آیا ابزارهای بازمتن می‌توانند کنترل کاربر بر زمینه را بازگردانند؟

مهارت‌های تفکر انتقادی شما هر بار که از یک چت‌بات برای نوشتن پیش‌نویس کمک می‌گیرید، کمی بیشتر تحلیل می‌روند. جیکوب تیلور، پژوهشگر مرکز توسعه پایدار، و کرشلین کریشنا، مدیر پروژه در مؤسسه بروکینگز (Brookings Institution)، استدلال می‌کنند که شیوه فعلی تعامل با هوش مصنوعی، نوعی اختلال در «لایه صمیمانه شناخت» (intimate layer of cognition) است که ریسک فرسایش هوش انسانی را به همراه دارد.

این اختلال بی‌سابقه است زیرا کاربران اکنون استدلال، قضاوت و حتی حالات عاطفی خود را با ماشین‌ها به اشتراک می‌گذارند. در بسیاری از موارد، آن‌ها این فرآیندهای بنیادین انسانی را به‌طور کامل برون‌سپاری می‌کنند. دلیل این اتفاق، تعامل اکثر کاربران با رابط‌های وب اختصاصی مانند ChatGPT یا Claude.ai است. در این محیط‌ها، فروشنده کنترل «هارنس» (Harness) — لایه نرم‌افزاری که تعیین می‌کند داده‌ها و تاریخچه شما چگونه به مدل تزریق شوند — را در دست دارد.

این وضعیت نابرابری شدیدی ایجاد می‌کند؛ جایی که پلتفرم، و نه کاربر، محیط شناختی را دیکته می‌کند. در این پارادایم استقرار، پلتفرم‌ها قوانین بازی را وضع می‌کنند. این قوانین به‌طور مشخص طراحی شده‌اند تا کنترل کاربر بر زمینه‌ی خود را، پس از ورود به رابط برنامه، محدود کنند. در واقع، پلتفرم‌ها تعیین می‌کنند که چه بخشی از حافظه شما بازیابی شود و چه بخشی نادیده گرفته شود، که این امر منجر به تسلیم اراده شناختی کاربر می‌شود.

به گزارش این مؤسسه، ریسک اصلی این رویکرد، از دست دادن «عاملیت شناختی» است. تیلور عاملیت شناختی را توانایی کنترل محیط، دنبال کردن اهداف شخصی و کسب مهارت و تسلط تعریف می‌کند. وقتی کاربران استدلال و قضاوت خود را به یک رابط «جعبه‌سیاه» می‌سپارند، این عاملیت را از دست می‌دهند. آن‌ها دیگر نمی‌پرسند «چگونه باید فکر کنم»، بلکه می‌پرسند «چه پاسخی را دریافت کنم».

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت و حریم خصوصی مدل‌های بازمتن اشاره کردیم، وابستگی به زیرساخت‌های متمرکز همیشه هزینه‌ای دارد. بر اساس مطالعه‌ای در سال ۲۰۲۵ با عنوان «مغز شما در ChatGPT»، بخش‌هایی از مغز که با تفکر انتقادی مرتبط هستند، زمانی که کاربران وظایف نوشتاری را به هوش مصنوعی زاینده (Generative AI) — شبیه دستیاری که تمام متون دنیا را خوانده و حالا برای شما می‌نویسد — می‌سپارند، در یک پارادایم ساده‌انگارانه‌ی «فقط از ChatGPT بپرس»، دچار کاهش فعالیت (downregulate) می‌شوند.

کریشنا اشاره می‌کند که این پدیده در معنای گسترده‌تر جدید نیست؛ ما پیش از این آسیب‌های مشابهی را در شبکه‌های اجتماعی و فیدهای الگوریتمی دیده‌ایم. این پیشینه تاریخی نشان‌دهنده‌ی الگویی است که در آن فناوری دیجیتال، خودمختاری انسان را تخریب می‌کند. مطالعات دقیق‌تر نشان می‌دهد استفاده طولانی‌مدت از هوش مصنوعی، فراتر از مهارت نوشتن، مهارت‌های زیر را تخریب می‌کند:

• رفتارهای پیچیده تفکر انتقادی و استدلالی
• «عضلات» ذهنی مورد نیاز برای کار و همکاری با دیگران
• مکانیسم‌های مقابله عاطفی و مدیریت استرس
• خلاقیت اصیل و تفکر مولد (Generative Thought)

با این حال، این تخریب اجتناب‌ناپذیر نیست. تحقیقات موازی نشان می‌دهد وقتی انسان‌ها کنترل و عاملیت بیشتری اعمال می‌کنند — یعنی از پرامپت‌های ساختاریافته و تعاملی استفاده می‌کنند که نیازمند تأمل، برنامه‌ریزی، ارزیابی و استدلال است — عملکرد شناختی آن‌ها حفظ شده یا حتی گسترش می‌یابد. اگر درست استقرار شود، هوش مصنوعی می‌تواند عضلات جدیدی برای هوش جمعی و حل مشترک مسائل ایجاد کند. این تکامل در تعامل با AI است که می‌تواند به تسلط بر مهارت‌های حیاتی برای آینده شغلی در سال ۲۰۲۶ منجر شود و کاربر را از یک مصرف‌کننده ساده به یک متخصص تبدیل کند.

برای مقابله با این روند، پژوهشگران روشی به نام «حداکثرسازی زمینه» (Context-maxxing) را پیشنهاد می‌کنند. این رویکرد در واکنش مستقیم به «توکن-ماکسینگ» (Token-maxxing) است. شرکت‌های پیشرو در فناوری، اصطلاح ویروسی «-maxxing» در اینترنت را ربودند تا توکن-ماکسینگ را توصیف کنند: تمرینی که در آن از بیشترین تعداد توکن ممکن به عنوان معیاری برای بهره‌وری و ادغام AI استفاده می‌شود.

توکن-ماکسینگ ناقص است زیرا بر حجم استفاده از AI تمرکز دارد نه بر ارزش خروجی یا سهم انسان. در مقابل، حداکثرسازی زمینه بر افزایش کنترل کاربر بر اطلاعات غنی و شخصی‌سازی شده — یعنی تخصص حرفه‌ای و ظرافت‌هایی که فرد به تعامل با هوش مصنوعی می‌آورد — تمرکز دارد.

این رویکرد بر اصل بنیادی محاسبات استوار است: «ورودی بد، خروجی بد». از آن‌جا که عملکرد مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — شدیداً به غنا و دقت اطلاعات به‌اشتراک‌گذاشته‌شده توسط کاربر بستگی دارد، توانمندسازی کاربران برای کنترل و بهبود این اطلاعات، تنها راه رسیدن به حداکثر ارزش از این فناوری است.

راهکار فنی در مفهوم «هارنس» نهفته است. برای درک هارنس، باید دانست که یک LLM اساساً «بدون وضعیت» (Stateless) است و هیچ‌چیز را بین درخواست‌ها به یاد نمی‌آورد. هر چه مدل باید درباره کاربر یا تکلیف بداند، باید در هر بار درخواست، در «پنجره متنی» (Context Window) — که حافظه فعال مدل است — بارگذاری شود.

هارنس همان پوشش نرم‌افزاری است که مدیریت این بارگذاری را بر عهده دارد. هارنس دستورالعمل‌ها، اسناد و تاریخچه گفتگو را جمع‌آوری می‌کند تا زمینه‌ای را بسازد که مدل بتواند بر اساس آن عمل کند.

تفاوت دو پارادایم اصلی عبارت است از:

• مدل‌های اختصاصی: شما زمینه خود را برمی‌دارید و به پلتفرم متصل می‌کنید. فروشنده تصمیم می‌گیرد چه خدماتی متصل شوند، زمینه چگونه جمع‌آوری شود و در کجا ذخیره گردد (مانند پوشه‌های پروژه، ویژگی‌های حافظه یا GPTهای سفارشی). چون این سرویس‌ها اغلب رایگان‌اند، فروشنده‌ای انگیزه‌ی بالایی دارد تا زمینه کاربر را تصاحب کند تا نرم‌افزار بهتری بسازد و در عین حال، توانایی کاربر برای انتقال این زمینه به جای دیگر را به‌طور عمدی محدود کند.
• پارادایم کنترل‌شده توسط کاربر: شما مدل‌های LLM را به زمینه خود متصل می‌کنید. این تغییر در اوایل سال ۲۰۲۶ با گسترش هارنس‌های بازمتن مانند OpenClaw و Hermes نمایان شد.

استفاده از این ابزارهای بازمتن مزایای حیاتی دارد:

• قابلیت جابجایی مدل (Model Portability): هر مدلی که دارای API باشد می‌تواند متصل شود. کاربران می‌توانند تامین‌کننده مدل را بدون از دست دادن زمینه‌های سازمان‌یافته و دقیق خود عوض کنند.
• حریم خصوصی: اگر کاربر یک مدل را به‌صورت محلی (Local) اجرا کند، زمینه او هرگز از دستگاه شخصی‌اش خارج نمی‌شود.
• عاملیت: کاربر محیط دیجیتال را می‌سازد و کنترل می‌کند و بدین ترتیب ادعای بیشتری بر ارزش زمینه‌ی خود دارد.

تنها نقطه ضعف ذکر شده توسط کریشنا، بحث امنیت است؛ چراکه در پلتفرم‌های اختصاصی، کاربر می‌تواند یک تامین‌کننده واحد را برای نشت داده‌ها مسئول بداند، اما سیستم‌های بازمتن به‌طور کلی آسیب‌پذیرتر تلقی می‌شوند.

برای بازپس‌گیری کنترل، توصیه تیلور این است که «از محیط وب خارج شوید». او پیشنهاد می‌کند به‌جای رابط‌های وب (Web UI)، از ابزارهای خط فرمان (CLI) مانند ClaudeCode یا Codex استفاده کنید. او می‌گوید بهانه «سخت بودن» این ابزارها دیگر پذیرفته نیست، زیرا خودِ هوش مصنوعی می‌تواند به عنوان کمک‌خلبان برای راه‌اندازی این محیط‌ها به کاربران غیرفنی کمک کند.

از این نقطه، افراد باید:

• دانش دامنه، ترجیحات و مالکیت معنوی خود را به‌صورت محلی در محیط محاسباتی خود کدگذاری و مشخص کنند.
• از AI به عنوان ابزاری استفاده کنند تا از یک «مصرف‌کننده رابط وب» به یک «کنترل‌کننده فناوری» تبدیل شوند.
• نحوه نصب هارنس‌های عامل بازمتن مانند OpenClaw یا Hermes را بیاموزند.

در سطح سازمانی، توصیه می‌شود هوش مصنوعی از بخش IT به بخش استراتژی منتقل شود. تیلور به پدیده «مرگ ایگو» (Ego-death) اشاره می‌کند که در حال حاضر در کسب‌وکارهای SaaS سیلیکون‌ولی رخ می‌دهد. این اصطلاح که توسط یکی از مدیران ارشد فناوری به کار رفته، توصیف می‌کند که چگونه عامل‌های کدنویس مانند Claude Code، قراردادها و حتی هویت‌های حرفه‌ای مهندسان SaaS را مختل کرده‌اند.

در برخی صنایع، افراد متخصص که از AI استفاده می‌کنند، اکنون خروجی یک تیم کامل را تولید می‌کنند و تیم‌های پیشرفته، بهره‌وری یک سازمان کامل را ایجاد می‌کنند. در نتیجه، نقش سازمان باید تغییر کند تا به یک «سازنده بازار یا پلتفرم» تبدیل شود و زیرساخت‌ها و انگیزه‌های لازم را برای خودمختاری بیشتر تیم‌ها فراهم کند.

در نهایت، ریسک ایجاد یک «شکاف شناختی» وجود دارد که به نفع افراد مسلط به فناوری و ثروتمند باشد. نویسندگان این وضعیت را به مسابقات فرمول یک تشبیه می‌کنند: هدف این است که مکانیزم‌های پیشرفته‌ای مثل «سرو-هیدرولیک و ترمز دیسکی» در ماشین‌های elite مطالعه شود تا این ویژگی‌ها در خودروهای معمولی (sedan) هم در دسترس باشند.

برای جلوگیری از این شکاف، تیلور و کریشنا معتقدند سیاست‌گذاران باید بر «حکمرانی زمینه مشترک» (governing shared context) تمرکز کنند. این شامل تعریف قوانین و هنجارهایی است که تعیین می‌کند چه کسی کنترل و چه کسی ارزش به‌دست‌آمده از تخصص، قضاوت و دانش سازمانی کارکنان را تصاحب می‌کند. در حال حاضر، بخش زیادی از این ارزش توسط سیستم‌های اختصاصی تصاحب شده و در درآمدهای شرکت‌ها منعکس می‌شود، در حالی که کارکنان سهم یا قابلیت انتقال کمی از آن دارند.

آن‌ها چندین مداخله سیاستی خاص برای ایجاد نتایج «برد-برد-برد» برای کارکنان، شرکت‌ها و تامین‌کنندگان سرمایه پیشنهاد می‌دهند:

• پروتکل زمینه انسانی (Human Context Protocol): ایجاد استانداردهایی کاربرمحور برای انتقال‌پذیری و ارجاع زمینه، شبیه به پروتکل زمینه مدل (MCP) که زبانی استاندارد برای ارتباط سیستم‌های AI است. این پروتکل تعریف می‌کند که افراد چگونه زمینه ایجاد شده توسط خود را حمل کنند و بابت آن اعتبار بگیرند.
• مشوق‌های تقویت‌کننده (Augmentation Incentives): ایجاد مشوق برای شرکت‌هایی که از AI برای تقویت تخصص انسانی استفاده می‌کنند، نه اینکه صرفاً آن را استخراج و خودکارسازی کنند.
• افشای سازگاری (Adaptability Disclosures): الزام شرکت‌ها به شفاف‌سازی میزان سرمایه‌گذاری‌هایشان در زمینه انطباق‌پذیری نیروی کار.

با استانداردسازی این پروتکل‌ها، سیاست‌گذاران می‌توانند بازاری رقابتی تضمین کنند و از انحصار پلتفرم‌های اختصاصی جلوگیری نمایند. این امر به کارکنان اجازه می‌دهد عاملیت و قدرت چانه‌زنی خود را حفظ کنند، شرکت‌ها از طریق تصفیه داده‌های پایدار به زمینه‌های غنی‌تری دست یابند و تامین‌کنندگان سرمایه بتوانند شرکت‌هایی را که تخصص انسانی را تقویت می‌کنند از شرکت‌هایی که آن را تخلیه می‌کنند، تشخیص دهند.

گام بعدی شما

• حرکت از رابط‌های وب (Chat UI) به سمت ابزارهای CLI مانند ClaudeCode برای کنترل بیشتر روی داده‌ها.
• بررسی و نصب هارنس‌های بازمتن مانند OpenClaw یا Hermes برای جداسازی «زمینه» از «مدل».
• کدگذاری دانش تخصصی و ترجیحات خود در محیط‌های محاسباتی محلی به‌جای تکیه بر حافظه ابری پلتفرم‌ها.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک اینکه چگونه پردازش محلی این عاملیت را ممکن می‌کند، تحلیل ما درباره تراشه‌های Blackwell را بخوانید.