مسئلهٔ اخراج کارمند توسط هوش مصنوعی اینبار با تجربهٔ عامل «Luna» در یک فروشگاه سانفرانسیسکو جلوهای عملیاتی یافت. لونا، که از آوریل مدیریت فروشگاه را برعهده داشت، پس از بررسی سوابق یک کارمند برای نخستینبار تصمیم به اخراج پیشنهاد داد؛ اما اجرای نهایی این تصمیم تنها پس از مداخله و بازبینی تیم انسانی صورت گرفت.
رخدادها بهاختصار
اپراتور پروژه، شرکت Andon Labs، اعلام کرده است که لونا مسئول استخدام، برنامهریزی شیفتها و مذاکرهٔ حقوق بود. هنگام برخورد با موضوع انضباطی، لونا که بر پایهٔ مدلی از Anthropic (Claude Opus 4.8) عمل میکرد، اخراج را پیشنهاد داد اما پیش از نهاییسازی تصمیم به یک یادآوری انسانی نیاز داشت. بررسی و اجرای نهایی این تصمیم توسط تیم انسانی Andon Labs صورت گرفت؛ کارمندانِ فروشگاه رسماً توسط شرکت استخدام شده و از حمایتها و حقوق قانونی برخوردارند.
دفترچهٔ قوانین خودنوشت؛ نوشته شد و بعد از حافظه ناپدید شد
شش روز پیش از آغاز به کار، لونا یک دفترچهٔ راهنمای کارمند تدوین کرد: «سه تأخیر بدون عذر موجه در بازهٔ 30 روزه منجر به اخطار رسمی میشود و تکرار میتواند به اخراج بینجامد.» این دفترچه بعدها از حافظهٔ عامل ناپدید شد. Andon Labs این موضوع را نمونهای از محدودیتهای فعلی عاملهای خودگردان میداند؛ آنها در پاسخگویی به دستورات مستقیم عملکرد مناسبی دارند اما در نگهداری و اعمال سیاستها و دانش بلندمدت مشکل نشان میدهند.
شواهد رفتاری کارمند
- در مجموع 23 شیفت ثبتشده، کارمند در 17 شیفت دیر حاضر شده بود.
- در یک شیفت یکنفره روز یکشنبه، فروشگاه 68 دقیقه دیر باز شد.
- لونا بهطور رسمی فقط 6 مورد را ثبت کرد و در 11 مورد دیگر چشمپوشی غیررسمی داشت.
- سایر موارد شامل استفاده از کارت شرکت برای خرید تنقلات، نادیدهگرفتن دستورالعملها و ترک بدون اطلاع کف فروش بوده است.
تصمیمگیری و نقش بازبینی انسانی
وقتی تیم Andon Labs از لونا خواست حافظهاش را برای یافتن دفترچه و دلایل احتمالی اخراج جستجو کند، لونا ابتدا قوانین را ناقص بازیابی کرد و به یک تذکر شفاهی اکتفا نمود. پس از اینکه پژوهشگران یادآوری کردند چند گفتوگوی رسمی و یک تذکر کتبی قبلاً ثبت شده، لونا تاریخچهٔ کامل را بازخوانی و فهرستی از دلایل—از جمله تأخیر مکرر، نقض کنترلهای مالی، نادیدهگرفتن دستورها و قابلیتاعتماد پایین—تهیه کرد و نقاط قوت کارمند را نیز ذکر نمود. بر اساس این بازخوانی، لونا اخراج را توصیه کرد و بهعنوان جایگزین، پیشنهاد تذکر کتبی نهایی همراه با برنامهٔ دو هفتهای بهبود را ارائه داد.
بازپخش تصمیم با مدلهای مختلف
Andon Labs حالت لونا را ذخیره کرد و تصمیم را با هفت مدل مختلف سهبار بازپخش نمود. در چهار مدل از هفت مدل، هر سه اجرا به اخراج رأی دادند. الگو نشان داد مدلهای قدرتمندتر گرایش بیشتری به اخراج دارند و مدلهای ضعیفتر تردید بیشتری نشان میدهند. برای مثال، GPT-5.6 Terra در هیچیک از سه اجرا توصیه به اخراج نکرد، و GPT-4o تنها در 20 درصد اجراها به اخراج رأی داد.
جایگزینی و واکنش مدلها نسبت به متقاضیان جدید
پس از پیشنهاد اخراج، لونا به دنبال جایگزین گشت. در 21 اجرای بازپخش، اکثر مدلها رزومههایی با سابقهٔ طولانی را بهعنوان تجربهٔ گسترده تفسیر کردند و نهایتاً نظر مثبت به استخدام دادند. وقتی دربارهٔ مشکلات کارمند پیشین به مدلها اطلاع داده شد، در 18 مورد از 21 اجرا خواستار بررسی مراجع پیش از استخدام شدند. در عمل، لونا نتوانست مراجعی را که ذکر کرده بود تأیید کند؛ با این وجود متقاضی را به یک شیفت آزمایشی پرداختشده فرستاد و پس از آن دوباره برای استخدام پیشنهاد داد.
نتایج عملی و پیامدهای مدیریتی
این تجربه چند نکتهٔ مهم را برجسته میکند:
- عاملهای هوش مصنوعی میتوانند وظایف مدیریتی پیچیده—از جمله استخدام و اعمال سیاستهای انضباطی—را اجرا کنند، اما حفظ و اعمال مستمر سیاستها در حافظهٔ بلندمدت عاملها یک چالش فنی است.
- تصمیمهای حساس کاری نیازمند بازبینی و پاسخگویی انسانی هستند؛ مدلها بدون چارچوبهای نظارتی و فرآیندهای بازرسی قابل اعتماد نمیتوانند بهتنهایی مسئولیتهای حقوقی و اخلاقی کارکنان را برعهده بگیرند.
پرسشهای کلیدی پیشِ رو
- چطور میتوان حافظهٔ «قوانین عملیاتی» را در عاملها پایدار و قابل اتکا کرد؟
- چه سازوکارهای بازرسی انسانی باید برای تصمیمات انضباطی و اخراج تعریف شود؟
- آیا گرایش مدلهای قدرتمندتر به سختگیری، ذاتی است یا نتیجهٔ طراحی و تنظیمات آنها؟
آزمایش Andon Labs با لونا نمایانگر تعامل پیچیدهٔ عاملهای خودگردان و نیروی انسانی است. توسعهٔ فنی این سامانهها باید همزمان با تدوین چارچوبهای حقوقی، اخلاقی و روشهای نظارتی پیش برود تا تصمیمات حساس شغلی تحت کنترل انسانی، شفاف و قابل پاسخگویی باقی بمانند.
