إيمانًا منا بوجوب تسخير الذكاء الاصطناعي العام لصالح الإنسانية بأسرها، فإننا نرى حتمية إدارته بأسلوب ديمقراطي. ولن يتأتى هذا المطلب إلا من خلال حوار عام قائم على المعرفة، يتناول إمكانات أنظمة الذكاء الاصطناعي عالية القدرة وما يكتنفها من مخاطر وما تستلزمه من تدابير حماية. ومن ثمّ، بات لزامًا على كافة الأفراد حول العالم إدراك التوجهات المستقبلية المحتملة لنماذج الذكاء الاصطناعي الرائدة، ليصبح لصوتهم أثر حقيقي وملموس في صياغة آليات تطويرها.
ولا ريب أن الشفافية حيال مخاطر محددة، وما يقع من حوادث، وما يُتخذ من تدابير حماية، أمر لا غنى عنه، إلا أنه يظل غير كافٍ بمفرده؛ إذ نؤمن بوجوب إحاطة الرأي العام بمسار تطور الأنظمة فائقة القدرة، ودورها الفاعل في قيادة التقدم البحثي من قلب المختبرات الرائدة في هذا المجال.
إننا نرمي إلى التطوير الآمن لباحث ذكاء اصطناعي آلي يعمل تحت رقابة بشرية للمضي قدمًا بمسيرة التقدم في التعلم العميق والمواءمة، على نحو يكفل تحقيق تحسينات تراكمية متواصلة. وتُظهر مقاييسنا الداخلية أننا بلغنا بالفعل الغاية التي كنا قد أعلناها(يفتح في نافذة جديدة) في خريف العام الماضي، بامتلاك "متدرب بحثي آلي" بحلول سبتمبر من العام الجاري. ونعني بمصطلح "المتدرب البحثي" نظامًا في مقدوره الاضطلاع بمهام بحثية واضحة المعالم بتوجيه من العنصر البشري، متضمنًا ذلك مهامًا قد تستلزم من الباحث الحاذق أيامًا عدة لإتمامها. وإننا لنسير بخطى حثيثة وواثقة صوب إنشاء باحث ذكاء اصطناعي آلي متكامل بحلول مارس من عام 2028.
شهدت طبيعة المهام اليومية لباحثي OpenAI تغيرًا جوهريًا خلال هذا العام؛ إذ غدا الباحثون يستعينون بوكلاء البرمجة على مدار اليوم (وفي جلسات متزامنة في كثير من الأحيان)، في ظل تزايد متسارع في معدل الاستخدام الكلي على نحو فاق نظيره بين سائر فرق العمل في OpenAI. وأضحى الباحثون يساهمون بالأكواد البرمجية على نحو أسرع وينفذون قدرًا أكبر من التجارب. وعلاوة على ذلك، أخذت الأوجه التي يُسخّر فيها الباحثون هؤلاء الوكلاء في التغير بدورها؛ إذ بات الوكلاء يضطلعون بمهام تتصاعد درجة تعقيدها بصورة مطردة، ويحققون فيها نجاحات متكررة بمعدلات أعلى. ونظرًا لأن أبحاث الذكاء الاصطناعي مسار معقد تكتنفه العديد من المعوقات المحتملة، فمن غير المرجح أن تُجاري وتيرة التقدم الإجمالية هذه المؤشرات الرقمية المحددة. إلا أن هذه النتائج، في مجملها، تتناغم مع الانطباع الأوسع الراسخ لدى قطاع عريض منا في أروقة الشركة، ومفاده أن الأدوات الوكيلة تعجّل بالتقدم البحثي بصورة ملموسة وذات مغزى. ويظل العنصر البشري هو صاحب الكلمة في رسم أولوياتنا البحثية، والبت في أي الأفكار والنتائج يتعين المضي وراءها، فضلًا عن تقرير متى نتحوّل إلى توسيع الأنظمة أو تجميدها مؤقتًا أو تدشينها وتشغيلها.
وفي حال الاضطلاع بهذا المسعى على نحو يتسم بالمسؤولية، فإننا على يقين من أن أبحاث الذكاء الاصطناعي الآلية ستتمخض عن نماذج ترتقي برفاه البشرية ارتقاءً مباشرًا وتسهم في تحقيق غايات OpenAI ورسالتها. فمن شأن ذلك أن يقلص تكلفة الأنظمة الذكية المتقدمة على نحو يتيح ثمارها للجميع حول العالم. وتأتي مساعينا الحثيثة في هذا المضمار مدفوعةً، في جزءٍ منها، بما توفره الأبحاث المؤتمتة من قدرة على حسم مسألة المواءمة وإرساء دعائم الحماية في مواجهة طفرات الذكاء الاصطناعي المتصاعدة. ذلك أن باحث الذكاء الاصطناعي الآلي قادر بدوره على أن يغدو باحثًا آليًا متخصصًا في قضايا الأمان والمواءمة؛ حيث بوسع الأنظمة الأعلى كفاءة والأوثق اتساقًا أن تعزز حماية البنى التحتية الحيوية، وتقف حائط صد أمام وكلاء الذكاء الاصطناعي الضارين، وتبتكر سبلًا وآليات جديدة للتحوط والوقاية.
إن تلك الدوافع تسوغ بالفعل بناء قدرات بحثية آلية نافعة، بيد أنها لا تعني حتمًا أن التحسين الذاتي المتكرر (RSI) المتسارع يُعد غاية يتعين علينا استهدافها. ذلك أن المضي في هذا الدرب من عدمه، وتحديد سبل خوضه، لا بد أن ينبثقا من مدى إحكامنا لزمام السيطرة البشرية، وعبر قرارات ديمقراطية مستنيرة توازن بدقة بين المنافع والمخاطر.
ما زلنا نجهل الكيفية التي تُفضي بأمان إلى التحقيق الكامل والمحكم للمواءمة في ظل تحسين ذاتي متكرر (RSI) شامل. وإننا إذ نسعى جاهدين إلى الارتقاء بتدابير المواءمة والسلامة لتمضي جنبًا إلى جنب مع تصاعد القدرات، لا يمكننا الافتراض مسبقًا بأن وتيرة التقدم في مضماري السلامة والمواءمة ستُجاري بالضرورة ذلك الزخم، لا سيما وأن الأنظمة الأعلى قدرة تغدو عسيرة على الرصد والمراقبة. وعليه، فإن المعالجة المتأنية والدقيقة لملفي المواءمة والسلامة تتبوأ بؤرة هذا الجهد بأسره، وتستهل مسارها بقياس المشكلات الأمنية السائدة اليوم في أنظمة البرمجة الوكيلة والحد من آثارها. وكلما لاح لنا أن الاستمرار ينطوي على مخاطر تمس السلامة ولا قِبَل لنا باحتمالها، فإننا سنتخذ الإجراءات المناسبة على الفور، ويشمل ذلك إبطاء وتيرة تطوير أو نشر الأنظمة التي نعجز عن تأمينها على نحو كافٍ، أو التوقف عن ذلك تمامًا.
وفي أعقاب واقعة Hugging Face الأخيرة، وضعنا هذا الالتزام موضع التنفيذ، إذ علّقنا مؤقتًا عمليات التدريب بالتعلم المعزز (RL) لأحدث نماذجنا المعدة للإطلاق، ريثما نعكف على تشديد الإجراءات الأمنية في بيئاتنا البحثية ومحاكاتها باختبارات تقييم المخاطر، فضلًا عن مد مظلة أنظمة الرصد والمراقبة لتشمل نطاقات أوسع. ولم يقضِ هذا الإجراء بوقف المساعي البحثية قاطبة؛ بل عاودت بعض مسارات وأعباء العمل نشاطها في كنف تدابير رقابية أشد وطأة، في حين ظل جانب منها قيد التعليق. ولقد ارتقينا بمعايير السلامة والمواءمة، وأقحمنا متطلبات الأمان في أعماق دورة عمل النموذج، مشترطين تقديم براهين أكثر قوة تثبت التزام النموذج بالسلوك الموائم على امتداد مسار التدريب بأسره.
نضع اليوم بين يدي القارئ صورة واضحة ومفصلة تبين مدى إسهام الأنظمة الوكيلة في مسيرتنا صوب التحسين الذاتي المتكرر (RSI) طوال الآونة الأخيرة. ولما كانت تلك الأنظمة الوكيلة طارئة على الساحة وتتطور بوقع متسارع، فإن مساعينا الرامية إلى قياسها وتقييمها ما برحت مساعيَ تمهيدية. وإننا، بنشرنا لهذه النتائج الأولية وتفصيل المناهج المتبعة في تحصيلها، لنهدف إلى تبصير الرأي العام، وترسيخ نهج الإفصاح والشفافية العامة، فضلًا عن مؤازرة هذا القطاع في ارتياد معايير قياس موحدة ومجمع عليها.
وختامًا، وكما أوضحنا في وثيقة سياسات الأنظمة الرائدة، فإننا نؤمن بوجوب فرض التتبع العلني لمسار التقدم صوب التحسين الذاتي المتكرر (RSI) علينا وعلى سائر الشركات العاملة في هذا المجال. وبصرف النظر عن وجود مثل هذا التكليف الملزم، فإن خطتنا تقضي بالاستمرار في نهج المكاشفة والشفافية إزاء ما نحرزه من تقدم في التحسين الذاتي المتكرر. وسنواصل الارتقاء بأسلوب الشفافية وتحديثه كلما ارتقت أساليبنا في القياس ونضجت مداركنا، موازنين بدقة متناهية بين هذا التوجه ومقتضيات صون الأمن وحماية المعلومات والبيانات المملوكة للشركة.
في مطلع هذا العام، لم يكن معدل استخدام الباحث المتوسط، المُصنف بناءً على كثافة الاستعانة بالوكلاء في OpenAI، يتعدى حدودًا طفيفة للغاية. وما إن أطل منتصف أغسطس حتى صار هذا الباحث المتوسط يدرج الوكلاء في صلب مهامه بصورة يومية مطردة، بما تتجاوز قيمته 600 دولار يوميًا من حوسبة الاستدلال محسوبة بأسعار واجهات برمجة التطبيقات. في المقابل، قفز معدل الاستخدام لدى الفئة الواقعة في الشريحة المئوية التسعين داخل مؤسستنا البحثية ليتخطى حاجز 7000 دولار من الرموز لكل مستخدم في اليوم الواحد.
لم يكن إجمالي زمن تشغيل الوكلاء داخل المؤسسة البحثية يرقى إلى نظيره من ساعات العمل البشري قبل حلول يونيو 2026، بيد أن تلك المعادلة قد انقلبت مذّاك؛ فاستنادًا إلى مدة يوم العمل القياسي التي تبلغ ثماني ساعات، واعتبارًا من منتصف أغسطس، غدت المؤسسة البحثية في مجموعها توظف جهدًا من عمل الوكلاء يناهز 3.1 أيام عمل مقابل كل يوم عمل بشري واحد.
وثمة زاوية تحليلية أخرى لقراءة هذا المعطى، قوامها استبيان كم الباحثين المعتمدين على مسارات عمل تتسم بدرجة عالية من التزامن المتوازي (كتشغيل أربعة وكلاء فأكثر على نحو متزامن). وعلى النحو المبيّن أدناه، يشهد هذا الرقم تصاعدًا مطردًا. وتستوعب هذه البيانات الإحصائية قيم الذروة اليومية المسجلة لدى كل من الوكلاء المُستحدثين بتوجيه مباشر من المستخدم، فضلًا عن الوكلاء الفرعيين المتولّدين لاحقًا كفروع تابعة لأولئك الذين جرى إطلاقهم بصورة مباشرة.
يتجلّى شطر عظيم من أبحاث الذكاء الاصطناعي في صورة مسار عمل مضنٍ يستلزم جهدًا بشريًا مكثفًا، ويرمي إلى تضمين تحسين مستحدث في ذكاء النموذج أو كفاءته التشغيلية ضمن نماذجنا الجوهرية. وتنهض هذه العملية على أركان ومراحل شتى، ولا يتأتى للقدرات أن ترتقي إلا بتضافر سائر تلك الخطوات واستقامتها معًا؛ حيث يقع على عاتق الباحثين ابتكار تحسينات جديدة، ووضع أطر تقييمية للحكم على مستويات الأداء، وتشييد بنى تحتية تتيح اختبار هذه التحسينات على نطاق موسع، واقتناص العلل البرمجية والسلوكيات المنافية لمعايير السلامة أو التوافق إبان مرحلة التدريب، ثم إدراج الرؤى والأفكار المثبت جدواها في مسار تدريبي أساسي. وقد يكون التعثر في أي جانب من جوانب العملية البحثية كفيلًا بكبح جماح المنظومة بأسرها وتقييد دورتها الكاملة.
إن كتابة الأكواد البرمجية وخوض غمار التجارب هما ركيزتان أساسيتان تنهض عليهما مهام الباحثين في سياق وظائفهم، وتتجلى أمامنا شواهد جلية تبرهن على أن وتيرة هذين المسارين تشهد تسارعًا ملحوظًا.
إن قياس هذه المعطيات الرقمية أمر يسير من الناحية النسبية، غير أن فهم دلالاتها ينطوي على تعقيد ملحوظ؛ فكلما تقدمت أساليب الأتمتة، فإن المهام الأكثر استعصاءً على الحلول الآلية هي التي ستستحوذ على القسط الأوفر من طاقات الباحثين وجهودهم، لتتحول بالتبعية إلى المعوقات الحرجة لمسيرة التطور في المستقبل. وإلى جانب ذلك، تشكل الموارد الحوسبية عنصرًا حاسمًا في وتيرة التقدم، ومن المرجح أن تزداد مركزيتها بمرور الزمن بالتزامن مع انحسار المعوقات الأخرى.
وخلال عام 2026، زاد عدد التجارب التي يجريها كل باحث نشط، ووصل هذا المعدل في أغسطس 2026 إلى أعلى رقم قياسي له منذ بداية التتبع في يناير 2025. وتتزامن هذه الزيادة مع التوسع في استخدام Codex، مع العلم بأن قدرات الحوسبة المتاحة لدينا قد نمت هي الأخرى بدرجة واضحة منذ عام 2025.
تشير كل من الملاحظات العامة والبيانات الداخلية إلى أن مزيج المهام التي يوكلها الباحثون إلى وكلاء البرمجة آخذ في التغير، حيث أصبح توكيل المهام الأعلى مستوى وتلك التي تمتد على آفاق زمنية أطول أكثر شيوعًا بمرور الوقت.
للحصول على رؤية أوضح لهذا المسار، قمنا بتحليل معدلات الاستخدام الأخيرة في قطاع الأبحاث بالاستناد إلى تصنيف نُشر مؤخرًا(يفتح في نافذة جديدة) لمختلف أنماط العمل التي تشكل جزءًا من دورة البحث والتطوير في مجال الذكاء الاصطناعي، وهو تصنيف طورته مؤسسة Epoch AI. ويستند هذا التصنيف، المستوحى من نظام O*NET العريق لتصنيف مختلف المهن والأعمال، إلى طبيعة البحث والتطوير الخاصة بنماذج الذكاء الاصطناعي الرائدة، ويقسم العملية البحثية إلى ست مراحل رئيسية:
اتخاذ القرار: تحديد أولويات العمل ومساراته، وتحديد ما يستحق الاستمرار أو الإيقاف، وكيفية توجيه الموارد وتوزيعها
التصميم: بلورة الأفكار البحثية وصياغة المواصفات الهندسية
البناء: كتابة الأكواد البرمجية وإعداد مجموعات البيانات
التشغيل: إطلاق جولات التدريب والتقييم، وإدارة العتاد، وخدمات الاستضافة وتقديم النماذج
التحليل: تقييم التجارب والنماذج، ومتابعة النشر، والاطلاع على الأعمال الخارجية
التواصل: مشاركة النتائج، والملاحظات التقييمية، وتحديثات الحالة، والقرارات المتخذة
يعرض الجزء التالي تصنيفًا لحجم استهلاك الرموز لدى وكلاء كتابة الكود حسب هذا النموذج.
نلاحظ أن جميع فئات الأنشطة البحثية قد شهدت ارتفاعًا بين شهري يناير وأغسطس من عام 2026. ففي يناير، كانت الفئة المهيمنة هي كتابة الأكواد البرمجية للأبحاث والبنية التحتية؛ ورغم استمرار توسع هذه الفئة، إلا أننا نشهد أيضًا زيادات ملحوظة في فئات إضافية، ولا سيما الدعم الفني ومراقبة جولات التشغيل. ومع ذلك، لا يزال التخطيط رفيع المستوى يمثل حصة ضئيلة للغاية من إجمالي الرموز الصادرة عن الوكلاء.
وعلى صعيد التجارب الواقعية، يشير الزملاء إلى تفوق وكلاء كتابة الأكواد البرمجية في حل مشكلات البنية التحتية البحثية الداخلية، مما يسهم في إزالة عقبة رئيسية كانت تعطل مسيرة الأبحاث. وقد رصدت عدة فِرق—كانت تنظم سابقًا جلسات استشارية دورية لمعاونة الباحثين في حل أعطال تجاربهم—تراجعًا في الإقبال عليها خلال عام 2026، بل إن أحد الفرق ألغى هذه الجلسات كليًا لتوجيه تركيزه نحو تطوير جوانب أخرى في النظام.
نوضح في هذا الرسم البياني المعدل اليومي للمنشورات الأساسية عبر إحدى أهم قنوات التواصل الداخلية المخصصة لطلب الباحثين المساعدة التقنية من فرق العمل الأخرى. وحسب علمنا، لم يقابل هذا الهبوط في نشاط القناة تحولٌ في الأسئلة نحو قنوات دعم أخرى يديرها موظفون. وعليه، فإن تراجع حركة التفاعل هنا يتماشى تمامًا مع هذا التحول العام.
يمكننا كذلك دراسة مدى نجاح وكلاء البرمجة في إنجاز المهام التي يطلبها الباحثون. فباستخدام مصنِّف وكيلي، وجدنا أن معدلات النجاح قد ارتفعت عمومًا في الفترة من يناير إلى يوليو عبر عدة فئات تدرّج في الصعوبة (تُقاس تقريبيًا بالوقت التقديري الذي قد يستغرقه الباحث البشري لإكمال المهمة)، وذلك للمهام التي استطعنا تحديد نتيجة مرجعية مؤكدة لها. ومع ذلك، لا يزال الوكلاء بحاجة إلى توجيه بشري ملموس لتحقيق النجاح، لا سيما مع ارتفاع وتيرة تعقيد المهام؛ فخلال الأشهر الستة الماضية، تطلّب أكثر من نصف المهام الناجحة الممتدة من 4 إلى 8 ساعات تدخلًا بشريًا واحدًا أو أكثر.
شهدت معدلات النجاح في إنجاز مهام الباحثين ارتفاعًا بمرور الوقت. ويستثني المخطط البياني التصنيفات ذات النتائج غير المؤكدة، فضلًا عن النقاط البيانية التي تستند إلى أقل من 50 جلسة أو أقل من 50 مستخدمًا فريدًا.
معدل نجاح المهام ونسبة التدخل البشري من يناير إلى يوليو، موزعة حسب الأفق الزمني. يستثني المخطط التصنيفات التي كانت نتائجها غير مؤكدة.
يرتبط المضي قدمًا نحو تطوير أنظمة أكثر كفاءة لخدمة ذكاء اصطناعي عام آمن ونافع بالضوابط الوقائية الضرورية لهذه الجهود؛ علمًا بأن تقديرنا لطبيعة هذه الضوابط قابل للتعديل كلما تكشفت لنا أبعاد جديدة للمخاطر.
وكما أوضحنا سابقًا، أدخلنا مؤخرًا تعديلات على معايير المتابعة وتوجيه النماذج والأمان. ونوضح في هذا الصدد مدى تأثير الإجراءات والقيود الأخيرة على أحد جوانب العمل البحثي.
*كان الهدف من الغالبية العظمى للموارد الحاسوبية المخصصة لنموذج Astra والموضحة هنا بين 20 يوليو و6 أغسطس هو اختبار مدى فاعلية تطبيق تحسينات السلامة والأمان.
في 20 يوليو، وعقب اكتشاف اختراق الوكلاء لبنيتنا التحتية البحثية، أوقفنا خدمة الحاويات المستخدمة في التدريب مؤقتًا، ثم أعدنا تشغيلها لاحقًا في ظل قيود وضوابط إضافية مشددة.
وقد تسبّب هذا في هبوط ملحوظ في القوة الحاسوبية المستهلكة في تدريب التعلم بالتعزيز تزامنًا مع إعادة هيكلة الفرق لإجراءات عملها بما يتوافق مع بيئة البحث الأمنية المشددة. ويشمل المخطط البياني أعلاه فترة التعليق التي استمرت أسبوعين في أبحاث التعلم بالتعزيز على أحدث نماذجنا الموجهة للنشر والتطبيق العملي. كما تضمنت تجارب التعلم بالتعزيز لفئة نموذج Astra بين 20 يوليو و6 أغسطس أغلبية تشغيلية (من حيث حصص معالجات الرسوميات GPU) استهدفت في الأساس اختبار فاعلية تطبيق تحسينات السلامة والأمان.
في 7 أغسطس، قادت أدلة أولية تشير إلى احتمالية امتلاك نموذج Astra لقدرات سيبرانية حرجة، وفقًا لإطار الجاهزية(يفتح في نافذة جديدة) لدينا، إلى فرض قيود أمنية إضافية خاصة بهذا النموذج، استلزمت تشغيل نموذج Astra ضمن بيئات بحثية ذات مستويات أمان فائقة. وخلال الأسبوع التالي، تراجعت حصة معالجات الرسوميات GPU المخصصة لفئة نموذج Astra بنسبة 59.2% إضافية، إلا أن المخصصات الموجهة لفئات النماذج الأخرى ارتفعت بمعدل 17.2%. وقد عوّض هذا الارتفاع قرابة 85% من حجم الانخفاض المسجل في فئة نموذج Astra، ما أبقى إجمالي المخصصات الحاسوبية عبر أعباء عمل التعلم بالتعزيز الخاضعة للتحليل ثابتًا إلى حد كبير. ويتسق هذا النمط مع فرضية إحلال بعض مسارات التدريب والتجريب لصالح نماذج أخرى غير تابعة لنموذج Astra إبان فترة تقييد العمل على هذا النموذج، كما يتوافق مع إفادات ومشاهدات الباحثين حول توجيه الموارد الحاسوبية نحو استخدامات بديلة بعدما تعذر توظيفها في أعباء العمل المشمولة بالضوابط الجديدة.
توفر هذه البيانات مؤشرًا بالغ الأهمية للنقاشات الجارية حول التدريب ومعايير السلامة؛ فعند فرض ضوابط جديدة، تظل الموارد الحاسوبية تحتفظ بقيمتها ومرونتها العالية، ويُعاد توجيهها بطبيعة الحال نحو مسارات واستخدامات بديلة داخل المنظومة البحثية. وعلى المدى الطويل، ينبغي أن تتسع المداولات المعنية بضبط وتيرة تقدم الذكاء الاصطناعي لتشمل كيفية الاستثمار الأمثل لتلك الموارد الحاسوبية الخاضعة لضوابط مفروضة أو مقترحة حديثًا.
إن إحراز التقدم وفهمه نحو تحقيق تحسين ذاتي متكرر متوائم يمثل ركيزة جوهرية لمهمتنا. وسنواصل صقل منهجياتنا، وتقديم تقارير دورية تعكس تطور فهمنا لهذه المسائل، والعمل على إرساء نقاش عام مستنير وحوكمة ديمقراطية هادفة للأنظمة الرائدة.
لا تزال الأبحاث في مجال الذكاء الاصطناعي القائمة على الوكلاء في بداياتها، وما زلنا في طور استكشاف السبل المثلى لقياس أدائها. ففي حين يسهل رصد بعض المؤشرات نسبيًا، مثل كمية الأكواد البرمجية التي تولدها فرقنا البحثية، إلا أنه يصعب استنباط دلالاتها نظرًا لعدم وضوح مدى ارتباطها بالتقدم البحثي الفعلي. ومن هذا المنطلق، قد تكون المقاييس التي تركز بصورة أكثر مباشرة على تقدم الأبحاث، كمعدل نجاح الوكلاء في إنجاز المهام التي يُسندها إليهم الباحثون، أكثر فائدة، غير أن تطويرها والتحقق من دقتها يمثلان عملية معقدة. وما يزيد هذا الأمر صعوبة هو الوتيرة المتسارعة لتطور الأدوات والأنظمة التي يعتمد عليها الباحثون؛ لذا يمثل تعميق فهمنا لآليات تسريع وتيرة البحث العلمي أحد أهم مجالات التركيز المحورية في OpenAI.
في مختلف هذه التحليلات، ما لم يذكر خلاف ذلك:
نستخدم كلمة "باحث" كتعريف عام يشمل جميع المنتمين لقطاع الأبحاث لدينا، بمن فيهم مسؤولو تطوير البنية التحتية، ومديرو المشاريع، والكوادر الداعمة لمنظومة العمل ككل.
ترصد مؤشرات استخدام وكلاء كتابة الأكواد البرمجية معظم حالات الاستخدام وليس كلها، بالنظر إلى وتيرة التحديث السريعة في الأدوات والمنظومات التي يعتمد عليها الباحثون.
