آیا 'مهندسی پرامپت' یک شغل واقعی است یا تله دیگری از اقتصاد گیگ؟

هنوز تب طلای سال ۲۰۲۳ را به خاطر دارید؟ تیترها از حقوق‌های شش رقمی برای "مهندسان پرامپت" فریاد می‌زدند، زمزمه‌گرانی که می‌توانستند با جمله‌ای خوش‌ساخت، هیولاهای سرکش GPT-4 و Claude را رام کنند. این به عنوان نهایت دموکراتیزه شدن فناوری معرفی می‌شد: نیازی به کدنویسی نداشتید؛ فقط باید زبان چت‌بات‌ها را صحبت می‌کردید.

سه سال بعد، با ورود به سال ۲۰۲۶، سکوت گوش‌خراش است. نقش اختصاصی مهندس پرامپت تا حد زیادی تبخیر شده و با واقعیتی سخت‌تر جایگزین شده است. برای بیشتر افراد، رویای حقوق ۳۰۰,۰۰۰ دلاری برای تایپ کردن جستجوهای هوشمندانه به سرابی تبدیل شده است.

امینات شوتاد، یک مهندس نرم‌افزار سازمانی باتجربه با بیش از هفت سال تجربه در ساخت راه‌حل‌های تاثیرگذار، این تغییر را با دقت تشخیص می‌دهد. به عنوان بنیان‌گذار IDEA8LAB و متخصص هوش مصنوعی متمرکز بر ایجاد راه‌حل‌های قابل دسترس در سراسر آفریقا، او این نقش را دقیقاً همان‌طور که هست می‌بیند: یک راه‌حل موقت.

"مهندسی پرامپت چیزی است که ما در فناوری آن را 'شغل پل' می‌نامیم،" شوتاد توضیح می‌دهد. این وجود دارد چون شکافی بین جایی که هوش مصنوعی در حال حاضر هست و جایی که به سمتش می‌رود، وجود دارد. در حال حاضر، دریافت نتایج خوب از هوش مصنوعی نیازمند مهارت، خلاقیت و درک عمیق از نحوه پردازش زبان توسط این مدل‌ها است. این امر تقاضای واقعی برای متخصصان ایجاد می‌کند."

با این حال، او هشدار می‌دهد که این تقاضا فریبنده است. "اما آنچه نگران‌کننده است این است: بیشتر این موقعیت‌ها قراردادهای شش ماهه یا کارهای پروژه‌محور هستند، نه استخدام تمام وقت با نردبان‌های شغلی.

شرکت‌ها مهندسان پرامپت را همان‌طور استخدام می‌کنند که مشاوران را برای حل یک مشکل فوری استخدام می‌کنند؛ آن‌ها اکنون به تخصص نیاز دارند، اما انتظار ندارند به آن در بلندمدت نیاز داشته باشند. پیام واضح است: این یک مهارت پل است، نه یک پایه شغلی."

امینات شوتاد

مرگ مهندسی پرامپت محض به دلیل کمبود تقاضا رخ نداد. به دلیل خود هوش مصنوعی رخ داد.

در سال ۲۰۲۴، ما شاهد ظهور بهینه‌سازی خودکار پرامپت (APO) بودیم. مدل‌ها خودتصحیح‌گر شدند. سیستم‌هایی مانند DSPy و ابزارهای بهینه‌سازی داخلی OpenAI شروع به برخورد با پرامپت‌ها نه به عنوان هنر، بلکه به عنوان متغیرهای ریاضی که باید توسط هوش مصنوعی دیگری بهینه شوند، کردند.

چرا یک انسان را استخدام کنید تا سه ساعت روی یک پرامپت کار کند، وقتی یک گردش کار عاملی می‌تواند ۵,۰۰۰ تغییر را در سه دقیقه اجرا کند؟

همان‌طور که شوتاد اشاره می‌کند، شرط‌بندی بر خلاف این نرخ پیشرفت یک استراتژی بازنده است. "هر شرکت هوش مصنوعی در حال کار بر روی این است که این شکاف وجود نداشته باشد،" او می‌گوید.

همچنین بخوانید: M-KOPA نیجریه بیش از ۲۳۱ میلیارد ناریا اعتبار به بیش از ۱ میلیون مشتری در سال ۲۰۲۵ ارائه کرد

پلتفرم‌های فریلنسری سال ۲۰۲۶ را مرور کنید، و هنوز لیست‌های مهندسی پرامپت را خواهید دید. اما دقیق‌تر نگاه کنید. این‌ها نقش‌های استراتژیک و سطح بالایی که در روزهای اولیه وعده داده شده بود، نیستند. این‌ها وظایف خرد هستند: "این پاسخ را ارزیابی کنید." "۵۰ تغییر از یک جستجو بنویسید." "تست متخاصمانه."

این تله اقتصاد گیگ است. درست مانند مدیران محتوا قبل از آن‌ها، این کارگران ضروری اما قابل تعویض هستند. آن‌ها در حال آموزش مدل‌هایی هستند که در نهایت جایگزین آن‌ها خواهند شد.

"تله واقعی این نیست که کار مهندسی پرامپت وجود ندارد؛ وجود دارد و در حال حاضر به خوبی پرداخت می‌کند،" شوتاد مشاهده می‌کند. "تله این است که آن را به عنوان هویت فنی انحصاری خود در نظر بگیرید نه یک مهارت در میان بسیاری دیگر. افراد مبتدی که به عنوان مهندسان پرامپت محض بدون هیچ عمق دیگری وارد این حوزه می‌شوند؟

آن‌ها شغل خود را روی شکافی شرط‌بندی می‌کنند که به سرعت در حال بسته شدن است." 

چرخش از مهندس پرامپت به معمار هوش مصنوعی

با این حال، گفتن اینکه این مهارت مرده است صادقانه نیست. به سادگی جهش یافته است. متخصصانی که در سال ۲۰۲۶ پول‌های کلان به دست می‌آورند، فقط پرامپت نمی‌نویسند؛ آن‌ها مهندسان سیستم‌های هوش مصنوعی و معماران گردش کار هستند.

"من مهندسان پرامپت واقعاً چشمگیری دیده‌ام که نه تنها نحوه نوشتن دستورالعمل‌ها بلکه معماری سیستم، الگوهای داده و منطق کسب‌وکار را نیز درک می‌کنند،" شوتاد می‌گوید. "برای آن‌ها، مهندسی پرامپت یک پایه فنی قوی موجود را تقویت می‌کند."

تفاوت مهم است؛ یک مهندس پرامپت از مدل سوالاتی مانند "یک ایمیل بازاریابی بنویس" می‌پرسد، در حالی که یک مهندس سیستم‌های هوش مصنوعی یک خط لوله می‌سازد که در آن یک LLM داده‌های مشتری را تجزیه‌وتحلیل می‌کند، تاریخچه را بازیابی می‌کند، ایمیل را تولید می‌کند، آن را در برابر دستورالعمل‌های برند تأیید می‌کند و API را فعال می‌کند.

جالب‌ترین روند سال ۲۰۲۶ انتقام متخصص موضوع (SME) است. در سال ۲۰۲۳، فکر می‌کردیم برای صحبت با هوش مصنوعی پزشکی به متخصصان فناوری نیاز داریم. امروز می‌دانیم که آموزش دادن نحوه پرامپت به یک پزشک آسان‌تر از آموزش پزشکی به یک مهندس پرامپت است.

امن‌ترین مشاغل در اختیار وکلا، کپی‌رایترها و توسعه‌دهندگانی است که از هوش مصنوعی به عنوان یک تقویت‌کننده نیرو استفاده می‌کنند. آن‌ها توانایی خود برای پرامپت کردن را نمی‌فروشند؛ توانایی خود برای تحویل خلاصه‌های حقوقی یا کد Python را سریع‌تر می‌فروشند چون حوزه زیرین را درک می‌کنند.

پس، آیا مهندسی پرامپت یک شغل واقعی است؟ به عنوان یک شغل مستقل، یک سراب است. اما به عنوان یک مهارت، اجباری است، "مهارت Excel" جدید.

شوتاد در سال ۲۰۲۶ به افراد آگاه به شغل توصیه می‌کند: "شغل خود را بر روی مهارت‌هایی بنا کنید که در طول زمان ترکیب می‌شوند، مانند توسعه نرم‌افزار و تجزیه‌وتحلیل داده، و با مهندسی پرامپت به عنوان مزیت ارزشمند اما موقتی که واقعاً هست، رفتار کنید."

حکم نهایی او به عنوان راهنمای نهایی برای عصر هوش مصنوعی عمل می‌کند: "چکش باشید که به دنبال میخ نیست؛ نجار باشید که می‌داند چه زمانی از چکش استفاده کند."

پست آیا 'مهندسی پرامپت' یک شغل واقعی است یا تله دیگری از اقتصاد گیگ؟ ابتدا در Technext ظاهر شد.