چگونه مدیریت نادرست هوش مصنوعی، سازمان‌ها را به مرز بحران می‌کشاند؟

وقتی تب هوش مصنوعی بالا گرفت، بسیاری از شرکت‌ها رؤیای شیرین و مشترکی داشتند. برخی مدیران فکر می‌کردند در آینده‌ای نزدیک، روی صندلی راحتشان قهوه می‌نوشند و درحالی‌که هوش مصنوعی با سرعتی هزار برابر یک انسان، وظایف کدنویسی، تولید محتوا و تحلیل داده‌ها را انجام می‌دهد، به کاهش چشمگیر هزینه‌هایشان لبخند می‌زنند.

مالکان کسب‌وکار از روزهایی حرف می‌زدند که هوش مصنوعی جایگزین نیروی کار انسانی می‌شود و مدینه‌ی فاضله‌ی بهره‌وری برایشان می‌سازد؛ ولی در دنیای واقعی هیچ‌چیز مثل این آرزوها پیش نرفت.

همین حالا اگر به اداره‌ها و سازمان‌ها نگاه کنید، می‌بینید مسئولین ابزارهای قدرتمندی را در اختیار کارمندانی قرار داده‌اند که ایده‌ای از نحوه‌ی عملکرد و جریان کاری هوش مصنوعی ندارند. اگر باورتان نمی‌شود، باید سری به داشبورد هزینه‌های ابری یا API شرکت‌ها بزنید!

کارمندان به‌جای انجام سریع‌تر کارها، ساعت‌ها وقتشان را صرف کلنجاررفتن با پرامپت‌ها می‌کنند، سیستم را در یک دور باطل از سؤال و جواب‌های بی‌فایده می‌اندازند و هزینه‌های پردازش هوش مصنوعی را به‌شکل سرسام‌آوری بالا می‌برند. همان‌طور که جرج سیوولکا بنیان‌گذار، مدیرعامل شرکت Hebbia می‌گوید، برای اولین‌بار در تاریخ، انسان‌ها از نرم‌افزارها ارزان‌تر شده‌اند.

مدیران هم به‌اشتباه تصور می‌کنند با دادن دسترسی نامحدود ابزارهای هوش مصنوعی به سازمان، نوابغ را به خدمت گرفته‌اند؛ درحالی‌که اوضاع کارشان طوری پیش می‌رود که انگار یک میلیون کارمند ناکارآمد را استخدام کرده‌اند؛ اما نیروی کار ماشینی یا عامل‌های هوش مصنوعی، دقیقاً به‌همان دلایلی شکست می‌خورند که نیروی کار انسانی شکست می‌خورد.

با ما همراه باشید تا ۷ شباهت کلیدی بین کارمندان انسانی و هوش مصنوعی را بررسی کنیم؛ اصولی طلایی که قفل ارزش‌آفرینی تریلیون دلاری بعدی را در دنیای کسب‌وکار باز خواهد کرد.

برای درک بلایی که هوش مصنوعی امروز بر سر سازمان‌ها می‌آورد، باید به حدود دویست سال پیش برگردیم. در دهه‌ی ۱۸۳۰ میلادی، ظهور راه‌آهن یکی از عظیم‌ترین پروژه‌های زیرساختی تاریخ بشر را رقم زد. در طول تنها یک‌دهه، طول خطوط راه‌آهن در آمریکا ۱۲۰ برابر شد و همه‌چیز شگفت‌انگیز به‌نظر می‌رسید، تا اینکه سیستم از هم فروپاشید.

۵ اکتبر ۱۸۴۱، دو قطار در خط‌آهن غربی ماساچوست به‌دلیل خطای ساده‌ای در هماهنگی، به‌شدت با هم برخورد کردند و فاجعه‌ای مرگبار رقم خورد. مشخص بود که با پیچیده‌تر شدن شبکه‌ی راه‌آهن، دیگر نمی‌توان فقط به مهارت فردی لوکوموتیورانان برای حفظ ایمنی سفرها تکیه کرد.

امروز، هوش مصنوعی تاریخ را تکرار می‌کند و سیستم‌های سنتی ما را در هم می‌شکند. شرکت‌ها فکر می‌کنند اگر روی مجموعه‌ی ابزارهای بیشتری سرمایه‌گذاری کنند، به هر کارمند، قدرت و بودجه‌ای نامحدود برای استخدام نیروهای ماشینی می‌دهند و همه‌ی مشکلات حل می‌شود.

ولی چنین اتفاقی نمی‌افتد و برعکس، کار به جایی می‌رسد که اختلال‌های ناشی از هوش مصنوعی سر به فلک می‌گذارد، چون این فناوری اختلال‌ها و ناکارآمدی‌های سیستم را با سرعتی وحشتناک در مقیاس بالا تکثیر می‌کند.

در دنیای مدیریت سنتی، غالباً وقتی مدیری نمی‌تواند مشکل پیچیده‌ای را حل کند، روی ساده‌ترین و بی‌نتیجه‌ترین راه دست می‌گذارد و با استخدام کارمندان بیشتر، نیروی کار را به‌سمت مشکل پرتاب می‌کند! همین رویکرد را در دنیای هوش مصنوعی با مصرف حداکثری توکن مشاهده می‌کنیم.

طی چند ماه گذشته، چرخه‌ی مصرف حداکثری توکن‌ها بسیاری از شرکت‌ها را به مرز بحران رساند؛ اما مشکل اصلی هیچ‌گاه مقدار توکن‌های مصرف‌شده نبود. سازمان‌های امروزی هزینه‌ی دیوانه‌واری برای توکن‌ها می‌پردازند، عمدتاً بدین‌دلیل که کارمندان اصلاً بلد نیستند چگونه از توکن‌ها استفاده کنند.

صادقانه بگوییم؛ شاید تنها یک نفر از هر ۱۰۰ کارمند، واقعاً می‌داند که چگونه باید به هوش مصنوعی کانتکست بدهد. معدود افرادی که می‌توانند یک فرایند را کاملاً شفاف بیان کنند و آن‌قدر حوصله و همدلی را دارند که محدودیت‌های حافظه‌ی ماشین را درک کنند. اگر عامل‌های هوش مصنوعی را به دست آن ۹۹ نفر دیگر بدهید، فقط حلقه‌‌‌‌‌‌‌‌‌ی تکرار (Loop) تولید می‌کنند.

احتمالاً تاکنون در جلساتی شرکت کرده‌اید که خروجی‌شان، برنامه‌ریزی برای جلسه‌ای دیگر باشد. در ابزارهای برنامه‌نویسی و دستیارهای هوشمندی مثل Claude Code، کوپایلت یا ابزار Autoresearch آندره کارپاتی، حلقه‌ها دقیقاً همین نقش را بازی می‌کنند.

حلقه‌های تکراری در واقع چسب‌زخمی هستند روی این حقیقت که تقریباً هیچ‌کس در سازمان بلد نیست پرامپت درستی بنویسد. وقتی شخصی نمی‌تواند وظیفه‌ای را به‌درستی برای ماشین تعریف کند، ایجنت‌های هوش مصنوعی مجبور می‌شوند مدام خودشان را فراخوانی کنند تا بلکه بتوانند اشتباهات را اصلاح کنند.

روزی ناگهان متوجه می‌شوید که همین تلاش‌های بی‌نتیجه و طاقت‌فرسا، به تنها راه پیشروی سیستم شما تبدیل شده‌اند. هزینه و انرژی شرکت بدین‌دلیل هدر می‌رود که نتوانسته‌اید وظیفه‌ای را به‌درستی برای هوش مصنوعی تعریف کنید یا حتی خودتان هم وظیفه را درک نکرده‌اید.

پرامپت نادرست یعنی شما توکن مصرف می‌کنید، فقط برای اینکه توکن‌های بیشتری مصرف کنید! طبق داده‌ها، درخواست‌های مبهمی که در حلقه‌های باطل می‌افتند، می‌توانند هزینه‌ی انجام یک کار یکسان را تا ۱۰۰ برابر گران‌تر کنند.

اغلب شرکت‌های غیرخصوصی امروزی دچار سوءمدیریت‌اند. بخش زیادی از کارمندان تأثیر معناداری روی خدمات مفید ندارند. انگار صرفاً چرخ‌دنده‌هایی مطیع در یک ماشین عظیم‌اند و فقط روی کار همدیگر مهر تأیید می‌زنند تا افراد بیشتری استخدام شوند و سازمان به کار بیهوده‌اش ادامه دهد. آن‌ها در یک دور باطل گرفتار شده‌اند.

در دنیای ماشین‌ها هم اوضاع به‌همین منوال پیش می‌رود. همان‌طور که ۸۰ درصد کارمندان کار خاصی نمی‌کنند، ۸۰ درصد توکن‌های مصرفی امروز هم هیچ کار مفیدی انجام نمی‌دهند. در واقع حلقه‌های تکراری به روش جدیدی برای بزرگ‌شدن سازمان‌ها تبدیل شده‌اند.

درگذشته نرم‌افزارها وعده می‌دادند که «یک‌بار چیزی را بسازید، برای همیشه با هزینه‌ی کم اجرایش کنید و دیگری نیازی به نظارت بر آن نداشته باشید.» هوش مصنوعی این وعده را زیرپا گذاشت. به‌محض اینکه نرم‌افزار توانست هر کاری انجام دهد، دیگر نتوانست یک کار مشخص را به‌شکلی پیش‌بینی‌پذیر جلو ببرد. زمانی‌که به توکن‌ها به چشم نیروی کار نگاه کنید، تمام وعده‌های قبلی هوش مصنوعی رنگ می‌بازند؛ برای مثال:

• می‌گویند توکن‌ها دقیق‌تر از انسان‌ها هستند؛ اما تنها زمانی که پرامپت درستی دریافت کنند.
• می‌گویند توکن‌ها سریع‌تر از انسان‌ها هستند؛ اما وقتی قرار باشد یک کار ۱۰۰ بار تکرار و اصلاح شود، سرعت دیگر معنایی ندارد.
• می‌گویند توکن‌ها سیاست‌بازی نمی‌کنند؛ اما آن‌ها هم با هدردادن توکن‌ها برای خودشان امپراتوری می‌سازند.
• می‌گویند توکن‌ها استعفا نمی‌دهند؛ اما آن‌ها بین نسخه‌های جدید مدل‌ها و نشست‌های جدید از بین می‌روند.
• می‌گویند به توکن‌ها می‌توان اعتماد کرد؛ اما آن‌ها گاهی با اعتمادبه‌نفس کامل و فرمت‌بندی بی‌نقص، اطلاعات غلط تحویل می‌دهند.

در دوره‌ی قبلی فناوری، شرکت‌ها برپایه‌ی «مهندسان ۱۰برابری» ساخته شدند؛ همان برنامه‌نویسان نابغه‌ای که به‌اندازه ۱۰ نفر کار می‌کردند. حالا وقتی از توکن‌های ۱۰۰برابری صحبت می‌کنیم، یعنی توکن‌هایی که با دریافت زمینه‌ی مناسب می‌توانند زحمت و هزینه‌ی کار را به‌شدت کاهش دهند.

به‌طور میانگین، انسان‌ها از توکن‌ها ارزان‌ترند؛ اما در مقیاس وسیع توکن‌های خوب، بسیار ارزان‌تر از انسان‌ها تمام می‌شوند. تحقق این هدف به مدیریت خوب بستگی دارد.

در مرحله‌ی بعد به یکی از بزرگ‌ترین چالش‌های سیاسی هوش مصنوعی در داخل سازمان‌ها می‌رسیم؛ چالشی که احتمالاً پس از این بدتر هم می‌شود. با کمی دقت متوجه می‌شوید که کارمندان دوست ندارند فرمول‌های طلایی و فوت کوزه‌گری کارشان را به سیستم‌های هوش مصنوعی آموزش دهند.

کارمندان به‌تدریج متوجه شده‌اند که مدل‌های بزرگ فقط برای کمک‌کردن به کارشان یا افزایش بهره‌وری به شرکت نیامده‌اند.

به اتفاقات شرکت متا نگاه کنید؛ جایی‌که حتی کارمندانی که سهام‌دار شرکت بودند و قاعدتاً از موفقیت آن سود می‌بردند، وقتی فهمیدند شرکت از اطلاعات و داده‌های کاری‌شان برای آموزش هوش مصنوعی استفاده می‌کند، به‌شدت خشمگین شدند. این درگیری را به‌زودی در تمام صنایع تجربه می‌کنیم.

قانون نانوشته‌ای می‌گوید هیچ‌کس جایگزین خودش را به‌رایگان آموزش نمی‌دهد. نکته‌ی مهم اینکه ارزشمندترین کارمندان سازمان، همان افرادی که کلید توکن‌های ۱۰۰برابری را در دست دارند؛ تمایل و انگیزه‌ی کمتری برای تسلیم‌کردن دانش خود به هوش مصنوعی نشان می‌دهند.

سازمان‌ها به‌لحاظ احساسی، ساختاری و سیاسی طوری شکل‌گرفته‌اند که در برابر مهم‌ترین فناوری آینده‌شان مقاومت می‌کنند.

اگر می‌خواهید توکن‌ها را به‌صورت بهینه مدیریت کنید؛ به یاد بیاورید که در سطوح انسانی، مدیریت نیروها زمانی مؤثر پیش می‌رود که معنی کار خوب را برای کارمندان تعریف کنید. این موضوع برای ماشین‌ها هم مصداق دارد.

در حوزه‌ی مدیریت منابع انسانی، ما از شاخص‌های کلیدی عملکرد استفاده می‌کنیم تا تیم‌ها را در مسیر درست نگه داریم. در دنیای هوش مصنوعی، شاخص‌های ارزیابی می‌توانند همان نقش را ایفا کنند.

در بخش برنامه‌نویسی، هوش مصنوعی می‌تواند بدون درگیرشدن در بازی‌های سازمانی با موفقیت خروجی‌های مطلوبی تحویل دهد؛ چون کدنویسی از اساس شاخص‌های ارزیابی درونی و مشخصی دارد. یک کد یا اجرا می‌شود یا نمی‌شود؛ به‌همین دلیل ۹۹ درصد از درآمد امروز هوش مصنوعی، از دنیای کدنویسی به‌دست می‌آید.

مجموعه‌ی شاخص‌های ارزیابی‌های هر سازمان را می‌توان یکی از ارزشمندترین دارایی‌های شرکت تلقی کرد؛ البته هیچ دو شرکتی نباید شاخص‌های یکسانی داشته باشند؛ زیرا ارزیابی‌ها نوعی مزیت رقابتی به‌شمار می‌روند. سازمانی که از ارزیابی‌های عمومی استفاده کند، برتری خاصی در بازار نخواهد داشت.

در طول چند سال اخیر، بیشتر کسب‌وکارها بودجه‌ی زیادی را صرف خرید مدل‌های پایه، لایه‌های کاربردی و ساخت ابزارهای داخلی کرده‌اند؛ ولی هنوز نتوانسته‌اند هوش مصنوعی را به‌شکلی کاملاً قابل‌اعتماد در ابعاد سازمانی به‌کار بگیرند و از آن درآمدزایی واقعی داشته باشند.

سیلیکون‌ولی آن‌قدر از شکست در پیاده‌سازی کارآمد هوش مصنوعی در سازمان‌ها اطمینان دارد که سرمایه‌گذاری‌های عظیمی روی نئوفرم‌ها یا استارتاپ‌های جدید مبتنی‌بر AI انجام می‌دهد تا بازار ۲۱ تریلیون دلاری خدمات دانش‌بنیان را تسخیر کند. توسعه‌دهندگان مدل‌های بزرگ باور دارند که شرکت‌های قدیمی، به‌قدری درگیر سیاست‌های داخلی و فرآیندهای دست‌وپاگیرشان هستند که هرگز نمی‌توانند خود را با این موج تازه هماهنگ کنند.

شاید نئوفرم‌ها با ایجاد فشار رقابتی، باعث شوند شرکت‌های سنتی هم به فکر استفاده از هوش مصنوعی بیفتند؛ اما فراموش نکنید که هوش مصنوعی برای کسب ارزشمندترین دارایی‌اش به همین شرکت‌های قدیمی تکیه دارد، به فرآیندهای منحصربه‌فردی که همین‌الان کار می‌کنند و کانال‌های توزیعی که از قبل وجود دارند.

فراموش نکنید که تحول دیجیتال مبتنی‌بر هوش مصنوعی، پروژه‌ای مقطعی و یک‌باره نیست. هر بار سازمان یکی از راهکارهای هوش مصنوعی را پیاده‌سازی می‌کند؛ نیاز به ۱۰ راهکار و کاربرد دیگر نمایان می‌شود.

در ادامه هرچه شرکت بیشتر با هوش مصنوعی آمیخته می‌شود، نیاز بیشتری به تحول پیدا می‌کند؛ آن هم درحالی‌که مرزهای امکانات پیشرفته، هر روز فراتر می‌رود. شاید تنها راه بقا در رقابت آینده، همین تحول مستمر باشد.

احتمالاً تا امروز نام شرکت پالانتیر را شنیده‌اید؛ کسب‌وکاری نیم‌تریلیون دلاری که برای سازمان‌های بزرگ، برنامه‌های سفارشی می‌سازد و روی کاغذ، باوجود مدل‌های هوش مصنوعی مثل کلاد، باید به‌شدت آسیب‌پذیر باشد.

حتی مفهوم تحول نیز در طول زمان تغییر می‌کند. در دنیایی که هوش مصنوعی حرف اول را می‌زند، تحول فقط به‌معنای مدل‌سازی داده‌ها، نوشتن کدهای سفارشی یا چند پرامپت خاص و پیچیده نیست.

شما باید بتوانید چارچوب‌های ارزیابی دقیقی بسازید، مصرف توکن‌هایتان را کاهش دهید و کسب‌وکارتان را آن‌قدر عمیق بشناسید که بتوانید آن را به‌زبان ماشین بنویسید. شاید انتقال تمام دانش ضمنی، قواعد و جزئیات رفتاری هر شرکت به عامل‌های هوش مصنوعی، بزرگ‌ترین مأموریت اقتصادی دهه‌ی آینده باشد.

چالش فعلی کسب‌وکارهایی که به‌سمت استفاده‌ی هر چه بیشتر از هوش مصنوعی حرکت می‌کنند، کمبود زیرساخت یا نایاب‌بودن خدمات نیست. شما باید مثل مدیران راه‌آهن در قرن نوزدهم، سیستم را مدیریت کنید تا قطارها سروقت به ایستگاه برسند.

زمانی می‌توانید از ابزارها بهترین بهره را ببرید که حلقه‌های باطل را کنار بگذارید، توکن‌های ۱۰۰برابری را بیابید، هوش مصنوعی را در مسیر درست هدایت کنید و جلوی هدررفت عظیم بودجه را بگیرید.