تصور کنید هر روز ده‌ها تب باز در مرورگرتان دارید که هر کدام یک عامل هوش مصنوعی را در میانهٔ انجام کاری رها کرده‌اند، اما شما دیگر اشتیاقی برای بازگشت به آن‌ها ندارید. این وضعیت، نشانهای از یک وابستگی ذهنی خطرناک است که در آن ابزارها به‌جای کمک به ما، جایگزین کنجکاوی و اعتمادبه‌نفس ما می‌شوند.
بر اساس یادداشتی که برنت فیتزجرالد (Brent Fitzgerald) در ۱۱ اوت ۲۰۲۶ منتشر کرد، فشار برای به حداکثر رساندن خروجی در عصر هوش مصنوعی، کاربران را به سمت «اوروبوروس بهره‌وری» می‌برد. این اصطلاح به چرخه‌ای اشاره دارد که در آن ما از ابزارهای هوش مصنوعی استفاده می‌کنیم تا نحوهٔ استفاده از همان ابزارها را بهینه کنیم، بدون اینکه خروجی واقعی یا ارزشمندی تولید شود.
این تغییر زمانی رخ می‌دهد که کاربر به‌جای استفاده از هوش مصنوعی برای تکالیفی مشخص، آن را به لایه‌ای دائمی بین خود و کارش تبدیل می‌کند. برای بسیاری، این لایه مانند یک ضربه‌گیر روانی عمل می‌کند که آن‌ها را از استرس یک تکلیف محافظت می‌کند، اما هم‌زمان لذت یادگیری را می‌کشد. در واقع، ما از «حل فعال مسئله» به «مدیریت غیرفعال ابزارها» کوچ کرده‌ایم. این تغییر نقش کاربر از یک خالق فعال به یک ناظر، یادآور تحولی است که در آن نویسندگان انسانی نیز از تولیدکننده به معماران محتوا تبدیل شده‌اند تا بتوانند در کنار ابزارهای تولیدی، کنترل کیفیت و ساختار را حفظ کنند.
زمینه و بستر گسست
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت و اتوماسیون مدل‌های زبانی اشاره کردیم، مرز بین بهره‌وری و اتکای کورکورانه بسیار باریک است. فیتزجرالد این موضوع را پس از یک تعطیلات تابستانی متوجه شد؛ زمانی که هفته‌ها را به شنا در رودخانه‌های سرد، خوردن شیرینی‌های s'mores و چرت زدن گذراند. این فاصله گرفتن از لپ‌تاپ و گوشی به او اجازه داد تا برای چندین هفته از هوش مصنوعی دور باشد.
او پس از بازگشت متوجه شد که اصلاً دلش برای این فناوری‌ها تنگ نشده است و دریافت که بخش زیادی از استفاده‌های قبلی‌اش کاملاً غیرضروری بوده است. او تجربه باز کردن لپ‌تاپش را توصیف می‌کند که با ۱۱ تب باز در cmux مواجه شد؛ هر تب حاوی چندین عامل (Agent) بود که در میانهٔ تلاش‌های مختلف متوقف شده بودند. این تلاش‌ها طیف گسترده‌ای از کارهای حرفه‌ای، پروژه‌های شخصی و هر چیزی در این بین را شامل می‌شد.
او همچنین متوجه نشانهای اعلان‌های خوانده‌نشده در چت‌های Claude شد که موضوعات متنوعی را پوشش می‌دادند؛ از مسائل مالیاتی و بررسی اسناد سیاستی گرفته تا ایده‌هایی برای فضای سبز و محوطه‌سازی. او این تب‌های باز را نه صرفاً شلوغی مرورگر در سال ۲۰۲۶، بلکه «باقی‌مانده‌های احساس گناه» می‌نامد. این تب‌ها نماینده‌ی ابتکاراتی هستند که او فکر می‌کرد برای انجامشان به کمک نیاز دارد یا می‌خواست آن‌ها را خودکار کند، اما در نهایت به یادآورهایی از شکست او در بهره‌وری، هوشمندی یا تمرکز در مدیریت زمان تبدیل شدند.
مکانیسم‌های وابستگی
به نقل از گزارش brentfitzgerald.com، این عادت در چهار شکل متداول ظاهر می‌شود:
- آینهٔ چاپلوس: استفاده از هوش مصنوعی به عنوان تخته‌ای برای پرتاب ایده‌ها هنگام رانندگی یا پیاده‌روی. فیتزجرالد افکار خود را برای ChatGPT دیکته می‌کرد و این کار را با بهر‌ه‌برداری از زمان‌های غیرمولد توجیه می‌کرد. با این حال، او دریافت که هوش مصنوعی صرفاً یک آینهٔ چاپلوس است و نه یک شریک فکری واقع‌بین؛ و در نهایت چیزی جز ضبط‌های پراکنده و متن‌های پیاده‌شده در سرورهای OpenAI باقی نمی‌ماند.
- میان‌بر یادگیری: حذف دشواری‌های یادگیری یک مهارت جدید برای رسیدن سریع‌تر به نتیجه. از آن‌جا که لذت واقعی در مسیر یادگیری و کلنجار رفتن اتفاق می‌افتد، میان‌بر زدن برای رسیدن به نتیجه، پاداش ذهنیِ کار روی پروژه‌های شخصی را از بین می‌برد.
- پارادوکس اتوماسیون: ساخت اتوماسیون‌های پیچیده برای موازی‌سازی کارها و انجام سریع‌تر آن‌ها. فیتزجرالد در بازنگری خود متوجه شد که در واقعیت، هیچ‌کس درخواست این حجم از افزایش سرعت را نمی‌داد و فرآیند تبدیل به یک چرخه بازتابی از «بهینه‌سازی ابزار برای خاطرِ ابزار» شد.
- توتِم محافظ: استفاده از عامل‌ها به عنوان لایه‌ای برای دوری از استرس کار. به‌جای مواجهه مستقیم با یک چالش، عامل مانند یک «عروسک یا توتِم محافظ» عمل می‌کند تا کاربر را از اصطکاک مستقیمِ سخت بودنِ کار حفظ کند.
فیتزجرالد اشاره می‌کند که اگرچه استفاده از عامل‌ها ممکن است مانند فیدهای الگوریتمی شبکه‌های اجتماعی از نظر عصبی-شیمیایی اعتیادآور نباشد، اما یک وابستگی اقتصادی-اجتماعی ایجاد می‌کند. او معتقد است ارزش‌های نجومی شرکت‌های فعلی هوش مصنوعی بر این پیش‌فرض استوار است که جهان به‌طور ناامیدکننده‌ای به فناوری‌های مبتنی بر مدل‌های زبانی بزرگ (LLM) وابسته شود.
این وابستگی اغلب از یک باور بررسی‌نشده نشأت می‌گیرد که چون ابزاری وجود دارد، پس ما «باید» بتوانیم کارهای بیشتری انجام دهیم. به‌جای کمک به کاربران برای اولویت‌بندی آنچه واقعاً مهم است، این فناوری تشویق به تولید «خروجی‌های بی‌ارزش در قالب markdown» و ابزارهایی می‌کند که هیچ‌کس واقعاً به آن‌ها نیاز ندارد؛ وضعیتی که اغلب حاصل ترکیبی از خوش‌بینی تکنولوژیک و اعتیاد به کارِ درمان‌نشده است.
پیاده‌سازی استفاده آگاهانه
برای مقابله با این روند، فیتزجرالد چارچوب «انسان در حلقه» را پیشنهاد می‌دهد که بر پایه صداقت درباره‌ی آنچه واقعاً به دست می‌آید و چه چیزی از دست می‌رود، بنا شده است. او این روش را در یک پروژه کاری اخیر با استفاده از مدل Pi پیاده کرد، اما با محدودیت‌های سخت‌گیرانه تا در تلهٔ «حلقهٔ عامل‌ها» نیفتد.
فرآیند خاص او برای این پروژه شامل موارد زیر بود:
- ورودی زمینه‌ای گسترده: ارائه تمام نیازمندی‌ها، پیشنهادات و دسترسی به کدها، ویکی‌ها، طرحواره‌ها (schemas) و گفتگوهای قبلی به هوش مصنوعی.
- محدودیت‌های تنگ: مجبور کردن مدل به اینکه به‌طور خاص روی شناسایی مشکلات تمرکز کرده و راهکارهای احتمالی را پیشنهاد دهد.
- انتظارات شفاف: ارائه تفکرات فعلی خود، نقاط ابهام و انتظارات بسیار دقیق از خروجی به مدل.
او با محدود کردن هوش مصنوعی به شناسایی الگوها و جست‌وجو در سیستم‌های پراکنده و محصولات SaaS — کارهایی که آن‌ها را خسته‌کننده می‌بیند و در آن‌ها مهارت زیادی ندارد — فضای ذهنی خود را برای «کارهای انسانی» مثل نوشتن و تفکر باز کرد. هوش مصنوعی بهره‌وری او را ۱۰ برابر نکرد و راهکار بی‌نقصی به او نداد، اما اصطکاک بازیابی داده‌ها را حذف کرد.
این رویکرد نشان می‌دهد که تنها راه داشتن زندگی غنی‌تر در کنار هوش مصنوعی، استفاده از آن با شرایط انسانی است. هدف این است که اطمینان حاصل شود انسان در مرکز حلقه است و عامل را فقط گهگاه و متفکرانه فرا می‌خواند، نه اینکه مسافر یک فرآیند خودکار شود.
گام بعدی شما
- لیست تب‌های باز هوش مصنوعی خود را بررسی کنید و هر کدام که بیش از یک هفته است پیشرفتی نداشته را ببندید.
- در پروژه بعدی، به‌جای سپردن کل فرآیند به عامل، از آن فقط برای «بازیابی داده» یا «شناسایی الگو» استفاده کنید و بخش تحلیل را شخصاً انجام دهید.
- یک روز در هفته را به «روز بدون دستیار» تبدیل کنید تا متوجه شوید کدام بخش از جریان کاری شما واقعاً به ابزار نیاز دارد و کدام بخش صرفاً یک عادت است.
اما داستان سخت‌افزاری این وابستگی حتی پیچیده‌تر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و تمرکز بر استنتاج در لبه مراجعه کنید.
گفتگو