AI וסטודנטים
אני משתמש ב-AI לרוב עבודת הקוד שלי כי קודם השקעתי עשרות שנים בלימוד היסודות. סטודנטים ומתחילים צריכים גישה אחרת: להשתמש ב-AI כדי לתמוך בעבודה בלי למסור לו את החשיבה.
אני, סניור עם שנים של ניסיון, אעשה vibe coding ב-100%. אתם, סטודנטים, ג׳וניורים, חייבים לכתוב ביד כמה שיותר, לתת ל-AI לעשות את המשימות השגרתיות יותר במקביל, ואתם חייבים לבדוק הכול ידנית. אתם צריכים עשרות אלפי שעות של תרגול מכוון ולימוד כדי להפוך למישהו שאחר כך יידע מה לבקש מה-AI לעשות בשבילו. לא לפני כן.
Eu, sênior, anos de experiência, vou fazer 100% vibe codar. você, estudante, júnior, DEVE escrever o máximo possível na mão, deixar a IA fazer tarefas mais mundanas, em paralelo, e você DEVE revisar tudo manualmente. Você precisa de dezenas de milhares de horas de prática deliberada, estudo, pra se tornar alguém que, depois, vai saber o que mandar a IA fazer por você, não antes.
המסקנות
- 1
AI מכפיל את מה שאתם כבר יודעים. אם אין הרבה מה להכפיל, מקבלים מעט מאוד.
- 2
קיצורי דרך שנמכרים כקריירה כבר קרסו פעם אחת. החדש הוא אותה הבטחה.
- 3
למידה על טייס אוטומטי לא נקלטת. המחקרים עד עכשיו מסכימים.
- 4
העבודה שנשארת בעלת ערך זקוקה לאנשים שיודעים לשפוט את התוצר, בזמן שהגיוס למשרות כניסה מצטמצם.
- 5
AI לא יכול לנחש את המטרה, המגבלות או הפשרות שלכם. לדעת אותן, זו העבודה.
- 6
בבנצ׳מרק שלי, לתת למודל בדיקות שינה את התוצאות. בחרו את השפה שמתאימה לבעיה.
- 7
AI משכפל את מה שציבורי. הפערים שהוא משאיר, בעבודה פרטית וחדשה, הם העבודה, והיסודות הקשים הם הדרך למלא אותם.
- 8
כתבו ביד, תנו ל-AI את העבודות השחורות, בדקו הכול, והשקיעו את השעות.
הדבר היחיד שחשוב הוא המציאות האובייקטיבית.
A única coisa que importa é realidade objetiva.
AI מכפיל את מה שאתם מביאים
אותו כלי נותן לסניור יותר עבודה טובה, מהר יותר, ונותן למתחיל יותר ממה שיש למתחיל, כולל הטעויות.
- AI יכול להכפיל טעויות כשהיסודות חלשים. עם יסודות חזקים, הוא יכול להכפיל עבודה מועילה.
- מי שמבין מערכות הפעלה, מסדי נתונים, רשתות, מבני נתונים וקומפיילרים משתמש בסוכנים כשלד חיצוני. מי שלא, משתמש בהם כקב. שלד חיצוני מגביר כוח; קב רק מסתיר חולשה.
- דוח DORA 2025 של Google מצא את אותו הדבר בצוותים: “AI לא מתקן צוות; הוא מגביר את מה שכבר קיים.”
- ומישהו צריך לבדוק את התוצר. בבדיקה של Veracode מ-2025 על יותר מ-100 מודלים, 45% מדוגמאות הקוד נכשלו בבדיקות אבטחה והכניסו פגיעויות מה-OWASP Top 10.
- אם אתם מנוסים ועדיין מתנגדים, תפסיקו. אין שום הישג בלכתוב Dockerfile או Makefile ביד בפעם המאה. העבודות השחורות הולכות ל-AI; היסודות לא.
מתכנת שמוכן היטב לא יוחלף. אמרתי את זה בבירור: אני לעולם לא אוחלף.
Programador bem preparado não vai ser substituído. Disse claramente: "EU" nunca vou ser.
כבר ראינו את הקיצור הזה
לפני ה-AI, ההבטחה הייתה בוטקאמפ: חודשיים ואתם מרוויחים משכורת של Google. זה נגמר בסגירות ובפיטורים.
- מספר בוגרי הבוטקאמפים גדל בערך פי שמונה בין 2013 ל-2018. Lambda School פרסמה שיעורי השמה “של עד 86 אחוז”; הלשכה להגנה פיננסית על הצרכן (CFPB) מצאה שהמספרים הפנימיים שלה היו קרובים יותר ל-50%, ולפעמים נמוכים עד 30%.
- ואז הכסף הזול נגמר. בוטקאמפים נסגרו ב-2023 וב-2024, 2U הודיעה בסוף 2024 שהיא יוצאת מהתחום, ותעשיית הטק פיטרה יותר מ-150,000 עובדים בשנה ההיא לבדה.
- פתחתי את Akitando ב-2018 בדיוק בשביל זה: להכין מתכנתים אמיתיים לשרוד את פיצוץ הבועה. ב-2022 אמרתי לאנשים לבטל את הקורסים ולהפסיק להאמין למשפיענים.
- מה שהקורסים האלה לימדו, טפסים, CRUD, דוחות והעתקים של אותו ממשק, זה בדיוק מה ש-LLMs משכפלים הכי טוב. רוב המשרות האלה כבר נחתכו אחרי 2022.
- עכשיו אותה הבטחה חוזרת בפנים חדשות: לא צריך ללמוד לתכנת, ה-AI עושה את זה בשבילכם. אף אחד לא הופך למהנדס בבוטקאמפ של חודש, ואף אחד לא הופך למהנדס מכתיבת פרומפטים.
למידה על טייס אוטומטי לא נקלטת
המחקרים עד עכשיו מצביעים לאותו כיוון: כשה-AI חושב במקומכם, אתם לא לומדים.
- 17 נק׳
- פחות נקודות בבוחן למהנדסים, רובם ג׳וניורים, שלמדו ספרייה חדשה עם AI
- 17%
- ציונים נמוכים יותר במבחן לתלמידים שתרגלו עם GPT-4 רגיל, אחרי שנלקח מהם
- 19%
- איטיים יותר: מפתחים מנוסים עם AI, שעדיין האמינו שהם מהירים יותר
- המחקר של Anthropic עצמה, ינואר 2026: מהנדסים, רובם ג׳וניורים, שלמדו ספרייה חדשה (Trio) עם AI קיבלו 50% בבוחן, לעומת 67% אצל מי שכתב קוד ביד, בלי חיסכון משמעותי בזמן. מי שהשתמש ב-AI כדי להסביר מושגים שמר על רוב הלמידה; מי שהעביר לו את הקוד קיבל מהציונים הנמוכים ביותר.
- במחקר ב-PNAS עם כ-1,000 תלמידי תיכון, GPT-4 רגיל העלה את ציוני התרגול ב-48% ואז הוריד את ציוני המבחן ב-17% אחרי שנלקח מהם. מורה פרטי שנבנה כדי לגרום להם לחשוב מנע את רוב ההפסד.
- הניסוי של METR מ-2025: מפתחי קוד פתוח מנוסים עבדו 19% יותר זמן עם AI, ואחר כך עדיין האמינו שהוא הפך אותם למהירים ב-20%.
- פרה-פרינט של MIT, שעדיין לא עבר ביקורת עמיתים, מצא שאנשים שכתבו חיבורים עם ChatGPT התקשו לצטט את העבודה של עצמם.
מסלול הכניסה נעשה צר יותר
חברות עדיין מגייסות אנשים שיודעים לבדוק ולהחליט. הן מגייסות הרבה פחות מתחילים כדי להקליד.
- 65%
- פחות גיוס של בוגרים טריים בחברות הטק הגדולות מאשר ב-2019
- 4.5%
- ממודעות הדרושים בפיתוח תוכנה הן למשרות כניסה (רבעון 1 של 2026)
- 19%
- פחות בני 22 עד 25 מהצפוי במשרות החשופות ביותר ל-AI
- SignalFire, 2026: גיוס בוגרים טריים ירד בכ-65% בחברות הטק הגדולות וב-76% בסטארטאפים בשלב מוקדם בהשוואה ל-2019, בזמן שגיוס מהנדסים בחברות הטק הגדולות ירד רק ב-11%.
- Indeed: משרות כניסה היו 4.5% ממודעות הדרושים בפיתוח תוכנה בתחילת 2026. מודעות הדרושים צמחו בכמעט 15% אחרי ש-Claude Code יצא בפברואר 2025, ו-71% מהצמיחה הזו היו משרות סניור.
- מחקר ה-“Canaries” של Stanford: התעסוקה של בני 22 עד 25 במשרות החשופות ביותר ל-AI, כולל מפתחי תוכנה, נמוכה ב-19% ממה שהייתה אילו שמרה על הקצב של משרות פחות חשופות, בעיקר בגלל פחות גיוסים. החוקרים מקפידים לקרוא לזה תיאורי ולא סיבתי.
- לבוגרים טריים במדעי המחשב יש אחד משיעורי האבטלה הגבוהים מכל תחום לימוד (7.0%) אבל אחד משיעורי התת-תעסוקה הנמוכים (19%, לעומת 39% בסך הכול): כשמגייסים אותם, זה בדרך כלל למשרה שדורשת את התואר. מסלול הכניסה הרגיל הוא עדיין תואר ראשון.
AI לא יכול לנחש מה אתם צריכים
הוא עושה מה שביקשתם, והוא לא עושה מה שלא ביקשתם. לדעת מה לבקש, זו העבודה.
- סוכן קוד צריך שתסבירו לו את המטרה, ההקשר, האילוצים, סדרי העדיפויות, מה אסור שיישבר, אילו דרכים מקובלות ואיך מודדים הצלחה. הרבה מתכנתים אף פעם לא למדו להגיד את זה.
- הדרך שלי לדבר עם סוכן בנויה מארבעה חלקים: מה אני רוצה, איך, מה אני לא רוצה, ואיך אנחנו בודקים. אי אפשר למלא אותם בלי להכיר את התחום.
- אפילו באפליקציה קטנטנה, כל דבר שנבנה ב-vibe coding ועולה לפרודקשן חייב לעבור בדיקה של מתכנת מנוסה. זה לא אופציונלי.
בדיקות חשובות יותר מהשפה
באוקטובר 2026 נתתי ל-4 מודלים את אותה משימה קשה ב-7 שפות. אף שפה לא יצאה בראש.
- 112
- ניסיונות: 7 שפות, 4 מודלים, 2 תנאים, 2 הרצות לכל אחד
- 24
- תוצאות נכונות משני המודלים החלשים כשנתתי להם את הבדיקות
- 16
- תוצאות נכונות מאותם מודלים בלי הבדיקות
- שני מודלי החזית פתרו נכון כל ניסיון שנספר, בכל שפה.
- כל כישלון שבר כלל של הבעיה עצמה. אף אחד מהם לא היה שגיאת טיפוסים, כך שאף קומפיילר לא היה תופס אותם.
- למדו לכתוב בדיקות, והפכו כל באג לבדיקה. המיומנות הזו עובדת בכל שפה, עם כל מודל.
אם AI יכול לעשות את כל התכנות, למה ללמוד?
כי הוא לא יכול לעשות את כולו. הוא משחזר את מה שראה, ומה שהוא לא ראה זה בדיוק המקום שבו נמצאות המשרות הבאות.
- המודלים למדו מקוד ציבורי. רוב הקוד בעולם פרטי, 81.5% מהתרומות ב-GitHub לבד, ובעיה שאף אחד לא פתר קודם לא נמצאת באף סט אימון.
- איפה שמשהו דומה פורסם, AI משכפל אותו מהר. איפה שלא, הוא מסתובב בלולאות ארוכות ויקרות, ומישהו צריך לקחת את ההגה: להגדיר מה זה “נכון”, לבנות את האורקל, לכתוב בדיקות עם יעדים אובייקטיביים, למצוא את המקור שאף אחד לא פרסם, ולשים לב כשהסוכן מתחיל להסתובב במעגלים.
- עם קוד legacy זה אותו סיפור. אין קהילת קוד פתוח גדולה של COBOL: הקוד שמריץ בנקים, חברות ביטוח וממשלות הוא פרטי, והמודלים כמעט לא ראו אותו.
- כל אחת מהעבודות האלה צריכה מישהו שמבין את הבעיה מלמטה: איך מחשבים, מערכות הפעלה, קומפיילרים, רשתות ומסדי נתונים באמת עובדים. זה הידע הקשה שרוב האנשים מדלגים עליו.
- לדעתי, זו ההזדמנות. ככל שפחות אנשים מוכנים ללמוד את היסודות בדרך הקשה, כך שווים יותר אלה שכן. הם יהיו הדור שסוגר את הפערים שהמודלים לא מצליחים לסגור לבד.
המיומנות שהמכונה הכי צריכה מכם היא זו שהיא הכי פחות מסוגלת ללמוד מהאימון שלה.
A habilidade que a máquina mais precisa de você é a que ela menos consegue aprender com o treino dela.
מה באמת עמד מאחורי “ה-AI עשה את זה”
ai-memory, מערכת הזיכרון בקוד פתוח שלי לסוכני קוד, נכתבה ברובה על ידי AI. כל מה ששומר עליה נכונה הגיע מהבדיקה וההכוונה שלי, שבוע אחרי שבוע.
- 4,743
- מילים של כללים לסוכנים ב-AGENTS.md
- 16
- אינווריאנטים שאסור להם להישבר אף פעם
- 22
- גבולות אבטחה נאכפים, כל אחד ממופה לשומר ולבדיקות עוינות
- 3,000+
- בדיקות יחידה
- 600+
- בדיקות אינטגרציה
נספר במאגר ב-27 בספטמבר 2026.
- בערך 65 הנחיות מפורשות, 28 הערות זיכרון אצורות שקיימות בגלל טעויות ספציפיות, ויותר מ-60 מסמכים עם מחקר, תחקירים והחלטות ארכיטקטורה.
- שום דבר מזה לא היה שם ביום הראשון. אלה שבועות של מעקב אחרי ה-AI שעושה את רוב העבודה כל יום וליטוש שלה, והליטוש תלוי בניסיון.
- כל שכבה מסמנת מקום שבו ה-AI לבד לא הצליח, והייתי צריך לדעת איך לתקן.
שום דבר מזה לא אוטומטי, לא נעשה על ידי ה-AI. כל זה הוא המקום שבו ה-AI לבד לא מצליח ואני צריך לדעת איך לכוונן. אף חובבן לא יכול לעשות את זה.
Nada disso é automático, feito pela IA. Tudo isso é onde a IA sozinha não consegue fazer e eu preciso saber com ajustar. Nenhum amador consegue fazer isso.
אם אתם סטודנטים או ג׳וניורים
השתמשו ב-AI כמו שסניור משתמש במתמחה: לעבודות השחורות. הלמידה חייבת לעבור דרך הידיים שלכם.
- כתבו ביד כמה שאתם יכולים. תשברו, תדבגו, תתקנו. להיתקע זה חלק מהעניין: החוקרים של Anthropic כותבים שמאמץ קוגניטיבי, “אפילו להיתקע בצורה כואבת”, כנראה חשוב לשליטה.
- תנו ל-AI לטפל במשימות השגרתיות במקביל, ובקשו ממנו להסביר מושגים, לא לכתוב את הקוד שאתם אמורים ללמוד ממנו.
- בדקו כל מה שהוא מייצר, שורה אחרי שורה. אם אתם לא יכולים להסביר שינוי, אתם לא מוכנים לקבל אותו.
- תספרו את השעות. מאפס ועד משרת הג׳וניור הראשונה יש לפחות בערך 1,400 שעות של לימוד ותרגול; לדעתי, שליטה דורשת עשרות אלפים. לכנרים הטובים ביותר של Ericsson היו יותר מ-10,000 עד גיל 20, ומחקרים מאוחרים יותר מראים שתרגול הוא לא כל הסיפור, אבל שום דבר לא מחליף אותו.
- סניור הוא מי שהיה ג׳וניור בכל נושא שהוא שולט בו.
הארכיון של Akitando
יצרתי את הערוץ בין 2018 ל-2024 כדי ללמד את היסודות שנשארים נכונים כשהכלי האופנתי מתחלף: 146 סרטונים, יותר מ-96 שעות. עכשיו כשיש סוכנים, הארכיון הזה חשוב יותר מתמיד. הסרטונים והתמלולים בפורטוגזית; הכתוביות המתורגמות אוטומטית של YouTube עוזרות.
RANT: Programação NÃO É Fácil
· 32:22
למה תכנות זה לא קל, ולמה כמה שבועות של קורס לא יהפכו אתכם למתכנתים.
לקריאת התמלול
Guia DEFINITIVO de Aprendendo a Aprender | A maior BRONCA da sua vida [RATED R]
· 1:04:37
איך ללמוד לבד, דרך יסודות ובעיות אמיתיות, בלי לרדוף אחרי תעודות.
לקריאת התמלול
O Guia +Hardcore de Introdução à COMPUTAÇÃO
· 1:18:28
בונים מחשב 6502 על מטריצה (הערכה של Ben Eater): בינארי, זיכרון, Assembly והמחסנית.
לקריאת התמלול
Hello World Como Você Nunca Viu! | Entendendo C
· 1:09:22
מה Hello World ב-C באמת עושה, עד רמת הזיכרון והפוינטרים.
לקריאת התמלול
Linguagem Compilada vs Interpretada | Qual é melhor?
· 1:11:44
קומפיילרים, אינטרפרטרים, מכונות וירטואליות ו-JIT.
לקריאת התמלול
Introdução a Redes: Como Dados viram Ondas? | Parte 1
· 37:59
רשתות מלמטה למעלה, מביטים לאותות ולפקטות. חלק 1 מתוך 6.
לקריאת התמלול
להמשיך ללמוד בלי ההייפ
הספר החינמי מחבר בין הטיעונים על AGI, משרות, חינוך ושימוש מעשי. תהליך העבודה מראה איך אני מיישם את הרעיונות האלה בעבודה אמיתית.