تصور کنید برنامه‌نویسی هستید که با کمک کلود کد (Claude Code)، کورسور (Cursor) یا کوپایلت (Copilot) جفت می‌شود و نمونه اولیه یک پروژه کاربردی را که پیش‌تر یک هفته زمان و تلاش می‌برد، تنها در یک بعدازظهر می‌سازد. اما حقیقت تلخ این است: این دستاوردهای فردی به‌ندرت باعث تغییر وضعیت کلی سازمان می‌شوند، مگر اینکه تیم بتواند «زمینه» یا همان پیش‌زمینه ذهنی و متنی که منجر به تولید آن نتیجه شده است را به اشتراک گذاشته و ثبت کند.
این شکاف عمیق در طول یک هفته متراکم از کنفرانس‌ها و در دو رویداد متضاد به‌وضوح دیده شد: Tessl's AI DevCon و Muslim Tech Fest. در حالی که تمرکز رویداد DevCon بر موانع فنی جریان‌های کاری عامل‌محور (Agentic Workflows) و روش‌های ارزیابی آن‌ها بود، Tech Fest بر ضرورت انسانیِ مسئولیت‌پذیری و داشتن «نیت» (Intention) تأکید داشت. نکته مشترک و بنیادین این است که فناوری تنها «سرعت» حرکت در یک مسیر را زیاد می‌کند، اما هرگز نمی‌تواند آن «مسیر» یا جهت‌گیری را تعیین کند.
زمینه و تضادها
رویداد AI DevCon تحت سیطره بحث‌های فنی سطح بالا بود. محورهای اصلی تمرکز شامل عامل‌ها، جریان‌های کاری، ارزیابی و آینده گسترده‌تر توسعه نرم‌افزار بود. تنش مرکزی در این نشست، چالش مقیاس‌پذیری بود: اینکه چگونه می‌توان از بهره‌وری فردی به کارایی در سطح کل تیم حرکت کرد.
شرکت‌کنندگان بررسی کردند که در واقعیت، وقتی هر عضو تیم از جریان‌های کاری، پرامپت‌ها و عامل‌های منحصربه‌فرد خود استفاده می‌کند، چگونه زمینه (Context) بین آن‌ها به اشتراک گذاشته می‌شود. مشکل اصلی، حفظ استانداردها و نظارت بر رفتار مدل‌ها است تا چندین نفر بتوانند به یک سیستم واحد اعتماد کرده و در آن مشارکت کنند. این تحول در نحوه تعامل با کد، دقیقاً با آن رویکردی همسو است که در آن توسعه‌دهندگان از نویسندگی کد به سمت مدیریت کارکنان دیجیتال حرکت می‌کنند تا بتوانند خروجی‌های هوش مصنوعی را در ابعاد سازمانی هدایت کنند.
در مقابل، رویداد Muslim Tech Fest نگاهی شخصی‌تر و انسانی‌تر ارائه داد. بحث‌ها در این نشست حول محور جامعه، مسئولیت‌پذیری و تلاش برای ساخت مسیرهای شغلی معنادار می‌چرخید. شرکت‌کنندگان به‌طور آشکار درباره احساس غرق‌شدگی در برابر سرعت بی‌امان تغییرات و عدم قطعیت در مورد نقطه شروع سفر خود در دنیای هوش مصنوعی صحبت کردند.
بر اساس این گفتگوها، چالش مقیاس‌پذیری دیگر این نیست که «آیا هوش مصنوعی کار می‌کند یا نه»، بلکه این است که چگونه این فناوری در واقعیت سازمانی جای می‌گیرد. این گذار نیازمند حرکت به سمت «مهندسی زمینه» (Context Engineering) است؛ جایی که دستورالعمل‌های ارزیابی‌شده و قابل بازیافت برای عامل‌ها، موفقیت یک فرد را به یک استاندارد شرکتی مشترک تبدیل می‌کند.
چارچوب بازنگری (Reflection Framework)
در میزگرد طراحی رویداد Muslim Tech Fest، بحث‌ها فاش کرد که پذیرش ابزارمحور (Tool-centric) اغلب منجر به فرسودگی شغلی و بلاتکلیفی می‌شود. راهکار پیشنهادی، انضباط «بازنگری» است؛ یعنی بررسی دقیق نیات، نقاط قوت و کاستی‌ها پیش از انتخاب یک ابزار خاص.
بازنگری در این سیاق، یک تمرین انتزاعی یا ذهنی نیست. بلکه تمرینی ریشه در سنت اسلامی دارد که به عنوان ابزاری برای بررسی اعمال و مسئولیت‌های فردی به منظور ایجاد شرایطی برای رشد آگاهانه به کار می‌رود. این رویکرد پیشنهاد می‌کند که اگر فردی درک کند در کجا ارزش خلق می‌کند، می‌تواند فرصت‌های دقیق برای تقویت و تکثیر آن ارزش توسط هوش مصنوعی را شناسایی کند.
این چارچوب به افراد اجازه می‌دهد تا بر اساس سه شاخص مشخص، تصمیمات آگاهانه‌ای بگیرند که چه بخش‌هایی از کار را تفویض کنند و چه بخش‌هایی را نزد خود نگه دارند:
- شناسایی ارزش: دانستن اینکه دقیقاً در کجا بیشترین تأثیر و اثرگذاری را ایجاد می‌کنند.
- نقشه‌برداری نقاط ضعف: شناسایی شکاف‌هایی که هوش مصنوعی می‌تواند در آن‌ها حمایت‌های ضروری و حیاتی ارائه دهد.
- لنگرهای قضاوت: تشخیص بخش‌هایی از کار که صرفاً و به‌طور مطلق به تجربه، قضاوت یا سلیقه انسانی وابسته است.
برای یک مدیر مهندسی، این رویکرد به شکل یک حسابرسی (Audit) سخت‌گیرانه ظاهر می‌شود. پیش از خرید نرم‌افزار جدید یا استقرار عامل‌های هوشمند، رهبر تیم باید واقعیات عملیاتی زیر را شناسایی کند:
- نقشه ارزش: دقیقاً در کجا تیم در حال خلق ارزش منحصربه‌فرد است؟
- تعیین استاندارد: کدام استانداردهای فنی غیرقابل مذاکره هستند و باید به هر قیمتی حفظ شوند؟
- حوزه‌های انسانی: کدام بخش‌های جریان کاری صرفاً به قضاوت، سلیقه یا تجربه انسانی وابسته است؟
بدون این حسابرسی، پذیرش هوش مصنوعی صرفاً «واکنشی» باقی می‌ماند. در این حالت، گفتگو با «ابزار» شروع می‌شود، نه با «مسئله». وقتی تیمی فاقد استانداردهای مشترک باشد، ابزارهای توانمندتر به‌جای حل مشکل، تنها هرج‌ومرج موجود را تقویت می‌کنند. اگر سازمانی درک نکند چه چیزی باعث موفقیتش شده است، صرفاً افزودن هوش مصنوعی به معادله، احتمالاً پاسخی به این پرسش نخواهد بود.
این تغییر رویکرد به این معناست که حیاتی‌ترین گفتگوهای مربوط به هوش مصنوعی از «قابلیت» — اینکه مدل چه کارهایی می‌تواند انجام دهد، چه وظایفی را خودکار می‌کند و با چه سرعتی بهبود می‌یابد — به سمت «قضاوت» حرکت می‌کند؛ یعنی اینکه چه چیزی باید انسانی بماند، چه چیزی شایسته دقت و مراقبت عمیق‌تر است و چه نوع کاری ارزش تلاش و تکاپو دارد.
اثر مرتبه دوم این است که آمادگی برای هوش مصنوعی، کمتر به معنای سواد فنی و بیشتر به معنای «خودآگاهی سازمانی» است. فناوری می‌تواند سرعت حرکت در یک جهت را زیاد کند، اما نمی‌تواند خودِ آن جهت را فراهم کند.
برای خواننده، این بدان معناست که ارزش شما در یک اقتصاد تقویت‌شده با هوش مصنوعی، توانایی شما در مهندسی پرامپت (Prompt Engineering) نیست، بلکه توانایی شما در تعریف آن ارزش منحصربه‌فردی است که می‌آورید و هوش مصنوعی نمی‌تواند آن را بازتولید کند. اگر نتوانید سهم منحصربه‌فرد خود را نام ببرید، ابزار هرگز آن را برای شما پیدا نخواهد کرد.
همین امروز استانداردهای کیفی غیرقابل مذاکره سازمان خود را تعیین کنید. هنگامی که این استانداردها مکتوب شدند، می‌توانید آن‌ها را به جریان‌های کاری عامل‌محور (Agentic Workflows) متصل کنید تا اطمینان حاصل شود که مقیاس‌پذیری باعث کاهش کیفیت یا فرسایش تخصص کلیدی تیم شما نمی‌شود.
گفتگو