چرا «سایکوز هوش مصنوعی» مدیران را به اخراج‌های عجولانه می‌کشاند؟

اگر امروز مدیری هستید که یک نمونه اولیه «بی‌نقص» از هوش مصنوعی را می‌بیند، احتمالاً ۲۰ مرحله نامرئی را فراموش کرده‌اید که برای تبدیل آن کد به محصولی امن برای بازار انبوه لازم است. این شکاف در درک، به روند خطرناکی منجر شده که در آن مدیران، یک دموی موفق را که تنها بر اساس «حس خوب» یا Vibe-coded ساخته شده، دلیلی برای کاهش تعداد کارکنان و تعدیل نیرو می‌بینند.

این پدیده که آرون لوی (Aaron Levie)، مدیرعامل شرکت باکس (Box)، آن را نوعی توهم ناشی از هوش مصنوعی می‌نامد، درست زمانی رخ می‌دهد که شرکت‌ها برای ادغام مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیارد‌ها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — در جریان‌های کاری واقعی دست‌وپنجه نرم می‌کنند. در حالی که دنیای تکنولوژی مدت‌هاست درباره تأثیر AI بر مشاغل بحث می‌کند، اصطکاک فعلی نه بر سر توانایی ابزار، بلکه بر سر فاصله میان میز مدیرعامل و «آخرین کیلومتر» مسیر تولید است. تصور کنید مدیری در یک بعدازظهر یک ماشین‌حساب ساده بسازد و به این نتیجه برسد که دیگر نیازی به کل دپارتمان حسابداری نیست.

مکانیسم‌های «سایکوز هوش مصنوعی»

طبق گزارش تک‌دیرت (Techdirt)، بسیاری از مدیران ارشد با عجله‌ای نامنظم و غیرقابل‌پیش‌بینی به ابزارهای LLM واکنش نشان می‌دهند. این وضعیت معمولاً در ایمیل‌های «همه کارکنان» ظاهر می‌شود؛ جایی که مدیرعامل از شگفتی ابزارها می‌گوید و با لحنی آمرانه اعلام می‌کند که همه در شرکت باید فوراً یاد بگیرند چگونه از این ابزارها استفاده کنند، در غیر این صورت باید به دنبال شغل جدیدی باشند.

برای تحمیل این روند، برخی مدیران مشاوران خارجی استخدام می‌کنند تا به تیم‌ها یاد بدهند چگونه از این ابزارها به‌درستی استفاده کنند. برخی دیگر «هکاتون‌های AI» داخلی یا «ساعات اداری» (Office Hours) ویژه‌ای ترتیب می‌دهند تا پذیرش ابزار را فشار دهند. در افراطی‌ترین موارد، شرکت‌ها تابلوهای امتیازدهی توکن (Token Leaderboards) ایجاد کرده‌اند تا میزان مصرف را رصد کرده و کارکنان را به استفاده بیشتر تشویق کنند.

اما این رویکرد به چند دلیل بنیادین غلط است:

• شمارش توکن‌ها به‌جای بهره‌وری، «هدررفت» را پاداش می‌دهد.
• استفاده مؤثر از AI مستلزم آن است که توکن‌ها را به عنوان یک منبع کمیاب ببینیم؛ بنابراین، صرفاً شمارش میزان استفاده به عنوان یک «چیز خوب»، مضحک است، زیرا به‌راحتی می‌توان توکن‌ها را در کارهای غیرسازنده و بی‌فایده تلف کرد.
• اجبار کارکنان به پذیرش ابزار، مانع از یادگیری ارادی و مؤثر آن‌ها می‌شود. هیچ‌کس که مجبور به استفاده از این ابزارها شده باشد، هرگز یاد نمی‌گیرد که چگونه به‌خوبی از آن‌ها بهره ببرد.

تله پروتوتایپ (نمونه اولیه)

مدیران ارشد به‌دلیل فاصله زیاد از جزئیات اجرایی و «آخرین کیلومتر» کاری که برای تولید ارزش واقعی لازم است، به‌شدت در معرض این خطا هستند. وقتی یک مدیر از ابزاری Agentic (عامل‌محور) مثل کلود کد (Claude Code) برای ساخت یک نمونه اولیه استفاده می‌کند، او فقط «مسیر خوش‌بینانه» یا Happy Path را می‌بیند. او یک قطعه کد فعال یا یک قرارداد تولیدشده را می‌بیند و تصور می‌کند کار تمام شده است.

اما طبق مستندات این تحلیل، مدیران معمولاً مراحل حیاتی و ضروری بعدی را نادیده می‌گیرند:

• بازبینی دقیق کدها پیش از استقرار در محیط عملیاتی (Production) و رفع انبوهی از مشکلات احتمالی.
• تأیید تک‌تک مفاد و شرایط در یک قرارداد تولیدشده توسط AI پیش از ارسال آن برای طرف مقابل.
• متصل کردن و هماهنگ‌سازی قراردادهای جدید با تمام قراردادهای پیشین شرکت.
• تضمین دسترسی‌پذیری (Accessibility)، امنیت و انطباق کامل با قوانین حقوقی و قانونی.

این گسست به این دلیل رخ می‌دهد که مدیران سنتی توسط لایه‌های مختلف تیم‌ها و نمودارهای سازمانی از افرادی که واقعاً کارها را پیش می‌برند، جدا شده‌اند. آن‌ها فقط تکه‌هایی از جزئیات را دریافت می‌کنند که از لایه‌های پایین به بالا فیلتر شده است. این موضوع آن‌ها را نسبت به این واقعیت کور می‌کند که «به راه انداختن یک چیز» با «به راه انداختن آن در مقیاس بزرگ، با کیفیت بالا و در یک محیط خاص» بسیار متفاوت است.

مقایسه با «کالت باری» (Cargo Cult)

این رفتار دقیقاً شبیه تفکر «کالت باری» است. مدیر می‌داند که در جایی از سازمان، کارکنان پشت کامپیوترها هستند و با تایپ کردن، کارها پیش می‌رود. وقتی مدیر خودش با کلود کد شروع به تایپ می‌کند و نتیجه‌ای می‌گیرد، به این نتیجه می‌رسد که این دو فرآیند کاملاً یکسان هستند.

او «کار نامرئی» — یعنی بررسی‌های امنیتی، بازبینی‌های حقوقی و مدیریت حالت‌های خاص (Edge Cases) — را که انسان‌های خبره و باسابقه ارائه می‌دهند، نادیده می‌گیرد. جهش ذهنی از «من یک چیز ساختم» به «پس هر کسی می‌تواند هر چیزی بسازد»، دقیقاً همان دلیلی است که شرکت‌ها در وهله اول افراد متخصص و با تجربه را استخدام می‌کنند و این جهش، کل هدف استخدام متخصصان را نادیده می‌گیرد.

به همین دلیل، بهترین کاربرد این ابزارها در حال حاضر، ساخت ابزارهای کاملاً شخصی‌سازی‌شده برای کمک به یک فرد در یک وظیفه خاص است، نه تلاش برای ساخت ابزارهای بازار انبوه که نیازمند استانداردهای سخت‌گیرانه ایمنی و کیفیت هستند.

واقعیت تعدیل‌ها

در حال حاضر روند رو‌به‌رشدی وجود دارد که شرکت‌ها برای توجیه تعدیل‌های گسترده کارکنان، به «بهره‌وری‌های ناشی از AI» استناد می‌کنند. تحلیل‌ها حاکی از آن است که این روایت اغلب یک داستان راحت برای وال‌استریت است تا اشتباهات قبلی در استخدام‌های بیش از حد (Over-hiring) را بپوشاند. این داستان برای بازار پذیرفتنی‌تر است تا اینکه شرکت اعتراف کند تصمیمات بدی در مورد تعداد نیروی انسانی گرفته است.

طنز تلخ ماجرا این است که مدیری «با تمام توان» روی تکنولوژی شرط‌بندی می‌کند و بلافاصله نتیجه می‌گیرد که این یعنی می‌تواند نیمی از کارکنان را اخراج کند. واقعیت این است که شرکت‌هایی که فکر می‌کنند می‌توانند بخش‌های بزرگی از نیروی کار خود را به دلیل ابزارهای LLM اخراج کنند، به‌زودی متوجه اشتباه خود خواهند شد.

LLMها لزوماً به معنای نیاز به انسان‌های کمتر نیست؛ بلکه به معنای نیاز به انسان‌های بیشتری است که می‌دانند چگونه به‌طور مولت و بهره‌ور با این ابزارها کار کنند. این ابزارها وقتی به‌درستی و با میل کاربر استفاده شوند، کمک می‌کنند کارکنان کارهای بیشتری انجام دهند، اما هرگز جایگزین نیاز به نظارت انسانی نمی‌شوند.

مسیر ادغام واقعی

برای عبور از این بن‌بست، آرون لوی پیشنهاد می‌کند مدیران باید واقعاً محدودیت‌های این تکنولوژی را یاد بگیرند. بهترین کاری که یک مدیرعامل می‌تواند انجام دهد این است که به‌طور گسترده از AI استفاده کند تا پیامدهای واقعی «عامل‌ها» (Agents) در محیط سازمانی را درک کند و به این شناخت برسد که چه مقدار کار واقعی پشت هر نتیجه نهفته است.

اگر مدیری باور دارد قراردادی که با «حس خوب» (Vibe-coding) تولید شده به اندازه قراردادی که توسط یک حقوق‌دان بازبینی شده است، محکم است، باید تشویق شود که آن را ارسال کند تا ببیند وقتی قرارداد از هم می‌پاشد، صورت‌حساب‌های حقوقی به چه مبلغی خواهد بود. اگر فکر می‌کند یک نمونه اولیه آماده تولید است، باید آن را بدون بازبینی منتشر کند تا نتایج فاجعه‌بار آن را ببیند.

برای خواننده، این بدان معناست که امن‌ترین جایگاه در عصر هوش مصنوعی، تنها «دانستن نحوه پرامپت‌نویسی» نیست، بلکه مالکیت «آخرین کیلومتر» تخصص است — یعنی همان امنیت، انطباق قانونی و تضمین کیفیتی که هوش مصنوعی هنوز نمی‌تواند تضمین کند.

گام بعدی شما

• اگر در جایگاه تصمیم‌گیرنده هستید، تفاوت بین «نمونه اولیه فعال» و «محصول آماده تولید» را با لیست کردن مراحل بازبینی (Review) شفاف کنید.
• به‌جای تمرکز بر یادگیری پرامپت، روی تخصص در «آخرین کیلومتر» — یعنی امنیت، انطباق قانونی و تضمین کیفیت — سرمایه‌گذاری کنید.
• در مواجهه با ابزارهای Agentic، همیشه یک سناریوی «شکست در مقیاس» طراحی کنید تا نقاط کور مدل مشخص شود.

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