تصور کنید یک کد برنامه‌نویسی باگ‌های سیستمی را برطرف می‌کند یا یک مقاله تحلیل دقیقی ارائه می‌دهد، اما چون «بوی هوش مصنوعی» می‌دهد، بلافاصله در سطل زباله انداخته می‌شود. این اتفاق دقیقاً همان جایی است که قضاوت جای خود را به یک واکنش مکانیکی و سریع می‌دهد.
به نقل از وبلاگ oxblog، واژه «Slop» یا محتوای بی‌ارزش، به ابزاری راحت برای منتقدانی تبدیل شده است که نمی‌خواهند انرژی خود را صرف بررسی کیفیت یک اثر کنند. طبق این نقد، برچسب «اسلاپ» ابزاری شده است تا منتقدان پیش از آنکه فرآیند بررسی خسته‌کننده شود، از به‌کارگیری قدرت قضاوت خود دست بکشند. رد کردن یک اثر صرفاً به این دلیل که هوش مصنوعی در نوشتن آن کمک کرده است، روش جدید و مد روز برای اجتناب از تفکر است؛ به محض اینکه «آشکارساز» ذهنی یک فرد بوق می‌زند، اثر بدون توجه به اینکه آیا مقاله درست است یا آن وصله (patch) باگ را برطرف می‌کند، به سطل زباله هوش مصنوعی ریخته و رد می‌شود.
این روند در حالی شکل می‌گیرد که ابزارهای هوش مصنوعی زاینده (Generative AI) — شبیه به دستیاری که سریعاً پیش‌نویس‌های تمیز می‌نویسد اما لزوماً حقیقت را نمی‌داند — سیل محتواهای صیقل‌خورده اما تأییدنشده را به صندوق‌های ورودی، سیستم‌های انتشار و ردیاب‌های خطا (issue trackers) سرازیر کرده‌اند. این چالش‌ها در واقع بازتابی از همان مشکلاتی است که در تلاش برای رفع توهمات مدل‌ها از طریق تغییر معماری سیستم‌ها مورد بحث قرار گرفت. برای بسیاری، صرفاً سیگنال حضور هوش مصنوعی — مانند یک لیست مشکوک و مرتب، یک خط تیره (em dash) تمیز، یا جملاتی با لبه‌های صیقل‌خورده — باعث رد فوری اثر می‌شود. این واکنش بازتاب‌دهنده یک تمایل دیرینه در انسان است: ارزش دادن به «منشأ» یک ایده بیش از خودِ «ایده». مردم برای کسانی که تحسین می‌کنند مشتاقانه گوش می‌دهند و از شنیدن حرفهای کسانی که متنفرند دست می‌کشند؛ اکنون هوش مصنوعی بهانه‌ای حتی ارزان‌تر برای این رفتار فراهم کرده است.
اولویت محتوا بر منشأ
نویسنده استدلال می‌کند که منشأ اثر، معیار مناسبی برای سنجش کیفیت نیست. برای تشخیص ارزشمند بودن یک کار، نباید به منشأ تکیه کرد، بلکه باید پرسش‌های محتوایی و مشخصی پرسید:
- آیا ادعای مطرح‌شده درست است؟
- آیا استدلال‌ها منطقی و استوار هستند؟
- آیا محصول نهایی مشکل تعریف‌شده را حل می‌کند؟
- آیا ارسال‌کننده می‌تواند تغییرات اعمال‌شده را توضیح دهد و از آن‌ها دفاع کند؟
پرسیدن این سؤال که «آیا هوش مصنوعی در این کار نقش داشته؟» هیچ‌کدام از این پاسخ‌ها را نمی‌دهد. یک بینش ارزشمند، حتی اگر بد و ناشیانه نوشته شده باشد، همچنان یک بینش است و یک دروغ زیبا، همچنان دروغ است. در این راستا، بررسی اینکه آیا زنجیره‌های تفکر در مدل‌های استدلالی واقعاً منطق هستند یا صرفاً یک توهم، به ما کمک می‌کند تا تفاوت بین ساختار صیقل‌خورده و استدلال واقعی را بهتر درک کنیم. انسان‌ها هم می‌توانند محتوای مشتق‌شده و پوچ تولید کنند، همان‌طور که ماشین‌ها می‌توانند به بیان شفاف و واضح یک ایده مفید کمک کنند. منشأ متن، نتیجه و اثرگذاری کار را تغییر نمی‌دهد.
خطر ممنوعیت‌های کلی
طبق این تحلیل، وضع قوانین ممنوعیت کلی برای ابزارهای AI در واقع یک تسلیم است. این قوانین تنها کسانی را پاداش می‌دهد که حاضرند ابزارهای خود را پنهان کنند و کسانی را حذف می‌کند که شاید ایده‌های مفیدی دارند اما زمان، اعتمادبه‌نفس یا توانایی نوشتاری لازم برای بسته‌بندی جذاب ایده‌هایشان را ندارند. این رویکرد تضمین می‌کند که کارهای خوب، صرفاً به دلیل نقص‌هایی که در خودِ اثر نیست، دور ریخته شوند. این نوع مقاومت‌های ساختاری گاهی منجر به واکنش‌های گسترده‌ای می‌شود، مشابه زمانی که فشار توده‌ای کاربران، گوگل و متا را به عقب‌نشینی از برخی قابلیت‌های AI واداشت.
به جای ممنوعیت ابزارها، نویسنده پیشنهاد می‌کند قوانینی وضع شود که دقیقاً «شکست» یا خطایی را که قصد پیشگیری از آن را داریم، توصیف کنند:
- الزام به ارائه شواهد و تست‌های عملی.
- الزام به افشای استفاده از ابزار در موارد مرتبط و ضروری.
- الزام ارسال‌کننده به درک، بازبینی و پذیرش مسئولیت تک‌تک کلمات یا خطوط کد ارسال شده.
هدف باید مدیریت حجم ارسالی‌ها برای محافظت از توجه محدود مدیران (maintainers) باشد، نه تظاهر به اینکه تمام خروجی‌های AI یکسان و بی‌ارزش هستند. نامیدن تمام آثار کمک‌گرفته از هوش مصنوعی به عنوان «اسلاپ»، در واقع تنبلی فکری است که در لباس «سلیقه» و «ذوق» ظاهر شده است.
مرز مسئولیت‌پذیری
استفاده از AI هرگز به معنای معافیت از استانداردهای حرفهای نیست. هر کسی که اثری را ارسال می‌کند، مالک کامل آن است؛ این مالکیت شامل پذیرش تمام خطاها، حذفیات، خطوط کد ناامن و ارجاعات ساختگی است. بهانه «مدل این کار را کرد» به اندازه مقصر دانستن یک کامپایلر یا ویراستار غیرقابل قبول است. ابزار می‌تواند در تولید کمک کند، اما نمی‌تواند مسئولیت را به ارث ببرد.
در یک چرخش تکان‌دهنده، نویسنده فاش می‌کند که تمام جملات این مقاله توسط هوش مصنوعی و بر اساس استدلال، جهت‌دهی و لحن مورد نظر او تولید شده است. این یک آزمایش زنده است: اگر خواننده پس از دانستن منشأ متن، تمایل پیدا کرد که استدلال‌ها را رد کند، دقیقاً در تله تنبلی فکری افتاده است که این مقاله توصیف می‌کند؛ چرا که هیچ‌کدام از ادعاهای متن با تغییر منشأ آن، تغییر نکردند و هیچ ادعایی کمتر درست نشد.
برای حفظ کیفیت، کاربران باید پاسخگویی (accountability) را مطالبه کنند و زباله‌ها را بدون عذرخواهی رد کنند، اما نباید تشخیص ابزار را با به‌کارگیری قدرت قضاوت اشتباه بگیرند.
گام بعدی شما
- در بررسی آثار ارسالی، ابتدا «صحت ادعا» را بسنجید و سپس به «لحن و منشأ» توجه کنید.
- اگر مدیر پروژه هستید، به‌جای ممنوعیت AI، پروتکل «پذیرش مسئولیت کامل توسط ارسال‌کننده» را اجرا کنید.
- تمرین کنید تا تفاوت بین «متن صیقل‌خورده» و «استدلال محکم» را در خروجی‌های مدل‌ها تشخیص دهید.
اما این بحث تنها به متن محدود نمی‌شود؛ اثر این رویکرد بر دنیای کدنویسی و پذیرش Pull Requestها حتی پیچیده‌تر است — به تحلیل ما درباره‌ی Vibe Coding مراجعه کنید.
گفتگو