به نام خدا. در این روزها، بسیاری از افراد در شبکههای اجتماعی، بهطور مداوم و گاه با شور و هیجان زیاد، لیستی از سامانههای هوش مصنوعی را عمدتاً با تاکید بر «قابلیتهای سامانههای هوش مصنوعی» معرفی میکنند؛ ممکن است توسط مخاطب اینگونه برداشت شود که گویی اگر یک سامانه زبانی بزرگ از نظر فنی پیشرفته باشد، بهخودیخود برای حل مسائل پیچیدهی انسانی، سازمانی و مدیریتی کافی است. اما این نوع نگاه برای مخاطبانی مانند علاقهمندان و متخصصان حوزهی مدیریت و مدیران حرفهای ناقص است. در عمل، ارزش واقعی این سامانهها نه فقط در آن چیزی است که «خودشان میتوانند انجام دهند»، بلکه در آن چیزی است که در تعامل با انسان استفادهکننده، و در متن یک مسئلهی واقعی سازمانی یا مدیریتی، قادر به تولید آن هستند. از این رو، بررسی «قابلیتهای یک سامانه هوش مصنوعی» بهتنهایی کافی نیست؛ آنچه مهمتر است، «قابلیتهای متعامل و ترکیبی کاربر و سامانه» است. به تعبیر مباحث روش تحقیق، «واحد تحلیل» (Unit of Analysis) قابلیت در اینجا نباید «قابلیتهای سامانه» به تنهایی باشد، بلکه واحد تحلیل قابلیت باید «تعامل موثر بین سامانه و استفاده کننده» باشد. این مطلب در این یادداشت از چند زاویه شرح داده میشود.
در محیطهای سازمانی، مسائل معمولاً روشن، خطی و یکبعدی نیستند. مدیر با چالشهایی روبهروست که در آنها اهداف متعارضاند، ذینفعان متعددند، محدودیتهای زمانی و منابع وجود دارد، و عوامل انسانی، فرهنگی و ساختاری-نهادی همزمان بر نتیجه اثر میگذارند. در چنین فضایی، یک سامانه هوش مصنوعی فقط زمانی میتواند مفید باشد که کاربر بتواند مسئله را درست تعریف کند، مرزهای آن را بشناسد، و بداند مدل مسئله مورد نظر خود را در تعاملی چند مرحلهای با آن سامانه چگونه هدایت کند. بنابراین، اگر ارزیابی ما فقط بر تواناییهای درونی مدل متمرکز شود، بخش مهمی از واقعیت را نادیده گرفتهایم: اینکه کارایی عملی سامانه، در تعامل با کاربر شکل میگیرد، نه در خلأ امری ضروری است. در مدیریت، ارزش یک ابزار فقط در سرعت تولید خروجی نیست، بلکه در میزان کمک آن به تصمیمگیری بهتر، کاهش خطا، افزایش شفافیت و بهبود کیفیت استدلال است. مسئله فقط تولید متن یا پاسخ نیست، بلکه فهم دقیق رفتار انسانی در زمینهی فرهنگی و نهادی آن سازمان خاص، روابط قدرت و و پویاییهای گروهی در آن است. یک سامانه زبانی بزرگ ممکن است در تولید پاسخهای روان و منسجم بسیار موفق باشد، اما اگر کاربر نتواند زمینهی سازمانی و انسانی و حتی تاریخی موضوع را بهدرستی وارد مسئله کند، خروجی سامانه ممکن است جذاب باشد اما از نظر تحلیلی سطحی یا حتی گمراهکننده شود.
یکی از اصلیترین مؤلفههای این تعامل، «تفکر نقادانهی» کاربر در زمان نوشتن پرامپت است. پرامپتنویسی در اینجا صرفاً یک مهارت فنی نیست، بلکه نوعی مهارت شناختی و مدیریتی است. مدیر یا پژوهشگر باید بتواند مسئله را روشن تعریف کند، هدف را دقیق بیان کند، محدودیتها را مشخص سازد، و از مدل بخواهد در چارچوب درست پاسخ دهد. هرچه این صورتبندی مسئله دقیقتر باشد، احتمال تولید پاسخ مفیدتر بیشتر میشود. در مقابل، اگر پرسش کلی، مبهم یا مبتنی بر فرضهای نادقیق باشد، حتی پیشرفتهترین مدلها نیز ناگزیر به حدسزدن میشوند. در چنین حالتی، مدل ممکن است پاسخهایی ارائه کند که از نظر زبانی خوباند، اما از نظر مدیریتی یا سازمانی قابل اتکا نیستند. نکتهی مهم دیگر، «شناخت صحیح مؤلفههای زمینهای» مسئله است. در مسائل مدیریتی و سازمانی، زمینه اگر همهچیز نباشد، بخش مهمی از فهم موضوع است. یک توصیهی خوب در یک سازمان ممکن است در سازمانی دیگر بهکلی نامناسب باشد، چون ساختار، فرهنگ، سطح بلوغ مدیریتی، شیوهی رهبری، و روابط میان واحدها متفاوت است. یک مداخلهی انگیزشی، یک برنامهی بهبود عملکرد، یا یک سیاست بازخورد، بدون توجه به زمینهی فرهنگی و انسانی سازمان هدف، ممکن است نتیجهی معکوس بدهد. بنابراین، استفادهی مؤثر از سامانههای هوش مصنوعی مستلزم آن است که کاربر بتواند لایههای زمینهای مسئله را تشخیص دهد و آنها را بهدرستی در ورودی سامانه بازنمایی کند. در برخی سامانه ها اگر صورت سوال به لحاظ شناخت مولفه های زمینهای مبهم باشد، از استفاده کننده سوالاتی درباره مشخّص کردن این مولّفه ها پرسیده میشود که به هر حال استفادهکننده را وادار به تفکّر درباره مولفههای زمینهای میکند.
افزون بر شناخت صحیح زمینه، «قلمروی دانشی» (Expert Domain) استفاده کننده نیز نقش تعیینکننده دارد. هر حوزه، منطق، زبان و معیارهای اعتبار خاص خود را دارد. در مدیریت، مفاهیم به کارایی، بهرهوری، ساختار، استراتژی و تصمیمگیری پیوند میخورند؛ در روانشناسی سازمانی، به رفتار، انگیزش، تعهد، رضایت شغلی، استرس و تعاملات گروهی؛ و در هر دو، به ترکیبی از دانش نظری و حساسیت عملی نیاز است. اگر کاربر این مرزها را نشناسد، ممکن است از سامانه انتظار پاسخهایی داشته باشد که خارج از حدود اعتبار آن است. سامانه زبانی بزرگ میتواند متنی خوشساخت تولید کند، اما این متن لزوماً معادل یک تحلیل معتبر مدیریتی یا روانشناختی نیست. تشخیص این مرز، وظیفهی کاربر حرفهای است. همچنین باید توجه داشت که «فهم درست صورت مسئله» یک مهارت کلیدی است. در بسیاری از موقعیتها، مشکل اصلی آن چیزی نیست که در ظاهر گفته میشود، بلکه چیزی است که زیر سطح مسئله پنهان مانده است. برای مثال، یک مدیر ممکن است بگوید مسئلهی سازمان، افت عملکرد است؛ اما در واقع ریشهی مسئله، ابهام نقشها، ضعف ارتباطات بینواحدی، فرسودگی کارکنان، یا ناهمراستایی اهداف باشد. اگر این سطح عمیقتر فهم نشود، هر پرسشی از سامانه نیز در سطحی ناقص باقی میماند. در نتیجه، کاربر حرفهای باید بتواند میان نشانههای ظاهری و علتهای ریشهای تمایز بگذارد و مسئله را بهگونهای برای سامانه صورتبندی کند که پاسخ تولیدشده واقعاً به حل آن کمک کند. داشتن «نگاه سیستمی» و عبور از «نشانهها» برای فهم بهتر «ریشه اصلی مسایل» قابلیتهایی کلیدی در این زمینه هستند.
یکی از نقاط ضعف رایج در استفاده از این سامانهها، اعتماد بیش از اندازه به ظاهر پاسخ است. پاسخهای این مدلها معمولاً منسجم، مودّبانه و از نظر زبانی قانعکنندهاند. همین ویژگی ممکن است این توهّم را ایجاد کند که محتوای پاسخ نیز دقیق و معتبر است. اما در حوزههای مدیریتی و روانشناسی سازمانی، این خطر بسیار جدی است. یک پاسخ خوشساخت ممکن است بهسادگی خطاهای مفهومی، سادهسازیهای افراطی یا تعمیمهای ناموجه را پنهان کند. به همین دلیل، کاربر حرفهای باید توانایی ارزیابی انتقادی، راستیآزمایی و اصلاح پاسخ را داشته باشد. این یعنی تعامل با سامانه نباید یکطرفه باشد؛ بلکه باید به گفتوگویی تکرارشونده برای پالایش فهم تبدیل شود. از زاویهی کاربردی، هرچه مسئله پیچیدهتر و چندوجهیتر باشد، اهمیت قابلیتهای ترکیبی بیشتر میشود. در یک مسئلهی ساده، شاید صرفاً توان مدل برای پاسخگویی کافی به نظر برسد؛ اما در یک تصمیم مدیریتی واقعی، کارآمدی نهایی از تعامل میان سه عنصر شکل میگیرد: توان مدل، مهارت کاربر و تعریفی با کیفیت از مسئله مبتنی بر مولفه های زمینهای که مسئله در آن تعریف شده است. اگر یکی از این سه ضعیف باشد، کل فرایند آسیب میبیند. بنابراین، در تحلیل قابلیتهای هوش مصنوعی نباید فقط بپرسیم «مدل چه میتواند بکند؟» بلکه باید بپرسیم «این مدل، در دست چه نوع کاربری، با چه میزان فهم مسئله، و در چه بافتی، تا چه اندازه میتواند مؤثر باشد؟»
از این منظر، کار با سامانههای مبتنی بر الگوهای زبانی بزرگ نوعی «همفکری انسان و ماشین» است. این سامانهها نه جایگزین کامل دانش حرفهایاند و نه صرفاً ابزارهایی برای تولید متن. بلکه میتوانند بهعنوان تقویتکنندهی تحلیل، ایدهپردازی، مقایسهی گزینهها، یا مرور سناریوهای مختلف عمل کنند. اما این تقویت فقط زمانی رخ میدهد که کاربر مهارت لازم برای هدایت فرایند را داشته باشد. مدیری که بتواند مسئله را دقیق تعریف کند، فرضها را آشکار کند، و پاسخ را با تردید سازنده ارزیابی نماید، از سامانه بهرهی بسیار بیشتری میبرد تا فردی که صرفاً یک درخواست مبهم وارد میکند و پاسخ را بیچونوچرا میپذیرد.
این نگاه، برای مدیران حرفهای و متخصصان حوزه های مرتبط چند پیام روشن دارد. نخست اینکه آموزش استفاده از هوش مصنوعی نباید فقط فنی باشد، بلکه باید مهارتهای شناختی و تحلیلی را نیز تقویت کند. دوم اینکه ارزیابی سامانهها نباید صرفاً بر اساس کیفیت پاسخهای منفرد صورت گیرد، بلکه باید بر اساس کیفیت تعامل انسان-سامانه انجام شود. سوم اینکه کاربر حرفهای باید بداند چگونه از مدل برای گسترش تفکر خود استفاده کند، نه اینکه تفکر را به آن واگذار کند. این کار در میانمدت و بلندمدت میتواند عاملیّت استفاده کننده در تعریف مسایل و تحلیل نقادانه و سیستمی داده ها را کاهش دهد. چهارم اینکه در مسائل سازمانی، درک زمینه و قضاوت انسانی همچنان جایگاه محوری دارد و هوش مصنوعی فقط زمانی مفید است که در خدمت این قضاوت قرار گیرد. از اینرو هدف در اینجا رابطهای مبتنی بر تقویت (Augmentation) عاملیت انسانی است و نه جایگزینی کامل (Replacement). این موضوع به خصوص درباره موضوعاتی که ماهیت اخلاقی دارند بسیار اهمیّت دارد (این لینک را ببینید).
در نهایت، اگر بخواهیم بهصورت دقیق و منصفانه از قابلیتهای سامانههای مبتنی بر الگوهای زبانی بزرگ سخن بگوییم، باید از نگاه تکنولوژیمحور صرف فاصله بگیریم و به دیدگاهی تعاملمحور برسیم. در این دیدگاه، مسئله فقط این نیست که سامانه چه میداند یا چه تولید میکند؛ مسئله این است که کاربر چگونه میپرسد، چگونه میاندیشد، چگونه زمینه را میشناسد، چگونه پاسخ را میسنجد، و چگونه از گفتوگوی میان خود و سامانه برای رسیدن به فهم بهتر استفاده میکند. به همین دلیل، در بسیاری از کاربردهای مدیریتی و سازمانی، قابلیتهای متعامل و ترکیبی کاربر و سامانه از قابلیتهای خام سامانه مهمترند. چون در نهایت، هوش مصنوعی زمانی ارزش واقعی پیدا میکند که انسان استفادهکننده نیز توانمند باشد؛ توانمند در پرسیدن، در فهمیدن، در نقد کردن و در تبدیل پاسخ به تصمیم بهتر برای اینکه بتوان با استفاده از پارادایم تقویت به جای جایگزینی محض از این نوع سامانه ها به شکلی اثربخش استفاده کرد.
افزودن دیدگاه جدید