تصور کنید در شرکتی هستید که میلیونها دلار روی ابزارهای هوش مصنوعی هزینه کرده، اما هیچکس در اتاق مدیریت نمیداند این مدلها دقیقاً چگونه پاسخ تولید میکنند. طبق اعلام استیو لوکاس (Steve Lucas)، مدیرعامل شرکت بومی (Boomi)، این شکافِ دانش در ۹۵٪ سازمانها یک نقطه ضعف خطرناک است که تعیین میکند چه کسی در رقابت AI برنده شود و چه کسی شکست بخورد. لوکاس این هشدار را در تاریخ ۱ جولای ۲۰۲۶، طی یک گفتگوی تکبهتک با ZDNET در جریان رویداد World Tour این شرکت در لندن صادر کرد.
او معتقد است اکثر شرکتها در حال حاضر در حال بازی با «آتشی» هستند که سازوکارش را نمیشناسند. آنها به مدلهای هوش مصنوعی تکیه کردهاند بدون اینکه حتی یک کارمند داشته باشند که بفهمد شبکههای عصبی زیربنایی در لایههای پایینتر چگونه پاسخها را تولید میکنند. این خلأ شدید، نیاز مبرمی به ظهور یک تخصص جدید و خاص خلق کرده است: «مهندس پیشرو» (Frontier Engineer).
ضرورت استراتژیک این نقش
به باور لوکاس، سازمانها تنها زمانی به موفقیت واقعی و پایدار میرسند که درک عمیقی از نحوه بهینهسازی و بهکارگیری مدلهای پیشرو (Frontier Models) داشته باشند. او تأکید میکند که هر مدیر فناوری (CIO) برای باز کردن قفل یک مزیت رقابتی واقعی، به شخصی نیاز دارد که هر روز و به طور اختصاصی روی این مسائل فنی تمرکز کند. لوکاس صراحتاً بیان کرد: «سازمانها زمانی موفق خواهند شد که درک عمیقی از نحوه بهینهسازی مدلهای پیشرو و نحوه استفاده از آنها داشته باشند و کسی باید هر روز به این موضوعات فکر کند.»
لوکاس به دلیل جایگاه مدیریتیاش، دیدگاه ویژهای نسبت به این مسیر دارد. او از دسامبر ۲۰۲۲ سکان Boomi را در دست دارد و پیش از آن، مدیریت شرکتهای iCIMS و Marketo را بر عهده داشت و همچنین نقشهای اجرایی ارشد در غولهایی چون سایلس فورس (Salesforce) و اس ای پی (SAP) داشته است. اکنون او مشتریان را در عصر پیچیده «عاملهای هوش مصنوعی» (AI Agents) و استفاده از دادهها هدایت میکند. در چنین محیط پیچیدهای است که او معتقد است مهندسان پیشرو میتوانند شفافیت لازم را به سازمانها ببخشند.
در حالی که دنیای فناوری اطلاعات سالهاست که به دنبال گواهینامههای «مدل ماه» (Flavor of the Month) یا ترندهای زودگذر است، لوکاس پیشنهاد میکند که این روندها صرفاً حواسپرتی هستند. او چرخه فعلی استخدام در AI را به فیزیک ذرات تشبیه کرد و ظهور نقشهای کوتاهمدت را مانند «کوارکها و بوزونها» توصیف کرد؛ ذراتی که لحظهای پدیدار میشوند و سپس ناپدید میگردند.
چرخه مهارتهای موقتی
لوکاس به الگویی از نقشهای کوتاهمدت اشاره میکند که وعده ثبات شغلی میدهند اما در نهایت به بنبست ختم میشوند. او هشدار میدهد کسانی که این چرخههای فوقسریع را دنبال میکنند، در پی مهارتهایی هستند که اصلاً ماندگار نیستند. او چندین مرحله خاص از این موج تبلیغاتی (Hype) را شناسایی کرد:
- مهندسان پرامپت (Prompt Engineers): این متخصصان برای بیش از یک سال فضای گفتگو را تسلط کردند. آنها موجی از مقالات و ویدیوها را دنبال کردند که بر «بهترین راه برای استخراج پاسخ از یک مدل» تمرکز داشت و مهندسی پرامپت را به جذابترین شغل ماه برای جویندگان کار تبدیل کرد.
- مهندسان Harness: تقاضا برای این نقشها در اواخر سال ۲۰۲۵ و پس از عرضه اوپنکلاو (OpenClaw) تغییر کرد. این مهندسان بر لایه نرمافزاری عملیاتی تمرکز دارند و در واقع به عنوان «هارنس» یا مهار عمل میکنند تا به مدلهای AI کمک کنند تا با قابلیت اطمینان و پایداری بیشتری عمل کنند.
- مهندسان حلقه (Loop Engineers): ترند فعلی است که توسط «گروه رشد-هک» (Growth-hacking crowd) پیش میراند. تمرکز اینها بر مهندسی حلقه است؛ یعنی طراحی، مدیریت و بهبود حلقههای بازخوردی که به عاملهای کدنویسی AI اجازه میدهد برای انجام کارها برنامهریزی کنند. لوکاس اشاره میکند که اگر اکنون در سایت indeed.com عبارت «loop engineer» را جستجو کنید، آگهیهای استخدامی فعالی را مشاهده خواهید کرد.
از نظر لوکاس، اینها مهارتهای ماندگاری نیستند. او استدلال میکند که دنبال کردن این ترندها، یک میانبر به سوی بنبست شغلی است، زیرا این نقشها فاقد عمقِ علوم داده و شبکههای عصبی هستند. برای اجتناب از این وضعیت، متخصصان باید بر مهارتهای بنیادی تمرکز کنند که متخصصان واقعی AI در سطح سازمانی را میسازد. برخی شرکتها برای عبور از این چالشهای عملیاتی، مسیرهای متفاوتی را پیش گرفتهاند؛ برای نمونه استراتژی Base44 در توسعه مدل اختصاصی Base1 تلاشی برای کاهش هزینههای استنتاج از طریق کنترل دقیقتر بر مدل است.
تعریف مهندس پیشرو
برخلاف «مدیر ارشد AI» (Chief AI Officer) که مدلها، چارچوبها، انطباقها (Compliance) و یکپارچهسازی با کل سازمان را مدیریت میکند، مهندس پیشرو در لبهی فنی (Technical Edge) عمل میکند. لوکاس مدیر ارشد AI را کسی میداند که به یکپارچهسازی سطح بالای سازمانی و رعایت قوانین فکر میکند.
هدف اصلی مهندس پیشرو این است که آخرین قطرهی بهرهوری را از مدلهای پیشرو بیرون بکشد. اگرچه آنها لزوماً مدلها را از صفر نمیسازند، اما باید سازوکارهای داخلی مدل را درک کنند تا بتوانند آنها را برای مسائل تجاری خاص بهینه کنند. لوکاس پیشنهاد میکند که مهندس پیشرو دقیقاً در شکاف حیاتی بین «مدیر اجرایی AI» و «سازنده AI» قرار میگیرد.
کمبود استعداد در سطح جهانی
لوکاس کمبود شدید این استعدادها را شناسایی کرده و ریشه این نقش را در تقاضای شرکتهای Big Tech میبیند که پیشگام نوآوریهای AI هستند. او تأکید میکند که این افراد «بسیار حیاتی» اما به شدت کمیاب هستند.
او تخمین میزند که کمتر از ۳۰۰۰ نفر در کل دنیا — و شاید حتی کمتر از ۲۰۰۰ نفر — توانایی ساخت و آموزش مدلها در مقیاسهای فعلی را دارند. این متخصصان کمیاب که در آمریکای شمالی، اروپا، آسیا و نقاط دیگر پراکندهاند، تنها کسانی هستند که موارد زیر را واقعاً میفهمند:
- مکانیسمهای دقیق شبکههای عصبی و نحوه تولید پاسخها توسط آنها.
- چگونگی ساخت یک مدل زبانی بزرگ (LLM) با رویکرد پسانتشار (Backpropagation).
- فرآیند آموزش مدلها در مقیاسهای عظیمی که امروزه مشاهده میکنیم.
حداقل الزامات
برای پر کردن این شکاف، لوکاس تأکید میکند که یک مهندس پیشرو به یک سطح مشخص از سختگیری تحصیلی و عملی نیاز دارد. او اشاره میکند که این نقش شامل مسئولیتهای چالشبرانگیزی است و نیازمند مدارک تخصصی است؛ به همین دلیل است که با رقابت شرکتها برای جذب یک استخر کوچک از استعدادها، تقاضا برای آنها بسیار عظیم خواهد بود.
- مدرک تحصیلی پیشرفته: یک الزام سختگیرانه برای تخصص در داده و شبکههای عصبی.
- تسلط دوگانه: توانایی ترکیب علوم داده با دانش شبکههای عصبی. لوکاس توضیح میدهد در حالی که درک دادهها مهم است، اما درک شبکههای عصبی «مهارتی به مراتب نادرتر» است.
- کاربرد سازمانی: توانایی بهکارگیری این دو حوزه در یک محیط تجاری غیرفناورانه؛ قابلیتی که او آن را «عمیقاً مهم» میداند.
این پروفایل با «مهندسان مستقر» (Forward-deployed Engineers) که شرکتهایی مانند پالانتی (Palantir) از آنها حمایت میکنند، متفاوت است. طبق گفته لوکاس، مهندس مستقر کسی است که میتواند راهکاری را تکرار، ساخته و به طور خاص برای یک مسئله تجاری اعمال کند. اما مهندس پیشرو، بهینهسازی تئوریک عمیق و درک دقیقی از آن «آتشی» دارد که اجرای آن اپلیکیشنها و راهکارها را ممکن میسازد.
حتی در یک سازمان متمرکز بر فناوری مانند Boomi، لوکاس اعتراف میکند که دشوار است بتوان تکفردی را پیدا کرد که متخصص عمیق شبکههای عصبی باشد و بتواند بهرهوری مدل را به حداکثر برساند. او سؤالی حیاتی را مطرح میکند که هر مدیرعاملی باید به آن فکر کند: «آیا حتی یک انسان در شرکت شما هست، فقط یک نفر، که بفهمد شبکههای عصبی چگونه کار میکنند؟»
برای اکثر مدیران عامل، واقعیت تلخ است: آنها احتمالاً صفر کارمند با این سطح از تخصص دارند. لوکاس پیشنهاد میکند برای ۹۵٪ سازمانها، پاسخ به این سؤال «قطعاً خیر» است.
این تغییر به این معناست که مزیت رقابتی از اینکه «چه کسی بهترین عامل AI را دارد» به این منتقل شده است که «چه کسی استعداد انسانی برای بهینهسازی موتور اصلی آن عامل را دارد». شرکتهایی که همچنان متخصصان «حلقه» یا «پرامپت» را بدون داشتن یک متخصص بنیادی شبکه عصبی استخدام میکنند، در واقع بنای خود را روی شن میسازند.
این یک حرکت به سمت بلوغ فنی است. دوران «هک کردن» پرامپتها در حال پایان است و عصر مهندسی دقیق آغاز میشود. متخصصانی که اکنون به سمت علوم داده پیشرفته تغییر مسیر دهند، برتری بلندمدتی نسبت به کسانی خواهند داشت که به دنبال آخرین عناوین شغلی لینکدین هستند.
با انتقال سازمانها از مرحله آزمایش به استقرار در مقیاس کامل، تقاضا برای این چند هزار متخصص شدت خواهد یافت. در طول سال ۲۰۲۷، شاهد افزایش شدید الزامات مدارک تحصیلی پیشرفته و تخصصی در آگهیهای شغلی شرکتهای غیرفناورانه خواهیم بود، زیرا توانایی بهینهسازی این مدلها، مرز بین پیروزی و شکست خواهد بود.
گام بعدی شما
- اگر در مسیر یادگیری AI هستید، به جای تمرکز بر ابزارهای سطح کاربر، روی ریاضیات شبکههای عصبی و مفاهیم پسانتشار تمرکز کنید.
- مدیران باید ارزیابی کنند که آیا در تیم فنی خود کسی است که بتواند مدل را از لایهی API فراتر رفته و بهینه کند یا خیر.
- برای متخصصان علوم داده، یادگیری نحوه پیادهسازی مدلها در محیطهای سازمانی (Enterprise) بزرگترین فرصت شغلی ۲۰۲۷ است.
اما این کمبود نیروی متخصص، مسیر توسعه سختافزارهای اختصاصی را تغییر میدهد — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید که در این راستا همکاری OpenAI و Broadcom برای ساخت تراشههای استنتاج با عملکرد مشابه Blackwell را بررسی کردهایم.
گفتگو