‏هوش مصنوعی کار بیشتری برای انسان‌ها می‌سازه، نه کمتر

دن شیپر، مدیرعامل Every، از یک پارادوکس جالب می‌گه: تیم نزدیک به ۳۰ نفره‌شون از ابزارهایی مثل Claude Code و Codex در همه حوزه‌ها استفاده می‌کنن — از کدنویسی و نوشتن گرفته تا پشتیبانی مشتری. ۹۵٪ ایمیل‌های کاری شیپر رو هوش مصنوعی جواب می‌ده. با این حال نه کسی اخراج شده، نه تعداد وظایف انسانی کم شده — بلکه بیشتر هم شده.

دو مدل کلی از کار با ایجنت‌ها شکل گرفته. اول «ایجنت به عنوان کارمند»: مثل Andy که خلاصه ایده‌های خبری رو برای تیم تحریریه آماده می‌کنه، Claudie که پیشنهادهای فروش می‌نویسه، یا Fin که ۴۰٪ تیکت‌های پشتیبانی رو بدون دخالت انسان می‌بنده. دوم «همکاری انسان-ایجنت» در ابزارهایی مثل Codex و Claude Code که انسان مثل «نان ساندویچ» دو طرف کار ایجنت رو نگه می‌داره — هدف‌گذاری در ابتدا و بررسی خروجی در انتها.

دلیل اصلی اینکه اتوماسیون کار بیشتری می‌سازه اینه که مدل‌های زبانی روی «باقی‌مانده مرئی تخصص انسانی» — کد، متن، مشخصات محصول — آموزش دیدن. این مهارت‌های قبلاً نادر رو برای همه ارزون می‌کنه. وقتی همه به یک ابزار دسترسی دارن و همه از همان مدل استفاده می‌کنن، خروجی‌ها شبیه هم می‌شن — همون چیزی که شیپر بهش می‌گه «اسلاپ» (slop): محتوای یکنواخت و بی‌روح که بوی کپی‌وپیست می‌ده.

اسلاپ تقاضا برای «تفاوت» ایجاد می‌کنه. وقتی همه می‌تونن یه اپ React بسازن یا یه گزارش تحقیقاتی تولید کنن، همون چیزی ارزشمنده که دقیقاً برای یه شخص، شرکت یا موقعیت خاص احساس می‌شه — نه چیزی جنریک. این «تقاضا برای تفاوت» یعنی تقاضا برای متخصص انسانی؛ چون مدل‌ها فقط از کارهایی که قبلاً انجام شده یاد گرفتن، اما انسان‌ها به لحظه حال زنده‌ان.

شیپر با مثال یه بنچمارک داخلی به اسم «Senior Engineer benchmark» این ایده رو توضیح می‌ده. این بنچمارک از ایجنت‌های کدنویسی می‌خواد یه کدبیس شلخته رو از پایه بازنویسی کنن. GPT-5.5 با بهترین اجرا امتیاز ۶۲ از ۱۰۰ گرفت — حدود ۳۰ امتیاز بالاتر از رقبا — در حالی که یه مهندس ارشد انسانی در دامنه ۸۰ تا ۹۰ قرار می‌گیره. اما نکته مهم اینه که امتیاز بنچمارک همیشه داخل یه فریم (قاب) اندازه‌گیری می‌شه — یعنی وابسته به پرامپتی که استفاده شده:

اگه همین پرامپت رو عوض کنی و بپرسی «همه خطاها رو برطرف کن»، امتیاز مدل نزدیک به صفر می‌شه. وقتی یه بنچمارک اشباع بشه، فریم عوض می‌شه، مدل دوباره ضعیف به نظر می‌رسه، و چرخه تکرار می‌شه — هر بار با نیاز به قضاوت انسانی در لایه جدیدی از پیچیدگی.

نتیجه کلی شیپر اینه که هوش مصنوعی کار متخصص رو حذف نمی‌کنه، بلکه حجم کارها رو به شدت بالا می‌بره و هیچ‌کدام از اون کارها بدون دخالت انسان متمایز یا باارزش نمی‌شن. افق کاری که ساختاری جلوتر از مدل‌ها باقی می‌مونه جاییه که از اون‌ها برای حل مشکلات امروز — اونطور که تو می‌بینی — استفاده کنی.

نکات کلیدی:

• هوش مصنوعی مهارت‌های نادر رو ارزون می‌کنه و این باعث افزایش حجم کار می‌شه، نه کاهش آن
• خروجی‌های یکنواخت (اسلاپ) تقاضا برای کار متمایز و انسانی ایجاد می‌کنن
• ایجنت‌ها در دو مدل اصلی کار می‌کنن: کارمند مستقل و همکار در حلقه انسانی
• بنچمارک‌ها داخل یه فریم اندازه‌گیری می‌کنن؛ با تغییر فریم، مدل دوباره ضعیف می‌شه
• قضاوت انسانی برای هدایت، بررسی، و تمایزبخشی به خروجی‌های ایجنت ضروری‌ه