‏CTO بریز: چطور در ۳ ماه تیم ۳۰۰ نفره‌مون رو AI-first کردیم

جان هایمن، هم‌بنیان‌گذار و CTO بریز (Braze)، در گفتگو با پادکست Stack Overflow از تجربه تبدیل یه تیم مهندسی ۳۰۰ نفره به یه سازمان AI-first در کمتر از سه ماه می‌گه. بریز یه پلتفرم تعامل با مشتری‌ه که نزدیک به ۱۵ ساله داره رشد می‌کنه و هایمن از همون روز اول با فنی‌ترین لایه‌های محصول درگیر بوده.

به گفته هایمن، مسیر AI در بریز از code completion ساده شروع شد — ابزارهایی مثل GitHub Copilot. ولی وقتی Claude Code اواخر فوریه ۲۰۲۵ منتشر شد، همه چیز عوض شد. اون شب سر شام با همسرش نمی‌تونست از حرف زدن درباره‌ش دست بکشه و اسکرین‌شات می‌فرستاد برای هم‌بنیان‌گذارش. بعدش طی دو ماه دسترسی به ابزارهایی مثل Cursor، GitHub Copilot پیشرفته‌تر، و Claude Code از طریق AWS Bedrock رو برای تیم فراهم کرد.

نقطه عطف واقعی ولی آگوست ۲۰۲۵ بود. تیم تصمیم گرفت یه MCP server (پروتکلی که به مدل‌های AI اجازه می‌ده با ابزارهای خارجی تعامل داشته باشن) رو به‌طور کامل با AI بسازه — دو مهندس، یه پروژه سبک و greenfield. نتیجه؟ پروژه شش هفته زودتر از موعد تحویل داده شد. هایمن می‌گه همین لحظه بود که برای خودش «کلیک» کرد که ماجرا جدیه.

اما جلب نظر تیم کار ساده‌ای نبود. نظرسنجی‌های داخلی نشون می‌داد خیلی‌ها تجربه بدی با مدل‌های قبلی داشتن — گاهی AI بیشتر وقت می‌گرفت تا صرفه‌جویی می‌کرد. هایمن می‌گه کلید اصلی کیفیت مدل‌ها بود، نه دستورالعمل‌های اجباری. وقتی Claude Opus 4.5 در نوامبر اومد، این اولین مدلی بود که احساس می‌کرد به کمتر راهنمایی نیاز داره و می‌تونه فیچرهای معنادار رو درست و سریع بسازه. بعدش مثل آتش در تیم پخش شد و حالا بیش از ۶۰٪ کدهای commit‌شده با AI نوشته می‌شن.

حالا چالش بزرگ بعدی هزینه inference یعنی هزینه پردازش درخواست‌ها توسط مدل‌های زبانی‌ه. هایمن مثال می‌زنه که یه مهندس در اولین روز کاری ماه ۱۵۰ دلار خرج inference کرده — که می‌شه تقریباً ۴۵۰۰ دلار در ماه فقط از یه نفر. وقتی این رو ضرب در ۳۰۰ مهندس بکنی، عدد بزرگی می‌شه که در بودجه‌بندی‌های قبلی پیش‌بینی نشده بود.

هایمن سه فاز برای استفاده از AI در کل شرکت تعریف می‌کنه: اول آگاه‌سازی و فعال‌سازی (همه بدونن ابزارها چین)، دوم استفاده عاملی (AI نه فقط مشاور بلکه همکار واقعی باشه که خروجی مستقل می‌ده)، و سوم تأثیر روی معیارهای کسب‌وکار — مثل کاهش زمان onboarding فروشنده‌های جدید یا کم کردن تیکت‌های پشتیبانی. و در مورد آینده هم صریح می‌گه: «وقتی روی پرواز بودم نمی‌خواستم به‌تنهایی کد بزنم، چون حالا برای کار به اینترنت نیاز دارم تا از agent استفاده کنم.»

نکات کلیدی:

• Claude Code اواخر فوریه ۲۰۲۵ نقطه تحول اصلی برای تیم بریز بود
• یه MCP server با دو مهندس و کمک AI، شش هفته زودتر از موعد تحویل داده شد
• بیش از ۶۰٪ کدهای commit‌شده بریز الان با AI نوشته می‌شه
• مدل‌های بهتر (نه اجبار) کلید اصلی جلب نظر منتقدان بود
• هزینه inference یه چالش جدی‌ه — ۱۵۰ دلار در روز از یه مهندس یعنی ۴۵۰۰ دلار در ماه
• «vibe coding» در مقیاس کار نمی‌کنه؛ زیرساخت و اندازه‌گیری لازمه