اگر تیمی از برنامهنویسان را مدیریت میکنید، میدانید که هر چیزی اندازهگیری شود، مدیریت میشود — اما اغلب به بدترین شکل ممکن. آمازون (Amazon) این درس سخت را در ۲۹ مه ۲۰۲۶ آموخت و مجبور شد سیستم داخلی رتبهبندی هوش مصنوعی خود را بهطور کامل حذف کند.
این شرکت برای پذیرش گستردهتر فناوری، هدف استفاده هفتگی ۸۰ درصدی برای توسعهدهندگانش را تعیین کرده است. این فشار در حالی میآید که آمازون قصد دارد در سال ۲۰۲۶ حدود ۲۰۰ میلیارد دلار، عمدتاً روی زیرساختهای هوش مصنوعی زاینده (Generative AI) هزینه کند. در این مسیر، آنها از عامل (Agent) — مثل دستیاری است که نه فقط متن مینویسد، بلکه میتواند ابزارها را اجرا کند و تکالیف را به پایان برساند — برای افزایش سرعت کدنویسی استفاده کردند. این تلاش برای افزایش سرعت تولید، مشابه رویکرد شرکت سونی در صنعت بازیسازی است که با ابزار Mockingbird توانست زمان انیمیشنسازی را به شدت کاهش دهد و بهرهوری واقعی را تجربه کند. همانطور که در تحلیلهای پیشین ما دربارهی معیارهای سنجش بهرهوری در عصر AI اشاره کردیم، تعریف «کارایی» در دنیای جدید هنوز مبهم است.
به گزارش فایننشال تایمز (Financial Times)، سیستم رتبهبندی که «Kirorank» نام داشت و فعالیتها را در پلتفرم توسعهدهندگان Kiro رصد میکرد، به ابزاری برای تقلب تبدیل شد. کارکنان برای بالا رفتن در جدول ردهبندی، عاملهای هوش مصنوعی را به انجام کارهای بیمعنی و تکراری میگماشتند. دیو تردول (Dave Treadwell)، نایبرئیس ارشد آمازون، در پیامی به کارکنان هشدار داد: «لطفاً از هوش مصنوعی فقط برای بهروز نگه داشتن آمار استفاده نکنید.»
برای حل این مشکل، آمازون شمارش خام توکن (Token) — تکههای کوچکی از متن، مثل برشهای یک کیک طولانی که مدل تکهتکه میخورد — را کنار گذاشت. طبق اعلام شرکت، اکنون معیار «استقرارهای نرمالشده» جایگزین شده است. این سنجه جدید بهجای بررسی میزان فعالیت، کد تولیدشدهای را رصد میکند که واقعاً در محیط عملیاتی مفید بوده است.
این اتفاق یک «اثر کبرا» (Cobra Effect) کلاسیک است؛ جایی که یک پاداش، دقیقاً نتیجهای معکوس ایجاد میکند. برای مدیران کسبوکار، این یک هشدار است: معیارهای خامِ استفاده در عصر AI، صرفاً «سندهای توخالی» هستند. این موضوع نشان میدهد که در دنیای هوش مصنوعی، نتایج ظاهری همیشه حقیقت را نمیگویند؛ درست مانند دنیای ریاضیات پیشرفته که گاهی شکستهای مدلهای هوش مصنوعی ارزشمندتر از پاسخهای درست هستند و مسیرهای جدیدی را میگشایند. شباهت این الگو با تجربیات شرکت متا (Meta) نشان میدهد که در حال حاضر، جعل بهرهوری در AI بسیار سادهتر از دستیابی واقعی به آن است.
گام بعدی شما
- شاخصهای کلیدی عملکرد (KPI) تیم خود را بازبینی کنید تا مطمئن شوید پاداشها به «خروجی مفید» تعلق میگیرد، نه «میزان فعالیت».
- تفاوت بین «تعداد درخواستها» و «کدهای پذیرفتهشده در محیط عملیاتی» را در گزارشهای فنی خود تفکیک کنید.
- از ابزارهای نظارتی برای شناسایی الگوهای تکراری و بیهوده در استفاده از عاملها استفاده کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو