تصور کنید مدیر ارشدی هستید که باید تصمیم بگیرد آیا بودجهٔ تیم متخصص خود را حذف و آن را به اشتراکهای ماهانهٔ ۲۰ دلار تبدیل کند یا خیر. این دقیقاً همان تلهای است که مدیران اجرایی در شرکتهایی مثل Anthropic و OpenAI با فروش آیندهای که در آن «رباتها» یا همان clankers جایگزین متخصصان میشوند، برای جذب سرمایههای کلان پهن کردهاند.
به نقل از تحلیل ۳ جولای ۲۰۲۶ در وبسایت superuserdone.com، این استراتژی بازاریابی، کارهای پیچیدهٔ حرفهای را به یک «مصنوع» (Artifact) — یعنی همان خروجی قابل مشاهده — تقلیل میدهد و عملاً فرآیند ضروری «درک تخصصی» و مکانیسمهای ذهنی متخصص را نادیده میگیرد.
این فشار بازاریابی در حالی رخ میدهد که صنعت در یک نقطهٔ چرخش حیاتی است. در شبکهٔ اجتماعی X و سایتهای خبری، پیام ساده است: هوش مصنوعی سریعتر، ارزانتر و خستگیناپذیر است. هر کس در این مورد تردید کند، به عنوان یک «لادایتِ نادان» (Luddite) معرفی میشود که به زودی به طبقهای از جامعه تبدیل میشود که هیچ جایگاهی در بازار کار ندارد و به طور دائم در طبقهٔ زیرین قرار میگیرد.
برای سالها، روایت غالب این بوده که هوش مصنوعی سرطان را درمان خواهد کرد — ادعایی که سام آلتمن، مدیرعامل OpenAI، درباره آن گمانهزنی کرده است — یا اینکه کد باینری را مستقیماً بنویسد و کامپایلرها را دور بزند. این محیط فشار شدیدی بر متخصصان وارد میکند تا برای بقای خود و اجتناب از رده خارج شدن، اشتراکهای ۲۰۰ دلاری ماهانه بخرند یا مدیرانشان را متقاعد کنند که ماهانه ۴۰۰۰ دلار هزینهٔ توکن (Token) — یعنی تکههای کوچکی از متن شبیه برشهای یک کیک طولانی که مدل تکهتکه میخورد — بپردازند.
برای درک این شکاف، کافی است نگاهی به ابزارهای قدیمی بیندازیم. کامپایلرها برنامهنویسان را جایگزین نکردند و صفحات گسترده (Spreadsheets) جایگزین حسابداران نشدند. سیستمهای CAD مهندسان را حذف نکردند، بلکه به آنها اجازه دادند پیچیدگیهای بیشتری را مدیریت کنند. یک کامپایلر کد را ترجمه میکند، اما فقط یک برنامهنویس معماری نرمافزار را میفهمد؛ یک صفحه گسترده محاسبه میکند، اما فقط یک حسابدار میداند کدام عدد برای فصل آینده حیاتی است. به همین ترتیب، CAD میتواند مدلی از یک پل بسازد، اما نمیتواند تصمیم بگیرد که آیا باید پل فعلی را ارتقا داد یا پلی جدید در ۲۰۰ متری پاییندست ساخت.
یک نمونهٔ عینی از این رویکرد، عرضهٔ مدل Mythos (و Fable) توسط Anthropic است. این مدل به عنوان یک «سلاح سایبری» خطرناک که میتواند سازمانهای امنیتی بزرگی مثل NSA را تهدید کند، بازاریابی شد. اما در واقعیت، پژوهشگران امنیت با درماندگی و عصبانیت به این عرضه نگریستند.
- قاببندی گمراهکننده: Anthropic یک قابلیت جالب فنی را گرفت و آن را در بستهبندیی از بازاریابی بیپروا و اغراقآمیز عرضه کرد.
- واقعیت: برخلاف ادعاها و جنجالها، این مدل در عمل نتوانست NSA را هک کند.
- پیامد: این جنجالپردازی، کار دقیق و متقاطع متخصصان تست نفوذ (Pentester) و پژوهشگران امنیتی را بیارزش جلوه داد و قابلیت فنی واقعی مدل را زیر سایهٔ نمایشهای تبلیغاتی برد.
شرکتهای AI در حال حاضر با یک ساعت شنی مالی مواجهاند. آنها میدانند اشتهای سرمایهگذاران برای خرید «رویاها» ابدی نیست و این حجم عظیم از تمایل سرمایهگذاری برای همیشه ادامه نمییابد:
- سرمایهگذاری بر پایه هیجان: شرکتها در حال تبدیل اسطورهها و افسانهها به وابستگیهای کاربردی هستند، تا زمانی که اشتهای سرمایهگذاران برای خرید آینده بالاست.
- تغییر معیار سود: سرمایهگذاران بهزودی از درخواست «آینده» به درخواست «حال» تغییر مسیر میدهند و روی درآمدات سه ماهه، حاشیه سود (Margins) و نرخ حفظ مشتری تمرکز میکنند.
- شکاف بازگشت سرمایه (ROI): مشتریان کمکم میپرسند که آیا این ابزارها واقعاً در هزینه صرفهجویی میکنند یا فقط «مصنوعات» را سریعتر تولید میکنند.
این وضعیت خطر جایگزینی سیستمهای قطعی (Deterministic) با سیستمهای احتمالی (Probabilistic) را برجسته میکند. در برنامهنویسی، گلوگاه اصلی نوشتن کد نیست؛ بلکه درک مسئلهٔ تجاری، طراحی معماری سیستم و نگهداری codebase است. تکیه بر یک پرامپت بینقص برای توصیف یک مسئلهٔ تجاری، یک نقطه شکست شناختهشده است که دقیقاً مشابه شکستهای برونسپاری (Outsourcing) در ۳۰ سال گذشته است. سختترین بخش کار این است که بدانید آیا خروجی واقعاً خوب است یا خیر و پیامدهای یک انتخاب خاص در پیادهسازی را درک کنید.
مسیرهای بهتری نیز وجود دارند؛ مانند Midjourney Medical که هدفش ارائه بینشهای کمتر تهاجمی از بدن انسان به پزشکان و پژوهشگران است. هرچند هنوز رنگ و بوی تبلیغاتی «اسپا و سلامتی» دارد، اما ایدهٔ اصلی درست است: ارائه ابزارهای بهتر برای کسانی که تخصص دارند. این ابزارها به تنهایی «سرطان را درمان نمیکنند»، اما پزشکان را در تشخیص و درمان مؤثرتر میکنند.
در نهایت، چه در پزشکی و چه در امنیت سایبری، مؤثرترین AI آن است که مکمل قضاوت انسانی باشد. هدف باید توانمندسازی یک توسعهدهندهٔ تکنفره برای ساخت یک پروژهٔ رویایی با موتورهایی مثل Unity یا Unreal باشد. این ابزارها اگرچه باعث شدند بازیهای بیکیفیت زیادی (Asset-flip) ساخته شود، اما در عین حال اجازه داد توسعهدهندگان ماهر بدون نیاز به نوشتن موتور بازی از صفر، روی ایدههایشان تمرکز کنند. هوش مصنوعی باید به «کار» کمک کند، نه اینکه فقط «مصنوع» را تولید کند.
گام بعدی شما
- هنگام ارزیابی ابزارهای AI، بهجای کیفیت خروجی اولیه، «هزینه نگهداری» و «قابلیت اصلاح» محصول را بسنجید.
- مدلهای «کمکتخصصی» (Copilot) را به مدلهای «جایگزین» (Agent) ترجیح دهید، مگر در کارهای تکراری و کمریسک.
- در مستندات فنی، تفاوت بین «توانایی مدل در محیط آزمایشگاهی» و «کارایی در محیط عملیاتی» را جستوجو کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو