מדוע עוזרי קידוד מבוססי AI עלולים למנוע היווצרות מומחיות אמיתית

המפתח לארס פאיי פרסם מאמר הטוען שהסתמכות כבדה על עוזרי קידוד מבוססי בינה מלאכותית מחלישה את הדרך שבה נבנית מומחיות בתכנות. בפוסט בבלוג האישי שלו הוא מכנה זאת “פרדוקס המתזמר המיומן”: אותה שיקול דעת שנדרש כדי להוביל סוכן AI באופן מקצועי היא בדיוק זו שנשחקת כשהסוכן מבצע את רוב העבודה.

מי מרוויח מהמודלים

פאיי מציין שהמפתחים שמפיקים את המרב מהכלים האלה הם בדרך כלל ותיקים שידע שלהם נוצר לפני עידן כלי ה-AI, משום ששנות תרגול אפשרו לו להתגבש. לעומתם, מהנדסים שנכנסו לתחום עם הופעת המודלים הלשוניים הגדולים אינם נהנים ממאגר כזה, ובכל זאת דוחפים אותם להאיץ בעזרת כלים שלפי הגדרתו דורשים היסטוריה של מומחיות כדי להשתמש בהם ביעילות ובאחריות.

את העוזרים משווקים לעיתים קרובות כמאיצי למידה. פאיי טוען שההשפעה הדומיננטית הפוכה: המודל עונה לכל שאלה, ולכן מפתח בלי ידע מעמיק לא יכול להבחין בין תשובה נכונה לתשובה סבירה, והמכניקה של הקוד נשארת מוסתרת.

מה מדדו המחקרים

הוא מצטט שלושה מחקרים. ניתוח של JetBrains שצפה במפתחים צעירים במפגשי קידוד חיים מצא שאלה שנשענו במידה הרבה ביותר על העוזר דילגו לעיתים קרובות על שלבי תכנון קריטיים וסיימו עם “אשליית כשירות במקום הבנה אמיתית”; המשתתפים שהגבילו או התעלמו מההצעות הגיעו לתוצאות הטובות ביותר. מחקר של אוניברסיטת פנסילבניה מ-2025, שעקב אחר כ-1,000 סטודנטים שלמדו מתמטיקה, מצא שמשתמשי ה-AI השיגו תוצאות גרועות בכ-17% מאלה שלמדו רק מספר לימוד — ובכל זאת סברו שהם מצליחים יותר. מחקר של Anthropic מ-2026 על כישורי קידוד הגיע למסקנה דומה: מאמץ קוגניטיבי, ואפילו להיתקע, חשובים לרכישת שליטה.

החיכוך הוא שבונה מיומנות

הטענה המרכזית במאמר היא שמומחיות נולדת מחיכוך מעשי — רדיפה אחר שגיאה עלומה, מדידת הבדל עדין בביצועים, כתיבה מחדש של גישה שלא תחזיק בקנה מידה. העבודה הזו מייצרת את מה שפאיי מכנה טעם מפתחים, או אינטואיציה, ואי אפשר לספוג אותה בצפייה או בשאלות.

המרשם שלו אינו לנטוש את הכלים אלא להשתמש בהם כשותפים סוקרטיים ותיעוד אינטראקטיבי ולא כמכונות תשובות, ולהבחין בין פריקה קוגניטיבית — האצלת עבודה מכנית — לבין חוב קוגניטיבי, שהוא מגדיר כוויתור על שיקול הדעת. אם התעשייה תמשיך לייצר מומחים אמיתיים, הוא כותב, תלוי במעבר הזה.