تصور کنید در اتاقی پر از مدیران دولتی سخت‌گیر نشسته‌اید و باید توضیح دهید چرا یک دستور خاص در هوش مصنوعی جواب می‌دهد، اما پاسخ شما فقط این است که «حس می‌کنم این‌طور بهتر است». این دقیقاً همان نقطه‌ای است که اعتبار یک برنامه آموزشی در سازمان‌های بزرگ فرو می‌پاشد.
به باور محمد فرحان حبیب فراز (Mohammad Farhan Habib Faraz)، مهندس ارشد و سرپرست تیم پرامپت در شرکت PowerinAI، سخت‌ترین بخش پذیرش هوش مصنوعی، نوشتن یک پرامپت نیست؛ بلکه توضیح دادن دلیل اثرگذاری آن برای کسی است که آن شهود فنی را ندارد. او استدلال می‌کند تخصص اگر فقط در ذهن یک مهندس ارشد بماند، فارغ از کیفیت خروجی، هرگز مقیاس‌پذیر نخواهد بود. این چالش با جایگزینی منتورینگ انسانی با ابزارهای هوش مصنوعی همسو است که در آن سرعت رشد مهندسان در برابر از دست رفتن انتقال دانش عمیق قرار می‌گیرد.
این چالش در حالی رخ می‌دهد که سازمان‌ها و وزارتخانه‌ها برای ادغام هوش مصنوعی زاینده (Generative AI) — شبیه به استخدام دستیاری که هر چیزی را خوانده اما گاهی نیاز به دستورالعمل دقیق دارد — در جریان‌های کاری خود عجله دارند. اکثر متخصصان، مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن، مثل کسی که می‌داند چطور از یک مشاور باتجربه بهترین جواب را بگیرد — را از طریق ماه‌ها آزمون و خطا می‌آموزند. همین موضوع شکافی میان «دانستن» و «توضیح دادن» ایجاد می‌کند.
برای یک مدرس که در برابر اتاقی از کارکنان بدبین ایستاده است، پاسخ «به این فرآیند اعتماد کنید» یک پاسخ غیرقابل قبول است که اعتبار او را از بین می‌برد. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی استقرار مدل‌های زبانی در سازمان‌ها اشاره کردیم، اعتماد کاربران نهایی به ابزار، مستقیماً به تسلط مدرس وابسته است.
شکاف میان دانستن و توضیح دادن
فراز اشاره می‌کند که پس از تکرارهای زیاد، قضاوت در مورد پرامپت‌ها به جای اینکه صریح باشد، به امری شهودی تبدیل می‌شود. این دانش ضمنی در سطحی پایین‌تر از استدلال آگاهانه قرار دارد. در حالی که یک متخصص به‌سادگی می‌داند کدام دستورالعمل جواب می‌دهد، اما نمی‌تواند از همان جایگاه شهودی، موضوع را آموزش دهد.
آموزش دادن به یک مدرس (Train the Trainer) اساساً با آموزش دادن به یک کاربر نهایی متفاوت است. یک مدرس باید بتواند در لحظه به سؤالات پاسخ دهد. یک پاسخ لرزان و نامطمئن در مقابل جمع، هزینه‌اش از دست رفتن اعتبار کل برنامه آموزشی است، نه فقط یک جلسه واحد.
به نقل از گزارشی که در ۱۹ اوت ۲۰۲۶ منتشر شد، فراز عادت‌های شهودی خود را به اصول صریح تبدیل کرد تا برنامه‌ای آموزشی و مقیاس‌پذیر بسازد. او بر چند مکانیزم فنی کلیدی تمرکز کرد:
جزئیات فنی پرامپت‌نویسی
- ساختاردهی خروجی: تغییر از پاراگراف‌های فرمت‌شده به JSON (یک قالب استاندارد تبادل داده). این کار تضمین می‌کند که تحلیل داده‌ها در مراحل بعدی (Downstream Parsing) بسیار قابل‌اعتمادتری باشد.
- مدیریت محدودیت‌ها: استفاده از محدودیت‌های منفی در پرامپت‌های سیستمی (System Prompts)؛ دستوراتی که به مدل می‌گویند چه کاری «انجام ندهد»، معمولاً بهتر از دستورات مثبت عمل می‌کنند و پایداری بیشتری دارند.
- تجزیه وظایف: شکستن کارهای پیچیده به مراحل متوالی. این روش نسبت به یک بلوک دستور متراکم، نتایج قابل‌اعتمادتری دارد و نرخ توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد، مثل دوستی که خاطره‌ای را اشتباه تعریف می‌کند — را کاهش می‌دهد. این رویکرد برای جلوگیری از خطاهایی است که در محیط‌های عملیاتی و هنگام استفاده از APIها منجر به شکست عامل‌های هوش مصنوعی می‌شود.
فراز همچنین یک «لایه پیش‌بینی اعتراضات» طراحی کرد تا مدرسان را برای محیط‌های پرفشار آماده کند. این لایه برای محیط‌های دولتی یا سازمانی که شرکت‌کنندگان در آن اغلب تصور می‌کنند ابزارهای AI یا بیش از حد بزرگ‌نمایی شده‌اند یا غیرقابل اعتماد هستند، حیاتی بود. این لایه مدرسان را برای پاسخ به سؤالات بدبینانه خاص آماده می‌کرد، سؤالاتی از این دست:
- چرا یک مدل ممکن است بخشی از دستورالعمل را نادیده بگیرد؟
- وقتی پایگاه دانش (Knowledge Base) با خودش تضاد داشته باشد چه اتفاقی می‌افتد؟
- از کجا می‌دانید خروجی واقعاً درست است و فقط «با اعتمادبه‌نفس» به نظر می‌رسد؟
فشار محیط کلاس
این رویکرد در جلسات ویژه‌ای برای روزنامه‌نگاران آزمایش شد. فراز روزنامه‌نگاران را مخاطبانی به‌شدت سخت‌گیر می‌داند، زیرا کل حرفه آن‌ها بر پایه پرسیدن سؤالات پیگیرانه و عدم پذیرش پاسخ‌های سطحی بنا شده است.
این جلسات باعث شد سطحی از شفافیت ایجاد شود که در اسلایدهای آموزشی داخلی قبلی وجود نداشت. اگر توضیحی در همان بار اول اثر نمی‌کرد، هیچ راه جایگزینی وجود نداشت. هر موردی که فراز مجبور شد در لحظه و به‌صورت بداهه توضیح دهد، تبدیل به یک الزام برای ایجاد نسخه‌ای شفاف‌تر و صریح‌تر در متون مکتوب شد. این کار تضمین کرد که نفر بعدی که آموزش را ارائه می‌دهد، مجبور نباشد تحت همان فشار، بداهه‌پردازی کند. این نیاز به شفافیت، یادآور تغییر گلوگاه توسعه نرم‌افزار است که در آن درک عمیق کد و منطق، از تولید صرف آن اهمیت بیشتری یافته است.
برای یک مدیر کسب‌وکار، این یعنی ظرفیت‌سازی در حوزه AI به معنای توزیع لیستی از «پرامپت‌های طلایی» نیست. هدف واقعی، انتقال استدلال زیربنایی است تا کارکنان بتوانند هنگام بروز خطا، یا زمانی که مدل دستوری را نادیده می‌گیرد یا با پایگاه دانش خود تضاد پیدا می‌کند، خودشان مشکل را عیب‌یابی کرده و بداهه‌پردازی کنند.
اگر سازمان شما تنها به چند «جادوگر AI» متکی است، یک نقطه شکست واحد (Single Point of Failure) دارید. دستاورد واقعی در آموزش، تبدیل قضاوت‌های شهودی به یک دارایی سازمانی مشترک است که در برابر نظارت‌های حرفه‌ای دوام بیاورد.
برای اجرای این استراتژی، سازمان‌ها باید «بهترین تجربیات» داخلی خود را حسابرسی کنند و بپرسند هر قانون چرا وجود دارد. اگر پاسخ به هر سؤال «چون این‌طور جواب می‌دهد» بود، بدانید که دانش شما هنوز مقیاس‌پذیر نیست.
گام بعدی شما
- روی «بهترین تجربیات» داخلی سازمانتان حسابرسی کنید و بپرسید هر قانون چرا وجود دارد.
- اگر پاسخ به هر سؤال «چون این‌طور جواب می‌دهد» بود، بدانید که دانش شما هنوز مقیاس‌پذیر نیست.
- سعی کنید دستورات پیچیده را به زنجیره‌ای از وظایف کوچک تبدیل کنید تا نرخ خطا کاهش یابد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو