تصور کنید در شرکتی کار می‌کنید که هیچ‌کدام از کارهای تکراری و خسته‌کننده را انجام نمی‌دهید و تنها زمانی وارد عمل می‌شوید که نیاز به یک تصمیم سخت و انسانی باشد. این رویای «راحتی تهاجمی»، موتور محرک استراتژی جدید شرکت EarthLink Network برای ادارهٔ کامل سازمان با هوش مصنوعی است. آن‌ها با ایجاد یک چرخش ساختاری که در آن هر وظیفهٔ روتین ابتدا به هوش مصنوعی سپرده می‌شود، جایگاه قضاوت انسانی را به عنوان لایهٔ نهایی و مشتق‌شده‌ای از عملیات بازتعریف کرده‌اند، نه به عنوان یک اصل ایدئولوژیک.
این رویکرد در زمانی مطرح می‌شود که اکثر سازمان‌ها با هوش مصنوعی زاینده (Generative AI) — مثل دستیاری که فقط در کارهای خاص به شما کمک می‌کند — به عنوان یک ابزار جانبی یا یک «ساید-کار» برای بهره‌وری برخورد می‌کنند. در حالی که بسیاری از شرکت‌ها در ترسیم مرز بین نقش انسان و ماشین دست‌وپا می‌زنند، EarthLink Network این مرز را به‌طور کلی نادیده گرفت. آن‌ها سعی کردند همه چیز را خودکار کنند تا مرز قضاوت انسانی، به‌طور طبیعی از دل فرآیند شکست‌ها و موفقیت‌های عملی بیرون بیاید.
منطق واگذاری کامل
نقطه شروع این شرکت این نبود که «انسان‌ها قضاوت می‌کنند»، بلکه این بود که «همه چیز را با هوش مصنوعی انجام دهید». تصمیم برای تبدیل شدن به یک «شرکت AI»، خط شروع آن‌ها بود. هدف این بود که تمام کارهای EarthLink Network روی هوش مصنوعی اجرا شود. باور آن‌ها بر این است که اگر ترتیب را اشتباه پیش ببرید — یعنی قبل از تصمیم‌گیری دربارهٔ «چه چیزی را خودکار کنیم»، تصمیم بگیرید «چه کسی قضاوت کند» — کل تصویر تار می‌شود.
این استراتژی از یک ایدئولوژی بزرگ نشأت نگرفته، بلکه دلیلش ساده بود: «راحت‌تر به نظر می‌رسید». منطق آن‌ها این بود که هر کاری را که پیش روی‌شان است به هوش مصنوعی بسپارند چون سریع‌تر است. آن‌ها از ابتدا خطی نکشیدند؛ بلکه سعی کردند ابتدا همه چیز را واگذار کنند. در این فرآیند، آنچه واقعاً قابل واگذاری بود و آنچه نبود، به صورت ملموس و عینی از هم تفکیک شدند.
استفاده از «راحتی» به عنوان معیار، انتخابی آگاهانه برای دوری از تله‌های ایدئولوژیک است. وقتی شرکتی ابتدا یک مأموریت بزرگ تعریف می‌کند، اغلب واقعیت‌ها را برای تطبیق با آن مأموریت خم می‌کند. اما راحتی را نمی‌شود خم کرد. راحتی سؤالات صادقانه‌ای می‌پرسد: آیا سریع‌تر شد؟ آیا تلاش کم شد؟ آیا شخصی که از آن استفاده می‌کند راحت‌تر شده است؟ پاسخ این‌ها در اجرای سیستم است، نه در تئوری‌پردازی.
بر اساس گزارش‌های این شرکت، برخی ممکن است بپرسند آیا این مسیر بی‌پروا نیست؟ اما آن‌ها استدلال می‌کنند که بی‌پروا‌ترین مسیر، کشیدن مرز بین «انسان در اینجا و AI در آنجا» بر اساس حدس و گمان‌های پشت‌میزنشینی است. این حدس‌ها معمولاً اشتباه‌اند. آن‌ها باعث می‌شوند انسان‌ها کارهایی را در آغوش بگیرند که می‌توانستند واگذار کنند، یا بدتر از آن، قضاوت‌هایی را — که هرگز نباید واگذار شود — به هوش مصنوعی بسپارند.
با سپردن همه چیز به ماشین و منتظر ماندن برای ظهور خودبه‌خودی مرزها، شرکت به این نتیجه رسید: «انسان‌ها قضاوت می‌کنند». این یک فرض اولیه یا پیش‌فرض نبود، بلکه نتیجه‌ای بود که از دل اجرای عملیات تأیید شد.
تعریف مرز قضاوت
بسیاری می‌پرسند آیا هوش مصنوعی صرفاً «اجازه ندارد» قضاوت کند؟ واقعیت پیچیده‌تر است. شرکت با تصمیم به ممنوع کردن قضاوت برای AI شروع نکرد؛ بلکه با تصمیم به انجام همه چیز توسط AI شروع کرد. پس از اجرای سیستم، آن‌ها دریافتند که تنها «قضاوت» است که در سمت انسان باقی می‌ماند.
کسانی که عبارت «انسان‌ها قضاوت می‌کنند» را در ابتدای مسیر قرار می‌دهند، معمولاً در واگذاری کارهای واقعی شکست می‌خورند. آن‌ها هوش مصنوعی را به عنوان یک ابزار کمکی نگه می‌دارند، به این معنی که شرکت به‌طور واقعی روی AI اداره نمی‌شود و حجم کاری کارکنانشان به‌طور واقعی کاهش نمی‌یابد. این چالش در بسیاری از استارتاپ‌ها دیده می‌شود که سرعت تولید کد توسط عوامل AI را بر معماری نرم‌افزار ترجیح می‌دهند و در نهایت در ساختارهای مقیاس‌پذیر شکست می‌خورند.
مکانیسم‌های تفکیک
برای تعیین اینکه چه چیزی می‌ماند و چه چیزی می‌رود، شرکت به ماهیت وظیفه نگاه می‌کند:
- آنچه به هوش مصنوعی می‌رود: کارهایی با گام‌های ثابت. این شامل جمع‌آوری اعداد، پاک‌سازی متن، تغییر قالب داده‌ها به یک شکل مشخص و تکرار یک عمل برای دفعات زیاد است. هوش مصنوعی در این حوزه‌ها فوق‌العاده سریع است.
- آنچه نزد انسان می‌ماند: کارهایی خارج از گام‌های تعریف‌شده. این شامل تصمیم‌گیری درباره اولویت‌ها، تصمیم‌گیری درباره اینکه چه چیزی را باید حذف کرد و پذیرش مسئولیت نهایی است.
مرز بر این اساس تعریف می‌شود که آیا یک وظیفه را می‌توان به «گام‌ها» تبدیل کرد یا خیر. اگر بتوان، واگذار می‌شود. اگر نتوان، نزد انسان می‌ماند.
این مرز ثابت نیست. با رشد قابلیت‌های AI، کارهایی که دیروز نزد انسان بود، امروز «قابل واگذاری» می‌شود. مرز مدام در حال حرکت است. تعقیب این مرز متحرک و واگذاری مجدد کارها به AI، خود یک عمل از اعمال قضاوت انسانی است.
معماری سه هسته‌ای
اجرای تمام کارها با هوش مصنوعی به معنای استفاده از یک مدل غول‌پیکر و یکپارچه (Monolithic) نیست. در عوض، EarthLink Network از لایه‌های پشته‌ای با نقش‌های متفاوت استفاده می‌کند. سه هسته اصلی عبارت‌اند از:
- local-commander: لایه‌ای که کار را واگذار می‌کند. این لایه وظایف ثابت را به AI تغذیه می‌کند.
- claude-plugins: لایه‌ای که کیفیت را حفظ می‌کند. این لایه نظارت می‌کند تا ببیند آیا خروجی درست است یا خیر.
- eln-infra-ops: لایه‌ای که زیرساخت را اداره می‌کند. این لایه بستری را فراهم می‌کند که لایه‌های دیگر روی آن حرکت کنند.
روی این سه لایه AI، قضاوت انسانی قرار دارد. تلاقی این چهار عنصر — کار، کیفیت، زیرساخت و قضاوت — ستون فقرات شرکت را می‌سازد.
این سه لایه به هم وابسته هستند. واگذاری کار به تنهایی کافی نیست چون بدون لایه کیفیت، اشتباهات مستقیماً عبور می‌کنند. همچنین، هر دو لایه کار و کیفیت بدون یک زیرساخت فعال، از کار می‌افتند. اگر هر یک از این سه لایه حذف شود، بقیه نیز متوقف می‌شوند.
تفکیک سیستم به لایه‌ها، شفافیت در عیب‌یابی ایجاد می‌کند. اگر یک AI همه کارها را می‌کرد، پیدا کردن نقطه شکست غیرممکن بود. اما اکنون شرکت دقیقاً می‌داند کجا مشکل رخ داده: آیا کار متوقف شده؟ در مرحله کیفیت رد شده؟ یا زیرساخت سقوط کرده است؟
تکامل اکوسیستم ۱۸ محصوله
این شرکت با یک نقشه جامع شروع نکرد، بلکه ۱۸ محصول داخلی را از طریق فرآیند نیازهای تکرارشونده ساخت. هر نیاز، نیاز بعدی را در یک شجره خاص به دنبال داشت:
۱. ساخت (Build): ابتدا کارها را برای تولید چیزها به AI سپردند.
۲. نظارت (Watch): وقتی چیزها ساخته شدند، نیاز بود بدانند آیا درست کار می‌کنند یا نه.
۳. ترمیم (Repair): نظارت، نقاط شکست را نشان داد که نیاز به تعمیر داشتند.
۴. مدیریت (Management): با ادامه تعمیرات، نیاز به مدیریت آنچه اصلاح شده بود و نحوه اصلاح آن احساس شد.
۵. فرا-مدیریت (Meta-Management): با رشد مدیریت، مکانیزم‌ها با هم برخورد کردند و لایه‌ای برای «مدیریتِ مدیریت» لازم شد.
این تو در تو شدن، شجره محصولات آن‌هاست. انگیزه همچنان «راحتی» بود. آن‌ها قطعه گم‌شده پیش روی خود را پر کردند و این کار، قطعه گم‌شده بعدی را آشکار کرد تا در نهایت به ۱۸ محصول رسیدند.
«مدیریتِ مدیریت» به لایه دسته‌بندی (Bundling) اشاره دارد که وقتی مکانیزم‌های مدیریتی رشد می‌کنند و با هم تداخل می‌یابند، ضروری می‌شود. این لایه تصمیم می‌گیرد کدام فرآیند مدیریتی اول اجرا شود و کجا متوقف شود. هرچه شرکت محصولات بیشتری اضافه کند، این لایه دسته‌بندی ارزشمندتر می‌شود.
جایگذاری ۱۸ محصول در ۶ حوزه
اگرچه ۱۸ محصول زیاد به نظر می‌رسد، اما وقتی شجره آن‌ها را دنبال کنید، به‌طور طبیعی در ۶ حوزه عملکردی خوشه‌بندی می‌شوند:
- زیرساخت (Base): پشتیبانی از بستر اجرای سایر پنج حوزه (شامل eln-infra-ops).
- رشد (Growth): ایجاد ورودی برای دسترسی به مخاطبان.
- اجرا (Run): اجرای کارهای ثابت (شامل local-commander).
- نظارت (Watch): بررسی اینکه آیا فرآیندها در حال حرکت هستند یا خیر.
- پشتیبانی (Support): کمک به انسان‌ها و AI که در حال اجرای کارها هستند.
- تست (Test): تأیید صحت خروجی‌ها (شامل claude-plugins).
این ۶ جعبه از پیش آماده نشده بودند؛ بلکه پس از شمارش محصولات کشف شدند. این حوزه‌ها با هم تضمین می‌کنند که تمام کارها در یک چرخه کامل می‌چرخند و شناسایی حوزه‌های گم‌شده را آسان می‌کنند.
بستن تضادها با ساختار
اجرای تمام کارها با AI ناگزیر تضادها و خطاهایی ایجاد می‌کند، چون AI سریع و در حجم زیاد اشتباه می‌کند. EarthLink Network سعی نمی‌کند این تضادها را با اراده یا سخت‌کوشی انسانی سرکوب کند، بلکه آن‌ها را با «ساختار» می‌بندد.
برای مثال، اگر لایه ساخت اشتباه کند، لایه نظارت آن را شناسایی می‌کند و لایه ترمیم آن را اصلاح می‌کند. لایه claude-plugins این نظارت و ترمیم را مدیریت می‌کند. هدف این است که سناریویی ایجاد نشود که در آن انسانی مجبور باشد تمام روز به صفحه نمایش خیره شود تا خطاها را بگیرد.
این رویکرد از سیستم «حسابداری دوطرفه» (Double-entry bookkeeping) که در سال ۱۴۹۴ توسط لوکا پاچیولی فرموله شد، الگو گرفته است. در آن سیستم، هر تراکنش به عنوان بدهکار و بستانکار ثبت می‌شود. اگر جمع‌ها برابر نباشند، خودِ ساختار سیگنال می‌دهد که مشکلی وجود دارد. این سیستم به «دقت یک شخص» تکیه نمی‌کند؛ بلکه ساختار است که خطا را آشکار می‌کند.
EarthLink Network همین منطق را برای AI به کار می‌برد. آن‌ها به ساختاری تکیه می‌کنند که وقتی چیزها با هم مطابقت ندارند، متوقف شود. شجره محصولات آن‌ها در واقع سوابق بستن تضادها با ساختار است. هر جایی که هنوز به سخت‌کوشی انسانی نیاز است، صرفاً نقطه‌ای است که هنوز به ساختار تبدیل نشده و به عنوان نشانگری برای شناسایی نقطه بعدی اتوماسیون استفاده می‌شود.
حل پارادوکس جِوِنز در مورد زمان
در نهایت، شرکت به هدف نهایی این بهره‌وری می‌پردازد. در سال ۱۸۶۵، ویلیام استنلی جِوِنز متوجه پارادوکسی در مصرف زغال‌سنگ شد: با بهینه‌تر شدن موتورهای بخار، مصرف زغال‌سنگ کاهش نیافت، بلکه افزایش کرد؛ چون هزینه کمتر، باعث تشویق مردم به استفاده بیشتر شد.
این «پارادوکس جِوِنز» در مورد زمان نیز صادق است. وقتی AI کار را سریع‌تر می‌کند، زمان آزاد شده ناپدید نمی‌شود، بلکه اغلب به کارهای عملیاتی بیشتر مکیده می‌شود. اگر هدف شرکت صرفاً «کاهش کار» باشد، این پارادوکس به آن‌ها خیانت می‌کند و آن‌ها خود را درگیر کارهای عملیاتی بیشتری از هر زمان دیگری می‌بینند.
برای جلوگیری از این اتفاق، EarthLink Network از پیش تصمیم گرفته است که زمان بازگشتی به کجا برود. آن‌ها این زمان را به کارهای جدید نمی‌دهند، بلکه آن را به «قضاوت» اختصاص می‌دهند.
ساختار اجرای تمام کارها با AI برای یک نقطه ساخته شده است: بازگرداندن زمان قضاوت به دستان انسان. با سپردن کارهای ثابت به AI، زمان آزاد شده صرف تصمیم‌گیری‌های سطح بالا می‌شود. هدف، حذف کار نیست، بلکه بازیابی ظرفیت انسانی برای قضاوت است.
گام بعدی شما
- تفکیک وظایف: لیست کارهای روزانه خود را به دو دسته «گام‌های ثابت» و «قضاوت‌های متغیر» تقسیم کنید و اولی را به AI بسپارید.
- ساخت لایه نظارت: به جای بررسی دستی خروجی‌های AI، یک پرامپت یا عامل مجزا بسازید که فقط وظیفه «تأیید کیفیت» خروجی لایه اول را داشته باشد.
- سرمایه‌گذاری روی قضاوت: زمانی که AI سرعت کار شما را بالا می‌برد، آن زمان را صرف یادگیری استراتژیک کنید، نه اضافه کردن تسک‌های روتین جدید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو