اگر در شرکت فناوری کار می‌کنید، امنیت شغلی شما به درک مدیرعاملتان از تفاوت دموی تبلیغاتی و محصول نهایی بستگی دارد.
آرون لِوی (Aaron Levie)، بنیان‌گذار باکس (Box)، این شکاف ادراکی را «سایکوز هوش مصنوعی» می‌نامد. این اتفاق زمانی می‌افتد که مدیران از «آخرین مایل» یا همان جزئیات اجرایی کار دور باشند. آن‌ها یک عامل (Agent) — شبیه به کارمندی دیجیتال که می‌تواند به‌جای حرف زدن، واقعاً کارهای اداری را انجام دهد — می‌بینند و تصور می‌کنند کل فرآیند خودکار شده است. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های زبانی اشاره کردیم، فاصله بین نمایش قابلیت‌ها و اجرای بی‌نقص در مقیاس واقعی بسیار زیاد است.
طبق گزارش Layoffs.fyi، در پنج ماه نخست سال ۲۰۲۶، حدود ۱۱۵٬۴۳۰ نفر از ۱۵۲ شرکت فناوری اخراج شدند. برای مثال، زِب اِوانز (Zeb Evans)، مدیرعامل کلیک‌آپ (ClickUp)، پس از استقرار ۳٬۰۰۰ عامل هوش مصنوعی، ۲۲ درصد از کارکنان خود را تعدیل کرد. اما داده‌های دانشگاهی تصویر دیگری می‌سازند:
- دانشگاه برکلی در اکتبر ۲۰۲۵ دریافت که هیچ رابطه مستقیمی بین پذیرش AI و رشد کلی بهره‌وری وجود ندارد.
- پژوهشگران MIT پیش‌بینی می‌کنند مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — تا سال ۲۰۲۹ به سطح صلاحیت پایه (۸۰ تا ۹۵ درصد موفقیت) در اکثر کارهای متنی نخواهد رسید.
- NBER از یک «پارادوکس بهره‌وری» می‌گوید؛ جایی که بهره‌وری ادراکی بسیار بیشتر از بهره‌وری اندازه‌گیری‌شده است.
برای کارمند عادی، این یعنی «شست‌وشوی هوش مصنوعی» (AI washing) به سپر بلای جدید شرکت‌ها برای کاهش هزینه‌ها تبدیل شده است. وقتی مدیران توانایی AI را بیش از حد تخمین می‌زنند، هرج‌ومرج سازمانی ایجاد می‌شود. طبق گزارش هاروارد بیزنس ریویو (Harvard Business Review)، گلوگاه تغییر کرده است؛ حالا مدیران برای تأیید حجم عظیم محتوای تولیدشده توسط AI دست‌وپا می‌زنند.
گام بعدی شما
- جریان‌های کاری خود را بررسی کنید تا ببینید «آخرین مایل» بازبینی انسانی در کجا قرار دارد.
- معیارهای سال ۲۰۲۹ مؤسسه MIT را دنبال کنید تا ببینید آیا عامل‌ها واقعاً به سطح انسان می‌رسند یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو