a16z: هوش مصنوعی بهره‌وری همه را ده برابر می‌کند، اما برنده واقعی هنوز ظهور نکرده است.

عنوان اصلی مقاله: هوش مصنوعی نهادی در مقابل هوش مصنوعی فردی

نویسنده مقاله اصلی: جورج سیولکا، a16z

ترجمه‌ی مقالهٔ اصلی: دیپ‌تک تک‌فلو

هوش مصنوعی به‌تازگی بهره‌وری همه را ده برابر افزایش داده است.

بنابراین هیچ شرکت واحدی ده برابر ارزشمندتر نشده است.

بهره‌وری به کجا رفت؟

این اولین بار نیست که این اتفاق افتاده است.

در دههٔ ۱۸۹۰، برق وعدهٔ افزایش عظیم بهره‌وری را داد.

کارخانه‌های نساجی نیوانگلند که در ابتدا حول دستگاه‌های ریسندگی جنی بخار‌محور ساخته شده بودند، به‌سرعت موتورهای بخار را با موتورهای الکتریکی سریع‌تر جایگزین کردند.

اما در طول سه دههٔ کامل، کارخانه‌های برقی تقریباً هیچ افزایشی در تولید نداشتند. فناوری به‌مراتب پیشی گرفت. اما سازمان نتوانست همراهی کند.

تا دههٔ ۱۹۲۰، زمانی که کارخانه‌ها خطوط تولید را به‌طور کامل بازطراحی کردند — خطوط مونتاژ، هر دستگاه با موتور الکتریکی مستقل، کارگران و ماشین‌ها وظایف کاملاً متفاوتی را انجام می‌دادند — بود که برق‌رسانی سرانجام به نتیجه رسید.

زیرنویس: سه تحول کارخانه نساجی لوول. از چپ به راست: کارخانهٔ بخار ۱۸۹۰، کارخانهٔ الکتریکی ۱۹۰۰، کارخانهٔ «درایو واحد» ۱۹۲۰ (کاملاً از صفر بازسازی شده و به یک خط مونتاژ الکتریکی تبدیل شده است).

بازده از خود فناوری حاصل نشد، و نه از افزایش سرعت چرخش کارگران یا ماشین‌ها. در عوض، تنها زمانی که در نهایت سیستم را همراه با فناوری بازطراحی کردیم، مزایای آن واقعاً آشکار شد.

این گران‌ترین درس در تاریخ فناوری است و اکنون در حال یادگیری دوباره‌ی آن هستیم.

در سال ۲۰۲۶، هوش مصنوعی برای کسانی که می‌دانند چگونه از آن بهره‌برداری کنند، ده برابر افزایش بهره‌وری به همراه دارد. اما این کافی نیست. ما موتورهای الکتریکی را تعویض کرده‌ایم اما هنوز کارخانه را بازطراحی نکرده‌ایم.

به خاطر یک واقعیت ساده: افراد مؤثر با سازمان‌های مؤثر یکسان نیستند.

اکثریت قریب به اتفاق محصولات هوش مصنوعی به مردم احساس «کارایی» می‌دهند، اما در واقع ارزش‌آفرینی نمی‌کنند. اکثر موارد استفاده از هوش مصنوعی که می‌بینید، افرادی هستند که در توییتر یا اسلک شرکتی در حال لذت بردن از «حداکثر کارایی» هستند، بدون هیچ تأثیر واقعی.

ایدهٔ «سرویس به‌عنوان نرم‌افزار» که در سال گذشته بارها مطرح شد، در مسیر درستی قرار دارد اما فاقد طرح‌ریزی است. علاوه بر این، چشم‌انداز کلی‌تر را نادیده می‌گیرد. تحول واقعی تنها از ابزار به خدمت نیست، بلکه از ساخت همزمان فناوری و نهاد است (چه با دگرگون‌سازی نهادهای قدیمی و چه با شروع از صفر). یک آینده واقعاً کارآمد نیازمند دسته‌ای کاملاً جدید از محصولات است—خط مونتاژ فردا.

سازمان‌های کارآمد به «هوش نهادی» نیاز دارند.

این مقاله به بررسی هفت بُعدی می‌پردازد که «هوش مصنوعی نهادی» را از «هوش مصنوعی شخصی» متمایز می‌کند. کل چشم‌انداز هوش مصنوعی B2B در دهه آینده بر این تفاوت‌ها بنا خواهد شد:

زیرنویس: جدول مقایسه‌ای هفت ستون هوش نهادی

هفت ستون هوش سازمانی

یک. هماهنگی

هوش مصنوعی شخصی آشوب ایجاد می‌کند.

هوش مصنوعی نهادی هماهنگی را تقویت می‌کند.

بیایید با یک آزمایش فکری شروع کنیم. فرض کنید فردا با شبیه‌سازی تمام کارکنان با عملکرد برتر خود، اندازه سازمان‌تان را دو برابر کنید.

هر یک از این کارکنان دارای تفاوت‌های جزئی، ترجیحات، ویژگی‌های منحصر به فرد و دیدگاه‌های خاص خود هستند (به‌ویژه بهترین‌های شما). بدون مدیریت مناسب، ارتباطات ناکافی، تخصیص وظایف نامشخص، OKRها و مرزهای نقش... هرج‌ومرج ایجاد می‌کنید.

اگر به‌صورت جداگانه اندازه‌گیری شود، سازمان ممکن است کارآمدتر به نظر برسد. اما با هزاران عامل (یا انسان) که در جهت‌های مختلف پارو می‌زنند، بهترین حالت رخوت و ایستایی است و بدترین حالت، از هم پاشیدن انسجام سازمانی است.

این فرضی نیست. هر سازمانی که هوش مصنوعی را بدون یک لایه هماهنگی به‌کار می‌گیرد، در حال حاضر با این مشکل مواجه است. هر کارمند عادات استفاده از ChatGPT، سبک پرس‌وجوی خود و خروجی‌هایش را دارد که همگی از یکدیگر جدا هستند. شاید نمودار سازمانی هنوز وجود داشته باشد، اما کار تولیدشده توسط هوش مصنوعی عملاً به مسیر دیگری منحرف شده است.

زیرنویس: افراد کارآمد (یا عامل‌ها) که در جهت‌های مختلف پارو می‌زنند. بدون هماهنگی، هرج‌ومرج است.

هم‌راستایی یک الزام مطلق و سخت‌گیرانه است، هم برای انسان‌ها و هم برای عامل‌ها.

هوش سازمانی به تولد یک صنعت کامل «مدیریت عامل‌ها» خواهد انجامید—متمرکز بر نقش و وظیفه عامل‌ها، ارتباط میان عامل‌ها و میان عامل‌ها و انسان‌ها، و چگونگی سنجش ارزش عامل‌ها (اتکا صرف به پرداخت به ازای استفاده به‌هیچ‌وجه کافی نیست).

۲. سیگنال

هوش مصنوعی شخصی نویز ایجاد می‌کند.

هوش مصنوعی سازمانی سیگنال را پیدا می‌کند.

انسان‌های امروزی می‌توانند هر چیزی را که به ذهنشان خطور می‌کند خلق کنند—یا بهتر است بگویم تولید کنند: مقاله‌هایی که توسط هوش مصنوعی نوشته شده‌اند، ارائه‌ها، صفحات گسترده، عکس‌ها، ویدئوها، آهنگ‌ها، وب‌سایت‌ها و نرم‌افزارها. چه هدیهٔ عالی‌ای.

مشکل این است که اکثریت قریب به اتفاق محتوایی که توسط هوش مصنوعی تولید می‌شود، آشغال محض است. شیوع آشغال‌های هوش مصنوعی به حدی رسیده است که برخی سازمان‌ها واکنش افراطی نشان داده و تصمیم گرفته‌اند تمام خروجی‌های هوش مصنوعی را به‌طور کامل ممنوع کنند. راستش خودم هم همین احساس را دارم—من یک شرکت هوش مصنوعی را اداره می‌کنم اما به تیم اجرایی‌ام دستور داده‌ام که از هوش مصنوعی در هیچ‌یک از محصولات نهایی متنی استفاده نکنند. من نمی‌توانم آن آشغال را تحمل کنم.

به این فکر کنید که صنعت سرمایه‌گذاری خصوصی (PE) به چه چیزی تبدیل می‌شود. سال گذشته ممکن است ده فرصت معامله روی میزتان قرار گرفته باشد. امسال در سه‌ماههٔ آینده ۵۰ فرصت خواهید داشت که هر یک توسط هوش مصنوعی تا حد کمال صیقل خورده‌اند، اما همچنان همان مقدار زمان برای تصمیم‌گیری دارید—تا از میان آن‌ها، مورد واقعاً قابل‌اعتماد را پیدا کنید.

تولید هر چیزی دیگر مسئله نیست. برای هر سازمان قانونی، مشکل اکنون تولید و حذف موارد نامناسب است. در دنیایی که هوش مصنوعی آن را هدایت می‌کند، یافتن آن یک خروجی خوب، آن یک معامله خوب، یعنی سیگنال در میان نویز، هرچه بیشتر حیاتی می‌شود. محرک اقتصادی اصلی دههٔ آینده، کشف نشانه‌ها از تودهٔ زباله‌ای است که به‌صورت نمایی در حال رشد است.

زیرنویس: زباله‌های هوش مصنوعی تولیدشده توسط ابزارهای بهره‌وری شخصی با نرخ نمایی در حال افزایش است. انسان‌ها دیگر خودشان نمی‌توانند نویز را غربال کنند و به کلاس جدیدی از محصولات هوش مصنوعی سازمانی نیاز دارند.

هوش سازمانی باید سیگنال را بیابد، نویز را ساختاردهی کند تا از میان آشفتگی‌ها عبور کند، و باید در کار خود قابل تعریف، قطعی و قابل حسابرسی باشد.

هوش مصنوعی شخصی ممکن است مانند Clawdbot بر بهره‌وری «همیشه روشن» تأکید کند و نیازهای شما را به‌صورت غیرقابل‌پیش‌بینی به‌طور ۲۴ ساعته و هفت روز هفته برآورده سازد—یک عامل اساساً غیرمقرر. از سوی دیگر، هوش مصنوعی سازمانی بر قابلیت اطمینان عامل‌های تعیین‌گر متکی است. نمایندگانی با نقاط کنترل، مراحل و فرآیندهای قابل پیش‌بینی هستند که مقیاس‌پذیری را ممکن می‌سازند، کشف سیگنال را فراهم می‌کنند و از طریق این سیگنال‌ها، بازگشت درآمد را برای سازمان به ارمغان می‌آورند.

زیرنویس: ماتریکس ابزاری است که با بهره‌گیری از تکنیک‌های تولیدگرا، نویز را کنار می‌زند و بدین ترتیب دنیایی از عامل‌های تعیین‌شده و نقاط کنترل را می‌گشاید.

۳. تعصب

خوراک‌دهی سوگیری در هوش مصنوعی سطح شخصی.

هوش مصنوعی در سطح نهادی، عینیت ایجاد می‌کند.

بحث پیرامون سوگیری‌های اجتماعی-سیاسی سال‌هاست بر گفتمان هوش مصنوعی مسلط بوده است. لابراتوار مدل پایه در نهایت با مقدار کافی RLHF این مشکل را دور زد و همه مدل‌ها را چاپلوس‌گر بار آورد. امروز مدل‌هایی مانند ChatGPT، Claude و غیره آن‌قدر دقیق همسو می‌شوند که هر نکته‌ی شما را در چارچوب پنجره‌ی اوورتون بازتاب می‌دهند (گاهی حتی کمی فراتر رفته و با تأکید بیش از حد موافقت می‌کنند و شما را @Grok خطاب می‌کنند). بحث درباره سوگیری اجتماعی-سیاسی کمرنگ شده است. اما یک مسئلهٔ جدید جای آن را گرفته است.

این توافق بیش از حد در همه چیز به طرز مضحکی اغراق‌آمیز شده است. خودش تبدیل به یک میم شده است—واکنش خودکاری که کلود می‌گوید «کاملاً حق با شماست!» بدون توجه به اینکه آنچه می‌گویید واقعاً کاملاً درست باشد یا نه.

به نظر بی‌ضرر می‌آید. اینطور نیست.

بسیاری از پرشورترین حامیان هوش مصنوعی در سازمان‌ها ممکن است به‌زودی به بدترین کارکنان تاریخ تبدیل شوند. به این فکر کن که چرا.

بدترین کارکنان یک سازمان که به‌سختی بازخورد مثبتی روزانه دریافت می‌کنند، به‌زودی ASI را در تمام مدت در موافقت با خود خواهند داشت. آنها در ذهن خود خواهند گفت: «هوش مصنوعی هوشمندترین در تاریخ با من موافق است.» مدیر من است که اشتباه می‌کند.

اعتیادآور است. و برای سازمان‌ها سمی است.

زیرنویس: اتاق پژواک هوش مصنوعی در سطح فردی تفرقه را تشدید می‌کند و باعث می‌شود دو نفر از هم دور شوند؛ پویایی‌ای که وقتی در مقیاس بزرگ‌تر اجرا شود، در درون سازمانی که در ابتدا منسجم بوده، جناح‌هایی ایجاد می‌کند.

این یک نکتهٔ مهم را آشکار می‌کند. ابزارهای بهره‌وری شخصی، کاربر را توانمند می‌سازند. اما آنچه واقعاً نیاز به تقویت دارد، حقیقت است.

سازمان‌های انسانی، پس از هزاران سال تکامل، سیستم‌هایی را به‌طور ویژه برای مقابله با این مسئله ایجاد کرده‌اند:

جلسه کمیته سرمایه‌گذاری

· بررسی دقیق شخص ثالث

· جستجوی هیئت مدیره

تفکیک قوا در ایالات متحده دولت

· دموکراسی نمایندگی، و نیز خود دموکراسی

زیرنویس: بی‌طرفی حتی می‌تواند مسائل هماهنگی را کاهش دهد—اختلافات جزئی را سرکوب می‌کند تا به جای تشدیدشان، آن‌ها را کاهش دهد.

سازمان‌ها به ندرت به‌خاطر نداشتن اعتمادبه‌نفس در کارکنانشان شکست می‌خورند. آنها شکست می‌خورند چون هیچ‌کس حاضر یا قادر نیست «نه» بگوید.

هوش مصنوعی در سطح نهادی باید این نقش را ایفا کند. این توسط RLHF آموزش داده نخواهد شد تا کاربران را راضی کند یا با باورهایشان مطابقت داشته باشد، بلکه برای به چالش کشیدن سوگیری‌هایشان آموزش داده خواهد شد. وقتی رفتار کارآمد باشد، بازخورد مثبت ارائه می‌دهد، خطوط قرمزی مشخص می‌کشد و در صورت انحراف، اصلاح مسیر را اعمال می‌کند.

بنابراین، مهم‌ترین عامل درون یک سازمان نه یک «آری‌گو» بلکه یک «ردکننده» انضباط‌یافته خواهد بود—کسی که استدلال‌ها را به پرسش می‌کشد، ریسک‌ها را افشا می‌کند و استانداردها را اعمال می‌نماید. برخی از تأثیرگذارترین کاربردهای هوش مصنوعی در آینده حول محدودیت‌های نهادی شکل خواهند گرفت: اعضای هیئت مدیره هوش مصنوعی، حسابرسان هوش مصنوعی، آزمون‌های شخص ثالث هوش مصنوعی، انطباق هوش مصنوعی...

۴. مزیت لبه

هوش مصنوعی در سطح فردی برای حداکثرسازی فایده بهینه‌سازی می‌کند.

هوش مصنوعی در سطح سازمانی برای کسب مزیت رقابتی بهینه‌سازی می‌شود.

مرز قابلیت‌های هوش مصنوعی هر هفته، حتی هر روز در حال جابه‌جایی است. شرکت‌های مدل پایه برای همه افراد و سازمان‌ها در قابلیت‌های تکرار سریع رقابت می‌کنند.

اما معضل کلاسیک نوآور به ما می‌گوید که در کاربردهای خاص، عمق همیشه بر وسعت غلبه می‌کند:

· کار @Midjourney حفظ یک برتری جزئی در تصاویر طراحی است.

· کار @Elevenlabsio حفظ یک برتری جزئی در مدل‌های گفتار است.

· کار @DecagonAI این است که همواره در تجربه خدمات مشتری تمام‌ستک پیشرو باشد.

در حالی که مدل‌های پایه‌ای به هم نزدیک‌تر می‌شوند، برای کارشناسان حوزه‌ای، برتری واقعی در لبه اهمیت دارد.

بسیاری از طراحان برجسته از @Midjourney استفاده می‌کنند و بسیاری از شرکت‌های پیشرو در زمینه هوش مصنوعی گفتار از @Elevenlabsio بهره می‌برند—زیرا حتی با پیشرفت مدل‌های پایه، برنامه‌های کاربردی اختصاصی که بی‌وقفه بر تقویت مزایای ویژه خود متمرکز هستند، مزیت رقابتی را تعیین می‌کنند.

تا زمانی که راه‌حل اختصاصی نیز در حال تحول باشد، قابلیتی که واقعاً برای نتایج اقتصادی — حیاتی برای بنگاه‌ها — تعیین‌کننده است، همیشه در سمت محصولات اختصاصی خواهد بود.

این موضوع در حوزه مالی به خوبی مشهود است — که در حال حاضر داغ‌ترین حوزه برای توسعه LLM است. به محض اینکه یک توانایی خاص فراگیر شود، به تعریف، دیگر به شما کمک نمی‌کند تا از بازار بهتر عمل کنید. اما اگر فناوری پیشرفته بتواند یک مزیت جزئی ۱ درصدی فراهم کند؟ آن یک درصد می‌تواند بازده را در حد میلیاردها دلار اهرم کند.

زیرنویس: برای هر وظیفه‌ی به‌اندازه‌ی کافی خاص، مزیت برتری توسط راه‌حل سطح سازمانی شما که بر بستر فناوری پیشرفته ایجاد شده، تعریف می‌شود.

کاربران ما همیشه در خط مقدم بوده‌اند. پنجرهٔ زمینهٔ LLM در چهار سال از ۴ کیلوبایت به یک میلیون توکن افزایش یافته است. برخی از کاربران ما در یک وظیفه واحد ۳۰ میلیارد توکن را پردازش می‌کنند. امسال، ما قبلاً مسیر رسیدگی به وظایف ۱۰۰ میلیارد توکن را دیده‌ایم. با هر پیشرفتی در قابلیت‌های مدل پایه، ما بسیار جلوتر آمده‌ایم.

زیرنویس: پنجرهٔ زمینه، مانند سایر قابلیت‌ها، هدفی متحرک است. مقایسه‌ای از تحول پنجرهٔ زمینه بین آزمایشگاه پیشرفته و هبیا در سه سال گذشته.

عمومیت گسترده و کاربرمحور، البته، مهم است، به‌ویژه در مرحلهٔ آشنایی کارکنان با هوش مصنوعی. اما آینده متعلق به استفاده صرف از ChatGPT/Claude یا راه‌حل‌های عمودی نخواهد بود، بلکه به ChatGPT/Claude در ترکیب با راه‌حل‌های عمودی اختصاص خواهد داشت.

هوش سازمانی باید از عامل‌های ویژهٔ حوزه و حتی ویژهٔ وظیفه بهره ببرد.

ما از خود سؤالی خواهیم پرسید که بی‌معنی به نظر می‌رسد اما نیست:

AGI کدام عوامل را برای استفاده به‌عنوان میان‌برها انتخاب خواهد کرد؟ حتی فوق‌هوش نیز به ابزارهای تخصصی ویژهٔ هر حوزه نیاز خواهد داشت.

مرز توانایی‌های هوش مصنوعی همواره در حال تغییر است و سازمان‌هایی که از مزایای واقعی برتری بهره می‌برند، برندگان هستند. سایرین همگی برای یک کالای عمومی بسیار گران‌قیمت پول می‌پردازند.

پنج. نتایج

هوش مصنوعی شخصی در وقت صرفه‌جویی می‌کند.

هوش مصنوعی در سطح سازمانی، درآمد را گسترش می‌دهد.

@MaVolpi یک‌بار جمله‌ای به من گفت که برداشتم را از فروش هوش مصنوعی به شرکت‌ها دگرگون کرد: اگر از هر مدیرعاملی بپرسید که آیا کاهش هزینه‌ها را ترجیح می‌دهد یا گسترش درآمد، تقریباً همه درآمد را انتخاب می‌کنند.

با این حال، تقریباً هر محصول هوش مصنوعی که امروز به بازار عرضه می‌شود بر کاهش هزینه‌ها متمرکز است—و وعده می‌دهد که در وقت شما صرفه‌جویی کند، با تعداد کمتری افراد کارهای بیشتری انجام دهد یا نیروی انسانی را جایگزین کند.

هوش مصنوعی در سطح سازمانی باید درآمد افزایشی ایجاد کند. و درآمد افزایشی بسیار سخت‌تر از زمان صرفه‌جویی‌شده قابل کالاشدن است.

برای مثال، توسعه نرم‌افزار با کمک هوش مصنوعی را در نظر بگیرید. محیط‌های توسعهٔ کد (IDEها) از بهترین ابزارهای بهره‌وری هوش مصنوعی شخصی تاکنون بوده‌اند، اما با رقابت قابل‌توجهی از سوی Claude Code (ابزار هوش مصنوعی شخصی دیگر) مواجه شده‌اند. شناخت در حال بازی یک بازی کاملاً متفاوت است. سریع‌ترین کسب‌وکار در حال رشد آن‌ها فروش تحول از طریق فناوری است، نه فروش یک ابزار. شرط می‌بندم این مدل ماندگاری خواهد داشت.

نرم‌افزار خالص به‌سرعت در حال تبدیل شدن به سرمایه‌گذاری غیرقابل سرمایه‌گذاری است. خدمات خالص مقیاس‌پذیر نیستند. لایه راه‌حل—که فناوری و نتایج را به هم پیوند می‌دهد—جایی است که ارزش پایدار نهفته است.

دوباره به ادغام و تملک نگاه کنید. هوش مصنوعی سطح شخصی به تحلیلگران کمک می‌کند سریع‌تر مدل‌سازی کنند. هوش مصنوعی در سطح سازمانی، از میان صد هدف، تنها هدفی را که ارزش دنبال کردن دارد شناسایی می‌کند، سپس جست‌وجو را به هزار هدف گسترش می‌دهد. یکی وقت را صرفه‌جویی می‌کند، دیگری درآمدزایی می‌کند.

زیرنویس: شرکت‌های مدل پایه به سمت لایهٔ کاربرد عمودی حرکت می‌کنند. شرکت‌های لایهٔ کاربرد عمودی در حال حرکت به سوی لایهٔ راه‌حل هستند.

«حرکت به بالادست» نیروی جاذبه طبیعی بازار کنونی است. مدل‌های بنیادین در حال حرکت به لایهٔ کاربردی هستند و شرکت‌های لایهٔ کاربردی در حال حرکت به لایهٔ راه‌حل هستند.

هوش‌مصنوعی در سطح سازمانی لایهٔ راه‌حل است. و لایهٔ راه‌حل—جایی که نتایج قرار دارند—محل ثبت ارزش پایدار است و بزرگ‌ترین فرصت‌های درآمدی را به خود اختصاص می‌دهد.

شش. توانمندسازی

هوش مصنوعی سطح شخصی ابزاری در اختیار شما قرار می‌دهد.

هوش مصنوعی در سطح سازمانی به شما آموزش می‌دهد چگونه از آن استفاده کنید.

مهم نیست چقدر باهوش باشند، انسان‌ها در برابر تغییر مقاومت می‌کنند.

باور کنید یا نه، هنوز کسب‌وکارهای موفقی در نیویورک وجود دارند که کارت اعتباری را قبول نمی‌کنند. آنها می‌دانند که در حال ضرر کردن هستند، می‌فهمند که نپذیرفتن کارت‌های اعتباری برایشان هزینه دارد، اما سر جای خود مانده‌اند. به همین ترتیب، در آینده‌ای قابل پیش‌بینی، برخی از کارکنان در سازمان‌های خاص به سادگی از استفاده از هوش مصنوعی خودداری خواهند کرد.

تبدیل شدن از یک سازمان کاملاً انسانی به یک سازمان هیبریدی مبتنی بر هوش مصنوعی، چالش ماندگار و تعیین‌کنندهٔ دههٔ آینده خواهد بود. و بارها و بارها، برجسته‌ترین و حیاتی‌ترین افراد در یک سازمان، کسانی هستند که در پذیرش آن کندترین‌اند.

زیرنویس: بالاترین سطح یک سازمان—کسانی که از «عملیات ابزار» دورترینند—اغلب کندترین اما حیاتی‌ترین گروه برای پذیرش فناوری‌های جدید هستند.

پلانتیر تنها شرکت «نرم‌افزاری» است که در طول دو ماه گذشته، در جریان فروش گسترده سهام شرکت‌های فناوری تریلیون‌دلاری، نسبت ارزش‌گذاری بسیار بالایی را حفظ کرده است. دلیلی برای این وجود دارد. پلانتیر یکی از نخستین شرکت‌های واقعی «مهندسی فرآیند» است. چه آن را «مهندسی فرآیند» بنامید یا «نوشتن مستندات مهارت کلود»، هوش مصنوعی نهادی آینده صنعتی را پدید خواهد آورد: رمزگذاری فرآیندهای سازمانی در قالب عامل‌ها و پیاده‌سازی مدیریت تغییر لازم.

زیرنویس: پذیرش هوش مصنوعی در سطح سازمان از چندین شکاف عبور خواهد کرد که هر یک چالش‌های خاص خود را دارد. واگذاری فرایندها به هوش مصنوعی نیروی محرکه اصلی خواهد بود.

جرأت می‌کنم بگویم مهندسی فرآیند در آینده نزدیک به مهم‌ترین «فناوری» تبدیل خواهد شد.

و در مهندسی فرآیند، تخصص در کسب‌وکار و صنعت—نه تخصص در نرم‌افزار—حائز اهمیت است. راه‌حل‌های عمودی استعدادها را در خطوط مقدم مهندسی استقرار، پیاده‌سازی و مدیریت تغییر پرورش خواهند داد.

یک بانک سرمایه‌گذاری رده‌بالا (از سه بانک بزرگ و برجسته) که برای استقرار کامل با Hebbia تصمیم گرفت، بهترین بیان را داشت: دلیل اینکه با یک آزمایشگاه مدل بزرگ خاص کار نمی‌کنند این است که «ما مجبور بودیم CIM را برای تیم‌شان توضیح دهیم.» کلود یا جی‌پی‌تی ممکن است فضا را درک کنند، اما تیم‌های مسئول پیاده‌سازی آن را درک نمی‌کنند...

این تفاوت همه تفاوت را ایجاد می‌کند.

هفتم. پرامپت صفر

هوش مصنوعی شخصی در سطح فردی به ورودی‌های انسانی پاسخ می‌دهد.

هوش مصنوعی در سطح سازمانی به‌طور پیشگیرانه و بدون نیاز به دستور عمل می‌کند.

بحث‌های زیادی در مورد ارتباطات بین نمایندگان وجود دارد، اینکه آیا آینده شرکت‌ها و مؤسسات همچنان به انسان‌ها نیاز دارد یا خیر.

اما سؤال بهتری این است: آیا ایجنت هوش مصنوعی آینده هنوز به یک پرامپت نیاز دارد؟

نوشتن یک دستور برای هوش مصنوعی عمومی مثل وصل کردن یک موتور الکتریکی به یک دار دستباف است. این به‌طور بنیادین و برگشت‌ناپذیری توسط ضعیف‌ترین حلقه در زنجیره تأمین سازمانی—خودمان—محدود شده است. انسان‌ها اساساً نمی‌دانند چه سؤال‌های درستی را باید مطرح کنند، چه رسد به اینکه بدانند چه زمانی باید آن‌ها را مطرح کنند.

ارزشمندترین کاری که هوش مصنوعی می‌تواند انجام دهد، کاری است که هیچ‌کس فکرش را هم نمی‌کرد از آن بخواهد. هوش مصنوعی باید ریسک‌هایی را پیدا کند که هیچ‌کس متوجه آن‌ها نشده، طرف‌های مقابل معامله‌ای را که هیچ‌کس به آن‌ها فکر نکرده و کانال‌های فروش را که هیچ‌کس از وجودشان خبر نداشته است.

این به‌طور بنیادین مرزهای کاربردهای هوش مصنوعی را گسترش خواهد داد.

سیستمی که نیازی به پاسخ فوری ندارد، جریان داده‌های کل سبد سرمایه‌گذاری را به‌طور مداوم زیر نظر دارد. آن کشف می‌کند که چرخه سرمایه در گردش یک شرکت پرتفوی به طور پنهانی برای سه ماه متوالی وخیم‌تر شده است، این موضوع را با شرایط قراردادی در توافق‌نامه اعتباری تطبیق می‌دهد و پیش از آنکه کسی آن PDF را باز کند، شریک عملیاتی صندوق را مطلع می‌سازد.

وقتی دیگر نیازی به انسان‌ها برای نوشتن ورودی‌های هوش مصنوعی نباشد، رابط‌های جدید و روش‌های جدید کار پدید می‌آیند. ما در هِبیا نظرات محکمی در این باره داریم. بیشتر در راه است.

نتیجه‌گیری

موارد فوق ارزش چت‌بات‌ها، نمایندگان و هوش مصنوعی شخصی را نفی نمی‌کند.

هوش مصنوعی شخصی وسیله‌ای خواهد بود که از طریق آن اکثریت شرکت‌های جهانی برای اولین بار قدرت تحول‌آفرین هوش مصنوعی را تجربه خواهند کرد. ترویج پذیرش و تسهیل استفاده، گام نخست حیاتی در مدیریت تغییر برای ساختن اقتصادی مبتنی بر هوش مصنوعی است.

در عین حال، نیاز به هوش در سطح نهادی واضح، فوری و عظیم است.

هر سازمان در آینده یک چت‌بات از یک آزمایشگاه مدل‌های بزرگ خواهد داشت. هر سازمان همچنین هوش مصنوعی در سطح نهادی خواهد داشت که برای مسائل خاص حوزه طراحی شده است—و هوش مصنوعی شخصی از هوش مصنوعی در سطح نهادی به‌عنوان مهم‌ترین ابزار در جعبه ابزار خود استفاده خواهد کرد.

یکپارچه‌سازی بهتر هوش مصنوعی در سطح سازمانی و هوش مصنوعی شخصی یک روند اجتناب‌ناپذیر است.

اما درس کارخانه نساجی دههٔ ۱۸۹۰ را به خاطر بسپار. اولین کارخانه‌ای که برق‌کشی شد، در رقابت با کارخانه‌ای که برای برق بازطراحی شده بود، شکست خورد.

ما قبلاً برق داریم. زمان آن رسیده است که کارخانه‌هایمان را بازطراحی کنیم.

با تشکر از @aleximm و @WillManidis برای بازبینی، و از ویل برای الهام‌بخشی به این مقاله با اثرش با عنوان «ابجای در شکل ابزار».

لینک مقاله اصلی