تصور کنید محصولی ساختهاید که در شبکههای اجتماعی ترند شده، اما اولین بار که صورتحساب هزینهها میرسد یا کاربر یک خطای ساده میگیرد، کل سیستم فرو میپاشد. اگر استراتژی شما تنها تکیه بر یک API است، احتمالاً در حال حفر قبر محصول خود هستید.
به نقل از گزارشی که در ۲۹ ژوئیه ۲۰۲۶ در وبسایت dev.to منتشر شد، ورود آسان به دنیای فناوریهای جدید باعث سیل پروژههای کمکیفیت میشود که در نهایت سقوط میکنند. این یک الگوی تاریخی تکرارشونده است که توضیح میدهد چرا اکثر استارتآپهای هوش مصنوعی شکست میخورند. ساخت یک «رپِر» (Wrapper) یا پوششی ساده برای مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب میدهد — در یک آخره هفته ممکن است، اما تبدیل آن به یک محصول پایدار و بادوام، چالش اصلی و واقعی است.
تاریخچه هایپ و تبهای تکنولوژی
همانطور که در تحلیلهای پیشین ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، سرعت در عرضه نباید جایگزین استواری ساختار شود. این چرخه دقیقاً شبیه دوران «تب طلا» در حباب وب سال ۲۰۰۰ بود؛ زمانی که وعده این بود که هر کسبوکاری به یک وبسایت نیاز دارد. مردم در یک آخره هفته HTML یاد گرفتند و نتیجهاش سایتهایی بود که با متون چشمکزن، ناوبریهای شکسته و شمارندههای بازدیدکنندگان که با افتخار عدد ۷ را نمایش میدادند، پر شده بود.
سال ۲۰۰۸ نیز روند تغییر کرد و موج اپلیکیشنهای موبایل آمد. هر توسعهدهندهای که یک مکبوک داشت، خود را یک مؤسس رویاپرداز میدید و اپاستور را با اپلیکیشنهای چراغقوه و لیستهای «کارهای कराय-ت» (To-do lists) اجتماعی اشباع کرد. سپس سال ۲۰۱۵ فرا رسید و تمرکز به سمت بلاکچین، قراردادهای هوشمند و غیرمتمرکزسازی رفت. سپیدنامهها (Whitepapers) نوشته شدند و توکنها ضرب شدند، اما اکثر این پروژهها هرگز لانچ نشدند یا در سکوت بسته شدند.
در هر یک از این موارد، گروه «سریع ثروتمند شو» اصول خستهکنندهی مهندسی را به نفع استقرار سریع نادیده گرفتند. برای کارآفرینان امروزِ هوش مصنوعی، این یعنی نادیده گرفتن کارهای سخت معماری سیستم برای اینکه بتوانند تا یکشنبه یک SaaS (نرمافزار به عنوان سرویس) راه بیندازند و تا چهارشنبه بازنشسته شوند.
طبق بررسیهای dev.to، ۹۰ درصد از پروژههای شتابزدهی هوش مصنوعی شکست میخورند زیرا با این فناوری مانند یک «بلیط بختآزمایی» برخورد میکنند، نه یک چالش مهندسی. این موضوع تنها محدود به استارتاپهای کوچک نیست و در مقیاس سازمانی نیز شکافهای ساختاری باعث شکست ۸۰ درصد پروژههای هوش مصنوعی شده است. این منبع تأکید میکند که عرضه نسخه اول ساده است، اما نگهداری از نسخه دوازدهم — جایی که پلتفرمها تغییر میکنند و کاربران توقع کمال دارند — میدان واقعی نبرد و دشواری است.
شکاف مهندسی و اصول بقا
برای موفقیت در فضای فعلی، باید روی انضباطهای فنی تمرکز کرد که در حال حاضر «مد افتاده» هستند. پروژههای باکیفیت نه با هایپ، بلکه با رعایت اصول مهندسی زنده میمانند؛ اصولی که پیش از چرخهی هایپ کار میکردند و مدتها پس از آن نیز کارآمد خواهند بود:
- مدیریت هزینه: کنترل هزینههای متغیر در حالی که مدلها به ازای هر توکن (Token) — تکههای کوچکی از متن شبیه برشهای کیک — هزینه میگیرند.
- قابلیت اطمینان قطعی (Deterministic Reliability): پیادهسازی سیستمهای نظارتی و مشاهدهپذیری (Observability) برای خروجیهای احتمالی، در حالی که کاربر انتظار پاسخی قطعی و ثابت دارد.
- معماری پاک: ساخت سیستمهای قابل نگهداری و مدیریت صحیح خطاها که در برابر بهروزرسانیهای مدل مقاوم باشند.
- امنیت: مدیریت ایمن ورودیهای کاربر برای جلوگیری از آسیبپذیریها، بهویژه زمانی که سیستم خروجی را بر اساس ورودی کاربر تولید میکند.
یک مؤسس ممکن است ابزاری ویروسی بسازد اما حریم خصوصی دادهها یا تأخیر (Latency) را نادیده بگیرد. وقتی صورتحساب اشتباه باشد یا سیستم دچار توهم (Hallucination) — یعنی وقتی مدل با اطمینان چیزی میگوید که وجود ندارد، شبیه دو cytochrome دوستی که خاطرهای را اشتباه تعریف میکند — شود، مشتری فارغ از اینکه چه مدلی زیر پوست برنامه است، آن را ترک میکند. این عدم پایداری در معماری میتواند منجر به سقوطهای ناگهانی شود، مشابه آنچه در مورد The Numbers و حملات باتهای هوشمند مشاهده شد. واقعیت این است که توهمات یک «قابلیت» نیستند و تأخیر هم صرفاً یک «حس» یا «وایب» نیست، بلکه یک مشکل فنی است.
عمق فنی تنها تمایز باقیمانده است، چرا که امروزه هر کسی میتواند در عرض چند ساعت یک دمو راه بیندازد. این تحول به این معناست که هوش مصنوعی مهندسی خوب را قدیمی نمیکند، بلکه آن را حیاتیتر میسازد. اهرم بزرگی که یک تیم کوچک اکنون در اختیار دارد بینظیر است، اما اگر این اهرم روی یک فراخوانی API شکننده بدون مدیریت خطا بنا شده باشد، کاملاً هدر میرود.
در نهایت، تفاوت یک شرکت ماندگار و یک دموی موقت در خویشتنداری، نظم و سلیقه است. کسانی که گفتگو با مشتری را به مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن مثل کسی که میداند چطور از مشاور باتجربه جواب بگیرد — ترجیح میدهند، از گورستان AI میگریزند؛ زیرا شما نمیتوانید با مهندسی پرامپت، چیزی را که هیچکس نمیخواهد به موفقیت برسانید.
گام بعدی شما
برای اجتناب از این سرنوشت، توسعهدهندگان باید با بازبینی استک فنی خود برای شناسایی «بدهی فنی» (Technical Debt) شروع کنند. از خود بپرسید:
- آیا محصول شما مشکلی واقعی را حل میکند یا صرفاً یک صفحه فرود (Landing Page) دور یک مدل است؟
- آیا برای بلندمدت میسازید یا صرفاً برای یک دمو؟
- تمرکز خود را از «ساخت دمو» به «طراحی سیستمهای قابل نگهداری» تغییر دهید. در این مسیر، پیادهسازی روشهای پیشرفته مانند تبدیل دادهها به حافظه برداری برای بازیابی دقیق، میتواند تفاوت اصلی را ایجاد کند.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو