چالش‌ هوش مصنوعی؛ از دانش تا بهره‌وری

برای پاسخ به این سوال، می‌توانیم به دو پارادوکس مشهور در علم اقتصاد و فلسفه نگاه کنیم؛ پارادوکس پولانی و پارادوکس سولو. این دو پارادوکس به ما کمک می‌کنند بفهمیم چرا فناوری‌های نوین همچون هوش مصنوعی، هنوز نتوانسته‌اند تأثیر قابل‌توجهی در بهبود بهره‌وری سازمان‌ها و کسب‌وکارها بگذارند.مایکل پولانی، فیلسوف و دانشمند علوم طبیعی در دهه‌های میانی قرن بیستم به یکی از مسائل بنیادین دانش بشری اشاره کرد.اوادعاکردکه بخش بزرگی ازدانش انسان‌ها«دانش ضمنی» است؛ دانشی که ما می‌دانیم ولی نمی‌توانیم آن را به‌سادگی توضیح دهیم یا به دیگران انتقال دهیم. مثلا رانندگی یا نواختن پیانو، نیازمند دانشی هستند که از طریق تجربه به‌دست می‌آیند و به‌سختی می‌توان آنها را به شکل کلمات یا دستورالعمل‌های صریح بیان کرد.این موضوع به عنوان پارادوکس پولانی شناخته می‌شود.در دنیای هوش مصنوعی، این پارادوکس یکی از چالش‌های بزرگ محسوب می‌شود. به‌عنوان مثال، وقتی یک مدل هوش مصنوعی تلاش می‌کند تا توانایی‌های انسانی مانند تشخیص چهره، خلاقیت یا حتی توانایی قضاوت را بیاموزد، با محدودیت‌هایی مواجه می‌شود. دلیل این محدودیت‌ها این است که بخش زیادی از این توانایی‌ها بر پایه دانش ضمنی است؛ دانشی که به‌سختی می‌توان به شکل داده‌های واضح و قابل تحلیل درآورد وبه مدل‌های یادگیری ماشین انتقال داد.همین امر باعث می‌شودکه حتی پیشرفته‌ترین مدل‌های هوش مصنوعی نیز نتوانند به‌سادگی عملکردی مشابه انسان در بسیاری از زمینه‌ها داشته باشند.
 
سرمایه‌گذاری بدون افزایش بهره‌وری
رابرت سولو،اقتصاددان آمریکایی و برنده جایزه نوبل،دردهه۱۹۸۰ بامشاهده عدم افزایش بهره‌وری در مواجهه با سرمایه‌گذاری‌های گسترده در فناوری اطلاعات، به پارادوکس سولو اشاره کرد. او گفت: «می‌توانید عصر کامپیوتر را در همه‌جا ببینید، به جز در آمار بهره‌وری.» این جمله نمادی از این پارادوکس است که چراباوجود رشد سریع فناوری وسرمایه‌گذاری‌های عظیم درحوزه تکنولوژی، نتایج ملموسی در بهبود بهره‌وری اقتصاد مشاهده نمی‌شود.این پارادوکس نیز درمورد هوش مصنوعی صدق می‌کند. بسیاری از شرکت‌ها و سازمان‌ها در سراسر جهان در حال سرمایه‌گذاری در فناوری‌های هوش مصنوعی هستند اما اثرات آن بر بهره‌وری همچنان کمتر از حد انتظار است. دلیل این امر پیچیدگی‌های ساختاری و نیاز به زمان برای انطباق سازمان‌ها و نیروهای انسانی با فناوری‌های جدید است. حتی با استفاده از فناوری‌های پیشرفته، اگر ساختارهای سازمانی و فرهنگی موجود نتوانند به سرعت خود را تغییر دهند، بهره‌وری مورد انتظار به‌دست نخواهد آمد.برای فهم بهتر چالش‌های مرتبط با پیاده‌سازی هوش مصنوعی، می‌توان به ارتباط میان دو پارادوکس پولانی و سولو نگاهی دقیق‌تر داشت. این دو پارادوکس به ما نشان می‌دهد که هوش مصنوعی برای آن‌که به‌طور کامل به بهره‌وری برسد و ارزش اقتصادی ایجاد کند، باید بر دو مانع اساسی غلبه کند:

دانش ضمنی و هوش مصنوعی: ماشین‌ها نمی‌توانند مانند انسان‌ها تجربه کرده و از طریق تجربه مستقیم به دانش دست پیدا کنند. بسیاری از فعالیت‌های انسانی مانند تصمیم‌گیری‌های پیچیده یا شناسایی الگوهای غیرقابل‌پیش‌بینی، نیاز به دانش ضمنی دارند. هوش مصنوعی برای دستیابی به این توانایی‌ها نیازمند جمع‌آوری حجم عظیمی از داده‌هاست که حتی باز هم نمی‌تواند به سطح تجربه و شناخت انسانی برسد.
 
تغییر ساختار سازمانی و انطباق با فناوری: همان‌طور که پارادوکس سولو اشاره می‌کند، پیاده‌سازی یک فناوری جدید لزوما منجر به بهبود بهره‌وری نمی‌شود،مگرآن‌که تغییرات ساختاری و فرهنگی نیز صورت گیرد. استفاده مؤثر از هوش مصنوعی در سازمان‌ها نیازمند آمادگی و تغییر در رویکردها وفرآیندهای سازمانی است.برای درک بهتراین موضوعات، می‌توان به چند نمونه از چالش‌های پیاده‌سازی هوش مصنوعی در سال‌های اخیر اشاره کرد:

صنعت خدمات مالی: بسیاری از بانک‌ها و مؤسسات مالی در حال استفاده ازهوش مصنوعی برای بهبود فرآیندهای خود هستند. به‌عنوان مثال، استفاده از چت‌بات‌های پیشرفته مانند ChatGPT-۴ برای ارائه خدمات به مشتریان در حال گسترش است. این چت‌بات‌ها می‌توانند به بسیاری ازسؤالات پاسخ دهند اما همچنان در مواردی که نیاز به دانش ضمنی یا تصمیم‌گیری‌های پیچیده وجود دارد، دخالت انسانی ضروری است. این باعث شده که بهره‌وری کلی به‌سرعت رشد نکند، چرا که بسیاری از مشکلات نیازمند تشخیص و مهارت‌های انسانی است.

خرده‌فروشی آنلاین: در صنعت خرده‌فروشی، شرکت‌هایی مانند آمازون و علی‌بابا به‌شدت از الگوریتم‌های هوش مصنوعی برای پیشنهاد محصولات و مدیریت زنجیره تأمین استفاده می‌کنند. با این حال، بهینه‌سازی کامل زنجیره تأمین نیازمند هماهنگی‌های بسیاری با تأمین‌کنندگان، لجستیک و پیش‌بینی تقاضا‌ست که پیچیدگی‌های زیادی دارد و هنوز به بهره‌وری کامل نرسیده است.

حمل‌ونقل و خودروهای خودران: یکی از بزرگ‌ترین مثال‌ها در سال ۲۰۲۴ مربوط به خودروهای خودران است. شرکت‌هایی مانند تسلا و ویمو در حال توسعه فناوری‌های خودران هستند اما این خودروها همچنان به‌دلیل نیاز به دانش ضمنی برای درک شرایط پیچیده جاده‌ای و تصمیم‌گیری در مواقع اضطراری، به کمک انسانی نیاز دارند. پیاده‌سازی کامل خودروهای خودران به تغییرات عمده در زیرساخت‌های شهری و قوانین نیاز دارد که باعث می‌شود بهره‌وری مورد انتظار هنوز محقق نشده باشد.
   
آینده هوش مصنوعی 
سازمان‌ها بایدبرای بهره‌برداری مؤثرازهوش مصنوعی،تغییرات ساختاری وفرهنگی لازم رانیز انجام دهند.به‌کارگیری این فناوری‌ها تنهابه‌معنای خرید ابزارونرم‌افزارهای‌هوش‌مصنوعی‌نیست؛بلکه نیازمندآموزش نیروی انسانی،تغییردرفرآیندهای‌کاری‌و انعطاف‌پذیری سازمانی است تا بتوان به بهترین شکل از پتانسیل‌های هوش مصنوعی بهره برد.درنهایت هوش مصنوعی پتانسیل‌های زیادی دارد اما برای رسیدن به بهره‌وری کامل باید فراتر از تکنولوژی برویم وبه جنبه‌های انسانی و ساختاری نیز توجه کنیم. این یعنی پذیرش این واقعیت که پیشرفت فناوری بدون تغییرات مناسب در دانش و ساختارها نمی‌تواند به تنهایی معجزه‌ای در بهره‌وری ایجاد کند.