‏آموزشِ ابزارهای AI بخشِ آسونِ ماجراست

نویسنده (Jeff Gothelf) می‌گه با کلی تیمِ سازمانی کار می‌کنه که مشتاقِ به‌کارگیریِ ابزارهای AI هستن، و طبیعتاً اول سراغِ آموزشی می‌رن که روی نحوه‌ی استفاده از ابزار تمرکز داره: کتابخانه‌ی پرامپت روی درایوِ مشترک، کارگاهِ ساختِ GPT سفارشی یا Claude skill، و یه کانالِ Slack برای به‌اشتراک‌گذاریِ کارهای باحالی که مدل انجام داده. به گفته‌ش این مهم و پایه‌ایه — ولی بخشِ آسونه.

مشکل اینجاست که بعد از آموزش، به آدم‌ها گفته می‌شه «حالا برو بهره‌ورتر/سریع‌تر باش»، ولی با همون backlog، همون roadmap و همون فشارِ فصلی برمی‌گردن سرِ میزشون. آموزش بهشون یاد داده چطور پرامپت بنویسن، ولی هیچی درباره‌ی اینکه چی رو پرامپت کنن یا چطور به‌طورِ مداوم مفید ازش استفاده کنن نگفته. نویسنده اینو تشبیه می‌کنه به یاد دادنِ کار با چکش و بعد انتظارِ ساختنِ یه صندلیِ راحت.

به گفته‌ی نویسنده، آموزشِ ابزار آسون خریداری و اندازه‌گیری می‌شه (تعدادِ صندلی، گواهی‌نامه، پرامپت)، ولی کلِ چارچوبش دورِ هزینه می‌چرخه: تیم رو آموزش دادیم، سریع‌تر شد، سریع‌تر یعنی ارزون‌تر، و ارزون‌تر حسِ برد می‌ده. نتیجه اینه که تیم ابزارِ جدید رو دوباره به همون roadmap قبلی نشونه می‌گیره و صرفاً featureهای بیشتری با همون فرضیاتِ تست‌نشده تولید می‌کنه. نویسنده اسمش رو می‌ذاره «کارخانه‌ی feature روی دوپینگ». مشتری هیچ اثرِ مثبتی حس نمی‌کنه، چون سرعتِ تولید تغییری نمی‌ده که آیا از اول داشتی چیزِ درست رو می‌ساختی یا نه.

سؤالی که نویسنده آرزو می‌کنه مدیرها از خودشون بپرسن اینه: وقتی AI به تیم سه‌چهار ساعتِ اضافه در هفته و ابزارهای قدرتمند می‌ده، آیا سازمان جایی غیر از backlog برای خرجِ این ساعت‌ها می‌ذاره؟ به گفته‌ش جوابِ صادقانه اغلب «نه» ه: نه فضایی برای دنبال کردنِ یه حدس درباره‌ی نیازِ کشف‌نشده‌ی مشتری، نه بودجه‌ای برای آزمایشی که شاید جواب نده، نه بخشی از فصل که برای discovery حفاظت‌شده باشه. توانایی حالا هست، ولی اجازه نیست.

نویسنده می‌گه اون معدود شرکت‌هایی که واقعاً از AI ارزش می‌گیرن، از زمانی که ابزارها آزاد می‌کنن برای ساختنِ فضای عمدیِ آزمایش استفاده می‌کنن — مثلاً یه روزِ حفاظت‌شده در هفته یا یه بودجه‌ی کوچک که تیم بدونِ سه لایه تأیید بتونه خرجش کنه. جمع‌بندیش اینه که تیم‌های محصول باید یاد بگیرن حلقه‌ی «ship، sense، respond» رو کامل بچرخونن؛ حالا که تولیدِ چیزِ کوچک تقریباً مجانیه، کارِ متمایزکننده «حس کردنِ سیگنالِ واقعیِ مشتری» و «داشتنِ قضاوت و اختیارِ تغییرِ مسیر» ه، نه صرفِ ship کردن.

نکات کلیدی:

• آموزشِ ابزارهای AI پایه‌ای و آسونه؛ سختش دادنِ فضا و اجازه‌ی آزمایش به تیمه
• بدونِ این فضا، تیم فقط feature بیشتری با همون فرضیاتِ تست‌نشده تولید می‌کنه («کارخانه‌ی feature روی دوپینگ»)
• سرعتِ بیشترِ تولید تعیین نمی‌کنه که آیا از اول چیزِ درست رو می‌ساختی یا نه
• نوآوری نیازمندِ ایمنیِ روانی و پشتیبانیِ صریحِ سازمانی برای آزمایشه، نه فقط ابزارِ سریع‌تر
• تیمِ محصول باید حلقه‌ی ship-sense-respond رو کامل بچرخونه؛ حالا sense و respond متمایزکننده‌ان