چرا هوش مصنوعی هزینه‌های سازمان‌ها را ۱۰۰ برابر کرد؟ ۷ شباهت پنهان میان کارمندان ناکارآمد و ایجنت‌های ماشینی
رؤیای مدیران برای کاهش هزینه‌ها و دستیابی به بهره‌وری نامحدود با هوش مصنوعی، در عمل به کابوس قبوض نجومی پردازش ابری و سردرگمی سازمانی تبدیل شده است؛ بررسی‌های تحلیلی حاکی از آن است که سوءمدیریت ابزارهای پردازشی و مصرف افسارگسیخته توکن‌ها به دلیل ناآگاهی کارکنان از طراحی پرامپت، هزینه اجرای وظایف یکسان را تا ۱۰۰ برابر افزایش داده و زمینه شکل‌گیری موج جدیدی از ناکارآمدی را در شرکت‌ها فراهم کرده است.
با فراگیر شدن تب استفاده از هوش مصنوعی مولد، تصوری آرمانی در میان مدیران شکل گرفت مبنی بر اینکه ابزارهای نوین با سرعتی خارق‌العاده وظایفی چون برنامه‌نویسی، تولید محتوا و تحلیل داده را به دست می‌گیرند و هزینه‌های جاری را به حداقل می‌رسانند. با این حال، واقعیت جاری در بنگاه‌های اقتصادی نشان می‌دهد که در اختیار قرار دادن ابزارهای پیشرفته به کارکنانی که درک روشنی از جریان کاری الگوریتم‌ها ندارند، به افزایش سرسام‌آور صورت‌حساب‌های زیرساخت ابری و رابط‌های برنامه‌نویسی (API) منجر شده است. کارشناسان بر این باورند که عامل‌های هوش مصنوعی دقیقاً به همان دلایلی با شکست روبه‌رو می‌شوند که نیروهای انسانی ناکارآمد با آن مواجه هستند؛ واقعیتی که سبب شد جرج سیوولکا، بنیان‌گذار و مدیرعامل شرکت Hebbia، اعلام کند برای نخستین‌بار در تاریخ، نیروی کار انسانی از نرم‌افزارها ارزان‌تر تمام می‌شود.
درس تاریخی راه‌آهن ماساچوست؛ تکرار بحران مدیریت در عصر الگوریتم‌ها
برای درک چالش‌های ساختاری کنونی، بازخوانی تاریخ صنعت در دهه ۱۸۳۰ میلادی راهگشاست. در آن دوره، با جهش احداث خطوط ریلی در ایالات متحده و افزایش ۱۲۰ برابری طول مسیرها طی یک دهه، شبکه‌ای عظیم شکل گرفت؛ اما تکیه صرف بر توان فردی لوکوموتیورانان در تاریخ ۵ اکتبر ۱۸۴۱ فاجعه آفرید و تصادف مرگبار دو قطار در خط‌آهن غربی ماساچوست ضرورت تحول در ساختار نظارت را اثبات کرد. این حادثه زمینه‌ساز پیدایش مدیریت مدرن، تعریف سلسله‌مراتب سازمانی و تدوین شرح وظایف دقیق شد و این صنعت را به نخستین حوزه میلیارددلاری با تصاحب نیمی از بازار سهام تبدیل نمود.
اکنون ورود کنترل‌نشده سامانه‌های خودکار، همان سناریو را تکرار می‌کند. تجهیز بدون برنامه کارکنان به ابزارهای هوش مصنوعی نه تنها گره‌ای از مشکلات باز نکرده، بلکه نارسایی‌های سیستماتیک سازمان را در ابعادی گسترده بازتولید کرده است.
پرتاب توکن و حلقه‌های بی‌پایان؛ معادل استخدام بی‌رویه و جلسات فرسایشی
در ادبیات مدیریت سنتی، پاسخ به مسائل پیچیده غالباً با استخدام بی‌رویه نیرو جبران می‌شد؛ رویکردی که امروز در قالب مصرف حداکثری و غیرهدفمند توکن‌ها تکرار می‌شود. داده‌های آماری نشان می‌دهند:
- تنها ۱ نفر از هر ۱۰۰ کارمند در سازمان‌ها توانایی ارائه بستر داده‌ای (Context) شفاف و متناسب با محدودیت‌های حافظه ماشین را دارد.
- ناتوانی ۹۹ نفر دیگر در تدوین پرامپت‌های استاندارد، سامانه‌هایی نظیر Claude Code، کوپایلت (Copilot) و ابزار تحقیقاتی Autoresearch متعلق به آندره کارپاتی را در چرخه‌های تکرار بی‌پایان گرفتار می‌کند.
- دستورات مبهم سازمانی که سامانه‌ها را وارد چرخه‌های اصلاح خطای متوالی می‌کنند، هزینه انجام یک فرایند یکسان را تا ۱۰۰ برابر گران‌تر می‌سازند.
- همان‌گونه که در ساختارهای متورم سازمانی بخش عمده فعالیت‌ها فاقد ارزش افزوده واقعی است، در حال حاضر ۸۰ درصد توکن‌های مصرفی در شرکت‌ها نیز هیچ خروجی مفیدی تولید نمی‌کنند.
توکن‌های ۱۰۰ برابری در برابر نیروی کار؛ شکاف هزینه تا سال ۲۰۲۸
در نسل‌های پیشین فناوری، پیشرفت‌ها متکی بر مهندسان ۱۰برابری بود، اما در پارادایم جدید، تمرکز بر توکن‌های ۱۰۰برابری است؛ توکن‌هایی که در بستر دستورات دقیق می‌توانند بهره‌وری را دگرگون سازند. بر اساس پژوهش‌های مشترک مؤسسه a16z و شرکت Hebbia، نحوه هدایت این ابزارها تأثیری تعیین‌کننده بر اقتصاد سازمان خواهد داشت:
- با مدیریت صحیح و هدایت اصولی مدل‌ها، هزینه انجام یک ساعت کار مشخص توسط هوش مصنوعی تا سال ۲۰۲۸ به حدود ۴ دلار کاهش خواهد یافت.
- در نقطه مقابل، تداوم رویکردهای غیرحرفه‌ای و مدیریت ناکارآمد می‌تواند هزینه پردازش همان حجم کاری را به رقم سرسام‌آور ۷ هزار دلار برساند.
احتکار دانش سازمانی و مقاومت در برابر آموزش ماشین
یکی از موانع کلیدی در مسیر یکپارچه‌سازی ابزارهای پیشرفته، مقاومت پنهان کارمندان در انتقال تخصص و شیوه‌های کاری به سامانه‌های ماشینی است. تجربه خشم کارکنان در شرکت متا (Meta) پس از بهره‌برداری از داده‌های کاری‌شان جهت آموزش مدل‌ها، نمونه‌ای آشکار از تقابل نیروی کار با خطر از دست رفتن امنیت شغلی به شمار می‌رود. ارزشمندترین نیروهای هر مجموعه که کلید دستیابی به توکن‌های اثربخش را در اختیار دارند، به دلیل نگرانی‌های حرفه‌ای تمایلی به آموزش بدون تضمین جایگزین‌های ماشینی خود نشان نمی‌دهند.
گذار از KPI به شاخص‌های ارزیابی؛ خیزش برای بازار ۲۱ تریلیون دلاری
تثبیت جایگاه هوش مصنوعی در ساختار عملیاتی نیازمند بازتعریف شاخص‌های ارزیابی عملکرد است. در حال حاضر ۹۹ درصد درآمد پایدار صنعت هوش مصنوعی از حوزه کدنویسی حاصل می‌شود؛ چرا که خروجی خطوط کد بر خلاف مفاهیم کیفی بخش‌هایی چون بازاریابی، حقوقی یا مدیریت عمومی، بر پایه شاخص‌های ارزیابی دوگانه و صفر و یکی بنا شده است. مدیران سازمانی برای بهره‌گیری واقعی از این فناوری باید فرایندهای مبهم انسانی را به شاخص‌های ارزیابی کمی و الگوریتمی ترجمه کنند.
ناتوانی ساختارهای سنتی در غلبه بر این اصطکاک‌های داخلی سبب شده سرمایه‌گذاران سیلیکون‌ولی سرمایه‌گذاری‌های سنگینی را روی استارتاپ‌های نوین موسوم به نئوفرم‌ها متمرکز کنند؛ شرکت‌های چابکی که با طراحی فرآیندهای مبتنی بر ماشین از پایه، برای تسخیر بازار ۲۱ تریلیون دلاری خدمات دانش‌بنیان جهانی رقابت می‌کنند.
نظرات کاربران (۰)
هنوز دیدگاهی برای این خبر ثبت نشده است.