الگوی «کاهنان هوش مصنوعی» و شکاف بهره‌وری میان کاربران برگزیده و عموم

تصور کنید ابزاری در دست دارید که می‌تواند یک سال کار سه مهندس را در ۱۱ روز به پایان برساند، اما این ابزار فقط برای عده‌ای معدود در دسترس است. اگر هنوز از نسخه‌های عمومی مدل‌ها استفاده می‌کنید، باید بدانید که در حال حاضر شکافی عمیق میان شما و «ابرکاربران» هوش مصنوعی در حال شکل‌گیری است.

یک گروه بسیار کوچک که می‌توان آن‌ها را «کاهنان هوش مصنوعی» نامید — یعنی توسعه‌دهندگان و شرکای تأییدشده در آزمایشگاه‌های پیشرو — اکنون کلید دسترسی به قدرتمندترین هوش‌های مصنوعی روی زمین را در اختیار دارند. در حالی که عموم مردم با مدل‌های محدودشده تعامل دارند، این اقلیت ممتاز از سامانه‌های بدون محدودیت برای حل مسائل ریاضی century-old و بازنویسی کامل مخازن کد در چند روز استفاده می‌کنند.

این تغییر در حالی رخ می‌دهد که صنعت از چت‌بات‌های ساده به سمت عامل‌های هوش مصنوعی (AI Agents) — شبیه دستیارهای هوشمندی که می‌توانند به‌جای شما کارهای واقعی را در کامپیوتر انجام دهند — حرکت می‌کند. ما شاهد ظهور یک سیستم دو لایه‌ای هستیم که در آن دسترسی به «لبه‌ی تیز» هوش مصنوعی نه تنها با قیمت، بلکه با طبقه‌بندی‌های ایمنی دولتی و کنترل‌های صادراتی محدود شده است. برای یک متخصص عادی، این یعنی فاصله بهره‌وری او با یک ابرکاربر در حال تبدیل شدن به یک دره عمیق است.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، کنترل دسترسی به مدل‌های بنیادی همواره نقطه تنش بین شفافیت و امنیت بوده است. اکنون این تنش به شکل یک سلسله‌مراتب جدید درآمده است.

ظهور کاهنان فنی

آزمایشگاه‌های پیشرو به‌طور فزاینده‌ای به عنوان واسط بین هوش ماشین خالص و مردم عمل می‌کنند. به نقل از گزارش وب‌سایت off-policy.com، رهبرانی مانند سم آلتمن و داریو آمودی درباره جابه‌جایی گسترده نیروی کار هشدار داده‌اند. در می ۲۰۲۵، آمودی هشدار داد که نیمی از مشاغل اداری سطح پایین ممکن است ظرف پنج سال از بین بروند. تا جولای ۲۰۲۵، آلتمن اعلام کرد که نقش‌های پشتیبانی مشتری «کاملاً و به‌طور کامل» حذف شده‌اند.

این رهبران راهکارهایی مانند «درآمد پایه جهانی» (پیشنهاد ایلون ماسک در آوریل ۲۰۲۶) یا توزیع ثروت از طریق آنچه آلتمن «قانون مور برای همه چیز» می‌نامد، پیشنهاد می‌کنند. با این حال، اجرای فعلی نه یک توانمندسازی همگانی، بلکه یک «فراوانی مدیریت‌شده» است. اکثر کاربران به جای اینکه فعالانه این هوش را هدایت کنند، به دریافت‌کنندگان غیرفعال محصولات تولیدشده توسط هوش مصنوعی تبدیل می‌شوند.

شکاف توانمندی: حل غیرممکن‌ها

برای کسانی که دسترسی بدون محدودیت دارند، هوش مصنوعی در حال انجام کارهای فوق‌بشری است. در ژانویه ۲۰۲۶، مدل GPT-5.2 Pro در ترکیب با Harmonic's Aristotle و رسمی‌سازی در Lean، مسئله ۷۲۸ اردوش را به‌طور کامل حل کرد. تا می ۲۰۲۶، یکی از مدل‌های OpenAI مسئله دیگری از اردوش را که ۸۰ سال باز مانده بود، حل کرد.

در حوزه امنیت سایبری نیز جهش‌های مشابهی دیده می‌شود. تیم قرمز (Red Team) شرکت Anthropic گزارش داد که مدل Claude Opus 4.6 بیش از ۵۰۰ آسیب‌پذیری شدید در کدهای متن‌باز فعال پیدا کرد. نسخه‌ی بعدی یعنی Claude Mythos Preview هزاران باگ «روز-صفر» (Zero-day) را در تمام سیستم‌عامل‌های اصلی، از جمله یک باگ ۲۷ ساله در OpenBSD، شناسایی کرد.

توجیه ایمنی برای حذف دیگران

آزمایشگاه‌ها این محدودیت‌ها را با استناد به ریسک‌های فاجعه‌بار توجیه می‌کنند. دمیس هاسابیس از گوگل دیپ‌مایند در آوریل ۲۰۲۵ اشاره کرد که پایان بیماری‌ها ظرف یک دهه امکان‌پذیر است، اما این توانایی‌ها دو لبه دارند:

• امنیت زیستی: شرکت Anthropic حفاظت‌های ASL-3 را در Claude Opus 4 فعال کرد و از طبقه‌بندی‌کننده‌ها برای محدود کردن توانایی‌های مرتبط با بیولوژی استفاده نمود. مدل Fable 5 با این محدودیت‌ها عرضه می‌شود، در حالی که نسخه بدون محدودیت یعنی Mythos 5 فقط برای سازمان‌های تأییدشده رزرو شده است.
• ریسک سایبری: قابلیت‌های نرم‌افزاری سطح بالا برای جلوگیری از هک‌های خودمختار محدود شده‌اند.
• دیس‌اینفورمیشن: شرکت OpenAI در اکتبر ۲۰۲۵، دسترسی به Sora را تنها با رضایت صریح افراد برای استفاده از چهره‌شان محدود کرد.

این محافظت‌گرایی به مشارکت‌های دولتی نیز کشیده شده است. پیش از عرضه GPT-5.6، شرکت OpenAI مدل را به‌طور پیش‌دستانه به دولت آمریکا معرفی کرد، زیرا این نخستین مدلی بود که در هر دو حوزه بیولوژی و امنیت سایبری رتبه ریسک «بالا» گرفت. عرضه بعدی تنها با ۲۰ شریک تأییدشده توسط دولت آغاز شد.

واگرایی ۱۰۰ برابری در بهره‌وری

توسعه نرم‌افزار پیش‌نمایشی از این شکاف است. وقتی Cursor حالت عامل (Agent mode) را در نوامبر ۲۰۲۴ عرضه کرد و Anthropic در فوریه ۲۰۲۵ Claude Code را منتشر نمود، گروه کوچکی از ابرکاربران از میانگین جامعه جدا شدند.

یک مهندس اخیراً موفق شد پروژه Bun — با بیش از ۵۳۵,۰۰۰ خط کد Zig — را تنها در ۱۱ روز به زبان Rust بازنویسی کند. او این کار را با نظارت بر ۶۴ نمونه هم‌زمان از Claude Code انجام داد. جرد سامنر تخمین زد که این پروژه در حالت عادی یک سال زمان و سه مهندس نیاز دارد. توسعه‌دهنده دیگری در ژانویه ۲۰۲۶، ابزار NanoClaw را در یک آخر هفته و با استفاده از تکنولوژی‌هایی که قبلاً هیچ تجربه‌ای در آن‌ها نداشت، ساخت.

اما توسعه‌دهنده میانگین چنین دستاوردهایی ندارد. یک بررسی تکمیلی توسط METR در فوریه ۲۰۲۶ نشان داد که برای کدنویسان عادی، تنها شواهد «بسیار ضعیفی» از افزایش سرعت وجود دارد. در حالی که ۱ درصد برتر به بهره‌وری ۱۰۰ برابری رسیده‌اند، میانگین جامعه نزدیک به ۱ برابر مانده است. برای مقابله با این روند، برخی سازمان‌ها تلاش می‌کنند تا با تمرکز بر تطبیق حرفه‌ای به‌جای جایگزینی، شکاف سواد دیجیتال را میان کارکنان خود پر کنند.

تله شرکتی: تعداد نفرات در برابر رشد

شرکت‌ها در حال حاضر با تکنولوژی نمایی، در تله‌ای خطی افتاده‌اند. بسیاری از مدیران از عامل‌ها صرفاً برای کاهش تعداد کارکنان استفاده می‌کنند. شرکت Klarna به‌طور مشهوری کارکنان پشتیبانی خود را کاهش داد و ادعا کرد هوش مصنوعی کار ۷۰۰ عامل را انجام می‌دهد، اما بعداً اعتراف کرد کیفیت افت کرده و دوباره شروع به استخدام انسان کرد.

داده‌های Orgvue نشان می‌دهد ۵۵ درصد از مدیرانی که تعدیل نیروی مبتنی بر هوش مصنوعی انجام دادند، اکنون اعتراف می‌کنند که تصمیمشان اشتباه بود. به همین ترتیب، ۳۲ درصد از مدیران استخدام در آمریکا که نقش‌ها را حذف کرده بودند، دوباره آن‌ها را استخدام کردند. این یک استراتژی کاهش هزینه است، نه استراتژی رشد.

چارچوبی جدید برای آینده

راه جایگزین این است که هر کارمند به یک «مدیر عامل» تبدیل شود. به‌جای جایگزینی یک تیم با یک عامل، شرکت‌ها باید به هر فرد یک عامل حاکمیتی اختصاص دهند.

در این مدل، انسان در مرکز باقی می‌ماند: هدف را تعیین می‌کند، کار را بررسی می‌کند و مالک نتیجه است. شرکت باید مالک هویت، حافظه و مهارت‌های عامل باشد تا از «الگوی کاهنان» جلوگیری کند؛ جایی که یک فروشنده شخص‌ثالث هوش را مدیریت می‌کند و به‌طور مؤثر شرکت مشتری را از چرخه حذف می‌کند.

اگر آینده فقط برای کاربران قدرتمند ساخته شود، شکاف عمیق‌تر خواهد شد. هدف باید این باشد که فرد میانگین ۲ برابر بهره‌ور شود، نه اینکه چند مورد استثنا ۱۰۰ برابر شوند.

گام بعدی شما

• بررسی کنید آیا در سازمان شما هوش مصنوعی برای «جایگزینی انسان» استفاده می‌شود یا «توانمندسازی»؛ اگر اولی است، در تله خطی هستید.
• یادگیری مدیریت عامل‌های هم‌زمان (Concurrent Agents) را شروع کنید تا از سطح کاربر عادی به سطح ابرکاربر برسید.
• به دنبال پیاده‌سازی هوش مصنوعی حاکمیتی (Sovereign AI) باشید تا کنترل حافظه و مهارت‌های عامل‌ها در دست سازمان شما بماند، نه تامین‌کننده خارجی.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.