مرگ و تولد دوباره‌ی دیزاین در عصر هوش مصنوعی

چند وقت پیش داشتم روی یک پروژه کار می‌کردم. ابزار هوش مصنوعی کنارم بود، کامپوننت می‌ساخت، فلو پیشنهاد می‌داد، اینترفیس تولید می‌کرد. همه چیز درست بود. سریع بود. تمیز بود. اما یک چیزی ته ذهنم آرام نمی‌گرفت — حسی که نمی‌توانستم اسمی برایش انتخاب کنم. انگار کسی کار می‌کرد، اما نمی‌فهمید دارد چه کار می‌کند. خیلی طول کشید تا فهمیدم آن چیزی که کم بود چه بود.

سال‌ها بخش بزرگی از صنعت دیزاین حول execution شکل گرفته بود. توانایی ساختن اینترفیس‌های تمیزتر، طراحی فلوهای بهتر، ساخت سیستم‌های کامپوننتی منسجم و تسلط بر ابزارها — این‌ها مهم‌ترین معیار ارزش یک دیزاینر محسوب می‌شدند. حتی وقتی دیزاین سیستم‌ها وارد جریان اصلی صنعت شدند، همچنان مسئله‌ی مرکزی حول consistency، scalability و سرعت تولید می‌چرخید. همه چیز درباره‌ی ساختن بود؛ سریع‌تر، تمیزتر، هماهنگ‌تر.

هوش مصنوعی دقیقا وارد همین لایه شد — و این تصادفی نیست. بخش زیادی از چیزی که ما «کار دیزاین» تعریف کرده بودیم، مبتنی بر pattern recognition، constraint management و تصمیم‌های تکرارشونده بود. یعنی دقیقا همان چیزهایی که مدل‌های زبانی به شکل غیرمنتظره‌ای در آن‌ها قوی هستند. نتیجه این شد که بخشی از مهارتی که سال‌ها مزیت رقابتی بود، ناگهان قابل خودکارسازی شد. و این نقطه بود که بحران هویت دیزاین آرام آرام شروع شد.

امروز بسیاری از دیزاینرها هنوز فکر می‌کنند مسئله‌ی اصلی یاد گرفتن ابزارهای هوش مصنوعی است. موج عظیمی از prompts، skill fileها و agent frameworkها شکل گرفته و بسیاری تصور می‌کنند هرچه بیشتر این ابزارها را جمع کنند، به آینده نزدیک‌تر می‌شوند. اما مسئله‌ی عمیق‌تر جای دیگری است: صنعت هنوز هوش مصنوعی را در سطح «ابزار» می‌بیند، نه در سطح «سیستم فهم».

این تفاوت کوچک نیست. وقتی هوش مصنوعی را ابزار ببینیم، تمرکز روی promptها و خودکارسازی می‌ماند. اما وقتی آن را به عنوان یک سیستم interpretation در نظر بگیریم، سوال‌ها کاملا عوض می‌شوند. دیگر مسئله فقط «چه چیزی تولید شود» نیست؛ مسئله این می‌شود که سیستم چطور intent را تفسیر می‌کند، context را می‌فهمد و تصمیم می‌گیرد چه چیزی اهمیت دارد و چه چیزی ندارد.

تصور کن از یک هوش مصنوعی می‌خوای «یک فرم ثبت‌نام ساده طراحی کن.» چند ثانیه بعد یک فرم تمیز و منطقی جلوی توست. اما همین که می‌پرسی «چرا این ترتیب فیلدها؟» یا «چرا دکمه اینجاست؟»، سیستم جواب درستی ندارد. چون دستور را اجرا کرده، نه زمینه‌ی پشتش را فهمیده. نمی‌داند این فرم برای یک اپ موبایل است یا یک داشبورد سازمانی. نمی‌داند کاربر عجله دارد یا وقت دارد فکر کند. نمی‌داند این اولین تماس کاربر با محصول است یا صدمین بار. همین فاصله‌ی ظاهرا کوچک بین «اجرای دستور» و «فهم زمینه» قلب ماجراست.

چند سال اخیر، به‌خصوص بعد از رشد مدل‌های زبانی بزرگ، صنعت آرام آرام از Prompt Engineering به سمت Context Engineering حرکت کرده. بسیاری هنوز فکر می‌کنند کیفیت خروجی هوش مصنوعی به کیفیت prompt بستگی دارد، در حالی که بخش بزرگی از کیفیت واقعی خروجی به context وابسته است؛ به مجموعه‌ی شرایط، حافظه، محدودیت‌ها، تاریخچه و روابطی که مدل درون آن‌ها تصمیم می‌گیرد. Anthropic در مستندات رسمی خود توضیح داده که مدل‌ها کل context window را تفسیر می‌کنند — نه فقط prompt. یعنی تاریخچه‌ی مکالمه، حافظه، system instructionها و حتی ساختار اطلاعات، همگی روی رفتار مدل تاثیر می‌گذارند. این در ظاهر یک نکته‌ی فنی است، اما در باطن یک تغییر فلسفی است: هوش مصنوعی دیگر فقط «دستور» اجرا نمی‌کند، محیط اطراف دستور را هم تفسیر می‌کند.

همین موضوع دیزاین سیستم‌ها را هم وارد مرحله‌ی جدیدی می‌کند. سال‌ها دیزاین سیستم بیشتر مجموعه‌ای از کامپوننت‌ها، guidelines و tokenها بود. اما حالا این سوال مطرح می‌شود که آیا دیزاین سیستم آینده فقط باید برای انسان قابل خواندن باشد، یا باید برای هوش مصنوعی هم قابل تفسیر باشد؟ به بیان دیگر، دیزاین سیستم از یک «سیستم ظاهری» دارد به یک «سیستم فهم» تبدیل می‌شود.

اما context پایان ماجرا نیست. پیش از context، چیزی وجود دارد که شاید مهم‌ترین لایه‌ی دیزاین سیستم‌های هوش مصنوعی در سال‌های آینده باشد: intent.

context را می‌توان ساخت. می‌توان ساختاردهی کرد، مستند کرد، به سیستم تزریق کرد. اما intent اغلب ناگفته است، مبهم است و گاهی حتی برای خود کاربر هم ناشناخته. وقتی کاربری می‌گوید «یک دیزاین ساده می‌خواهم»، واقعا چه می‌خواهد؟ minimal بودن؟ سرعت تحویل؟ کاهش هزینه؟ یا هنوز خودش هم نمی‌داند؟ بخش بزرگی از ضعف فعلی سیستم‌های هوش مصنوعی دقیقا از همینجا می‌آید؛ از ناتوانی در تشخیص intent واقعی پشت درخواست.

دان نورمن سال‌ها پیش در «دیزاین چیزهای روزمره» (The Design of Everyday Things) گفت که دیزاین خوب بیشتر از اینکه واکنش به ورودی باشد، درباره‌ی فهم نیت انسان‌هاست. این جمله الان، در مقیاسی که هرگز تصور نمی‌شد، وارد دنیای هوش مصنوعی شده. اگر intent اشتباه تفسیر شود، حتی بهترین context هم سیستم را نجات نمی‌دهد. نتیجه یا توهم است، یا بار شناختی بیش از حد، یا رفتارهایی که ظاهرا منطقی هستند اما هیچ تراز واقعی با نیاز انسان ندارند. به همین دلیل است که دیزاین آرام آرام از طراحی اینترفیس به سمت طراحی interpretation حرکت می‌کند. مفاهیمی مثل memory architecture، context orchestration و agent design دیگر فقط موضوعات مهندسی نیستند؛ بخشی از آینده‌ی دیزاین هستند.

یک دیزاینر می‌شناسم که تا چند ماه پیش سریع‌ترین آدم تیمش در ساختن کامپوننت بود. امروز همان کار را یک ابزار در چند دقیقه انجام می‌دهد. او هنوز دارد سوال اشتباه می‌پرسد: «کدام ابزار را یاد بگیرم؟» در حالی که سوال واقعی اینجاست: «ارزش من الان کجاست؟» این آدم تنها نیست؛ و شکاف بین این دو سوال، شکافی است که آینده‌ی خیلی از مسیرهای حرفه‌ای را تعیین می‌کند.

دو گروه بزرگ دارند در این تغییر آسیب می‌بینند. اول، کسانی که هوش مصنوعی را صرفا تهدید می‌بینند و فکر می‌کنند با مقاومت می‌توان وضعیت قبلی را حفظ کرد. اما مسئله‌ی اصلی جایگزینی نیست؛ تغییر تعریف ارزش است. دوم، کسانی که فکر می‌کنند آینده فقط در ابزارها خلاصه می‌شود؛ ساعت‌ها workflow جمع می‌کنند، مدام بین ابزارهای جدید جابه‌جا می‌شوند، بدون اینکه درک عمیقی از context، cognition و رفتار سیستم داشته باشند. هوش مصنوعی بیشتر از اینکه آدم‌ها را حذف کند، تفاوت میانشان را شدیدتر می‌کند. افرادی که ابهام را بهتر مدیریت می‌کنند، intent را دقیق‌تر می‌فهمند و می‌توانند contextهای معنادار بسازند، چندین برابر قدرتمندتر خواهند شد.

آن حسی که روز اول کنار پروژه‌ام داشتم — که ابزار کار می‌کرد اما نمی‌فهمید — حالا اسم دارد. مسئله‌ی اصلی فهم بود، نه اجرا. و این همان چیزی است که صنعت ما هنوز دارد با آن دست‌وپنجه نرم می‌کند.

شاید چند سال دیگر، مهم‌ترین مهارت دیزاینرها نه ساختن اینترفیس، بلکه طراحی سیستم‌هایی باشد که بتوانند انسان را بفهمند؛ سیستم‌هایی که context را مدیریت می‌کنند، intent را تفسیر می‌کنند و رفتارهایی تولید می‌کنند که فقط «خروجی» نیستند، بلکه نوعی فهم هستند. اگر این اتفاق واقعا در حال رخ دادن باشد، ما در میانه‌ی یکی از بزرگ‌ترین مرگ و تولدهای دوباره‌ی تاریخ دیزاین ایستاده‌ایم. و سوالی که هنوز جوابش را نمی‌دانم اینجاست: چند نفر این را می‌بینند؟

اگر این مقاله چیزی را در ذهنت تغییر داد یا سوالی برایت باز کرد، خوشحال می‌شوم در کامنت‌ها بشنوم. و اگر فکر می‌کنی کسی هست که باید این مقاله را بخواند، برایش بفرست.

منابع

Anthropic. Prompt Engineering Overview. docs.anthropic.com

Willison, Simon. Prompt Injection and Context. simonwillison.net

Southleft. Context-Based Design Systems Revisited. southleft.com

Norman, Don. The Design of Everyday Things. Basic Books, 2013.

Kahneman, Daniel. Thinking, Fast and Slow. Farrar, Straus and Giroux, 2011.