پس از اینکه هوش مصنوعی کد می‌نویسد، مانع جدید جوانان چیست؟

TL;DR
· یک کارآفرین هوش مصنوعی می‌گوید که نوشتن کد توسط هوش مصنوعی در حال تغییر رتبه‌بندی مهارت‌های شغلی اولیه است.
· وظایف قابل ارزیابی بیشتر مناسب مدل‌ها هستند و انسان‌ها باید یاد بگیرند که چگونه مسائل را قضاوت کنند، زمان و ابزار را تخصیص دهند.
· بازگشت نقدی تنها هدف نیست، روابط، شهرت و کیفیت تحویل می‌تواند تفاوت ایجاد کند.

یک کارآفرین که به گفته خودش قبلاً در شرکت‌های Scale AI، DeepMind، OpenAI و Google کار کرده و اکنون در حال راه‌اندازی یک شرکت هوش مصنوعی است، در یک مقاله طولانی به زبان انگلیسی، مشاوره شغلی جدیدی برای جوانان ارائه کرده است. زمینه این مشاوره این است که ابزارهای کدنویسی هوش مصنوعی از تکمیل کد به سمت هوش مصنوعی کامل‌تر در مهندسی نرم‌افزار پیش رفته‌اند. OpenAI در سال 2025 هنگام انتشار Codex اعلام کرد که می‌تواند وظایفی مانند نوشتن عملکردها، رفع اشکالات و ارائه PR را به‌صورت موازی در ابر پردازش کند، اما هنوز نیاز به بررسی و تأیید کد توسط انسان دارد. سوال این است: وقتی که پاسخ‌های استاندارد، کدهای معمولی و وظایف قابل ارزیابی روز به روز ارزان‌تر می‌شوند، جوانان باید وقت خود را کجا صرف کنند؟

هسته این مقاله این نیست که «برنامه‌نویسان جایگزین خواهند شد»، بلکه این است که استانداردهای انتخاب شغلی اولیه در حال تغییر است. مدارس و مصاحبه‌های سنتی به شدت بر روی سوالات واضح، با پاسخ‌های مشخص و قابل تصحیح تمرکز دارند، که این دقیقاً جایی است که مدل‌ها سریع‌ترین پیشرفت را دارند. در آینده، آنچه که می‌تواند افراد را بهتر از هم متمایز کند، ممکن است کشف مسائل مهم، انتخاب محیط‌های با ارزش بالا، ایجاد شهرت قابل اعتماد و ادامه بهبود نتایج متوسط تولید شده توسط هوش مصنوعی باشد.

پیشنهاد نقدی دیگر پاسخ نخواهد بود، زمان و شهرت کمیاب‌تر است

به گفته نویسنده، در محیط کارآفرینی هوش مصنوعی، سرمایه و ابزارها نسبت به گذشته به راحتی در دسترس‌تر هستند، اما زمان با کیفیت، روابط قوی و شهرت قابل اعتماد هنوز کمیاب هستند.

او این موضوع را با تجربه شخصی خود توضیح می‌دهد. قبل از پیوستن به Scale AI، او می‌گوید که پیشنهاد شغلی با امنیت مالی بالاتری در یک موقعیت کمی‌سازی دریافت کرده بود، اما در نهایت Scale را انتخاب کرد، زیرا آنجا جامعه قوی‌تری، صحنه‌های محصول وسیع‌تری و فرصت‌های بیشتری برای مواجهه با مسائل پیشرفته داشت. به یاد او، بعداً از طریق Scale با تأمین‌کنندگان استنتاج مدل‌های بزرگ آشنا شد و فرصت‌هایی از DeepMind و OpenAI به دست آورد و با گروهی از همکاران که بعداً به کارآفرینی پرداختند، آشنا شد.

این تجربیات نمی‌توانند به سادگی به فرمول شغلی همه افراد تعمیم داده شوند، اما یادآوری‌های آن بسیار مستقیم است: انتخاب شغلی اولیه نباید فقط به نقدهای فوری نگاه کند. به ویژه پس از اینکه هوش مصنوعی آستانه ساخت نرم‌افزار را کاهش داده است، سریعاً ساخت یک ابزار کوچک که بتواند درآمدزایی کند دیگر نادر نیست و بازگشت بلندمدت معمولاً از مسائل دشوارتر، جمعیت قوی‌تر و سیگنال‌های رزومه قابل اعتمادتر ناشی می‌شود.

جوانان باید از خود بپرسند که آیا «کدام فرصت فوراً پول بیشتری می‌دهد»، بلکه آیا این کار ارزش صرف زمان را دارد، آیا می‌توانند با افراد برجسته کار کنند، آیا کار خوب خود را افراد قابل اعتماد می‌بینند و آیا این کار می‌تواند پایه‌ای برای فرصت بعدی باشد.

ارزش مهندسان از «حل مسئله» به «یافتن مسئله» تغییر می‌کند

وقتی که هوش مصنوعی می‌تواند مسائل بیشتری با مرزهای واضح را پردازش کند، ارزش مهندسان دیگر فقط «آیا می‌توانند آن را حل کنند» نیست، بلکه «آیا می‌توانند مسئله درست را انتخاب کنند» است.

نویسنده اشاره می‌کند که تیم آنها روش‌های مصاحبه را دوباره طراحی کرده است. دلیل این است که اگر در کار واقعی دیگر نیازی به نوشتن هر خط کد توسط انسان نباشد، پس امتحان صرفاً سوالات الگوریتمی و طراحی سیستم سنتی، ارتباط کمتری با عملکرد شغلی خواهد داشت. تست‌های معنادارتر این است که ببینیم آیا نامزد می‌تواند به سرعت محیط را درک کند، مسائل قابل حل را شناسایی کند و سپس ابزارهای هوش مصنوعی و منابع خارجی را برای پیشبرد نتایج به کار گیرد.

این همچنین یک تقسیم کار جدید پس از نوشتن کد توسط هوش مصنوعی است. مدل‌ها در پردازش وظایف با هدف مشخص و بازخورد واضح مهارت دارند، انسان‌ها باید قضاوت کنند که کدام مسائل مهم هستند، کدام مسیرها ارزش امتحان دارند و چه مقدار زمان و هزینه‌های فراخوانی مدل باید سرمایه‌گذاری شود.

برای دانشجویان، توانایی هوش مصنوعی در انجام تکالیف ممکن است احساس ناامیدی ایجاد کند. اما از دیدگاه استخدام، تفاوت بین نامزدهای مختلف از بین نرفته است. حتی اگر همه بتوانند با هوش مصنوعی پاسخ بگیرند، برخی به مقدار زیادی آزمون و خطا و کلمات کلیدی نیاز دارند، در حالی که برخی دیگر می‌توانند با شهود تجاری، زمینه فنی و زمینه به همکاری با هوش مصنوعی بپردازند و سریع‌تر به سمت هدف حرکت کنند.

به اصطلاح «توانایی استفاده از هوش مصنوعی» نیز فقط به معنای پرتاب مسئله به مدل نیست. توانایی‌های قوی‌تر شامل تقسیم مسئله، شناسایی اطلاعات گمشده، قضاوت در مورد زمان ادامه تکرار، زمان تغییر مسیر و بررسی اینکه آیا نتایج واقعاً مشکلات کلیدی تجاری یا فنی را حل کرده‌اند، می‌شود.

هرچه نرم‌افزار آسان‌تر شود، باید به مسائل دشوارتر نزدیک‌تر شد

هوش مصنوعی آستانه ساخت نرم‌افزار را کاهش داده و همچنین کپی کردن سیستم‌های ساده‌تر را آسان‌تر کرده است. نویسنده از «درس‌های تلخ» در تحقیقات یادگیری ماشین برای توضیح انتخاب شغلی استفاده می‌کند: در درازمدت، گسترش روش‌های عمومی معمولاً از بهینه‌سازی دقیق برای یک وظیفه خاص بهتر است.

در مورد شرکت‌ها و حرفه‌های فردی، این به این معنی است که خندق‌های تولید ساده نازک‌تر می‌شوند. هر کسی می‌تواند به راحتی یک سیستم به نظر قابل استفاده بسازد، در حالی که ارزش واقعی پایدار در مسائل به اندازه کافی دشوار و به اندازه کافی بلندپروازانه متمرکز است.

هنگام انتخاب شرکت، معیاری که نویسنده ارائه می‌دهد این است: آیا این شرکت در حال حل نسخه‌ای از مشکل است که بیشترین جاه‌طلبی را دارد و آیا واقعاً فرصتی برای حل آن دارد؟ هنگام انتخاب نقش، باید دید که آیا این نقش می‌تواند به فرد اجازه دهد به مسائل پیشرفته‌ای که شرکت در حال حل آنهاست، به‌طور مستقیم دسترسی پیدا کند.

او همچنین اشاره می‌کند که نباید فقط به زیبایی محصولات اولیه یا شگفتی‌های دمو توجه کرد. به گفته او، دمو اولیه Anthropic در آن زمان فقط به عنوان یک Slackbot که از ChatGPT کمتر بود به نظر می‌رسید، اما این مانع از آن نشد که شرکت بعداً به مسیر کاملاً متفاوتی برود. شرکت‌های اولیه تغییر می‌کنند، محصولات تغییر می‌کنند و کیفیت تیم، فضای بازار و دشواری مسائل بیشتر می‌تواند بر نتایج بلندمدت تأثیر بگذارد.

فرصت‌های شغلی نیز منطق مشابهی دارند. فرصت‌های با کیفیت بالا لزوماً هر بار به نتایج تبدیل نمی‌شوند، اما یک فرد باید ابتدا در موقعیتی قرار گیرد که بتواند فرصت‌ها را ببیند. اینکه آیا می‌توان به آنجا رسید، هنوز به توانایی‌ها، شهرت و اینکه آیا دیگران مایلند فرصت‌ها را به شما بگویند، بستگی دارد.

نتایج معمولی ارزان‌تر می‌شوند، در حالی که 10% آخر ارزش بیشتری دارد

وقتی که یک کلمه کلیدی ساده می‌تواند به هوش مصنوعی اجازه دهد نتایج با کیفیت متوسط تولید کند، ارزش تولیدات معمولی کاهش می‌یابد و ارزش بخش نهایی بهبود افزایش می‌یابد.

مقاله اصلی به نقل از Alfred Lin از Sequoia Capital می‌گوید که 10% آخر معمولاً 90% کار و 90% بازگشت است. در عصر هوش مصنوعی، این جمله بیشتر به واقعیت نزدیک است. زیرا نتایج 70 درصدی به طور فزاینده‌ای آسان‌تر به دست می‌آیند، آنچه واقعاً می‌تواند افراد را متمایز کند، دیدگاه‌های منحصر به فرد، توجه به جزئیات، توانایی تکرار، کیفیت ساختار، قابلیت گسترش و خلاقیت است.

نسخه اول خروجی هوش مصنوعی به ندرت به طور مستقیم کامل است. کار واقعی معمولاً در تکرارهای بعدی انجام می‌شود: کشف اینکه کجا اشتباه است، کدام بخش‌ها نیاز به بازسازی دارند، چه تجربیاتی هنوز روان نیستند، کدام شرایط مرزی پوشش داده نشده‌اند و چه زمانی باید از مدل نسل بعدی استفاده کرد تا از ابتدا دوباره شروع کرد.

این توانایی‌ها می‌توانند از طریق پروژه‌ها، کارآموزی و کار واقعی تمرین شوند. صرف زمان بیشتر برای بهبود، تمیز کردن ساختار، روشن کردن قابلیت گسترش و توجه به جزئیاتی که کاربران واقعاً مایل به استفاده هستند، در آثار و مصاحبه‌ها ردپایی خواهد گذاشت.

توانایی‌های مهندسی سنتی از بین نرفته‌اند. تغییر در این است که کمیابی نوشتن کد خود کاهش یافته و قضاوت، زیبایی‌شناسی، درک سیستم و کیفیت تحویل گران‌تر شده است. هوش مصنوعی می‌تواند به افراد بیشتری اجازه دهد به سطح متوسط برسند، و آن بخش باقی‌مانده از فاصله به طرز عجیبی سخت‌تر است که پر شود.

آستانه تحقیق کاهش یافته است، اما تحقیق یک عنوان نیست

در پایان مقاله، بحث به «چگونه وارد تحقیق شویم» گسترش می‌یابد. نویسنده معتقد است که هوش مصنوعی تحقیق را فقط به آزمایشگاه‌های برتر محدود نکرده، بلکه آستانه ورود اولیه را کاهش داده است.

تحقیق مدرن قطعاً به قدرت محاسباتی بیشتری وابسته است، اما نقطه شروع می‌تواند بسیار ساده باشد: استفاده از مدل‌های موجود، تبدیل شهود خود به ارزیابی، شرکت در لیست‌های بهینه‌سازی عمومی، و استفاده از ظرفیت‌های ارائه شده توسط پلتفرم‌های محاسبات ابری برای آزمایش ایده‌ها در اسرع وقت. بیشتر ایده‌ها در نهایت در مقیاس بزرگ شکست می‌خورند، اما درک شکست بخشی از ایجاد قضاوت تحقیق است.

یک محقق در درجه اول یک روش کاری است، نه فقط یک شغل. تحقیقات در آزمایشگاه‌های پیشرفته معمولاً ترکیبی از کنجکاوی، آزمایش ایده‌های جدید، سازگاری با زیرساخت، درک جزئیات سیستم، عیب‌یابی سریع و توضیح ارزش نتایج برای جلب منابع بیشتر است. بسیاری از آموزش‌ها نباید منتظر بمانند تا عنوان «محقق» را به دست آورند.

این مقاله مشاوره شغلی ناامیدکننده‌ای را به جا نمی‌گذارد. هوش مصنوعی پاسخ‌های استاندارد، کدهای معمولی و وظایف قابل ارزیابی را ارزان‌تر کرده و همچنین به جوانان این امکان را می‌دهد که زودتر با مسائل واقعی مواجه شوند. فرصت‌ها هنوز وجود دارند، فقط روش‌های توزیع تغییر کرده است: هر کسی که بتواند مسائل مهم را پیدا کند، وارد محیط‌های با کیفیت بالا شود، شهرت قابل اعتماد جمع‌آوری کند و نتایج را به آخرین کیلومتر برساند، راحت‌تر می‌تواند به دور بعدی فرصت‌ها دست یابد.