سارة غو من Conviction: لماذا لن تستبدل LLM العمل الذي لا يمكن قياسه

نشرت سارة جو، مؤسسة صندوق الذكاء الاصطناعي Conviction، تحليلاً يعيد صياغة السؤال المركزي حول الذكاء الاصطناعي والعمل: ليس "هل ستحل الذكاء الاصطناعي محل الناس؟"، بل "ماذا بالضبط ستحل الذكاء الاصطناعي — ولماذا ليس كل شيء؟"

حيث تصل نماذج اللغة إلى حدودها

تتعلم نماذج اللغة فقط حيث توجد إشارة تعليمية واضحة. الإجابة الصحيحة على مسألة رياضية، والكود الذي يجتاز الاختبارات، والتشخيص الذي يمكن التحقق منه — كل هذا يمكن تصنيفه وتقييمه، وبالتالي تعليمه. لكن جو تشير إلى قيد هيكلي: كمية ضخمة من العمل القيم لا يمكن توحيد قياسها أو قياسها بدقة كافية.

يتطلب التعلم المعزز بالتعريف دالة مكافأة — تقييم مدى جودة النتيجة. إذا لم يكن هناك مثل هذا التقييم، فلا توجد إشارة للتحسن. هذا ليس مشكلة مؤقتة ستحلها النسخة التالية من GPT. إنها قيود معمارية متأصلة في طبيعة النماذج القابلة للتدريب نفسها.

ما العمل الذي يبقى للناس

تحدد جو عدة فئات من العمل التي لا يمكن "تحويلها إلى مجموعة بيانات":

• القرارات في ظل عدم اليقين — عندما تكون الإجابة الصحيحة غير معروفة مقدماً، وتظهر النتيجة بعد سنوات. الاستثمار في رأس المال الجريء هو المثال الكلاسيكي.
• بناء الثقة — بين الناس والشركات والمستثمرين. العلاقات لا يتم رقمنتها ولا يتم تقييمها في الوقت الفعلي.
• الحكم على الحالات الفريدة — بدون نظائر تاريخية، بدون سابقة. كل تحول تجاري كبير فريد من نوعه.
• تفسير الإشارات الضمنية — النبرة في المفاوضات، السياق الثقافي، توقعات العميل غير المذكورة.
• إنشاء شيء جديد — أفكار، فئات منتجات، استراتيجيات لم تكن موجودة من قبل. مجموعة البيانات لهذا فارغة بالتعريف.

الميزة المشتركة: بدون تسميات، بدون معيار، بدون طريقة للتحقق من النتيجة بدقة كافية للتدريب.

لماذا تتلقى Application Layer تمويل رأس المال الجريء

هذا يشرح المنطق الذي يوجه صناديق مثل Conviction (~300 مليون دولار تحت الإدارة) و Mento VC: فهي تستثمر بشكل مستمر ليس في منشئي النماذج الأساسية، بل في المنتجات المبنية فوقها. النماذج الأساسية — GPT-5 و Claude و Gemini — تتحول تدريجياً إلى سلع. تتنافس مع بعضها البعض، وتتساوى قدراتها، وينخفض تكلفة الوصول إلى جودة الحدود كل ربع سنة.

لا يتم إنشاء القيمة المستدامة في النموذج نفسه، بل في سياق تطبيقه — في ما تفتقره النماذج بطبيعتها. تراكم Application Layer بالضبط: خبرة المجال، والبيانات السلوكية المتراكمة، وسير العمل الذي لا يمكن نسخه دون معرفة عميقة بالمجال، وثقة العميل، والأهم — الحكم البشري حيث تكون الأتمتة مستحيلة هيكلياً.

"هناك عمل لا يمكن اختزاله إلى معيار أو قياسه. إذا لم تستطع قياسه، فلا

يمكنك تدريب نموذج على القيام به بشكل أفضل" — في هذا الطرح من جو تكمن مفتاح فهم الشركات الناشئة التي تتلقى التمويل والتي لا تتلقاه.

ماذا يعني هذا

يوفر حجة جو للمستثمرين والمؤسسين مرشح عملي. الشركات المبنية على مهام قابلة للقياس — معالجة المستندات، وإنشاء المحتوى من القوالب، والتحليل الأساسي للبيانات — تواجه ضغطاً أقصى من النماذج نفسها وتجد صعوبة في شرح ميزة تنافسية مستدامة. أولئك الذين يعملون في منطقة عدم القياس يحصلون على ميزة هيكلية لن تختفي مع النسخة التالية من GPT.

بالنسبة للمستثمرين، السؤال بسيط: إذا كانت قيمة المنتج محددة بالكامل من خلال جودة النموذج الأساسي — استثمار ضعيف. إذا كانت القيمة تكمن في ما لا يمكن للنموذج أن يعيد إنتاجه بالمبدأ — فهذا مثير للاهتمام.