واقع‌گرایی در حالی که همه به دنبال خبرساز شدن هستند: هوش مصنوعی در کسب‌وکارها

نویسنده معترف است که هوش مصنوعی ابزار قدرتمندی است و نحوه زندگی و کار ما را تغییر می‌دهد اما از نگاه او تحول برآمده از این فناوری در کوتاه‌مدت آرام‌تر، شلخته‌تر و با منفعت کمتر از آنی است که جو فعلی نشان می‌دهد. به گفته هلیوکو در حال حاضر شرکت‌ها بدون هیچ برنامه روشنی برای بهره‌برداری مالی، در حال تزریق میلیارد‌ها دلار سرمایه به این صنعت هستند و مدل‌های متن‌‌بازی همچون مدل‌های متا و دیپ‌سیک برتری رقابتی شرکت‌های بزرگ هوش مصنوعی را کاهش می دهند. از نگاه او با اینکه این مدل تجاری برای هوش مصنوعی مولد از پتانسیل بالایی برخوردار است، اما مسیر روشنی برای یک درآمد پایدار ارائه نمی‌دهد.

در این گزارش، به هفت اشتباه کلیدی در برداشت عمومی و تجاری از مسیر پیشرفت و تاثیرگذاری هوش مصنوعی پرداخته می‌شود؛ اشتباهاتی که اگر اصلاح نشوند، می‌توانند منجر به اتلاف سرمایه، ناامیدی راهبردی و بی‌اعتمادی عمومی شوند.

تحول‌آفرینی هوش مصنوعی آهسته‌تر از پیش‌بینی‌ها رخ می‌دهد

همان‌گونه که اختراعات بنیادین گذشته مانند برق و اینترنت پس از چند دهه تاثیر خود را بر ساختارهای اقتصادی و صنعتی به نمایش گذاشتند، هوش مصنوعی نیز از این قاعده مستثنی نیست. علی‌رغم سرمایه‌گذاری‌های میلیارد دلاری، هنوز تاثیر قابل‌توجهی بر رشد بهره‌وری اقتصادی مشاهده نشده است. داده‌های فدرال رزرو نشان می‌دهد که بهره‌وری کل (TFP) آمریکا در پنج دهه اخیر کمتر از نصف رشد پس از جنگ جهانی بوده است.

مطالعاتی مانند گزارش بانک مرکزی کانزاس سیتی و همچنین تحلیل‌های دارون عجم‌اوغلو نشان می‌دهد که یک دهه پیش رو، تنها ۵ درصد وظایف شغلی را می‌توان به شکلی سودآور خودکارسازی کرد. هزینه‌های بالای زیرساختی، آموزش نیروی انسانی، یکپارچه‌سازی با سیستم‌های قدیمی و موانع سازمانی، فرایند تحول را کند می‌کند.

خوش‌بینی بیش از حد نسبت به پذیرش سازمانی

بسیاری از مدیران تحت تاثیر شور و هیجان پیرامون ChatGPT و مدل‌های زبانی، به اشتباه اینگونه تصور می‌کنند که پذیرش هوش مصنوعی در سازمان‌ها روندی سریع، بی‌دردسر و فراگیر خواهد داشت. با این حال موانع سازمانی از جمله فرهنگ‌های محافظه‌کارانه، کمبود استعدادهای تخصصی، مشکلات تطبیق با سامانه‌های موجود و پیچیدگی‌های قانونی، پذیرش واقعی را به تعویق انداخته‌اند.

نمونه شکست IBM Watson Health، که با هدف تحول در حوزه سلامت طراحی شده بود اما به دلیل نبود آمادگی زیرساختی و پیچیدگی‌های داده‌ای و مقرراتی ناکام ماند، نمونه‌ای از این واقعیت تلخ در مسیر پذیرش سازمانی است.

بازار آینده شرکت‌های هوش مصنوعی را ارزش‌گذاری کرده است

سرمایه‌گذاران در حال حاضر با شرکت‌های هوش مصنوعی به مثابه شرکت‌های نرم‌افزاری سبک و سودآور برخورد می‌کنند، در حالی‌که واقعیت این است که این کسب‌وکارها پرهزینه، زیرساخت‌محور و سرمایه‌بر هستند. هزینه‌های عملیاتی بالا، نیاز مداوم به سخت‌افزار، و رقابت شدید از سوی مدل‌های متن‌باز باعث شده تا حاشیه سود این شرکت‌ها تحت فشار قرار گیرد.

برای نمونه، شرکت اوپن‌ای‌آی با ارزش‌گذاری ۳۰۰ میلیارد دلاری، در سال ۲۰۲۴ یک برآورد زیان ۵ میلیارد دلاری را ارائه کرد و این در حالی است که برآورد سود تنها ۳.۷ میلیارد دلار بود. هم‌زمان، شرکت‌های بزرگ مانند مایکروسافت، آمازون و متا تا پایان ۲۰۲۵ بالغ بر ۳۰۰ میلیارد دلار در زیرساخت‌های هوش مصنوعی سرمایه‌گذاری می‌کنند، بدون اینکه در کوتاه‌مدت تضمینی برای بازگشت سرمایه وجود داشته باشد.

ارزش نه در مدل‌ها، بلکه در کاربرد‌ها است

مدل‌های هوش مصنوعی قابل ثبت اختراع نیستند؛ چون آن‌ها در واقع ترکیبی از مجموعه‌ای از الگوریتم‌ها و محاسبات ریاضی محسوب می‌شوند. از این رو، مزیت رقابتی در داشتن یک مدل قدرتمند، پایدار نخواهد بود. برندگان واقعی کسانی هستند که این مدل‌ها را به‌صورت دقیق درون فرایندهای تجاری، طراحی محصول، عملیات و خدمات مشتری ادغام می‌کنند.

در حوزه رایانش ابری نیز مشاهده کردیم که برندگان نهایی، ارائه‌دهندگان زیرساخت نبودند بلکه شرکت‌هایی مانند Salesforce و Zoom که توانست این فناوری را در قالب برنامه‌های کاربردی مفید ارائه کردند به پیروز نهایی تبدیل شدند. همین الگو برای هوش مصنوعی نیز تکرار می‌شود.

پیروزی غول‌های فناوری با وجود تمرکز بیش از حد بر استارت‌آپ‌ها

در حالی‌که رسانه‌ها و سرمایه‌گذاران روی استارتاپ‌های هوش مصنوعی تمرکز دارند و این فعالان کوچک بخش مهمی از سرمایه را به خود اختصاص داده و هرروز خبرساز می‌شوند، در واقعیت قدرت در دست شرکت‌های بزرگ فناوری است. آن‌ها مالک زیرساخت‌ها، داده‌ها و کانال‌های توزیع سازمانی هستند. به همین دلیل، مدل‌هایی که به‌طور بومی در محصولات مایکروسافت، گوگل یا Salesforce ادغام شوند، مزیت رقابتی خواهند داشت و در اینجا ادغام سریع در فرایند سازمانی و زیرساختی اهمیت بیشتری نسبت به قدرت مدل اصلی دارد.

به‌علاوه، این شرکت‌ها به داده‌های اختصاصی کاربران دسترسی دارند؛ در حالی‌که استارت‌آپ‌ها باید برای جمع‌آوری داده و اعتبارسازی تلاش مضاعفی کرده و هزینه‌ای را به همین شرکت‌های بزرگ فناوری بپردازند.

یک اشتباه بزرگ: تمرکز بیش از حد بر هوش مصنوعی مولد و چت‌بات‌ها

هوش مصنوعی مولد یا GenAI توانایی خوبی در تولید متن و تصاویر دارد، اما برای حل مسائل پیچیده دنیای واقعی، کافی نیست. آینده هوش مصنوعی از نگاه هلیوکو در ترکیب مدل‌های چندوجهی و سامانه‌های مرکب هوش مصنوعی یا  Compound AI نهفته است. این سیستم‌ها باید در نهایت بتوانند ورودی‌های صوتی، تصویری، متنی و حسگری استفاده کرده و با یکدیگر تعامل داشته باشند.

برای مثال، خودروهای خودران برای هدایت دقیق نیازمند تجمیع داده از منابع مختلف مانند GPS، لیدار و دوربین هستند. باید چنین سطحی از دسترسی و ترکیب منابع را در مورد هوش مصنوعی نیز مشاهده کنیم. شرکت‌ها باید زیرساخت‌هایی انعطاف‌پذیر برای حمایت از این نسل بعدی هوش مصنوعی فراهم کنند.

پرسش اصلی: آیا ما قادریم درمورد ماشین‌ها هوشمندان بیاندیشیم؟

آلن تورینگ در سال ۱۹۵۰ پرسش معروفی را مطرح کرد:‌ «آیا ماشین‌ها می‌توانند فکر کنند؟» اکون پس از هفتاد و پنج سال، ما مدل‌های هوش مصنوعی را براساس قدرت استدلال، پیش‌بینی و تولید آن ارزیابی می‌کنیم. اما شاید وقت آن رسیده که چنین سنجه‌ای را در قبال خودمان مد نظر قرار دهیم.

در حال حاضر این ما انسان‌ها هستیم که با توهم به سمت قمار‌های اشتباه، اولویت‌های نادرست و زمان‌بندی غیرواقع‌گرایانه پیش‌می‌رویم. واقعیت این است که بسیاری از تصمیم‌های استراتژیک فعلی در حوزه هوش مصنوعی براساس انتظارات غیرواقع‌گرایانه و فشارهای تبلیغاتی اتخاذ می‌شوند. شرکت‌هایی که منابع خود را صرف ساخت مدل می‌کنند، بدون اینکه زیرساخت‌ها، داده‌ها و منابع انسانی لازم برای اجرای عملی آن را داشته باشند، به احتمال زیاد با شکست روبرو خواهند شد.

پرسش اولیه تورینگ در این عصر نیز اهمیت دارد. اما امروز سوال مهمتر این است که «آیا ما قادریم در قبال ماشین‌ها هوشمندان بیاندیشیم؟» رهبران تجاری باید تمرکز خود را از پتانسیل به عملکرد معطوف کنند و به جای اینکه از آنچه هوش مصنوعی در آینده ممکن است انجام دهد بپرسند، روی کاری که در حال حاضر و در واقعیت انجام می‌دهد تمرکز کنند. برای این کار باید به جای تلاش برای خبرساز شدن به دنبال پایداری بود؛ روی معماری، استعداد و سیستم‌هایی سرمایه‌گذاری کرد که می‌توانند ابزارهای امروز را به برتری رقابتی فردا تبدیل کنند.

از رویاپردازی تا واقع‌بینی

هلیوکو به طور کلی با اشاره به مطالعات و شواهد موجودی می‌گوید تحول ناشی از هوش مصنوعی محتمل است اما نه به سرعتی که تصور می‌شود و نه در قالبی که رسانه‌ها وعده می‌دهند. این فناوری، بیش از آن‌که یک انقلاب ناگهانی باشد، یک فرایند تدریجی و زیرساخت‌محور خواهد بود که تنها با سرمایه‌گذاری درست، صبر راهبردی و تمرکز بر کاربردهای واقعی، به سوددهی خواهد رسید.

رهبران سازمانی باید تمرکز را از «ممکن‌های آینده» به «آنچه امروز ممکن است» معطوف کنند و با ایجاد زیرساخت‌هایی، خود را برای ادغام معنادار و ماندگار این فناوری درون کسب‌وکار خود آماده کنند.