میانجی هوشمند یا ابزاری تسهیل‌گر؟ تأملی بر پیامدهای شناختی و سازمانی محصولات هوش مصنوعی

به نام خدا. در دنیای امروز، شاهد انفجاری از محصولات مبتنی بر هوش مصنوعی هستیم که ممکن است با وعده‌ای وسوسه‌انگیز عرضه شوند: «کاهش اصطکاک، حذف پیچیدگی و دستیابی به بهره‌وری حداکثری». از دستیاران مجازی در محیط‌های اداری گرفته تا سیستم‌های تصمیم‌ساز در لایه‌های مدیریت میانی، هوش مصنوعی به عنوان یک «تسهیل‌گر» معرفی می‌شود که وظیفه‌اش ساده‌سازی فرآیندهای پیچیده و رهایی انسان از بارهای شناختی طاقت‌فرساست. اما اگر از لایه‌ی بیرونی «بهره‌وری» عبور کنیم و با عینک پدیدارشناسی و نظریه های عاملیّت (Agency) به این محصولات بنگریم، با یک واقعیت متفاوت روبه‌رو می‌شویم. هوش مصنوعی علیرغم داشتن توانمندی‌های خیره کننده کاملاً جدید و برخوردار از امکان‌های جدید برای فهم دنیای پیرامونی و امکان بهبود در آن، صرفاً یک «ابزار» (Tool) خنثی نیست که ما را در انجام کارهایمان یاری دهد؛ بلکه او یک «میانجی» (Mediator) است. او میان ما و دنیای سازمان، میان داده‌ها و تصمیمات، و میان خودمان و فرآیندهای فکری‌مان قرار می‌گیرد و این میانجی‌گری، ساختار شناختی و جامعه‌شناختی ما را بازطراحی می‌کند. این یادداشت می‌کوشد پس از معرفی برخی زوایای نظری مفید در تحلیل کاربرد هوش مصنوعی در سازمان‌ها،  به دو گروه مخاطب کلیدی در این اکوسیستم پیشنهادهایی را ارائه دهد: سازمان‌های بهره‌بردار که ممکن است در دام مفهوم «تسهیل‌گری کاذب» بیفتند، و تولیدکنندگان محصولات هوش مصنوعی که ممکن است در مسیر «طراحی برای راحتی، به قیمت از دست رفتن عاملیّت انسانی و اخلاقی» گام بر دارند.

۱. پارادوکس تسهیل‌گری: وقتی ساده‌سازی بیش از حد، معنا و عاملیّت را تضعیف کرده یا از بین می‌برد

یکی از مفاهیم بنیادین در فلسفه تکنولوژی، این است که تکنولوژی‌ها چگونه «تجربه» ما از جهان را تغییر می‌دهند. در محصولات هوش مصنوعی سازمانی، هدف اصلی طراحان، «کاهش اصطکاک» (Frictionless experience) است. از دیدگاه مدیریت عملیاتی، اصطکاک یعنی اتلاف وقت؛ اما از دیدگاه معرفتی، اصطکاک همان جایی است که یادگیری و معناسازی (Sensemaking) رخ می‌دهد. وقتی یک سیستم هوش مصنوعی، گزارش‌های پیچیده را به صورت خلاصه‌شده و آماده ارائه می‌دهد، یا تحلیل‌های استراتژیک را بدون تحلیل های نقادانه قبلی، با یک کلیک تولید می‌کند، در واقع آن «درگیری ذهنی» که فرد باید با پیچیدگی داده‌ها داشته باشد را حذف کرده است. این حذف اصطکاک، منجر به پدیده‌ای می‌شود که می‌توان آن را «تضعیف عاملیت شناختی» نامید. در این حالت، کارشناس یا مدیر دیگر «سازندهٔ معنا» نیست، بلکه صرفاً «مصرف‌کنندهٔ خروجی» است. او از فرآیند استدلال و مواجهه با تناقض‌های داده‌ای حذف شده و این خود می‌تواند ظرفیت سازمان برای «تفکر انتقادی» و «یادگیری دوحلقه‌ای» را به‌شدت تضعیف کند. سازمان‌هایی که بیش از حد بر محصولات «ساده‌ساز» تکیه می‌کنند، ممکن است به مرور زمان به سازمان‌هایی «بی‌خرد و فاقد عاملیّت تحلیلی و اخلاقی لازم» تبدیل شوند که فقط قادر به اجرای دستورات الگوریتمی هستند، نه اینکه چرایی آن‌ها و مسئولیّت‌‌های اخلاقی مترتّب بر آن اقدامات را به اندازه لازم درک کنند.

۲. پیامدهای اجتماعی در سازمان: بازتوزیع قدرت و تغییر در ساختار مسئولیت

هوش مصنوعی تنها بر ذهن فرد تأثیر نمی‌گذارد، بلکه روابط قدرت و ساختار اجتماعی سازمان را نیز دگرگون می‌کند. وقتی تصمیمات از طریق الگوریتم‌ها «توصیه» یا حتی «اتّخاذ» می‌شوند، مرزهای مسئولیت و پاسخگویی (Accountability) در سازمان مبهم می‌شود. ما با پدیده‌ای روبه‌رو هستیم که می‌توان آن را «توزیع پراکندهٔ عاملیت» نامید. اگر یک تصمیم مدیریتی بر اساس تحلیل هوش مصنوعی منجر به خطا شود، نیاز به پاسخگویی به این سوال است که چه کسی مسئول است؟ مدیر که بر اساس آن تصمیم گرفته، یا توسعه‌دهنده که الگوریتم را طراحی کرده، یا خود الگوریتم که ماهیت خود را نمی‌دانیم؟ این ابهام، نه تنها باعث فرسایش مسئولیت‌پذیری می‌شود، بلکه می‌تواند منجر به نوعی «بی‌تفاوتی سازمانی» شود؛ جایی که افراد به جای درگیر شدن با اخلاق و پیامد تصمیمات، پشت سپر «گفته شد الگوریتم این‌طور می‌گوید» پنهان می‌شوند. از اینرو یکی از پیچیدگی‌های ایجاد تغییر در زمان استفاده از عاملان هوش مصنوعی اینست که شفافیت زیادی درباره توزیع پراکنده عاملیت و سطح مسئولیت و پاسخگویی عاملان انسانی تعریف و تدقیق شود. همچنین، هوش مصنوعی می‌تواند شکاف‌های قدرت را در سازمان بازتولید یا حتی تشدید کند. کسانی که قدرت دسترسی به «اطلاعات خام» و توانایی «به‌چالش‌کشی الگوریتم» را دارند، قدرت بیشتری کسب می‌کنند، در حالی که لایه‌های پایین‌تر سازمان ممکن است به‌طور غیرمستقیم تحت سلطهٔ «قاب‌بندی‌های الگوریتمی» قرار گیرند، بدون آنکه بدانند چگونه این تصمیمات بر زندگی کاری آن‌ها اثر می‌گذارند.

۳. پدیدارشناسی میانجی‌گری: وقتی هوش مصنوعی «لنز» ما می‌شود

برای درک این موضوع، باید به یک مفهوم ساده در فلسفه پدیدارشناسی نگاه کنیم. پدیدارشناسی می‌گوید ما دنیا را مستقیماً نمی‌بینیم، بلکه از طریق «لنزهایی» که در اختیار داریم، آن را تجربه می‌کنیم. این لنزها شامل حواس ما، زبان ما و ابزارهای ما هستند. بر اساس فلسفه پساپدیدارشناسی، هوش مصنوعی با ورود به سازمان، نوعی میانجی‌گری میان «هرمنوتیک» (تفسیر) و «پراگماتیک» (عمل) ما با جهان بیرونی است. به زبان ساده‌تر بخش هرمنوتیک (تفسیر) به این موضوع اشاره دارد که ما چگونه معنایی از جهان و داده‌ها می‌سازیم و بخش پراگماتیک (عمل) به این موضوع اشاره دارد که چگونه بر اساس آن معنا، دست به عمل می‌زنیم. هوش مصنوعی این دو را با هم ادغام و در عین حال تغییر می‌دهد. هوش مصنوعی هم بر نحوه «تفسیر» ما از واقعیت اثر می‌گذارد و هم مستقیماً بر نحوه «عمل» ما تاثیر گذار است. به طور مثال، تصور کنید یک مدیر برای ارزیابی عملکرد کارکنان، به جای مشاهده مستقیم رفتارها و گفتگو با تیم، تنها به «داشبورد تحلیل هوشمند» تکیه می‌کند. در اینجا، هوش مصنوعی میانجی شده است؛ او نحوه «تفسیر» مدیر از معنای «عملکرد خوب» را (از طریق شاخص‌های الگوریتمی) تغییر داده و مستقیماً بر «عمل» مدیر (در پاداش یا تنبیه یا نحوه تعامل و بازخورددهی) اثر می‌گذارد. در این حالت، مدیر دیگر با «واقعیت انسانی» در تماس نیست، بلکه با «نسخه‌ای دیجیتال و واسطه‌گری شده» از واقعیت در تعامل است.

۴. ساختاریابی و دام الگوریتم: بازتولید جهان یک‌دست

این میانجی‌گری، از سطح تجربه فردی فراتر رفته و به ساختارهای کلان سازمان می‌رسد. در اینجا می‌توانیم از نظریه ساختاریابی (Structuration) انتونی گیدنز الهام بگیریم. گیدنز معتقد است که «ساختارها» (قوانین و منابع سازمان) هم به رفتار ما جهت می‌دهند و هم از طریق رفتارهای ما، خودشان را بازتولید می‌کنند. این یک چرخه است. در دنیای دیجیتال، این چرخه توسط الگوریتم‌ها مدیریت می‌شود. وقتی سازمان‌ها برای تصمیم‌گیری بر «داده‌های گذشته» اتکا می‌کنند، در واقع در حال بازتولید ساختارهای قدیمی هستند. مشکل اینجاست که داده‌های گذشته، برخلاف واقعیت، هرگز خنثی نیستند؛ آن‌ها حامل سوگیری‌ها، کلیشه‌ها و خطاهای تاریخی‌اند. طبق منطق ساختاریابی، وقتی الگوریتم بر اساس داده‌های گذشته (مثلاً الگوهای استخدام قدیمی) تصمیم می‌گیرد، این تصمیمات به «قاعده» تبدیل می‌شوند. از آنجا که کارکنان و مدیران به این خروجی‌ها عادت می‌کنند، رفتارهای خود را با این قواعد جدید هماهنگ می‌کنند. در نهایت، یک «ساختار دیجیتال» شکل می‌گیرد که بسیار سخت و تغییرناپذیر است. پیامد خطرناک این فرآیند، «مغفول ماندن جزئیات و استثناها» است. الگوریتم‌ها به دنبال «الگوهای غالب» هستند. این یعنی هر کسی که از الگو خارج باشد — از جمله مشتریانی با رفتارهای خلاقانه یا کارکنانی با ویژگی‌های متمایز و خاص (Outliers) — توسط ساختار دیجیتال نادیده گرفته می‌شود یا حتی به عنوان «خطا» یا «ناهنجاری» حذف می‌شود. در این میان، سازمان به جای اینکه با تنوع واقعی جهان روبرو شود، در یک «حبس الگوریتمی» گرفتار می‌شود که تنها نمونه‌های تکرارپذیر و کلیشه‌ای را می‌بیند و خلاقیت یا تفاوت‌های انسانی را از چرخه تصمیم‌گیری حذف می‌کند.
به علاوه، با وجود پیشرفت‌های خیره‌کننده در شخصی‌سازی خروجی‌های هوش مصنوعی بر اساس خصوصیات استفاده کننده، هوش مصنوعی ممکن است همچنان در دام «تکرار گذشته» گرفتار بماند. هوش مصنوعی قادر است بر اساس داده‌های رفتاری پیشین، الگویی از علایق یا واکنش‌های یک فرد — چه مشتری باشد و چه یکی از اعضای سازمان — ترسیم کند؛ اما این «شخصی‌سازی» نوعی تقلیل‌گرایی ماهیت انسان در تعامل با محیط پویا و پیجیده پیرامونی است. انسان‌ها در محیط‌های پیچیده و در مواجهه با شرایط موقعیتی جدید، واکنش‌هایی بروز می‌دهند که ممکن است ریشه در همان لحظه داشته باشد، نه اینکه لزوماً همیشه در تاریخچه رفتارها قابل شناسایی باشد. هوش مصنوعی به دلیل ماهیت «محاسباتی» و اتکای ذاتی خود به الگوهای تثبیت‌شده در عملکردهای تاریخی، قادر نیست این پیچیدگی موقعیتی (Situational Complexity) را به‌طور کامل درک کند؛ بنابراین، هر رفتار «نو» و «غیرقابل‌پیش‌بینی» انسان، برای سیستم صرفاً یک «نویز» یا خطای آماری تلقی می‌شود، در حالی که ممکن است همان لحظه، نقطه عطفی در تعامل واقعی انسان با محیط باشد.

۵. پیشنهادهایی عملیاتی برای سازمان‌های بهره‌بردار (Users) با توجه به مطالب فوق

الف) از «اتوماسیون» به سمت «تأمل‌پذیری» حرکت کنید

هنگام انتخاب محصول، از خود بپرسید: «آیا این ابزار به ما کمک می‌کند تا بهتر فکر کنیم، یا به جای ما فکر می‌کند؟» محصولی را انتخاب کنید که به جای حذف فرآیند فکری، آن را «تقویت» (Augment) کند. ابزاری که فضایی برای «مکث تأملی» و «بازنگری در خروجی» باقی می‌گذارد، ارزشمندتر از ابزاری است که سرعت را فدای دقت و عمق می‌کند. این بر اساس رویکرد «رابطه تقویتی» بین انسان و هوش مصنوعی است به جای اینکه بر اساس رویکرد «جایگزینی کامل» باشد.

ب) مقابله با «ساختارسازی خودکار»

سازمان‌ها باید آگاه باشند که اتکا به هوش مصنوعی می‌تواند باعث «سخت‌شدن» (Rigidity) قوانین سازمان شود. برای جلوگیری از این اتفاق:

• فرصت‌های استثنا را حفظ کنید: سیستمی طراحی کنید که در آن «خروج از الگو» (Exception Handling) نه یک خطا، بلکه یک فرصت برای یادگیری و کشف ویژگی‌های جدید (در مشتریان یا کارکنان) باشد.
• سواد انتقادی هوش مصنوعی: کارکنان باید بیاموزند که چگونه «لنزِ» هوش مصنوعی را تشخیص دهند و بدانند چه زمانی خروجی الگوریتم، صرفاً بازتولید یک سوگیری قدیمی است که احتمالاً در بانک‌داده‌ها (مثلا اطلاعات مشتریان قبلی) وجود دارد.

۶. پیشنهادهایی عملیاتی برای تولیدکنندگان محصولات هوش مصنوعی (Developers) با توجه به مطالب فوق

الف) طراحی برای «عاملیت»، نه فقط «راحتی»

به جای تمرکز صرف بر حذف اصطکاک، به سمت «طراحی برای درگیری شناختی هدفمند» حرکت کنید. یعنی طراحی رابط‌هایی که کاربر را تشویق به پرسش‌گری می‌کند. مثلاً به جای ارائه یک پاسخ قطعی، محصول می‌تواند چندین سناریو یا احتمال/آلترناتیو را با ذکر دلایل احتمالی نمایش دهد تا کاربر را به سمت «معناسازی» سوق دهد؛ یعنی طراحی رابط‌هایی که کاربر را تشویق به پرسشگری و تامل تحلیلی و نقادانه آلترناتیو‌ها می‌کند.

ب) شفافیت در مورد «نابینایی‌های الگوریتمی»

یک محصول صادق، محصولی است که در مواقعی می‌گوید: «من چه چیزی را نمی‌بینم». تولیدکنندگان باید در طراحی محصولات خود، بخش‌هایی را برای نمایش «عدم قطعیت» و «محدودیت‌های داده‌ای» در نظر بگیرند. این کار مانع از آن می‌شود که محصول شما به یک «ساختار بسته و غیرقابل‌تغییر» در سازمان مشتری تبدیل شود.

ج) طراحی برای «تنوع و استثنا» (Inclusion by Design)

طراحان نباید فقط برای «میانگین‌ها» (Averages) طراحی کنند. محصولی که در آن امکان شناسایی و تحلیل «نمونه‌های خاص» وجود داشته باشد، محصولی است که از غافل‌گیری‌های خلاقانه جلوگیری نمی‌کند، بلکه آن‌ها را به عنوان فرصتی برای بهبود مدل می‌بیند.

در یک جمع‌بندی پیشنهاد می کنم در نظر داشته باشیم که گر چه هوش مصنوعی می‌تواند بزرگترین فرصت برای ارتقای توانمندی‌های انسانی باشد، اما تنها در صورتی که ما از نگاه «ابزارگونه» به آن عبور کنیم. اگر هوش مصنوعی را تنها راهی برای ساده‌سازی و سرعت‌بخشی ببینیم، خطر تبدیل شدن به سازمان‌هایی هستیم که در عین سرعت بالا، قدرت درک و تصمیم‌گیری مستقل خود را از دست داده‌اند. چالش اصلی ما در عصر هوش مصنوعی، نه یافتن پاسخ‌های سریع‌تر، بلکه حفظ توانایی پرسیدن سوالاتی عمیق‌تر و نگاه داشتن «عاملیّت انسانی» در قلب فرآیندهای پیچیده است؛ آنچه شاید بتوان «تامّلات نقادانه پیوسته» (Constant critical reflection)  نامید.

منابعی برای مطالعه و بررسی بیشتر

https://babak-alavi.ir/node/153

https://www.aparat.com/v/wpjts54

https://www.aparat.com/v/hekin41

Alavi, Seyyed Babak, How do Digital Technologies Mediate the Relationship Between Leaders' Moral Agency and Their Organizations? A Post-Phenomenological Approach (April 27, 2026). Available at SSRN: https://ssrn.com/abstract=6660758 or http://dx.doi.org/10.2139/ssrn.6660758

Benjamin, J.‎ J.‎ (2023)‎.‎ Machine Horizons:‎ Post-Phenomenological AI Studies.‎

Chong, T.‎, Yu, T.‎, Keeling, D.‎ I.‎, & de Ruyter, K.‎ (2021)‎.‎ AI-chatbots on the services frontline addressing the challenges and opportunities of agency.‎ Journal of Retailing and Consumer Services, ۶۳, ۱۰۲۷۳۵.

Verbeek, P.‎ P.‎ (2023)‎.‎ Postphenomenology and Ethics.‎ In Technology Ethics (pp.‎ 42-51).‎ Routledge.‎