با گذر از حباب اولیه، ظهور هوش مصنوعی به عنوان یک ابزار سازمانی در سال ۲۰۲۶، روندی کلیدی است که باید به آن توجه کرد. داده ها و توصیه های جدید متخصصان هوش مصنوعی این تحول را تأیید می کنند.
امروزه سازمان ها معمولاً با سرعتی کمتر از سرعت تحول فناوری هوش مصنوعی حرکت می کنند. این شکاف سرعت، پیش بینی چگونگی و زمان پذیرش این فناوری توسط کسب و کارها را تا حدی آسان تر می سازد.
به نظر می رسد هوش مصنوعی در حال تبدیل شدن به نیرویی فراتر از یک ابزار صرف است و نقش محرک اصلی رشد اقتصادی و تحولات بازار سهام را به عهده گرفته است. در ادامه، روندهای نوظهور هوش مصنوعی در سال ۲۰۲۶ ارائه شده است که رهبران کسب و کار باید برای درک و اقدام بر مبنای آنها آماده شوند.
حباب هوش مصنوعی فروکش خواهد کرد و اقتصاد آسیب خواهد دید
اگر چالش محوری سال گذشته، ظهور و بلوغ هوش مصنوعی عامل محور بود، امسال کانون بحث به موضوع «حباب هوش مصنوعی» معطوف شده است. پرسش های اساسی حال حاضر اینها هستند:
- آیا چنین حبابی واقعاً وجود دارد؟
- در صورت مثبت بودن پاسخ، زمان ترکیدن آن چه زمانی خواهد بود؟
- خروج سرمایه از این حوزه بهصورت تدریجی است یا ناگهانی؟
- و تأثیر این روند بر اقتصاد کلان و نیز پذیرش مستمر فناوری هوش مصنوعی چیست؟
همه ما خاطره رکود حباب دات کام را به وضوح به یاد داریم. دشوار است که شباهت های وضعیت کنونی با آن دوره را نادیده بگیریم: از ارزش گذاری های افسانه ای استارتاپ ها و تمرکز بر رشد کاربران به بهای نادیده گرفتن سودآوری، تا هیاهوی رسانه ای و سرمایه گذاری های سنگین در زیرساخت هایی با بازدهی نامشخص.
اما آیا این حباب خواهد ترکید؟ از دیدگاه ما، این اتفاق اجتناب ناپذیر است و احتمالاً در زمانی نه چندان دور.
تنها یک محرک جزئی کافی خواهد بود: یک فصل مالی ضعیف برای یکی از بازیگران اصلی، ظهور یک مدل چینی با قیمتی به مراتب پایین تر و کارایی رقابتی (همانطور که در رویداد DeepSeek در ژانویه ۲۰۲۵ شاهد بودیم)، یا چندین گزارش از کاهش هزینه های هوش مصنوعی توسط مشتریان بزرگ سازمانی.
امیدواریم این کاهش بهصورت تدریجی و کنترل شده رخ دهد، چرا که به بازار سهام زمان کافی برای تعدیل می دهد و فرصت تنفس لازم را برای سرمایه گذاران فراهم می کند تا بتوانند دارایی های متورم مرتبط با هوش مصنوعی را از سبد خود خارج کنند.
یک اصلاح آرام به کسب و کارها نیز فرصت می دهد تا فناوری های موجود را بهتر جذب کرده و کاربران به دنبال راه حل های کارآمدتری بروند که نیاز به مصرف انرژی افسارگسیخته نداشته باشند.
ما به نسخهای از قانون آمارا (Amara’s Law) در حوزه هوش مصنوعی معتقدیم: «معمولاً تأثیر فناوری را در کوتاه مدت بیش ازحد و در بلند مدت کمتر از حد واقعی ارزیابی میکنیم.» هوش مصنوعی قطعاً بخشی حیاتی از اقتصاد جهانی امروز و آینده خواهد بود، اما در کوتاه مدت دچار بیش برآورد شده است. به نظر ما، صنعت هوش مصنوعی و اقتصاد جهانی، از یک تعدیل تدریجی و مدیریت شده سود خواهند برد.
تعداد بیشتری از سازمان های پیشرو، اقدام به راه اندازی «کارخانه های تولید هوش مصنوعی» و زیرساخت های اختصاصی خواهند کرد
شرکت هایی که هوش مصنوعی را یک مزیت رقابتی پایدار می دانند، در حال ایجاد زیرساخت های داخلی برای تسریع توسعه و استقرار مدل ها هستند. منظور ما صرفاً ساخت مراکز داده عظیم نیست — که معمولاً در حوزه تأمین کنندگان تخصصی قرار میگیرد — بلکه تأسیس «کارخانه های هوش مصنوعی» درون سازمانی است. این کارخانه ها ترکیبی از پلتفرم های فناورانه، روش های استاندارد، پایگاه های داده و الگوریتم های ازپیش آماده ای هستند که ساخت و راه اندازی سیستم های مبتنی بر هوش مصنوعی را سریع تر و ساده تر می کنند.
این رویکرد از سال ها پیش توسط بانک های پیشرو در حال اجرا بوده است. با دارا بودن حجم عظیمی از داده و کاربردهای متنوع در حوزه هایی مانند اعتبارسنجی و مبارزه با کلاهبرداری، مؤسساتی مانند BBVA کارخانه هوش مصنوعی خود را در سال ۲۰۱۹ و JPMorgan Chase نیز پلتفرم OmniAI را در سال ۲۰۲۰ راه اندازی کردند. در آن دوران تمرکز عمدتاً بر هوش مصنوعی تحلیلی بود.
اما امروزه، جنبش ایجاد کارخانه های هوش مصنوعی به صنایع غیربانکی و سایر شاخه های هوش مصنوعی نیز گسترش یافته است. بهعنوان نمونه، شرکت هایی مانند Procter & Gamble در حوزه محصولات مصرفی و Intuit در صنعت نرمافزار، کارخانه های اختصاصی خود را ایجاد کرده اند. این شرکت ها و حتی بانک ها امروز بر تمامی اشکال هوش مصنوعی — تحلیلی، تولیدی و عاملی — تمرکز دارند. Intuit این پلتفرم را GenOS نامیده است؛ یک سیستم عامل مولد هوش مصنوعی برای کسب و کار.
در مقابل، سازمان هایی که فاقد چنین زیرساخت داخلی یکپارچه ای هستند، متخصصان داده و تیم های هوش مصنوعی خود را مجبور می کنند تا بهطور جداگانه و تکراری، فرآیند دشوار انتخاب ابزارها، شناسایی داده های قابلدسترس و تعیین روش ها و الگوریتم های مناسب را از ابتدا انجام دهند. ناتوانی در ساختن بر اساس یک پایه مشترک و استاندارد، توسعه و مقیاسدهی راهحل های هوش مصنوعی را بسیار پرهزینهتر و کندتر میکند.
GenAI بیشتر به یک منبع سازمانی تبدیل خواهد شد
اگر سال ۲۰۲۵ سال درک این چالش بود که هوش مصنوعی مولد در تحقق ارزش عملیاتی با مشکل مواجه است، سال ۲۰۲۶ باید سال اقدام برای رفع آن باشد (با این اعتراف که پیش بینی ما در سال گذشته مبتنی بر آزمایش های کنترل شده بود — و در عمل تحول چشمگیری رخ نداد). یک رویکرد کلیدی برای حل این مسئله، تغییر در نحوه پیاده سازی GenAI از یک ابزار فردی به یک قابلیت سازمانی یکپارچه است.
در مراحل اولیه، دسترسی آسان به ابزارهایی مانند Microsoft Copilot منجر شد تا بسیاری از سازمان ها امکان استفاده از هوش مصنوعی مولد را به صورت گسترده و بدون ساختار مشخصی فراهم کنند. اگرچه این ابزارها وظایفی مانند تهیه ایمیل، اسناد متنی و ارائه ها را تسهیل کردند، اما تأثیر آنها عمدتاً به صورت پراکنده و غیر قابل اندازه گیری باقی ماند. پرسش اساسی این است: کارمندان با دقایق یا ساعاتی که با استفاده از GenAI برای انجام چنین کارهایی صرفه جویی می کنند، چه می کنند؟
به نظر نمی رسد کسی پاسخ را بداند.
راه حل جایگزین، نگاه به هوش مصنوعی مولد به عنوان یک دارایی سازمانی برای کاربردهای استراتژیک است. اگرچه توسعه و استقرار چنین راه حل هایی پیچیده تر است، اما در صورت موفقیت می توانند ارزش قابل توجهی ایجاد کنند. برای نمونه، تمرکز بر استفاده از GenAI در مدیریت زنجیره تأمین، تحقیق و توسعه، یا فرآیند فروش — به جای کاربردهای جزئی مانند نوشتن پست وبلاگ — می تواند تحول عمیق تری ایجاد کند. این رویکردی است که شرکت هایی مانند Johnson & Johnson در پیش گرفته اند: این شرکت به جای پیگیری و بررسی ۹۰۰ مورد استفاده در سطح فردی، بر تعداد محدودی از ابتکارات کلان متمرکز شده است.
البته دسترسی کارکنان به ابزارهای هوش مصنوعی مولد همچنان ضروری است و برخی سازمان ها آن را به عنوان عاملی برای افزایش رضایت و حفظ نیروی کار در نظر می گیرند. همچنین، برخی از ایده های مطرح شده از سطوح عملیاتی می توانند به پروژه های سازمانی تبدیل شوند. برای مثال، شرکت بزرگ داروسازی سانوفی با الهام از برنامه Shark Tank، رقابتی داخلی ترتیب داده است تا کارکنان ایده های خود را برای پروژه های هوش مصنوعی ارائه دهند و شرکت از پروژه های برگزیده در سطح سازمان پشتیبانی می کند.
هوش مصنوعی عامل همچنان بیش از حد مورد توجه قرار خواهد گرفت، اما احتمالاً ظرف پنج سال ارزشمند خواهد شد
سال گذشته، تقریباً مانند هر کس دیگری، پیش بینی کردیم که هوش مصنوعی عامل در حال افزایش است. اگرچه اذعان کردیم که این فناوری مورد توجه قرار گرفته و چالش هایی دارد، اما میزان هر دو را دست کم گرفتیم. معلوم شد که عامل ها از زمان هوش مصنوعی مولد، بیشترین توجه را به خود جلب کرده اند. GenAI اکنون در گودال ناامیدی گارتنر قرار دارد، که پیش بینی میکنیم عامل ها در سال 2026 در آن قرار خواهند گرفت.
مشکل عامل ها چیست؟ آنها معمولاً برای کسب و کار در زمان اوج آماده نیستند. مطالعات مستقل، از جمله تحقیقاتی توسط آنتروپیک و دانشگاه Carnegie Mellon، نشان می دهند که عامل های هوش مصنوعی مرتکب خطاهای متعددی می شوند که امکان اعتماد کامل به آنها در فرآیند های مالی حیاتی را منتفی می کند. به این چالش ها باید مسائل امنیت سایبری (به ویژه حملات تزریق سریع) و همچنین گرایش آنها به فریبکاری و عدم تطابق کافی با اهداف و ارزش های انسانی را افزود.
با این حال، این بدان معنا نیست که هوش مصنوعی عامل در چند سال آینده بهتر نخواهد شد. اکثر مشکلات آن را می توان به نحوی حل کرد. ما مطمئن هستیم که عامل های هوش مصنوعی، اکثر تراکنش ها را در بسیاری از فرآیندهای تجاری در مقیاس بزرگ، مثلاً ظرف پنج سال آینده، مدیریت خواهند کرد (که خوش بینانه تر از پیش بینی ده ساله آندری کارپاتی، متخصص هوش مصنوعی و یکی از بنیانگذاران OpenAI، است).
در حال حاضر، شرکت ها باید به این فکر کنند که چگونه عامل ها می توانند روش های جدیدی برای انجام کار ایجاد کنند. آنها باید شروع به ساخت برخی از عامل های قابل اعتماد کنند که می توانند در سراسر سازمان مورد استفاده مجدد قرار گیرند و برخی از عامل های بین سازمانی را با تأمین کنندگان یا مشتریان همکار، آزمایش کنند. شرکت ها همچنین می توانند قابلیت های داخلی را برای ایجاد و آزمایش عامل هایی که شامل هوش مصنوعی مولد، تحلیلی و قطعی هستند، ایجاد کنند. هوش مصنوعی عامل گرای موفق به تمام ابزارهای موجود در جعبه ابزار هوش مصنوعی نیاز خواهد داشت.
بحث بر سر اینکه چه کسی باید هوش مصنوعی را مدیریت کند، ادامه خواهد داشت
آخرین نظرسنجی رندی از رهبران داده و هوش مصنوعی در سازمان های بزرگ – نظرسنجی معیار اجرایی رهبری هوش مصنوعی و داده در سال ۲۰۲۶، که توسط شرکت آموزشی او، Data & AI Leadership Exchange، انجام شد – اخبار خوبی را برای مدیریت داده و هوش مصنوعی آشکار کرد. تقریباً همه پاسخ دهندگان نسبت به نقش هوش مصنوعی مثبت بودند، سرمایه گذاری در داده ها و هوش مصنوعی را اولویت اصلی می دانستند و قصد داشتند هزینه بیشتری را صرف آنها کنند. تقریباً همه موافق بودند که هوش مصنوعی منجر به تمرکز بیشتر بر دادهها شده است.
شاید چشمگیرترین نکته، افزایش بیش از ۲۰ درصدی (تا ۷۰ درصد) نسبت به نتایج نظرسنجی سال گذشته (و سالهای قبل) در درصد پاسخ دهندگانی باشد که معتقدند مدیر ارشد داده (با یا بدون تجزیه و تحلیل و هوش مصنوعی) نقشی موفق و تثبیت شده در سازمان هایشان است. تنها ۳٪ معتقدند که این نقش شکست خورده است. به طور خلاصه، پشتیبانی از داده ها، هوش مصنوعی و نقش رهبری برای مدیریت آن، همگی در شرکتهای بزرگ در بالاترین سطح خود قرار دارند.
تنها مسئله ساختاری چالش برانگیز در این تصویر این است که چه کسی باید هوش مصنوعی را مدیریت کند و در سازمان به چه کسی گزارش دهد. جای تعجب نیست که درصد رو به رشدی از شرکت ها، مدیران ارشد هوش مصنوعی (یا عنوانی معادل آن) را منصوب کرده اند؛ امسال، این رقم به ۳۹٪ رسیده است. مشکل این است که در مورد اینکه این شغل به چه کسی گزارش می دهد، اجماع کمی وجود دارد. تنها ۳۰٪ به یک مدیر ارشد داده گزارش می دهند؛ سایر سازمان ها، هوش مصنوعی را به رهبری کسب و کار (۲۷٪)، رهبری فناوری (۳۴٪) یا رهبری تحول (۹٪) گزارش میدهند.
ما فکر می کنیم که احتمالاً روابط متنوع گزارش دهی به مشکل گسترده عدم ارائه ارزش کافی توسط هوش مصنوعی (به ویژه هوش مصنوعی مولد) کمک می کند. داده های نظرسنجی امسال نشان میدهد که شرکتهای بیشتری (۳۹٪، نسبت به ۲۴٪ سال گذشته و کمتر از ۵٪ دو سال پیش) هوش مصنوعی را در مقیاس تولید پیاده سازی کردهاند که پیش نیاز ارزش قابل توجه است. پیشرفت در تحقق ارزش از هوش مصنوعی در حال انجام است، اما احتمالاً برای توجیه انتظارات بالای این فناوری و ارزش گذاری های بالا برای فروشندگان آن کافی نیست. شاید اگر حباب هوش مصنوعی کمی فروکش کند، علاقه کمتری از سوی رهبران مختلف شرکتها برای مالکیت این فناوری وجود داشته باشد.
لینک کوتاه: womenito.com/kpkh
