تصور کنید در محیط کاری هستید که در آن «بلید به نظر رسیدن» بسیار ارزشمندتر از «بلد بودن» است. این دقیقاً همان چیزی است که النا ورنا، استراتژیست ارشد هوش مصنوعی و ازe insiders شرکت‌های بزرگ، «تئاتر اعتماد» (Confidence Theater) می‌نامد؛ اصطلاح خاصی برای توصیف وضعیتی که در آن متخصصان در گیردار یک چرخه هایپ (Hype Cycle) هستند و برای حفظ جایگاه شغلی یا نمایش وضعیت اجتماعی خود، قابلیت‌های عامل‌های هوش مصنوعی‌شان را بیش از حد بزرگ جلوه می‌دهند تا سیگنالی از تخصص یا امنیت شغلی ارسال کنند.
این پدیده در فضای متلاطمی رخ می‌دهد که تیترهای خبری هر روز با سرعت خیره‌کننده‌ای تغییر می‌کنند. روایت‌ها به سرعت از این ایده که «هوش مصنوعی آموزش را می‌کشد» به «حذف نویسندگان، مهندسان، طراحان، مدیران محصول و مشاغل فروش» تغییر کردند. جالب این است که بخش‌های بازاریابی، مالی و منابع انسانی در این روایت‌ها تا حد زیادی مصون ماندند. حتی گوگل با تمام ابهت سئو-اش، خود را در لیست قربانیان یافت. در دوره‌ای، روایت جمعی بر این بود که دوران نرم‌افزارهای خدماتی (SaaS) به‌طور کلی به پایان رسیده است؛ هرچند این اتفاق نیفتاد، اما بازار سرمایه واکنش شدید نشان داد و بسیاری از افراد پول‌های کلانی را از دست دادند.
اکنون چرخه به سمتی رفته که هر کسی و هر خانواده‌ای احساس می‌کنند برای تجربه یک «تحول زندگی‌بخش» و برای اینکه از دست دادن چنین فرصتی را تجربه نکنند، به یک عامل هوش مصنوعی (AI Agent) — مثل دستیاری که نه فقط حرف می‌زند، بلکه می‌تواند به‌تنهایی کارهای شما را در نرم‌افزارهای مختلف پیش ببرد — نیاز دارد. اما ورنا اشاره می‌کند که ۹۹٪ مردم در واقعیت نمی‌دانند یک عامل هوش مصنوعی دقیقاً چه می‌کند. برای یک متخصص معمولی، شکاف میان «جادویی» که در لینکدین توصیف می‌شود و واقعیتِ کلنجار رفتن با ChatGPT برای حذف لحن کلیشه‌ای «پست‌های حکیمانه لینکدینی» (LinkedIn wisdom post) — حتی پس از سه تلاش برای بازنویسی تنها یک پاراگراف — به یک فشار و بار روانی تبدیل شده است.
شکاف میان دمو و واقعیت
ورنا مشاهده می‌کند که در حالی که بسیاری ادعا می‌کنند هوش مصنوعی زندگی‌شان را «تغییر داده»، گردش‌های کاری (Workflows) آن‌ها در عمل همچنان ابتدایی و ساده است. او می‌گوید وقتی از افراد می‌خواهد ابزارهایی که زندگی‌شان را تغییر داده‌اند «به او نشان دهند»، معمولاً با کارهای ساده‌ای مواجه می‌شود:
- خلاصه‌سازی گفتگوهای اسلک (Slack)
- پاسخ به ایمیل‌ها
- انجام اسکن‌های زمان‌بندی شده
- انجام تحقیقات اولیه و رزرو قرار ملاقات
- ارسال ایمیل‌ها از طریق مدل Claude
اگرچه این‌ها مفیدند، اما ورنا کاربران را به چالش می‌کشد تا سیستمی را نشان دهند که چنان حیاتی باشد که اگر فردا حذف شود، کل جریان کاری آن‌ها واقعاً فرو بپاشد. نتیجه این است که لیست سامانه‌های واقعاً حیاتی و تغییردهنده زندگی، به‌شدت کوتاه است. با این حال، صدای تبلیغات در سطح «۱۰ از ۱۱» است (بیش از حد مجاز) و تصویری تحریف‌شده از آنچه واقعاً ممکن است ارائه می‌دهد.
ظهور فرهنگ «سلق‌وهلا»ی سمی جدید
به نظر ورنا، ما فرهنگ «ساعت ۵ صبح بیدار شو و در آب یخ غوطه بزن» (Cold-plunge) که پنج سال پیش رایج بود را با یک نمایش جدید و سمی‌تر متمرکز بر هوش مصنوعی عوض کرده‌ایم. او به شوخی می‌گوید که «دلتنگ فرهنگ سخت‌کوشی سمی شدن» در کارت بینگو سال ۲۰۲۶ او نبود، اما محیط فعلی حتی از آن زمان هم تهاجمی‌تر است.
پنج سال پیش، نمایش حول این محور بود که شما سخت‌تر از هر کس دیگری کار می‌کنید. مردم از میزان درآمد، نقاط عطف تعداد کاربران، جذب سرمایه، تعداد کارکنان، رسیدن به «اینباکس صفر» و کار کردن در حالی که به‌طور مداوم روی دستگاه Peloton ورزش می‌کردند، تعریف می‌کردند. امروز ابزارها و اکسسوری‌های نمایش عوض شده‌اند اما ماهیت نمایش یکی است. حالا افراد تعداد توکن (Token) — تکه‌های کوچکی از متن، مثل برش‌های یک کیک طولانی که مدل تکه‌تکه می‌خورد — که می‌سوزانند را برجسته می‌کنند و ادعا می‌کنند ۱۷ عامل در حال اداره بیزنس آن‌هاست در حالی که خودشان وقتشان را صرف «فکر کردن به ایده‌های بزرگ» می‌کنند. اما سؤال اصلی همچنان بی‌پاسخ می‌ماند: نتایج واقعی تجاری (Business Outcomes) کجاست؟
اثر بر استخدام و صلاحیت
این تغییر، فرآیند استخدام را به‌شدت آسیب زده است. هوش مصنوعی باعث شده «هوش متوسط» بسیار ارزان شود و به هر کسی دایره لغات متخصصان را بدون مهارت واقعی آن‌ها ببخشد.
شکاف دایره لغات: پیش از این، اشاره به پایگاه‌داده برداری (Vector Database)، پروتکل MCP، عامل‌ها (Agents)، حافظه یا تولید بازیابی‌افزا (RAG) — مثل دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — نشانه تخصص بالا بود. حالا هوش مصنوعی جملات شیک تک‌خطی و تحلیل‌های سریع (Hot takes) را برای هر کسی تولید می‌کند و به این ترتیب همه به‌گونه‌ای حرف می‌زنند که انگار تجربه عملی دارند.
به نظر رسیدن در برابر بودن: تفاوت عظیمی میان «صلاحیت به نظر رسیدن» و «صلاحیت داشتن» وجود دارد. ورنا استدلال می‌کند که مصاحبه‌های شفاهی دیگر کار نمی‌کنند؛ اینکه کاندیدا بتواند MCP را با اعتمادبه‌نفس توضیح دهد، به این معنا نیست که می‌تواند یکی از آن‌ها را بسازد یا گردش کاری ایجاد کرده باشد که کسی واقعاً به آن وابسته باشد.
راهکار: برای عبور از این «تخصص‌های تولیدشده توسط AI» و تشخیص مهارت واقعی از حرفهای توخالی، استفاده از مطالعات موردی (Case Studies) و دوره‌های آزمایشی کار (Work Trials) کاملاً ضروری شده است.
هزینه اغراق در هایپ
این فرهنگ اغراق، بدون قربانی نیست. وقتی کاربران سامانه‌های «تغییردهنده زندگی» را می‌بینند که در واقع کار نمی‌کنند، اغلب تصور می‌کنند تمام ابزارهای AI فریب‌کار هستند و به شک‌اکی مطلق پناه می‌برند. این اتفاق باعث می‌شود آن‌ها پیروزی‌های کوچک و واقعی — مثل ذخیره ۱۵ دقیقه زمان از کارهای کسالت‌آور در هفته — را نادیده بگیرند، در حالی که همین پیروزی‌های کوچک هستند که منجر به پذیرش واقعی تکنولوژی می‌شوند. «دنبال‌کنندگان تیترهای AI» در واقع دارند لحظات واقعی و جذاب «یافتم!» (Ah-ha moment) را از مردم می‌دزدند.
علاوه بر این، برخی عامل‌ها به‌عنوان جایگزین کارمند وعده داده می‌شوند، در حالی که در واقعیت تنها در ۵۰٪ مواقع درست عمل می‌کنند، به بستر متنی (Context) بسیار دقیق و دستی نیاز دارند تا خروجی قابل‌قبولی بدهند و اکثر اوقات اشتباه می‌کنند.
فشار ساختاری: سرمایه‌گذاران و مدیران
فشار از بالا به پایین جریان دارد. چرخه معمولاً از سطح سرمایه‌گذاران ریسک‌پذیر (VC) شروع می‌شود، جایی که به سرمایه‌گذاران وعده معجزاتی قدرت‌گرفته از AI داده شده است.
- واکنش زنجیری: سرمایه‌گذاران به مدیران فشار می‌آورند $\rightarrow$ مدیران از کارکنان معجزه‌های AI می‌خواهند $\rightarrow$ کارکنان مجبور می‌شوند با ابزارهایی که عملکرد ضعیفی دارند، کارهای غیرممکن انجام دهند.
- نتیجه: کارکنان به‌شدت تشویق می‌شوند که برای توجیه پیشرفت شغلی یا محافظت از شغل خود، «تئاتر اعتماد» به راه بیندازند.
این وضعیت یک خط مبنای (Baseline) جعلی می‌سازد. اگر همه تظاهر کنند که کارشان را متحول کرده‌اند، استفاده واقعی از AI برای کارهای مفید — مثل خلاصه‌سازی جلسات — به‌طور ناگهانی «خیلی ابتدایی و خجالت‌آور» به نظر می‌رسد. مردم به دلیل ادعاهای اغراق‌آمیز دیگران، دیگر قدردان ابزارهایی که واقعاً در زمان صرفه‌جویی می‌کنند نمی‌شوند.
مکانیسم توجه
ورنا به چندین دلیل اشاره می‌کند که چرا این اتفاق می‌افتد. شبکه‌های اجتماعی به هایپ‌های سطحی پاداش می‌دهند چون ارز اصلی آن‌ها «تعداد بازدید» (Impressions) است. برای جذب این توجه و دریافت دوپامین ناشی از آن، تولیدکنندگان محتوا باید چیزی شوکه‌کننده یا غیرمنتظره بگویند. به همین دلیل، یک صرفه‌جویی ۱۵ دقیقه‌ای در هفته تبدیل می‌شود به «وای خدای من، این زندگی‌ام را عوض کرد!» یا «اگر این گردش کار را اجرا نکنی، برای همیشه بیکار می‌شوی».
برخلاف فازهای قبلی تکنولوژی، разоблаance کردن (暴-افشای دروغ) AI سخت‌تر است. هیچ‌کس پست ویروسی درباره «تنظیمات دیوانه‌وار در Dropbox» نمی‌گذاشت چون مردم می‌توانستند بلافاصله بفهمند دروغ است. نرم‌افزار قدیمی یعنی: «دکمه را بزن، نتیجه را بگیر». اما AI ناسازگار است؛ نیاز به بستر خاص دارد و می‌تواند هم فوق‌العاده باشد و هم با اعتمادبه‌نفس کامل اشتباه کند. کاربران در این تردید می‌مانند که آیا از مدل LLM اشتباهی استفاده می‌کنند، آیا داده‌هایشان ساختارنیافته است یا تولیدکننده محتوا صرفاً نتیجه را جعل کرده است.
مسیر رسیدن به ارزش واقعی
ارزش واقعی در AI در اولین پرامپت (که ورنا آن را «بخش تفریحی» می‌نامد) نیست، بلکه در هزاران پرامپت بعدی است. ارزش در بخش‌های «غیر جذاب» (Un-sexy) خلق می‌شود: مدیریت اتفاقاتی که وقتی مدل‌ها تغییر می‌کنند می‌افتد، زمانی که پرامپت‌ها دیگر اثر نمی‌کنند، تغییر رفتار APIها یا شکست اینتگریشن‌ها (Integrations).
سامانه‌های AI از نوع «یک‌بار تنظیم کن و فراموش کن» نیستند. این‌ها سامانه‌های زنده‌ای هستند که نیاز به نظارت مداوم، ارزیابی، تکرار و تنظیم دقیق (Fine-tuning) — مثل وقتی به یک پزشک عمومی تخصص پوست می‌دهیم تا روی یک حوزه دقیق شود — دارند. این همان کار واقعی است که هیچ‌کس در شبکه‌های اجتماعی درباره‌اش پست نمی‌گذارد.
تجربه شخصی ورنا شامل استفاده از ابزارهایی مثل Firecrawl است — یک API داده‌های وب برای جستجو، استخراج (Scrape) و تعامل با وب در مقیاس بزرگ — تا وب زنده را به داده‌های ساختاریافته‌ای تبدیل کند که عامل‌ها بتوانند واقعاً از آن‌ها استفاده کنند. او حتی از آن در اپلیکیشن‌های Lovable خود استفاده می‌کند تا وبلاگ خودش را اسکرپ کند تا «همزاد AI» او به آخرین محتوای وبلاگش دسترسی داشته باشد.
راهنمای نقش‌های سازمانی
ورنا استراتژی مشخصی را برای متخصصان پیشنهاد می‌کند تا از نویز عبور کرده و بر نتایج متمرکز شوند:
- مدیران ارشد (Execs): انتظارات معقول تعیین کنید. سرمایه‌گذاران را با گفتن آنچه «واقعاً» شدنی است مدیریت کنید. از ایجاد انتظارات غیرمنطقی که در نهایت باعث سوختن سازمان می‌شود، خودداری کنید.
- مدیران تیم (Managers): کاملاً روی نتایج (Outcomes) تمرکز کنید. از AI برای تقویت آنچه تیم می‌تواند پیش ببرد استفاده کنید و به کارکنان فضای آزمایش و ساخت چیزهایی که ماندگار باشند بدهید، نه اینکه فقط به دنبال اثرات ظاهری بیزنسی باشند.
- کارکنان: تأثیر واقعی را پیدا کنید. زمان و آموزش لازم برای تسلط بر ابزارها را درخواست کنید. متصل کردن AI به حل مشکلات محوری بیزنس، راه تبدیل شدن به یک «مشارکت‌کننده سطح بالا» (Hi-C) است. درک و ارائه این نوع تأثیر، کلید رسیدن به این جایگاه است.
توصیه برای مصرف و تولید محتوا
از مصرف‌کنندگان می‌خواهد بخشی از راه حل باشند: تولیدکنندگان موردعلاقه‌شان را به چالش بکشند، «رسیدها» (مدرک و اثبات) بخواهند و تا زمانی که خودشان گردش کاری را شخصاً امتحان و تأیید نکرده‌اند، آن را بازنشر و تقویت نکنند.
به تولیدکنندگان و تیم‌های بازاریابی توصیه می‌کند دست از مهملات اغراق‌آمیز بردارند. در حالی که بازاریابان همیشه بهترین نسخه محصول را می‌فروشند، اما شکاف میان یک دمو و واقعیت روزمره در AI می‌تواند بسیار عظیم باشد و بیش‌فروشی (Over-selling) منجر به نابودی اعتماد می‌شود. صادق باشید: اگر گردش کاری ۲۰ دقیقه در روز ذخیره می‌کند، همین را جشن بگیرید. اگر یک عامل نیاز به نظارت دائمی (Babysitting) دارد، اعتراف کنید. اگر یک نمونه اولیه (Prototype) امیدوارکننده است، آن را به همین نام بخوانید.
درک سرعت تغییرات
مغز ما برای درک این سطح از تغییرات، به‌ویژه در تکنولوژی، ساخته نشده است. ورنا برای زمین‌گیر کردن موضوع، نگاهی تاریخی می‌دهد: تنها ۲۰۰ سال پیش، انسان‌ها تازه داشتند با مفاهیم اولیه بهداشت آشنا می‌شدند و حالا ناگهان باید با هوش مصنوعیِ قدرتمند اما ناسازگاری مواجه شوند که شغل‌هایمان را تهدید می‌کند. سرعت این گذار خردکننده است و فریادهای همیشگی مبنی بر اینکه «عقب مانده‌ایم»، فقط سرگیجه و گم‌گشتگی را بیشتر می‌کند.
در نهایت، ورنا می‌گوید یادگیری AI در حال حاضر «خودِ شغل» است. این نباید فعالیتی جانبی باشد که در زمان ناهار، پنج دقیقه بین جلسات، بعد از کار یا به عنوان فعالیت آخر هفته انجام شود. متخصصان باید هفته‌ای چند ساعت زمان رسمی و قانونی را در تقویم خود برای امتحان کردن چیزهای جدید بلوکه کنند. AI همین حالا هم جذاب‌ترین نوآوری زندگی ماست؛ نیازی نیست تظاهر کنیم که جادویی است.
گام بعدی شما
- اگر از زنجیره عامل‌های AI استفاده می‌کنید، یک «تست استرس» بگیرید: اگر یکی از این‌ها حذف شود، آیا واقعاً خروجی کارتان متوقف می‌شود یا فقط یک لایه تزئینی است؟
- در مصاحبه‌های استخدام، به‌جای پرسیدن «چه ابزارهایی می‌شناسی؟»، بخواهید خروجی واقعی و تاریخچه تغییرات یک گردش کاری (Workflow) را به شما نشان دهند.
- برای یادگیری AI، زمان مشخصی را در تقویم کاری هفتگی خود بلوکه کنید و آن را به‌عنوان بخشی از شرح وظایف شغلی‌تان تعریف کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو