همه‌چی از یه رؤیای مشترک شروع شد: مدیر رو صندلیش قهوه بخوره و هوش مصنوعی هزار برابر سریع‌تر از آدم کد بزنه و محتوا بسازه و داده تحلیل کنه. تو واقعیت اتفاقی که افتاد این بود که ابزارهای گرون‌قیمت افتاد دست کارمندایی که نمی‌دونن این چیزا چطور کار می‌کنن. کافیه داشبورد هزینه‌های ابری یا ⁦API⁩ خیلی از سازمان‌ها رو باز کنی تا ببینی داستان از چه قراره. جرج سیوولکا مدیرعامل ⁦Hebbia⁩ یه جمله داره که تیتر ماجراست: برای اولین بار تو تاریخ، آدم‌ها از نرم‌افزار ارزون‌تر شدن. درس راه‌آهن نویسنده برمی‌گرده به دهه ۱۸۳۰. تو یه دهه طول خطوط راه‌آهن آمریکا ۱۲۰ برابر شد و همه‌چی عالی به نظر می‌رسید تا ۵ اکتبر ۱۸۴۱ که دو تا قطار تو خط غربی ماساچوست به خاطر یه خطای ساده تو هماهنگی به هم کوبیدن. اونجا فهمیدن با بزرگ‌شدن شبکه دیگه نمی‌شه فقط به مهارت لوکوموتیوران تکیه کرد. چند دهه طول کشید تا مدیر منطقه‌ای بذارن، شرح وظایف بنویسن و سلسله‌مراتب گزارش‌دهی بسازن. مدیریت مدرن از همون‌جا دراومد و راه‌آهن شد یکی از اولین صنایع میلیارددلاری دنیا. حرف مقاله اینه که ⁦AI⁩ دقیقاً همون فیلم رو داره پخش می‌کنه؛ ناکارآمدی‌های موجود سیستم رو با سرعت وحشتناک تکثیر می‌کنه. پرتاب توکن به سمت مشکل مدیر سنتی وقتی مشکل رو نمی‌فهمه، نیرو استخدام می‌کنه. نسخه مدرنش اینه که توکن بریزی رو مشکل. ولی مشکل هیچ‌وقت مقدار توکن نبوده؛ مشکل اینه که کسی بلد نیست کانتکست بده. تخمین مقاله اینه که شاید یکی از هر صد نفر واقعاً می‌تونه یه فرایند رو شفاف توضیح بده و محدودیت حافظه ماشین رو درک کنه. دست اون ۹۹ تای دیگه که ایجنت بدی، فقط لوپ تولید می‌شه. حلقه‌های باطل، همون جلسه‌های بی‌فایده جلسه‌ای که خروجیش تعیین جلسه بعدیه رو تصور کن. تو ⁦Claude Code⁩ و کوپایلت و ⁦Autoresearch⁩ کارپاتی هم دقیقاً همین اتفاق می‌افته. وقتی وظیفه درست تعریف نشده، ایجنت مجبوره مدام خودش رو صدا بزنه تا اشتباهاتش رو جبران کنه. مثل کارآموزی که بهش دستور مبهم دادی و ساعت‌ها گیج می‌زنه. عددش هم ترسناکه: درخواست‌های مبهمی که تو لوپ می‌افتن می‌تونن هزینه یه کار یکسان رو تا ۱۰۰ برابر گرون‌تر کنن. اون ۸۰ درصدی که هیچ کاری نمی‌کنه تو خیلی از سازمان‌های بزرگ، بخش زیادی از کارمندا عملاً فقط رو کار همدیگه مهر تأیید می‌زنن تا نفر بیشتری استخدام بشه و چرخه ادامه پیدا کنه. مقاله می‌گه همون نسبت تو دنیای ماشین هم برقراره: حدود ۸۰ درصد توکن‌هایی که امروز مصرف می‌شن هیچ خروجی مفیدی ندارن. حلقه‌های تکراری شدن راه جدید بزرگ شدن سازمان‌ها. کاری که باید بکنی حذف همون ۸۰ درصده. افسانه‌های توکن هر چی درباره برتری ⁦AI⁩ شنیدی، شرط داره. می‌گن دقیق‌تر از آدمه، فقط وقتی پرامپت درست بگیره. می‌گن سریع‌تره، ولی وقتی یه کار صد بار تکرار و اصلاح بشه سرعت بی‌معنیه. می‌گن سیاست‌بازی نمی‌کنه، ولی با هدر دادن توکن برای خودش امپراتوری می‌سازه. می‌گن استعفا نمی‌ده، ولی بین نسخه‌های جدید مدل و سشن‌های تازه از بین می‌ره. می‌گن قابل اعتماده، ولی گاهی با اعتمادبه‌نفس کامل و فرمت بی‌نقص، اطلاعات غلط تحویلت می‌ده. تنها جایی که واقعاً آدم رو شکست می‌ده مقیاس‌پذیریه. استخدام و آموزش نیروی انسانی انرژی می‌بره، ولی بالا بردن مقیاس توکن تو لحظه اتفاق می‌افته. دقیقاً به همین خاطر بدمدیریتیش این‌قدر گرون تموم می‌شه. تو نسل قبلی فناوری از «مهندس ۱۰ برابری» حرف می‌زدن، حالا باید دنبال توکن‌های ۱۰۰ برابری بگردی؛ توکن‌هایی که با زمینه درست، هزینه کار رو زمین می‌زنن. تخمین گزارش اینه که تا ۲۰۲۸ هزینه یه ساعت کار با مدیریت خوب می‌رسه به حدود ۴ دلار، ولی همون مدل با مدیریت بد می‌تونه ۷ هزار دلار آب بخوره. کسی جایگزین خودش رو آموزش نمی‌ده اینجا بحث سیاسی می‌شه. کارمندا فهمیدن این مدل‌ها فقط برای کمک بهشون نیومدن، پس فوت کوزه‌گری کارشون رو تحویل سیستم نمی‌دن. تو متا حتی کارمندای سهام‌دار وقتی فهمیدن داده‌های کاریشون داره مدل آموزش می‌ده عصبانی شدن. آدم‌ها قرن‌هاست دانش صنفی رو تضمین شغلشون می‌دونن؛ تو قرون وسطی اصناف روش‌هاشون رو مثل راز نگه می‌داشتن. ⁦AI⁩ اولین فناوری تاریخه که از کارمند می‌خواد همه رازهاش رو یک‌جا بریزه وسط. بدترین بخشش اینه که ارزشمندترین آدم‌های سازمان، یعنی همون‌هایی که کلید توکن‌های ۱۰۰ برابری دستشونه، کمترین انگیزه رو برای این کار دارن. ⁦Eval⁩ جای ⁦KPI⁩ رو می‌گیره مدیریت آدم وقتی جواب می‌ده که تعریف کنی «کار خوب» یعنی چی. برای ماشین هم همینه. جای ⁦KPI⁩ رو اینجا شاخص‌های ارزیابی می‌گیرن. دلیل اینکه ⁦AI⁩ تو برنامه‌نویسی این‌قدر موفق بوده اینه که کد از اساس معیار درونی داره؛ یا اجرا می‌شه یا نمی‌شه. برای همینه که ۹۹ درصد درآمد امروز هوش مصنوعی از دنیای کدنویسی درمیاد. تو بازاریابی و حقوقی و مدیریت، تا وقتی کسی معیار ارزیابی نسازه ماجرا راه نمی‌افته. کار واقعی مدیر تو این دوره همینه: تبدیل فرایندهای مبهم انسانی به چیز قابل سنجش. مجموعه ⁦Eval⁩های هر شرکت هم یکی از ارزشمندترین دارایی‌هاشه و نباید کپی بقیه باشه، چون مزیت رقابتی محسوب می‌شه. فرصت بعدی کجاست سیلیکون‌ولی اون‌قدر مطمئنه شرکت‌های قدیمی تو پیاده‌سازی ⁦AI⁩ شکست می‌خورن که داره پول‌های سنگین رو نئوفرم‌ها می‌ریزه تا بازار ۲۱ تریلیون دلاری خدمات دانش‌بنیان رو بگیرن. ولی مقاله می‌گه خود ⁦AI⁩ برای ارزشمندترین دارایی‌ش به همین شرکت‌های قدیمی وابسته‌ست؛ به فرایندهایی که همین الان کار می‌کنن و کانال‌های توزیعی که از قبل وجود دارن. برنده اصلی کسیه که تحول رو ممکن می‌کنه، نه کسی که سهم بازار می‌دزده. نمونه‌ش پالانتیره. یه کسب‌وکار نیم‌تریلیون دلاری که رو کاغذ با وجود مدل‌هایی مثل کلاد باید له می‌شد، ولی نشد. چون پالانتیر نرم‌افزار نمی‌فروشه، تحول می‌فروشه. و این تحول یه پروژه یه‌باره نیست؛ هر راهکاری که پیاده کنی، نیاز به ده تا راهکار دیگه رو نشون می‌ده. جمع‌بندیش اینه: مشکل امروز کمبود زیرساخت یا نبود ابزار نیست. باید مثل مدیرای راه‌آهن قرن نوزدهم سیستم رو مدیریت کنی تا قطارها سر وقت برسن. حلقه‌های باطل رو ببندی، توکن‌های ۱۰۰ برابری رو پیدا کنی و جلوی هدررفت بودجه رو بگیری.