع الهاكاثون، ومشاريع عطلة نهاية الأسبوع، وتمارين التعلم كلها تستفيد من سرعة الـ vibe coding. وعندما تكون المخاطر منخفضة والجمهور المستهدف هو أنت فقط، فإن تخطي دورة المراجعة يعد مقايضة منطقية ومبررة. أنت تضحي بالدقة والصرامة مقابل السرعة، وتخرج بشيء يعمل في غضون فترة ما بعد الظهر.

تبدأ المشكلة عندما تتم ترقية مشروع فترة ما بعد الظهر ذلك، كأن يعرضه شخص ما على عميل، أو يطلب شخص آخر إضافة ميزة جديدة، أو يحتاج شخص ثالث إلى تصحيح أخطائه بعد ستة أسابيع دون أي معرفة بالسياق البنائي والبرمجي للمشروع. عند هذه النقطة، يتوقف هذا الأسلوب المبني على الانطباع عن العمل.

كيف تبدو الهندسة القائمة على الوكلاء (agentic engineering)؟

الهندسة القائمة على الوكلاء هي ما يحدث عندما يستخدم المتخصصون الذكاء الاصطناعي كعامل مضاعف للقوة مع الاحتفاظ بالمسؤولية الكاملة عن البنية البرمجية والجودة والتقييم والقرار. يقوم الذكاء الاصطناعي بإنشاء الكود، وكتابة مسودات الاختبارات، واقتراح إعادة هيكلة التعليمات البرمجية، وتسريع كل مرحلة من مراحل دورة حياة التطوير. ولكن يظل العنصر البشري مشاركًا في اتخاذ القرارات التصميمية، ومراجعة الأمن، والتحليل المنطقي على مستوى وبنية النظام ككل.

هذه ليست نسخة أبطأ من الـ vibe coding، بل هي نموذج تشغيلي مختلف تمامًا. يعتمد الـ vibe coding على تحسين المخرجات الفورية واللحظية، في حين أن الهندسة القائمة على الوكلاء تركز على تحسين الصحة البرمجية، والصيانة، وسلامة واستقرار النظام على المدى الطويل. يقوم الذكاء الاصطناعي بالجزء الأكبر من العمل الآلي والميكانيكي، ولكن المهندس يظل المالك والمسؤول الوحيد عن النتيجة النهائية.

هذا التمييز مهم للغاية لأن 78% من موظفي المعرفة يستخدمون الآن وكلاء الذكاء الاصطناعي أسبوعيًا، وفقًا لمؤشر اتجاهات العمل لعام 2026 الصادر عن مايكروسوفت. لم يعد العمل بمساعدة الذكاء الاصطناعي مجرد تجربة عابرة، بل أصبح هو بيئة الإنتاج الفعلية. وبيئات الإنتاج تحتاج إلى انضباط هندسي، وليس مجرد انطباعات عاطفية.

أين تفشل البرمجة بالانطباع (vibe coding)؟

إن طريقة الفشل هنا متوقعة وموثقة جيدًا. فقد اعترف سايمون ويليسون، أحد أكثر الأصوات احترامًا في مجتمع المطورين، مؤخرًا بأنه توقف عن مراجعة الأكواد البرمجية الناتجة عن الذكاء الاصطناعي والمخصصة لبيئة الإنتاج، ووصف هذا النمط بأنه "تطبيع الانحراف" - أي القبول التدريجي بمعايير أقل جودة حتى يفشل شيء ما في النهاية. وتعتبر صراحة ويليسون مفيدة للغاية لأنها تظهر أنه حتى المطورين ذوي الخبرة والانضباط ينجرفون وراء السهولة عندما تبدو المخرجات مقنعة ومقبولة للوهلة الأولى.

وتدعم البيانات هذا القلق المبرر؛ حيث وجدت دراسة أجرتها جامعة أكسفورد حول ضبط أنظمة الذكاء الاصطناعي لتقديم سلوكيات سهلة الاستخدام ومتوافقة مع البشر، أن التركيز والتحسين من أجل إظهار اللطف والود جعل النموذج أكثر عرضة بنسبة 60% لتقديم إجابات خاطئة، مما زاد من معدلات الخطأ بمقدار 7.43 نقطة مئوية. النماذج التي تبدو مريحة وصحيحة ليست بالضرورة نماذج صحيحة بالفعل في مخرجاتها. ففي الـ vibe coding، تكون إشارة الجودة الأساسية للمطور هي "هل يبدو هذا معقولاً؟" - وهو بالضبط نوع الفحص السطحي الذي صُممت مخرجات الذكاء الاصطناعي الودية والواثقة لاجتيازه والنجاح فيه.

حتى أفضل النماذج لها حدود قصوى لا يمكن تجاوزها؛ فقد سجل نموذج GPT-5.5 نسبة 75% في مهام أتمتة سطح المكتب OSWorld، وهو ما يعادل المستوى الأساسي للبشر. يبدو هذا مثيرًا للإعجاب حتى تنظر إلى العكس: معدل فشل بنسبة 25% في المهام الروتينية. بالنسبة لنموذج أولي، فإن فشل حالة واحدة من أصل أربع حالات يعتبر أمرًا مثيرًا للفضول والاهتمام فحسب. أما بالنسبة لنظام إنتاج فعلي يعالج آلاف المعاملات اليومية، فإن هذا الفشل يمثل مسؤولية قانونية ومالية خطيرة.

فجوة الإنتاج التي لم يخطط لها أحد

لقد تم تصميم دورة حياة تطوير البرمجيات بأكملها استنادًا إلى افتراض أساسي وهو: أن كتابة الأكواد البرمجية عملية بطيئة ومكلفة. إن مراجعة الكود، واختباره، وخطوط أنابيب النشر، ومتطلبات التوثيق - كل هذه العمليات وجدت لأن إنتاج الكود كان بمثابة عنق الزجاجة وصعوبة العمل التي تمنح الفرق وقتًا كافيًا للتفكير والتمحيص.

لقد زال عنق الزجاجة هذا الآن؛ فالذكاء الاصطناعي ينتج كودًا أسرع مما يمكن لأي فريق مراجعته، كما أن البنية التحتية المصممة حول الإنتاج البطيء لم تتماشَ وتواكب هذا التسارع بعد. وتقع الاختناقات الجديدة الآن في المراحل السابقة واللاحقة للإنتاج. ففي المراحل السابقة، تحدد جودة المواصفات والقرارات التصميمية ما إذا كان الذكاء الاصطناعي ينتج الشيء الصحيح أم لا. وفي المراحل اللاحقة، يحدد التقييم والاختبار والمراقبة ما إذا كان هذا الشيء الصحيح سيظل يعمل بشكل صحيح وبكفاءة بمرور الوقت.

يخلق هذا الأمر فجوة خفية ولكنها خطيرة؛ فالإشارات التقليدية لجودة الكود - مثل سجل التعديلات النظيف، واجتياز مجموعات الاختبار، والتوثيق المحدث - لم تعد تشير بشكل موثوق إلى أن الإنسان قد فهم بالفعل وفكر فيما تم بناؤه. يمكن للذكاء الاصطناعي إنتاج كل هذه العناصر والمخرجات دون أن يقوم أي إنسان بتحليل سلوك النظام في الحالات الاستثنائية والقصوى (edge cases). وتتفاقم مخاطر الفشل المباشر الصامت بسرعة كبيرة عندما لا يكون هناك من يراقب هذا النظام بدقة.

ما تحتاجه الشركات والمنظمات حقًا

بالنسبة للمؤسسات التي تنشر وكلاء الذكاء الاصطناعي في سير العمل الفعلي والحقيقي، فإن الإجابة ليست "لا تفرط في استخدام الذكاء الاصطناعي لإنشاء الكود" أو "راجع كل شيء يدويًا"؛ فكلا الحلين المتطرفين يفشلان عند توسيع نطاق العمل والمشاريع. الإجابة تكمن في الهندسة القائمة على الوكلاء والمدعومة بثلاثة متطلبات تشغيلية أساسية.

المراقبة المستمرة للدقة والفعالية. يحتاج وكلاء الذكاء الاصطناعي العاملين في بيئة الإنتاج إلى قياس مستمر ومقارنة مستمرة بالحقائق الفردية والثابتة (ground truth)، وليس فقط مجرد تقييم لمرة واحدة عند النشر والتشغيل. النماذج تنحرف بمرور الوقت، وتوزيعات البيانات تتغير؛ فالنظام الذي كان يعمل بأداء ممتاز في مارس قد يتراجع أداؤه وصحته بصمت وبشكل تدريجي بحلول مايو. إن الأنظمة ذاتية التعلم التي تكتشف هذه التحولات وتتكيف معها تتفوق بشكل هائل وكبير على عمليات النشر الثابتة والجامدة.

حلقات التغذية الراجعة التلقائية المباشرة. عندما يرتكب وكيل الذكاء الاصطناعي خطأً ما، يجب أن يتدفق هذا الخطأ ويعود تلقائيًا إلى دورة تعلم النظام دون الحاجة إلى تدخل بشري لإعادة تدريب النموذج أو معالجته يدويًا. هذا هو الفرق الجوهري بين وكلاء الذكاء الاصطناعي الذين يتطورون ويتحسنون بمرور الوقت والوكلاء الذين يكررون نفس الأخطاء مرارًا وتكرارًا على نطاق واسع وعالمي. حلقة التغذية الراجعة هي ما يحوّل الأداة من مجرد برنامج مساعد إلى عضو فاعل وحقيقي في الفريق.

مسارات وشروحات واضحة ومفهومة لاتخاذ القرار. يجب أن يكون كل إجراء يتخذه وكيل الذكاء الاصطناعي في بيئة الإنتاج قابلاً للتتبع والتحليل والتعقب. ليس لمجرد إرضاء متطلبات الامتثال الشكلي، ولكن لأن تصحيح أخطاء نظام لا يمكنك فحصه وتفتيش ما بداخله هو أمر مكلف وبطيء للغاية. عندما يتمكن الفريق المشترك المكون من البشر والذكاء الاصطناعي من رؤية الأسباب الكامنة وراء اتخاذ الوكيل لقرار معين، يمكنهم تصحيح المسار وتحسينه في دقائق معدودة بدلاً من أيام طوال.

ما الذي يجب عليك فعله الآن؟

إذا كان فريقك يتبع أسلوب الـ vibe coding لتطوير النماذج الأولية والأدوات الداخلية، فاستمروا في ذلك؛ فمكاسب السرعة حقيقية وملموسة، ومستوى المخاطر هنا مقبول تمامًا ومناسب لكل تلم المشاريع والأعمال المؤقتة والقابلة للاستبدال.

ولكن، إذا كان فريقك يقوم بإرسال ونشر أكواد برمجية منتجـة بواسطة الذكاء الاصطناعي مباشرة إلى بيئة الإنتاج الفعلية، أو ينشر وكلاء ذكاء اصطناعي في مسارات وسير عمل أساسي وحرج لعملك التجاري، فيجب عليك فورًا تطبيق نموذج الهندسة القائمة على الوكلاء. ويعني ذلك إجراء ثلاثة تغييرات عاجلة وضرورية:

أولاً، إعادة تفعيل المراجعة البشرية للمسارات الحيوية في بيئة الإنتاج. لا يعني هذا فحص ومراجعة كل سطر برمجي يدويًا، ولكن يجب أن يكون لكل قرار مصيري على مستوى بنية النظام، والحدود الأمنية، والتدفق المعلوماتي للبيانات إنسان مسؤول قادر على فهم وشرح سبب وكيفية عمل هذا النظام بوضوح.

ثانيًا، دمج عملية التقييم والاختبار الفعلي المباشر داخل خط أنابيب النشر، وليس بعده. يجب أن تكون مقاييس الدقة، واختبارات التراجع، واختبارات السلوك هي البوابة الأساسية والفيصل الذي يمنع أو يجيز نشر وتمرير الكود تمامًا كما تفعل اختبارات الوحدات (unit tests) اليوم. إذا كنت لا تستطيع قياس ما إذا كان وكيلك يعمل بشكل صحيح وسليم وسلس، فلا يمكنك الادعاء بأنه يعمل بكفاءة ودقة.

ثالثًا، التعامل مع مراقبة الوكلاء واعتبارها كأولوية تشغيلية من الدرجة الأولى. نفس الاهتمام والتركيز الذي تمنحه فرق العمل لوقت التشغيل وزمن الاستجابة وزمن الكمون (latency) يجب أن يمتد ليشمل دقة هذا الوكيل وجودة واتساق القرارات التي يتخذها. استخدام منصة تتميز بالحوكمة المدمجة والتعلم المستمر والدائم يزيل ويوفر عنك وعن فريقك معظم الأعباء وأوقات العمل اليدوية الثقيلة في هذا الجانب.

لقد منحت الـ vibe coding هذا القطاع تجربة واضحة وعرضًا حيًا وشاملاً لما يمكن للذكاء الاصطناعي إنتاجه والوصول إليه، ولكن الهندسة القائمة على الوكلاء هي الطريقة والسبيل الوحيد لجعل هذه القدرة الإنتاجية موثوقة ومستدامة وآمنة للعمل والمؤسسات. والمنظمات التي ستتمكن من فك شفرة هذا الجزء الثاني وإتقانه وتطبيقه بكفاءة بينما لا يزال الجميع مبهورين بالجزء الأول والسرعة الأولية، هم من سيقودون ويستحوذون على السنوات الخمس القادمة من انتشار وتقنيات الذكاء الاصطناعي.

لقد كانت المتعة والبهجة في البدايات والتجارب الفورية عظيمة؛ والآن حان الوقت لبناء شيء قوي، ومستدام، ويدوم طويلاً.