انقلاب هوش مصنوعی یک‌شبه اتفاق نخواهد افتاد

 

هوش مصنوعی بدون شک صنایع را متحول خواهد کرد، اما این تحول نه ناگهانی خواهد بود و نه سریع.

این تغییر در «زمان سازمانی» رخ می‌دهد — یعنی تدریجی، کند و همراه با اصطکاک‌های فراوان، بسیار کندتر از آنچه سیلیکون‌ولی وعده می‌دهد.در حال حاضر شرکت‌ها در شش زمینه اساسی درباره نحوه ایجاد ارزش توسط هوش مصنوعی و مدت‌زمان موردنیاز برای آن دچار برداشت نادرست هستند..

اگر تبلیغات پرهیاهوی رسانه‌ها را باور کنیم، هوش مصنوعی به‌زودی کفش‌های ما را خواهد بست، شرکت‌ها را اداره خواهد کرد و مشکل گرسنگی جهانی را حل می‌کند!
طبق پیش‌بینی شرکت مک‌کینزی، این فناوری سالانه بین ۱۷ تا ۲۵ تریلیون دلار به اقتصاد جهانی اضافه خواهد کرد. چشم‌اندازی اغواکننده، اما تا حد زیادی خیالی است.

 

من (پل هلیوکو)[1]به‌عنوان یک مدیر فناوری اطلاعات با نزدیک به سی سال تجربه در تبدیل فناوری‌های نوظهور به ارزش تجاری، این فیلم را بارها دیده‌ام — و پایانش معمولاً شبیه تریلر تبلیغاتی نیست.

ما طی ۷۵ سال گذشته مدام از خود پرسیده‌ایم: «آیا ماشین‌ها می‌توانند فکر کنند؟»
شاید بهتر باشد اکنون بپرسیم: «آیا ما می‌توانیم؟»بله، هوش مصنوعی قدرتمند است؟ و بله، دنیای کار و زندگی ما را تغییر خواهد داد، اما این تحول کندتر، پیچیده‌تر و در کوتاه‌مدت کم‌سودتر از آن چیزی است که تبلیغ می‌شود.

شرکت‌ها میلیاردها دلار روی AI سرمایه‌گذاری می‌کنند بدون اینکه بازگشت سرمایه مشخصی داشته باشند.

مدل‌های متن‌باز (مثل Meta LLaMA یا DeepSeek) مزیت رقابتی مدل‌های بزرگ شرکت‌های دیگر (مثل Gemini یا ChatGPT) را به سرعت از بین می‌برند.
مدل اقتصادی هوش مصنوعی مولد (Gen AI) پر از ظرفیت است، اما هنوز مسیر مشخصی برای درآمد پایدار ندارد.تحول ناشی از هوش مصنوعی قطعاً خواهد آمد، اما آن «انقلاب فوری» که به ما فروخته می‌شود، توهمی بیش نیست.
«ما شش تصور نادرست درباره چگونگی ایجاد ارزش توسط AI و مدت‌زمان لازم برای آن داریم.»

 

۱. اثر واقعی هوش مصنوعی بسیار دیرتر از آنچه تصور می‌کنیم پدیدار خواهد شد.

در سال ۱۹۸۷، اقتصاددان رابرت سولو به‌طعنه گفت:

«می‌توانی عصر رایانه را در همه‌جا ببینی، جز در آمارهای بهره‌وری.»

دهه‌ها بعد، همین پارادوکس درباره‌ی هوش مصنوعی تکرار شده است.
با وجود سرمایه‌گذاری‌های میلیاردی، افزایش بهره‌وری قابل اندازه‌گیری هنوز اندک است.
مطالعات بانک فدرال رزرو کانزاس نشان می‌دهد که تأثیر فعلی AI بر بهره‌وری بسیار محدودتر از فناوری‌های انقلابی پیشین بوده است.

این ناکامیِ هوش مصنوعی نیست، بلکه ناکامی در انتظارات ماست.مدل‌های زبانی بزرگ (LLMs) مانند ChatGPT نوعی فناوری عمومی General Purpose Technology هستند — مشابه برق، چاپ، یا اینترنت.

در تمام موارد تاریخی، دهه‌ها طول کشید تا اثرات واقعی آن‌ها در اقتصاد آشکار شود.
برق صنعت تولید را دگرگون کرد، اما ۴۰ سال طول کشید تا کارخانه‌ها طراحی خود را با آن سازگار کنند.

اینترنت در دهه ۱۹۷۰ وجود داشت، اما تازه در دهه ۲۰۰۰ بود که مدل‌های کسب‌وکار را بازنویسی کرد.دلایل قوی وجود دارد که هوش مصنوعی نیز همین مسیر تدریجی اما اجتناب‌ناپذیر را طی کند.

به‌عنوان مثال، دارون عجم‌اوغلو ، اقتصاددان MIT و برنده نوبل،برآورد می‌کند که تنها ۵٪ از وظایف کاری در دهه آینده به‌طور سودآور خودکار می‌شوند و این تحول فقط ۱٪ به تولید ناخالص داخلی آمریکا می‌افزاید — فاصله‌ای چشمگیر با انتظارات اغراق‌آمیز فعلی.او می‌گوید هزینه‌های تطبیق، آموزش نیروی انسانی، ادغام فناوری و محاسبات در اغلب سازمان‌ها از منافع اقتصادی بیشتر است.

علاوه بر این، ما بخش عمده‌ی «میوه‌های در دسترس دیجیتالی‌سازی» را قبلاً چیده‌ایم — یعنی اتوماسیون کارهای عملیاتی، دیجیتالی کردن اطلاعات، انتقال مشتریان به بستر آنلاین، و مهاجرت زیرساخت‌ها به فضای ابری.

« این موضوع برای ایران صادق نیست»

اما هر گام بعدی بازده کمتری دارد و همین باعث می‌شود دستیابی به رشد بهره‌وری سراسری برای هر فناوری، از جمله AI، دشوارتر شود.بر اساس مطالعات، رشد بهره‌وری کل (TFP) در آمریکا طی پنج دهه گذشته کمتر از نصف رشد دوران پس از جنگ جهانی دوم بوده است.بنابراین، هرچند AI ممکن است بهره‌وری شخصی را افزایش دهد، اما در مقیاس کلان احتمالاً تا سال‌ها نتایج قابل‌توجهی نخواهد داشت.

پژوهشی از دفتر ملی پژوهش‌های اقتصادی آمریکا نشان داد که گرچه حدود ۴۰٪ از بزرگسالان آمریکایی از هوش مصنوعی مولد استفاده کرده‌اند، اما بیشتر آن‌ها استفاده‌ای بسیار محدود داشته‌اند — فقط حدود ۱ تا ۵٪ از زمان کاری خود — و در نتیجه تأثیر آن بر بهره‌وری کمتر از ۱٪ بوده است.

«این به معنای بی‌فایده بودن AI نیست، بلکه نشان می‌دهد ارزش آن نه از انقلابی ناگهانی، بلکه از ادغام هدفمند و تدریجی در فرایندهای واقعی کسب‌وکار به دست می‌آید.»

شرکت‌هایی که روی بازگشت سریع سرمایه شرط‌بندی می‌کنند، سرمایه خود را به خطر می‌اندازند.در عوض، باید با دیدی بلندمدت عمل کنند: زیرساخت مناسب بسازند، نیروی انسانی را آموزش دهند و مشخص کنند AI دقیقاً چگونه می‌تواند برای سازمانشان ارزش‌آفرینی کند.

۲. ما درباره‌ی سرعت پذیرش سازمانی هوش مصنوعی بیش از حد خوش‌بین هستیم

زمانی که ChatGPT عرضه شد، احساس عمومی این بود که هوش مصنوعی مانند جادویی یک‌شبه ظاهر شده است.در جلسات مالی شرکت‌ها، واژه‌ی «AI» تبدیل به کلیدواژه‌ی اصلی شد، سرمایه‌گذاران هیجان‌زده شدند، و رسانه‌ها از «انقلابی فوری» سخن گفتند.اما این شور و هیجان قبلاً نیز سابقه داشته است — از دوران رایانه‌های شخصی و حباب دات‌کام گرفته تا تب بلاک‌چین و روزهای نخست رایانش ابری — و معمولاً با واقعیت متفاوت است.

ما معمولاً روند تغییرات فناورانه را به دلیل سه خطای ذهنی اشتباه ارزیابی می‌کنیم:

1.      خطای برنامه‌ریزی (Planning Fallacy) مدت‌زمان موردنیاز برای تغییر را دست‌کم می‌گیریم.

2.     سوگیری خوش‌بینی (Optimism Bias) گمان می‌کنیم پذیرش فناوری بدون مشکل و به‌سرعت انجام می‌شود.

3.   سوگیری تازگی (Recency Bias) تصور می‌کنیم موفقیت سریع مصرف‌کنندگان با AI به همان شکل در سطح سازمانی هم رخ می‌دهد.

 

اما واقعیت این است که پیاده‌سازی AI در سازمان‌ها به هیچ‌وجه «وصل کن و استفاده کن» نیست.در سازمان‌ها، هوش مصنوعی با زیرساخت‌های قدیمی، قوانین سختگیرانه، فرهنگ‌های محافظه‌کار، کمبود نیروی متخصص، و فرآیندهای خرید پیچیده برخورد می‌کند.مشکلات نه فنی‌اند، بلکه سیستمی هستند.

به قول نویسنده، «برای اضافه کردن چرخ به چمدان‌ها صد سال طول کشید، پس سرعت تحول فناوری را دست‌کم نگیرید.»نمونه‌ی بارز این واقعیت، شکست IBM Watson Health است. IBM وعده داده بود با هوش مصنوعی سرطان را شکست دهداما در نهایت، در سال ۲۰۲۲ این پروژه شکست خورد و فروخته شد — دلیلش نه ضعف AI، بلکه داده‌های پزشکی پراکنده، مقررات پیچیده، و دشواری اجرای واقعی در بیمارستان‌ها بود.
پزشکان اعتماد نکردند، نتایج ناپایدار بود و نگرانی‌های اخلاقی افزایش یافت.پس بله، هوش مصنوعی صنایع را دگرگون خواهد کرد،اما نه با سرعت سیلیکون‌ولی، بلکه با سرعت سازمانی: تدریجی، پرهزینه، و همراه با اصطکاک زیاد.
شرکت‌هایی که دچار خوش‌بینی افراطی شوند، منابع خود را هدر می‌دهند،بیش‌ازحد وعده می‌دهند و اعتماد بازار را از دست می‌دهند.
برندگان واقعی، آن‌هایی خواهند بود که صبورانه زیرساخت تغییر واقعی را بسازند.

 

۳. بازار، ارزش شرکت‌های فعال در حوزه AI را بیش‌ازحد تخمین زده است

سرمایه‌گذاران در حال ارتکاب اشتباهی اساسی هستند:
آن‌ها شرکت‌های AI را مانند شرکت‌های نرم‌افزاری سبک و کم‌هزینه ارزیابی می‌کنند،
در حالی که در واقع این شرکت‌ها سرمایه‌بر، پرهزینه و زیرساخت‌محور هستند.سهام شرکت‌های فناوری با تمرکز بالا بر هوش مصنوعی اکنون با ۲۰ تا ۴۰ درصد حباب قیمتی معامله می‌شوند،بر پایه‌ی سودهایی که هنوز محقق نشده است.

برای مدیران ارشد، این موضوع فقط یک اشتباه بازار نیست، بلکه دام اجرایی است.
ارزش‌گذاری‌های بیش‌ازحد باعث فشار مدیریتی می‌شود تا سریع عمل کنند،پروژه‌های نمایشی راه بیندازند و ظاهراً در «مسیر AI» باشند.نتیجه؟ اجرای شتاب‌زده، اولویت‌های نادرست، و سرمایه‌گذاری در «هیجان» به جای «ارزش واقعی.»

در بازاری که برای معجزه قیمت‌گذاری شده، برتری واقعی در خویشتن‌داری است — یعنی رهبرانی که بر ادغام درست تمرکز کنند، نه نمایش‌های تبلیغاتی.به‌عنوان نمونه، OpenAI به دنبال ارزش‌گذاری ۳۰۰ میلیارد دلاری است — دو برابر فیس‌بوک در زمان عرضه اولیه و هشت برابر گوگل (با تعدیل تورمی).

اما برخلاف شرکت‌های نرم‌افزاری، هزینه‌های OpenAI با افزایش کاربران کاهش نمی‌یابد، بلکه افزایش می‌یابد.هر پرس‌وجو (query) هزینه دارد، هر کاربر هزینه اضافه می‌کند.در سال ۲۰۲۴، خود شرکت انتظار ۵ میلیارد دلار زیان در برابر ۳.۷ میلیارد دلار درآمد را داشت.

زیرساخت‌های مورد نیاز برای AI نیز حیرت‌آورند.فقط چهار شرکت بزرگ Meta، Alphabet، Amazon، و Microsoft در مجموع ۳۰۰ میلیارد دلار در سال جاری هزینه زیرساختی خواهند داشت.هزینه‌های سرمایه‌ای مرتبط با AI طی دو سال گذشته بین ۴۰ تا ۶۰ درصد رشد کرده است.مایکروسافت به تنهایی ۸۰ میلیارد دلار در سال جاری هزینه می‌کند و برآورد می‌شود تا سال ۲۰۲۸ میزان مصرف محاسباتی آن معادل مصرف برق یک کشور متوسط شود!

ü   رقابت نیز حاشیه سود را می‌فشارد.

مدل‌های متن‌باز مانند LLaMA، Mistral، و DeepSeek-V3 به سرعت در حال گرفتن سهم بازار هستند.مدل LLaMA 3 متا اکنون به بیش از یک میلیارد کاربر در اینستاگرام، واتساپ و فیس‌بوک دسترسی دارد — با هزینه‌ی صفر برای کاربران.
در حالی که OpenAI برای هر کاربر هزینه می‌پردازد و شبکه‌ی توزیع درون‌سازمانی ندارد.نتیجه؟ AI با سرعتی بسیار بیشتر از هر چرخه فناوری پیشین در حال کالایی شدن (Commoditization) است.

برای مدیران، پیام روشن است:

بسیاری از شرکت‌ها تصمیمات سرمایه‌گذاری سنگینی را بر اساس ابزارهایی می‌گیرند که ممکن است مدل اقتصادی پایداری نداشته باشند.اگر این تأمین‌کنندگان دچار مشکلات مالی شوند، یا توسعه‌ی خود را متوقف کنند، شرکت‌های وابسته در نیمه‌ی مسیر خواهند ماند.بنابراین، خطر تنها مالی نیست — عملیاتی است.

«برندگان واقعی بازار AI کسانی خواهند بود که آن را در بخش‌هایی از سازمان به‌کار گیرند که مزیت اقتصادی پایدار ایجاد کند — جایی که تصمیم‌گیری را سریع‌تر و دقیق‌تر می‌کند و بازده واقعی دارد.»
انقلاب AI آزمونی است نه برای جسارت، بلکه برای پایداری و مدیریت هوشمندانه.

 

۴. پول واقعی در مدل‌ها نیست

حتی اگر شرکت‌های سازنده‌ی مدل‌های AI به سود برسند، نمی‌توانند از مزیت خود در برابر رقبا دفاع کنند.بزرگ‌ترین پیشرفت‌های هوش مصنوعی — مانند شبکه‌های عصبی یا معماری ترنسفورمر — در نهایت چیزی جز ریاضیات نیستند، و ریاضی قابل ثبت اختراع نیست.

 

ü   تفاوت اصلی میان اختراع (Invention) و نوآوری (Innovation) همین است:

«اختراع یعنی کشف یک روش یا الگوریتم جدید؛اما نوآوری یعنی تبدیل آن کشف به محصولی پایدار با بازار، توزیع، و سود اقتصادی».

بنابراین آزمون واقعی هوش مصنوعی این نیست که آیا می‌توانیم چیز جدیدی بسازیم، بلکه اینکه آیا می‌توانیم آن را در بطن سیستم‌های کسب‌وکار جاسازی کنیم تا ارزش واقعی تولید کند.از آنجا که همکاری متن‌باز و حمایت دولت‌ها در حال گسترش است، AI روزبه‌روز در دسترس‌تر و ارزان‌تر می‌شود.

 

در نهایت، هیچ‌کس مالک انحصاری آن نخواهد بود.ارزش واقعی در ساخت AI نیست — در استفاده از آن است.در کاربردها، نه در مدل‌ها.

AI در حال حرکت به سمت Edge Computing است — یعنی از فضای ابری به دستگاه‌های شخصی. در نسخه‌های جدید، برخی مدل‌های LLaMA متا روی لپ‌تاپ‌ها اجرا می‌شوند و Apple Intelligence به طور مستقیم در آیفون‌ها تعبیه شده است.

این همان مسیری است که رایانش ابری طی کرد.در ابتدا، سرمایه‌گذاران برزیرساخت‌ها AWS، Azure، Google Cloud تمرکز کردند،اما با گذر زمان، برندگان واقعی شرکت‌هایی بودند که ابر را در فرآیندهای تجاری تعبیه کردند.

طبق پیش‌بینی گلدمن ساکس، تا سال ۲۰۳۰ بازار زیرساخت ابری ۵۸۰ میلیارد دلار خواهد بود،در حالی که بازار نرم‌افزارهای مبتنی بر ابر ۱.۳۸ تریلیون دلار خواهد شد.
AI نیز به همین مسیر خواهد رفت. بنابراین، شرکت‌هایی که بتوانند مدل‌ها را به کاربردهای واقعی، قابل اندازه‌گیری و پایدار تبدیل کنند، ارزش‌آفرین خواهند بود — نه صرفاً تولیدکنندگان مدل.

 

 

*این مقاله با محوریت تجربیات ایالات متحده، یکی از کشورهای پیشرفته در اجرای انقلاب صنعتی چهارم و پنجم، تدوین شده است؛ کشوری که به‌واسطه برخورداری از زیرساخت‌های داده، کلاد و شبکه‌های هوشمند، توانسته پیش از فراگیری کامل هوش مصنوعی، آثار ملموس آن بر بهره‌وری و کارایی را مشاهده کند. در مقابل، کشورهایی مانند ایران هنوز فاقد بخشی از زیرساخت‌های پایه‌ای لازم برای تحقق چنین تحولی هستند؛ از جمله زیرساخت ارتباطی پایدار، مراکز داده مقیاس‌پذیر، حاکمیت داده و بسترهای هوشمندسازی فرایندها. بنابراین، پیش از الگوبرداری از مدل‌های کشورهای توسعه‌یافته، ضروری است بر ایجاد حداقل‌های فنی و سازمانی در حوزه داده، کلاد و شبکه‌های هوشمند تمرکز شود تا مسیر تحول دیجیتال و بهره‌وری واقعی هموار گردد.

 

 

آدرس مطلب:

https://hbr.org/2025/06/the-ai-revolution-wont-happen-overnight