تصور کنید یک مدیر پروژه است که هر روز با ده‌ها ایمیل و گزارش مواجه است، اما ناگهان متوجه می‌شود بخش‌های کلیدی اسناد را بدون خواندن رد کرده است. این دقیقاً همان مقاومت شناختی است که رافال سایمریس در ۲۱ اوت ۲۰۲۶ گزارش کرد؛ وضعیتی که در آن مغز انسان قادر به تحلیل متونی نیست که ردپای شدید هوش مصنوعی در آن‌ها دیده شود.
این پدیده که سایمریس آن را به «کوری بنری» (Banner Blindness) تشبیه می‌کند، نشان می‌دهد مغز شما احتمالاً اسناد کاری حیاتی را صرفاً به این دلیل که شبیه خروجی یک چت‌بات هستند، فیلتر می‌کند. این اتفاق زمانی رخ می‌دهد که هزینهٔ ذهنی برای غربال کردن متون طولانی و کم‌ارزش، بیشتر از ارزش محتوای موجود در آن‌ها باشد. در دنیایی که پست‌های لینکدین و ایمیل‌ها با هوش مصنوعی زاینده (Generative AI) — مثل آشپزی سریع با مواد آماده که طعم یکسانی دارند — اشباع شده‌اند، ذهن انسان برای حفظ سلامت روان، مکانیسمی برای نادیده گرفتن الگوهای پیش‌بینی‌پذیر ایجاد کرده است.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی توهمات مدل‌های زبانی اشاره کردیم، مشکل اکنون از خروجی مدل نیست، بلکه از پذیرش انسانی است. در همین راستا، ابزارهایی مانند Scout برای شناسایی توهمات در کدنویسی و اتصال به APIها توسعه یافته‌اند تا دقت فنی خروجی‌ها را افزایش دهند، اما مسئله‌ی «کوری ذهنی» فراتر از صحت فنی است. طبق گزارش سایمریس، چندین محرک مشخص وجود دارد که سیگنال «محتوای کم‌تلاش» را به مغز می‌فرستد:
- اصطلاحات خاص مدل‌ها: عباراتی که بازتاب‌دهنده سبک تحلیل مدل Claude هستند و برای چشم آموزش‌دیده، بلافاصله شناسایی می‌شوند.
- لحن «دستاورد بزرگ»: تلاش برای معرفی جزئیات پیش‌پاافتاده — مثل چک‌باکس‌های یک پیکربندی RBAC — به گونه‌ای که انگار اختراعی انقلابی هستند.
- مهملات ساختاری: ترکیب استراتژی‌های منطقی با مفاهیم فنی غلط؛ مثلاً ادعای اینکه «زیرساخت Redis تعریف محصول را تغییر می‌دهد» در یک فایل ارائهٔ بازاریابی.
بر اساس بررسی‌های سایمریس، برخلاف پژوهش‌های آکادمیک که می‌گویند انسان‌ها در تشخیص متن هوش مصنوعی ناتوان‌اند، خروجی‌های «کم‌تلاش» به‌راحتی قابل شناسایی هستند. جریان جملات و تمایل مدل‌ها به پرگویی درباره مفاهیم ساده، به عنوان پرچم‌های قرمز عمل می‌کنند.
این وضعیت یک پارادوکس بهره‌وری ایجاد می‌کند. ابزارهایی که برای سرعت بخشیدن به کار طراحی شده‌اند، اکنون سرعت را کم می‌کنند؛ چون مغز گیرنده از درگیر شدن با خروجی امتناع می‌کند. نتیجه این است که ارتباطات رفت‌وبرگشتی بی‌پایانی شکل می‌گیرد، زیرا خوانندگان سوالاتی می‌پرسند که پاسخشان در همان متنی که نادیده گرفته شده، موجود بود.
برای یک متخصص مدرن، «کاراییِ» تولید یک ارائه ۲۰ صفحه‌ای با مدل زبانی بزرگ (LLM) — شبیه کتابخانه‌داری که میلیاردها صفحه خوانده و حالا با همان لحن تکراری جواب می‌دهد — یک توهم است، اگر مغز خواننده آن را به عنوان «نویز» پردازش کند. ارزش ویرایش انسانی دیگر فقط در اصلاح غلط‌ها نیست، بلکه در این است که محتوا برای ذهن انسان «مرئی» باقی بماند.
برای مقابله با این وضعیت، نویسندگان باید تمایل مدل‌ها به «بیش از حد فروختن» و «بیش از حد توضیح دادن» را حذف کنند. هدف، فاصله گرفتن از الگوهای پیش‌آموزش‌دیده در ادبیات شرکتی است که باعث خاموشی ذهنی مخاطب می‌شود.
گام بعدی شما
- خروجی‌های مدل را با حذف صفت‌های اغراق‌آمیز (مانند Revolutionary یا Game-changing) بازنویسی کنید.
- جملات طولانی و توصیفی را به جملات کوتاه و نتیجه‌محور تبدیل کنید تا از فیلتر ذهنی مخاطب عبور کنید.
- در اسناد حساس، از ساختارهای غیرمتعارف و شخصی‌سازی‌شده استفاده کنید تا اثر «کوری هوش مصنوعی» کاهش یابد.
اما این خستگی شناختی تنها بخشی از ماجراست؛ اثر این الگوها بر اعتماد مشتریان در گزارش بعدی بررسی خواهیم کرد.
گفتگو