تصور کنید هنوز از قطب‌نماهای عقربه‌ای برای مسیریابی در شهر استفاده می‌کنید، در حالی که گوگل‌مپ روی گوشی شماست. تئو براون، بنیان‌گذار t3.gg، در جریان نمایشگاه مهندسان هوش مصنوعی (AI Engineer World's Fair)، ادعای تکان‌دهنده‌ای کرد: صنعت در یک «مرحلهٔ اسکیومورفیک» گیر کرده است. او معتقد است در حالی که توسعه‌دهندگان فعلاً در حال ساخت «قطب‌نماهای دیجیتال» هستند، دوران مدرن نیازمند «گوگل‌مپ» است.
اسکیومورفیسم (Skeuomorphism) یعنی وقتی فناوری جدید برای تسهیل پذیرش کاربر و انتقال آرام‌تر او، ظاهر و احساس ابزارهای قدیمی را تقلید می‌کند. براون به اپلیکیشن‌های اولیه آیفون اشاره می‌کند که قطب‌نمای دیجیتال آن‌ها دقیقاً شبیه فلز و شیشه‌ی واقعی بود. اگرچه این طراحی آشنا به پذیرندگان اولیه کمک کرد تا با یک پارادایم دیجیتالِ نوظهور سازگار شوند، اما در نهایت به محدودیتی تبدیل شد که مانع تکامل رابط‌های کاربری بهینه و بومی دیجیتال (Digital-native) گشت. او تأکید می‌کند اگر اپلیکیشن‌های مسیریاب امروز هنوز شبیه یک قطب‌نمای چرخان فیزیکی بودند، عملاً بی‌فایده می‌شدند.
تله‌ی تقلید
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، پذیرش الگوهای آشنا گاهی هزینه‌های پنهانی دارد. طبق گزارش وب‌سایت dev.to، براون استدلال می‌کند که ابزارهای فعلی هوش مصنوعی همین اشتباه را تکرار می‌کنند؛ آن‌ها هوشمندی را صرفاً به رابط‌های خط فرمان (CLI) سنتی و جریان‌های کاری (Workflow) موجود در نرم‌افزارهای قدیمی «می‌چسبانند».
این وابستگی به الگوهای آشنا، ناخواسته نوآوری را خفه می‌کند. صنعت با بازسازی نرم‌افزارهای موجود و تقلید از جریان‌های کاری قدیمی، صرفاً در حال اتوماسیون کارهای فعلی است، نه ابداع پارادایم‌های کاملاً جدید. این تقلید باعث می‌شود تخیل ما محدود به بهبود عملکردهای قدیمی شود و مانع از آن گردد که توسعه‌دهندگان بتوانند روش‌های جدیدی از کار را تصور کنند که تنها توسط هوش مصنوعی ممکن است.
براون معتقد است ترس از دنبال کردن ایده‌های «احمقانه» یا غیرعملی، سد راه پیشرفت در نحوه تعامل انسان با هوشمندی است. این ترس مانع از دستیابی به پیشرفت‌های بنیادین در نحوه interaction انسان و ماشین می‌شود.
روان‌شناسی ایده‌های «احمقانه»
براون توسعه‌دهندگان را به چالش می‌کشد تا بپرسند چرا از ایده‌هایی که بی‌معنی به نظر می‌رسند دوری می‌کنند. او این وضعیت را با زبان‌های برنامه‌نویسی اولیه مقایسه می‌کند؛ جایی که انتخاب‌های بنیادی بر اساس محدودیت‌ها و پیش‌فرض‌های سخت‌افزاری آن زمان دیکته شده بود. او می‌گوید همان‌طور که محاسبات اولیه توسط سخت‌افزار محدود شده بود، هوش مصنوعی فعلی نیز توسط سوگیری‌های انسانی و ترس از ناشناخته‌هاe مهار شده است.
او استدلال می‌کند که رویکردهای غیرمتعارف دقیقاً همان چیزی هستند که به پیشرفت‌های بزرگ منجر می‌شوند. برای موفقیت، توسعه‌دهندگان باید به ظرفیت خود در ساخت کاربردهای بدیع اعتماد کنند؛ چیزی شبیه به بحث‌های جاری درباره اعتماد به عامل‌های هوش مصنوعی (AI Agents) — دستیارهایی که می‌توانند به‌جای ما تصمیم بگیرند و عمل کنند — که توسط تحلیلگرانی چون یوهان لاجیلی بررسی شده است.
مسیر نوآوری
برای شکستن این چرخه، براون یک رویکرد پلکانی برای مقیاس‌بندی پروژه‌ها پیشنهاد می‌دهد تا توسعه‌دهندگان بتوانند از منطقه امن خود خارج شوند:
- پروژه جانبی (Side Project): مرحله آزمایشی اولیه که در آن ایده‌های غیرمتعارف تست می‌شوند.
- استارتاپ (Startup): مرحله‌ای برای اعتبارسازی آن رویکرد غیرمتعارف در بستر واقعی بازار.
- بیش از حد بزرگ (Too Big): ایده‌هایی که در چارچوب‌های فعلی بی‌معنی، بیش از حد بلندپروازانه یا بسیار پیچیده به نظر می‌رسند، اما در واقع بالاترین پتانسیل دگرگون‌کنندگی (Transformative Potential) را دارند.
بر اساس دیدگاه براون، تکامل سریع مدل‌ها — به‌ویژه گذار به نسخه‌هایی مثل Sonnet 3.5، Opus 4.5 و Mythos 5 — نیازمند بازنگری کامل در معماری نرم‌افزار است. این‌ها صرفاً به‌روزرسانی‌های افزایشی یا جزئی نیستند، بلکه جهش‌هایی به سوی سامانه‌های خودگردان (Autonomous) و همه‌کاره‌اند.
او چشم‌انداز AutoScout24 را به‌عنوان نمونه‌ای از آینده بومیِ هوش مصنوعی می‌زند. در این مدل، هوش مصنوعی یک لایه تزئینی، یک پوسته یا یک ویژگی اضافه شده (Bolted-on) نیست، بلکه هسته مرکزی هوشمندی است که از پایه (Ground up) برای بازتعریف کل تجربه یک صنعت طراحی شده است.
این تغییر یعنی عبور کامل از بهبود صرفِ عملکردهای قدیمی. توسعه‌دهنده‌ها باید سامانه‌هایی طراحی کنند که شاید بر اساس استانداردهای فعلی نرم‌افزاری فوراً منطقی به نظر نرسند، اما با این باور که فرم‌های جدید اتوماسیون، به استاندارد جدید تعامل کاربر تبدیل خواهند شد.
برای یک مدیر کسب‌وکار، این بدان معناست که مزیت رقابتی دیگر در اختیار کسی نیست که بتواند سریع‌ترین راه برای اتومات کردن یک جدول اکسل را پیدا کند. برندگان واقعی کسانی هستند که جرئت ساخت ابزارهایی را دارند که از تمام ظرفیت خودگردانی مدل‌های نسل بعد استفاده می‌کنند.
توسعه‌دهندگان می‌توانند با بازرسی (Audit) ویژگی‌های فعلی هوش مصنوعی در محصول خود شروع کنند: آیا این‌ها صرفاً نسخه‌های «قدرت‌گرفته با هوش مصنوعی» از ابزارهای قدیمی هستند یا تجربه‌هایی واقعاً جدید؟ برای شناسایی نقاطی که پشته فناوری (Stack) شما در حال تقلید از یک پارادایم مرده است، می‌توانید بحث‌های جامع StartupHub.ai را دنبال کنید.
گام بعدی شما
- ویژگی‌های هوش مصنوعی محصول خود را بررسی کنید و ببینید آیا صرفاً یک «افزونه» است یا تجربه کاربر را تغییر داده است.
- یک پروژه جانبی با ایده‌ای «غیرمنطقی» شروع کنید که محدود به رابط‌های کاربری فعلی نباشد.
- مدل‌های استدلالی جدیدتر را برای بازطراحی جریان کاری (Workflow) خود به جای اتوماسیون تک‌مرحله‌ای به کار بگیرید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو