شکاف پذیرش انسانی؛ گلوگاه واقعی پیش روی هوش مصنوعی

تصور کنید در تیمی هستید که سرعت کدنویسی در آن ۱۰ برابر شده است، اما همچنان برای تصمیم‌گیری درباره اینکه «چه چیزی ساخته شود»، هفته‌ها منتظر می‌مانید. در این وضعیت، گلوگاه دیگر کدنویسی نیست، بلکه توان تصمیم‌گیری انسان است. در واقع، وقتی پیاده‌سازی سریع می‌شود، فشار از روی «چگونه بسازیم» برداشته شده و روی «چه چیزی را چرا بسازیم» متمرکز می‌شود.

این تضاد زمانی رخ می‌دهد که مدل‌های پیشرو با سرعت خیره‌کننده پژوهشی پیش می‌روند، اما پذیرش سازمانی با سرعت کندِ انسان‌ها پیش می‌رود. نتیجه این است که شکاف عمیقی میان توانایی‌های آزمایشگاهی هوش مصنوعی و آنچه در دنیای واقعی اجرا می‌شود، ایجاد شده است؛ یعنی گلوگاه فعلی دیگر کد نیست، بلکه انسان است.

این دیدگاه در پاسخ به نظریه «تکنولوژی نرمال» شکل گرفته است؛ نظریه‌ای که می‌گوید باید به هوش مصنوعی مثل برق یا اینترنت نگاه کرد — ابزاری افقی که در همه جا پخش می‌شود. همان‌طور که در تحلیل قبلی ما درباره‌ی جایگزینی کامل نیروی کار اشاره کردیم، اکنون بحث از این است که آیا هوش مصنوعی «می‌تواند» جایگزین انسان شود یا خیر، بلکه تمرکز بر این است که خودِ فرآیند پذیرش، چه ریسک‌های سیستماتیکی ایجاد می‌کند. این موضوع در ادامه بحث‌های ما پیرامون ریسک حذف سیستماتیک مشاغل در برابر اتوماسیون همه‌منظوره قرار می‌گیرد که در آن به تفاوت ابزارهای تخصصی و عمومی پرداختیم.

شکاف پذیرش

به نقل از مقاله‌ای که در ۲ اکتبر ۲۰۲۶ در dev.to منتشر شد، گسست میان اختراع و انتشار، اصلی‌ترین مانع صنعت است. نویسنده استدلال می‌کند که نظریه «تکنولوژی نرمال» به این دلیل متقاعدکننده است که توسعه تکنولوژیک را از اثرات اقتصادی واقعی جدا می‌کند. پیشرفت تکنولوژیک لزوماً به معنای ارزش اقتصادی نیست؛ بلکه ارزش واقعی به کاربردهای خاص، مدل‌های کسب‌وکار و ادغام این ابزارها در فرآیندهای فعلی بستگی دارد.

• پژوهش در برابر واقعیت: مدل‌های هوش مصنوعی ممکن است در محیط‌های کنترل‌شده آزمایشگاهی بی‌نقص عمل کنند، اما دنیای واقعی متنوع، نامطمئن، ناهمگن و پر از استثنا است. هوش مصنوعی نمی‌تواند خودش را به کار بگیرد؛ این انسان‌ها هستند که باید هوش مصنوعی را بپذیرند.
• اصطکاک سازمانی: پذیرش ابزار جدید مستلزم تغییر در فرآیندها، مسئولیت‌ها، انگیزه‌ها و احتمالاً تغییرات عمیق فرهنگی است. این تغییرات بسیار کندتر از چرخه به‌روزرسانی مدل‌ها هستند و باعث می‌شوند سازمان‌ها با ظهور قابلیت‌های جدید در هر چند ماه، همیشه احساس عقب‌ماندگی کنند.
• مقاومت در حوزه‌های حساس: در حوزه‌هایی مانند پزشکی، حقوق و مالی، پذیرش کند باقی خواهد ماند زیرا اشتباهات پیامدهای شدیدی دارند. حتی اگر هوش مصنوعی قابل‌اعتمادتر شود، سوگیری‌های انسانی و مسائل اخلاقی موانع ایجاد می‌کنند. برای مثال، حتی اگر یک قاضیِ هوش مصنوعی از نظر آماری بهتر و کم‌سوگیری‌تر از یک قاضی انسان باشد، بسیاری از مردم همچنان محکوم کردن یک انسان توسط ماشین را از نظر اخلاقی غلط می‌دانند.

گلوگاه اختراع

در کنار پذیرش، یک گلوگاه بالقوه در بخش اختراع نیز وجود دارد. از زمان معرفی معماری ترنسفورمر (Transformer) — سیستمی که می‌تواند هم‌زمان به تمام کلمات یک جمله نگاه کند تا معنای دقیق را بفهمد — بیشتر پیشرفت‌ها در مدل‌های پیشرو حاصل افزایش مقیاس قدرت محاسباتی و حجم داده‌ها بوده است، نه کشفیات بنیادی جدید.

شواهد نشان می‌دهد که مقیاس‌پذیری (Scaling) تنها راه نیست. این واقعیت که برخی مدل‌های چینی توانسته‌اند با استفاده از قدرت محاسباتی کمتر، رقابتی شوند، نشان می‌دهد که پژوهش‌های پیچیده‌تر — و نه صرفاً سخت‌افزار بیشتر — می‌تواند دستاوردهای قابل‌توجهی به همراه داشته باشد. این رویکرد با تحلیل ما در مورد قوانین مقیاس‌پذیری و ناکارآمدی سرمایه‌های میلیاردی به عنوان خندق دفاعی همسو است که نشان می‌دهد لزوماً هزینه بیشتر به معنای برتری تکنولوژیک نیست.

توهم تقویت

بسیاری استدلال می‌کنند که هوش مصنوعی متخصصان را تقویت می‌کند (Augment) نه جایگزین. اما نویسنده هشدار می‌دهد که این یک فرض خطرناک است و هیچ تضمینی وجود ندارد که وضعیت به همین شکل باقی بماند. خوش‌بین‌ها اغلب به انقلاب صنعتی اشاره می‌کنند و می‌گویند انسان‌ها صرفاً سازگار می‌شوند و بر کارهایی تمرکز می‌کنند که هنوز وجود ندارند.

اما این مقایسه تاریخی دو مشکل عینی را آشکار می‌کند:

۱. دوره گذار: صنعتی شدن باعث رنج شدید انسانی شد. مالکان کارخانه‌ها قدرت مطلق یافتند و کارگران (پرولتاریا) با ساعات کاری بیش از حد، نبود مقررات ایمنی و دستمزدهای فقیرانه مواجه شدند. این شرایط تنها از طریق اعتراضات خشونت‌آمیز و مرگبار تغییر کرد و در نهایت منجر به ایجاد هفته کاری ۴۰ ساعته و حداقل دستمزد شد. از نظر تاریخی، شکاف بین فقرا و ثروتمندان در دوران انقلاب صنعتی، اختراع میکروچیپ‌های تجاری و ظهور اینترنت به شدت افزایش یافت.

۲. شکاف استدلالی: هیچ تضمینی نیست که شغل‌های جدیدی ساخته شوند. تغییرات قبلی، کارهای فیزیکی یا تفکر الگوریتمی را اتوماتیک کردند، اما همیشه قابلیت‌هایی را برای انسان باقی گذاشتند که تکنولوژی نمی‌توانست بازتولید کند. اما اکنون، آخرین دژ انسان — یعنی استدلال و تفکر — در حال اتوماسیون است.

این وضعیت منجر به ظهور «پراکسی‌های گوشتی» (Meat-proxies) شده است؛ گروهی از کارکنان که صرفاً اطلاعات را بین عامل‌های هوش مصنوعی جابه‌جا می‌کنند و به عنوان واسطه‌های ناکارآمد عمل می‌کنند. این افراد در نقش‌هایی هستند که استدلال سطح پایین نیاز است و مدل‌های زبانی (LLM) در حال حاضر توانایی مدیریت این نقش‌ها را دارند. همان‌طور که نویسنده اشاره می‌کند: «اسب‌ها بعد از اختراع اتومبیل شغل جدیدی پیدا نکردند، بلکه منسوخ شدند.»

قدرت غیرمستقیم و برون‌سپاری شناختی

هوش مصنوعی برای کسب قدرت به مقام رسمی نیاز ندارد؛ این اتفاق از طریق برون‌سپاری تدریجی تفکر انتقادی رخ می‌دهد. شخصی که اختیار تصمیم‌گیری دارد، ممکن است به طور فزاینده‌ای برای تحلیل وضعیت، پیشنهاد مسیر اقدام و توصیه تصمیم نهایی به هوش مصنوعی تکیه کند. در ظاهر، انسان تصمیم می‌گیرد، اما منبع واقعی تصمیم‌گیری مبهم و غیرشفاف می‌شود.

در گردش‌کارهای مدرن نرم‌افزاری، این پدیده همین حالا قابل مشاهده است:

• تحلیل‌گران کسب‌وکار از هوش مصنوعی برای نوشتن User Storyها استفاده می‌کنند.
• برنامه‌نویسان از آن برای پیاده‌سازی آن داستان‌ها استفاده می‌کنند.
• مهندسان QA از آن برای تولید تست‌ها استفاده می‌کنند.

نقش انسان در این زنجیره کاهش می‌یابد زیرا بیشتر کارهای شناختی برون‌سپاری شده‌اند. هرچه مردم تفکر انتقادی خود را بیشتر برون‌سپاری کنند، قدرت غیرمستقیم سیستم‌های هوش مصنوعی بیشتر می‌شود.

ابزار، نه گونه‌ای جدید

با وجود تمام قدرت، نباید با هوش مصنوعی به عنوان یک گونه جدید برخورد کرد. هوش مصنوعی همچنان یک ابزار است، هرچند ابزاری افقی مانند اینترنت یا برق. اما تفاوت هوش مصنوعی در این است که مستقیماً از طریق زبان عمل می‌کند. چون زبان ذاتاً انسانی است، این ابزار باعث ایجاد «انسان‌انگاری» (Anthropomorphism) می‌شود و این تصور را ایجاد می‌کند که تهدیدآمیزتر از سایر تکنولوژی‌هاست.

بزرگ‌ترین ریسک‌ها از خودِ هوش مصنوعی نیست، بلکه از نحوه استفاده انسان‌ها از آن است. یک ابزار قدرتمند در دستان بازیگران بدخواه خطرناک است. تبعیض یک مثال بارز است: هوش مصنوعی از داده‌های تاریخی یاد می‌گیرد که حاوی سوگیری‌های گذشته است. چالش این است که ما می‌خواهیم هوش مصنوعی از گذشته یاد بگیرد اما ارزش‌های منسوخ گذشته را بازتولید نکند، که این امر مستلزم ادغام ارزش‌های جامعه مدرن در تکنولوژی است.

ابزارهای تولید جدید

یکی از ریسک‌های نادیده گرفته شده، تغییر در نیازهای سرمایه‌ای است. در گذشته، یک استارتاپ فقط به لپ‌تاپ و استعداد نیاز داشت. اکنون بهره‌وری به مدل‌های زبانی پیشرو وابسته است که هزینه سرمایه‌ای آن‌ها برای کسب‌وکارهای کوچک غیرممکن است. این موضوع ابزارهای تولید را از منابعی که کارگران می‌توانستند مالک آن باشند (نرم‌افزار و سخت‌افزار)، به مدل‌هایی تبدیل می‌کند که باید اجاره کنند.

این وضعیت وابستگی خطرناکی به اولیگوپولی‌هایی مانند OpenAI، Anthropic و Google ایجاد می‌کند که قدرت محاسباتی لازم را کنترل می‌کنند. این ساختار بازار اجازه رفتارهای بی‌پروا را می‌دهد زیرا مصرف‌کنندگان جایگزین کمی دارند. برخلاف صنعت رانندگی خودکار، کسی که از AI برای برنامه‌نویسی استفاده می‌کند، فقط به این دلیل که کسی در هزاران کیلومتر دورتر از مدل برای انتشار پروپاگاندای انبوه استفاده می‌کند، ارائه‌دهنده خود را عوض نمی‌کند.

شرکت‌های کوچک اکنون برای استنتاج (Inference) — لحظه‌ای که مدل جواب تولید می‌کند — به این غول‌ها پول می‌دهند و در واقع هزینه می‌دهند تا غول‌ها بتوانند:

• مدل‌های کسب‌وکار را تحلیل کنند: آن‌ها داده‌های ارسالی را می‌بینند و می‌فهمند کسب‌وکار کوچک چگونه عمل می‌کند.
• نقشه راه (Roadmap) را پیش‌بینی کنند: آن‌ها می‌دانند استارتاپ در حال ساخت چه قابلیت‌هایی است.
• هزینه‌ها را کاهش دهند: استنتاج خودِ این غول‌ها بسیار ارزان‌تر است و به آن‌ها اجازه می‌دهد قابلیت‌های رقیب را با بهره‌وری بیشتر عرضه کنند.

در واقع، وقتی یک کسب‌وکار کوچک قابلیتی می‌سازد، هزینه استنتاج را به شرکت AI می‌پردازد و به این ترتیب سرمایه بیشتری برای تکمیل رقابت در اختیار غول‌ها قرار می‌دهد. این می‌تواند منجر به تشکیل شرکت‌های تابعه توسط غول‌های AI برای تخریب هر بازاری شود که با آن تماس پیدا می‌کنند.

تله شایستگی

در نهایت، استفاده از هوش مصنوعی در یادگیری، «توهم شایستگی» ایجاد می‌کند. دانش شبیه درختی است با ریشه‌ها و شاخه‌ها. هوش مصنوعی اجازه می‌دهد کاربر در یک حوزه خاص بسیار سریع دانش (شاخه‌ها) کسب کند. اما اگر کاربر دانش ریشه‌ای و بنیادی را کاملاً جذب نکرده باشد، هنگام افزودن شاخه‌های بیشتر دچار مشکل می‌شود.

بدون درک بنیادی، تشخیص جواب درست از توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد — غیرممکن است. این وضعیت نیروی کاری ایجاد می‌کند که در ظاهر توانمند به نظر می‌رسند اما فاقد قضاوت لازم برای مدیریت ابزارهایی هستند که به آن‌ها تکیه می‌کنند.

بهبود بازگشتی و کنترل

اگرچه مفهوم AGI ممکن است کاربردی نباشد، اما انتقال به هوش مصنوعی قادر به «بهبود بازگشتی» (Recursive Self-improvement) ممکن است. این انتقال «مسئله کنترل» را پیش می‌آورد. نظریه «تکنولوژی نرمال» تنها تا زمانی درست است که انسان‌ها رانندگان توسعه و پذیرش باقی بمانند.

سوال کلیدی تنها این نیست که هوش مصنوعی چقدر توانمند می‌شود، بلکه این است که انسان‌ها چقدر حاضرند تفکر، قضاوت و مسئولیت را برون‌سپاری کنند. این تغییر نشان می‌دهد که خطر واقعی یک AGI آگاه نیست، بلکه جهانی است که در آن انسان‌ها آن‌قدر تفکر را برون‌سپاری کرده‌اند که دیگر نمی‌توانند تکنولوژی ساخته‌شده‌شان را هدایت کنند.

در آینده باید منتظر ظهور جنبش‌های «محاسبات حاکمیتی» (Sovereign Compute) باشیم، جایی که کسب‌وکارهای کوچک تلاش می‌کنند وابستگی به اولیگوپولی AI را بشکنند تا کنترل ابزارهای تولید خود را بازپس گیرند.

گام بعدی شما

• در گردش‌کارهای خود، نقاطی را که تفکر انتقادی را کاملاً به AI سپرده‌اید شناسایی کنید و برای آن‌ها «نقاط بازبینی انسانی» اجباری تعریف کنید.
• برای تیم‌های فنی: به جای تکیه بر خروجی‌های آماده، از مدل‌ها بخواهید «منطق» پشت پاسخ را توضیح دهند تا ریشه‌های دانش در تیم حفظ شود.
• بررسی کنید که آیا وابستگی شما به یک ارائه‌دهنده مدل (Vendor Lock-in) ریسک استراتژیک ایجاد کرده است یا خیر.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.