رشد هوش مصنوعی و ترک‌هایی که در بافت فرهنگ فناوری نمایان شده‌است

گزارش‌های تازه نشان می‌دهد شرکت‌های بزرگ و متوسط در سال ۲۰۲۵ روی هم حدود ۳۰۰ میلیارد دلار برای هوش مصنوعی کنار می‌گذارند؛ رقمی که دو برابر کل هزینه‌کرد پنج سال پیش است. مدیران در تماس‌های دوره‌ای با سهام‌داران مدام وعده می‌دهند که هوش مصنوعی موتور بهره‌وری و جریان‌های تازه درآمد خواهد بود، اما کمتر کسی از بازطراحی فرهنگی سخن می‌گوید که بستر اجرای این وعده‌هاست.

تجربهٔ اینترنت و SaaS در دههٔ گذشته ثابت کرده هر فناوری برتری که روی زیربنای نامناسب سوار شود در بهترین حالت بهره‌ای نصفه‌نیمه خواهد داشت و در بدترین حالت آن فناوری را نیز به بدنامی می‌کشاند.

سه زخم عمیق در فرهنگ فناوری

نخست اینکه تیم‌های فنی بر پایه تعداد خطوط کد، اسپرینت بسته‌شده یا استوری تکمیل‌شده ارزیابی می‌شوند، نه اثری که آن کد بر مسیر کسب‌وکار می‌گذارد. چنین سنجه‌هایی مهندس را به تولید انبوه خروجی سوق می‌دهد و فضا برای آزمون راه‌حل‌های خلاقانه تنگ می‌شود.
دوم آنکه بسیاری از مدیران میانی در مسیر ترفیع، خود را از فرایند ساخت کنار می‌کشند و به درگاه تایید و امضا تبدیل می‌شوند. تصمیم‌گیری لایه‌لایه نه تنها سرعت را می‌کاهد بلکه حس مالکیت را از تیم سلب می‌کند.
سوم، رهبران ارشد از ترس جا ماندن پشت صف رقبا سرگرم افزودن لایه‌های هوش مصنوعی به سامانه‌های کهنه‌اند. این نگرش تدافعی به جای بازآفرینیِ محصولات، مجموعه‌ای از تکه‌کاری‌های اتوماسیون به جا می‌گذارد که نه هزینه را درست کم می‌کند و نه تجربهٔ مشتری را دگرگون.

ضرورت بازسازی از ریشه

افزودن ابزارهای زبانی مولد یا موتورهای پیش‌بینی به گردش کار قدیمی شبیه چسب‌زدن ترک بتن است. سازمانی که سلسله‌مراتب سنگین و سیاست‌محور دارد نمی‌تواند چرخهٔ یادگیری هفتگی یا حتی روزانهٔ مدل‌های هوش مصنوعی را تاب بیاورد. سرعت تغییر نسخهٔ مدل، نیاز به دادهٔ برچسب‌خورده، و چرخهٔ بازخورد مکرر به تیم‌هایی متکی است که اختیار تصمیم دارند و از آزمون‌های شکست‌خورده نمی‌ترسند.

تجسم یک معماری سازمانی تازه

در عمل، شرکت‌هایی که از بحران عبور کرده‌اند سه اصلاح بنیادین انجام داده‌اند. نخست، دوره‌های الهام‌بخش سالانه را به چرخهٔ ایده‌پردازی مداوم تبدیل کرده‌اند؛ یعنی تیم محصول و مهندسی هر ماه یک روز برای ساخت نمونه‌های اولیه کنار می‌گذارد و بهترین ایده‌ها مستقیماً به مسیر تولید وارد می‌شود.

دوم، نقش «مدیر» را به «سازنده» بدل کرده‌اند؛ کسی که دست‌کم نیمی از هفته را به کدنویسی، آزمایش مدل یا تحلیل داده می‌گذراند و همراه تیم به حل مسئله می‌پردازد.

سوم، واحدهای متقاطع کوچک شکل داده‌اند: پنج تا هفت نفر از طراحی تا تضمین کیفیت در یک جریان یکپارچه با مالکیت سر تا سر. چنین چیدمانی ابهام مسئولیت را از میان می‌برد و زمان تحویل را از ماه به هفته کاهش می‌دهد.

یکپارچه‌سازی هوش مصنوعی با سامانهٔ توسعه

چرخهٔ سنتی تحلیل–طراحی–کدنویسی–آزمایش جای خود را به روند موازی داده–آزمایش–بهبود داده است. در نمونه‌ای که اخیراً در یک پلتفرم یادگیری الکترونیک اجرا شد، تیم صاحب محصول داده‌های رفتاری را هر ۲۴ ساعت در مخزن ویژگی تازه‌سازگار می‌کرد، نسخهٔ مدل را بلافاصله آموزش می‌داد و پیش‌بینی‌گر تازه ظرف ۴۸ ساعت آنلاین می‌شد.

چنین سرعتی فقط وقتی ممکن است که ابزار خودکار تضمین حریم خصوصی، کانال بازخورد بلادرنگ و اختیار مهندسان برای تغییر مسیر بدون گرفتن صدور دستور رسمی فراهم باشد.

نیروی کار چند نسلی؛ فرصت و نه تهدید

بر خلاف تصور رایج، اختلاف تجربه می‌تواند شتاب‌دهنده باشد. مهندسان جوان که با چارچوب‌های منبع‌باز هوش مصنوعی بزرگ شده‌اند در کنار کارکُشته‌هایی که زیرساخت‌های شرکت را می‌شناسند، دیدگاه تازه و ثبات معماری را توأمان می‌آورند.

شرکت‌هایی که این تلفیق را با برنامهٔ منتورینگ معکوس و جفت‌سازی پروژه‌ای هدایت می‌کنند، سریع‌تر الگوهای بهینه را پیدا می‌کنند و ریسک دوباره‌کاری را پایین می‌آورند.

نشانه‌های موفقیت در اقتصاد هوش مصنوعی

زمان چرخهٔ ایده تا آزمایش به زیر چهار هفته می‌رسد؛ نسبت کد حذف‌شده به کد افزوده بالا می‌رود، که نشان می‌دهد تیم‌ها از بازنویسی نمی‌ترسند؛ و مهم‌تر از همه، اثر مستقیم قابلیت‌های هوش مصنوعی در سنجه‌های درآمد یا رضایت کاربر نمودار می‌شود، نه تعداد API تازه یا گزارش پاورپوینت.

کلام آخر

شرکت‌هایی که امروز به جای وصله‌پینه، از نو فرهنگ خویش را پیرامون روحیهٔ سازندگی، اختیار تیمی و تنوع نسلی سازمان می‌دهند، همان‌هایی خواهند بود که فردا هوش مصنوعی را فراتر از شعار تبدیل به مزیت رقابتی پایدار می‌کنند. سرمایه مالی لازم است، اما سرمایه فرهنگی عامل ماندگاری است. در دوره‌ای که مدل‌های زبانی هر سه ماه جهشی تازه می‌کنند، سازمان‌هایی می‌مانند که پیش از هجوم تغییر، بنای خویش را مقاوم کرده باشند.