‏از مهندس میدانی تا نرم‌افزار میدانی

در دو هفته‌ی اخیر، سه غول بزرگ هوش مصنوعی تقریباً یه حرکت یکسان زدن: OpenAI با پشتوانه‌ی بیش از ۴ میلیارد دلار یک شرکت استقرار راه‌اندازی کرد، Google Cloud اعلام کرد صدها مهندس میدانی استخدام می‌کنه، و Anthropic با شرکای مالی بزرگ یک سرمایه‌گذاری ۱.۵ میلیارد دلاری برای جاسازی مهندس داخل شرکت‌های پورتفولیو تشکیل داد. منطق مشترک همه‌شون اینه: «AI سازمانی سخته، مشتری‌ها کمک لازم دارن، مهندس بفرست.»

اما نویسنده معتقده این فقط یه نشانه از جایگاه فعلی ما در منحنی پذیرش ئه، نه جواب اصلی. مشکل واقعی اینه که AI تا وقتی با محیط عملیاتی واقعی مشتری روبه‌رو نشه ارزش‌آفرین نیست — جایی که فرآیندهای مستند با آنچه واقعاً اتفاق می‌افته یکی نیستن، مسئولیت‌ها مبهمه، و استثناها فقط تو ذهن آدم‌ها موندن.

مهندس میدانی (FDE) در اولین use case نقش مفیدی داره: کشف می‌کنه کار چطور واقعاً انجام می‌شه، کدام سیستم مورد اعتماده، و ریسک کجاست. اما هدف این نزدیکی باید یاد دادن به نرم‌افزار باشه، نه تبدیل شدن به یه مدل مشاوره‌ی دائمی با ظاهر AI. اگه هر استقرار جدید همون میزان اکتشاف انسانی و تنظیمات دستی رو بخواد، شرکت یه مدل مقیاس‌پذیر AI پیدا نکرده — یه شرکت مشاوره ساخته.

خط فاصل بین استقرار میدانی و مشاوره یه چیزه: آیا کار مرکّب می‌شه یا نه؟ اگه مهندس بره و یه سیستم بذاره که use case بعدی رو سریع‌تر و مستقل‌تر می‌کنه، این یادگیری محصول‌ئه. اگه باید برگرده و همون تمرین رو دوباره انجام بده، این مشاوره‌ست — حتی اگه همه باهاش زبان مدرن‌تری حرف بزنن.

اینجاست که مفهوم نرم‌افزار میدانی مطرح می‌شه. نرم‌افزاری که وارد محیط عملیاتی مشتری می‌شه، یاد می‌گیره کار چطور انجام می‌شه، استثناها رو به خاطر می‌سپاره، و می‌دونه کجا منطق قطعی لازمه و کجا می‌شه از استنتاج احتمالی استفاده کرد. این نرم‌افزار باید بدونه چه وقت یه وظیفه رو خودش کامل کنه، چه وقت به بازبینی انسانی نیاز داره، و چه شواهدی باید حفظ بشه تا مشتری به نتیجه اعتماد کنه.

مشتری سازمانی نه «context graph» می‌خره و نه یه تیم مهندسی فنی‌تر. می‌خواد فرآیندهای گیرکرده کمتر، تاییدیه‌های سریع‌تر، و اطمینان از اینکه بار دهم با بار اول همون نتیجه رو می‌ده — بدون اینکه دوباره یه تیم پروژه دور هم جمع بشن. اگه use case دهم هنوز به همون سطح از دخالت انسانی نیاز داشته باشه، FDE تبدیل به محصول شده و مشتری عملاً داره مشاوره می‌خره.

نکات کلیدی:

• OpenAI، Google و Anthropic مجموعاً میلیاردها دلار روی مدل مهندس میدانی (FDE) سرمایه‌گذاری کردن
• FDE برای کشف workflow واقعی در اولین use case مفیده، اما نباید دائمی بشه
• اگه هر استقرار جدید همون تلاش انسانی رو بخواد، مدل به مشاوره تبدیل شده نه نرم‌افزار
• «نرم‌افزار میدانی» یعنی نرم‌افزاری که خودش یاد می‌گیره، استثناها رو نگه می‌داره و وابستگی به انسان رو کم می‌کنه
• معیار اصلی اینه: آیا use case دهم از تجربه‌ی اول بهره می‌بره یا از صفر شروع می‌کنه؟