تصور کنید در سال ۲۰۰۰ هستید و تمام سرمایه خود را روی شرکتی می‌گذارید که غذای سگ را رایگان ارسال می‌کند؛ آیا امروز این تصمیم را منطقی می‌بینید؟ این همان تله‌ای است که بسیاری از سرمایه‌گذاران و مدیران امروز در مواجهه با هوش مصنوعی در آن گرفتار شده‌اند.
اندری کارپاتی (Andrej Karpathy)، عضو بنیان‌گذار OpenAI و مدیر سابق AI در تسلا، اخیراً با پیوستن به Anthropic در بهار امسال برای آموزش مدل Claude، بحثی داغ را به راه انداخت. کارپاتی که به دلیل نوشتن nanoGPT و llm.c — کدهای کوچک و خوانایی که بسیاری برای یادگیری نحوه عملکرد مدل‌های زبانی از ابتدا تا انتها از آن‌ها استفاده می‌کنند — شناخته می‌شود، ادعا کرد که قرار دادن Claude در محیط Slack یک «پارادایم جدید» است. از نظر او، این ابزار دیگر صرفاً یک وب‌سایت برای بازدید یا اپلیکیشنی برای نصب نیست، بلکه یک «موجودیت مستقل، همیشگی و غیرهمزمان (asynchronous) است که ابزارها و زمینه‌های سازمانی را در اختیار دارد و در کنار تیم‌های انسانی کار می‌کند». او در نهایت نتیجه گرفت که «این سیستم کار می‌کند و فوق‌العاده است».
اما واکنش‌ها داستان متفاوتی را روایت می‌کرد. یکی از کاربران به نام @MatthewFoxAF در ۲۴ ژوئن ۲۰۲۶ پاسخ داد: «برادر، این یک پارادایم جدید نیست، این فقط یک ادغام (integration) در Slack است؛ دلم برای کارپاتی قدیمی دلتنگ شده است». این تبادل به یک شکاف عمیق‌تر اشاره دارد. یک طرف شاهد یک تکامل بنیادین است و طرف دیگر تنها یک قابلیت ساده را می‌بیند. هیچ‌کدام از این دیدگاه‌ها لزوماً احمقانه نیستند، اما شکاف بین آن‌ها دقیقاً از میان هر چیزی که در حال حاضر در این صنعت می‌گذرد، رد شده است. این موضوع در کنار پیشرفت‌های زیرساختی مانند پروتکل MCP که بار کاری ادغام هوش مصنوعی را به طور جمعی کاهش داد، بحث‌های جدی‌تری را درباره ماهیت ادغام‌ها ایجاد کرده است.
این تنش در زمانی رخ می‌دهد که مدیران ارشد شرکت‌ها بدون تعریف دقیق اینکه «استفاده مسئولانه» چه معنایی دارد، فقط دستور «هوش مصنوعی بیشتر» می‌دهند. در مقابل، مهندسان طبق غریزه‌ای قدیمی عمل می‌کنند: چیزی را منتشر نکن که نمی‌فهمی. هیچ توضیحی وجود ندارد که چگونه این دو دستور متناقض می‌توانند در کنار هم زنده بمانند. این فشار کاملاً ملموس است؛ اکنون در اعلان‌های مربوط به تعدیل نیرو، نام هوش مصنوعی در کنار گزارش‌های سودآوری ذکر می‌شود. در زیر این لایه‌ها، ترسی سردتر نهفته است: افرادی که مالک هوش مصنوعی هستند در یک سو، و افرادی که هوش مصنوعی جایگزین کارشان شده در سوی دیگر؛ بدون هیچ مسیر مشخصی برای عبور از این شکاف.
نوسانات بازار و چرخش‌های سریع
برای بسیاری، زمین چنان سریع در حال تغییر است که ردیابی آن دشوار شده است. ما شاهد صعود و سقوط سریع نقش‌ها و ابزارها هستیم:
- عناوین شغلی: «مهندسی پرامپت» (Prompt Engineering) — هنر سؤال درست پرسیدن، مثل کسی که می‌داند چطور از یک مشاور باتجربه بهترین جواب را بگیرد — به یک عنوان شغلی تبدیل شد، اما به سرعت جای خود را به مهندسی زمینه (Context Engineering)، سپس مهندسی مهار (Harness Engineering) و در نهایت مهندسی گراف (Graph Engineering) داد. هر یک از این‌ها تا زمان رسیدن مورد بعدی، راه بدیهی برای کار به نظر می‌رسیدند.
- شوک‌های سخت‌افزاری: پروژه OpenClaw در یک هفته صد هزار ستاره در گیت‌هاب گرفت و دقیقاً در همان هفته باعث کمبود Mac Mini در بازار شد.
- تب‌های کوتاه‌مدت: ابزاری مثل Ralph تنها برای حدود یک آخرهفته «آینده‌ی صنعت» تلقی می‌شد. در همین راستا، تعداد قابل توجهی از عوامل کدنویسی هوش مصنوعی در سال ۲۰۲۶ به مرحله ارسال کد به محیط عملیاتی رسیده‌اند که سرعت این چرخش‌ها را دوچندان می‌کند.
در تمام این مسیر، تیم‌ها کدها را سریع‌تر از آنکه بفهمند، منتشر می‌کنند. این وضعیت فشار و بار سنگینی را بر دوش هر کسی می‌اندازد که مسئولیت On-call (پشتیبانی آماده‌باش) را بر عهده دارد.
شباهت با حباب دات‌کام
اتمسفر فعلی شباهت عجیبی به وقایع مارس ۲۰۰۰ دارد؛ زمانی که شاخص NASDAQ به اوج خود بالای ۵,۰۰۰ رسید و سپس تا اکتبر ۲۰۰۲، ۷۸ درصد ارزش خود را از دست داد. در آن دوران، دو حقیقت متناقض هم‌زمان وجود داشت: اینترنت به‌شدت بیش از حد تعریف شده بود (Overhyped)، اما در عین حال واقعاً و به طور بنیادین هر چیزی را تغییر داد.
به نقل از تحلیل‌های constraintlab.com، تفاوت بین موفقیت و شکست در آن دوران خودِ فناوری نبود، بلکه «کاربرد خاص» آن بود. اطلاعاتی که برندگان را از بازندگان جدا می‌کرد، تمام مدت عمومی بود؛ سخت‌ترین بخش، دانستن این بود که چه سؤالی باید پرسید. برای مثال:
- Pets.com: این شرکت در فوریه ۲۰۰۰ عرضه عمومی (IPO) شد و تا نوامبر نابود گشت. عروسک دست‌کش شرکت از خود شرکت بیشتر عمر کرد، زیرا ارسال رایگان کیسه‌های ۴۰ کیلویی غذای سگ، یک ضرورت بنیادین اینترنتی نبود.
- آمازون: اگرچه در همان سقوط، بیش از ۹۰ درصد ارزش سهامش را از دست داد، اما آمازون به ارسال کالا ادامه داد. در عرض یک دهه، آمازون خرده‌فروشی، اخبار و موسیقی را بازسازماندهی کرد، زیرا یک کتاب‌فروشی دیجیتالی که تمام کتاب‌های چاپ‌شده را داشت، یک مشکل واقعی را حل می‌کرد.
در سال ۲۰۰۰، شرط‌بندی علیه حباب کاملاً درست بود و شرط‌بندی روی آمازون هم کاملاً درست بود. چهار راه برای ایستادن وجود داشت: فروش استقراضی (Short) همه چیز، خرید (Long) همه چیز، خرید Pets.com و فروش آمازون (که دو بار اشتباه بود)، یا خرید آمازون و فروش Pets.com (که دو بار درست بود). تنها چیزی که دو مورد آخر را از هم جدا می‌کرد، «درک» بود.
فرسایش درک فنی
این نابرابری ریسک بزرگی را در چرخه فعلی هوش مصنوعی آشکار می‌کند. بسیاری از متخصصان اکنون در موقعیتی هستند که دیگر کد خودشان را نمی‌نویسند. برای برخی، Claude هر خط کد را می‌نویسد، از جمله همان پست‌هایی که اکنون نوشته می‌شوند. این وضعیت شکاف خطرناکی ایجاد می‌کند که در آن «درک» دیگر محصول جانبیِ خلق کردن نیست، بلکه به یک شغل جداگانه تبدیل شده است. این روند منجر به چالش‌هایی شده که بسیاری از مهندسان نرم‌افزار اکنون ناچار به پذیرش کدهای بی‌کیفیت یا AI Slop شده‌اند تا سرعت تولید را حفظ کنند.
وقتی شخصی کدی را قبل از انتشار می‌خواند اما خودش آن را ننوشته است، همچنان تفاوت را حس می‌کند. روش پیش‌فرض برای حل این تضاد، این است که تصمیم بگیرند چه کسی «متوهم» است. اگر کارپاتی یک باتِ Slack را پارادایم می‌نامد، برخی فرض می‌کنند حتماً اتفاقی برای کارپاتی افتاده است. دسته‌بندی مردم به «درست» و «غلط» به جای تحلیل دقیق پذیرفته شده است، اما این فرض می‌کند که وقتی دو دیدگاه متناقض هستند، حتماً یکی از آن‌ها باید نادرست باشد.
اختلاف بنیادین
جنگ واقعی در صنعت، بر سر اینکه کدام مدل بهتر است یا وزن‌های باز (Open Weights) — یعنی دستور پخت مدل علناً منتشر شده، نه فقط غذای آماده — بر مدل‌های بسته پیروز می‌شوند، نیست. آن بحث‌ها کوچک و مودبانه می‌مانند. دعوای اصلی بر سر «قواعد درگیری» (Rules of Engagement) است. تیم‌ها اکنون در حال تصمیم‌گیری سریع و در لحظه درباره این قواعد هستند:
- یکپارچگی کد: آیا شما تک تک خط‌هایی را که مدل می‌نویسد می‌خوانید؟
- قابلیت انتشار: آیا می‌توانید کدی را منتشر کنید که در واقع درک نمی‌کنید؟
- اعتبارسنجی: آیا پاس شدن تست‌ها به این معناست که سیستم کار می‌کند، یا یک شکست عمیق‌تر در جریان است؟
- تضمین کیفیت: آیا یک بررسی کد (Review) تولید شده توسط AI، به عنوان یک Peer Review معتبر شناخته می‌شود؟
بسیاری از تیم‌ها با این فرض عمل می‌کنند که مدل‌ها در نهایت چنان بی‌نقص می‌شوند که این سؤالات محو شوند. اما یک فرضیه مخالف می‌گوید مدل‌ها با سرعت کافی به mức قابل اعتمادی نمی‌رسند که بتوانند این معماهای حرفه‌ای را برای ما حل کنند. اگر خروجی‌های تقریباً بی‌نقص تا یک یا دو سال دیگر برسند، سؤالات خودبه‌خود پاسخ داده می‌شوند؛ اما اگر نرسند، قوانینی که امروز برای خود تعیین می‌کنیم، کیفیت سیستم‌های آینده ما را مشخص خواهد کرد.
در نهایت، تفاوت بین «متحیران» و «ناامیدان» مربوط به حس و حال (Mood) است، نه واقعیت. فید شبکه‌های اجتماعی شما ممکن است موضعی را به شما تحمیل کند — اینکه متحیر باشید یا بترسید — اما «درک» تحمیل نمی‌شود. شما باید خودتان به سراغش بروید. تنها راه تشخیص «آمازون بعدی» از «Pets.com بعدی»، پرسیدن یک سؤال مشخص است: این ابزار چه کاری را ممکن کرد که ما قبلاً نمی‌توانستیم انجام دهیم؟
اگر پاسخ فقط «یک راه سریع‌تر برای انجام کاری است که از قبل وجود داشت»، احتمالاً در یک حباب هستید. اگر قابلیت بنیادین جدیدی باز شود، با یک تحول روبرو هستید. تا زمانی که این سؤال پاسخ داده نشود، کاربران صرفاً روی یک حس شرط‌بندی می‌کنند و منتظر نمره نهایی می‌مانند.
گام بعدی شما
- در ارزیابی ابزارهای جدید، از خود بپرسید: «آیا این ابزار قابلیت جدیدی ایجاد می‌کند یا فقط یک مسیر سریع‌تر برای کارهای قدیمی است؟»
- اگر از AI برای کدنویسی استفاده می‌کنید، زمان‌بندی مشخصی برای بازبینی دستی (Manual Review) خط‌به‌خط کدها قرار دهید تا درک فنی‌تان فرسوده نشود.
- تفاوت بین Utility (سودکارآمدی) و Hype (تب تبلیغاتی) را در مستندات فنی مدل‌ها جست‌وجو کنید، نه در توییت‌های مدیران.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو