تصور کنید در مصاحبه‌ای هستید و از شما می‌خواهند جزئیات پروژه‌ای را توضیح دهید که در رزومه‌تان «رهبری یک ابتکار بین‌بخشی» نامیده شده، اما در واقعیت فقط دو رشته گفتگو در Slack را مدیریت کرده‌اید. این شکاف خطرناک بین آنچه نوشته شده و آنچه بلد هستید، نتیجه‌ی مستقیم استفاده از ابزارهای بازنویسی هوش مصنوعی است.
به گزارش منابع توسعه‌دهندگان هوش مصنوعی در چین، مجموعه‌ای از هفت پرامپت برای مدل Claude در بازه ۱۰ تا ۱۷ سپتامبر ۲۰۲۶ وایرال شد که یکی از آن‌ها با نام «بازنویس جایگاه شغلی» (Positioning Rewriter)، کاربران را به سمت جعل حرفه‌ای سوق می‌دهد. در بازاری که تطبیق کلمات کلیدی تعیین می‌کند آیا رزومه‌ی شما توسط انسان دیده می‌شود یا خیر، وسوسه‌ی بهینه‌سازی زبان بسیار زیاد است. متقاضیان کار اغلب در ایجاد تعادل بین معرفی صادقانه‌ی خود و تبلیغات استراتژیک دچار مشکل می‌شوند. در چنین شرایطی، وسوسه برای استفاده از هوش مصنوعی جهت «بهینه‌سازی» زبان به شدت افزایش می‌یابد. این روند با یافته‌های اخیر همسو است که نشان می‌دهد بیش از ۹۰ درصد استخدام‌کنندگان اکنون به تقلب‌های رزومه‌ای با کمک هوش مصنوعی مشکوک هستند.
این ابزارها از یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — استفاده می‌کنند تا متون را صیقل دهند. اما مشکل اینجاست که مدل به جای اختراع واقعیت، اهمیت وظایف کوچک را چنان متورم می‌کند که دیگر قابل شناسایی نیستند. در واقع، هوش مصنوعی لزوماً حقایق را جعل نمی‌کند، بلکه اهمیت کارهای جزئی را تا حدی افزایش می‌دهد که ماهیت اصلی آن‌ها تغییر می‌کند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی توهمات مدل‌های زبانی اشاره کردیم، مدل‌ها تمایل دارند برای رضایت کاربر، پاسخ‌های متقاعدکننده‌تر تولید کنند. طبق گزارشی از dev.to، پرامپت بازنویس از مدل می‌خواهد خلاصه‌ی شغلی را برای یک عنوان شغلی خاص بهینه کند. این پرامپت شامل یک هشدار امنیتی است که از مدل می‌خواهد تجربیات را جعل نکند، اما این هشدار در عمل شکست می‌خورد. مدل برای رسیدن به بهترین نتیجه برای آن نقش شغلی بهینه‌سازی می‌کند و در نتیجه، یک هماهنگی ساده بین دو گفتگو در Slack را به «رهبری یک ابتکار بین‌بخشی» تبدیل می‌کند.
یک استخدام‌کننده در انجمن توسعه‌دهندگان از موردی گفته است که کاندیدا در میانه مصاحبه، وقتی نتوانست ادعاهای رزومه‌اش را اثبات کند، ناگهان از جلسه خارج شد. رزومه‌ی این فرد چنان توسط هوش مصنوعی بازنویسی شده بود که او در نیمه‌ی تماس تلفنی توانایی پشتیبانی از ادعاهای خود را از دست داد. مصاحبه‌کننده احتمال داد که کاندیدا عمداً کابل شبکه را کشیده باشد تا از بازجویی بیشتر و افشای عدم صلاحیتش فرار کند. این وضعیت منجر به بحرانی شده است که در آن مصاحبه‌های شغلی به گفتگوهای بی‌معنی بین بات‌های متقاضی و استخدام‌کننده تبدیل می‌شوند.
در مقابل، شش پرامپت دیگر در این مجموعه بر اکتشاف تمرکز دارند نه متقاعدسازی:
- یافت‌کننده نقش‌های پنهان (Hidden Role Finder): شناسایی عناوین شغلی در صنایع مختلف که کاربر در حال حاضر صلاحیت آن‌ها را دارد.
- مترجم مهارت‌های انتقال‌پذیر (Transferable Skills Translator): تطبیق نقاط قوت فعلی با بخش‌هایی که به این مهارت‌ها ارزش می‌دهند.
- تحلیل‌گر شکاف صلاحیت‌ها (Qualification Gap Analyzer): مقایسه‌ی صادقانه‌ی رزومه با شرح شغلی برای یافتن الزامات مفقود.
این ابزارها با داده‌های موجود کار می‌کنند تا کاربر تجربه خود را شفاف‌تر ببیند، در حالی که بازنویس، نسخه‌ای از کاربر را می‌سازد که هنوز وجود ندارد. این یک نوع «دروغ فنی» است؛ مدل مدرک دانشگاهی جعل نمی‌کند، بلکه اثرگذاری (Impact) کار کاربر را توهم می‌زند. چون زبان خروجی صیقل‌خورده و با اعتمادبه‌نفس است، کاربران اغلب متوجه نمی‌شوند که از مرز «قاب‌بندی» عبور کرده و وارد فضای «جعل» شده‌اند. برخی منتقدان این نوع خروجی‌های صیقل‌خورده اما توخالی را به عنوان «محتوای بی‌ارزش» یا Slop می‌شناسند، هرچند برخی معتقدند برچسب زدن به هر اثر هوش مصنوعی به عنوان محتوای بی‌ارزش، نوعی تنبلی فکری است.
برای کسانی که از مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن برای گرفتن بهترین جواب — استفاده می‌کنند، تنها راه صادقانه، افزودن یک مرحله‌ی اعتبارسنجی است. شما باید از هوش مصنوعی بخواهید هر ادعای موجود در نسخه جدید را شناسایی کرده و خط دقیقی از رزومه‌ی اصلی را که آن ادعا را پشتیبانی می‌کند، ذکر کند. اگر مدل نتواند خط پشتیبان را پیدا کند، آن ادعا باید حذف شود.
این فاصله بین «جلب توجه» و «توانایی اجرا»، به نقطه‌ی شکست در استخدام‌های مبتنی بر هوش مصنوعی تبدیل شده است. وقتی رزومه محصول بهینه‌سازی است، مصاحبه به آزمونی تبدیل می‌شود که آیا انسان می‌تواند ادای نثر صیقل‌خورده‌ی مدل را در راه‌اندازی واقعی درآورد یا خیر. در نهایت، خطر این است که هوش مصنوعی لغزش به سمت شخصیتی را تسهیل می‌کند که در اولین روز کاری، غیرقابل پشتیبانی است. این ابزار فقط متن را بازنویسی نمی‌کند، بلکه هویت ادراک‌شده‌ی کاربر را بازنویسی می‌کند.
گام بعدی شما
- اگر از ابزارهای بازنویسی استفاده می‌کنید، از مدل بخواهید هر ادعای جدید را با شواهد رزومه‌ی اصلی شما تطبیق دهد.
- به جای بازنویسی کلی، از پرامپت‌های «تحلیل شکاف» برای شناسایی مهارت‌های واقعی مورد نیاز استفاده کنید.
- در مصاحبه‌ها روی «چگونگی» انجام کار تمرکز کنید تا از تله‌ی کلمات پرطمطراق مدل‌های زبانی رها شوید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو