تصور کنید نویسنده‌ای هستید که می‌داند هر کلمه باید دقیقاً روی نقطهٔ حساس احساسی خواننده بنشیند؛ جایی که هیچ فرمول ریاضی‌ای نمی‌تواند جایگزین شهود انسانی شود. تفاوت بنیادین بین کد و متن در همین است: مدل‌ها می‌توانند نرم‌افزاری بسازند که توسط کامپایلر تأیید شود، اما نمی‌توانند وضعیت ذهنی یک انسان را شبیه‌سازی کنند. در حالی که مدل‌های زبانی بزرگ (LLMs) قادرند از طریق کامپایلرهای قطعی، نرم‌افزارهای کاربردی تولید کنند، اما در شبیه‌سازی حالت‌های ذهنی درونی یک خواننده انسانی دچار مشکل می‌شوند.
متن‌نویسی یک «مسئلهٔ بدخیم» است چون هیچ معیار موفقیت صفر و یکی ندارد. به همین دلیل، نویسندگان حرفه‌ای احتمالاً امن‌ترین جایگاه شغلی را در عصر هوش مصنوعی دارند. این در حالی است که کارکنان بخش فناوری با سهمیه‌های تولید ۵ برابری و بدهی‌های شناختی ناشی از کدهای تولیدشده توسط عامل‌ها دست‌وپنجه نرم می‌کنند. در دنیایی که پیچیدگی نرم‌افزار در حال حذف شدن است، پیچیدگی ذاتی ارتباطات انسانی سدی سخت و سرسخت برای ماشین‌هاست. تفاوت یک معادله ریاضی — که یا درست است یا غلط — با یک مقاله متقاعدکننده که تنها در صورت برقراری ارتباط عاطفی با مخاطب موفق می‌شود، دقیقاً همین‌جاست.
زمینهٔ منسوخ شدن مهارت‌های فنی
متخصصان فناوری اکنون در تلاش‌اند تا گردش کار خود را با سهمیه‌های جدید تطبیق دهند. با عرضه مدل‌های جدید، انسان‌ها در حلقهٔ تولید به یک «گلوگاه» تبدیل شده‌اند و هر روز به منسوخ شدن در نقش «کدنویس» نزدیک‌تر می‌شوند. این وابستگی شدید به ابزارهای خودکار، همان‌طور که در نظرسنجی‌های اخیر دربارهٔ وابستگی ۸۰ درصدی برنامه‌نویسان به هوش مصنوعی مشاهده شد، در حال تغییر ماهیت مهارت‌های فنی است. در حالی که شرح شغلی برنامه‌نویس در حال بازنویسی کامل است، نویسندگی به‌طور شگفت‌آوری دست‌نخورده باقی مانده است.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، ابزارهای تولیدی هرچه سریع‌تر می‌شوند اما لزوماً باکیفیت‌تر نمی‌شوند. به نقل از گزارشی که در ۳۱ اوت ۲۰۲۶ در وب‌سایت muratbuffalo.blogspot.com منتشر شد، نویسندگی با هوش مصنوعی به وضعیت «گیر افتادن در محتوای بی‌کیفیت» (Slop) رسیده است. نویسنده این گزارش استدلال می‌کند که آزمایشگاه‌های هوش مصنوعی در حوزه متن به یک دیوار برخورد کرده‌اند؛ زیرا برخلاف مدل‌های تصویر یا ویدیو، بیان متنی را نمی‌توان صرفاً با افزایش پارامترها و توان محاسباتی حل کرد. این آزمایشگاه‌ها می‌خواستند بازاریابی، کپی‌رایتینگ و نشر را با هزینه نهایی صفر تسخیر کنند، اما در رسیدن به عمق، اصالت و بیان واقعی به یک سطح اشباع (Plateau) رسیدند.
طیف «بدخیمی» مسائل
نویسندگی یک «مسئله بدخیم» (Wicked Problem) است چون فرمول قطعی، قانون توقف مشخص و راه حل عینی ندارد. بر اساس این تحلیل، حوزه‌ها بر اساس قابلیت تأیید عینی در یک طیف دسته‌بندی می‌شوند:
- ریاضی و کد: بدخیمی پایین. مشخصات در اینجا موجز و دقیق‌اند. تأیید آن‌ها به‌صورت صفر و یک و خودکار از طریق کامپایلرها، تست‌های واحد (Unit Tests) و مدل‌چک‌ها انجام می‌شود. چون حلقه بازخورد کاملاً بسته است، هوش مصنوعی می‌تواند نتایج را به‌طور خودکار حل و اثبات کند.
- حقوق و مالی: بدخیمی متوسط. این حوزه‌های ساختاریافته دارای مرزهای صریحی هستند، زیرا توسط چارچوب‌های رگولاتوری اداره می‌شوند و بر اساس داده‌های تجربی ارزیابی می‌گردند.
- نویسندگی: بدخیمی بالا. در اینجا هیچ حقیقت مطلق (Ground Truth) یا مشخصات تعریف‌شده‌ای وجود ندارد. موفقیت اساساً ذهنی است و به «تئوری ذهن» (Theory of Mind) بستگی دارد.
سازوکار مسئلهٔ «AI-Complete»
کدنویسی تعاملی بین یک ذهن و یک کامپایلر قطعی است، اما نثر یک مسئلهٔ «دو-ذهنی» است. برای متقاعد کردن مخاطب، نویسنده باید به‌طور لحظه‌ای وضعیت ذهنی خواننده را شبیه‌سازی کند. این یعنی ردیابی اینکه خواننده چه می‌داند، مدیریت بار شناختی جمله به جمله و پیش‌بینی اینکه یک استدلال چگونه روی مخاطب اثر می‌گذارد.
مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — در اینجا شکست می‌خورد چون مدل ذهنی فعالی از یک انسان خاص ندارد. این مدل‌ها صرفاً احتمال آماری کلمه بعدی را بر اساس یک مجموعه داده عظیم بهینه‌سازی می‌کنند. این فرآیند تبدیل کلمات انسانی به الگوهای آماری، مفهوم «جاودانگی آماری» را به چالش می‌کشد؛ جایی که هر کلمه به بخشی از معماری مدل تبدیل می‌شود اما روح نویسنده در آن گم می‌گردد. چون آن‌ها هیچ تجربه زیسته انسانی ندارند و هیچ ریسکی در بازی (Skin in the game) ندارند، نمی‌توانند با خواننده همدلی کنند.
اثبات کار انسانی
به دلیل نبود تجربه زیسته، مدل‌ها متونی «پلاستیکی و بی‌روح» تولید می‌کنند که با ریتم رباتیک و کلیشه‌ها شناخته می‌شوند. این موضوع باعث ایجاد یک واکنش غریزی منفی (Visceral Ick Reaction) در خوانندگانی می‌شود که واژگان تکراری و خسته‌کننده را تشخیص می‌دهند. متن‌های هوش مصنوعی در «دره وهم» گیر کرده‌اند و احتمالاً برای مدتی طولانی همان‌جا می‌مانند.
از منظر اقتصادی، این وضعیت ارزش را به سمت «سیگنال‌های هزینه‌بر» می‌برد. با استناد به نظریه مزیت نسبی دیوید ریکاردو، در حالی که هوش مصنوعی در سرعت تایپ و حجم تولید برتری مطلق دارد، نیروی انسانی توسط هزینه فرصت منابع کمیاب مدیریت می‌شود.
- سیگنال‌های هزینه‌بر: در زیست‌شناسی تکاملی، سیگنال‌هایی مثل دم طاووس یا شاخ‌های گوزن به این دلیل عمل می‌کنند که تولیدشان گران است و جعل آن‌ها غیرممکن است.
- اثبات کار انسانی: با اشباع وب از محتوای بی‌کیفیت (Slop)، ارزش اقتصادی کاملاً به سمت «صدای اصیل انسانی» می‌رود که به عنوان نهایی‌ترین سیگنال هزینه‌بر شناخته می‌شود.
برای نویسنده، این یعنی هزینه فرصت انجام کارهای تکراری و کلیشه‌ای اکنون بی‌نهایت زیاد است. تلاش انسانی زمانی می‌درخشد که در «مرز بدخیم» خلاقیت و همدلی حرکت کند؛ حوزه‌هایی که هوش مصنوعی توان رقابت در آن‌ها را ندارد.
در نهایت، نقش برنامه‌نویس ممکن است به نوعی نویسندگی تبدیل شود: تبدیل شدن به کسی که دیدگاه‌های قاطع‌تری دارد، بیشتر بر معماری تمرکز می‌کند و بیشتر بر اتصال با قصد و نیت انسانی متمرکز است. در این میان، نویسنده خبره دست‌نخورده باقی می‌ماند، زیرا مهارت اصلی او — اتصال دو ذهن انسانی — همچنان یک مسئلهٔ AI-Complete (کامل برای هوش مصنوعی) است.
گام بعدی شما
- تمرکز بر توسعه «صدای شخصی» و سبک نوشتاری منحصر‌به‌فرد که با الگوهای آماری مدل‌ها متفاوت باشد.
- یادگیری مهارت‌های همدلی و روان‌شناسی مخاطب برای تولید متونی که فراتر از انتقال اطلاعات، اثرگذاری عاطفی داشته باشند.
- استفاده از هوش مصنوعی برای ساختاردهی اولیه، اما بازنویسی کامل لایه‌های معنایی برای خروج از «دره وهم».
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو