۷۰۰۰ ایمیل در کمتر از چند دقیقه. همین یک جمله توصیف می‌کند که یک روزنامه‌نگار فناوری اخیراً چگونه با استفاده از Claude Cowork کاری را به سرانجام رساند که به‌طور معمول نیازمند ساعت‌ها کار اداری و دفتری خسته‌کننده بود. در حالی که Gemini گوگل در تشخیص بافتار و زمینه (Context) در همان اینباکس دچار مشکل شده بود، ابزار شرکت Anthropic با موفقیت توانست ۱۲ پیشنهاد خاص روابط عمومی (PR Pitch) را شناسایی کرده و نقل‌قول‌های معتبری را برای استفاده حرفه‌ای استخراج کند.
این چالش در ماه گذشته و پس از یک دوره حجم بالای خبرها برای خبرنگاران فناوری که مدل Fable 5 شرکت Anthropic را پوشش می‌دادند، شکل گرفت. به‌طور مشخص، مشخص شد که Anthropic در حال محدود کردن (Throttling) کاربران Fable 5 و انتقال آن‌ها به مدل Opus است؛ اتفاقی که موجی از نظرات متخصصان واقعی را برانگیخت. این روزنامه‌نگار نیاز داشت نظرات دقیقی را درباره محدودیت‌های Fable پیدا کند — اینکه آیا این محدودیت‌ها بیش از حد سخت‌گیرانه بوده‌اند یا خیر — کاری که نیازمند سطحی از تشخیص و درک بافتار بود که عملکردهای جست‌وجوی معمولی فاقد آن هستند. با تکیه بر پوشش‌های قبلی ما درباره پروتکل زمینه مدل (MCP) و اینکه چگونه Claude دسترسی مستقیم به داده‌های خارجی مانند Redis و Kafka پیدا می‌کند، این مورد کاربردی، قدرت عملی رابط‌های ابری (Cloud-based Connectors) را برای بهره‌وری شخصی به نمایش می‌گذارد.
شکست Gemini
فرآیند کار با یک درخواست از Gemini در Gmail برای اسکن تب Promotions (پیشنهادات) آغاز شد. در پرامپت از هوش مصنوعی خواسته شد تا پیشنهادهای مربوط به Fable 5 را خلاصه کرده و نقل‌قول‌هایی را که در برابر محدودیت‌های آن مقاومت می‌کردند و مخالف بودند، به‌ویژه با بازگشت به دوشنبه هفته گذشته، برجسته کند. طبق گزارش ZDNET، Gemini به‌طور کامل شکست خورد زیرا نتوانست بافتارهای ظریف هر پیام را درک کند.
در حالی که Gemini در جست‌وجوهای ساده — مانند یافتن آخرین ایمیل یک شرکت خاص یا یک موضوع ابتدایی — خوب عمل می‌کند، اما در تشخیص لازم برای پژوهش‌های موضوعی (Thematic Research) ضعف داشت. این موضوع تداوم رقابت تنگاتنگ میان این دو غول فناوری در درک زبان است؛ موضوعی که ما پیش‌تر در بررسی مقایسه‌ای لحن نوشتاری Claude و Gemini به آن پرداختیم. روزنامه‌نگار متوجه شد که هوش مصنوعی بومی Gmail نمی‌تواند به‌طور مؤثر «پیشنهادهای پایه» را از نویزهای محیطی در یک اینباکس با حجم پیام بالا تفکیک کند. این موضوع شکاف عمیقی را میان جست‌وجوی ساده و درک واقعی بافتار حرفه‌ای نشان داد. در محیطی که اینباکس یک خبرنگار به‌شدت توسط مدیران شرکت‌ها و نمایندگان روابط عمومی بمب‌باران شده است، بازیابی ساده کلمات کلیدی برای پژوهش‌های پیچیده کافی نیست.
پیاده‌سازی Claude Cowork
برای حل این مشکل، کاربر Claude را از طریق یک رابط (Connector) خاص به Gmail متصل کرد. این فرآیند شامل رفتن به تنظیمات Claude، پیمایش در منوی "Connectors" و انتخاب Gmail است. برای حفظ امنیت، کاربر دسترسی‌ها را روی حالت «فقط خواندنی» (Read-only) قرار داد تا اطمینان حاصل شود که هوش مصنوعی می‌تواند اینباکس را بخواند اما نمی‌تواند هیچ پیامی را بنویسد یا ارسال کند.
اجازه دادن به یک هوش مصنوعی برای ورود به آرشیو ایمیل‌های شخصی — که به عنوان «جواهرات تاج محرمانه» توصیف شده است — نیازمند یک «جهش ایمان» یا ریسک‌پذیری بود. روزنامه‌نگار اشاره کرد که با Gemini راحت‌تر بود، زیرا این ابزار از پیش روی زیرساخت‌های گوگل اجرا می‌شود و به این معناست که گوگل احتمالاً پیش از این تمام داده‌ها را «جارو کرده» است. با این حال، پتانسیل ذخیره نصف روز کاری از غربال کردن خسته‌کننده ایمیل‌ها، این دادوستد را ارزشمند می‌کرد.
برای توجیه این ریسک، نویسنده به سخنان بنجامین فرانکلین تأمل کرد: «کسانی که آزادی ضروری را برای خرید کمی امنیت موقت واگذار می‌کنند، شایسته هیچ‌کدام نیستند.» اگرچه این استناد کمی اغراق‌آمیز بود، اما هدف در اینجا استفاده از هوش مصنوعی برای آزاد کردن زمان بود. برای حفظ سطح بالایی از احتیاط و نگه داشتن «پارانویا در حد مناسب»، کاربر بلافاصله پس از تکمیل پروژه، رابط (Connector) را غیرفعال کرد.
پویایی PR و «تله‌ی دست‌کاری»
پس از برقراری اتصال، همان پرامپتی که برای Gemini به کار رفته بود، برای Cowork اعمال شد. در کمی بیش از یک دقیقه، هوش مصنوعی ۱۲ پیشنهاد PR مرتبط را شناسایی کرد. مدل حتی یک الگو را تشخیص داد: اکثر فرستنده‌ها فروشندگان امنیت سایبری بودند که تلاش می‌کردند از موج عرضه Fable 5 به عنوان یک قلاب خبری (News Hook) برای پیشبرد اهداف تبلیغاتی خود استفاده کنند.
این فرآیند «دنیای عجیب روابط عمومی» (PR) را برجسته می‌کند؛ جایی که شرکت‌ها مبالغی را از بودجه‌های سازمانی به شرکت‌های PR می‌پردازند، اما مدیران اجرایی اغلب از این تلاش‌ها برای ارتقای مسیر شغلی شخصی خود بهره می‌برند. نویسنده مثالی از اولین شغل خود زد، جایی که رئیس او (یک مدیر محصول) به‌طور مداوم کارشناس روابط عمومی را برای کسب «نام» (Mention) در مطبوعات تخصصی تحت فشار می‌گذاشت تا پروفایل شخصی‌اش را تقویت کند. خبرنگاران نیز به نوبه خود، از این مدیران برای به دست آوردن دیدگاه‌های بیشتر استفاده می‌کنند تا پوشش خبری جامع‌تری داشته باشند.
برای ثبت دقیق این موارد، کاربر باید از «تله دست‌کاری» (Fiddling Trap) دوری می‌کرد؛ یک خطر شغلی برای مهندسان که در آن بیشتر از زمان لازم برای انجام دستی کار، وقت خود را صرف تغییرات جزئی و تنظیم (Tweak) هوش مصنوعی می‌کنند. این رویکرد دستی و دقیق، در تباین با سیستم‌های عامل‌محور اتوماسیون ایمیل است که در مقیاس سازمانی برای پردازش حجم انبوه داده‌ها به کار می‌روند. برای مقابله با این موضوع، از یک استراتژی پرامپت‌نویسی ساختاریافته و چندمرحله‌ای استفاده شد تا اطمینان حاصل شود که هوش مصنوعی با خروجی‌های نادرست، زمان کاربر را تلف نمی‌کند.
جزئیات فنی مهندسی پرامپت
روزنامه‌نگار برای هدایت هوش مصنوعی در فرآیند پژوهش، یک پرامپت پیچیده را در چندین مرحله ساخت:
- گام ۱: اعتبارسنجی. مدل مأموریت داشت قطعاتی را بیابد که حاوی اظهارات کامل و رسمی (On-record) با اجازه صریح برای انتشار باشند. پرامپت به‌طور خاص به دنبال عباراتی چون «free to use in any piece» (آزاد برای استفاده در هر مطلب) یا «free to use in coverage» (آزاد برای استفاده در پوشش خبری) بود.
- گام ۲: قالب‌بندی. به Cowork دستور داده شد تا لیستی را با فرمتی سخت‌گیرانه تولید کند تا امکان بررسی سریع اعتبار (Authority) فراهم شود. فرمت درخواستی عبارت بود از:
- نام شخص
- عنوان شغلی
- شرکت مربوطه
- گام ۳: شناسایی متخصص. یک دستور حیاتی اضافه شد تا اطمینان حاصل شود که هوش مصنوعی نام متخصص موضوع یا مدیر اجرایی را لیست می‌کند، نه مخاطب روابط عمومی را؛ زیرا نمایندگان PR اغلب ایمیل‌ها را به نمایندگی از دیگران می‌فرستند. پرامپت هشدار داد: «مراقب باش... مطمئن شو که مدیر شرکت یا متخصص موضوع را لیست می‌کنی، نه مخاطب روابط عمومی را».
- گام ۴: استخراج دقیق. پرامپت تقاضا کرد که هوش مصنوعی یک اظهارنظر قابل استفاده را «کلمه به کلمه و بدون هیچ تغییری» استخراج کند. برای حفظ شفافیت، به مدل گفته شد که هر نقل‌قول را با دو خط خالی جدا کند، هیچ استایلی به فرمت اعمال نکند و اگر محتوای مربوط به نگرانی‌های استفاده از Fable نیاز به جزئیات بیشتر داشت، از پاراگراف دوم استفاده کند.
تاییدیه و نتیجه نهایی
برای حفظ یکپارچگی روزنامه‌نگاری، کاربر از Cowork خواست تا برای تک‌تک خروجی‌ها، یک مسیر اثبات (Trail) ارائه دهد. این موارد شامل بود:
- یک URL به وب‌سایت شرکت (یا حساب لینکدین فرد در صورتی که URL شرکت وجود نداشت).
- لینکی به آدرس ایمیل اصلی.
- یک لینک مستقیم به خودِ پیام ایمیلی.
این امر امکان رویکرد «اعتماد کن اما بررسی کن» را فراهم کرد. هوش مصنوعی به عنوان یک دستیار پژوهشی عمل کرد، نه یک نویسنده. روزنامه‌نگار از لینک‌های ارائه شده برای باز کردن پیام‌های اصلی استفاده کرد و شخصاً هر نقل‌قول را پیش از ورود به مقاله تأیید نمود. این مرحله «بسیار حیاتی» توصیف شد تا اطمینان حاصل شود که هوش مصنوعی منبع را تغییر نداده یا در مورد مجوزهای انتشار دچار توهم (Hallucination) نشده است.
نتیجه، یک لیست گلچین شده از هشت منبع تأیید شده بود. تأیید انسانی نهایی این منابع تنها چند دقیقه زمان برد و نویسنده را از ساعت‌ها کار دفتری رها کرد. این امر به نویسنده اجازه داد تا بخش عمده زمان خود را به نوشتن واقعی اختصاص دهد، به جای آنکه با ورود داده‌ها «عصبانی و استرس‌زده» شود. خروجی نهایی در مقاله‌ای با عنوان «Claude Fable 5 مخفیانه پژوهشگران AI را محدود کرد و اینترنت به آشوب کشیده شد» به کار رفت.
شرکت Anthropic این حالت را «کارِ پیرامونِ کار» (The work around the work) می‌نامد — یعنی بارهای اداری که پیرامون یک وظیفه اصلی وجود دارد. با واگذاری این «امور اداری» (Administrivia)، نقش متخصص از یک کارمند دفتری به یک ویراستار سطح‌بالا تغییر می‌کند. این ابزار در جایی موفق شد که Gemini شکست خورد، زیرا می‌توانست درخواستی برای «تشخیص» (Discernment) را پردازش کند، نه صرفاً «بازیابی» (Retrieval) ساده.
برای کاربر average (متوسط)، این موضوع نشان می‌دهد که «مزیت اکوسیستمی» (یکپارچگی بومی گوگل) همیشه به معنای مزیت کیفی نیست. یک ابزار شخص ثالث با یک رابط (Connector) قوی می‌تواند ابزار بومی را شکست دهد، مشروط بر اینکه مدل زیربنایی دارای توانایی‌های برتر در استدلال، درک بافتار و تشخیص باشد.
اگر اینباکس با حجم پیام بالایی را مدیریت می‌کنید، شاید بخواهید تست کنید که آیا خلاصه‌های AI بومی، ظرافت‌های مهم‌ترین رشته ایمیل‌های شما را نادیده می‌گیرند یا خیر. منتظر پیشرفت‌های بیشتر در اکوسیستم رابط‌های Anthropic باشید تا ببینید آیا این قابلیت‌ها به سایر مجموعه‌های بهره‌وری گسترش می‌یابند یا خیر.
برای کاربر average (متوسط)، این موضوع نشان می‌دهد که «مزیت اکوسیستمی» (یکپارچگی بومی گوگل) همیشه به معنای مزیت کیفی نیست. یک ابزار شخص ثالث با یک رابط (Connector) قوی می‌تواند ابزار بومی را شکست دهد، مشروط بر اینکه مدل زیربنایی دارای توانایی‌های برتر در استدلال، درک بافتار و تشخیص باشد.
اگر اینباکس با حجم پیام بالایی را مدیریت می‌کنید، شاید بخواهید تست کنید که آیا خلاصه‌های AI بومی، ظرافت‌های مهم‌ترین رشته ایمیل‌های شما را نادیده می‌گیرند یا خیر. منتظر پیشرفت‌های بیشتر در اکوسیستم رابط‌های Anthropic باشید تا ببینید آیا این قابلیت‌ها به سایر مجموعه‌های بهره‌وری گسترش می‌یابند یا خیر.
گام بعدی شما
- اگر اینباکس شلوغی دارید، تست کنید آیا خلاصه‌های بومی AI شما نکات ظریف رشته‌های ایمیلی مهم را نادیده می‌گیرند یا خیر.
- برای کارهای پژوهشی، به جای تک‌پرامپت، از استراتژی «چند مرحله‌ای» (اعتبارسنجی $\rightarrow$ قالب‌بندی $\rightarrow$ استخراج) استفاده کنید.
- امکنیت‌های جدید رابط‌های (Connectors) شرکت Anthropic را دنبال کنید تا ببینید آیا به سایر مجموعه‌های بهره‌وری گسترش می‌یابند یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو