هیاهوی هوش مصنوعی و فلج تصمیمگیری سازمانها
هوش مصنوعیخلاصهٔ کاملتر
نیخیل سورش، نویسندهٔ این مقالهٔ بلند، از موقعیت خودش شروع میکنه: مسئولیت فروش شرکتش، رهبری بخش فنی بیشتر پروژهها و چیزی حدود ۳۰۰ گفتوگو با متخصصها و مدیرهای شرکتهای Fortune 500. به گفتهٔ او همین جایگاه بهش دید نزدیکی داده به چیزی که اسمش رو یه هیجان جمعی نفسگیر در نهادهای بخش خصوصی و عمومی میذاره. ادعای مرکزیش اینه که مسئولها یا برنامهای ندارن یا راهی جز سر به زیر انداختن نمیبینن.
اولین ادعای سنگینش دربارهٔ نتیجهٔ پروژههاست: تیم او در یک سال و نیم گذشته صفر درصد موفقیت دیده، هم توی پروژههایی که خودشون دعوت شدن و هم اونهایی که حین کارهای بیربط از نزدیک دیدن. به گفتهٔ او بخش زیادی از این شکستها ربطی به خود AI نداره، بلکه شرکتها در اجرای پروژههای نرمافزاری ضعیفن و پروژهٔ AI همهٔ حالتهای شکست معمول رو داره بهعلاوهٔ ریسک تازگی روش. نمونهٔ رایجش چتبات داخلیه که کارمندها ازش استفاده نمیکنن، چون مستندات شرکت ضعیفه و مدل هم غیب نمیدونه.
مشکل بعدی به گفتهٔ او سنجههاست. مدیرهای پروژه معمولاً حواسشون هست که سنجههای پایه — مثل اینکه اصلاً کسی از ابزار استفاده میکنه یا نه — رو ثبت نکنن، یا سنجههایی رو انتخاب کنن که راحت دستکاری میشن. مثال شخصیش یه ربات تلفنی خوشساخت میتسوبیشیه که قول تماس مجدد داد و شش ماه بعد هنوز تماسی نگرفته بود؛ توی گزارشها احتمالاً یه درخواست حلشده ثبت شده، در حالی که مشتری تصمیم گرفت ماشین بعدیش رو از جای دیگه بخره.
بخش دوم مقاله دربارهٔ هزینهٔ ابراز تردیده. نویسنده میگه توی شرکتهای بالای ۵۰۰ نفر، پیشرفت شغلی و حتی ادامهٔ استخدام کمکم به اعلام مکرر ایمان به قدرت دگرگونکنندهٔ AI گره خورده؛ او مواردی رو نقل میکنه که آدمها این جمله رو تکرار کردن و لحظهای بعد پذیرفتن سازمانشون از هیچ مدل زبانی استفاده نمیکنه. نتیجهٔ عملی این فشار چیزیه که اسمش رو «AI-washing» میذاره: مهندسهایی که کار رو مثل همیشه انجام میدن و بعد میگن مدل انجامش داده.
بخش سوم به قدرت عجیب دموها میپردازه. نویسنده اعتراف میکنه که یک بار لایهٔ چتبات یه دیتابیس تحلیلی رو با همهٔ هشدارها به مشتریهای مردد نشون دادن؛ نتیجه فاجعهبار بود، چون هر مشتری لَخت و بیانگیزه بعد از دیدن دمو فوراً میخواست بخردش و بقیهٔ ملاحظات، از جمله میلیونها دلار ارزشی که با روشهای غیر AI قابلدستیابی بود، کنار میرفت. به گفتهٔ خود فروشندهٔ اون محصول، دقت ایدهآل حدود ۹۲٪ ـه — یعنی از هر ده عدد مدیر مالی، یکی میتونه کاملاً غلط باشه.
بخش چهارم و پنجم دربارهٔ ساختار انگیزههاست. نویسنده از مدیری در یه شرکت Fortune 500 نقل میکنه که چرا کسی حرف خلاف نمیزنه: مدیرهای مشتریها ادعای ۱۰۰ برابر شدن بهرهوری رو مطرح میکنن و اگه مدیر فروشنده بگه این عدد باورپذیر نیست، اعتبار مدیر مشتری رو زیر سؤال برده و ممکنه قرارداد سازمانی لغو بشه. به این ترتیب یه مسئلهٔ هماهنگی شکل میگیره که توش همه به هم اسلحه گرفتن: اگه همه همزمان حقیقت رو بگن شاید امیدی باشه، ولی راهی برای هماهنگ کردن اون لحظه وجود نداره.
در پایان، توصیههایی برای بقا میده: بحث دربارهٔ وضعیت پروژههای AI رو به جلسههای دونفره ببر نه جمعی، از نظرسنجی ناشناس استفاده کن (تجربهٔ او یه شکاف دوقطبی بین نمرهٔ ۳ و ۸ روی پروژهای بود که سه سال تأخیر داشت)، همیشه آدمهای خط مقدم رو وارد کن — جایی که کشف کردن کارمندها اصلاً خبر نداشتن براشون لایسنس ابزار AI خریده شده — و مهمتر از همه، ادعاهای کلی مثل «AI همهچیز رو عوض کرده» رو به چالش نکش اگه هدفت حل یه مسئلهٔ مشخصه.
نکات کلیدی:
- ادعای مرکزی: صفر پروژهٔ AI موفق در یک سال و نیم مشاهدهٔ تیم نویسنده
- انگیزهٔ همهٔ بازیگرها — هیئتمدیره، مدیر، کارمند، فروشنده — پنهان کردن نرخ شکسته
- «AI-washing»: پروژههای معمولی که برای عبور از آزمون ایمان، برچسب AI میخورن
- دموها قدرت تصمیمگیری رو مختل میکنن، حتی وقتی محدودیتها صریح گفته میشن
- سکوت مدیرها یه مسئلهٔ هماهنگیه، نه لزوماً حماقت
- توصیه: گفتوگوی دونفره، نظرسنجی ناشناس و شنیدن حرف آدمهای خط مقدم
