در دنیای امروز، اخبار و هیاهوی مداوم درباره هوش مصنوعی مولد (Generative AI) رهبران کسب‌وکار را در میان سیلی از اطلاعات گیج‌کننده رها کرده است. اما برای ساختن یک استراتژی واقعی، باید از این هیاهو عبور کرد. این مقاله قصد دارد چندین حقیقت غافلگیرکننده، غیرمنتظره و تأثیرگذار درباره هوش مصنوعی را آشکار کند که فراتر از عناوین خبری معمول هستند. 

درک این نکات نه یک انتخاب، بلکه یک ضرورت استراتژیک برای ساختن آینده‌ای پایدار و رقابتی با هوش مصنوعی است.

هوش مصنوعی هوشمند نیست؛ این سازمان شماست که باید هوشمند باشد

با وجود قابلیت‌های چشمگیر هوش مصنوعی، این فناوری به معنای واقعی کلمه «هوشمند» نیست. هوش مصنوعی برنامه‌ها و فرمول‌ها را بدون درک زمینه‌ای اجرا می‌کند. 

به قول دکتر جورج وسترمن، شاید بهتر باشد آن‌ها را «ابلهان مصنوعی» بنامیم، زیرا فاقد درک انسانی هستند.

اینجاست که «قانون وسترمن» اهمیت می‌یابد، این قانون تأکید می‌کند که چالش واقعی پذیرش هوش مصنوعی، خودِ فناوری نیست، بلکه تحول سازمانی است که برای استفاده مؤثر از آن لازم است. این تغییر دیدگاه بسیار حیاتی است: رهبران باید کمتر بر «جادوی» فناوری تمرکز کنند و بیشتر به رهبری مورد نیاز برای تغییر فرایندهای کسب‌وکار، فرهنگ سازمانی و مهارت‌ها بپردازند.

«فناوری به‌سرعت تغییر می‌کند. سازمان‌ها بسیار آهسته‌تر تغییر می‌کنند… بخش دشوار، پذیرش فناوری نیست، بلکه تغییر روش انجام کسب‌وکار است. مسئله دیجیتال نیست؛ تحول، بخش دشوار ماجراست.»

— دکتر جورج وسترمن

این یعنی استراتژی هوش مصنوعی شما باید کمتر درباره خرید فناوری و بیشتر درباره رهبری تحول باشد. موفقیت واقعی زمانی حاصل می‌شود که سازمان شما برای استفاده هوشمندانه از این ابزار قدرتمند، تکامل یابد.

کاربر هوش مصنوعی نباشید؛ به یک ارزش‌آفرین با هوش مصنوعی تبدیل شوید

یک تمایز حیاتی که استراتژی شما را شکل خواهد داد، تفاوت میان «کاربر» صرف بودن و «ارزش‌آفرین» واقعی شدن با هوش مصنوعی است. به گفته دکتر داریو گیل، یک کاربر هوش مصنوعی به ارسال پرامپت (دستور) به مدل شخص دیگری محدود است و هیچ کنترلی بر مدل یا داده‌ها ندارد.

در مقابل، یک ارزش‌آفرین با هوش مصنوعی، داده‌های اختصاصی خود را برای آموزش، تنظیم و مالکیت مدل‌های پایه‌ای خود به کار می‌گیرد. مدل‌های پایه‌ای (یعنی سیستم‌های هوش مصنوعی بزرگ و چندمنظوره‌ای مانند GPT که می‌توان آن‌ها را برای وظایف خاصی آموزش داد و سفارشی کرد) که با داده‌های یک شرکت آموزش دیده‌اند، به ارزشمندترین دارایی آن شرکت تبدیل خواهند شد. تأثیر این رویکرد بسیار عمیق است: این به معنای مالکیت مزیت رقابتی و کنترل سرنوشت خود است، نه برون‌سپاری بخش اصلی آینده کسب‌وکارتان.

«یک ارزش‌آفرین باشید، مدل‌های پایه‌ای را بر روی داده‌های خود و تحت کنترل خود بسازید. آن‌ها به ارزشمندترین دارایی شما تبدیل خواهند شد. این کار را برون‌سپاری نکنید و استراتژی هوش مصنوعی خود را به خرید دسترسی ساده به سیستم شخص دیگری تقلیل ندهید.»

— دکتر داریو گیل

بنابراین، سوال استراتژیک کلیدی این نیست که «از کدام ابزار هوش مصنوعی استفاده کنیم؟» بلکه این است که «چگونه با داده‌های منحصربه‌فرد خود، ارزش منحصربه‌فردی خلق کنیم که رقبا نتوانند آن را کپی کنند؟» اما تبدیل شدن به یک ارزش‌آفرین به معنای ساختن یک ابر-مدل برای انجام همه کارها نیست. در حقیقت، واقعیت بسیار متنوع‌تر و در دسترس‌تر است.

ایده‌ی یک ابرمدل را فراموش کنید. آینده باغ‌وحشی از هوش‌های مصنوعی تخصصی است

این تصور رایج که «یک مدل بر همه حکومت خواهد کرد» یک افسانه است. به گفته داریو گیل، واقعیت، تنوع عظیمی از مدل‌هاست. برای مثال، کلم دلانگ اشاره می‌کند که تنها در یک هفته، ۴۰۰۰ مدل جدید در پلتفرم Hugging Face به اشتراک گذاشته شده است.

مدل‌های کوچک‌تر، تخصصی و سفارشی‌سازی‌شده اغلب برای موارد استفاده خاص، ارزان‌تر، کارآمدتر و با عملکرد بهتری نسبت به یک مدل غول‌پیکر و همه‌منظوره عمل می‌کنند. این خبر خوبی برای کسب‌وکارهاست، زیرا به این معناست که آن‌ها می‌توانند به‌جای تکیه بر یک راه‌حل تک‌سایز، ابزار مناسب را برای کار مشخص خود بسازند یا انتخاب کنند و این امکان تمایز و کنترل بیشتری را فراهم می‌آورد.

«هر شرکتی باید ChatGPT مخصوص به خود را بسازد، زیرا اگر این کار را نکند، قادر به تمایز نخواهد بود، نمی‌تواند ارزش فناورانه منحصربه‌فردی را که برای مشتریانش ایجاد کرده، خلق کند و کنترل را از دست می‌دهد، درست است، اگر شروع به برون‌سپاری آن کند.»

— کلم دلانگ

بنابراین، اولویت استراتژیک شما نباید یافتن «بهترین» مدل هوش مصنوعی باشد، بلکه باید بر ساخت یک «جعبه ابزار هوش مصنوعی» منعطف متمرکز شوید که بتواند ابزار مناسب را برای کار مناسب به کار گیرد و تمایز رقابتی شما را به حداکثر برساند.

موفقیت یک‌شبه هوش مصنوعی ۷۰ سال طول کشید (و سوخت آن داده‌های شماست)

این روایت که هوش مصنوعی مولد ناگهان ظهور کرده، درست نیست. ریشه‌های این حوزه به آلن تورینگ در سال ۱۹۵۰ و کارگاه دارتموث در سال ۱۹۵۶ بازمی‌گردد و آن را به‌عنوان یک رشته با تاریخچه‌ای طولانی معرفی می‌کند.

سه‌پایه هوش مصنوعی مدرن عبارت است از: معماری مدل، قدرت محاسباتی و داده‌ها.

در طول تاریخ محاسبات، ما روش‌های مختلفی برای نمایش داده‌ها ابداع کرده‌ایم، از جداول و پایگاه‌های داده گرفته تا گراف‌ها برای نمایش روابط. اکنون شبکه‌های عصبی راه جدیدی برای نمایش مقادیر عظیمی از داده‌های بدون ساختار فراهم کرده‌اند. اما در تمام این موارد، داده‌ها حیاتی‌ترین عنصر برای کاربردهای تجاری باقی مانده‌اند. بدون حجم عظیمی از داده‌ها برای آموزش، این مدل‌ها امکان‌پذیر نبودند.

شناخت این تاریخچه طولانی به کسب‌وکارها کمک می‌کند تا بفهمند داده‌های اختصاصی آن‌ها کلید اصلی برای دستیابی به قابلیت‌های منحصربه‌فرد هوش مصنوعی و خلق مزیت رقابتی پایدار است. با درک اینکه داده‌های اختصاصی شما سوخت اصلی هوش مصنوعی است، این سوال پیش می‌آید که چگونه می‌توان از این سوخت به شکلی مؤثر و کم‌ریسک استفاده کرد. پاسخ در اجتناب از تحولات انفجاری نهفته است.

به دنبال انقلاب نباشید؛ تحولات کوچک و هوشمند را هدف بگیرید

دکتر وسترمن دریافته است که شرکت‌ها در حال انجام تحولات غول‌آسا و disrupt کننده (تحول با «T» بزرگ) نیستند. در عوض، آن‌ها با موفقیت در حال پیاده‌سازی «تحول با t کوچک» هستند. این رویکرد سه‌سطحی به شرح زیر است:

۱. بهره‌وری فردی: استفاده از هوش مصنوعی برای کمک به کارمندان در خلاصه‌سازی اسناد یا نوشتن ایمیل‌ها. این یک نقطه شروع کم‌ریسک برای آشنایی سازمان با این فناوری است.

۲. نقش‌ها و وظایف تخصصی: تقویت مشاغل خاص مانند برنامه‌نویسی، فروش یا مراکز تماس، که معمولاً با حضور یک انسان در چرخه (human-in-the-loop) انجام می‌شود. برای مثال، ابزار Cresta در مراکز تماس، عملکرد کارکنان تازه‌کار را تا ۳۴٪ و کارکنان باتجربه را ۱۴٪ بهبود بخشید.

۳. تأثیر مستقیم بر مشتری: پیاده‌سازی دقیق هوش مصنوعی در کاربردهای کم‌ریسک که مستقیماً با مشتری در ارتباط هستند، مانند شخصی‌سازی تجربه‌ی خرید آنلاین.

این رویکرد سیستماتیک و گام‌به‌گام، کمتر ترسناک است و به شرکت اجازه می‌دهد تا قابلیت‌ها و فرآیندهای مدیریت ریسک خود را به‌مرور زمان ایجاد کند. این استراتژی به معنای ساختن موفقیت‌های کوچک و تدریجی برای رسیدن به تحولات بزرگتر و پایدارتر است.

مرز بعدی هوش مصنوعی، ساخت چت‌بات‌های بهتر نیست، بلکه یادگیری زبان همه‌چیز است

دیدگاه خود را نسبت به هوش مصنوعی فراتر از متن و تصویر گسترش دهید. دکتر داریو گیل مفهومی را مطرح می‌کند که بر اساس آن، بسیاری از چیزها را می‌توان به‌عنوان یک «زبان» در نظر گرفت. نمونه‌های این مفهوم شامل سیگنال‌های تجهیزات صنعتی، کد نرم‌افزار، فرمول‌های شیمیایی و حتی کلیک‌های کاربر بر روی یک وب‌سایت است.

با تلقی این منابع داده به‌عنوان زبان، مدل‌های پایه‌ای می‌توانند الگوها را کشف کرده و در تقریباً هر حوزه‌ای به بینش‌های جدید دست یابند. این رویکرد، پتانسیل عظیمی را آزاد می‌کند و هوش مصنوعی را به‌صورت افقی در تمام کارکردهای کسب‌وکار، از تولید و لجستیک گرفته تا کشف دارو و علوم آب‌وهوا، گسترش می‌دهد.

«… اگر با دقت نگاه کنید، همه‌چیز شبیه زبانی به نظر می‌رسد که می‌توان آن را رمزگشایی و درک کرد.»

— دکتر داریو گیل

این بدان معناست که رهبران آینده‌نگر باید هوش مصنوعی را نه فقط ابزاری برای بهینه‌سازی فرآیندهای موجود، بلکه موتوری برای کشف الگوهای کاملاً جدید در داده‌های عملیاتی، شیمیایی یا لجستیکی خود ببینند—جایی که بزرگترین فرصت‌ها برای نوآوری نهفته است.

نتیجه‌گیری

عبور از هیاهوی هوش مصنوعی نیازمند یک چارچوب ذهنی جدید است: یک رویکرد استراتژیک، واقع‌بینانه و متمرکز بر کسب‌وکار. همان‌طور که دیدیم، کار واقعی در تحول سازمانی، خلق ارزش با داده‌های اختصاصی، پذیرش اکوسیستمی متنوع از ابزارها و برداشتن گام‌های هوشمندانه و تدریجی نهفته است. موفقیت در عصر هوش مصنوعی متعلق به کسانی است که نه تنها فناوری را می‌فهمند، بلکه رهبری لازم برای تغییر سازمان خود را نیز به کار می‌گیرند.

اکنون که فراتر از هیاهو را می‌بینید، اولین تحول «کوچک» اما هوشمندانه‌ای که در سازمان خود آغاز خواهید کرد چیست؟

حتما بخوانید: