گزارش توسعه‌دهندگان: محدودیت توکن‌ها باعث ایجاد ساعات بیکاری اجباری شد

تصور کنید یک توسعه‌دهنده ارشد هستید که تمام کارهای هفته را در سه ساعت اول صبح به هوش مصنوعی سپرده‌اید و حالا تا پایان روز هیچ کاری برای انجام دادن ندارید. این کابوسِ بهره‌وری، واقعیت جدیدی است که در گزارش ۱۶ اوت ۲۰۲۶ توسط alaindichiappari.dev افشا شد: ظهور «کارکنان بیکار» در عصر عامل‌های هوش مصنوعی. در این گزارش، دستور «با هر چه داری بساز» (Make do) به توسعه‌دهنده‌ای در یک شرکت مشاوره داده شد که پس از رسیدن به سقف توکن‌های روزانه و اتمام لیست کارهایش، خود را در وضعیتی یافت که هیچ فعالیت مفیدی برای انجام دادن ندارد.

برای دهه‌ها، دنیای شرکت‌ها دستمزد را به زمان پیوند زده است؛ با این فرض که یک کارمند هشت ساعت در روز را با تلاش دستی پر می‌کند. اما وقتی یک برنامه‌نویس از مجموعه‌ای از عامل‌های هوش مصنوعی (AI Agents) — شبیه به مدیران پروژه‌ای که هر کدام مسئول یک بخش کوچک از کار هستند و هم‌زمان با هم پیش می‌روند — استفاده می‌کند، گلوگاه از تلاش انسانی به سقف توکن‌های API تغییر می‌کند. این وابستگی شدید به زیرساخت‌ها می‌تواند منجر به اتلاف سریع و پیش‌بینی‌نشده‌ی منابع در سیستم‌های خودکار شود که پیش‌تر در تحلیل‌های ما بررسی شده است.

زمینه و بستر بیگانگی

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی اقتصاد محاسباتی مدل‌های زبانی اشاره کردیم، هزینه و محدودیت دسترسی به مدل‌ها، تعیین‌کننده سرعت پیشرفت است. این تغییر، نوع جدیدی از بیگانگی را برای مهندسان نرم‌افزار ایجاد کرده است. در بسیاری از شرکت‌ها، توسعه‌دهنده به یک «چرخ‌دنده کلاسیک» تبدیل شده که تنها وظیفه‌اش جابه‌جایی تسک‌ها در بورد و خواندن پست‌ها و پاسخ‌های مدل است. طبق این گزارش، وقتی سقف توکن‌ها پر می‌شود، کارمند ممکن است اعتراف کند که تا زمان بازنشانی (Reset) سقف روزانه، عملاً هیچ کاری برای انجام دادن ندارد.

در حالی که برخی نقش‌ها هنوز به هماهنگی شدید انسانی، مدیریت فرآیندها و نوشتن مستندات نیاز دارند، بسیاری از جایگاه‌های دیگر کاملاً به سمت ارکستراسیون عامل‌ها حرکت کرده‌اند. این یعنی ایجاد یک شکاف عمیق میان کسانی که فعالیت ذهنی سنتی انجام می‌دهند و کسانی که خروجی‌شان به یک «محدودیت اعتباری» گره خورده است. این چالش‌ها اغلب با شکاف میان ظرفیت تئوریک و کیفیت عملی پنجره‌های متنی تشدید می‌شود که باعث می‌شود مدیریت توکن‌ها پیچیده‌تر گردد.

مدیریت چندین زیر-عامل توسط انسان، او را به یک ناظر تبدیل می‌کند. اما مشکل اینجاست که وقتی سقف توکن‌ها تمام می‌شود، انسان نمی‌تواند به‌سادگی «کار را از وسط به دست بگیرد». به نقل از مستندات فنی، مدل‌هایی مانند Claude Fable 5 و Claude Mythos 5 تا تاریخ ۱۶ اوت ۲۰۲۶، زنجیره تفکر (Chain-of-Thought) — شبیه به وقتی شاگرد ریاضی پای تخته بلند بلند فکر می‌کند تا به جواب برسد — خود را به‌صورت خام برنمی‌گردانند. بنابراین، هر تلاشی برای دخالت دستی انسان، ریسک شکستن سازگاری داخلی و منطق عامل را به همراه دارد.

جزئیات مکانیسم‌های مداخله

بر اساس بررسی‌های صورت‌گرفته، تلاش برای جایگزینی عامل با انسان اغلب تمرینی بی‌فایده است:

• شکاف درک: انسان ممکن است ساعت‌ها وقت صرف کند تا صرفاً بفهمد ساده‌ترین یا قابل‌دسترس‌ترین جریان کاری در میان چندین عامل موازی کدام است.
• ریسک ناسازگاری: پس از انجام کار دستی و مستندسازی آن، وقتی تسک به مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — بازگردانده می‌شود، مدل ممکن است ساعت‌ها تلاش انسانی را در چند ثانیه پاک کرده و دوباره آن را بازسازی کند.
• انتخاب بیکاری: در مواجهه با این وضعیت، بسیاری از کارکنان ترجیح می‌دهند صرفاً منتظر بازنشانی سقف توکن‌ها بمانند یا اگر کار مفید دیگری وجود داشته باشد، به آن بپردازند.

گلوگاه توکن‌ها و پارادوکس بهره‌وری

این وضعیت پارادوکس عجیبی در دفاتر مدرن ایجاد کرده است:

• شکاف ارکستراسیون: برخی نقش‌ها اکنون کاملاً بر ارکستراسیون عامل‌ها متمرکز شده‌اند، به این معنی که بهره‌وری آن‌ها به جای مهارت، توسط یک سقف اعتباری محدود می‌شود.
• تله کارایی: افزایش سقف توکن‌ها لزوماً راهکار نیست؛ زیرا ممکن است باعث تشویق به کارهای شلخته‌تر شود که در آن عامل‌ها برای پاک‌سازی خروجی‌های دوبرابر، کمتر «فکر» می‌کنند (یا به عبارتی، کمتر از توان ذهنی مدل استفاده می‌شود).
• سابقه اوبر (Uber): در مثالی گویا از مدیریت محدودیت‌ها، گزارش شده است که شرکت Uber تمام بودجه سالانه توکن‌های خود را تا ماه آوریل مصرف کرد. این وضعیت مشابه بحران مصرف سریع سهمیه‌های توکن در ارتش آمریکا است که نشان می‌دهد حتی در مقیاس‌های کلان دولتی و شرکتی، تخمین نیازهای توکنی دشوار است.

این تغییر نشان می‌دهد که در بسیاری از شرکت‌ها، دیگر «مهندسی» گلوگاه اصلی نیست. مبارزه واقعی اکنون مدیریت «اقتصاد توکن» است تا اطمینان حاصل شود که مفیدترین کارها در چارچوب بودجه‌ای مقرون‌به‌صرفه جای می‌گیرند.

برای یک کارمند عادی، این به معنای فاصله گرفتن از هنرِ خلق است. اگر روز شما صرف تماشای یک نوار پیشرفت و انتظار برای بازنشانی سقف توکن‌ها شود، نقش شما از یک «خالق» به «ناظر یک جعبه سیاه» تغییر می‌کند.

شرکت‌ها اکنون با یک انتخاب سخت روبرو هستند: یا «زمان بیکاری» را برای یادگیری و توسعه حرفه‌ای پذیرفتند — مانند خواندن یک کتاب یا یادگیری وظایف همکاران — یا کارکنان را مجبور کنند سرعت استفاده از هوش مصنوعی را کاهش دهند تا ساعت‌های کاری قرارداد پر شود. مورد دوم در واقع جریمه کردن بهره‌وری برای حفظ توهمِ یک روز کاری پر است.

ما از عصر فشردن کدها در کیلوبایت‌های دهه ۸۰ میلادی، به عصر فشردن ارزش در توکن‌ها رسیده‌ایم.

گام بعدی شما

• اگر مدیر تیم هستید، مدل‌های ارزیابی عملکرد را از «ساعت کاری» به «ارزش خروجی» تغییر دهید.
• برای جلوگیری از توقف کار، استراتژی‌های توزیع توکن بین مدل‌های مختلف (مثلاً ترکیب مدل‌های ارزان و گران) را پیاده کنید.
• زمان‌های بیکاری اجباری را به جلسات بازبینی کد (Code Review) انسانی تبدیل کنید تا کیفیت خروجی عامل‌ها تضمین شود.

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