درون دلیل روانی بیزاری کاربران از خروجی‌های پیش‌بینی‌پذیر مدل‌های زبانی

تصور کنید هر روز ساعت‌ها با کسی صحبت کنید که با وجود دانایی زیاد، لحنی کاملاً یکسان دارد و هر بار یک اشتباه خنده‌دار اما تکراری را با اطمینان کامل می‌گوید. این دقیقاً همان وضعیتی است که باعث شد الکس کالون (Alecs Collon)، توسعه‌دهنده نرم‌افزار، در ۸ جولای ۲۰۲۶ از «فرسودگی» روانی نسبت به خواندن محتوای هوش مصنوعی خبر دهد.

این خستگی در حالی رخ می‌دهد که مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — از یک ابزار تفننی به زیرساخت اصلی کار تبدیل شده است. همان‌طور که در تحلیل قبلی ما درباره‌ی بهینه‌سازی هزینه‌های استنتاج با ابزاری مثل Frugon اشاره کردیم، تمرکز بیشتر بر کاهش هزینه‌های مالی بود؛ اما حالا مشخص شده که هزینهٔ روانی تعامل دائمی، به نقطه‌ی اصطکاک اصلی برای متخصصان تبدیل شده است. طبق گزارش کالون، نقش توسعه‌دهنده از «کدنویسی» به «طراحی پرامپت و بازبینی منطق‌های تولیدشده توسط AI» تغییر کرده است.

بر اساس مستندات این تجربه، گردش کار روزانه کالون شامل نقاط تماس متعددی با مدل‌هاست:

• Claude Code و Codex برای توسعه فعال وظایف و بازبینی کدها.
• Qwen برای غربالگری خروجی‌های عامل‌های بدون نظارت.
• ChatGPT و Gemini برای پرس‌وجوهای معمولی و بررسی کلی اطلاعات.

این فرسودگی به شکل یک واکنش شدید به الگوهای تکراری ظاهر می‌شود. کالون به نقل از مشاهدات خود، «تکه‌های کوتاه و تأکیدی»، استفاده بیش از حد از ایموجی‌ها (مانند 🚀 و ✨) و ماهیت تکراری توهم (Hallucination) — یعنی وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — را محرک‌های اصلی این بیزاری می‌داند. برای مقابله با این توهمات و افزایش دقت، رویکردهایی نظیر جداسازی حافظه از دانش در LLM Wiki توسعه یافته تا ردیابی منابع پژوهشی تسهیل شود. چون مدل‌ها اغلب اشتباهات مشابه را با استایلی یکسان تکرار می‌کنند، تجربه کاربر به‌جای شگفتی، به یک فرسایش ذهنی تبدیل می‌شود.

این وضعیت نشان‌دهنده‌ی یک «درهٔ وهم» (Uncanny Valley) در بهره‌وری است. شما ممکن است احساس کنید سریع‌تر کار می‌کنید، اما مالیات ذهنی برای فیلتر کردن «نویزهای مصنوعی» می‌تواند رضایت شغلی را از بین ببرد. در واقع، دسترسی به دانش عمیق در حوزه‌های ناآشنا، اکنون با استرس ناشی از خروجی‌های پیش‌بینی‌پذیر و لرزان در رقابت است.

گام بعدی شما

• استفاده از پرامپت سیستمی (System Prompt) سخت‌گیرانه برای حذف تکیه‌های زبانی و رفتارهای رباتیک مدل.
• آزمون قابلیت‌های شخصی‌سازی پیشرفته برای تغییر «لحن» (Tone) خروجی‌ها.
• دنبال کردن دستورالعمل‌های «ضد-استایل» (Anti-style) برای خنثی کردن نشانگرهای متنی AI.

به نظر می‌رسد این تنها آغاز ماجراست؛ اثر موج‌گونه‌ی این خستگی بر طراحی رابط‌های کاربری نسل بعد را در گزارش‌های بعدی بررسی خواهیم کرد.