تصور کنید می‌خواهید وب‌سایتی با هزاران صفحه محتوای بصری بسازید، اما حتی یک خط کد بلد نیستید. این دقیقاً همان مسیری است که خالق Huebloom طی کرد تا بدون داشتن دانش برنامه‌نویسی، یک پایگاه داده عظیم را به وب‌سایت تبدیل کند. Huebloom از ۴۱۸۴ رکورد صفحه‌ای منحصر‌به‌فرد تشکیل شده است؛ وب‌سایتی با قابلیت چاپ روی کاغذ که توسط شخصی ساخته شده که برنامه‌نویس نیست و از هوش مصنوعی برای عبور از موانع سنتی کدنویسی استفاده کرده است.
به نقل از گزارشی مفصل که در ۲۳ اوت ۲۰۲۶ منتشر شد، این وب‌سایت نه بر اساس یک نقشه راه صلب و از پیش تعیین شده، بلکه از طریق رشد ارگانیک و ابزارهای کمکی هوش مصنوعی زاینده (Generative AI) ساخته شده است. سازنده توضیح می‌دهد که سایت به گونه‌ای رشد کرد که هر مجموعه پیشنهادی، منجر به ایجاد مجموعه‌ای دیگر شد و تکرار برخی کارها باعث خلق ابزارهای کوچکی شد که ساخت مجموعه‌های بعدی را ممکن ساخت؛ شبیه به آشپزی بدون دستور پخت که در هر مرحله بر اساس طعم غذا تصمیم می‌گیرد چه افزودنی‌ای اضافه کند.
این رویکرد در تولید محتوای سبک (Lean Content) یک جهش بزرگ محسوب می‌شود. همان‌طور که در تحلیل قبلی ما درباره‌ی توسعه‌دهنده‌ای که سایتی ۱۲۶ صفحه‌ای را برای بهینه‌سازی استنادات مدل‌های زبانی (LLM) ساخته بود اشاره کردیم، Huebloom نشان‌دهنده‌ی جهشی عظیم در مقیاس است. این پروژه ثابت می‌کند که «دیوار اول» یعنی کدنویسی، اکنون برای کارآفرینانی که فاقد آموزش‌های رسمی مهندسی هستند، در حال ناپدید شدن است. این رویکرد یادآور استراتژی‌های بهینه‌سازی هزینه‌ای در مقیاس کلان است که پیش‌تر در فهرست‌سازی دامنه‌های متعدد به کار گرفته شد.
زمینه و سازوکار رشد
سایت پیش از آنکه برنامه‌ای برایش تدوین شود، رشد کرد. در ابتدا، سازنده تنها از هوش مصنوعی برای تولید تکه‌های کوچک و مجزا استفاده می‌کرد؛ مثلاً تولید یک صفحه واحد، یک تصویر، یک قطعه متن یا یک ویژگی کوچک. این روش برای یک سایت کوچک کارآمد بود، اما با گسترش مجموعه داده‌ها، تولید خروجی به ساده‌ترین بخش کار تبدیل شد. چالش سخت‌تر این بود که تصمیم بگیرد آیا آن خروجی واقعاً متعلق به Huebloom هست یا خیر.
از آنجایی که هوش مصنوعی می‌تواند برای درخواست‌های بد تعریف شده، پاسخ‌های متقاعدکننده‌ای ارائه دهد، سازنده مجبور شد پیش از آنکه از AI بخواهد چیزی بسازد، درباره‌ی جهت‌گیری سایت شفاف‌تر شود. این امر باعث شد بار کاری از «جستجو برای یافتن بهترین پرامپت» به «تصمیم‌گیری درباره هدف یک صفحه» و «تعریف استانداردهای کیفیت برای انتشار» تغییر یابد.
طبق گزارش وب‌سایت dev.to، فرآیند توسعه در سه مرحله تکامل یافت:
از تکالیف ساده تا حلقه‌های تکرار
- مرحله نخست (تکالیف): سازنده با هوش مصنوعی مانند یک کارمند سریع رفتار می‌کرد که فهرستی از تکالیف مجزا را انجام می‌داد (مثلاً نوشتن یک قطعه متن یا تولید یک تصویر).
- گلوگاه: هر تکلیف تمام‌شده، حجم بیشتری از کار بازبینی ایجاد می‌کرد. یک صفحه جدید اغلب بر صفحات قدیمی تأثیر می‌گذاشت و اصلاح مکرر اشتباهات مشابه، ناکارآمد بود. این چالش با یافته‌های اخیر درباره اتلاف زمان در بازبینی خروجی‌های AI هم‌راستا است که نشان می‌دهد بخش زیادی از بهره‌وری ادعایی هوش مصنوعی صرف اصلاحات می‌شود.
- مرحله حلقه (Loop): جریان کاری به «حلقه‌هایی» تبدیل شد که بازبینی، شکست و تغییرات تکرارشونده را در خود جای می‌دادند. در این مدل، یک تکلیف زمانی پایان می‌یابد که خروجی وجود داشته باشد، اما یک «حلقه» شامل یادگیری حاصل از شکست‌هاست.
- ادغام سئو: بهینه‌سازی موتورهای جستجو (SEO) دیگر یک مرحله نهایی در نوشتن یا مجموعه‌ای از تاکتیک‌های مجزا نبود، بلکه به روشی مستمر تبدیل شد تا هدف هر صفحه و ساختار کلی سایت در حین تغییرات، هم‌راستا باقی بماند.
شکاف سلیقه و زیبایی‌شناسی
در حالی که هوش مصنوعی مقیاس تولید را مدیریت می‌کرد، کنترل زیبایی‌شناختی کاملاً در دست انسان باقی ماند. برای جلوگیری از ظاهر یکنواخت و ماشینی (Generic)، سازنده از کتابخانه Three.js برای ایجاد افکت کاغذ در صفحه اصلی استفاده کرد تا حس فیزیکی، سبکی و لطافتی به کاربر منتقل شود. این تغییر از تعاملات متنی ساده به سمت تجربه‌های بصری غنی، تغییری است که در ابزارهای نوین پردازش منابع نیز مشاهده می‌شود.
اگرچه کدها توسط هوش مصنوعی نوشته شده بود، اما سازنده چندین نسخه از کدها را که از نظر فنی درست اما از نظر بصری «بی‌روح» یا «بیش از حد دراماتیک» بودند، رد کرد. این نشان می‌دهد که حتی در محیط‌های AI-driven، تصمیم نهایی درباره‌ی «حس» محصول بر عهده انسان است.
مقیاس‌دهی محتوا
هوش مصنوعی تصاویری را در مقیاسی تولید کرد که مدیریت دستی آن‌ها غیرممکن بود. با این حال، سازنده خاطرنشان کرد که همین مقیاس باعث شد «سلیقه انسانی» اهمیت بیشتری پیدا کند؛ زیرا یک تصویر «قابل استفاده» لزوماً یک تصویر «خوب» برای آن مجموعه خاص نبود. با گذشت زمان، برخی از قضاوت‌های تکراری به قوانین و ابزارها تبدیل شدند، اما سازنده به این نتیجه رسید که سلیقه را نمی‌توان خودکار کرد.
این تکامل نشان می‌دهد که ارزش اپراتور انسانی از «سازنده» (Maker) به «کیوریتور» (Curator) یا همان گزینش‌گر تغییر کرده است. وقتی هزینه تولید یک صفحه به نزدیکی صفر می‌رسد، سخت‌ترین سؤال دیگر این نیست که «آیا می‌توانم این را بسازم؟»، بلکه این است که «آیا این صفحه اصلاً باید در سایت من وجود داشته باشد؟»
برای مالکان کسب‌وکارهای مدرن، این بدان معناست که مزیت رقابتی دیگر تخصص فنی نیست، بلکه توانایی تعریف یک جهت شفاف و حفظ یک استاندارد ذهنی از کیفیت است که هوش مصنوعی نمی‌تواند آن را جایگزین کند.
همان‌طور که هوش مصنوعی سد ورود به نرم‌افزارهای پیچیده را پایین می‌آورد، مرز بعدی، مدیریت «بدهی فنی» (Technical Debt) در مجموعه‌داده‌های عظیم تولید شده توسط AI خواهد بود. چالش اصلی، هم‌راستا نگه داشتن هزاران صفحه در حالی است که چشم‌انداز اصلی محصول در حال تکامل است.
باید منتظر ظهور کسب‌وکارهای «کیوریتور-محور» باشیم؛ جایی که مهارت اصلی مؤسس، تعریف «سلیقه» و مدیریت «حلقه بازبینی» است، نه مدیریت یک تیم توسعه.
گام بعدی شما
- اگر ایده‌ای برای تولید محتوای حجیم دارید، به جای یادگیری کدنویسی، روی تعریف «استاندارد کیفیت» و «سلیقه بصری» برند خود تمرکز کنید.
- جریان کاری خود را از مدل «تکلیف-پاسخ» به مدل «حلقه-بازبینی» تغییر دهید تا خطاهای تکراری مدل کاهش یابد.
- ابزارهای بصری مثل Three.js را برای شکستن ظاهر یکنواخت محتوای تولید شده توسط AI بررسی کنید.
اما مدیریت «بدهی فنی» در این حجم از داده‌های تولید شده توسط هوش مصنوعی، چالش بعدی است — به تحلیل ما درباره‌ی مدیریت داده‌های سنتتیک در مقیاس بزرگ مراجعه کنید.
گفتگو