تصور کنید تمام انرژی ذهنی خود را صرف متقاعد کردن کسی کنید که هرگز شما را درک نمیکند؛ این دقیقاً همان اتفاقی است که هنگام کار با هوش مصنوعی میافتد. طبق تحلیل اوهاد راوید در ۲۶ ژوئن ۲۰۲۶، تعامل با این مدلها نه یک تجربه ابزاری ساده، بلکه یک مناسک اجتماعی هزینهبر است.
وقتی از یک ابزار سنتی مثل کیبورد یا یک میانبر در VSCode استفاده میکنید، مغز شما آن را به عنوان پسوندی از بدن خود میبیند. این «جادوی ابزار» به دلیل سرعت و تکرارپذیری رخ میدهد. اما مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — هنوز آنقدر سریع و سازگار نیست که مغز بتواند آن را به عنوان بخشی از بدن یا ابزاری نامرئی بپذیرد.
به همین دلیل، کاربران دچار پدیدهای میشوند که به آن «مالیات اجتماعی» میگویند. شما مجبورید با نرمافزار مذاکره کنید، آن را متقاعد کنید و گاهی برای رسیدن به نتیجه درست، با آن بحث کنید. همانطور که در تحلیل قبلی ما دربارهی استرس شغلی در عصر اتوماسیون اشاره کردیم، فشار ذهنی ناشی از ابزارها میتواند مخرب باشد. این چالشها اغلب زمانی تشدید میشوند که مدلها در مدیریت ابزارهای خارجی دچار مشکل میشوند؛ موضوعی که در تحلیل ما پیرامون علتهای واقعی شکست عاملهای هوش مصنوعی مورد بررسی قرار گرفت. در تعاملات انسانی، این تلاشهای اجتماعی با الهامبخشی یا به چالش کشیدن تفکر ما پاداش داده میشود، اما ابزارهای AI معمولاً فقط کد بیشتر یا بهانههای جدیدتر برمیگردانند.
به نقل از این تحلیل، برای یک برنامهنویس هزینه این فرآیند بسیار بالاست. انرژی صرف شده برای مدیریت یک مهندسی پرامپت (Prompt Engineering) — یعنی هنر سؤال درست پرسیدن، شبیه کسی که میداند چطور از یک مشاور باتجربه بهترین جواب را بگیرد — شاید بهتر بود صرف همکاری با همتیمیهای واقعی میشد. برای کاهش این فشار، برخی رویکردها سعی دارند نقش مدل را از یک مخزن دانش به یک کنترلکننده تبدیل کنند تا تعاملات هدفمندتر شوند. اگرچه یک نفر اکنون میتواند کارهای غیرممکن سال گذشته را انجام دهد، اما خستگی ذهنی ناشی از این «گفتگو» همچنان بزرگترین نقطه اصطکاک است.
بر اساس بررسی این گزارش، یک شکاف عمیق در تجربه کاربری (UX) هوش مصنوعی وجود دارد. اگر مدلها همچنان بدون ارائه رضایت اجتماعی، از کاربر تقاضای نیروی اجتماعی کنند، کاربران نه به دلیل حجم کار، بلکه به دلیل ماهیت رابط کاربری دچار فرسودگی میشوند. برای حل این بنبست، استفاده از ماشینهای حالت برای جایگزینی پرامپتها میتواند راهکاری برای توقف خطاهای متناوب و کاهش فشار ذهنی کاربر باشد.
گام بعدی شما
- فهرستی از کارهای تکراری خود تهیه کنید و ببینید کدامها با ابزارهای قطعی (Deterministic) سریعتر انجام میشوند.
- برای کارهای پیچیده، به جای گفتگوهای طولانی، از متدهای ساختاریافتهتر برای هدایت مدل استفاده کنید.
- زمانهای استراحت کوتاه بین هر جلسه تعامل با AI را به گفتگوهای انسانی واقعی اختصاص دهید تا شارژ شناختی خود را بازیابید.
اما این خستگی ذهنی تنها بخشی از ماجراست؛ تأثیر این فشار بر نرخ خطای برنامهنویسان را در گزارش بعدی بررسی خواهیم کرد.
گفتگو