آزمون ۶ عامل هوش مصنوعی برتر در کارهای روزمره؛ کدام دستیار بهترین عملکرد را دارد؟

سال گذشته را به یاد دارم که در دفتر کار، مدام پیش همکارانم گله می‌کردم که عوامل هوش مصنوعی چقدر ناکارآمد و ضعیف هستند؛ آن‌ها در عمل از پس هیچ کاری برنمی‌آمدند.

به‌عنوان خبرنگار حوزه نرم‌افزار، در جلسات متعددی شرکت می‌کردم که توسعه‌دهندگان در آن‌ها نشان می‌دادند چگونه عامل هوشمند جدیدشان زندگی روزمره را متحول می‌کند و کارهای کسل‌کننده را به‌شکل خودکار انجام می‌دهد. نکته اینجا بود که در عمل، هیچ‌کدام از این دستیارهای به‌اصطلاح «عامل» کارایی واقعی نداشتند.

اما امروز ماجرا کاملاً فرق کرده است؛ تب عوامل هوش مصنوعی همیشه فعال به‌شدت بالا گرفته و غول‌های فناوری برای جذب کاربران اولیه، در حال رقابت برای عرضه نسخه‌های اختصاصی خود هستند. دلیل اصلی اینکه این دستیارهای شخصی فراتر از محافل تخصصی سیلیکون‌ولی مورد توجه عموم قرار گرفته‌اند، کارایی عملی آن‌ها است؛ یا دست‌کم این بار بسیار قابل‌اعتمادتر از پارسال عمل می‌کنند. گرچه این ابزارها هنوز اشتباه می‌کنند، اما در پیگیری کارها و کنترل مرورگر پیشرفت خیره‌کننده‌ای داشته‌اند و جهش بزرگی را تجربه کرده‌اند.

انتخاب نقطه شروع و پیدا کردن عاملی که دقیقاً با نیازهای خودکارسازی شما همخوانی داشته باشد، کار ساده‌ای نیست. از همین رو، یک روز کامل را به آزمودن تک‌تک عوامل مطرح هوش مصنوعی اختصاص دادم تا نقاط قوت و ضعف هرکدام را بسنجم. پیش از خواب، شش عامل همیشه فعال را روی گوشی آیفون خود آماده کردم: Muse متعلق به متا، Dots از OpenAI، Instinct، Claude Duet از Anthropic، Gemini Spark گوگل و Grok Bot متعلق به xAI.

هرکدام از این عوامل از نظر قیمت و کارکرد تا حدی متفاوت هستند. استفاده از Muse رایگان است و از زمان انتشار در ماه سپتامبر، در صدر جدول دانلود برنامه‌های گوشی قرار دارد. عامل Instinct نیز رایگان است، اما برای فعال‌سازی به کد دعوت نیاز دارد و به‌جای برنامه مجزا، از طریق پیامک کار می‌کند. عامل Dots از OpenAI گران‌ترین گزینه مورد بررسی بود که با اشتراک ماهانه ۱۰۰ دلار درون ChatGPT تعبیه شده است. ابزار Gemini Spark گوگل نیز در قالب نسخه آزمایشی با هزینه ماهانه ۲۰ دلار داخل برنامه Gemini عرضه می‌شود. عامل Grok Bot از xAI با اشتراک ۳۰ دلار در ماه در اپلیکیشن مستقل خود فعال است؛ و در نهایت Claude Duet از Anthropic با قیمت ۲۰ دلار در ماه، جدیدترین عضو این گروه به شمار می‌رود که دقیقاً شب قبل از این آزمایش‌ها، در قالب نسخه پیش‌نمایش پژوهشی با فهرست انتظار عرضه شد.

پروژه OpenClaw در این فهرست حضور ندارد؛ زیرا هرچند در اوایل امسال جرقه بسیاری از این نوآوری‌ها را زد، اما راه‌اندازی آن برای کاربران عادی بیش از حد پیچیده است. شاید در بررسی‌های بعدی بتوان آن را در کنار ابزارهای کوچک‌تری مانند Hermes از Nous Research و Poke ارزیابی کرد.

عامل هوش مصنوعی دقیقاً چیست؟

اگر تاکنون از عامل‌های هوش مصنوعی استفاده نکرده‌اید، کار با آن‌ها شبیه پیام دادن به یک دستیار دیجیتال برای انجام دادن کارها است: بررسی ایمیل‌ها برای یافتن پیام‌های مهم خوانده‌نشده، پایش بلیت‌های ارزان پرواز برای تعطیلات و کمک به تصمیم‌گیری در خریدهای روزمره.

این ابزارها برخلاف تجربه نوبتی چت‌بات‌های سنتی، فعال‌تر عمل می‌کنند و هرگاه فرصتی برای کمک پیدا کنند، خودشان پیش‌قدم می‌شوند و به شما پیام می‌دهند. تمام مکالمات شما با این عوامل معمولاً در یک رشته پیام واحد ذخیره می‌شود که حس یک گروه پیام‌رسان را تداعی می‌کند. این دستیارهای هوش مصنوعی بسیاری از این وظایف را با کنترل یک مرورگر مجازی انجام می‌دهند؛ ابزاری که در واقع نقش رایانه اختصاصی آن‌ها را برای دسترسی به اینترنت ایفا می‌کند.

معیارهای ارزیابی

برای سنجش میزان ابتکار عمل، پیروی از دستورات و توانایی وب‌گردی این ابزارها، پنج آزمون پایه‌ای طراحی شد تا عملکرد آن‌ها در یک بازه ۲۴ ساعته سنجیده شود. عملکرد هر عامل در هر بخش امتیازی بین ۱ تا ۵ دریافت کرد و در پایان با جمع‌بندی نتایج، بهترین ابزار و البته آزاردهنده‌ترین گزینه مشخص شدند.

این بررسی به معنای تأیید کامل هیچ‌کدام از این عوامل نیست. این نرم‌افزارها هنوز نوپا هستند و نگرانی‌های امنیتی و حریم خصوصی پیرامون آن‌ها زیاد است. این ابزارها زمانی بهترین عملکرد را دارند که به داده‌های شخصی شما مانند ایمیل و تقویم متصل شوند، اما این کار به سطحی از اعتماد نیاز دارد که ممکن است برخی کاربران را نگران کند. برای نمونه، کاربری در شبکه اجتماعی X گزارش داد پس از اتصال عامل هوش مصنوعی به حساب بانکی و پیام‌رسان کاری Slack، عامل هوشمند موجودی حساب او را در معرض دید همکارانش قرار داده بود.

علاوه بر این، آزمون‌های انجام‌شده تنها بخش کوچکی از توانایی‌های این ابزارها را پوشش می‌دهند. با اشتراک‌گذاری داده‌های بیشتر درباره نحوه انجام کارهایتان، عملکرد همه این عوامل در طول زمان بهبود خواهد یافت. در این آزمایش‌ها تنها تقویم گوگل و حساب Gmail شخصی در اختیار ابزارها قرار گرفت تا دسترسی آن‌ها بیش از حد باز نباشد.

گزارش صبحگاهی

در جلسات هفتگی تحریریه، خبرنگاران پیرامون سوژه‌های روز و ایده‌های خبری آینده گفتگو می‌کنند. از این رو، هدف این بود که ببینیم کدام عامل هوش مصنوعی می‌تواند بهترین خلاصه اخبار فناوری را آماده کند و از آن اطلاعات برای خلق یک تیتر جذاب بهره ببرد. شرکت‌های سازنده همواره این ابزارها را برای آماده‌سازی بسته‌های خبری صبحگاهی و اطلاع از رویدادهای مهم بسیار کارآمد معرفی می‌کنند.

برای هر عامل هوشمند یک دستور متنی مفصل ارسال شد که حوزه‌های پوشش خبری و کاربرد ایده را مشخص می‌کرد. با اینکه از عوامل خواسته شد ۳۰ دقیقه زمان بگذارند و پیش از پاسخ به جستجوی عمیق بپردازند، تنها ابزار Muse متا و دستیار Dots از OpenAI واقعاً بیشتر زمان مشخص‌شده را به تحقیق اختصاص دادند. سایر عوامل یا بلافاصله پاسخ دادند یا تنها بعد از چند دقیقه جستجو، تیتر پیشنهادی را تحویل دادند. این تفاوت نشان می‌دهد که Muse و Dots در این موقعیت، عملکرد بهتری در پیروی از دستورات ثبت کردند؛ قابلیتی که در کارایی یک عامل هوشمند نقشی کلیدی دارد.

اما محتوای ایده‌های تولیدشده داستانی کاملاً متفاوت داشت. همان‌طور که انتظار می‌رفت، این پیشنهادات در جلسه تحریریه چندان با استقبال روبرو نشدند و جذابیت بالایی نداشتند. با این حال، Gemini Spark بهترین زاویه دید را ارائه داد؛ تضاد میان وال‌مارت که بستر لازم را برای استفاده عوامل متفرقه از پلتفرم خریدش فراهم کرده و آمازون که به‌تازگی دسترسی Muse را قطع کرده است. در مجموع، همکاران حاضر در جلسه نگرانی خاصی بابت عقب ماندن از سوژه‌های هوش مصنوعی نداشتند.

Gemini Spark: ۵ از ۵؛ تیتری گیرا و روان که تنش اصلی میان غول‌های اینترنتی را به تصویر کشید.

وال‌مارت خواهان خرید مایحتاج شما توسط هوش مصنوعی است، اما آمازون پلیس خبر می‌کند! در حالی که غول‌های خرده‌فروشی بر سر پرداخت خودکار به اختلاف خورده‌اند، تعیین سقف خرید هفتگی برای دستیاری مثل Muse نشان می‌دهد که واگذاری خریدهای منزل به نرم‌افزار چه پیامدهایی دارد.

Claude Duet: ۴ از ۵؛ ایده‌ای جالب، مرتبط و به‌موقع.

چت‌های قفل‌شده ChatGPT اسرار شما را از همه پنهان می‌کنند، به‌جز خود OpenAI! قابلیت جدید رمزگذاری گفتگوها در ChatGPT این ابزار را مانند دفترچه خاطرات شخصی می‌کند؛ اما این پیام‌ها را فقط از دید اطرافیان دور نگه می‌دارد، نه از سرورهای سازنده.

Muse: ۳ از ۵؛ بد نبود، اما چندان درخشان هم ظاهر نشد.

به Claude Duet اجازه دادم خودش پیام بفرستد و ناگهان متوجه شدم اعتبار اشتراکم تمام شده است! عامل جدید Anthropic قول مدیریت ایمیل‌ها و تقویم را می‌دهد، اما هر بار که برای احوال‌پرسی پیامی ارسال می‌کند یا پیش‌نویس ناخواسته‌ای می‌نویسد، هزینه آن را از همان سقف مصرف ماهانه شما کسر می‌کند.

Dots: ۲ از ۵؛ سوژه‌ای عمومی بدون ارزش خبری فوری.

این برنامه ضد پرسه زدن بیهوده می‌خواهد کنترل گوشی شما را به دست بگیرد. بررسی برنامه SHIFT که دسترسی به نرم‌افزارها را در زمان تمرکز محدود می‌کند، نشان می‌دهد آیا رهایی از پیمایش بی‌پایان ارزش واگذاری اختیارات گوشی را دارد یا خیر.

Grok Bot: ۱ از ۵؛ سوژه‌ای قدیمی و تاریخ‌گذشته.

عامل هوشمند Muse در سلیقه و انتخاب‌ها ساده‌پسند طراحی شده است. دستورالعمل‌های فاش‌شده نشان می‌دهند که عامل متا موظف است پیشنهادهای خود را فقط از فروشگاه‌های معروف انتخاب کند و برای هر درخواست تنها سه سایت را بسنجد.

Instinct: ۱ از ۵؛ آزمایشی یکنواخت و با معیارهای سنجش نامشخص.

یک هفته برای هدایت محتوای پیشنهادی شبکه‌های اجتماعی تلاش کردم، اما الگوریتم اصلاً اعتنایی نکرد! اینستاگرام، فیسبوک، تیک‌تاک و یوتیوب همگی گزینه‌های شخصی‌سازی سلیقه را اضافه کرده‌اند، اما آیا این تنظیمات واقعاً محتوا را تغییر می‌دهند یا تنها حس کنترل کاذب به کاربر می‌بخشند؟

زمان صرف ناهار

در مرحله بعد، کاربرد این ابزارها برای خریدهای کوچک روزمره محک زده شد؛ به این صورت که انتخاب ناهار به تیم عوامل هوش مصنوعی واگذار گردید تا سفارش نهایی از بهترین پیشنهاد ثبت شود.

برای پیچیده‌تر شدن آزمون، مدیرم نیز به این سفارش اضافه شد. او گیاه‌خوار است و غذای ویتنامی می‌خواست؛ در حالی که من به دنبال غذایی گوشتی همراه با مقدار زیادی کافئین بودم. سفارش باید از رستورانی نزدیک به محل کار انجام می‌گرفت تا بتوانم پیاده غذا را تحویل بگیرم و به کارم ادامه دهم.

تمام عوامل رستوران‌های مشابهی مانند DragonEats یا Freshroll را پیشنهاد دادند؛ گزینه‌هایی ویتنامی و نزدیک که کاملاً منطقی بودند. رستوران DragonEats خوش‌طعم‌تر و ارزان‌تر بود، بنابراین همان انتخاب شد. سبدهای خرید چیده‌شده توسط Instinct و Claude Duet در مقایسه با سایرین گران‌تر از آب درآمدند. تنها عاملی که در این مرحله کاملاً ناموفق عمل کرد، Gemini Spark بود؛ زیرا برای مدیر تنها یک رول ۵ دلاری به سبد اضافه کرد که بیشتر شبیه به میان‌وعده‌ای ناچیز بود تا ناهار!

Dots: ۵ از ۵؛ سفارش واقعی دقیقاً مطابق سبد خرید همین عامل ثبت شد. این ابزار رستوران DragonEats را مستقیماً از طریق وب‌سایت اختصاصی آن انتخاب کرد.

برای شما: ساندویچ گوشت خوک با قهوه سرد ویتنامی؛ برای مدیر: رول تافوی تریاکی همراه با سس سویا به‌جای سس ماهی. جمع کل: ۳۰٫۵۷ دلار پیش از احتساب مالیات و کارمزد.

Muse: ۴ از ۵؛ گزینه‌ای بسیار نزدیک به سفارش واقعی که رستوران DragonEats را از طریق DoorDash برگزید.

برای شما: ساندویچ به قیمت ۱۳٫۱۹ دلار، قهوه سرد ویتنامی به قیمت ۵٫۲۹ دلار. برای مدیر (کاملاً گیاهی): اسپرینگ رول تافوی تریاکی به قیمت ۱۲٫۰۹ دلار همراه با سس بادام‌زمینی؛ ساندویچ تافوی تریاکی به قیمت ۱۲٫۰۹ دلار. مجموع اقلام ۴۲٫۶۶ دلار. پلتفرم DoorDash مالیات و کارمزد را در صفحه نهایی محاسبه می‌کند، بنابراین هزینه نهایی بالاتر خواهد بود.

Grok Bot: ۴ از ۵؛ پیشنهادی قوی و مناسب که رستوران Freshroll را از طریق DoorDash برگزید.

برای شما: کاسه نودل با گوشت، سیر و زنجبیل و سس مخصوص به قیمت ۱۵٫۸۵ دلار؛ قهوه سرد ویتنامی به قیمت ۵٫۸۵ دلار. برای مدیر (گیاهی): کاسه نودل با تافوی کنجدی و لیمو با سس مرکبات و زنجبیل به قیمت ۱۵٫۸۵ دلار؛ اسپرینگ رول تافو با سس بادام‌زمینی بدون تکه‌های سرخ‌شده به قیمت ۵٫۸۵ دلار. جمع کل: ۴۳٫۴۰ دلار پیش از مالیات و کارمزد.

Claude Duet: ۳ از ۵؛ رستوران Freshroll را انتخاب کرد و پرسید سفارش از طریق DoorDash ثبت شود یا Uber Eats که گزینه دوم انتخاب شد.

برای شما: کاسه نودل با گوشت و سس خصوص (۱۵٫۸۵ دلار) به‌همراه قهوه سرد دم‌آوری‌شده ویتنامی (۵٫۸۵ دلار). برای مدیر: دو عدد رول تافوی کنجد و لیمو با سس مرکبات و زنجبیل (۱۱٫۷۰ دلار) به‌همراه کاسه نودل و تافو (۱۵٫۸۵ دلار). جمع کل: ۴۹٫۲۵ دلار پیش از کسر کارمزد و مالیات.

Instinct: ۲ از ۵؛ سبد خریدی مشابه Claude Duet آماده کرد، اما ۴ دلار گران‌تر بود. این ابزار سفارش از Freshroll را با DoorDash هماهنگ کرد.

برای مدیر: دو اسپرینگ رول تافو به‌همراه کاسه نودل و تافو؛ برای شما: کاسه نودل گوشت با گوشت اضافه به‌همراه قهوه سرد ویتنامی. جمع کل: ۵۳٫۷۳ دلار پیش از مالیات و کارمزد.

Gemini Spark: ۱ از ۵؛ اگر برای ناهار مدیر تنها یک رول ۶ دلاری تهیه می‌شد، او خیلی زود گرسنه می‌ماند و سراغ دستگاه‌های خوراکی می‌رفت! این عامل رستوران Freshroll را در پلتفرم DoorDash انتخاب کرد.

برای مدیر: یک اسپرینگ رول گیاهی تافو با سس بادام‌زمینی (۵٫۸۵ دلار)؛ برای شما: یک ساندویچ معمولی گوشت همراه با سیر، زنجبیل و عسل (۱۰٫۸۵ دلار) به‌همراه قهوه سرد ویتنامی برای انرژی عصرگاهی (۵٫۸۵ دلار)؛ جمع کل خرید حضوری به ۲۲٫۵۵ دلار رسید.

تداخل در برنامه‌ریزی

یکی دیگر از مزایای تبلیغ‌شده این ابزارها، عملکرد پیش‌دستانه و خودکار آن‌ها در مقایسه با چت‌بات‌هایی است که صرفاً به دستورات پاسخ می‌دهند. پیش از آغاز آزمون، رویدادی برای ساعت ۲ بعدازظهر در تقویم گوگل با عنوان «جلسه کاری مهم و غیرقابل تغییر» ثبت شد. هم‌زمان، ایمیلی با سناریوی ساختگی مبنی بر ترخیص مادر از بیمارستان و لزوم تماس تلفنی در ساعت ۲ ارسال شد.

کدام عامل می‌توانست با بررسی تقویم و ایمیل، این تداخل زمانی را تشخیص دهد و پیش از رسیدن موعد، راه‌حل‌های جایگزین پیشنهاد کند؟ تنها دو مورد از شش عامل در این آزمون موفق شدند که کمتر از حد انتظار بود.

Dots: ۵ از ۵؛ تداخل را بلافاصله شناسایی کرد و راه‌حلی منطقی پیشنهاد داد.

یک تداخل احتمالی برای بعدازظهر: یادداشت شما برای تماس با مادرتان در ساعت ۲ تنظیم شده، در حالی که جلسه مهم کاری شما بین ساعت ۲ تا ۳ بعدازظهر است. آیا تماس با ایشان پیش از جلسه یا بعد از ساعت ۳ با زمان ترخیص هماهنگ است؟

Claude Duet: ۴ از ۵؛ چند ساعت پیش از موعد تداخل را گوشزد کرد، اما گزینه جایگزینی پیشنهاد نداد.

صبح بخیر؛ جلسه کاری ساعت ۲ شما تا ساعت ۳ ادامه دارد، دقیقاً همان زمانی که در یادداشت خود برای تماس با مادرتان ثبت کرده‌اید.

Grok Bot: ۲ از ۵؛ تداخل زمانی را تشخیص نداد، اما راهکاری برای جلوگیری از تکرار آن در آینده ارائه کرد.

من باید این موضوع را بررسی می‌کردم؛ از این پس علاوه بر تقویم، ایمیل‌های یادآوری ارسالی به خودتان را نیز بررسی خواهم کرد.

Instinct: ۲ از ۵؛ همپوشانی برنامه‌ها را اعلام نکرد، اما راه‌حلی برای برطرف کردن این مشکل در آینده پیشنهاد داد.

من تطبیق خودکاری میان صندوق دریافت ایمیل و تقویم شما انجام نداده بودم. آیا مایلید این کار را هر روز صبح بررسی کنم تا پیش از بروز تداخل به شما هشدار دهم؟

Muse: ۲ از ۵؛ همان اشتباه را تکرار کرد و راهکار مشابهی پیشنهاد داد.

اشتباه من این بود که فقط تقویم را مبنا قرار دادم و آن ایمیل یادآوری را با وجود دسترسی به Gmail تطبیق ندادم.

Gemini Spark: ۱ از ۵؛ تداخل را شناسایی نکرد و هیچ پیشنهاد ساده‌ای هم برای رفع آن در آینده نداشت.

به این دلیل که یادآوری در قالب ایمیل آمده بود نه یک رویداد در تقویم، تداخل بین‌برنامه‌ای پیش از ساعت ۲ بعدازظهر مشخص نشد.

برنامه‌ریزی سفر و تعطیلات

برنامه‌ریزی سفر معمولاً نیازمند ساعت‌ها بررسی و مقایسه پروازها، هتل‌ها و گشت‌وگذار در ویدیوهای یوتیوب است. گرچه خودکارسازی کامل این فرایند برای همه خوشایند نیست، اما می‌توان از عوامل هوش مصنوعی برای بخش‌های اجرایی و هماهنگی‌های اولیه کمک گرفت.

مشابه هر خروجی دیگر هوش مصنوعی، توصیه می‌شود پیش از اعتماد کامل به این برنامه‌ها، منابع موثق و غیر هوش مصنوعی را نیز بررسی کنید؛ مانند حادثه‌ای که اخیراً در کالیفرنیا رخ داد و گروهی از کوهنوردان به دلیل اعتماد کورکورانه به یک چت‌بات در برنامه‌ریزی یک پیمایش سخت، به علت نداشتن تجهیزات لازم در کوهستان گرفتار شدند و نیاز به امداد پیدا کردند.

برای این آزمون، متنی مفصل برای تمام عوامل ارسال شد مبنی بر اینکه قصد سفری دونفره و دوهفته‌ای به چین در اواخر سال آینده وجود دارد. از آن‌ها خواسته شد پیش‌نویسی اولیه شامل پرواز، هتل، تفریحات شبانه و غذاهای محلی تهیه کنند؛ مسیری که تلفیقی از جاذبه‌های تاریخی و زندگی در کلان‌شهرها باشد و به دلیل پرهیز از جابه‌جایی مداوم، حداکثر چهار هتل مختلف را در بر بگیرد.

جالب اینجا بود که همگی مسیری کاملاً مشابه را در چین پیشنهاد کردند؛ پدیده‌ای که می‌تواند دورانی تازه از «اثر کتاب‌های راهنمای سفر» را رقم بزند که طی آن موجی از مسافران دقیقاً به مقاصد، فروشگاه‌ها و رستوران‌های یکسانی هدایت می‌شوند.

Muse: ۵ از ۵؛ این پیش‌نویس با جدول‌های بصری و نکات روشن، فوق‌العاده خوانا بود.

پرواز مستقیم از فرودگاه سان‌فرانسیسکو به پکن یک هفته پس از تعطیلات ملی چین، و پرواز برگشت مستقیم از شانگهای. اقامت در چهار هتل بدون مسیر رفت‌وبرگشت تکراری: ابتدا تاریخ امپراتوری، سپس چشیدن غذاهای سیچوان و دیدن پانداها، و در نهایت تفریحات شبانه شانگهای.

Dots: ۴ از ۵؛ خروجی این عامل بسیار قوی بود، اما با ۲۴ صفحه تفصیل، حجم بسیار زیادی داشت.

بخشی از پاسخ عامل هوشمند: پیشنهاد من: پرواز به پکن، سفر با قطار سریع‌السیر به شی‌آن و چنگدو، و سپس پرواز به شانگهای برای بازگشت به خانه. در این برنامه تاریخ امپراتوری، ارتش سفالین، غذاهای سیچوان و زندگی در شهری مدرن گنجانده شده، بدون اینکه نیازی به قطارهای شب‌رو یا تعویض مکرر هتل باشد.

Grok Bot: ۴ از ۵؛ پاسخی بسیار خوانا و سرشار از راهنمایی‌های عملی و کاربردی.

پیش‌نویس اولیه سفری ۱۳ شبه برای دو نفر: پکن، شی‌آن، چنگدو و شانگهای، با حرکت از فرودگاه سان‌فرانسیسکو در تاریخ ۱۳ اکتبر و بازگشت در ۲۷ اکتبر پس از پایان تعطیلات ملی.

Gemini Spark: ۳ از ۵؛ برنامه‌ای قابل‌قبول بود، هرچند از نظر خوانایی و جزئیات دقیق به رتبه‌های برتر نمی‌رسید.

مسیری ویژه برای مسافران بار اول که تلفیقی از شکوه تاریخ امپراتوری، طعم غذاهای سیچوان، تفریحات پرشور شبانه و آرامش اقامت در چهار هتل محوری است.

Instinct: ۳ از ۵؛ برنامه‌ای مناسب و سودمند، هرچند قالب‌بندی آن در مقایسه با سایر ابزارها چندان چشم‌نواز نبود.

ورود از پکن و بازگشت از شانگهای، با توقف در شی‌آن و چنگدو: چهار پایگاه اقامتی بدون رفت‌وآمدهای اضافی؛ سفری که با تاریخ آغاز می‌شود و با غذاهای عالی در هر ایستگاه به اوج می‌رسد.

Claude Duet: ۳ از ۵؛ با وجود نداشتن تصاویر یا عناصر بصری، برنامه‌ریزی بسیار حساب‌شده‌ای ارائه کرد.

پرواز به پکن، سپس مسیر پکن به شی‌آن، چنگدو و شانگهای و در نهایت پرواز برگشت از شانگهای. این برنامه شامل ۱۳ شب اقامت در چهار هتل، دو سفر با قطار سریع‌السیر و یک پرواز داخلی کوتاه است.

آزمون بی‌خوابی شبانه

پس از گذراندن این حجم از کار با عوامل هوش مصنوعی (و احتمالاً به خاطر کافئین بالای قهوه ویتنامی)، خوابم نمی‌برد. عملکرد این ابزارها در مواجهه با یک درخواست کلی و نامشخص چگونه است؟ گاهی بهترین زمان برای کمک گرفتن، زمانی است که خودمان هم نمی‌دانیم کار را از کجا شروع کنیم.

اگر یک دستیار انسانی داشتم، هرگز نیمه‌شب به او پیام نمی‌دادم؛ بنابراین در دسترس بودن همیشگی، یک مزیت بزرگ برای این دستیارهای دیجیتال به حساب می‌آید. دو عاملی که در این مرحله عملکرد ضعیفی داشتند، Gemini Spark و Claude Duet بودند؛ زیرا بدون درک همدلانه و متناسب با شرایط یک انسان پاسخ دادند.

Grok Bot: ۵ از ۵؛ پاسخی کاملاً منطقی و دلگرم‌کننده که بار فکری را سبک کرد.

می‌توانم برای ساعات اولیه صبح یک یادآوری تنظیم کنم تا با مادرتان تماس بگیرید و از وضعیت ایشان باخبر شوید، تا خیالتان در حال حاضر راحت باشد و بتوانید استراحت کنید.

Dots: ۴ از ۵؛ در حالی که هر دو عامل Dots و Gemini Spark پیشنهادی مشابه دادند مبنی بر اینکه افکارم را بنویسم تا بعداً به آن‌ها رسیدگی شود، ادبیات Dots بسیار حمایتی‌تر و مستقیم‌تر بود.

سه موضوعی را که ذهنت را درگیر کرده‌اند برایم بفرست، حتی نامنظم و پراکنده؛ من آن‌ها را به یک فهرست کوتاه با گام اول مشخص تبدیل می‌کنم. بعد از آن می‌توانی گوشی را کنار بگذاری و بخوابی.

Instinct: ۴ از ۵؛ بر خلاف برخی دیگر از پاسخ‌هایش، پیشنهادی کاملاً معقول داد.

یک کار ساده که می‌توانی از روی تخت انجام دهی: نگاهی گذرا به پیش‌نویس سفر چین بینداز و فقط یک تغییری را که می‌خواهی بگو؛ وقتی بیدار شوی نسخه دوم آماده خواهد بود.

Muse: ۴ از ۵؛ پاسخی قدرتمند دیگر از این ابزار. به نظر می‌رسد این عامل طوری طراحی شده که روزبه‌روز عملکرد خود را ارتقا دهد و با نیازهای کاربر هماهنگ‌تر شود.

من تقویم امروز و ایمیل‌های یادآوری شما را برای یافتن هرگونه تداخل بازبینی می‌کنم؛ کاری که دیروز باید با دقت انجام می‌دادم؛ و تنها در ساعتی مناسب نتایج را به شما اعلام می‌کنم، مگر اینکه موضوع فوری و مهمی وجود داشته باشد.

Gemini Spark: ۲ از ۵؛ گرچه تخلیه ذهن برای رفع بی‌خوابی توصیه بدی نیست، اما اشاره این عامل به خالی بودن تقویم صبحگاهی کمی آزاردهنده بود؛ چراکه بی‌خوابی لزوماً به برنامه‌های تقویم گوگل ربطی ندارد.

بهترین کار در حال حاضر تخلیه ذهنی است تا آنچه در فکرتان می‌گذرد روی کاغذ بیاید و ذهن آرام بگیرد؛ به‌خصوص که تقویم امروز صبح شما کاملاً خالی است و هیچ تعهد کاری منتظرتان نیست.

Claude Duet: ۲ از ۵؛ یکی از ضعیف‌ترین پاسخ‌های این عامل به شمار می‌رفت؛ زیرا مرور سفارش ناهار دیروز و پروژه‌های کاری در نیمه‌شب دغدغه‌ای نبود که به رفع بی‌خوابی کمک کند.

بیایید دو کار ناتمام دیروز را ببندیم: ایده خبری تحویل داده شد و سفارش ناهار نیز انجام گرفت. هر زمان بگویید هر دو را انجام‌شده علامت می‌زنم تا بتوانید راحت بخوابید.

بهترین عملکرد کلی: Dots از OpenAI

اگرچه این ابزار پشت اشتراک ماهانه گران‌قیمت ۱۰۰ دلاری قرار دارد و پیشنهاد می‌شود بیشتر کاربران تا عرضه نسخه رایگان یا دست‌کم طرح ۲۰ دلاری منتظر بمانند، اما Dots در مجموع این آزمون‌ها درخشان‌ترین عملکرد را داشت و تنها در سوژه‌پردازی خبری که کاری بسیار تخصصی است ضعف نشان داد.

در یک ماهی که از عرضه Dots می‌گذرد، پختگی و هماهنگی بیشتری در آن احساس می‌شود. با اینکه یک اپلیکیشن مستقل می‌توانست تجربه بهتری از ادغام فعلی با ChatGPT رقم بزند، اما ابزارک‌های گوشی هوشمند تا حدی این کمبود را جبران می‌کنند. به این ترتیب، Dots برنده اصلی این رقابت شد.

در دسترس‌ترین گزینه: Muse از متا

عامل هوشمند Muse دقیقاً برای کاربران عادی طراحی شده و عملکرد بسیار خوبی هم دارد. این ابزار در آزمون‌ها موفق ظاهر شد، جایگاه دوم جدول را به خود اختصاص داد و آسان‌ترین فرایند راه‌اندازی را داشت؛ به‌علاوه اینکه استفاده از آن کاملاً رایگان است. با وجود اطمینان‌بخشی متا مبنی بر پردازش امن داده‌ها در ماشین‌های مجازی، سابقه نه‌چندان درخشان این شرکت در زمینه حریم خصوصی همچنان جای تردید باقی می‌گذارد.

بهترین رابط کاربری: Claude Duet از Anthropic

این عامل هوشمند تنها یک روز پس از عرضه در قالب نسخه پیش‌نمایش آزموده شد، بنابراین وجود برخی ناهماهنگی‌ها در آن طبیعی بود. با اینکه Claude Duet در بیشتر آزمون‌ها در میانه جدول قرار گرفت، اما نرم‌افزار اختصاصی آن برای مدیریت و پیگیری کارها فوق‌العاده کاربرپسند بود. کاربرانی که به دنبال افزایش بهره‌وری و کار با نرم‌افزارهای یکپارچه هستند، در ماه‌های آینده علاقه زیادی به این ابزار نشان خواهند داد؛ هرچند دسترسی به آن در حال حاضر نیازمند ثبت‌نام در فهرست انتظار و پرداخت اشتراک ماهانه ۲۰ دلاری است.

آزاردهنده‌ترین ابزار: Instinct

طراحی بسیار ساده این عامل که تماماً درون پیام‌رسان متنی ادغام شده شاید برای برخی جذاب باشد، اما برای من چندان خوشایند نبود. برخی از کارشناسان آن‌قدر مجذوب این ابزار شده‌اند که حتی دغدغه‌های حریم خصوصی را نادیده می‌گیرند؛ اما برای من اتکای صرف به پیامک یک نقطه ضعف اساسی به شمار می‌رود. در طول کار حس می‌کردم نظارت کافی بر کارهایی که این عامل از طرف من انجام می‌دهد ندارم؛ ضمن اینکه واکنش‌های ایموجی آن، مانند ارسال چهره درهم‌کشیده هنگام یادآوری اشتباهش در تقویم، تا حدی زننده بود.