اگر امروز برای توسعه برند شخصی در شبکه‌های اجتماعی هزینه می‌کنید، باید بدانید که در حال رقابت با ارتشی از ربات‌ها هستید. طبق گزارش Pangram، محتوای مصنوعی چنان در فضای حرفه‌ای رخنه کرده است که تشخیص صدای واقعی از پژواک الگوریتم‌ها دشوار شده است.
این وضعیت در حالی رخ می‌دهد که کاربران برای صیقل دادن چهره حرفه‌ای خود به مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — تکیه کرده‌اند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی «توهمات مدل‌های زبانی» اشاره کردیم، تکرار الگوهای متنی باعث می‌شود ارزش شبکه‌سازی واقعی کاهش یابد و فیدهای کاربران به حلقه‌ای از تکرارهای ماشینی تبدیل شود. این موضوع با یافته‌های آمازون همسو است که نشان می‌دهد چگونه تکرار الگوهای رفتاری مدل‌های زبانی منجر به تولید انبوه محتوای بی‌کیفیت می‌شود.
بر اساس مستندات این پژوهش، Pangram بین آوریل و ژوئن ۲۰۲۶ با استفاده از افزونه کروم و مدل تشخیص Pangram 3، بیش از یک میلیون پست را بررسی کرد. یافته‌های این مطالعه تضاد شدیدی را بین پلتفرم‌ها نشان می‌دهد:
- لینکدین (LinkedIn): ۴۱٪ از پست‌های طولانی (بیش از ۲۵۰ کلمه) مصنوعی هستند؛ این پلتفرم با وجود اینکه تنها یک‌سوم کل بررسی‌ها را تشکیل می‌داد، نزدیک به دوسومی از محتوای هوش مصنوعی شناسایی‌شده را به خود اختصاص داد.
- ایکس (X): نزدیک به ۵۰٪ از مقالات طولانی یا توسط هوش مصنوعی تولید شده و یا با کمک آن نوشته شده‌اند.
- ساب‌استک (Substack): با نرخ تقریبی ۱۰٪، کمترین میزان محتوای مصنوعی را در میان پلتفرم‌های متن‌محور دارد.
- رِدیت (Reddit): ۹۸٪ از پاسخ‌ها انسانی هستند، هرچند پست‌های مستقل نرخ بالاتری از محتوای مصنوعی دارند.
به نقل از Pangram، مدل تشخیص آن‌ها نرخ خطای مثبت بسیار پایینی (۰.۰۱٪) دارد. با این حال، شرکت تأکید می‌کند که مدل در شناسایی نوشته‌های انسانی موفق‌تر است؛ این یعنی حجم واقعی «آشغال‌های هوش مصنوعی» احتمالاً حتی بیشتر از این ارقام است. این انباشت محتوای مصنوعی در مقیاس کلان، یادآور رویکرد متا در چارچوب Autodata است که تولید داده‌های مصنوعی را به یک حلقهٔ عامل‌محور تبدیل کرده است.
برای یک کاربر حرفه‌ای، این یعنی صدای انسانی در میان هیاهوی سنتتیک گم شده است. این فرسایش اعتماد احتمالاً متخصصان را مجبور می‌کند برای متمایز شدن، دوباره به سمت به‌روزرسانی‌های کوتاه‌تر، صریح‌تر و «اثباتاً انسانی» حرکت کنند.
لینکدین پیش از این برای حفظ کیفیت پلتفرم، محدودیت‌هایی را علیه پست‌های تولیدشده با هوش مصنوعی اعمال کرده است. اکنون باید منتظر نشان‌های تأیید انسانی یا جریمه‌های الگوریتمیک برای محتوای مصنوعی بود تا اثر «اینترنت مرده» خنثی شود.
گام بعدی شما
- در نوشته‌های خود از ساختارهای پیچیده و کلیشه‌ای LLMها فاصله بگیرید تا توسط فیلترهای جدید جریمه نشوید.
- برای جلب اعتماد مخاطب، محتواهای کوتاه‌تر و مبتنی بر تجربه شخصی (Anecdotal) منتشر کنید.
- ابزارهای تشخیص محتوای مصنوعی را برای ارزیابی کیفیت خروجی‌های مدل‌های خود به کار بگیرید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو