وقتی همه از هوش مصنوعی استفاده میکنن ولی سازمان هیچ چیزی یاد نمیگیره
هوش مصنوعیخلاصهٔ کاملتر
ایتان مولیک مدتیه که دربارهی پذیرش هوش مصنوعی در سازمانها مینویسه. نکتهی محوری حرفش اینه که بهرهوری فردی از AI بهطور خودکار تبدیل به بهرهوری سازمانی نمیشه. آدمها ممکنه سریعتر بشن، بهتر بنویسن، بیشتر تحلیل کنن — ولی شرکت همچنان تقریباً هیچچیزی یاد نگیره.
خیلی از شرکتها الان وارد فازی شدن که لایسنس GitHub Copilot داره، ChatGPT Enterprise یهجایی توی استک هست، Claude یا Gemini یا Cursor توی تیمهای مختلف دیده میشه، و هر تیم حداقل یه نفر داره که خیلی جلوتر از مواد آموزشی رسمی سازمانه. مدیریت فقط تعداد استفاده از لایسنسها رو میبینه و میپرسه: «ROI اون ۲ میلیون یورویی که دادیم کجاست؟»
این همون «میانهی آشفته» پذیرش AIه؛ جایی که استفاده از ابزارها همهجا هست ولی ناهموار، پنهان، سخت مقایسهپذیر، و بدون ارتباط با یادگیری سازمانیه. یه تیم از Copilot فقط بهعنوان autocomplete استفاده میکنه. یه تیم دیگه Claude Code رو توی حلقههای تنگ با تست و ریویو اجرا میکنه. یه محصولدان یهو بهجای موکاپ در Figma، نمونهی واقعی نرمافزار میسازه. یه مهندس ارشد تحلیل ریشهای رو به یه ایجنت واگذار میکنه و در عرض یه ساعت جواب میگیره — کاری که بدون AI دو هفته طول میکشید. همهی اینا میتونن همزمان توی یه شرکت اتفاق بیفتن.
چارچوب «رهبری، آزمایشگاه، و جمعیت» که مولیک مطرح میکنه اینجا کمک میکنه: رهبری جهت و مجوز میده، جمعیت موارد استفاده رو کشف میکنه چون جمعیت کار واقعی رو انجام میده، و آزمایشگاه اون کشفیات رو به ابزارها، معیارها، و سیستمهای مشترک تبدیل میکنه. ولی سوال اصلی اینه: یادگیری چطور جابهجا میشه؟
اکثر شرکتها میخوان پذیرش AI رو از طریق ماشینآلات تغییری که قبلاً داشتن پردازش کنن — کمیتههای تخصصی، جلسات Brown-bag، دموهای ماهانه. ولی کار جالب AI منتظر جلسهی بعدی کمیته نمیمونه. توی یه کد ریویو، یه پروپوزال فروش، یه تحلیل محصول ظاهر میشه. وقتی داستان اون اندازه صیقل خورده که تبدیل به یه اسلاید «بهترین تجربه» بشه، یادگیری مهمش اغلب دیگه دندون نداره. چیزی که اون رو مفید کرده بود، اصطکاکش بود: کانتکست گمشده، تستی که فیل شد، رفتار عجیب API، لحظهای که ایجنت رفت توی هذیان و یکی باید میکشیدش برمیگردوند.
خیلی از فرآیندهای مدرن نرمافزار — اسپرینتپلنینگ، استندآپ، گروم کردن تیکتها — چون ایتریشن انسانی گرون بود ساخته شدن. مهندسی ایجنتیک اون اقتصاد رو عوض میکنه: تیمها میتونن از intent به prototype به ارزیابی خیلی سریعتر برن. مشکل اینه که خیلی از سازمانها بیست سال است خودشون رو «چابک» مینامن ولی رفلکسهای سازمانیای رو حفظ کردن که چابکسازی قرار بود حذفشون کنه. حالا AI چابکی واقعی رو ممکنتر میکنه ولی سیستم همچنان commitmentهای دو هفتهای میخواد.
یه فشار دیگه هم داره شکل میگیره: استفاده از AI خیلی زود مرئیتر و متردتر میشه. مسیریابی مدل، بودجهبندی توکن، قیمتگذاری بر اساس استفاده — همهی اینا با جدیتر شدن کارهای ایجنتیک صریحتر میشن. ولی سوال مهم این نیست که چطور خرج توکن رو کم کنیم. سوال اینه: چه چیزی به خاطر اون توکنها تغییر کرد؟ کدوم حلقهها سریعتر بسته شدن؟ کدوم تصمیمها بهتر شدن؟ کدوم تیمها الگوهای قابل استفادهی مجدد یاد گرفتن؟ «توکن به خروجی» همون رفلکس اندازهگیری قدیمیه با لباس جدید. «توکن به یادگیری» به چیزی که واقعاً اهمیت داره نزدیکتره.
نکات کلیدی:
- بهرهوری فردی از AI بهطور خودکار تبدیل به یادگیری سازمانی نمیشه
- «میانهی آشفته» جاییه که استفاده از AI همهجا هست ولی ناهموار، پنهان، و بدون ارتباط با یادگیری جمعیه
- واحد پذیرش دیگه سازمان یا تیم نیست — حلقهی داخل کار است
- چرخههای کار میتونن سریعتر از ظرفیت هضم سازمان حرکت کنن
- سازوکارهای تغییر سنتی (کمیته، جلسه، بهترین تجربهها) برای سرعت AI خیلی کُندن
- مهندسی ایجنتیک اقتصاد ایتریشن رو عوض میکنه و چابکی واقعی رو ممکنتر میکنه
- معیار درست «توکن به یادگیری» است نه «توکن به خروجی»
