اگر قرار باشد هیاهوی تبلیغاتی پرشور این روزها را باور کنیم، هوش مصنوعی قرار است بند کفش مارا ببندد، کسبوکارهایمان را اداره کند و گرسنگی را در جهان پایان ببخشد. مککنزی پیشبینی کرده است که این فناوری سالانه ۱۷٫۱ تا ۲۵٫۶ تریلیون دلار به اقتصاد جهانی اضافه خواهد کرد. تصویری وسوسهبرانگیز است. اما در واقع بیشتر به یک «توهم» شباهت دارد.
من، بهعنوان مدیر ارشد فناوری اطلاعات با نزدیک به سه دهه تجربه در تبدیل فناوریهای نوظهور به ارزش تجاری، بارها چنین سناریوهایی را دیدهام. اما معمولاً پایان داستان، آنگونه که در تریلرهای تبلیغاتی وعده داده میشود، رقم نمیخورد. ما هفتاد و پنج سال است که از خود میپرسیم آیا ماشینها میتوانند فکر کنند؛ شاید اکنون زمان آن رسیده باشد که بپرسیم آیا اصلا ما میتوانیم؟
درست است، هوش مصنوعی بسیار قدرتمند است. بله، این فناوری شیوه زندگی و کار ما را دگرگون خواهد کرد. اما این تحول، برخلاف تصوری که جریان تبلیغاتی رایج القا میکند، با سرعتی کمتر، آشفتگی بیشتر و دستاوردهای کوتاهمدت بسیار محدودتر از آنچه وعده داده میشود، اتفاق خواهد افتاد.
شرکتها بهصورت جمعی میلیاردها دلار در زمینه هوش مصنوعی سرمایهگذاری میکنند؛ در حالیکه بازگشت سرمایهی (ROI) مشخص و قابل اتکایی در کار نیست. مدلهای متنباز مانند آنچه شرکتهای Meta و DeepSeek ارائه کردهاند، بهسرعت مزیت رقابتی مدلهای بنیادین غولهای فناوری مانند Gemini و ChatGPT را کمرنگ کردهاند. در عین حال، مدل تجاری مرتبط با هوش مصنوعی مولد هنوز از مسیر روشنی برای درآمدزایی پایدار برخوردار نیست، هرچند ظرفیت بالایی برای ارزشآفرینی دارد.
تأثیر تحولآفرین هوش مصنوعی حتماً رخ خواهد داد، اما آنگونه که تبلیغ میشود، انقلاب آنی و فوری نخواهد بود. در مورد نحوه خلق ارزش توسط هوش مصنوعی و مدت زمانی که طول میکشد، شش نکته اساسی هست که ما آنها را اشتباه متوجه شدهایم.
اثر واقعی هوش مصنوعی بسیار دیرتر از آنچه تصور میکنیم نمایان خواهد شد
رابرت سولو، اقتصاددان برجسته، در سال ۱۹۸۷ بهطعنه گفت: «عصر کامپیوتر را در همه جا میتوان دید، جز در آمار بهرهوری.» اکنون، پس از گذشت دههها، هوش مصنوعی تکرار تازهای از همین پارادوکس است. با وجود میلیاردها دلار سرمایهگذاری، هنوز نتایج ملموس و قابل سنجشی در بهرهوری مشاهده نشده است. تا اینجای کار، بر اساس گزارش بانک فدرال رزرو کانزاس سیتی، تأثیر هوش مصنوعی بر بهرهوری، نسبت به سایر تحولات فناورانه پیشین، نسبتاً ناچیز بوده است.
این مسئله به خودیِ خود شکست هوش مصنوعی نیست، بلکه شکست در مدیریت انتظارات است. مدلهای زبانی بزرگ و دیگر نمونههای هوش مصنوعی مولد، نوعی «فناوری عمومی» (General Purpose Technology یا GPT) بهشمار میروند (البته باید توجه داشت که GPT در نام ChatGPT مخفف چیز دیگری است). ما در گذشته هم فناوریهای عمومی دیگری را تجربه کردهایم: دستگاه چاپ، برق، اینترنت. همگی آنها از یک الگوی مشترک پیروی کردهاند. در تمامی موارد، دههها طول کشید تا ظرفیتهای تحولآفرین این فناوریها به شکل جدی وارد اقتصاد شوند. برق انقلابی در صنعت ایجاد کرد، اما چهل سال طول کشید تا طراحی کارخانهها با این فناوری سازگار شود. اینترنت از دهه ۱۹۷۰ وجود داشت، اما تنها از اوایل دهه ۲۰۰۰ بود که الگوهای تجاری را دگرگون ساخت.
دلایل قانعکنندهای وجود دارد که نشان میدهد هوش مصنوعی نیز همان مسیر آهسته اما اجتنابناپذیر سایر فناوریهای تحولآفرین را طی خواهد کرد. برای مثال، دارون عجماوغلو، اقتصاددان برجسته مؤسسه MIT و برنده جایزه نوبل، بر این باور است که تنها ۵٪ از وظایف کاری در دهه آینده بهطور سودآور قابل خودکارسازی خواهند بود، که در مجموع تنها حدود ۱٪ به تولید ناخالص داخلی ایالات متحده اضافه میکند. این رقم فاصله زیادی با آن دگرگونی عمیقی که در ذهن داریم، دارد. او استدلال میکند که برای اغلب سازمانها، هزینههای ناشی از اخلال در فرآیندها، بازآموزی کارکنان، یکپارچهسازی فناوری و زیرساختهای محاسباتی، در اغلب موارد بیشتر از منافع حاصل از خودکارسازی خواهد بود.
افزون بر این، میتوان گفت که «میوههای دمدست» در مسیر تحول دیجیتال، پیشتر چیده شدهاند: خودکارسازی فعالیتهای عملیاتی، دیجیتالسازی دادهها، انتقال تعاملات مشتریان به محیط آنلاین، و مهاجرت زیرساختهای اصلی به فضای ابری. این اقدامات اولیه دستاوردهایی در زمینه بهرهوری به همراه داشتند، اما هر گام جدید، بازدهی کمتری به دنبال دارد. به همین دلیل، برای هوش مصنوعی یا هر فناوری دیگری، ایجاد جهش در بهرهوری در سطح کلان اقتصادی بسیار دشوارتر خواهد بود.
با وجود فناوریهای انقلابی مانند تلفنهای هوشمند، رسانههای اجتماعی و رایانش ابری، رشد بهرهوری کل عوامل (Total Factor Productivity یا TFP) در ایالات متحده طی پنج دهه گذشته همچنان کند باقی مانده است. از سال ۱۹۷۴ تا ۲۰۲۴، رشد TFP کمتر از نصف نرخ رشد دوران شکوفایی اقتصادی پس از جنگ جهانی دوم بوده است. ممکن است هوش مصنوعی بهرهوری فردی را ارتقاء دهد، اما در مقیاس وسیع، دستکم در آینده نزدیک—و شاید هرگز—منجر به رشد چشمگیر بهرهوری نخواهد شد.
مطالعهای از «اداره ملی پژوهشهای اقتصادی» (NBER) بهتازگی تمایز مهمی میان «پذیرش» و «شدت استفاده» از فناوری نشان داده است. در این پژوهش مشخص شد که در حالیکه حدود ۴۰٪ از بزرگسالان آمریکایی از هوش مصنوعی مولد استفاده میکنند، اغلب آنها این فناوری را بهندرت به کار میبرند. این استفاده محدود، تنها ۱ تا ۵٪ از زمان کاری افراد را تشکیل داده است. حتی با در نظر گرفتن صرفهجویی زمانی کاربران، این وضعیت به بهرهوری کمتر از ۱٪ منجر شده است.
اما این بدان معنا نیست که هوش مصنوعی بیفایده است. بلکه بدین معناست که ارزش واقعی آن نه در تحولات ناگهانی و گسترده، بلکه در یکپارچهسازی هدفمند، تدریجی و حسابشده نهفته است. اتکا به جدول زمانی کوتاه و بازگشت سرمایه سریع، میتواند به اتلاف سرمایه، شکست پروژههای خودکارسازی و اخلال غیرضروری در نیروی کار منجر شود. در مقابل، شرکتها باید نگاه بلندمدت داشته باشند: سیستمهای مناسب را طراحی کنند، تیم خود را آموزش دهند و راهی بیابند تا هوش مصنوعی را در راستای اهداف کسبوکار خود بهکار گیرند.
ما درباره پذیرش هوش مصنوعی در سازمانها بسیار خوشبینانه فکر میکنیم.
وقتی ChatGPT عرضه شد، هوش مصنوعی مانند جادو به نظر میرسید، مثل انقلابی یکشبه. در گزارشهای مالی شرکتها، صحبت از هوش مصنوعی همهجا بود. سرمایهگذاری خطرپذیر سرعت گرفت. تیترها وعده تحول فوری و همهجانبه هوش مصنوعی را میدادند. ما پیشتر چنین چرخه هیجانی را دیدهایم، با رایانههای شخصی اولیه، حباب داتکام، رونق بلاکچین و حتی روزهای آغازین رایانش ابری، و احتمالاً دوباره این اشتباه را تکرار خواهیم کرد.
ما تغییر فناوری را به دلیل سه سوگیری شناختی اشتباه میگیریم. مغالطه برنامهریزی باعث میشود مدت زمان لازم برای تحول را دستکم بگیریم. سوگیری خوشبینی ما را قانع میکند که پذیرش فناوری آسان و روان خواهد بود. سوگیری تازگی باعث میشود باور کنیم پذیرش ویروسی هوش مصنوعی در مصرفکنندگان بهراحتی به سازمانها منتقل میشود. با وجود همه نگرانیها درباره سوگیریهای هوش مصنوعی، ما معمولا سوگیریهای خودمان را نادیده میگیریم و این مسئله به ویژه در پذیرش سازمانی هوش مصنوعی صادق است. هوش مصنوعی سازمانی یک فناوری قابل نصب و استفاده فوری نیست. این فناوری با سیستمهای قدیمی، موانع قانونی، فرهنگهای سازمانی محتاط، کمبود نیروی متخصص هوش مصنوعی و گلوگاههای تدارکاتی مواجه میشود. موانع فنی نیستند، بلکه ساختاریاند. ما ۱۰۰ سال طول کشید تا چرخ را به چمدان اضافه کنیم؛ نیروهایی که سرعت انتشار فناوری را کنترل میکنند را دستکم نگیریم.
یک مورد هشداردهنده، IBM Watson Health است. IBM قول داد که «سرطان را بهتر از انسانها درک کند» و روی تحول در حوزه سلامت با هوش مصنوعی سرمایهگذاری کلانی انجام داد. اما تا سال ۲۰۲۲، پروژه واتسون متوقف شد و بخشهای مختلف آن جداگانه فروخته شد؛ زیرا دادههای پزشکی پراکنده و نامنظم، پیچیدگیهای واقعی، و مشکلات قانونی مانع از تحقق وعدهها شدند. بیمارستانها آن را غیرقابل اعتماد و پزشکان آن را ناکارآمد میدانستند. نگرانیهای اخلاقی هم افزایش یافت. شکست واتسون به دلیل هوش مصنوعی نبود بلکه به دلیل برآورد نادرست IBM از دشواری پیادهسازی واقعی بود.
هوش مصنوعی صنایع را متحول خواهد کرد، اما نه با سرعت سیلیکونولی. این تحول با سرعت سازمانها رخ خواهد داد: طولانیتر، کندتر و با اصطکاکی بسیار بیشتر از آنچه ما انتظار داریم. شرکتهایی که گرفتار سوگیریها شوند و این واقعیتها را نادیده بگیرند، منابع خود را هدر میدهند، وعدههای بیجا میدهند و اعتماد را هم از دست میدهند. در دنیای هوش مصنوعی کسانی پیروز خواهند شد که صبر میکنند و تغییرات واقعی و پایدار را میسازند، نه کسانی که بلندترین ادعاها را دارند.
بازار ارزش شرکتهای فعال در حوزه هوش مصنوعی را بیش از حد تخمین میزند.
سرمایهگذاران در برخورد با هوش مصنوعی اشتباه مهمی مرتکب شدهاند: آنها شرکتهای هوش مصنوعی را مانند شرکتهای نرمافزاری سبک و سریعالرشد میپندارند، در حالی که این شرکتها به سرمایه زیادی نیاز دارند، هزینههای بالایی دارند و وابسته به زیرساختهای سنگین هستند. سهام شرکتهای فناوری مبتنی بر هوش مصنوعی با قیمتی ۲۰ تا ۴۰٪ بالاتر معامله میشود که این افزایش قیمت مبتنی بر انتظار سودهای آینده است که هنوز به واقعیت نپیوستهاند.
برای مدیران ارشد، این ناهماهنگی صرفاً یک برداشت نادرست از بازار نیست، بلکه تلهای برای اجرا است. ارزشگذاریهای اغراقآمیز انتظارات غیرواقعی ایجاد میکند که به سازمان منتقل میشود: فشار برای سرعت گرفتن، اجرای پروژههای نمایشی، و دیده شدن در حال «کار با هوش مصنوعی». نتیجه چیست؟ راهاندازیهای شتابزده، اولویتهای ناهماهنگ و سرمایهگذاری روی جذابیتها به جای عملکرد مالی. در این بازار که با انتظار معجزه قیمت گذاری انجام میشود، مزیت واقعی در «خویشتنداری» است – رهبرانی که ادغام هوشمندانه را بر نمایشهای پرزرقوبرق ترجیح میدهند و ارزش بلندمدت را به جای دیدهشدن زودگذر در اولویت قرار میدهند.
بهعنوان نمونه، به شرکت OpenAI نگاه کنید. این شرکت ارزشی معادل ۳۰۰ میلیارد دلار دارد، دو برابر ارزش اولیه فیسبوک در زمان عرضه عمومی و هشت برابر گوگل (با در نظر گرفتن تورم). سرمایهگذاران آن را مانند یک شرکت نرمافزاری ابری با حاشیه سود روبهرشد ارزشگذاری میکنند. اما واقعیت این است که هوش مصنوعی شبیه SaaS (نرم افزار به عنوان خدمت) نیست. هزینههای OpenAI با افزایش مقیاس کاهش نمییابد، بلکه با افزایش تقاضا بیشتر هم میشود. هر پرسش، هزینهای در بر دارد. هر مشتری، بار مالی تازهای اضافه میکند. خود OpenAI پیشبینی کرده که در سال ۲۰۲۴ با وجود درآمد ۳.۷ میلیارد دلاری، زیانی معادل ۵ میلیارد دلار ثبت خواهد کرد.
مشکل اینجاست که زیرساختهای موردنیاز برای هوش مصنوعی، بسیار عظیم و پرهزینهاند. شرکتهای متا، آلفابت، آمازون و مایکروسافت در مجموع قصد دارند امسال ۳۰۰ میلیارد دلار سرمایهگذاری کنند. بررسی صورتهای جریان نقدی و اظهارنظرهای عمومی این شرکتها نشان میدهد که هزینههای سرمایهای مرتبط با هوش مصنوعی در طول فقط دو سال، بین ۴۰ تا ۶۰٪ افزایش یافته است. مایکروسافت بهتنهایی امسال ۸۰ میلیارد دلار هزینه میکند. تا سال ۲۰۲۸، نیاز محاسباتی مایکروسافت ممکن است با مصرف برق یک کشور برابر شود. ساخت این زیرساختها، شکافی حدود ۱۲۵ میلیارد دلار در درآمد سالانه ایجاد کرده که باید جبران شود.
رقابت نیز حاشیه سود هوش مصنوعی را بیشتر تحت فشار قرار داده است. مدلهای متنباز مانند LLaMA، Mistral و DeepSeek-V3 بهسرعت در حال تصاحب سهم بازار هستند. مدل LLaMA 3 متعلق به متا حالا بیش از یک میلیارد کاربر در اینستاگرام، واتساپ و فیسبوک دارد، آن هم بدون هیچ هزینهای برای مصرفکننده. در مقابل، OpenAI برای هر کاربر هزینه میپردازد و فاقد یک اکوسیستم توزیع داخلی است. روند «کالایی شدن» در حوزه هوش مصنوعی سریعتر از هر چرخه فناوری پیشین اتفاق افتاده است—واقعیتی که حتی رئیس هیئتمدیره OpenAI نیز به آن اذعان کرده است.
برای رهبران صنعت، پیامدهای این وضعیت کاملاً واقعی و فوری است. بسیاری از آنها تصمیمهای سرمایهگذاری بزرگی را بر پایه ابزارهایی اتخاذ میکنند که توسط شرکتهایی توسعه یافتهاند که مدل کسبوکار هوش مصنوعیشان ممکن است پایدار نباشد. اگر این شرکا با افزایش شدید هزینهها، کندی در تحقیق و توسعه یا حتی فروپاشی کامل مواجه شوند، ممکن است همه چیز در میانه راه متوقف و سازمان بلاتکلیف بماند. این خطر صرفاً مالی نیست—بلکه یک ریسک عملیاتی جدی نیز محسوب میشود.
برندگان واقعی در عرصه هوش مصنوعی، آنهایی نخواهند بود که در پی ارزشگذاریهای نجومی هستند، بلکه شرکتهایی خواهند بود که هوش مصنوعی را در جایی به کار میگیرند که مزیت اقتصادی پایدار ایجاد کند. یعنی در نقاطی که باعث تسریع چرخه تصمیمگیری، بهبود کیفیت تصمیمها یا بازآفرینی محصولات میشود، آن هم با بازگشت سرمایه قابل اندازهگیری. تحول ناشی از هوش مصنوعی، آزمونی برای پایداری و بلوغ رهبری است، نه میدان حدس و گمان.
پول واقعی در مدلها نیست.
حتی اگر شرکتهای سازنده مدلهای هوش مصنوعی به سوددهی برسند، نمیتوانند برتری خود را برای مدت طولانی حفظ کنند. چرا؟ چون بزرگترین پیشرفتهای هوش مصنوعی—مانند شبکههای عصبی یا سازوکارهای توجه—در نهایت فقط ریاضیات هستند؛ و ریاضیات را نمیتوان ثبت اختراع کرد.
اینجاست که تفاوت اساسی میان اختراع و نوآوری مشخص میشود. اختراع، جهش اولیه را رقم میزند، مثلاً معماری ترنسفورمر یا یک الگوریتم نو. اما نوآوری در ابعاد گسترده، نیازمند چیزهای بیشتری است: توزیع مؤثر، سودآوری پایدار و تناسب با نیاز بازار. آزمون واقعی هوش مصنوعی این نیست که آیا میتوانیم چیز جدیدی بسازیم، بلکه این است که آیا میتوانیم آن را بهقدر کافی در سیستمهای کسبوکار ادغام کنیم تا ارزشی ماندگار و قابلاندازهگیری تولید کند یا نه.
و دقیقاً به همین دلیل است که حتی پیشرفتهترین مدلها هم نمیتوانند برای همیشه مزیت رقابتی ایجاد کنند. همکاریهای متنباز و پژوهشهای دولتی، هوش مصنوعی را بهسمت یک کالای عمومی پیش میبرند. وقتی هوش مصنوعی ارزان و فراگیر شود، دیگر در مالکیت هیچکس نخواهد بود. ارزش واقعی نه در ساختن هوش مصنوعی، بلکه در استفاده از آن نهفته است. در کاربردها، نه در مدلها.
هوش مصنوعی همین حالا نیز در حال حرکت بهسمت «لبه» است؛ یعنی از فضای ابری به دستگاههای شخصی منتقل میشود، جایی که کاربران نیازی به پرداخت هزینه برای دسترسی ندارند. «اپل اینتلیجنس»، با وجود آنکه هنوز در مراحل ابتدایی است، مستقیماً در آیفونها ادغام شده. برخی از مدلهای LLaMA متعلق به متا نیز روی لپتاپها اجرا میشوند.
این مسیر همان راهی است که رایانش ابری پیمود. ابتدا سرمایهگذاران روی زیرساختها قمار کردند—AWS، آژور، گوگل کلود. اما با گذشت زمان، برندگان واقعی، ارائهدهندگان زیرساخت ابری نبودند. بلکه شرکتهایی بودند که ابر را در فرایندهای کسبوکار ادغام کردند. گلدمن ساکس پیشبینی میکند تا سال ۲۰۳۰ بازار زیرساختهای ابری به ۵۸۰ میلیارد دلار برسد، در حالی که بازار برنامههای ابری بیش از دو برابر آن و معادل ۱.۳۸ تریلیون دلار خواهد بود. منطقی است که هوش مصنوعی نیز همین روند را دنبال کند.
اپلیکیشنها، هوش مصنوعی را از مرحله نظریه به واقعیت و از آزمایشگاه به دست مشتری منتقل میکنند. تبدیل یک مدل به راهحل واقعی کسبوکار، چالشی مهندسی است که بسیار فراتر از اجرای صرف مدل و افزودن قابلیت گفتوگوست. شرکتهایی که با معماریهای سفارشی هوش مصنوعی به حل مسائل پیچیده و ویژه هر صنعت میپردازند، بیشترین ارزش پایدار را خلق خواهند کرد. این تحول هماکنون آغاز شده و ما شاهد ظهور عاملهای هوش مصنوعی در صنایع مختلف هستیم؛ مانند Harvey که یک وکیل هوش مصنوعی است، Glean که یک دستیار کاری هوش مصنوعی، Factory که یک مهندس نرمافزار هوش مصنوعی و Abridge که یک منشی پزشکی هوش مصنوعی است.
ارزش واقعی هوش مصنوعی در تبدیل خدمات وابسته به انسان به برنامههایی مقیاسپذیر و همیشه فعال نهفته است. و دقیقاً همین نقطهای است که شرکتهای بزرگ باید تمرکز کنند، و نه روی ساخت مدلها، بلکه روی بهکارگیری دقیق و هدفمند آنها. فرصت واقعی در خلق نسخه بعدی GPT نیست، بلکه در جایگذاری هوش مصنوعی در ستون فقرات کسبوکار، یعنی در بخشهایی نظیر طراحی محصول، عملیات، انطباق با مقررات، منابع انسانی و مالی است، جایی که تغییرات کوچک به تدریج ارزش بزرگی ایجاد میکنند.
بسیاری از شرکتها تصور میکنند مدلهای پایه بهصورت آماده ارزش خلق میکنند، اما بدون سرمایهگذاری جدی در بخشهای سختتر، یعنی برنامهها، یکپارچهسازی، زیرساخت داده، بازطراحی فرآیندها و مدیریت تغییر، هوش مصنوعی تنها یک نمونه نمایشی جذاب باقی میماند: در دموها چشمگیر است اما در مقیاس عملی بیاثر. نکته جالب اینکه شرکتهای موفق آنهایی خواهند بود که هوش مصنوعی را ساده و بیصدا کنند؛ بهگونهای که بهطور پیوسته قابل اطمینان، بیسروصدا و در جایی که کار واقعی انجام میشود، به شکلی تحولآفرین عمل کند.
ما بیش از حد روی استارتاپها متمرکز شدهایم.
هیجان بازار بیشتر معطوف به استارتاپهای هوش مصنوعی است، اما برتری واقعی با بازیگران بزرگ و قدیمی در عرصه کسبوکارهای سازمانی است. هوش مصنوعی درباره اختلال و دگرگونی نیست؛ درباره توزیع و فراگیری است.
مثلاً به مایکروسافت تیمز نگاه کنید. مایکروسافت بهترین ابزار ویدئو کنفرانس را نساخت—این زوم بود. اما مایکروسافت در حوزه سازمانی برنده شد، چون تیمز را در بسته آفیس ۳۶۵ گنجاند. کسبوکارها تیمز را انتخاب نکردند چون بهتر بود؛ بلکه چون از قبل در دسترس بود. همین الگو در حال تکرار شدن در هوش مصنوعی است.
استارتاپها ممکن است نوآوری را جلو ببرند، اما بازیگران قدیمی بودجههای سازمانی، یکپارچهسازی فناوری اطلاعات و شبکه توزیع را در اختیار دارند. مایکروسافت، گوگل و سیلزفورس به بهترین مدلهای هوش مصنوعی نیاز ندارند، بلکه فقط کافی است مدلهای خوب و بهخوبی در ساختار سازمانی موجودشان جا بیفتند. این همان راهی است که پذیرش هوش مصنوعی اتفاق میافتد، یعنی کسی که جریان کاری سازمانی و مصرفکننده را در اختیار داشته باشد، پیروز است.
به همین دلیل است که هوش مصنوعی همانند داستان تحول تجارت الکترونیک نیست. در اواخر دهه ۱۹۹۰، شرکتهای نوپای اینترنتی مانند پیپل، آمازون و Ebay غولهای فروشگاههای فیزیکی را کنار زدند، زیرا اینترنت شرایط بازی را برابر کرد. اما هوش مصنوعی متفاوت است. این یک تحول ارزانقیمت و پرسرعت نیست؛ بلکه سرمایهبر، زیرساختمحور و وابسته به مقیاس است. همچنین شرکتهای بزرگ فناوری از پیش مالک دادهها، قدرت محاسباتی و روابط سازمانی هستند.
نکته آخر حیاتی است. دادههای سازمانی اختصاصی و لحظهای آخرین قلعه مستحکم در هوش مصنوعی محسوب میشود. مدلهای هوش مصنوعی امروزی بر اساس ۳۰۰ تریلیون توکن از متنهای در دسترس عمومی آموزش دیدهاند، اما این دادهها رو به پایان است. شرکت Epoch AI تخمین میزند که بین سالهای ۲۰۲۶ تا ۲۰۳۲، توسعهدهندگان با کمبود دادههای آموزشی باکیفیت عمومی مواجه خواهند شد.
بازیگران بزرگ مزیت دارند، اما این برتری خودکار نیست. آنها بر شبکههای توزیع، روابط سازمانی و دادههای اختصاصی تکیه دارند که استارتاپها آنها را در خواب هم نمیبینند. اما برتری بدون اقدام کردن، به معنی سکون است. اکنون زمان آن است که دوچندان تلاش کنند: هوش مصنوعی را در سیستمهای موجود ادغام کنند، دادهها را به عنوان دارایی راهبردی به کار گیرند و در مواردی که باعث افزایش سرعت یا دقت میشود، همکاری کنند. این مسئله دنبال کردن «چیز بزرگ بعدی» نیست؛ بلکه عملی کردن «چیز بزرگ قبلی» در مقیاس وسیع است.
ما شیفتهی هوش مصنوعی مولد شدهایم، اما آینده در جای دیگری است.
تمرکز بیش از حد ما بر هوش مصنوعی مولد است، در حالی که آینده، فراتر از مدلهای مبتنی بر گفتگو قرار دارد. هوش مصنوعی امروز در خلاصهسازی گزارشها و نگارش پیشنویس ایمیلها عملکرد خوبی دارد، اما در مواجهه با پیچیدگیهای دنیای واقعی دچار مشکل میشود. این مدلها فاقد درک موقعیتی، استدلال پیچیده، و توانایی ترکیب انواع اطلاعات بلادرنگ و متغیر هستند.
به همین دلیل، پذیرش هوش مصنوعی در حوزههایی مانند پزشکی و لجستیک با تأخیر مواجه شده است—جایی که برای تصمیمگیری، به چیزی فراتر از دادههای متنی تاریخی نیاز است. یک چتبات میتواند پیشنویس یک قرارداد را بنویسد، اما قادر نیست وضعیت هر بیمار را تشخیص دهد یا یک زنجیره تأمین مختلشده را بهینهسازی کند.
نسل بعدی، هوش مصنوعی چندوجهی (Multimodal AI) و هوش مصنوعی مرکب (Compound AI) است. یعنی فناوریهایی که انواع مختلف داده را پردازش میکنند و مانند سیستم شناختی انسان، بهصورت هماهنگ عمل میکنند. یک خودروی خودران تنها به یک منبع داده تکیه نمیکند؛ بلکه اطلاعات LiDAR، رادار، GPS و حسگرهای زنده را تلفیق میکند تا بتواند مسیر خود را پیدا کند. هوش مصنوعی نیز باید همین مسیر را طی کند. یعنی باید مدلهایی را به کار بگیرد که تصویر، صدا، متن و دادهی زنده را بهصورت لایهمند تحلیل میکنند.
سیستمهای هوش مصنوعی مرکب، این روند را یک گام جلوتر میبرند؛ آنها چند مدل را با هم ترکیب میکنند تا نوعی هوش پدید آورند که بتواند بهصورت مستقل یاد بگیرد، برنامهریزی کند و عمل نماید. در حال حاضر، هوش مصنوعی بهصورت جزیرهای کار میکند. یعنی مدلی برای تولید متن، مدلی دیگر برای کشف تقلب. اما آینده متعلق به سیستمهایی است که این قابلیتها را مانند یک گروه متخصص و هماهنگ با یکدیگر به کار میگیرند.
این موضوع، هشداری برای شرکتهاست تا از اکنون برای آن برنامهریزی کنند. ابزارهای فعلی هوش مصنوعی میتوانند برخی دستاوردها را فراهم کنند، اما این دستاوردها اغلب محدود و تکمنظوره هستند. رهبران سازمانی نباید بیش از حد روی راهکارهای تککاربردی سرمایهگذاری کنند؛ بلکه باید از هماکنون زیربنای فناوری را برای پشتیبانی از سیستمهای یکپارچه و چندوجهی فراهم آورند. این به معنای سرمایهگذاری در معماری داده، انعطافپذیری گردش کار، و حکمرانی هوش مصنوعی است، تا این زیرساختها بتوانند همزمان با پیشرفت فناوری، تکامل یابند.
آیندهی هوش مصنوعی، در ساختن چتبات بهتر نیست. آینده در طراحی سیستمهایی نهفته است که ببینند، بشنوند، تحلیل کنند و بهصورت هماهنگ و در مقیاس وسیع عمل کنند. یعنی هم راستا با پیچیدگیهای جهان واقعی.
آیا میتوانیم هوشمندانه دربارهی ماشینها فکر کنیم؟
در سال ۱۹۵۰، آلن تورینگ پرسشی مطرح کرد که امروز شهرتی جهانی دارد: «آیا ماشینها میتوانند فکر کنند؟» اکنون، پس از هفتاد و پنج سال، ما هوش مصنوعی را بر اساس توانایی آن در استدلال، پیشبینی و تولید محتوا ارزیابی میکنیم. شاید زمان آن فرا رسیده باشد که همین پرسش را از خودمان بپرسیم.
در حال حاضر، ما بهصورت جمعی دچار نوعی توهم شدهایم. ما دست به انتخابهای نادرست میزنیم، اولویتها را اشتباه تعیین میکنیم و زمانبندیهای غیرواقعی در نظر میگیریم. شرکتها با این تصور که هوش مصنوعی راهحل نهایی همهچیز است، میلیاردها دلار صرف ساخت مدلها میکنند، در حالی که از مسائل دشوارتر مانند یکپارچهسازی، زیرساخت و خلق ارزش واقعی تجاری غفلت میکنند.
در نهایت، این بازار است که مشخص خواهد کرد کدام شرکتها و بخشها میتوانند ارزش واقعی هوش مصنوعی را بهدست آورند. اما یک چیز قطعی است: فراگیری هوش مصنوعی، ویژگی منحصربهفرد بودن آن را از بین خواهد برد. تأثیر واقعی هوش مصنوعی در این نخواهد بود که چه کسی مالک آن است، بلکه در این خواهد بود که چگونه از آن استفاده میکنیم.
پرسش اصلی تورینگ هنوز هم معتبر است. اما امروز، پرسش مهمتری وجود دارد: «آیا ما میتوانیم هوشمندانه دربارهی ماشینها فکر کنیم؟» برای رهبران سازمانی، این یعنی تغییر تمرکز از «توانمندی بالقوه» به «کارایی بالفعل». یعنی بهجای اینکه دائم بپرسیم هوش مصنوعی ممکن است چه کاری انجام دهد، بپرسیم اکنون در سازمان ما چه کاری انجام میدهد. این یعنی ساختن برای پایداری، نه برای تیترهای خبری. یعنی سرمایهگذاری روی معماری، استعدادها و سیستمهایی که ابزارهای امروز را به مزیت رقابتی فردا تبدیل کنند.
آشنایی با نویسنده
Paul Hlivko، معاون اجرایی ارشد و مدیر ارشد فناوری اطلاعات در شرکت بیمهی سلامت Wellmark Blue Cross and Blue Shield است. او دانشآموختهی مدرسه مدیریت اسلون در MIT است و بیش از سی سال تجربه در بهکارگیری فناوریهای نوظهور برای ایجاد تحول در مقیاس سازمانی دارد.
توضیحات
مقاله «انقلاب هوش مصنوعی یکشبه رخ نخواهد داد» برگردانی از مقاله «The AI Revolution Won’t Happen Overnight»است که در سایت Harvard Business Review منتشر شده است. با توجه به اهمیت موضوع و ارزش محتوایی این مقاله، ترجمه آن در سایت «نست مایند» قرار گرفته است. لازم به توضیح است که در فرایند ترجمه این مقاله، از هوش مصنوعی استفاده شده و نظارت و ویرایش نهایی توسط تیم انسانی صورت گرفته است.
