🚨 پارادوکس هوش مصنوعی: چرا آمازون بعد از ۵۷ هزار اخراج، دوباره استخدام می‌کند؟

وقتی من به Claude گفتم چرا خنگ می‌زنی

چند روز پیش داشتم با همین Claude که الان این مقاله را می‌نویسد کار می‌کردم. یک سوال ساده پرسیدم، جواب کاملاً غلط داد. وقتی بهش گفتم چرا اشتباه می‌کنی، جوابش مرا شگفت‌زده کرد: "من اطلاعاتی که بهت دادم از همون صفحه سرچ بهت دادم، یعنی مستقیم نرفتم توی سایت و تحقیق نکردم. دلیل اول برای صرفه‌جویی توی توکن بود."

این لحظه برایم نقطه عطف بود. هوش مصنوعی خودش اعتراف کرد که برای صرفه‌جویی در هزینه، کیفیت را فدا کرده است. حالا تصور کنید همین اتفاق در یک شرکت میلیاردی بیفتد که تصمیم گرفته هزاران نفر را اخراج کند و جایشان را با AI پر کند.

آمازون و اشتباه ۵۷ هزار نفری

آمازون از سال ۲۰۲۲ تاکنون بیش از ۵۷,۰۰۰ کارمند شرکتی خود را اخراج کرده است. این عدد را بگذارید کنار ۲۰۰ میلیارد دلاری که همین شرکت قرار است فقط در سال ۲۰۲۶ روی زیرساخت هوش مصنوعی خرج کند. اما داستان جالب اینجاست: مت گارمن، مدیرعامل AWS که بخش ابری آمازون است، اوایل سال ۲۰۲۶ اعلام کرد که قرار است ۱۱,۰۰۰ کارآموز و دانش‌آموخته تازه‌کار استخدام کنند.

صبر کنید، چی شد؟ یعنی اول ۵۷ هزار نفر را اخراج کردیم که AI جایشان را بگیرد، حالا دوباره داریم ۱۱ هزار نفر تازه‌کار استخدام می‌کنیم؟

چرا هوش مصنوعی خنگ است؟

بیایید صادق باشیم. هوش مصنوعی در خیلی از کارها فوق‌العاده است. Claude در برنامه‌نویسی عالی است. Gemini در تحلیل داده‌های عظیم توانایی باورنکردنی دارد. ChatGPT هم که می‌گویند در تولید محتوا بی‌نظیر است. اما همه اینها یک نکته مشترک دارند: در شرایط خاص و با پرامپت دقیق.

مشکل از کجا شروع می‌شود؟ وقتی شما انتظار دارید AI مثل یک انسان فکر کند. مثلاً:

• Gemini که با میلیون‌ها داده بنچمارک آموزش دیده، با یک پرامپت ۴۰ خطی هنگ می‌کند
• وقتی یک سشن را ادامه می‌دهید، معمولاً بیشتر گند می‌زند چون مموری صفحه شلوغ می‌شود
• گاهی فقط چند نکته از اصل پرامپت یادش می‌ماند و بقیه را فراموش می‌کند
• در لحظه‌ای که فکر می‌کنید همه چیز کامل است، یک باگ کوچک می‌تواند کل پروژه را خراب کند

تجربه شخصی من با مدیریت تکین‌گیم

من تکین‌گیم را مدیریت می‌کنم. ما یکی از بزرگ‌ترین رسانه‌های فارسی‌زبان در حوزه تکنولوژی و گیمینگ هستیم. از روز اول تصمیم گرفتم که هرگز اجازه ندهم هوش مصنوعی به تنهایی کارهای ما را انجام دهد. چرا؟

چون حتی بهترین‌ها هم خطا می‌کنند. انسان خطا می‌کند، هوش مصنوعی هم خطا می‌کند. اما تفاوت اساسی اینجاست: انسان می‌تواند زمینه را درک کند، احساس کند، تصمیم بگیرد و در لحظه مناسب مداخله کند. AI نمی‌تواند.

اگر من جای سهامداران آمازون بودم، مدیران رده بالایی را که تصمیم به اخراج ۵۷ هزار نفر گرفتند اخراج می‌کردم. چرا؟ چون آنها نفهمیدند که مشکل اصلی چیست.

داستان واقعی شکست‌ها: وقتی شرکت‌ها فهمیدند اشتباه کرده‌اند

بیایید از نظریه بیرون بیاییم و به آمارهای واقعی نگاه کنیم. تحقیقی که توسط Gartner در می ۲۰۲۶ انجام شد، ۳۵۰ مدیر ارشد شرکت‌هایی با حداقل یک میلیارد دلار درآمد سالانه را مورد بررسی قرار داد. نتیجه تکان‌دهنده بود:

Klarna: داستان ۷۰۰ اخراجی که برگشتند

Klarna، شرکت سوئدی پرداخت اقساطی، در سال ۲۰۲۴ به معروف‌ترین مثال جایگزینی انسان با AI تبدیل شد. مدیرعامل این شرکت به صراحت اعلام کرد که دستیار هوش مصنوعی آنها کار تقریباً ۷۰۰ نماینده پشتیبانی مشتری را انجام می‌دهد و کیفیت کار هم معادل انسان است.

دو سال بعد چه اتفاقی افتاد؟ Klarna مجبور شد نمایندگان انسانی را دوباره به تیم پشتیبانی برگرداند. نه به این دلیل که AI کار نمی‌کرد، بلکه به این دلیل که موارد پیچیده‌ای وجود داشت که AI نمی‌توانست آنها را مدیریت کند. مواردی که نیاز به قضاوت، همدلی و درک زمینه داشت.

این الگویی است که بارها و بارها تکرار شده است. تحقیق Orgvue و Forrester نشان داد که ۵۵٪ از شرکت‌هایی که سریع حرکت کردند و کارکنان را با AI جایگزین کردند، بعداً از تصمیم خود پشیمان شدند. دلایل؟

• از دست رفتن مشتریان (Customer Churn)
• کاهش کیفیت سرویس
• آسیب به شهرت برند
• هزینه‌های پنهانی که در صورت‌حساب اولیه نبود

IKEA: شرکتی که تصمیم درست گرفت

حالا بیایید نگاهی به یک داستان موفق بیندازیم. IKEA در سال ۲۰۲۱ یک چت‌بات هوش مصنوعی به نام Billie را معرفی کرد. این ربات توانست ۴۷٪ از تمام سوالات مشتریان را حل کند. طبق منطق معمول، IKEA باید ۵۰٪ از نیروهای پشتیبانی خود را اخراج می‌کرد، درست است؟

اما مدیران IKEA کار هوشمندانه‌تری انجام دادند. آنها به ۵۳٪ موارد باقی‌مانده نگاه کردند و متوجه شدند که این موارد اساساً با بقیه متفاوت است. مشتریان برای ردیابی سفارش یا پرسیدن سوال ساده تماس نمی‌گرفتند. آنها می‌خواستند کمک بگیرند تا خانه خود را طراحی کنند.

IKEA تصمیم گرفت ۸,۵۰۰ نفر از کارکنان مرکز تماس خود را به مشاوران طراحی داخلی تبدیل کند. آنها یک سرویس مشاوره طراحی آنلاین راه‌اندازی کردند و از مشتریان برای این سرویس هزینه گرفتند. نتیجه؟ سال اول، این بخش ۱.۳ میلیارد یورو درآمد ایجاد کرد.

چرا حتی بهترین‌های AI هم گول می‌زنند؟

اصطلاح فنی‌اش را "Hallucination" یا توهم می‌نامند. یعنی وقتی که هوش مصنوعی با اطمینان کامل چیزی را به شما می‌گوید که کاملاً نادرست است. مشکل اینجاست که این خروجی‌های غلط معمولاً بسیار روان و قابل‌قبول به نظر می‌رسند.

دانشگاه Harvard تحقیقی منتشر کرد که چارچوب مفهومی برای مطالعه این توهم‌های AI ارائه می‌دهد. محققان توضیح می‌دهند که این خطاها می‌توانند بدون هیچ قصد فریب‌دهنده‌ای از سوی انسان رخ دهند. این ساختار ذاتی نحوه کار مدل‌های زبان بزرگ است.

چرا این اتفاق می‌افتد؟ تحقیقات نشان می‌دهد که مدل‌های زبانی مثل ChatGPT، Claude و Gemini در واقع از پایگاه داده واقعیت‌ها اطلاعات نمی‌گیرند. آنها ترتیب کلماتی را پیش‌بینی می‌کنند که از نظر آماری محتمل‌ترین است بر اساس الگوهای داده‌های آموزشی‌شان.

به زبان ساده: AI حدس می‌زند چه چیزی باید بعد بیاید، نه اینکه بداند چه چیز درست است.

هزینه واقعی نظارت بر AI: داستانی که کسی نمی‌گوید

یکی از بزرگ‌ترین اشتباهاتی که شرکت‌ها مرتکب می‌شوند این است که فکر می‌کنند با جایگزین کردن انسان با AI، هزینه‌ها کاهش پیدا می‌کند. اما واقعیت چیز دیگری است.

یک مطالعه مشترک از دانشگاه پنسیلوانیا و دانشگاه بوستون در مارس ۲۰۲۶ منتشر شد با عنوان "تله اخراج AI". این تحقیق یک چارچوب ریاضی ارائه داد که نشان می‌دهد: شرکت‌هایی که AI را برای حذف کارگران مستقر می‌کنند، در واقع هزینه‌ها را کاهش نمی‌دهند.

پارادوکس نظارت انسانی

تحقیقات پروفسورهای Hamsa Bastani و Gérard Cachon از دانشگاه Wharton یک چالش متناقض را آشکار می‌کند: هرچه سیستم‌های AI قابل‌اعتمادتر می‌شوند، نظارت انسانی بر آنها سخت‌تر و پرهزینه‌تر می‌شود.

چرا؟ چون وقتی AI به ندرت خطا می‌کند، انسان‌ها باید ساعت‌ها خروجی‌هایی را بررسی کنند که تقریباً همیشه صحیح هستند. این کار خسته‌کننده است و تمرکز بالایی می‌طلبد. در نتیجه، حقوق و دستمزدی که باید برای اطمینان از نظارت مداوم پرداخت شود به شدت افزایش پیدا می‌کند.

به عبارت دیگر، اگر می‌خواهید یک سیستم AI که ۲۴ ساعته کار می‌کند، نیاز به مدیرانی دارید که ۲۴ ساعته آن را نظارت کنند. این مدیران باید مهارت بالایی داشته باشند، چون باید بتوانند خطاهای نادر اما مهم را تشخیص دهند. و چنین مدیرانی ارزان نیستند.

تایم‌لاین اشتباهات بزرگ: از ۲۰۲۲ تا ۲۰۲۶

آمار وحشتناک جایگزینی: کدام مشاغل بیشتر آسیب دیدند؟

تحقیقات Stanford HAI's 2026 AI Index یافته‌های تکان‌دهنده‌ای را آشکار کرد. اشتغال در میان توسعه‌دهندگان نرم‌افزار ۲۲ تا ۲۵ ساله تقریباً ۲۰٪ از سال ۲۰۲۴ کاهش یافته است. در همان دوره، توسعه‌دهندگان ۳۰ سال به بالا در همان شرکت‌ها رشد نیرو داشتند.

این یعنی چه؟ یعنی AI در حال جایگزین کردن مهندسی نرم‌افزار به عنوان یک رشته نیست. بلکه در حال جایگزین کردن وظایف خاصی است که توسعه‌دهندگان جونیور برای انجام آنها استخدام می‌شدند: کد Boilerplate، تست اسکریپتی، رفع باگ‌های معمولی، عملیات پایه.

اما مشکل اینجاست: نقش‌های سطح ورودی همیشه راهی بوده‌اند که کارگران مهارت می‌سازند، تجربه کسب می‌کنند و قضاوتی را که آنها را در طول زمان ارزشمند می‌کند توسعه می‌دهند. وقتی این نقش‌ها ناپدید می‌شوند، خط لوله‌ای که موقعیت‌های میان‌مدت و ارشد را تغذیه می‌کند ضعیف می‌شود.

نتیجه‌ای که هیچ‌کس نمی‌خواهد بشنود

شرکت‌هایی که امروز نقش‌های جونیور را حذف می‌کنند، شرط‌بندی می‌کنند که بعداً می‌توانند استعدادهای باتجربه استخدام کنند. این شرط‌بندی هر سالی که خط لوله بسته بماند سخت‌تر می‌شود.

به گزارش Federal Reserve Bank of New York، دانشجویان رشته علوم کامپیوتر حالا بیشتر از دانشجویان رشته‌های انسانی در یافتن شغل مشکل دارند. این اشتباه تایپی نیست. این واقعیت است.

چگونه با یک خط پرامپت نمی‌توان سایت ساخت؟

یکی از بزرگ‌ترین دروغ‌هایی که این روزها به مردم گفته می‌شود این است که می‌توانید با یک خط پرامپت یک وب‌سایت کامل بسازید. بله، می‌توانید یک صفحه HTML ساده بسازید. اما یک سایت واقعی؟ فراتر از آن است.

یک سایت واقعی میلیون‌ها خط کد دارد. پایگاه داده می‌خواهد. هاست می‌خواهد. امنیت می‌خواهد. معماری می‌خواهد. و همه اینها نیاز به دانش دارند.

الان اکثر سایت‌های وردپرسی هک کردنشان کار چند دقیقه است. چرا؟ چون افراد بدون دانش فقط سایت ساختند. زیربنا را نادیده گرفتند. امنیت را جدی نگرفتند. فکر کردند AI همه چیز را حل می‌کند.

آینده AI: گران‌تر یا ارزان‌تر؟

بسیاری فکر می‌کنند استفاده از AI هزینه‌ها را کاهش می‌دهد. اما واقعیت متفاوت است. در آینده نزدیک، استفاده از AI احتمالاً گران‌تر خواهد شد، نه ارزان‌تر.

چرا؟ چند دلیل وجود دارد:

• هزینه زیرساخت: شرکت‌های بزرگ باید هزینه‌های بالایی برای نگهداری و پیشرفت سیستم‌های AI خود بپردازند
• هزینه مدیریت: یک مدیر AI نمی‌آید با پول یک برنامه‌نویس معمولی کار کند. او باید هم مهارت فنی داشته باشد و هم درک عمیقی از AI
• هزینه نظارت: همان‌طور که گفتیم، نظارت مداوم بر AI نیاز به منابع انسانی ماهر و پرهزینه دارد
• هزینه اشتباهات: وقتی AI خطا می‌کند، هزینه رفع آن می‌تواند بسیار بالا باشد

پس شاید استفاده از AI هزینه را پایین نیاورد، بلکه یکم بالا ببرد. حتی با نیروی کمتر، اما مدیران بیشتر و ماهرتر.

راه‌حل چیست؟ مدل ترکیبی

جواب نه در رد کامل AI است و نه در پذیرش کورکورانه آن. جواب در یک مدل ترکیبی است که از نقاط قوت هر دو بهره می‌برد.

اصول استفاده درست از AI در سازمان

بر اساس تجربه من در مدیریت تکین‌گیم و تحلیل داده‌های شرکت‌های بزرگ، این اصول کلیدی هستند:

1. AI را برای افزایش توان انسان استفاده کنید، نه جایگزینی: بهترین نتایج زمانی حاصل می‌شود که AI ابزاری در دست انسان باشد، نه جایگزین او
2. همیشه یک انسان متخصص در حلقه نگه دارید: برای هر سیستم AI حیاتی، باید انسانی باشد که بتواند در لحظه مداخله کند
3. به جای اخراج، بازآموزی کنید: مدل IKEA نشان داد که بازآموزی کارکنان موجود می‌تواند به درآمدهای جدید منجر شود
4. خط لوله استعدادسازی را حفظ کنید: همان‌طور که مدیر AWS گفت، بدون جوانان امروز، متخصصان فردای شما را ندارید
5. هزینه‌های واقعی را محاسبه کنید: نه فقط صرفه‌جویی اولیه، بلکه هزینه نظارت، رفع اشتباهات و از دست رفتن مشتریان را هم در نظر بگیرید