تصور کنید در مصاحبه‌ای برای جایگاه مهندسی ارشد هستید و با این سؤال روبه‌رو می‌شوید: «اگر نمی‌توانید AGI بسازید، چرا باید شما را استخدام کنیم؟». این پرسش دیگر یک ارزیابی فنی نیست، بلکه ابزاری است تا مهندسان را کوچک جلوه دهد و آن‌ها را در چارچوبی قرار دهد که گویی تنها کاری که ارزش دارد، پیشروی در مرزهای ناشناخته است. این سؤال به یک فیلتر روان‌شناختی در مصاحبه‌های فنی تبدیل شده است تا به‌جای سنجش مهارت واقعی، احساس حقارت در مهندس ایجاد کند.
این تغییر رویکرد که در نقد مفصلی در ۱۴ مه ۲۰۲۶ منتشر شد، نشان می‌دهد صنعت در حال جایگزینی تخصص فنی با «همسویی روایتی» است. نویسنده استدلال می‌کند که این یک سؤال فنی نیست، بلکه یک بازی روان‌شناختی است که تنها در صورتی عمل می‌کند که شما این چارچوب را بپذیرید که تنها کارهای ارزشمند، کارهایی هستند که در مرزهای هوش مصنوعی عمومی (AGI) انجام می‌شوند، در حالی که هر چیز دیگری صرفاً «کار نگهداری» است که به‌زودی خودکار می‌شود. این روند بخشی از یک تغییر گسترده‌تر در فرآیندهای جذب نیرو است که در آن سامانه‌های خودکار استخدام، لایه‌ی انسانیِ تشخیص استعداد را حذف کرده‌اند و معیارهای ارزیابی را دگرگون کرده‌اند.
این اضطراب در دورانی شکل گرفته که سرمایه‌گذاران خطرپذیر (VCs) و بنیان‌گذاران استارتاپ‌ها، روایت نزدیک بودن AGI را ترویج می‌کنند. این محیط یک انگیزه منحرف ایجاد می‌کند: شرکت‌ها با فروش رویای «باقی ماندن در تاریخ» و اهمیت تاریخی، مهندسان را با دستمزدی کمتر از نرخ بازار جذب می‌کنند و هم‌زمان، مهندسی بنیادینی را که برای پایداری سامانه‌ها لازم است، بی‌ارزش جلوه می‌دهند. این فشار توسط کسانی تشدید می‌شود که از این اضطراب سود می‌برند؛ سرمایه‌گذاران خطرپذیری که باید سرمایه‌گذاری‌های کلان خود در لبه تکنولوژی را توجیه کنند و شرکت‌های هوش مصنوعی که نیاز دارند محیط فرهنگی‌ای ایجاد کنند که در آن تنها کارهایی که به سیستم‌های آن‌ها تغذیه می‌دهد، مشروع تلقی شود.
خلأ تعریفی در مفهوم AGI
بزرگ‌ترین نقص در استفاده از AGI به‌عنوان معیار استخدام این است که حتی پیشروترین مراکز دنیا هم بر سر تعریف آن توافق ندارند. طبق گزارش‌های منتشر شده، تعاریف موجود مبهم هستند و بیشتر در خدمت نقشه‌های راه شرکتی هستند تا استانداردهای فنی:
- OpenAI آن را به‌سادگی «سامانه‌هایی که به‌طور کلی از انسان‌ها باهوش‌تر باشند» تعریف می‌کند.
- Google DeepMind (از طریق موریس و همکاران) از یک سلسله‌مراتب شش‌سطحی استفاده می‌کند که از سطح ۰ (بدون هوش مصنوعی)، سطح ۱ (نوظهور)، سطح ۲ (شایسته)، سطح ۳ (متخصص)، سطح ۴ (مجرب/Virtuoso) و سطح ۵ (فرا-انسانی) تشکیل شده است. این مدل هم عمق عملکرد و هم گستره تکالیف را می‌سنجد.
- شاخص عامل‌های هوش مصنوعی MIT در سال ۲۰۲۵ صراحتاً اعلام کرده که تعاریف عامل‌های هوش مصنوعی «مبهم» است و در حوزه‌های مختلف متفاوت است و واژه «عامل» (Agent) معنای فنی ثابتی در جامعه پژوهشی ندارد.
وقتی یک مدیر استخدام مفهومی را به میان می‌آورد که حتی آزمایشگاه‌های تراز اول دنیا نمی‌توانند تعریف کنند، در واقع مهارت فنی شما را نمی‌سنجد؛ او در حال سنجش «تأیید اجتماعی» و توانایی شما در نمایش اعتمادبه‌نفس در یک فضای تعریف‌نشده است. این در واقع یک تست اجرای اجتماعی است که لباس فنی پوشیده است و به‌جای توانایی ساخت سامانه‌های قابل‌اعتماد، افرادی را انتخاب می‌کند که در جسارت و خود-تبلیغی مهارت دارند.
شکاف میان AGI و نیازهای محیط تولید
اکثر شرکت‌ها واقعاً به AGI نیاز ندارند؛ آن‌ها به دنبال راهکارهای قابل‌اعتماد برای مسائل خاص با محدودیت‌های مشخص هستند. نویسنده مثال‌های روشنی از این شکاف ارائه می‌دهد:
- مسیریابی پشتیبانی مشتری: سامانه‌ای که ۹۲٪ تیکت‌ها را درست طبقه‌بندی کند و ۸٪ باقی‌مانده را به اپراتور ارجاع دهد، به هوش عمومی نیاز ندارد؛ بلکه باید دقیق، قابل‌نگهداری و قابل‌استقرار در محیط تولید باشد.
- بازیابی دانش داخلی: ابزاری برای تیم حقوقی جهت یافتن رویه‌های قضایی، نیازمند استدلال در سطح انسان نیست، بلکه باید اسناد درست را بازیابی کند و در صورت نبود سند، به‌درستی حالت‌های شکست (Failure Modes) را مدیریت کند.
عجیب‌تر آن است که بسیاری از کسانی که این سؤالات را می‌پرسند، خودشان در حال ساخت AGI نیستند. اکثر آن‌ها در حال ساخت «پوشش‌ها» (Wrappers)، خط لوله‌های پرامپت، خط لوله‌های ارزیابی، اسکریپت‌های تنظیم دقیق (Fine-tuning) — مثل وقتی به یک پزشک عمومی، تخصص پوست می‌دهیم تا روی یک حوزه دقیق شود — و سیستم‌های بازیابی روی APIهای موجود هستند. تقاضای توانایی ساخت AGI برای این نقش‌ها، نوعی تورم مدارک است که به تصویر شرکت کمک می‌کند، اما کیفیت محصول را بالا نمی‌برد. این کار شبیه به آن است که از یک مهندس فرانت-اند بخواهید برای ساخت یک رابط کاربری، ابتدا موتور رندرینگ مرورگر را اختراع کرده باشد.
پارادوکس بهره‌وری
یک تصور خطرناک وجود دارد که دسترسی برابر به ابزارهای هوش مصنوعی، صلاحیت‌ها را دموکراتیزه می‌کند. اما نویسنده استدلال می‌کند که دسترسی به ابزار با صلاحیت در استفاده از آن متفاوت است. مطالعه‌ای از METR در سال ۲۰۲۵ نشان داد توسعه‌دهندگان باتجربهٔ متن‌باز که از بهترین ابزارهای کدنویسی هوش مصنوعی استفاده می‌کردند، در مخازن خود حدود ۱۹٪ زمان بیشتری نسبت به گروه کنترل (بدون ابزار) صرف کردند. این پدیده در تضاد با روایتی است که ادعا می‌کند ابزارهای AI می‌توانند جایگزین نیروی انسانی شوند، مشابه آنچه در تجربه شرکت گرایندر برای جایگزینی ۲۰۰ مهندس با ابزارهای کدنویسی مشاهده شد.
دلیل این اتفاق این است که هزینهٔ پرامپت‌نویسی، بازبینی و یکپارچه‌سازی خروجی‌های هوش مصنوعی گاهی از زمانی که در تولید متن صرفه‌جویی می‌شود، بیشتر است. ارزشمندترین مهندس کسی نیست که تهاجمی‌ترین استفاده را از AI داشته باشد، بلکه کسی است که بر اساس دانش عمیق دامنه بداند دقیقاً چه زمانی خروجی مدل را رد کند. این به این دلیل است که سیستم‌های هوش مصنوعی برای خروجی‌های «از نظر آماری محتمل» بهینه شده‌اند، نه برای «درستی» که ساختار واقعیت را دنبال کند.
توهم «ابزارهای یکسان»
این ادعا که دموکراتیزه شدن ابزارها میدان بازی را برای همه یکسان می‌کند، یک گمراهی جدی است. دسترسی به GPT-5، Claude یا Gemini از طریق یک API، مزیت مهارت‌های انباشته شده را از بین نمی‌برد. تفاوت در «مسئله ارزیابی» است: ابزار نمی‌تواند به شما بگوید که خروجی‌اش به‌طور ظریفی غلط است یا واقعاً عالی است.
یک متخصص از ابزار به‌عنوان یک ضرب‌کننده (Multiplier) استفاده می‌کند؛ بخش‌های درست را می‌پذیرد و خطاها را اصلاح می‌کند. یک غیرمتخصص کل خروجی را می‌پذیرد و منتشر می‌کند. این وضعیت حس کاذبی از توانمندی ایجاد می‌کند. حیاتی‌ترین دانش، دانستن این است که ابزار کجا شکست می‌خورد — یعنی همان نقاط شکست خاصی که در آن الگوهای آماری از واقعیت‌های علیّتی فاصله می‌گیرند. این تجربهٔ دامنه را نمی‌توان با یک کلید API دور زد.
مشابهت‌های تاریخی: از اکسل تا ابری
این الگوی «اضطراب ابزارمحور» ریشه در تاریخ دارد. در اوایل عصر رایانش ابری، مهندسان باید تخصص در سامانه‌های توزیع‌شده را حتی برای برنامه‌های ساده CRUD ثابت می‌کردند. در عصر موبایل، رویکرد «اول-موبایل» (Mobile-first) به بلیط ورود به بازار تبدیل شد. حتی در عصر بلاک‌چین، برای هر جایگاه شغلی، روایتی از تمرکززدایی لازم بود.
بهترین تشبیه، نرم‌افزار اکسل است. VisiCalc و Excel مدل‌سازی مالی را دموکراتیزه کردند، اما صلاحیت مالی را نه. بسیاری از فجایع شرکتی توسط مدیرانی رخ داد که به اکسل دسترسی کامل داشتند اما هیچ درکی از ساختارهای مالی نداشتند. حسابدارانی که جایشان را در مدل‌سازی دستی به اکسل دادند، به‌عنوان «ارزیابان مدل‌ها» ارزشمندتر شدند، زیرا اکسل ساخت مدل را آسان کرد اما ارزیابی آن را سخت‌تر. ابزارهای هوش مصنوعی، اکسلِ امروز هستند و مهندسان متخصص، همان حسابداران.
شش ستون مهندس جایگزین‌ناپذیر
برای بقا در «بازآرایی» فعلی بازار، مهندسان باید به‌جای تسلط بر ادبیات AGI، بر نتایج قابل‌اثبات تمرکز کنند. نویسنده شش ویژگی را شناسایی می‌کند که یک توسعه‌دهنده را واقعاً جایگزین‌ناپذیر می‌کند:
۱. انتخاب مسئله: توانایی شناسایی مسئلهٔ درست برای حل کردن. ابزارهای AI فقط ورودی‌های مشخص شده را بهینه می‌کنند؛ اگر مشخصات غلط باشد، خروجی با اعتمادبه‌نفس کامل، غلط خواهد بود. مهندسی که می‌پرسد «آیا این مسئله درستی است؟»، سازمان را از شکست‌های پیچیده نجات می‌دهد.
۲. عمق دامنه: دانشی عمیق که اجازه می‌دهد خروجی AI را با یک مدل علیّتی از واقعیت بسنجید. این عمق است که یک متخصص قلب که از AI استفاده می‌کند را از یک دانشجوی پزشکی که از همان ابزار استفاده می‌کند، متمایز می‌کند.
۳. سرعت اجرا با کیفیت: عرضه ویژگی‌هایی که ساختاریافته، قابل‌آزمون و قابل‌نگهداری باشند. سرعت تولید خروجی خام یک معیار غلط است؛ ارزش واقعی در حرکت از مشخصات به یک سیستم فعال بدون انباشت بدهی فنی (Technical Debt) است.
۴. ارتباطات: ایجاد درک مشترک بین تیم‌های فنی و ذینفعان غیرفنی. این شامل ترجمه محدودیت‌های فنی به زبان کسب‌وکار و صداقت درباره ریسک‌ها و محدودیت‌هاست.
۵. تکرارپذیری: تبدیل موفقیت‌های یک‌باره به فرآیندهای مستند و دانش سازمانی. این همان چیزی است که «مهندس» (که سیستم می‌سازد) را از «هنرمند/صنعتگر» (که فقط موارد خاص را حل می‌کند) متمایز می‌کند.
۶. صداقت معرفتی: توانایی نادر در گفتن «مطمئن نیستم» یا «این سیستم محدودیت‌هایی دارد». چون ابزارهای AI به‌طور سیستماتیک بیش‌ازحد مطمئن هستند، مهندسی که عدم قطعیت را می‌پذیرد، خدمتی حیاتی به سازمان می‌کند.
مهندسی برای قابلیت اطمینان: رویکرد Rust
به‌عنوان یک مثال عینی از به‌کارگیری این اصول، نویسنده چارچوب Rusty autoGPT را بررسی می‌کند. برخلاف پوشش‌های مبتنی بر پایتون، این چارچوب با زبان Rust ساخته شده تا قابلیت اطمینان در سطح تولید را بر هایپ و کلی‌گویی ترجیح دهد.
سیستم مالکیت (Ownership) و قرض‌دهی (Borrowing) در Rust خطاهای حافظه را در زمان کامپایل حذف می‌کند که برای عامل‌های خودمختاری که اقدامات برگشت‌ناپذیر انجام می‌دهند، حیاتی است. سیستم تایپینگ این چارچوب توسعه‌دهنده را مجبور می‌کند تا هر حالت شکست — مانند خطاهای شبکه یا پاسخ‌های غیرقابل‌تحلیل LLM — را پیش از اجرای کد مدیریت کند. در این چارچوب، مهم‌ترین تصمیمات نه درباره مدل یا پرامپت، بلکه درباره این است که عامل «اجازه ندارد» چه کاری انجام دهد و چگونه عدم قطعیت را به اپراتور انسانی گزارش کند.
این انتخاب معماری بازتاب‌دهنده یک فلسفه گسترده‌تر است: تخصص و قابلیت اطمینان راه ساختن چیزهای واقعی است، در حالی که کلی‌گویی و هایپ راه ساختن چیزهایی است که فقط «تاثیرگذار» به نظر می‌رسند.
بازآرایی بازار
بسیاری از مهندسان احساس می‌کنند بازار کار «خراب» شده است، اما نویسنده استدلال می‌کند که بازار در حال بازآرایی است. ارزش از «generalistها» (کسانی که می‌توانند بین استک‌های مختلف جابه‌جا شوند) به سمت متخصصانی با عمق واقعی در یک دامنه خاص تغییر کرده است. چون AI کفِ توانمندی‌های یک generalist را بالا برده، تنها تمایز باقی‌مانده، تخصص عمیق است.
این تغییر در گزارش ۲۰۲۵ مجمع جهانی اقتصاد (World Economic Forum) نیز دیده می‌شود:
- پیش‌بینی شده که تا سال ۲۰۳۰، نزدیک به ۴۰٪ از مهارت‌های شغلی تغییر کنند.
- ۶۳٪ از کارفرمایان شکاف مهارت‌ها را به‌عنوان مانعی برای تحول ذکر کرده‌اند.
- اولویت با تفکر تحلیلی، تاب‌آوری، انعطاف‌پذیری، رهبری و نفوذ اجتماعی در کنار سواد AI است.
همچنین به‌روزرسانی ۲۰۲۵ سازمان بین‌المللی کار (ILO) اشاره می‌کند که تعداد کمی از شغل‌ها کاملاً خودکار می‌شوند؛ بلکه الگو، «تحول تکالیف» است. انسان‌ها به سمت کارهای با قضاوت بالا، بافتار (Context) زیاد و ریسک بالا می‌روند که نیازمند ایجاد اعتماد و پذیرش مسئولیت است — چیزهایی که AGI به‌طور اصولی نمی‌تواند انجام دهد.
پیمایش در دوران گذار
تعدیل‌های فعلی بیشتر ناشی از نرمال شدن نرخ بهره پس از استخدام‌های بیش‌ازحد سال‌های ۲۰۲۰ تا ۲۰۲۲ است، نه به دلیل AGI. بازار در حال سازگاری با دنیایی است که در آن سیگنال‌های قدیمی شناسایی مهندسان خوب — مانند سال‌های تجربه یا برند کارفرمای قبلی — مختل شده‌اند.
در این خلأ، وابستگی به روایت AGI به‌عنوان یک سیگنال فرهنگی ضعیف جایگزین شده است. مهندسانی موفق می‌شوند که شواهد خود را از طریق محصولات عرضه شده، بهبودهای مستند در عملکرد و مشارکت در متن‌باز بسازند. آن‌ها کسانی هستند که با AI به‌عنوان یک ضرب‌کننده برای تخصص موجود برخورد می‌کنند، نه جایگزینی برای آن. اگر در بازار فعلی هستید، سعی نکنید شبیه یک پژوهشگر AGI به نظر برسید؛ به‌جای آن، مستند کنید که چه مسائل مشخص و قابل‌اندازه‌گیری را در محیط تولید حل کرده‌اید.
گام بعدی شما
- به‌جای استفاده از کلمات کلیدی هایپی مثل AGI در رزومه، روی «Case Study»های واقعی از حل مسائل در محیط Production تمرکز کنید.
- یاد بگیرید چگونه خروجی‌های AI را نقد کنید و نقاط شکست مدل را در دامنه تخصصی خودتان مستند کنید.
- روی مهارت‌های «ارزیابی» (Evaluation) سرمایه‌گذاری کنید. در دنیای AI، کسی که می‌داند چه چیزی غلط است، از کسی که می‌داند چه چیزی تولید کند، ارزشمندتر است.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو