دسته: هوش مصنوعی

مطالعات صنعتی نگاه‌های متناقضی درباره جستجوی هوش مصنوعی ارائه می‌دهند. ببینید چرا داده‌ها متفاوت هستند و چگونه می‌توانید تأثیر آن را بر سایت و بخش خود ارزیابی کنید.

پلتفرم‌های بزرگ سئو مانند Ahrefs و Semrush، به‌همراه آژانس‌هایی مثل Seer Interactive و سایر شرکت‌های پیشرو، مطالعات قابل‌توجهی منتشر کرده‌اند که به‌نظر می‌رسد پاسخ‌های قطعی ارائه می‌دهند.

اما نگاهی دقیق‌تر چیزی کاملاً متفاوت نشان می‌دهد: تقریباً هر روایت ممکن دربارهٔ تأثیر جستجوی هوش مصنوعی، «مطالعه‌ای» برای حمایت از خود دارد.

هر چه بیشتر به داده‌ها پرداختم، حقیقت ناخوشایندتری روشن شد – هیچ‌کس پاسخ قطعی ندارد و می‌توان ارقام را به‌گونه‌ای برش داد که تقریباً هر داستانی را تأیید کنند.

اجماع اصلی که واقعاً اجماع نیست

در نگاه اول، مطالعات بزرگ در اصول اساسی توافق دارند.

Ahrefs گزارش می‌دهد که نتایج ارگانیک برتر تقریباً ۳۴‑۳۴.۵٪ کلیک خود را از دست می‌دهند وقتی نمایش‌های هوش مصنوعی ظاهر می‌شوند. تحلیل آن‌ها بر پایه ۳۰۰,۰۰۰ کلمه کلیدی، این تأثیر را به‌صورت واضح و قابل‌سنجش نشان می‌دهد.

آن‌ها به پژوهشی اشاره می‌کنند که نرخ کلیک‌صفر تقریباً ۱۰۰٪ در حالت AI گوگل را نشان می‌دهد و این‌گونه جستجوی هوش مصنوعی را تهدیدی اساسی برای ترافیک وب‌سایت می‌داند.

با این حال، Semrush که بیش از ۱۰ میلیون کلمه کلیدی را تجزیه و تحلیل کرده است، چیزی متفاوت یافت: کاهش کمی در جستجوهای بدون کلیک پس از معرفی نمایش‌های هوش مصنوعی.

این مستقیماً با روایت این‌که ویژگی‌های هوش مصنوعی به‌طور اجتناب‌ناپذیر رفتار کلیک‌صفر را افزایش می‌دهند، در تضاد است.

به‌جای بحران، Semrush بر فرصت تأکید می‌کند و می‌گوید بازدیدکنندگان جستجوی هوش مصنوعی ۴.۴ برابر بازدیدکنندگان ارگانیک سنتی ارزشمندترند.

هیچ‌یک از آنها می‌تواند کاملاً درست باشد، اما هر دو با استناد آماری ارائه می‌شوند.

بحث نرخ تبدیل: ۵ مطالعه، ۵ پاسخ متفاوت

سربار سردرگمی زمانی بیشتر می‌شود که به بررسی نحوه تبدیل ترافیک جستجوی هوش مصنوعی نسبت به ترافیک ارگانیک سنتی گوگل می‌پردازیم.

در اینجا، پژوهش تقریباً به دلیل تناقض‌هایش خنده‌دار می‌شود.

• پژوهش Amsive که صدها وب‌سایت مشتری را تحلیل کرده، نتیجه گرفت که ChatGPT نرخ تبدیل بالاتری نسبت به گوگل دارد. این یافتهٔ «تفاوت» نشان می‌دهد که جستجوی هوش مصنوعی کاربران را با محتوای بالای قیف قبل از تبدیل آموزش می‌دهد و ارزش تجاری بالاتری دارد.

• مطالعه‌ای توسط Kaise و Schulze که بیش از ۹۷۳ وب‌سایت تجارت الکترونیک – گزارش شده توسط Search Engine Land – را بررسی کردند، به نتیجهٔ معکوس رسیدند: ChatGPT نرخ تبدیل کمتری نسبت به گوگل دارد. برای کسب‌وکارهای تجارت الکترونیک، این پژوهش نشان می‌دهد ترافیک جستجوی هوش مصنوعی کیفیت پایین‌تری دارد و احتمال کمتری برای تولید درآمد دارد.

• Ahrefs داده‌های تبدیل خود را بررسی کرد و دریافت که ChatGPT نرخ تبدیل بهتری نسبت به گوگل دارد. این با روایت کلی آن‌ها که جستجوی هوش مصنوعی ممکن است حجم ترافیک را کاهش دهد، اما کیفیت ترافیک را افزایش می‌دهد، هم‌راستا است.
• Seer Interactive داده‌های چندین وب‌سایت مشتری را تحلیل کرد و نیز به این نتیجه رسید که ChatGPT نرخ تبدیل بهتری نسبت به گوگل دارد، که تفسیر «کیفیت بر کمیت» را تأیید می‌کند.
• Peep Laja، بنیان‌گذار Wynter، داده‌های تبدیل شرکت خود را مرور کرد و به یک نتیجهٔ دیگر رسید: مدل‌های زبانی بزرگ «ترافیک تنبل و نامعتبر» می‌فرستند که به‌خوبی تبدیل نمی‌شود. تجربهٔ واقعی او از کسب‌وکار، تفاسیر خوش‌بینانه Ahrefs و Seer را به چالش می‌کشد.

پس کدام درست است؟

آیا ترافیک جستجوی هوش مصنوعی همانند گوگل، بهتر از گوگل یا بدتر از گوگل تبدیل می‌شود؟

به‌نظر می‌رسد پاسخ این است: همه موارد، بسته به این‌که چه داده‌ای را بررسی می‌کنید.

چرا هر روایت شواهد حمایتی دارد

وجود مطالعات معتبر که به نتایج متناقض می‌رسند، نشانگر پیچیدگی و تغییرپذیری تأثیر جستجوی هوش مصنوعی است.

چندین عامل توضیح می‌دهند که چرا نتایج پژوهش‌ها به‌این‌چنین اختلاف دارند.

صنعت و مدل کسب‌وکار نقش بسیار مهمی دارند

یافتهٔ Seer Interactive که نشان می‌دهد نمایش‌های هوش مصنوعی تأثیر نامتناسبی بر ترافیک غیربرندیک دارند، این نکته را روشن می‌کند.

یک سایت تجارت الکترونیک که کالاهای عمومی می‌فروشد، احتمالاً تجربهٔ جستجوی هوش مصنوعی متفاوتی نسبت به یک شرکت نرم‌افزاری B2B یا ارائه‌دهنده خدمات محلی دارد.

مطالعهٔ Kaise و Schulze که بر وب‌سایت‌های تجارت الکترونیک متمرکز بود، ممکن است واقعیتی کاملاً متفاوت نسبت به تحلیل Ahrefs از کسب‌وکار SaaS خود یا سبد مشتریان Seer به دست آورد.

قصد جستجو تنوع گسترده‌ای ایجاد می‌کند

کاربری که از ChatGPT می‌پرسد «بهترین کفش‌های دویدن برای پاهای صاف چیست؟»، ذهنیت بسیار متفاوتی نسبت به کسی دارد که همان سؤال را در گوگل می‌نویسد.

دومین ممکن است در مرحلهٔ پیشرفته‌تری از تحقیقات خرید باشد، که توضیح می‌دهد چرا برخی مطالعات نشان می‌دهند ترافیک هوش مصنوعی نرخ تبدیل کمتری دارد.

یا ممکن است کاربران با دقت بیشتری پرسش کنند که توضیح می‌دهد چرا برخی دیگر نتیجه می‌گیرند تبدیل بهتر است. هر دو می‌تواند برای انواع مختلف پرسش درست باشد.

دورهٔ زمانی و تغییرات هوش مصنوعی نتایج را منحرف می‌کند

این مطالعات در ماه‌های مختلف سال ۲۰۲۵ انجام شدند، در حالی که ویژگی‌های جستجوی هوش مصنوعی به‌سرعت در حال تحول بودند.

پذیرندگان اولیه ابزارهای جستجوی هوش مصنوعی ممکن است جمعیت‌شناسی متفاوتی نسبت به کاربران عمده داشته باشند.

یک مطالعهٔ ماه آوریل پایه کاربری و مجموعه ویژگی‌های متفاوتی نسبت به مطالعهٔ ماه نوامبر دارد.

اندازه‌نمونه و سوگیری انتخابی نتایج را تحریف می‌کند

صدها وب‌سایت مشتری Amsive، در مقایسه با بیش از ۹۰۰ سایت تجارت الکترونیک مورد بررسی در مطالعهٔ Kaise و Schulze، نمایانگر مقیاس داده‌ای و ترکیب صنعتی متفاوتی هستند.

Ahrefs که داده‌های تبدیل خود را تحلیل می‌کند، ممکن است اثرات انتخابی پتانسیلی ایجاد کند.

مخاطبان آن بیشتر سئوکاران هستند که ممکن است رفتار متفاوتی نسبت به مصرف‌کنندگان عمومی داشته باشند.

تجربهٔ تک‌شرکتی Laja با Wynter ممکن است نکته‌ای خاص برای کسب‌وکار او باشد و نه یک الگوی جهانی.

تعاریف سنجش استاندارد نشده‌اند

چی به‌عنوان «تبدیل» محسوب می‌شود، در میان مطالعات متفاوت است.

• آیا ما ثبت‌نام ایمیل، خرید، سرنخ‌های شایسته یا چیز دیگری را می‌سنجیم؟
• چگونه ترافیک را وقتی کاربر از چندین کانال استفاده می‌کند، انتساب می‌دهیم؟

این تفاوت‌های تعاریفی به تنهایی می‌توانند یافته‌های متناقض را توجیه کنند.

جدایی بزرگ در مقابل فرصت بزرگ

Ahrefs نتایج خود را تحت عنوان «جدایی بزرگ» (The Great Decoupling) چارچوب‌بندی می‌کند.

نمایش‌ها از طریق دوگانگی در نتایج ارگانیک و ارجاع‌های AI Overview افزایش می‌یابند، اما کلیک‌های کل کاهش می‌یابند.

این روایت بر از دست رفتن و آشفتگی تأکید می‌کند و جستجوی هوش مصنوعی را به‌عنوان بازی صفر‑جمع می‌داند، به طوری‌که گوگل ارزشی را که پیش از این بین وب‌سایت‌ها توزیع می‌شد، به خود اختصاص می‌دهد.

(به‌نظر می‌رسد جدایی بزرگ ناشی از ابزارهای هوش مصنوعی است که حجم عظیمی از نمایش‌ها را ارسال می‌کردند؛ همان‌طور که Brodie Clark در Search Console مشاهده کرد.)

Semrush این پدیده را از طریق چشم‌انداز فرصت مطرح می‌کند. بله، حجم کلیک‌ها تغییر می‌کند، اما بازدیدکنندگانی که کلیک می‌کنند، ارزش بیشتری دارند.

پیش‌بینی آن‌ها مبنی بر این‌که جستجوی هوش مصنوعی تا سال ۲۰۲۸ می‌تواند ارگانیک سنتی را پیشی بگیرد، این تحول را به‌عنوان تکامل ناگزیر می‌بیند که بازاریابان پیشرو باید آن را بپذیرند، نه که علیه آن مقاومت کنند.

هر دو سازمان به الگوهای داده‌ای مشابه نگاه می‌کنند اما روایت‌های کاملاً متفاوتی می‌سازند.

• Ahrefs بر کاهش ۳۴٪ کلیک تأکید می‌کند.
• Semrush بر افزایش ۴.۴ برابر ارزش بازدیدکنندگان تأکید می‌کند.

هیچ‌یک دروغ نمی‌گویند، اما داستان‌های بسیار متفاوتی تعریف می‌کنند.

مسئلهٔ ارجاع: انقلابی یا تدریجی؟

هر سه مطالعهٔ بزرگ تحقیق نشان می‌دهند که از رتبه‌بندی به ارجاع تغییر رخ داده است؛ ذکر شدن در پاسخ‌های تولیدشده توسط هوش مصنوعی به همان اندازه یا حتی بیشتر از موقعیت سنتی اهمیت دارد.

اما حتی در اینجا نیز تفسیرها متفاوت‌اند.

• داده‌های Ahrefs که نشان می‌دهند ۷۶٪ ارجاع‌های AI Overview از ۱۰ نتیجه برتر ارگانیک گوگل می‌آید، نشان می‌دهد این تغییر عمدتاً یک پیشرفت تدریجی است. اگر قبلاً به‌خوبی از طریق سئوی سنتی رتبه‌بندی شده‌اید، احتمالاً بیشتر ارجاع می‌شوید. سیستم موجود در بیشتر موارد دست‌نخورده باقی می‌ماند.
• با این حال، Semrush یادآور می‌شود که ابزارهای جستجوی هوش مصنوعی اغلب صفحات با رتبه پایین‌تر را ارجاع می‌دهند که نشان دهنده یک شکست انقلابی از سلسله‌مراتب رتبه‌بندی سنتی است.
• یافتهٔ Seer Interactive که نشان می‌دهد جستجوهای برندیک نسبت به غیربرندیک تأثیرات متفاوتی دارند، لایه‌ای دیگر به این معادله می‌افزاید. اقتصاد ارجاع ممکن است بسته به نوع پرسش به‌طور بنیادی متفاوت عمل کند.

آیا پدیدهٔ ارجاع تنظیم جزئی در روش‌های سئو موجود است یا تحول کلی؟

دوباره، یک مطالعه وجود دارد که هر روایت دلخواه شما را پشتیبانی می‌کند.

متغیر پنهان: آنچه هر پژوهشگر می‌خواهد درست باشد

قابل‌توجه است که هر سازمانی که این پژوهش را انجام می‌دهد، منافع تجاری دارد که ممکن است بر چارچوب‌بندی (framing) اثر بگذارد، حتی اگر روش‌شناسی را تغییر ندهد.

Ahrefs ابزارهای سئوی خود را می‌فروشد که عمدتاً بر بهینه‌سازی جستجوی سنتی تمرکز دارند.

روایت که بر مختل‌کردن و پیچیدگی تأکید دارد، نیاز به ابزارهای پیشرفته و تخصص را تقویت می‌کند.

پژوهش آن‌ها که کاهش کلیک‌ها و چالش سازگاری با جستجوی هوش مصنوعی را برجسته می‌کند، به مدل کسب‌وکارشان خدمت می‌کند.

Semrush یک پلتفرم جامع بازاریابی دیجیتال ارائه می‌دهد که شامل ابزارهای مبتنی بر هوش مصنوعی است.

روایتی که بر فرصت و تکامل تأکید دارد تا بحران، آن‌ها را به‌عنوان راهنمایان پیشرو برای آینده معرفی می‌کند. چارچوب خوشبینانهٔ آن‌ها دربارهٔ کیفیت بازدیدکنندگان هوش مصنوعی، موقعیت استراتژیکشان را تقویت می‌کند.

Seer Interactive به‌عنوان یک آژانس، از پیچیدگی‌ای که نیاز به راهنمایی متخصص دارد، بهره‌مند می‌شود.

یافته‌های دقیق آن‌ها دربارهٔ تأثیر برن‌برندیک در مقابل برندیک – و تفاوت‌ها در میان انواع مشتریان – ارزش مشاورهٔ استراتژیک سفارشی را نسبت به رویکردهای «یک‌چند‌حالت» تقویت می‌کند.

پژوهشگران به‌طور طبیعی تمایل دارند به تفسیری که با نگرش و مدل کسب‌وکار خود هم‌راستاست، گرایش داشته باشند.

واقعیت ویژه به‌ازای هر بخش

صادقانه‌ترین نتیجه‌گیری از بررسی تمام این پژوهش‌های متناقض این است که تأثیر جستجوی هوش مصنوعی به‌طور رادیکال به هر بخش خاص بستگی دارد.

پاسخ صحیح به سؤال «جستجوی هوش مصنوعی روی ترافیک و تبدیل‌ها چه تأثیری دارد» این است: «به‌شرایط بستگی دارد».

این به موارد زیر بستگی دارد:

• صنعت شما.
• مدل کسب‌وکار شما.
• آیا ترافیک شما برندیک است یا غیر‌برندیک.
• موقعیت مشتریان شما در مسیر خرید.
• نوع محتوای شما.
• جمعیت‌شناسی خاص و الگوهای رفتار مخاطبان شما.

یک سایت تجارت الکترونیک که کالاهای عمومی را از طریق محتوای اطلاعاتی می‌فروشد، ممکن است واقعاً سناریوی کابوس Ahrefs را تجربه کند: کاهش ۳۴٪ کلیک بدون افزایش کیفیت جبران‌کننده.

یک شرکت نرم‌افزاری B2B با شناخت برند قوی ممکن است همان‌طور که Semrush توصیف می‌کند، از فرصت بهره‌مند شود: بازدیدکنندگان کمتر اما با کیفیت بالاتر.

یک کسب‌وکار خدمات محلی ممکن است تأثیر جستجوی هوش مصنوعی را به‌طور کل تقریباً احساس نکند، به‌شرطی که مشتریان عمدتاً از جستجوهای برندیک استفاده کنند.

تجربهٔ Laja با Wynter که می‌گوید مدل‌های زبانی بزرگ «ترافیک تنبل و نامعتبر» می‌فرستند که به‌خرابی تبدیل می‌شود، ممکن است برای کسب‌وکار او که با مطالعات موردی دقیق، مشتریان B2B را تبدیل می‌کند، کاملاً دقیق باشد.

این به این معنا نیست که یافتهٔ Ahrefs مبنی بر اینکه ترافیک هوش مصنوعی آن‌ها به‌خوبی تبدیل می‌شود، نادرست است؛ چرا که آن‌ها در بخش‌های مختلف با مخاطبان متفاوت و محتوای گوناگون فعالیت می‌کنند.

توهم روش‌شناسی در مورد قطعیت

نمونه‌های بزرگ می‌توانند حس قطعیت نادرستی ایجاد کنند که شاید توجیه‌پذیر نباشد.

مطالعهٔ Kaise و Schulze که بیش از ۹۰۰ سایت تجارت الکترونیک را بررسی کرد، شبیه به‌نظر می‌رسد جامع و قطعی باشد.

اما ۹۰۰ سایت تجارت الکترونیک، هرچند تعداد زیادی هستند، باز هم نمایانگر یک بخش خاص با ویژگی‌های مشترک هستند.

یافته‌ها ممکن است برای تجارت الکترونیک کاملاً دقیق باشند اما برای خدمات B2B، نشر یا کسب‌وکارهای محلی به‌طور کامل نادرست باشند.

به‌صورت مشابه، تحلیل Ahrefs از ۳۰۰,۰۰۰ کلمه کلیدی و بررسی Semrush از ۱۰ میلیون کلمه کلیدی مقیاس چشمگیری ارائه می‌دهند، اما امکان وجود سوگیری‌های سیستماتیک را در موارد زیر حذف نمی‌کنند:

• چگونه کلمات کلیدی مورد مطالعه قرار گرفتند.
• چگونه اثرات سنجش شدند.
• متغیرهای مخدوش‌کننده‌ای که کنترل نشده‌اند.

اطمینانی که این مطالعات با درصدهای مشخص و نتایج قطعی ارائه می‌دهند، ممکن است بیش از آنچه داده‌ها نشان می‌دهند باشد.

چارچوب صادقانه‌تر باید عدم قطعیت و تغییرپذیری را بپذیرد، اما این امر داستانی جذاب برای بازاریابی یا رهبری فکری صنعت نیست.

چه معنایی برای سئوکاران و بازاریابان دارد

برای متخصصان سئو، بازاریابان و صاحبان وب‌سایتی که می‌خواهند بفهمند چه اتفاقی می‌افتد، پژوهش‌های متناقض یک چالش به حساب می‌آیند.

نمی‌توانید صرفاً به «داده‌ها» اعتماد کنید؛ زیرا داده‌ها بسته به این‌که چه کسی آن‌ها را تحلیل می‌کند و چه چیزی را می‌سنجد، داستان‌های متفاوتی می‌گویند.

دالان عملی این است که باید تحلیل خود را برای وضعیت خاص خود انجام دهید، نه اینکه به مطالعات صنعتی برای گفتن آنچه رخ می‌دهد تکیه کنید.

منابع ترافیک خود را به‌دقت پیگیری کنید. نرخ تبدیل را بر مبنای کانال اندازه‌گیری کنید. هم حجم و هم معیارهای کیفیت را زیرنظارت داشته باشید.

به‌ویژه رفتار ترافیک جستجوی هوش مصنوعی را برای کسب‌وکار خود بررسی کنید، نه اینکه به میانگین صنعتی تجمیعی بسنده کنید.

مطالعات فرضیاتی برای آزمون فراهم می‌کنند، نه نتایج قطعی که باید پذیرفت.

پاسخ به‌صورت خاص برای بخش شما خواهد بود و تنها راه برای شناخت آن، اندازه‌گیری دقیق داده‌های خودتان است.

مشکل انتخاب روایت

به‌محض ظهور مطالعات بیشتر در حوزه جستجوی هوش مصنوعی، یک الگوی واضح قابل‌مشاهده است: همین پدیده می‌تواند به‌طرزهای متفاوتی تفسیر شود.

بسته به نحوهٔ برش داده‌ها – بخش مورد مطالعه، دورهٔ زمانی تحلیل‌شده یا معیارهای مورد تأکید – پژوهش می‌تواند طیفی گسترده از نتایج درباره ترافیک، کیفیت و تأثیر کلی را پشتیبانی کند.

هر تفسیر می‌تواند به‌نظر داده‌محور و دقیق باشد، اما برداشت‌های استراتژیک اغلب در تضاد هستند.

این محیط باعث می‌شود سوگیری تأییدی به‌راحتی بروز کند.

تیم‌ها به‌طور طبیعی مطالعاتی را که با پیش‌فرض‌ها یا اهداف استراتژیک خود هم‌راستاست، ترجیح می‌دهند و به پژوهش‌هایی که جهت متفاوتی نشان می‌دهند، وزن کمتری می‌دهند.

نتیجه این است که گفت‌وگوی صنعتی به‌گونه‌ای است که بسیاری باور دارند «داده‌ها را دنبال می‌کنند»، اما داده‌های موجود می‌توانند روایت‌های متعددی را پشتیبانی کنند – و روایت انتخابی معمولاً بازتاب‌دهندهٔ اولویت‌ها و زمینه‌هاست نه حقیقتی مطلق و یک‌پارچه.

حقیقت دربارهٔ عدم قطعیت

صنایع سئو و بازاریابی دیجیتال بر وعدهٔ تصمیم‌گیری داده‌محور بنا شده‌اند.

ما اندازه‌گیری می‌کنیم، آزمون می‌گذاریم، بهینه‌سازی می‌کنیم و بازده سرمایه‌گذاری (ROI) را ثابت می‌کنیم.

وجود مطالعات بزرگ و به‌خوبی انجام‌شده که به نتایج متناقض می‌رسند، این چارچوب را به چالش می‌کشد.

این نشان می‌دهد که حتی با مجموعه‌های داده بزرگ و تحلیل‌های پیشرفته، درک پدیده‌های پیچیده و چندمتغیره مانند تأثیر جستجوی هوش مصنوعی ممکن است فراتر از توانایی‌های کنونی ما باشد.

سیستم‌ها بیش از حد پیچیده‌اند، متغیرها بیش از حد فراوان، بخش‌ها بیش از حد متمایز، و چشم‌انداز به‌سرعت در حال تحول است تا هر مطالعهٔ واحد بتواند حقیقت قطعی را به‌دست آورد.

این به این معنا نیست که پژوهش بی‌فایده است؛ برعکس.

مطالعاتی که Ahrefs، Semrush، Seer Interactive و دیگران ارائه می‌دهند، نقاط داده‌ای ارزشمند و چارچوب‌هایی برای تفکر دربارهٔ تأثیر جستجوی هوش مصنوعی فراهم می‌کنند.

اما آن‌ها نمی‌توانند اطمینان و پاسخ‌های کلی‌ و جهانی که بازاریابان نیاز دارند و به‌دنبال آن‌ها هستند، فراهم کنند.

گام‌های پیش‌رو بدون همخوانی نظرات

راه پیش‌رو نیاز به سطح سالمی از شک‌گرایی روش‌شناختی دارد.

وقتی یک مطالعه نتیجه می‌گیرد که جستجوی هوش مصنوعی کلیک‌ها را کاهش می‌دهد، تبدیل را بهبود می‌بخشد یا تأثیر قابل‌سنجشی کمی دارد، مفیدترین واکنش به‌ساده‌گی این است:

• «پژوهش جالبی است. فکر می‌کنم چه عواملی این نتیجه را شکل داده‌اند و آیا این نتایج برای وضعیت من نیز صادقند.»

به‌جای جستجوی یک مطالعهٔ حقیقی که تأثیر قطعی جستجوی هوش مصنوعی را نشان می‌دهد، کارشناسان باید:

• پذیرش خاصیت بخش‌بندی: تجربهٔ شما بسته به صنعت، مدل کسب‌وکار، نوع محتوا، مخاطب و متغیرهای دیگر متفاوت خواهد بود. نتایج کلی عمومی ارزش محدودی دارند.
• انجام اندازه‌گیری دقیق خود: منابع ترافیک جستجوی هوش مصنوعی را پیگیری کنید، نرخ تبدیل را بر مبنای کانال اندازه‌گیری کنید، هم حجم و هم معیارهای کیفیت را زیرنظارت داشته باشید و داده‌های خاص خود را برای هدایت استراتژی به کار ببرید.
• آزمون چندین فرضیه: به‌جای فرض اینکه Ahrefs یا Semrush درست‌اند، هر دو امکان را آزمایش کنید. بهینه‌سازی برای ارجاع‌های AI را انجام دهید، در حالی که نظارت می‌کنید آیا کیفیت ترافیک به اندازهٔ کافی بهبود می‌یابد تا کاهش حجم را جبران کند. پاسخ ممکن است برای انواع محتواهای مختلف در سایت شما متفاوت باشد.
• سؤال پرسیدن از روایت‌ها: وقتی پژوهش به‌طور کامل با منافع تجاری سازمانی که انجام می‌دهد هم‌راستاست، با شک‌گرایی سالم برخورد کنید. این به این معنا نیست که داده‌ها نادرستند، اما نحوهٔ چارچوب‌بندی و تأکید بر جنبه‌های خاص، اهمیت زیادی دارد.

با ابهام راحت باشید

حقیقت ناخوشایند است: حتی با وجود مطالعات چندگانهٔ مقیاس‌ بزرگ از شرکت‌های معتبر و پیشرو در صنعت، هنوز پاسخ واضحی دربارهٔ تأثیر جستجوی هوش مصنوعی نداریم.

ما نقاط داده‌ای، فرضیات، یافته‌های خاص به‌ازای هر بخش و روایت‌های تجاری داریم – نه نتایج قطعی.

مطالعه‌ای که «همه چیز را حل کند» وجود ندارد، زیرا مسئله بیش از حد پیچیده و متغیر است.

پژوهشگران می‌توانند شواهدی برای تقریباً هر ادعایی پیدا کنند، بسته به این‌که چه چیزی را اندازه‌گیری می‌کنند و چگونه آن را چارچوب‌بندی می‌کنند.

این به این معنا نیست که پژوهش بی‌فایده است یا همهٔ نتایج وزن یکسانی دارند.

به این معناست که زمینه اهمیت دارد، تنوع میان بخش‌ها طبیعی است و تواضع فکری بر قطعیت نادرست ساخته‌شده بر پایهٔ پژوهش‌های منتخب برتر می‌غلبند.

صرف‌نظر از روایت – بحران یا فرصت، اختلال یا تحول – همیشه می‌توان پژوهشی یافت که از آن پشتیبانی کند.

مسیر هوشمندانه این است که نتایج را به‌خفیف بپذیریم، آزمایش‌های خودمان را انجام دهیم و در برابر تغییرات مستمر صنعت انعطاف‌پذیر بمانیم.

کاش آن‌ها فقط روباتیک بودند! اما در عوض، چت‌بات‌ها صدایی متمایز — و خراشان — به دست آورده‌اند.

در زمزمه‌ی آرام عصر دیجیتالمان، صدای جدیدی ادبی به گوش می‌رسد. می‌توانید این سبک خاص را در همه‌جا ببینید — از صفحات رمان‌های پرفروش تا ستون‌های روزنامه‌های محلی، حتی در متن منوهای سفارش غذا. با این حال، نویسنده انسان نیست، بلکه شبحی است — نجوا‌ای که از الگوریتم بافته شده و ساختاری از کد. متون تولیدشده توسط هوش مصنوعی، که روزی پژواکی دور از رویاهای علمی‑تخیلی بود، اکنون در همه‌جا است — به‌صورت بسته‌بندی منظم، موقتاً مورد ستایش قرار می‌گیرد و به‌صورت بی‌پایان بازیافت می‌شود. این فقط یک سیلاب نیست — بلکه یک جریان فراگیر است. اما صدای این نویسنده چیزی ناآرام‌کننده دارد. هر جمله می‌خواند، بله، اما صادقانه بگویم؟ کمی خسته‌کننده است. این متن نه بافت تجربه انسانی را می‌گشاید — بلکه طوری خوانده می‌شود که گویی توسط فردی منزوی با وای‑فای و یک فرهنگ لغت نغنچه‌نویس نوشته شده است. نه حسی، نه واقعی، فقط … وجود دارد. و همان‌طور که نوشتن توسط هوش مصنوعی فراگیرتر می‌شود، سؤال مهم‌تری برانگیخته می‌شود — خلاقیت، اصالت یا صرفاً انسان بودن چه معنایی می‌گیرند وقتی که بسیاری ترجیح می‌دهند به نوشتار عجیب و غریب ماشین غوطه‌ور شوند؟

اگر از من شبیه باشید، از خواندن آن پاراگراف لذت نخواهید برد. تمام جزئیات آن حس هشداری را در من بیدار می‌کند: اینجا چیزی اشتباه است؛ این متن آنچه ادعا می‌کند نیست. این یکی از آن‌ها است. کلمات کاملاً عادی، مانند «تَپِستری»، که بیش از ۵۰۰ سال به‌سادگی نوعی فرش عمودی را توصیف می‌کرد، ناگهان مرا تحت فشار می‌گذارند. هر جمله‌ای که از الگوی «نه X، بلکه Y» پیروی کند، من را به نقطه‌ای می‌رساند که به عصبانی‌ترین حد می‌رساند، حتی اگر این ساختار کاملاً معمولی در آثار ادبی بسیار محترمی همچون کتاب مقدس و شکسپیر هم ظاهر شود. اما این نکات کوچک زبانی که قبلاً معنای خاصی داشتند، اکنون دیگر همان معنا را ندارند. همه اینها الآن نشانه‌های واضحی هستند که نشان می‌دهند آنچه می‌خوانید توسط هوش مصنوعی تولید شده است.

زمانی که نویسندگان فراوان و سبک‌های متفاوتی وجود داشتند. اکنون، به‌تدریج، یک نویسنده ناشناس تقریباً تمام چیزها را می‌نویسد. گمان می‌شود که این نویسنده تقریباً تمام مقالات دانشجویان مقطع کارشناسی در تمام دانشگاه‌های جهان را می‌نویسد و دلیلی وجود ندارد که بگویم شاخه‌های معتبرتر نوشتار از این پدیده مصونند. سال گذشته، یک نظرسنجی توسط جامعه‌ی نویسندگان بریتانیا نشان داد که ۲۰ درصد از نویسندگان داستانی و ۲۵ درصد از نویسندگان علمی‑غیر‑داستانی اجازه می‌دادند هوش مصنوعی تولیدی بخشی از کارشان را انجام دهد. مقاله‌های پر از مطالب عجیب و نادرست که به‌نظر می‌رسید توسط هوش مصنوعی تولید شده‌اند، در Business Insider، Wired و The Chicago Sun‑Times کشف شده‌اند، اما احتمالاً صدها، اگر نه هزاران مقاله دیگر نیز به‌طور ناشناخته باقی مانده‌اند.

به‌زودی، تقریباً تمام نوشتار ممکن است نوشتار هوش مصنوعی باشد. در شبکه‌های اجتماعی، این امر قبلاً رخ داده است. اینستاگرام یک هوش مصنوعی یکپارچه در سیستم نظرات خود پیاده‌سازی کرده است: به‌جای گذاشتن یادداشت عجیب‌خودتان بر روی سلفی یک غریبه، به هوش مصنوعی متا اجازه می‌دهید افکار شما را به زبان خود ترجمه کند. این می‌تواند «خنده‌دار»، «حمایتی»، «غیررسمی»، «غیرمعقول» یا «اموجی» باشد. در حالت «غیرمعقول»، به‌جای گفتن «خوب به‌نظر می‌رسی»، می‌توانم بگویم «آن‌قدر تیز هستی که من خودم را بر روی طراوت تو خراشیدم». تقریباً تمام سرویس‌های ایمیل بزرگ اکنون خدمات مشابهی ارائه می‌دهند. پیام پراکنده‌تان می‌تواند به‌سرعت به زبان روان هوش مصنوعی ترجمه شود.

اگر تصمیم بگیریم تمام ارتباطات را به نويسنده‌ی همه‌جانبه (Omniwriter) بسپاریم، نوع نویسنده مهم می‌شود. به طرز عجیبی، هوش مصنوعی به نظر نمی‌رسد این را بداند. اگر از چت‌جی‌پی‌تی بپرسید سبک نوشتاری خودش چگونه است، به‌ظاهر با تواضع کاذب می‌گوید نوشتارش زیبا و دقیق است اما به‌گونه‌ای خالی است: بیش از حد تمیز، بیش از حد کارآمد، بیش از حد خنثی، بیش از حد کامل، بدون هیچ‌یک از نقص‌های ظریف که نوشتار انسانی را جالب می‌کند. در واقع، این اصلاً درست نیست. نوشتار هوش مصنوعی با مجموعه‌ای از ویژگی‌های بلاغی به‌طرزی عجیب و غریب مشخص می‌شود که آن را بلافاصله برای هر کسی که تا به حال با آن مواجه شده، متمایز می‌سازد. این اصلاً صاف یا خنثی نیست — بلکه عجیب است.

هوش مصنوعی چگونه روش کاری ما را تغییر می‌دهد؟ پژوهش قبلی ما درباره‌ٔ تأثیرات اقتصادی هوش مصنوعی به‌صورت کلی به‌‌سر بازار کار پرداخت و طیف وسیعی از مشاغل را در بر می‌گرفت. اما اگر برخی از اولین پذیرندگان فناوری هوش مصنوعی را به‌جزییات بیشتری بررسی کنیم — یعنی خودمان — چه می‌شود؟

با نگاه به درون، در آگوست ۲۰۲۵ ما از ۱۳۲ مهندس و پژوهشگر Anthropic نظرسنجی کردیم، ۵۳ مصاحبهٔ کیفی عمیق انجام دادیم و داده‌های استفادهٔ داخلی Claude Code را بررسی کردیم تا بفهمیم استفادهٔ هوش مصنوعی چگونه در Anthropic تغییر می‌آورد. دریافت کردیم که استفاده از هوش مصنوعی به‌طور اساسی ماهیت کار برنامه‌نویسان نرم‌افزار را تغییر می‌دهد و هم امید و هم نگرانی ایجاد می‌کند.

تحقیق ما محیط کاری را که تحت تحول‌های چشم‌گیر قرار دارد، نشان می‌دهد: مهندسان کارهای بسیار بیشتری انجام می‌دهند، به‌صورت «فول‑استاک» (قادر به موفقیت در وظایفی فراتر از تخصص معمول خود) می‌شوند، سرعت یادگیری و تکرار خود را سرعت می‌بخشند و به وظایفی که پیش‌تر نادیده گرفته می‌شدند می‌پردازند. این گسترش دامنه باعث می‌شود افراد دربارهٔ تعادلات فکر کنند — برخی نگران این هستند که ممکن است به‌دلیل این پیشرفت، توانایی فنی عمیق‌تری را از دست بدهند، یا توانایی نظارت مؤثر بر خروجی‌های Claude را کم کنند، در حالی که دیگران این فرصت را برای تفکر گسترده‌تر و در سطوح بالاتر می‌پذیرند. برخی دریافتند که همکاری بیشتر با هوش مصنوعی به‌معنی همکاری کمتر با همکاران است؛ برخی دیگر تعجب می‌کنند که آیا ممکن است در نهایت خودشان را از شغل حذف کنند.

ما می‌پذیریم که مطالعهٔ تأثیر هوش مصنوعی در شرکتی که خود هوش مصنوعی می‌سازد، نشانگر موقعیتی متمایز است — مهندسان ما دسترسی زودهنگام به ابزارهای پیشرفته دارند، در حوزه‌ای نسبتاً پایدار کار می‌کنند، و خودشان در تحول هوش مصنوعی ای که سایر صنایع را تحت تأثیر قرار می‌دهد، مشارکت می‌کنند. با وجود این، احساس کردیم که به‌طور کلی مفید است این نتایج را پژوهش و منتشر کنیم، زیرا آنچه داخل Anthropic برای مهندسان رخ می‌دهد ممکن است پیش‌نماینده‌ای آموزنده برای تحول گسترده‌تری در جامعه باشد. نتایج ما چالش‌ها و ملاحظاتی را نشان می‌دهد که ممکن است نیاز به توجه زودهنگام در بخش‌های مختلف داشته باشد (اگرچه برای نکات محدودیت‌ها بخش «محدودیت‌ها» در پیوست را ببینید). در زمان جمع‌آوری این داده‌ها، Claude Sonnet 4 و Claude Opus 4 قدرتمندترین مدل‌های موجود بودند و توانایی‌ها همچنان پیشرفت می‌کنند.

هوش مصنوعی پیشرفته‌تر مزایای بهره‌وری را به همراه دارد، اما در عین حال سؤالاتی دربارهٔ حفظ تخصص فنی، حفظ همکاری معنادار و آمادگی برای آینده‌ای نامطمئن که شاید به‌رویکردهای جدیدی برای یادگیری، راهنمایی و توسعهٔ شغلی در محیط کاری تقویت‌شده با هوش مصنوعی نیاز داشته باشد، برمی‌انگیزد. ما برخی گام‌های اولیه‌ای را که برای بررسی این سؤالات به‌صورت داخلی اتخاذ می‌کنیم در بخش «نگاهی به آینده» زیر بحث می‌کنیم. همچنین در پست اخیر وبلاگمان به ایده‌های سیاست‌گذاری اقتصادی مرتبط با هوش مصنوعی، به‌بررسی واکنش‌های سیاسی ممکن پرداخته‌ایم.

نتایج کلیدی

در این بخش، به‌طور خلاصه نتایج نظرسنجی، مصاحبه‌ها و داده‌های Claude Code را مرور می‌کنیم. جزئیات، روش‌ها و نکات محدودیت‌ها در بخش‌های بعدی ارائه می‌شود.

داده‌های نظرسنجی

1. مهندسان و پژوهشگران Anthropic بیشترین استفاده را از Claude برای رفع خطاهای کد و یادگیری دربارهٔ پایگاه کد دارند. اشکال‌زدایی و درک کد، رایج‌ترین کاربردها هستند (شکل ۱).
2. افراد گزارش می‌دهند که استفاده از Claude و بهره‌وری خود را افزایش داده‌اند. کارکنان خود گزارش می‌کنند که در ۶۰٪ کارهای خود از Claude استفاده می‌کنند و بهره‌وری را به‌مقدار ۵۰٪ ارتقا می‌دهند؛ یعنی نسبت به سال گذشته ۲‑۳ برابر افزایش دارد. این بهره‌وری نشان می‌دهد زمان صرف‌شده در هر دستهٔ کار کمی کمتر است، اما حجم خروجی به‌مراتب بیشتر می‌شود (شکل ۲).
3. ۲۷٪ از کارهای همراه با Claude شامل وظایفی هستند که در غیر این صورت انجام نمی‌شدند، مانند گسترش پروژه‌ها، ساخت ابزارهای «nice‑to‑have» (مثلاً داشبوردهای دادهٔ تعاملی) و کارهای اکتشافی که اگر به‌صورت دستی انجام شوند، هزینه‌کارآمدی ندارند.
4. بیشتر کارکنان به‌طور مکرر از Claude استفاده می‌کنند و گزارش می‌دهند که می‌توانند «به‌طور کامل» تنها ۰‑۲۰٪ کار خود را به آن واگذار کنند. Claude یک همکار ثابت است، اما استفاده از آن معمولاً شامل نظارت فعال و اعتبارسنجی است، به‌ویژه در کارهای حساس — در مقابل واگذاری وظایفی که نیازی به تأیید ندارند.

مصاحبه‌های کیفی

1. کارمندان در حال توسعهٔ حس درک برای واگذاری هوش مصنوعی هستند. مهندسان تمایل دارند وظایفی را واگذار کنند که به‌راحتی قابل تأیید هستند، جایی که می‌توانند «به‌طور نسبتاً آسان صحت آن را سنجش کنند»، با ریسک کم (مثلاً «کدهای آزمایشی یا پژوهشی فوری») یا خسته‌کننده («هر‌چه بیشتر مشتاق انجام وظیفه باشد، کمتر احتمال دارد از Claude استفاده کند»). بسیاری توالی اعتمادی را توصیف می‌کنند؛ ابتدا با وظایف ساده شروع می‌کنند و به‌تدریج کارهای پیچیده‌تر را واگذار می‌نمایند — در حالی که هنوز بیشتر وظایف طراحی یا «سلیقه» را خودشان حفظ می‌کنند، این مرز در حال بازنگری است با بهبود مدل‌ها.
2. مجموعه مهارت‌ها به حوزه‌های بیشتری گسترش می‌یابد، اما برخی کمتر تمرین می‌کنند. Claude به افراد اجازه می‌دهد مهارت‌های خود را به حوزه‌های بیشتری در مهندسی نرم‌افزار گسترش دهند (مثلاً «من می‌توانم به‌خوبی در فرانت‌اند یا پایگاه‌ داده‌های تراکنشی کار کنم… در حالی که پیش از این از دست زدن به این موارد می‌ترسیدم»)، اما برخی کارمندان به‌طور متناقض نگران انقباض مهارت‌های عمیق‌‌تری هستند که برای نوشتن و نقد کد لازم است — «وقتی تولید خروجی این‌چند آسان و سریع است، سخت‌تر می‌شود که واقعاً زمان بگذاریم تا چیزی یاد بگیریم.»
3. تغییر رابطه با هنر کدنویسی. برخی مهندسان کمک هوش مصنوعی را می‌پذیرند و بر نتایج تمرکز می‌کنند («فکر می‌کردم واقعاً از نوشتن کد لذت می‌برم، اما به‌جای آن فقط از خروجی‌های تولیدی نوشتن کد لذت می‌برم»)؛ دیگران می‌گویند «قطعاً برخی بخش‌های نوشتن کد را از دست می‌دهم.»
4. دینامیک‌های اجتماعی در محل کار ممکن است در حال تغییر باشند. Claude اکنون اولین نقطهٔ مراجعه برای پرسش‌هایی است که پیش‌تر به همکاران می‌رفت — برخی گزارش می‌دهند فرصت‌های راهنمایی و همکاری کمتر شده است؛ («من دوست دارم با افراد کار کنم و غم‌انگیز است که الآن کمتر به آن‌ها نیاز دارم… افراد جوان‌تر کمتر برای من سؤال می‌آورند.»)
5. تحول شغلی و عدم قطعیت. مهندسان گزارش می‌دهند که به سمت کارهای سطح بالاتر مدیریت سیستم‌های هوش مصنوعی حرکت می‌کنند و بهره‌وری قابل‌توجهی را تجربه می‌کنند. اما این تغییرات سؤالاتی دربارهٔ مسیر طولانی‌مدت مهندسی نرم‌افزار به‌عنوان یک حرفه ایجاد می‌کند. برخی احساسات متضادی دربارهٔ آینده بیان می‌کنند: «در کوتاه‌مدت خوش‌بین هستم، اما در بلندمدت فکر می‌کنم هوش مصنوعی همه‌چیز را انجام خواهد داد و من و بسیاری دیگر را بی‌ارزش می‌کند.» دیگران بر عدم قطعیت واقعی تأکید می‌کنند و می‌گویند فقط «سخت است بگویم» نقش‌هایشان در آینده چگونه خواهد بود.

روندهای استفاده از Claude Code

1. Claude به‌صورت خودکار به‌تدریج وظایف پیچیده‌تری را بر عهده می‌گیرد. شش ماه پیش، Claude Code حدود ۱۰ عمل را به‌تنهایی انجام می‌داد پیش از آن که به ورودی انسانی نیاز داشته باشد. اکنون عموماً حدود ۲۰ عمل را به‌صورت خودکار انجام می‌دهد و برای تکمیل جریان‌های کاری پیچیده‌تر نیاز به هدایت انسانی کمتر دارد (شکل ۳). مهندسان به‌طور فزاینده‌ای از Claude برای وظایف پیچیده‌ای مثل طراحی/برنامه‌ریزی کد (از ۱٪ به ۱۰٪ استفاده) و پیاده‌سازی ویژگی‌های جدید (از ۱۴٪ به ۳۷٪) (شکل ۴) استفاده می‌کنند.
2. Claude بسیاری از «نقاط دردسود» را برطرف می‌کند. ۸.۶٪ از وظایف Claude Code شامل اصلاح مشکلات جزئی است که کیفیت زندگی کاری را بهبود می‌بخشد، مانند بازنگری کد برای قابلیت نگهداری (یعنی «برطرف کردن نقاط دردسود») که معمولاً به‌طور پیش‌فرض عقب‌نشینی می‌شود. این اصلاحات کوچک می‌توانند به‌صورت تجمیعی منجر به مزایای بزرگ‌تری در بهره‌وری و کارایی شوند.
3. همه در حال تبدیل به «فول‑استاک» بیشتر هستند. تیم‌های مختلف از Claude به‌روش‌های متفاوتی استفاده می‌کنند، معمولاً برای تقویت تخصص اصلی خود — تیم امنیت از آن برای تجزیه و تحلیل کدهای ناآشنا استفاده می‌کند، تیم هم‌سویی و ایمنی از آن برای ساخت تجسم‌های فرانت‑اند داده‌های خود بهره می‌برد، و غیره (شکل ۵).

داده‌های نظرسنجی

ما ۱۳۲ مهندس و پژوهشگر Anthropic را از سراسر سازمان دربارهٔ استفادهٔ آن‌ها از Claude نظرسنجی کردیم تا بهتر بفهمیم دقیقاً چگونه روزانه از آن استفاده می‌کنند. نظرسنجی را از طریق کانال‌های ارتباط داخلی و تماس مستقیم با کارمندان در تیم‌های متنوع که نمایندهٔ عملکردهای پژوهش و محصول بودند، توزیع کردیم. بخشی از محدودیت‌ها را در پیوست با جزئیات روش‌شناسی بیشتر گنجانده‌ایم و سؤالات نظرسنجی را به اشتراک می‌گذاریم تا دیگران بتوانند رویکرد ما را ارزیابی کرده و برای پژوهش خود سفارشی سازند.

کدام وظایف کدنویسی افراد از Claude استفاده می‌کنند؟

از مهندسان و پژوهشگرانی که نظرسنجی کردیم خواستیم تا میزان استفادهٔ خود از Claude برای انواع مختلف وظایف کدنویسی را ارزیابی کنند، مانند «اشکال‌زدایی» (استفاده از Claude برای کمک به رفع خطاهای کد)، «درک کد» (درخواست از Claude برای توضیح کد موجود به‌منظور کمک به کاربر انسانی در درک پایگاه کد)، «بازنگری» (استفاده از Claude برای کمک به بازآرایی کد موجود) و «داده‌کاوی» (مثلاً درخواست از Claude برای تجزیه و تحلیل مجموعه داده‌ها و رسم نمودارهای میله‌ای).

در ادامه رایج‌ترین وظایف روزانه آورده شده است. بیشترین کارمندان (۵۵٪) Claude را روزانه برای اشکال‌زدایی استفاده می‌کردند. ۴۲٪ Claude را هر روز برای درک کد به‌کار می‌بردند و ۳۷٪ Claude را هر روز برای پیاده‌سازی ویژگی‌های جدید به‌کار می‌بستند. وظایف کمتر مکرر شامل طراحی/برنامه‌ریزی سطح بالا (احتمالاً چون این‌ها وظایفی هستند که مردم تمایل دارند در دست انسان بمانند) و همچنین داده‌کاوی و توسعه فرانت‑اند (احتمالاً چون این‌ها به‌طور کلی وظایف کمتر رایجی هستند). این تقریباً با توزیع داده‌های استفاده از Claude Code که در بخش «روندهای استفاده از Claude Code» گزارش شده هم‌راستا است.

استفاده و بهره‌وری

کارمندان خود گزارش می‌دهند که ۱۲ ماه پیش در ۲۸٪ کارهای روزانه خود از Claude استفاده می‌کردند و بهره‌وری خود را به‌مقدار +۲۰٪ ارتقا می‌دادند، در حالی که اکنون در ۵۹٪ کارهای خود از Claude بهره می‌برند و به‌طور متوسط +۵۰٪ افزایش بهره‌وری کسب می‌کنند. (این تقریباً با افزایش ۶۷٪ در درخواست‌های ادغام شده (pull‑request) که نشان‌دهنده‌ی تغییرات موفقیت‌آمیز به کد است — به‌ازای هر مهندس در روز — وقتی Claude Code را در کل سازمان مهندسی خود اجرا کردیم، مطابقت دارد.) مقایسهٔ سال‑به‑سال بسیار چشم‌گیر است — این نشان می‌دهد که هر دو شاخص بیش از ۲ برابر در یک سال افزایش یافته‌اند. استفاده و بهره‌وری نیز به‌شدت همبستگی دارند و در انتهای توزیع، ۱۴٪ از پاسخ‌دهندگان گزارش می‌کنند که با استفاده از Claude بهره‌وری خود را بیش از ۱۰۰٪ افزایش داده‌اند — این‌ها «کاربران پیشرفته» داخلی ما هستند.

برای هشدار به این یافته (و سایر یافته‌های خودگزارش بهره‌وری در ادامه)، دقیقاً اندازه‌گیری بهره‌وری دشوار است (برای جزئیات بیشتر به پیوست مراجعه کنید). پژوهش اخیر METR، یک مؤسسه تحقیقاتی غیرانتفاعی در حوزهٔ هوش مصنوعی، نشان داد که توسعه‌دهندگان باتجربه که با هوش مصنوعی بر روی کدهای آشنای زیاد کار می‌کنند، بهره‌وری خود را بیش از حد برآورد می‌کنند. با این حال، عواملی که METR به‌عنوان عوامل منجر به بهره‌وری کمتر از انتظار شناسایی کرده است (مانند عملکرد ضعیف هوش مصنوعی در محیط‌های بزرگ و پیچیده، یا جایی که دانش ضمنی/زمینهٔ زیادی لازم است) دقیقاً با وظایفی که کارمندان ما گزارش می‌دهند «به Claude واگذار نمی‌کنند» (نگاه به رویکردهای واگذاری هوش مصنوعی، زیر) هم‌راستا است. بهره‌وری ما، که به‌صورت خودگزارش‌شده در کل کارها است، ممکن است نشان‌دهندهٔ توسعهٔ مهارت‌های استراتژیک واگذاری هوش مصنوعی باشد — چیزی که در مطالعهٔ METR در نظر گرفته نشده است.

الگوی جالب بهره‌وری زمانی ظاهر می‌شود که از کارمندان پرسیده می‌شود، برای دسته‌های کاری که در حال حاضر از Claude استفاده می‌کنند، این ابزار چه تأثیری بر زمان کلی صرف‌شده و حجم خروجی کار در آن دسته دارد. در تقریباً تمام دسته‌های کاری، ما کاهش خالص زمان صرف‌شده را می‌بینیم و افزایش خالص بزرگ‌تری در حجم خروجی مشاهده می‌شود:

اما وقتی داده‌های خام را عمیق‌تر بررسی می‌کنیم، می‌بینیم که پاسخ‌های صرف‌وقت در دو سر مخالف متمرکز می‌شوند — برخی افراد زمان بیشتری را برای وظایفی که با Claude همراه‌اند صرف می‌کنند.

چرا این‌گونه است؟ افراد عموماً توضیح می‌دهند که برای اشکال‌زدایی و پاک‌سازی کدهای Claude (مثلاً «وقتی خودم کد را به‌یک گوشه می‌برم») زمان بیشتری نیاز دارند و بار شناختی بیشتری برای درک کد Claude می‌پذیرند چون خودشان آن را ننوشته‌اند. برخی گفتند زمان بیشتری را برای وظایفی صرف می‌کنند که به‌نوعی توانمندساز هستند — یکی گفت استفاده از Claude به او کمک می‌کند «بر روی وظایفی که قبلاً فوراً رها می‌کردم، پافشاری کنم»؛ دیگری گفت این ابزار به او کمک می‌کند تست‌های دقیق‌تری انجام دهد و همچنین در پایگاه‌های کد جدید بیشتر یاد بگیرد و کاوش کند. به‌نظر می‌رسد مهندسانی که صرف‌وقت را تجربه می‌کنند، وظایفی را انتخاب می‌کنند که به‌سرعت قابل‌تایید برای Claude باشند، در حالی که کسانی که زمان بیشتری صرف می‌کنند، ممکن است در حال اشکال‌زدایی کدهای تولیدشده توسط هوش مصنوعی یا کار در حوزه‌هایی باشند که Claude به راهنمایی بیشتری نیاز دارد.

همچنین واضح نیست که صرف‌وقت گزارش‌شده به کجا سرمایه‌گذاری می‌شود — آیا به وظایف مهندسی اضافه، وظایف غیرمهندسی، تعامل با Claude یا بازبینی خروجی‌های آن، یا فعالیت‌های خارج از کار اختصاص می‌یابد. چارچوب طبقه‌بندی کار ما تمام راه‌های تخصیص زمان مهندسان را در بر نمی‌گیرد. علاوه بر این، صرف‌وقت ممکن است از تعصبات ادراکی در خودگزارش‌ها ناشی شود. پژوهش بیشتر برای تفکیک این اثرها لازم است.

افزایش حجم خروجی واضح‌تر و چشمگیرتر است؛ افزایش خالص بزرگ‌تری در تمام دسته‌های کاری مشاهده می‌شود. این الگو منطقی است وقتی در نظر می‌گیریم افراد دربارهٔ دسته‌های کاری (مانند «اشکال‌زدایی» به‌صورت کلی) گزارش می‌دهند، نه دربارهٔ وظایف منفرد — یعنی افراد می‌توانند زمان کمی کمتر را در دستهٔ اشکال‌زدایی صرف کنند در حالی که خروجی کلی اشکال‌زدایی را به‌مراتب بیشتر تولید می‌کنند. اندازه‌گیری مستقیم بهره‌وری بسیار دشوار است، اما این داده‌های خودگزارش نشان می‌دهد که هوش مصنوعی در Anthropic عمدتاً از طریق افزایش حجم خروجی بهره‌وری را ارتقا می‌دهد.

Claude، کارهای جدید را امکان‌پذیر می‌کند

یکی از سؤال‌هایی که کنجکاو شدیم: آیا Claude کارهای جدیدی را به‌صورت کیفی امکان‌پذیر می‌کند، یا کارهای مبتنی بر Claude در نهایت توسط کارمندان انجام می‌شد (اگرچه شاید با سرعت کمتری)؟

مردم تمایل دارند مدل‌های فوق‌قابلیت‌دار را شبیه یک نمونهٔ واحد ببینند، همانند دریافت یک ماشین سریع‌تر. اما داشتن یک میلیون اسب … به شما امکان می‌دهد ایده‌های متعددی را آزمایش کنید … این هیجان‌انگیز و خلاق‌تر است که دامنهٔ بیشتری برای کشف داشته باشید.

همان‌طور که در بخش‌های بعدی خواهیم دید، این کار جدید اغلب شامل مهندسانی است که به‌سراغ وظایفی خارج از تخصص اصلی خود می‌روند.

چقدر کار می‌تواند به‌طور کامل به Claude واگذار شود؟

اگرچه مهندسان به‌طور مکرر از Claude استفاده می‌کنند، بیش از نیمی گفتند که می‌توانند «به‌طور کامل» تنها ۰‑۲۰٪ از کارهای خود را به Claude واگذار کنند. (شایان ذکر است که تفسیر «به‌طور کامل واگذار» می‌تواند از وظایفی که بدون هیچ‌گونه تأیید هستند تا وظایفی که فقط به نظارت سبک نیاز دارند، متفاوت باشد.) در توضیح دلایل، مهندسان کار فعال و تکراری با Claude را توصیف کردند و خروجی‌های آن را تأیید می‌کردند — به‌ویژه برای وظایف پیچیده یا حوزه‌های حساس که استانداردهای کیفیت کد مهم هستند — در مقابل واگذاری وظایفی که نیازی به تأیید ندارند.

مصاحبه‌های کیفی

در حالی که این نتایج نظرسنجی نشان‌دهندهٔ بهره‌وری قابل‌توجه و تغییر الگوهای کاری است، سؤالاتی دربارهٔ تجربهٔ مهندسان از این تغییرات روزانه به‌وجود می‌آید. برای درک بعد انسانی این معیارها، ما مصاحبه‌های عمیق را با ۵۳ مهندس و پژوهشگر Anthropic که به نظرسنجی پاسخ دادند، انجام دادیم تا بینش بیشتری دربارهٔ نحوهٔ تفکر و احساس آن‌ها نسبت به این تغییرات در محل کار به‌دست آوریم.

رویکردهای واگذاری هوش مصنوعی

مهندسان و پژوهشگران در حال توسعهٔ استراتژی‌های مختلفی برای بهره‌برداری مؤثر از Claude در جریان کاری خود هستند. افراد عموماً وظایفی را واگذار می‌کنند که:

خارج از زمینهٔ کاربر و پیچیدگی کم: «من Claude را برای چیزهایی استفاده می‌کنم که زمینهٔ کم دارم، اما فکر می‌کنم پیچیدگی کلی هم کم است.» «اکثریت مشکلات زیرساختی که دارم، دشوار نیستند و می‌توانند توسط Claude حل شوند… من در Git یا Linux مهارت کافی ندارم… Claude کاری عالی برای جبران کمبود تجربهٔ من در این حوزه‌ها انجام می‌دهد.»

قابل تأیید آسان: «این به‌طور مطلق شگفت‌انگیز است برای همه چیزهایی که تلاش اعتبارسنجی نسبت به ایجاد کمتر است.»

به‌وضوح تعریف‌شده یا خودمحدود: «اگر یک زیرمجموعه از پروژه به‌طور کافی از بقیه جدا باشد، من Claude را برای امتحان کردن می‌سپارم.»

کیفیت کد اهمیت چندانی ندارد: «اگر کد آزمایشی یا پژوهشی باشد، مستقیم به Claude می‌سپارم. اگر…

آزمون‌های جدید تجربه کاربری نشان می‌دهند که حالت هوش مصنوعی کلیک‌های با ارزش را حذف نمی‌کند. کاربران همچنان هنگام انتخاب پزشک، دندانپزشک و سایر خدمات، به وب‌سایت‌ها سر می‌زنند.

داستان سئو در حال حاضر ساده است: حالت هوش مصنوعی گوگل ترافیکی ارسال نمی‌کند. اگر این حالت به تجربه پیش‌فرض جست‌وجوی گوگل تبدیل شود، وب‌سایت شما از کلیک‌ها گرسنه می‌شود.

با این حال یک مشکل وجود دارد: مطالعاتی که ادعا می‌کنند «هوش مصنوعی ترافیک نمی‌فرستد» تقریباً تماماً بر پرس‌وجوهای اطلاعاتی تمرکز دارند.

بله، اگر کسی بخواهد بداند کارسین‌وم سلول بازال به چه شکلی است، هوش مصنوعی آن کلیک را از بین می‌برد.

اما وقتی کسی بخواهد یک متخصص پوست پیدا کند تا آن خال را بررسی کند، چه می‌شود؟

تا کنون هیچ‌کس مطالعه‌ای از این دست به اشتراک نگذاشته است. بنابراین ما تصمیم گرفتیم این مشکل را برطرف کنیم.

ما اولین مطالعه UX را که به‌طور خاص بر قصد تراکنشی در حالت هوش مصنوعی متمرکز بود، انجام دادیم. ۵۲ شرکت‌کننده از ایالات‌متحده و کانادا را مشاهده کردیم که نزدیک به ۲۲ ساعت به‌دنبال خدمات با مشارکت بالا جست‌وجو کردند.

این مواردی است که ما آموختیم.

1. ۶۹٪ از کاربران حالت هوش مصنوعی به یک وب‌سایت مراجعه کردند

هنگامی که کاربران مأمور به انجام جست‌وجوهای تراکنشی (یافتن دندانپزشک، ارائه‌کننده بوتاکس یا متخصص پوست) بودند، ۶۹٪ از جلسات حالت هوش مصنوعی منجر به کلیک به یک وب‌سایت شد.

در مطالعهٔ ما، تنها ۲۷٪ از کاربران احساس «آماده برای تصمیم‌گیری» را صرفاً بر پایهٔ خلاصهٔ هوش مصنوعی داشتند (۴٪ باقی‌مانده به‌جای آن به جست‌وجوی سنتی گوگل و پروفایل‌های شبکه‌های اجتماعی مراجعه کردند تا تصمیم بگیرند).

کاربران از حالت هوش مصنوعی برای ایجاد یک مجموعه ملاحظاتی استفاده می‌کنند، نه برای اینکه به آن‌ها گفته شود چه کاری باید انجام دهند.

2. رتبه‌بندی #۱ دیگر «برنده‑ همه‌چیز» نیست

به مدت ۳۰ سال، سئو یک بازی بوده است که در آن جایگاه شماره ۱ بیشترین پاداش‌ها را به خود اختصاص می‌داد.

حالت هوش مصنوعی قواعد تعامل را تغییر می‌دهد؛ در مطالعهٔ ما، ۸۹٪ از شرکت‌کنندگان بیش از یک کسب‌وکار را کلیک کردند.

کاربران به‌دنبال یک توصیهٔ تک نیستند؛ آنها از هوش مصنوعی برای ایجاد یک مجموعه ملاحظاتی استفاده می‌کنند. به‌طور متوسط، شرکت‌کنندگان ما در هر جلسه ۳٫۷ نتیجه را بررسی کردند، به‌طوری‌که از هر ۱۰ کاربر، یک نفر فقط یک کسب‌وکار را چک کرد.

این یک تغییر پارادایمی عظیم است. 

دیگر نیازی نیست منابع خود را برای تعقیب یک رتبهٔ برتر هدر دهید. باید برای حضور در «مجموعه ملاحظاتی» – یعنی ۳ تا ۵ نتیجهٔ برتر – مبارزه کنید. اگر در آن مجموعه باشید، شانس موفقیت دارید.

کاربران همچنان روی شما کلیک می‌کنند، اما احتمالاً همچنین روی رقبای شما نیز کلیک می‌نمایند.

3. ۱۶٪ از کاربران برای تصمیم‌گیری به محتوای بالای صفحه تکیه کردند

ما عادت کرده‌ایم فرض کنیم که کاربران اسکرول نمی‌کنند.

این مورد در کاربران حالت هوش مصنوعی صادق نیست. ۸۴٪ از شرکت‌کنندگان ما اسکرول کردند تا مجموعه ملاحظاتی را ببینند.

چون کاربران نتایج هوش مصنوعی را به‌عنوان یک فهرست منتخب می‌بینند نه یک پاسخ تک، تمایل به کاوش دارند. آنها در فهرست به جست‌وجوی بهترین گزینه می‌پردازند، نه فقط اولین گزینه.

4. عکس‌ها چندان مهم نیستند (اما نظرات همه‌چیز هستند)

فقط ۲۱٪ از کاربران عکس‌های پیوست‌شده به پروفایل تجاری گوگل را مشاهده کردند. حتی برای کار بوتاکس، این عدد فقط به ۲۴٪ افزایش یافت.

پس، چه چیزی واقعاً کلیک را ایجاد می‌کند؟ شواهد اجتماعی.

۷۴٪ از کاربران قبل از تصمیم‌گیری، نظرات را در پروفایل تجاری گوگل می‌خوانند.

در رابط هوش مصنوعی، متن وزن بیشتری نسبت به تصاویر دارد. گالری پرزرق‌وبرق شما زیباست، اما اعتبار شماست که کلیک را به دست می‌آورد.

حكم: حالت هوش مصنوعی تمام ترافیک شما را نخواهد گرفت

از همه مهم‌تر، حالت هوش مصنوعی ترافیک باارزش‌ترین شما را که شامل افرادی است که می‌خواهند به شما پرداخت کنند، نخواهد گرفت: ترافیکی که از افرادی که می‌خواهند به شما پول بدهند، تشکیل شده است.

حالت هوش مصنوعی نیازمند بازنگری در اهداف سئو است:

• هدف قدیم: رتبه #۱ یا نابود شدن.
• هدف جدید: در پنج رتبه برتر (مجموعه ملاحظاتی) ظاهر شوید و با شواهد اجتماعی برتر (نظرات) کلیک را به دست آورید.

اگر کسب‌وکار شما به ترافیک «چگونه…» متکی است، بله، باید نگران باشید.

اما اگر شما یک کسب‌وکار محلی یا ارائه‌دهنده خدمات هستید که از سئوی محلی بهره می‌برد، نگران نباشید.

مطالعه: ۶۹٪ از جست‌وجوهای تراکنشی در حالت هوش مصنوعی ترافیک ایجاد می‌کنند

چند استارتاپ جدید در حال ساخت نسخه‌های شبیه‌سازی‌شده از وب‌سایت‌ها هستند تا هوش مصنوعی بتواند از اینترنت استفاده کند و شاید جایگزین نیروی کار اداری شود.

نوشته: کِید متز

در این تابستان، وکلای یونایتد ایرلاینز دریافتند که فردی نسخه‌ای تقریباً کامل از وب‌سایت این شرکت ساخته است.

این نسخهٔ دیجیتال تمام دکمه‌ها و منوهای مشابه برای رزرو پروازها، هتل‌ها و خودروهای کرایه‌ای را ارائه می‌داد. همچنین شامل لینک‌های آبی یکسان برای پیگیری امتیازهای پروازهای مکرر و مرور تخفیف‌ها بود. حتی از نام تجاری و لوگوی یونایتد استفاده می‌کرد.

به‌همین‌منظور، وکلای یونایتد یک اعلان رسمی حذف ارسال کردند و سایت را به نقض حق‌ تکثیر متهم کردند.

Div Garg، که شرکت کوچکی این سایت شبیه‌سازی‌شده را ساخته بود، بلافاصله نام سایت را به «Fly Unified» تغییر داد و لوگوی یونایتد را حذف کرد. او قصد نقض حقوق تکثیر یونایتد را نداشت. او و شرکتش نسخهٔ United.com را به‌عنوان بستر آموزشی برای هوش مصنوعی ساختند.

شرکت AGI آقای Garg جزو تعداد زیادی از استارتاپ‌های دره سیلیکون است که در ماه‌های اخیر وب‌سایت‌های محبوب را بازآفرینی کرده‌اند تا سیستم‌های هوش مصنوعی بتوانند به‌صورت مستقل اینترنت را مرور کرده و کارهای خاصی مانند رزرو پروازها را انجام دهند. اگر سامانهٔ هوش مصنوعی نحوهٔ استفاده از نسخهٔ شبیه‌سازی‌شدهٔ United.com را یاد بگیرد، می‌تواند از سایت واقعی نیز بهره‌مند شود.

این سایت‌های سایه‌ای جدید بخش مهمی از تلاش‌های صنعت فناوری برای تبدیل چت‌بات‌های امروز به عوامل هوش مصنوعی هستند؛ سیستمی که برای رزرو سفرها، زمان‌بندی جلسات، ساخت نمودارهای میله‌ای و انجام وظایف محاسباتی دیگر طراحی شده‌اند. در سال‌های پیش‌رو، بسیاری از شرکت‌ها بر این باورند که عوامل هوش مصنوعی پیشرفت بیشتری خواهند کرد و ممکن است جایگزین برخی کارگران سفیدپوش شوند.

میراث کیت‌کت ادامه دارد: با ککو، جدیدترین گربهٔ فروشگاه محلی خیابان ششم‌دهم آشنا شوید

حدود یک ماه پس از آن‌که یک خودروی خودران Waymo به کیت‌کت برخورد کرد و او را به مرگ کشاند، گربهٔ محبوب محله میشن، مارکت رندا، در اواخر هفتهٔ گذشته یک گربهٔ جدید را به فروشگاه‌اش خوش‌آمد گفت: ککو، بچه گربهٔ سفید شش‌ماهه‌ای با چشم‌های آبی که از همان ابتدا روزانه دل ده‌ها مشتری را به‌دست می‌آورد.

«کیت‌کت دیگر نخواهد بود، اما او جرقه‌ای دوباره به محله برمی‌گرداند»، مردی به نام AJ گفت که پس از نوازش ککو، از فروشگاه خیابان ششم‌دهم و والنسیا خارج شد. «مردم از همین حالا دیوانه‌اش شده‌اند.»

یک همسایه هفته گذشته ککو را به مایک زیدان، صاحب مارکت رندا، هدیه داد. پس از چندین پیشنهاد، نام ککو از طریق یک نظرسنجی در اینستاگرام انتخاب شد. این نام به کلئوپاترا، ملکهٔ مصر بین سال‌های ۵۱ تا ۳۱ پیش از میلاد ارجاع دارد، گفت یکی از کارمندان مارکت رندا، آبراهام ت.

مشتریان نه تنها گربه را آوردند، بلکه دو تابلو بزرگ دست‌ساز با نوشتهٔ «KitKat Market» که اکنون بر روی درب ورودی و کنار صندوق قرار دارند، نیز تحویل دادند. وقتی از مارکت رندا دربارهٔ تغییر نام پرسیده شد، دو کارمند گفتند نه، اما تصمیم گرفته‌اند این تابلوها را برای گرامیداشت دوست فوت‌مانده‌شان نگه دارند.

آمبر بی‌شاپ، یک همسایه، گفت که خوشحال است که ککو را در مسیر رفت و آمدش به محل کار می‌بیند. صبح سه‌شنبه، او چند نوازش صبح بخیر به گربهٔ سفید داد وقتی از کنار او می‌گذشت.

ککو برای جایگزینی کیت‌کت نیست؛ او برای خودِ ککو اینجا است، گفت کارمند فروشگاه، آبراهام. او هنوز در حال کاوش فضای فروشگاه است و به آن عادت می‌کند. «می‌بینم او در اطراف فروشگاه می‌دود و به تلویزیون‌ها پا می‌زند»، AJ گفت. تا کنون، به‌نظر می‌رسد مقصد دلخواه او بالای یخچال‌ها باشد.

او توصیف شد به عنوان پرشور، دوستانه، بامزه و کمی ترسیده از دنیای بیرون؛ دو روز پیش، برای تعقیب کبوترها به بیرون رفت و وقتی کامیونی عبور کرد، از ترس به داخل فروشگاه دوید.

دیوید ویدال، یکی دیگر از کارمندان مارکت رندا، گفت که تحت نظارت او، ککو تا حد امکان در داخل فروشگاه می‌ماند. به‌هرحال، کیت‌کت پس از آن‌که یک خودروی Waymo به او در خیابان اصابت کرد، درگذشت.

شرکت Waymo در اکتبر اعلام کرد که قصد دارد به‌منظور گرامیداشت کیت‌کت، به یک سازمان محلی حمایت از حیوانات کمک مالی کند، اگرچه دوشنبه این شرکت تأیید نکرد که این کمک انجام شده است، نام سازمان یا مبلغ دقیق آن را فاش نکرد. همچنین دوشنبه، Waymo تأیید کرد که یکی دیگر از خودروهایش در تاریخ ۳۰ نوامبر در محله Western Addition به سگی برخورد کرده است. هنوز مشخص نیست که آیا سگ از این حادثه زنده مانده است یا نه.

اما در خیابان ششم‌دهم، پس از تمام اتفاقاتی که در ماه گذشته رخ داد، حضور ککو روح جامعه را تقویت کرده است، گفت آبراهام ت.

«ککو به ما امید می‌دهد»، او گفت. «مشتریان هم‌اکنون او را دوست دارند.»

شرکت‌های هوش مصنوعی برای رقابت در مسیر هوش عمومی (AGI) میلیاردها دلار بر روی دیتاسنترها هزینه می‌کنند. آروند کریشنا، مدیرعامل IBM، نظراتی درباره محاسبات پشت این شرط‌بندی‌ها دارد.

هزینه‌های دیتاسنتر در حال افزایش است. در تماس گزارش سوددهی اخیر متا، واژه‌هایی مانند «ظرفیت» و «زیرساخت هوش مصنوعی» بارها به کار رفت. گوگل تازه اعلام کرد که قصد دارد در نهایت این دیتاسنترها را در فضا بسازد. سؤال این است که آیا درآمد حاصل از دیتاسنترها هرگز می‌تواند تمام هزینه‌های سرمایه‌ای را توجیه کند؟

در پادکست «Decoder»، کریشنا به این نتیجه رسید که به‌نظر می‌رسد «هیچ راهی» وجود ندارد که این شرکت‌ها بتوانند بازدهی هزینه‌های سرمایه‌ای (CapEx) خود بر دیتاسنترها به‌دست آورند.

او افزود که محاسبات ساده‌اش بر پایه هزینه‌های امروز است؛ «زیرا هر چیز در آینده فرضی است»، و کریشنا گفت که برای تامین یک دیتاسنتر یک گیگاواتی تقریباً ۸۰ میلیارد دلار هزینه می‌برد.

او گفت: «خب، این عدد امروز است. پس اگر بخواهید ۲۰ تا ۳۰ گیگاوات متعهد شوید، این یک شرکت است؛ یعنی حدود ۱٫۵ تریلیون دلار هزینه سرمایه‌ای (CapEx).»

کریشنا همچنین به استهلاک چیپ‌های هوش مصنوعی داخل دیتاسنترها به‌عنوان عامل دیگری اشاره کرد: «باید تمام آن را در پنج سال استفاده کنید، زیرا در آن زمان باید آن را دور بیندازید و جایگزین کنید.»

سرمایه‌گذار مایکل بوری اخیراً به‌دلیل نگرانی‌های استهلاکی، هدف خود را به سمت نودیا قرار داد و این منجر به کاهش قیمت‌های سهام هوش مصنوعی شد.

کریشنا گفت: «اگر به کل تعهدات جهان در این حوزه نگاه کنم، در تعقیب AGI، به‌نظر می‌رسد حدود ۱۰۰ گیگاوات با این اعلام‌ها وجود دارد.»

با هزینه ۸۰ میلیارد دلار برای هر یک از ۱۰۰ گیگاوات، برآورد کریشنا برای تعهدات محاسباتی حدود ۸ تریلیون دلار می‌شود.

او اظهار داشت: «نظر من این است که هیچ راهی برای بازدهی بر این هزینه نیست؛ چرا که ۸ تریلیون دلار سرمایه‌گذاری یعنی تقریباً ۸۰۰ میلیارد دلار سود برای پوشش بهره صرفاً لازم است.»

دست‌یابی به این مقدار گیگاوات، نیازمند هزینه‌های عظیم از سوی شرکت‌های هوش مصنوعی بوده و فشار برای دریافت کمک خارجی را به‌وجود آورده است. در نامه‌ای در اکتبر به دفتر سیاست‌های علمی و فناوری کاخ سفید، سام آلتمن، مدیرعامل OpenAI، پیشنهاد داد که ایالات متحده هر سال ۱۰۰ گیگاوات ظرفیت انرژی اضافه کند.

مجری پادکست «Decoder»، نیلای پتِل، اشاره کرد که آلتمن معتقد بود OpenAI می‌تواند بازدهی بر هزینه‌های سرمایه‌ای خود ایجاد کند. OpenAI متعهد به صرف حدود ۱٫۴ ترایلین دلار در معاملات مختلف شده است. در اینجا، کریشنا گفت که با آلتمن اختلاف نظر دارد.

کریشنا گفت: «این یک باور است. این همان چیزی است که برخی مردم دنبال می‌کنند. من این را از دیدگاه آن‌ها می‌فهمم، اما متفاوت از موافقت با آن است.»

کریشنا روشن کرد که نسبت به این باور نیست که مجموعه فناوری‌های فعلی ما را به AGI — پیشرفت فناوری‌ای که هنوز دست نیافته و به‌طور عمومی این‌گونه تعریف می‌شود که هوش مصنوعی بتواند وظایف پیچیده را بهتر از انسان انجام دهد — برساند. او احتمال دستیابی به آن بدون یک پیشرفت فناوری بیشتر را بین ۰ تا ۱ درصد برآورد کرد.

چندین رهبر برجسته دیگر نیز نسبت به سرعت‌گیری به سمت AGI تردید داشته‌اند. مارک بنیوف گفت که نسبت به فشار برای AGI «به‌طرز فراوان مشکوک» است و این را به هیپنوتیزم تشبیه کرد. اندرو نگ، بنیان‌گذار Google Brain، اظهار کرد که AGI «بیش از حد تبلیغی» است، و آرتور منچ، مدیرعامل Mistral، گفت که AGI یک «حرکت بازاریابی» است.

حتی اگر AGI هدف باشد، مقیاس‌پذیری محاسبه شاید کافی نباشد. ایلیا سوتسکِور، هم‌بنیان‌گذار OpenAI، در نوامبر گفت که دوران مقیاس‌پذیری به پایان رسیده و حتی مقیاس‌پذیری صد برابر مدل‌های زبانی بزرگ (LLM) نیز تحول کامل نخواهد داشت. او افزود: «دوباره به دوران تحقیق بازمی‌گردیم، اما این‌بار با رایانه‌های بزرگ.»

کریشنا که کار خود را در IBM در سال ۱۹۹۰ آغاز کرد و سپس در سال ۲۰۲۰ به عنوان مدیرعامل و در سال ۲۰۲۱ به عنوان رئیس هیئت مدیره منصوب شد، از مجموعه ابزارهای هوش مصنوعی فعلی تمجین کرد.

او گفت: «فکر می‌کنم این می‌تواند تریلیون‌ها دلار بهره‌وری در بخش‌های تجاری ایجاد کند؛ برای وضوح کامل بگویم.»

اما کریشنا گفت که AGI به «فناوری‌های بیشتری» نسبت به مسیر فعلی مدل‌های زبانی بزرگ (LLM) نیاز دارد. او ترکیب دانش صریح (hard knowledge) با LLMها را به‌عنوان یک مسیر احتمالی آینده پیشنهاد کرد.

احتمال رسیدن به AGI با این رویکرد چقدر است؟ او گفت: «حتی در آن صورت، من همچنان «شاید» می‌گویم.»

دانشمند ارشد Anthropic می‌گوید خودمختاری هوش مصنوعی می‌تواند «انفجار هوشمندی» مفیدی را به‌وجود آورد – یا لحظه‌ای باشد که انسان‌ها کنترل را از دست می‌دهند.

رابرت بوث، سردبیر فناوری در بریتانیا

انسانیت تا سال ۲۰۳۰ باید تصمیم بگیرد که آیا می‌خواهد «ریسک نهایی» را بپذیرد و به سامانه‌های هوش مصنوعی اجازه دهد خود را آموزش دهند و قدرتمندتر شوند، به گفته یکی از برجسته‌ترین دانشمندان هوش مصنوعی جهان.

جارد کاپلان، دانشمند ارشد و یکی از مالکین استارتاپ آمریکایی Anthropic با سرمایه‌گذاری ۱۸۰ میلیارد دلار (۱۳۵ میلیارد پوند)، گفت تصمیمی در پیش است درباره این‌که به سامانه‌ها تا چه حد خودمختاری برای توسعه‌پذیری اعطا شود.

این اقدام می‌تواند «انفجار هوشمندی» مفیدی را به‌وجود آورد – یا لحظه‌ای باشد که انسان‌ها از کنترل خارج می‌شوند.

در مصاحبه‌ای درباره مسابقهٔ به شدت رقابتی برای دستیابی به هوش عمومی مصنوعی (AGI) – که گاهی اوقات «فوق‌هوش» نامیده می‌شود – کاپلان از دولت‌های بین‌المللی و جامعه می‌خواهد تا در آنچه او «بزرگ‌ترین تصمیم» می‌نامد، مشارکت کنند.

Anthropic بخشی از گروهی از شرکت‌های پیشرو در حوزه هوش مصنوعی شامل OpenAI، Google DeepMind، xAI، Meta و رقبای چینی به‌سرکردگی DeepSeek است که برای تسلط بر هوش مصنوعی به‌سرعت به رقابت می‌پردازند. دستیار هوش مصنوعی گسترده‌استفاده‌اش، Claude، به‌ویژه در میان مشتریان تجاری محبوبیت یافته است.

کاپلان گفت که اگرچه تلاش‌ها برای همسویی فناوری به سرعت پیشرو با منافع انسانی تا کنون موفق بوده‌اند، رها کردن آن برای بهبود خود به‌صورت بازگشتی «به‌نوعی ریسک نهایی است، چون شبیه این است که اجازه می‌دهیم هوش مصنوعی آزادانه پیش برود». او افزود که این تصمیم ممکن است بین سال‌های ۲۰۲۷ تا ۲۰۳۰ اتخاذ شود.

«اگر تصور کنید این فرآیند را ایجاد می‌کنید که در آن هوش مصنوعی‌ای دارید که هوشمندتر از شما است، یا تقریباً به‌ اندازهٔ شما، در نتیجه هوش مصنوعی‌ای بسیار هوشمندتر می‌سازید».

«به‌نظر می‌رسد فرآیندی ترسناک است. نمی‌دانید به کجا خواهید رسید».

کاپلان پس از گذشت هفت سال فعالیت در این حوزه، از یک فیزیک‌دان نظری به میلیاردر هوش مصنوعی تبدیل شده است. در مصاحبه‌ای جامع، او همچنین گفت:

• سیستم‌های هوش مصنوعی قادر خواهند بود «اکثریت مشاغل سفیدپوش» را در دو تا سه سال آینده انجام دهند.
• فرزند شش‌ساله‌اش هرگز در کارهای علمی مثل نوشتن مقاله یا انجام آزمون ریاضی بهتر از هوش مصنوعی نخواهد بود.
• نگرانی دربارهٔ از دست دادن کنترل انسان‌ها بر فناوری، اگر هوش‌های مصنوعی خود را بهبود دهند، صحیح است.
• شرط‌ها در مسابقه به سوی AGI «دلهره‌آور» به‌نظر می‌رسند.
• در بهترین سناریو، هوش مصنوعی می‌تواند پژوهش‌های زیست‌پزشکی را شتاب دهد، بهبود سلامت و امنیت سایبری، افزایش بهره‌وری، فراهم کردن زمان آزاد بیشتر برای مردم و کمک به رشد و شکوفایی انسان‌ها را ممکن سازد.

کاپلان در دفتر مرکزی Anthropic در سانفرانسیسکو، زمانی که با گاردین ملاقات کرد، توجه داشت که دکور با فرش‌های بافتنی و موسیقی جاز پرانرژی، نگرانی‌های بنیادین درباره فناوری در حال توسعه را در پس‌زمینه پنهان می‌کند.

کاپلان استاد فیزیک تحصیل‌کرده در استنفورد و هاروارد است که پیش از پیوستن به OpenAI در سال ۲۰۱۹ و هم‌بنیان‌گذاری Anthropic در سال ۲۰۲۱، تحقیقات خود را در دانشگاه جانز هاپکینز و در سرن سوئیس انجام داده است.

او تنها کسی که در Anthropic نگرانی‌های خود را بیان می‌کند نیست. یکی از هم‌بنیان‌گذارانش، جک کلارک، در ماه اکتبر گفت هم خوش‌بین است و هم «به‌طور عمیق ترسیده» از مسیر پیشرفت هوش مصنوعی، که او «موجودی واقعی و رازآلود، نه یک ماشین ساده و پیش‌بینی‌پذیر» می‌نامید.

کاپلان گفت نسبت به تطبیق سامانه‌های هوش مصنوعی با منافع بشریت تا سطح هوش انسانی، بسیار خوش‌بین است، اما دربارهٔ پیامدهایی که در صورت عبور از این آستانه ممکن است پیش آید، نگران است.

من فکر می‌کنم پیشگیری از تصاحب قدرت و سوء استفاده از فناوری نیز بسیار مهم است.

دومین ریسک به امنیت مربوط می‌شود؛ زیرا هوش‌های مصنوعی خودآموخته می‌توانند توانایی‌های انسانی در پژوهش‌های علمی و توسعهٔ فناوری را فراتر ببرند.

به‌نظر می‌رسد بسیار خطرناک باشد که در دست‌های نادرست قرار گیرد.

پژوهش‌های مستقل دربارهٔ مدل‌های پیشرفتهٔ هوش مصنوعی، از جمله ChatGPT، نشان می‌دهد که دامنهٔ وظایفی که هوش‌های مصنوعی می‌توانند انجام دهند، هر هفت ماه دو برابر می‌شود.

آیندهٔ هوش مصنوعی

رقبا در رقابت برای ایجاد فوق‌هوش. این مقاله با همکاری تیم طراحی تحریریه تهیه شده است. برای اطلاعات بیشتر از این سری مقاله‌ها بخوانید.

نویسندگان

Nick Hopkins, Rob Booth, Amy Hawkins, Dara Kerr, Dan Milmo

طراحی و توسعه

Rich Cousins, Harry Fischer, Pip Lev, Alessia Amitrano

ویراستاران تصویر

Fiona Shields, Jim Hedge, Gail Fletcher

کاپلان نگران این است که سرعت پیشرفت به‌گونه‌ای است که کل بشریت نتوانسته است قبل از پرش دوبارهٔ فناوری، به آن عادت کند.

«من دربارهٔ این موضوع نگرانم … شاید افرادی مثل من همه دیوانه شوند و همه‌چیز به یک حد ثابت برسد»، او گفت. «شاید بهترین هوش مصنوعی تا الآن همان هوش مصنوعی باشد که در حال حاضر داریم. اما ما واقعاً به این فکر نداریم. ما معتقدیم که هوش مصنوعی همچنان بهبود خواهد یافت.»

او افزود: «این مساله‌ای است که به‌سرعت پیش می‌رود و مردم لزوماً زمان کافی برای هضم آن یا فهمیدن اینکه چه کاری باید انجام دهند ندارند.»

Anthropic در رقابت با OpenAI، Google DeepMind و xAI برای توسعه سامانه‌های هوش مصنوعی پیشرفته‌تر در مسیر AGI است. کاپلان توصیف کرد که فضای منطقه خلیج سانفرانسیسکو «قطعا بسیار شدید است، هم از نظر اهمیت هوش مصنوعی و هم از منظر رقابت‌پذیری».

«راهی که ما به آن نگاه می‌کنیم این است که همه چیز در یک روند نمایی از نظر سرمایه‌گذاری، درآمد، توانمندی‌های هوش مصنوعی، و چگونگی پیچیدگی وظایفی که هوش مصنوعی می‌تواند انجام دهد، پیش می‌رود»، او گفت.

سرعت پیشرفت به این معناست که ریسک افت یکی از رقباء و عقب‌ماندگی آن‌ها زیاد است. «اهمیت‌ها برای ماندن در لبهٔ پیشرفت بالا است؛ به‌طوری که اگر از منحنی نمایی خارج شوید، به‌سرعت می‌توانید حداقل از نظر منابع خیلی عقب بمانید.»

تا سال ۲۰۳۰، مراکز داده‌های جهانی برای همگامی با تقاضای توان محاسباتی، به‌طبق برآورد مک‌کنزی، به ۶٫۷ میلیون میلیارد دلار نیاز خواهند داشت. سرمایه‌گذاران می‌خواهند شرکت‌هایی را که نزدیک به پیش‌درآمدهای این حوزه هستند، حمایت کنند.

در عین حال، Anthropic به‌خاطر تشویق به تنظیم مقررات هوش مصنوعی شناخته شده است. بیانیهٔ ماموریت آن شامل بخشی با عنوان «ما سیستم‌های ایمن‌تری می‌سازیم» می‌باشد.

«ما واقعاً نمی‌خواهیم وضعیت به‌مانند سفینهٔ اسپوتنیک باشد که دولت ناگهان بیدار می‌شود و می‌گوید: «اوه، هوش مصنوعی مسئلهٔ بزرگی است» … ما می‌خواهیم قانون‌گذاران تا حد امکان در طول مسیر آگاه باشند تا بتوانند این موضوع را در نظر بگیرند.»

در ماه اکتبر، موضع Anthropic باعث انتقاد از سوی سفیدخانه دونالد ترامپ شد. دیوید ساکس، مشاور هوش مصنوعی رئیس‌جمهور آمریکا، Anthropic را به‌عنوان «افرینندهٔ ترس» متهم کرد تا با تشویق به تنظیم قوانین ایالتی که به موضع آن‌ها کمک می‌کند و استارتاپ‌ها را آسیب می‌زند.

پس از اینکه ساکس ادعا کرد که Anthropic خود را «دشمنی» نسبت به دولت ترامپ معرفی کرده است، داریو آمودی، هم‌بنیان‌گذار کاپلان و مدیرعامل Anthropic، در برابر این ادعا واکنش نشان داد و گفت که این شرکت به‌صورت عمومی برنامهٔ عملیاتی هوش مصنوعی ترامپ را تحسین کرده، با جمهوری‌خواهان همکاری داشته و همانند سفیدخانه می‌خواهد پیشرو بودن ایالات متحده در حوزه هوش مصنوعی را حفظ کند.

نکات کلیدی

• استارتاپ تولید ویدیو با پشتیبانی Nvidia، Luma AI، در حال آغاز یک موج جذب نیرو در لندن است.
• این شرکت آمریکایی دوره سرمایه‌گذاری ۹۰۰ میلیونی دلاری را که توسط Humain رهبری شد، اعلام کرد؛ که باعث رسیدن به ارزش‌گذاری ۴ میلیارد دلاری شد.
• Luma قصد دارد تا اوایل ۲۰۲۷ حدود ۲۰۰ نفر را در لندن استخدام کند.

استارتاپ تولید ویدیو پشتیبانی‌شده توسط Nvidia، Luma AI، به موج رو به رشدی از شرکت‌های فناوری آمریکایی که عملیات خود را در انگلستان راه‌اندازی می‌کنند، پیوسته است؛ و برنامه‌های عمده‌ای برای گسترش در لندن که روز سه‌شنبه فاش شد، دارد.

این استارتاپ مستقر در پاولو آلتو، در نظر دارد تا اوایل سال ۲۰۲۷ حدود ۲۰۰ نفر—معادل تقریباً ۴۰٪ از نیروی کار خود—در مرکز جدید خود در لندن جذب کند؛ که در حوزه‌های تحقیق، مهندسی، مشارکت‌ها و توسعه استراتژیک فعالیت می‌کند.

این گسترش دو هفته پس از اعلام دوره سرمایه‌گذاری ۹۰۰ میلیونی دلاری توسط شرکت هوش مصنوعی Humain، متعلق به صندوق سرمایه‌گذاری عمومی عربستان، انجام می‌شود که باعث رسیدن به ارزش‌گذاری بیش از ۴ میلیارد دلار شد. این استارتاپ پیش از این از حمایت Nvidia نیز بهره‌مند شده بود.

Luma در حال ساخت «مدل‌های جهانی» است؛ دسته‌ای از مدل‌های هوش مصنوعی که می‌توانند از ویدیو، صدا و تصویر همراه با متن یاد بگیرند، همان‌طور که مدل‌های زبانی بزرگ (LLMs) به‌کار رفته در ChatGPT توسط OpenAI و Gemini توسط گوگل استفاده می‌کنند.

استارتاپ در حال حاضر بازارهای بازاریابی، تبلیغات، رسانه و سرگرمی را هدف خود قرار داده است؛ با مدل‌های ویدیویی خود که از طریق رابط برنامه‌نویسی کاربردی (API) و به‌عنوان بخشی از بسته ابزارهای خلق محتوا به فروش می‌رسد.

«با این جمع‌آوری سرمایه از دوره Series C و ساخت زیرساخت‌های محاسباتی جهانی پیش رو، ما سرمایه و ظرفیت لازم برای ارائه هوش مصنوعی در مقیاس جهان به همه خالقان محتوا را داریم»، امیت جین، مدیرعامل و هم‌بنیان‌گذار Luma AI گفت. «راه‌اندازی در سراسر اروپا و خاورمیانه گام منطقی بعدی برای قرار دادن این توانایی مستقیماً در دست قصه‌گویان، آژانس‌ها و برندهای جهانی است.»

ژان به CNBC گفت که انگلستان نقطه شروع این گسترش به‌دلیل دسترسی به استعدادها است.

ژان گفت: «لندن از بهترین افراد برای تحقیق برخوردار است، به‌دلیل دانشگاه‌های اینجا و مؤسساتی همچون DeepMind». «ما همچنین لندن را به‌عنوان نقطه ورود به بازار اروپا می‌دانیم».

Luma به‌عنوان جدیدترین نمونه از موجی از آزمایشگاه‌های هوش مصنوعی آمریکای شمالی است که برای بهره‌مندی از استخرهای استعداد و فرصت‌های درآمدی، بر روی انگلستان و اروپا متمرکز می‌شوند.

در نوامبر، شرکت Anthropic مستقر در سانفرانسیسکو برنامه‌های خود را برای افتتاح دفاتر در پاریس و مونیخ اعلام کرد؛ چند ماه پس از آغاز موج جذب نیرو در لندن و دوبلین. استارتاپ هوش مصنوعی کانادایی Cohere نیز اعلام کرد که دفتر پاریس را باز می‌کند تا به‌عنوان مرکز منطقه‌ای EMEA خود در سپتامبر فعالیت کند و OpenAI در فوریه دفتر جدیدی در مونیخ معرفی کرد.

اگرچه مدل‌های جهانی هنوز به‌ اندازه مدل‌های زبانی بزرگ (LLMs) پیشرفت نکرده‌اند، برخی پژوهشگران می‌گویند که آن‌ها به همان اندازه، اگر نه بیشتر، برای دستیابی به هوش عمومی مصنوعی (AGI) حیاتی هستند.

ژان گفت: «این نوع مدل‌های بصری حدود یک تا یک و نیم سال از مدل‌های زبانی عقب هستند».

اما ژان پیش‌بینی کرد که مدل‌های جهانی به‌زودی «رابط طبیعی» هوش مصنوعی برای اکثر استفاده‌های روزمره تبدیل می‌شوند؛ و به مقدار زمانی که مردم روزانه برای مشاهده محتوای ویدیویی صرف می‌کنند اشاره کرد.

غول‌های فناوری از جمله گوگل، متا و Nvidia همگی در حال توسعه مدل‌های جهانی برای طیف گسترده‌ای از موارد استفاده هستند.

Luma در ماه سپتامبر مدل جدید خود، Ray3، را منتشر کرد؛ که ژان به CNBC گفت این مدل معیارهای بالاتری نسبت به Sora شرکت OpenAI دارد و در سطح مشابهی با Veo 3 شرکت Google قرار دارد.

اپل کلیدهای استراتژی حیاتی هوش مصنوعی خود را به آمار سوبرامانیا، کارشناس باتجربه‌ای که در هر دو شرکت گوگل و مایکروسافت کار کرده است، می‌سپارد؛ این تغییر مدیریتی یکی از مهم‌ترین تحولات رهبری در شرکت است که از زمان رونمایی از Apple Intelligence در سال گذشته به وقوع پیوسته است. این پژوهشگر با تجربه‌ای طولانی به عنوان معاون رئیس هوش مصنوعی منصوب شد و جان جیان‌اندریا را که پس از خدمت به‌عنوان رئیس هوش مصنوعی اپل از سال ۲۰۱۸ تا بهار ۲۰۲۶ از سمت خود کناره‌گیری و بازنشسته خواهد شد، جایگزین می‌کند.

در بیانیه‌ای شرکت، اپل اعلام کرد که سوبرامانیا به رئیس نرم‌افزار، کریگ فدریگی، گزارش خواهد داد و مسئولیت «مدل‌های بنیادین اپل، پژوهش‌های یادگیری ماشین و ایمنی و ارزیابی هوش مصنوعی» را بر عهده می‌گیرد؛ این کار او را در مرکز فناوری قرار می‌دهد که ویژگی‌های هوش مصنوعی آینده را در آیفون، مک، آی‌پد و سرویس‌های متنوع اپل پایه‌ریزی می‌کند. مسئولیت‌هایی که پیش‌تر توسط جیان‌اندریا نظارت می‌شد، تحت نظارت مدیر عملیاتی، سابیح خان، و ادی کیو که رهبری بخش سرویس‌های اپل را بر عهده دارد، بازتوزیع خواهد شد.

سوبرامانیا با یک رزومه که بیش از دو دهه را پوشش می‌دهد به اپل می‌آید؛ او تحصیل و حرفه خود را به یادگیری ماشین و سیستم‌های هوش مصنوعی در مقیاس بزرگ اختصاص داده و این دانش را در برخی از بزرگ‌ترین شرکت‌های سیلیکون‌ولی به‌کار گرفته است. تنها چند ماه پیش از پیوستن به اپل، سوبرامانیا در ماه جولای به مایکروسافت پیوست و به عنوان معاون رئیس هوش مصنوعی شرکت منصوب شد؛ در این نقش بر روی مدل‌های بنیادین کار کرد که محصولاتی چون مایکروسافت کوپیلوت، لایه دستیار هوش مصنوعی شرکت برای ابزارهای بهره‌وری و سرویس‌های سازمانی را تقویت می‌کنند. او این سمت را پس از گذراندن ۱۶ سال در گوگل، که در نهایت به عنوان سرپرست مهندسی Gemini، دستیار هوش مصنوعی گوگل و محصول پیشرو در حوزه هوش مصنوعی مولد، که اکنون به توجه ویژه‌ای دست یافته است، به‌دست آورد.

در گوگل، مسیر سوبرامانیا از پژوهشگر علمی به مهندس ارشد، سپس به معاون مهندسی ارتقا یافت و تیم‌هایی را رهبری کرد که پژوهش‌های یادگیری ماشین را به محصولات مصرفی در مقیاس بزرگ پیوند می‌دادند. او همچنین با DeepMind، واحد تحقیقاتی هوش مصنوعی گوگل، همکاری کرده و روابط خود را با کارهای پیشرو در زمینه آموزش و استقرار مدل‌ها عمیق‌تر کرده است، بنابر گزارش‌های متعدد.

مانند بسیاری از افراد در سیلیکون‌ولی، سوبرامانیا ریشه‌های خود را در هند و ایالات متحده دارد. او در سال ۲۰۰۱ مدرک کارشناسی مهندسی الکترونیک و ارتباطات را از دانشگاه بنگلور دریافت کرد و سپس در سال ۲۰۰۹ دکترای علوم کامپیوتر را از دانشگاه واشنگتن با تخصص در یادگیری نیمه‌نظارتی و مدل‌های گرافیکی – روش‌هایی برای آموزش کارآمد سیستم‌های هوش مصنوعی در شرایط کمبود داده‌های برچسب‌دار – به پایان رساند. او در سال ۲۰۰۷ جایزه بورس پژوهشی مایکروسافت را دریافت کرد و بعدها به‌هم‌نویس کتاب Graph‑Based Semi‑Supervised Learning با پژوهشگر پارثا پراتیم تالوکدار پرداخت؛ این کتاب به فهرست مقالات وی در زمینه‌های پردازش زبان طبیعی، تشخیص موجودیت و فناوری‌های گفتار افزوده شد.

گام اپل در این زمان، زمانی است که این شرکت تحت نظارت مستمر قرار دارد زیرا در ارائه ویژگی‌های هوش مصنوعی مولد، نسبت به رقبایی چون گوگل و مایکروسافت — و همچنین شرکت‌های نوپا در زمینه هوش مصنوعی مانند OpenAI و Anthropic — عقب مانده است و با انتقادات شدیدی در خصوص دستیارهای صوتی و ابزارهای هوش مصنوعی سراسری مواجه شده است. به‌طور طبیعی، اپل یکی از اولین شرکت‌ها بود که دستیار صوتی عمومی به نام سیری را ایجاد کرد، اما از آن پس این پیشی اولیه را از دست داد. رقبا سریع‌تر مدل‌های خود را برای کارایی بهبود داده و دستیاران و هم‌پیلوت‌های هوش مصنوعی خود را در جریان‌های کاری ادغام کرده‌اند، در حالی که اپل با احتیاط بیشتری قدم برداشته و پردازش روی دستگاه و حفظ حریم خصوصی را در کنار عرضه Apple Intelligence تأکید می‌کند.

جیان‌اندریا، که پیش از این رئیس هوش مصنوعی و جستجوی گوگل بود و در سال ۲۰۱۸ به اپل پیوست، تیمی را شکل داد که زیرساخت هوش مصنوعی کنونی اپل، شامل مدل‌های بنیادین و سامانه‌های جستجو و دانش، را توسعه داد. او تا زمان بازنشستگی خود در بهار ۲۰۲۶ به‌عنوان مشاور باقی خواهد ماند و برای اپل دورهٔ انتقالی را فراهم می‌کند تا سوبرامانیا جایگزین او شود.

مدیرعامل تیم کوک این انتقال را هم به‌عنوان تشکر و هم به‌عنوان بازتنظیم اهداف هوش مصنوعی اپل توصیف کرد.

«ما از نقش جان در ساخت و پیشبرد کارهای هوش مصنوعی‌مان سپاسگزاریم؛ او به اپل کمک کرد تا به نوآوری ادامه دهد و زندگی کاربرانمان را غنی‌تر کند»، او در بیانیه شرکت گفت. «هوش مصنوعی مدت‌هاست که در مرکز استراتژی اپل قرار دارد و خوشحالیم که آمار را به تیم رهبری کریگ می‌پذیریم و تخصص فوق‌العاده او در هوش مصنوعی را به اپل می‌آوریم.»