هوش مصنوعی را به‌گونه‌ای طراحی کنید که واقعاً توان استدلال انسان را تقویت کند
نویسندگان: ملشور تامیزیه‌ـ‌فایار، تئودوروس اوگنیو و آن‌لور فایار
منبع اصلی: Harvard Business Review، ۲۰ ژوئیه ۲۰۲۶
حوزه موضوعی: هوش مصنوعی مولد، تفکر انتقادی و طراحی سازمان
(این متن توسط هوش مصنوعی، چت جی بی تی، آماده شده است-همراه با ویرایش)
خلاصه
پژوهش‌های حوزه مدیریت، علوم شناختی و تعامل انسان و رایانه نشان می‌دهند که کاربران اغلب خروجی‌های تولیدشده به‌وسیله هوش مصنوعی را بدون ارزیابی انتقادی می‌پذیرند. این رفتار می‌تواند به واگذاری فرایندهای شناختی به فناوری، تضعیف تخصص مبتنی بر شناخت زمینه و همگن‌شدن تدریجی تفکر منجر شود. این خطرها زمانی تشدید می‌شوند که سازمان‌ها فرصت کسب تجربه و پرورش قضاوت مستقل را، به‌ویژه برای کارکنان تازه‌کار، کاهش می‌دهند. مدیران به‌جای تمرکز صرف بر بهره‌وری و کاهش هزینه، باید نظام‌ها و فرایندهای کاری مبتنی بر هوش مصنوعی را به‌گونه‌ای طراحی کنند که استدلال انسانی را تقویت کنند. هدف آن است که هوش مصنوعی به حفظ استقلال فکری، تعمیق تخصص و تداوم تنوع دیدگاه‌ها کمک کند؛ عواملی که برای سازگاری، نوآوری و رقابت‌پذیری بلندمدت سازمان ضروری‌اند.
هوش مصنوعی چگونه بر شیوه تفکر ما اثر می‌گذارد؟
بیشتر سازمان‌ها اهمیت برخورداری از کارکنانی را درک می‌کنند که صرفاً دستورها را اجرا نمی‌کنند یا به‌کارگیری قواعد را در پیش نمی‌گیرند. متفکران انتقادی پرسش مطرح می‌کنند و فرضیات را به چالش می‌کشند؛ رفتارهایی که برای چابکی سازمانی و نوآوری اهمیت اساسی دارند. بااین‌حال، شواهد فزاینده نشان می‌دهد که استفاده از هوش مصنوعی می‌تواند این توانایی را تضعیف کند.
برای کمک به سازمان‌ها در مواجهه با این مسئله، ما بر پژوهش‌های موجود در حوزه مدیریت ــ از جمله برخی پژوهش‌های خودمان ــ، علوم شناختی، تعامل انسان و رایانه و مطالعات مربوط به کار و فناوری در سازمان‌ها تکیه کرده‌ایم. همچنین با مدیران اجرایی شرکت‌هایی که رویکردهای مختلفی را در این زمینه آزمایش می‌کنند، مصاحبه کرده‌ایم. بر این اساس، رویکردی برای طراحی، پیاده‌سازی و به‌کارگیری هوش مصنوعی ارائه می‌کنیم که در بلندمدت، تنوع دیدگاه‌ها و تفکر انتقادی را تقویت کند.
سازمان‌ها باید بر دو خطر اصلی ناشی از تضعیف تفکر انتقادی تمرکز کنند: از دست رفتن تخصص و کاهش تکثر معرفتی. این خطرها می‌توانند توانایی سازمان برای حفظ چابکی و نوآوری را آسیب‌پذیر کنند.
رهبران باید بپذیرند که فناوری خنثی نیست و ممکن است شیوه‌های تفکر و تعامل ما را به شکل منفی تحت تأثیر قرار دهد. بنابراین، لازم است از منافع کوتاه‌مدت ــ مانند وعده افزایش بهره‌وری و کاهش هزینه‌ها ــ فراتر روند. آنان باید کاربران را تشویق کنند قابلیت‌های فناوری را اموری بدیهی و تغییرناپذیر ندانند و از طریق آزمایش و تجربه، هوش مصنوعی را شکل دهند؛ نه اینکه خود صرفاً تحت تأثیر آن شکل بگیرند.
واگذاری فرایندهای شناختی و تضعیف تخصص
حتی پیش از گسترش انفجاری هوش مصنوعی مولد، مطالعات متعددی نشان داده بودند که اتکای بی‌چون‌وچرا به ابزارهای تحلیلی می‌تواند به تضعیف تخصص حرفه‌ای منجر شود. برای مثال، مطالعه قوم‌نگارانه کالن آنتونی در سال ۲۰۲۱ درباره بانکداران سرمایه‌گذاری نشان داد که پدیده‌ای موسوم به «جعبه‌سیاه‌شدن» ابزارها ــ یعنی اعتماد کارکنان به خروجی ابزارهای تحلیلی بدون درک چگونگی عملکرد آن‌ها ــ می‌تواند موجب از دست رفتن تخصص شود.
مطالعات جدیدتر نیز حاکی از آن‌اند که استفاده از هوش مصنوعی ممکن است توانایی افراد برای پرسشگری درباره اطلاعات دریافتی را مختل کند. این موضوع نگرانی‌هایی را درباره «واگذاری شناختی» و حتی «تسلیم شناختی» برانگیخته است.
مطالعه آزمایشگاه رسانه‌ای مؤسسه فناوری ماساچوست (MIT Media Lab) در سال ۲۰۲۵ که هزینه‌های شناختی استفاده از مدل‌های زبانی بزرگ را بررسی کرد، و مطالعه دانشگاه پنسیلوانیا در سال ۲۰۲۶ در مدرسه وارتون درباره تأثیر معرفی هوش مصنوعی به‌عنوان سومین نظام شناختی، هر دو نشان می‌دهند که کاربران هوش مصنوعی تمایل کمتری به پرسشگری درباره خروجی‌های آن و تحقیق مستقل برای بررسی درستی این خروجی‌ها دارند.
هرچند هنوز برای تعیین آثار بلندمدت هوش مصنوعی بر شناخت انسان زود است، این پژوهش‌ها نشانه‌های روشنی از تأثیر استفاده از هوش مصنوعی بر قابلیت‌های سازمانی ارائه می‌کنند.
نخست آنکه بسیاری از پژوهشگران نگران‌اند استفاده از هوش مصنوعی به جدا شدن تخصص از زمینه و بافت واقعی کاربرد آن در سازمان‌ها بینجامد. استدلال اصلی این است که هوش مصنوعی می‌تواند به‌راحتی به واقعیت‌ها و داده‌ها دسترسی پیدا کند، اما لزوماً قادر نیست دانش را در بستر مناسب تفسیر و به‌صورت معنادار به کار گیرد.
داده‌ها اغلب حاوی ظرافت‌هایی هستند که تنها افرادی قادر به تشخیص آن‌ها هستند که از شهود، عواطف و تجربه زیسته در حوزه‌های تخصصی مختلف برخوردارند. ما در داده‌ها چیزهایی را مشاهده می‌کنیم که ریشه در تجربه مستقیم ما از موضوع و زمینه‌ای دارد که داده‌ها را در آن درک می‌کنیم. از آنجا که هوش مصنوعی الگوریتمی است و تجربه مستقیمی از داده‌ها ندارد، ممکن است این ظرافت‌ها را نادیده بگیرد.
برای مثال، اینکه یک سامانه هوش مصنوعی بتواند در آزمون وکالت موفق شود، به این معنا نیست که تمام ظرافت‌های نظام عدالت، ذی‌نفعان آن، تفاوت در نحوه رسیدگی به پرونده‌های گوناگون و دلایل این تفاوت‌ها یا ارتباط تخصص‌های دیگر با حقوق را درک می‌کند.
این جدایی تخصص حقوقی از زمینه واقعی آن خطرآفرین است؛ زیرا وکلایی که بدون درک پرونده مشخص و پیچیدگی‌های نظام قضایی به تخصص هوش مصنوعی تکیه می‌کنند، ممکن است شواهد را نادرست تفسیر کنند و مرتکب اشتباه شوند.
در واقع، یک مطالعه جدید نشان می‌دهد که اتکا به هوش مصنوعی، اهمیت حضور افرادی را افزایش می‌دهد که به‌واسطه تخصص حوزه‌ای خود بتوانند خروجی‌های هوش مصنوعی را اعتبارسنجی کنند، با شرایط جدید سازگار شوند و مسائل احتمالی آینده را پیش‌بینی کنند.
نگرانی دیگر آن است که سازمان‌ها برای کاهش هزینه‌ها، مشاغل ورودی و ابتدایی را حذف کنند و در آینده نزدیک، ذخیره نیروی انسانی‌ای را از دست بدهند که قرار است مدیران میانی آینده را تشکیل دهد؛ افرادی که سازمان‌ها اکنون برای درک زمینه‌ای مسائل به آن‌ها متکی هستند.
همگن‌شدن تفکر و کاهش تنوع دیدگاه‌ها
علاوه بر این، هوش مصنوعی تفکر همگن را تشویق می‌کند. چندین مطالعه نشان داده‌اند که مدل‌های زبانی بزرگ تمایل دارند تنوع ایده‌ها را کاهش دهند. بخشی از این مسئله به آن بازمی‌گردد که مدل‌ها به نخستین ایده تولیدشده گرایش پیدا می‌کنند و به سمت ارائه پاسخ‌های میانگین و متعارف سوگیری دارند.
این وضعیت کاربران را به نادیده گرفتن اطلاعات غیرمنتظره یا پیش‌بینی‌نشده سوق می‌دهد؛ درحالی‌که همین عناصر غیرمنتظره هستند که زمینه‌ساز بینش‌های خلاقانه می‌شوند.
در نتیجه، استفاده از هوش مصنوعی مولد ممکن است به شکل‌گیری فرهنگ‌های فکری تک‌محصولی یا همگن در سازمان‌ها منجر شود؛ فرهنگ‌هایی که فاقد تنوع تجربه‌ها و دیدگاه‌های لازم برای نوآوری هستند. این وضعیت می‌تواند چابکی سازمان را نیز کاهش دهد، زیرا کارکنان احتمالاً نشانه‌های محیطی حاکی از ضرورت تغییر را کمتر تشخیص خواهند داد.
چگونه می‌توان این خطرها را کنترل کرد؟ ادبیات پژوهشی غنی و توسعه‌یافته‌ای درباره کار و فناوری در سازمان‌ها وجود دارد که پاسخ‌های بالقوه‌ای برای این پرسش ارائه می‌کند. در این ادبیات، فناوری پدیده‌ای تلقی می‌شود که همواره از طریق تفسیر کاربران معنا پیدا می‌کند و ماهیتی زمینه‌مند دارد؛ بنابراین، کاربران می‌توانند آن را با شرایط و نیازهای خود سازگار کنند.
چگونه انسان‌ها می‌توانند هوش مصنوعی را شکل دهند؟
روایت‌های رایج درباره هوش مصنوعی مولد معمولاً آن را ابزاری واحد با رابطی شبیه چت‌بات معرفی می‌کنند؛ ابزاری که افراد از آن سؤال می‌پرسند و پاسخ دریافت می‌کنند. در این روایت‌ها تأکید می‌شود که برای دریافت پاسخ‌های بهتر باید شیوه نگارش دستورها یا پرامپت‌ها را بیاموزیم و بیشتر از این فناوری استفاده کنیم.
یادگیری طرح پرسش‌های بهتر ایرادی ندارد، اما این اقدام به‌تنهایی خطرهای مورد بحث را به‌طور معناداری کاهش نمی‌دهد. برای این منظور، باید فناوری را نه صرفاً ابزاری برای دریافت پاسخ، بلکه بخشی از یک نظام بدانیم که انسان‌ها می‌توانند آن را شکل دهند. این امر مستلزم طراحی محیط‌های کاری مبتنی بر هوش مصنوعی است که عاملیت و نقش راهبری انسان را حفظ کنند.
با اتکا به نتایج آزمایش‌های سازمان‌هایی که مطالعه کرده‌ایم یا با آن‌ها همکاری داشته‌ایم، سه رویکرد برای تحقق این هدف پیشنهاد می‌کنیم.
رویکرد نخست: نقش هوش مصنوعی را وارونه کنید
فیلسوف یونانی، سقراط، با طرح پرسش از پیروان خود آن‌ها را به سمت یافتن مستقل پاسخ یک مسئله فلسفی هدایت می‌کرد؛ یا در برخی موارد، کمک می‌کرد نادانی خود را بپذیرند. می‌توان همین رویکرد را در تعامل با هوش مصنوعی به کار گرفت.
نمونه اول: چالش «Prompt with Me» در شرکت آسترازنکا
شرکت بزرگ داروسازی آسترازنکا در اوت ۲۰۲۵ برنامه‌ای ۱۰روزه متشکل از تمرین‌های کوتاه راه‌اندازی کرد تا کارکنان را به آزمایش هوش مصنوعی و تقویت توانایی تفکر انتقادی تشویق کند.
بیش از ۱۵۰۰ نفر از سراسر شرکت در این برنامه شرکت کردند. آنان نه‌تنها یاد گرفتند چگونه دستورهای بهتری به هوش مصنوعی بدهند، بلکه مهم‌تر از آن، آموختند چگونه پرسش‌ها و دستورهایی مطرح کنند که به یادگیری بیشتر و بررسی عمیق‌تر موضوعات بینجامد.
بازخورد شرکت‌کنندگان نشان داد که این چالش به بازتعریف رابطه آنان با هوش مصنوعی کمک کرده است. یکی از شرکت‌کنندگان گفت: این رویکرد، زوایای تازه‌ای را آشکار کرد، فرضیاتم را به چالش کشید و مرا به خوداندیشی درباره گفت‌وگوهای پیش رو ترغیب کرد.
در مصاحبه با نویسندگان این مقاله، دکتر بانی چوک، مدیر جهانی توسعه قابلیت‌ها در آسترازنکا، و دکتر ماچئی شیمَشِک، رئیس راهبرد و نوآوری در حوزه هوش مصنوعی سازمانی، توضیح دادند که این چالش به‌سرعت در سازمان گسترش یافت و تیم‌ها و واحدهای مختلف در آن مشارکت کردند. آن‌ها همچنین این برنامه را متناسب با گردش‌کارها، وظایف و ابزارهای هوش مصنوعی خود تغییر دادند.
طرح آزمایشی اولیه در سال ۲۰۲۵ موفق به دریافت جایزه نقره‌ای براندون هال شد. یک سال پس از راه‌اندازی، این برنامه در بیش از ۵۰ تیم و واحد سازمانی به کار گرفته شده بود و هزاران نفر تمرین‌های آن را به پایان رسانده بودند.
نمونه دوم: هکاتون هوش مصنوعی BUILD2GETHER با محوریت اهداف توسعه پایدار
چند ماه پیش، گروهی از پژوهشگران مؤسسه فناوری فدرال زوریخ (ETH Zürich) و دانشگاه فناوری نانیانگ سنگاپور (NTU Singapore)، کاربرد هوش مصنوعی را در یک هکاتون ۲۴ساعته بررسی کردند. این رویداد که در مؤسسه آموزشی سایرام برگزار شد، نزدیک به ۲۰۰۰ شرکت‌کننده در قالب تقریباً ۵۰۰ تیم داشت.
تیم‌ها برای پیشنهادهای پروژه‌ای خود، با هدف کمک به سازمان ملل متحد در تحقق اهداف توسعه پایدار، انواع متفاوتی از بازخورد هوش مصنوعی را دریافت کردند.
نیمی از تیم‌ها بازخوردهایی دریافت کردند که به آن‌ها نشان می‌داد چگونه ایده‌های خود را برای انطباق بهتر با اهداف ازپیش‌تعیین‌شده بهبود دهند. نیم دیگر بازخوردهایی دریافت کردند که هم‌پوشانی و تکرار میان پیشنهادهای آنان و پروژه‌های در حال اجرا را مشخص می‌کرد و آن‌ها را به آزمودن ایده‌های جایگزین تشویق می‌کرد.
گروه پژوهشی دریافت که وقتی هوش مصنوعی از گروه دوم می‌خواست پیشنهادهای خود را به پرسش بگیرند و میان عناصر نوآورانه و مواردی که از قبل وجود داشتند تمایز قائل شوند، این تیم‌ها مجموعه گسترده‌تری از ایده‌های نوآورانه ارائه کردند.
درس این دو نمونه روشن است: هوش مصنوعی همیشه نباید در نقش ارائه‌دهنده پاسخ ظاهر شود. گاهی ارزشمندترین کاربرد آن، به چالش کشیدن فرضیات، آشکار کردن نقاط کور و واداشتن کاربران به اندیشیدن عمیق‌تر است.
رویکرد دوم: جایگاه و زمان مناسب استفاده از هوش مصنوعی را تشخیص دهید
هنگام تدوین چارچوب حکمرانی هوش مصنوعی، شرکت‌ها معمولاً بر شناسایی حوزه‌هایی تمرکز می‌کنند که امکان پیاده‌سازی هوش مصنوعی در آن‌ها وجود دارد. اما بهتر است بررسی کنند که هوش مصنوعی کجا و چه زمانی نباید به کار گرفته شود.
در این زمینه، سه اقدام پیشنهاد می‌کنیم.
۱. فضاهایی بدون هوش مصنوعی برای تفکر آزاد ایجاد کنید
این راهبرد از ابتکارهای گذشته برای مقابله با اضافه‌بار ایمیل الهام می‌گیرد. برای نمونه، شرکت اینتل در سال ۲۰۰۷ طرح آزمایشی‌ای را با گروهی از مهندسان اجرا کرد تا با اضافه‌بار اطلاعاتی کارکنان مقابله کند. در این طرح، مهندسان تشویق می‌شدند یک روز در هفته از ایمیل استفاده نکنند. شرکت‌های دیگری مانند دلویت و یو.اس. سلولار نیز پیش‌تر برنامه‌هایی برای اختصاص روز یا هفته‌ای بدون ایمیل آزمایش کرده بودند.
به همین ترتیب، سازمان‌ها و مدیران می‌توانند کارکنان را تشویق کنند در بازه‌های زمانی مشخص از ابزارهای هوش مصنوعی مولد استفاده نکنند. راهکار دیگر، طراحی «رابط‌های مرحله‌ای» است؛ رابط‌هایی که تنها پس از ثبت و ارائه تحلیل اولیه و زمینه موردنظر از سوی کاربر، امکان دریافت کمک هوش مصنوعی را فعال می‌کنند. این پیشنهاد را چنگ‌وی لیو و همکارانش نیز در مقاله‌ای اخیر در هاروارد بیزینس ریویو مطرح کرده‌اند.
گروه دیگری از پژوهشگران نیز گزارش کرده‌اند که یک شرکت مخابراتی استرالیایی، مدیران میانی خود را ملزم کرده است پیش از استفاده از ابزارهای هوش مصنوعی، در نشست‌های راهبردی بدون هوش مصنوعی شرکت کنند. در این نشست‌ها، مدیران باید ابتدا بر مبنای قضاوت و تجربه خود به ایده‌پردازی و تدوین برنامه‌های راهبردی بپردازند.
هدف از این رویکرد، کنار گذاشتن دائمی فناوری نیست؛ بلکه حفظ فرصتی برای شکل‌گیری تفکر مستقل، پیش از ورود پیشنهادهای تولیدشده به‌وسیله هوش مصنوعی است.
۲. عاملیت انسانی را در مرکز قرار دهید
فناوری در راهبردهای کنونی توسعه و رشد چنان جایگاهی پیدا کرده است که گاهی بر تصمیم‌ها و ساختارهای سازمانی تسلط می‌یابد و استفاده از آن دیگر زیر سؤال نمی‌رود.
اطمینان از اینکه انسان‌ها بتوانند فناوری را شکل دهند، با فراهم کردن فرصت توسعه تخصص و دانش زمینه‌ای برای کارکنان آغاز می‌شود؛ به‌ویژه کارکنان تازه‌کار. یکی از راه‌های تحقق این هدف آن است که انجام برخی وظایف مشخص، بدون استفاده از ابزارهای هوش مصنوعی، الزامی شود.
به پژوهش کالن آنتونی درباره بانکداران تازه‌کار توجه کنید. او دریافت افرادی که از طریق انجام مستقل کارها فرایند را می‌آموختند، توانایی بیشتری برای اجرای وظایف داشتند. این افراد احتمال بیشتری داشت که اشتباهات را تشخیص دهند و راه‌حل‌های جایگزین پیشنهاد کنند.
درک فرایندها فقط برای کارکنان تازه‌کار اهمیت ندارد؛ مدیران میانی و ارشد نیز به آن نیاز دارند.
آنتونی در میان بانکداران ارشد نیز تفاوت‌هایی مشاهده کرد. گروهی فناوری‌های الگوریتمی را صرفاً ابزارهایی برای تولید خروجی تلقی می‌کردند و در نتیجه، تخصص خود را تضعیف می‌کردند. در مقابل، گروهی دیگر می‌کوشیدند فناوری‌های مختلف مورد استفاده را بشناسند و درک کنند که این فناوری‌ها چگونه بر کارشان اثر می‌گذارند.
گروه دوم توانستند تخصص خود را عمیق‌تر کنند و تعامل معنادارتری با تحلیلگران جوان داشته باشند. آن‌ها از تحلیلگران می‌خواستند انتخاب ابزارهایشان را توجیه کنند و فرضیات و محاسبات پشت اعداد ارائه‌شده را توضیح دهند.
در سطحی گسترده‌تر، مطالعات مربوط به فناوری و کار نشان داده‌اند که پیاده‌سازی مؤثر فناوری‌های جدید مستلزم بازطراحی فرایندهای کاری بر مبنای دانش و تجربه کارکنان است.
نمونه‌ای از این رویکرد را می‌توان در گزارشی از گروهی از کارشناسان، با حمایت وزارت کار اسپانیا، مشاهده کرد که بر اهمیت مشارکت کارکنان شرکت‌ها در گفت‌وگوهای مربوط به پیاده‌سازی هوش مصنوعی تأکید می‌کند.
۳. پردازش موازی را به کار بگیرید
در برخی موقعیت‌ها، مفید است که هوش مصنوعی و یک تیم انسانی، یک وظیفه واحد را به‌طور مستقل و هم‌زمان انجام دهند. سپس می‌توان نتایج دو مسیر را بررسی کرد و به خروجی‌ای ترکیبی رسید که از قابلیت‌های هر دو بهره می‌گیرد.
برای مثال، شرکت مشاوره طراحی تحول‌آفرین وید کامپنی(With Company)، مستقر در لیسبون، در پروژه‌های راهبردی و خلاقانه خود پردازش موازی را آزمایش کرده است.
در یکی از آزمایش‌های اولیه این شرکت در سال ۲۰۲۴، دو تیم به‌طور موازی روی یک چالش طراحی برند برای یک کسب‌وکار نوپا کار کردند. یک تیم از فرایند سنتی‌تر طراحی استفاده کرد و تیم دیگر به‌شدت بر گردش‌کارهای پشتیبانی‌شده با هوش مصنوعی تکیه داشت.
تیم مبتنی بر هوش مصنوعی پیش از رسیدن به پیشنهاد نهایی، نزدیک به ۱۷۰۰ تصویر تولید کرد. این کار فضای جست‌وجوی ایده‌ها را به‌شدت گسترش داد و فرایند واگرایی و بررسی گزینه‌های متفاوت را سرعت بخشید.
در مقابل، تیم انسانی مسیرهای کمتری را توسعه داد، اما از همان ابتدا به انسجام بیشتر، روایت‌های روشن‌تر و درک دقیق‌تری از زمینه دست یافت.
در نهایت، پیشنهاد تیم انسانی انتخاب شد. بااین‌حال، درس کلی این تجربه برای وید کامپنی آن بود که پردازش موازی تفاوت نقاط قوت هوش مصنوعی و تیم‌های انسانی را در مراحل مختلف فرایند خلاقیت آشکار می‌کند.
هوش مصنوعی برای پیاده‌سازی متن، ترکیب و خلاصه‌سازی اطلاعات، کاوش سریع و گسترش دامنه گزینه‌ها مفید بود؛ اما چارچوب‌بندی مسئله، اولویت‌بندی و قضاوت همچنان به تفسیر انسانی و درک زمینه وابستگی زیادی داشت.
از آن زمان، وید کامپنی آزمایش پردازش موازی را در پروژه‌های متعدد ادامه داده است.
رویکرد سوم: رابط‌های کاربری متفاوتی را امتحان کنید
بسیاری از مدل‌های هوش مصنوعی مولد و مدل‌های زبانی بزرگ بر مبنای طراحی چت‌بات ارائه می‌شوند؛ طراحی‌ای که در اغلب موقعیت‌ها، تعامل را به شکل «پرسش و پاسخ» درمی‌آورد.
پاسخ معمولاً متنی طولانی است که کاربر باید آن را بخواند، میان نکات فهرست‌شده جست‌وجو کند و اطلاعات موردنظر خود را از دل آن بیرون بکشد. بااین‌حال، این نوع رابط برای همه موقعیت‌ها مناسب نیست.
در عمل، گفت‌وگوی چت‌بات گاهی به مکالمه‌ای آشفته تبدیل می‌شود. برای مثال، ممکن است یک کارمند اداری که با حجم انبوهی از اطلاعات روبه‌رو شده است، متن طولانی تولیدشده به‌وسیله هوش مصنوعی را ساده‌سازی، بازسازی و تفسیر مجدد کند. سپس هوش مصنوعی نیز به تفسیر دوباره او پاسخی می‌دهد که از نظر ساختاری، همان برداشت کارمند را بازتولید می‌کند. به این ترتیب، به‌جای رفع ابهام، سردرگمی موجود تقویت می‌شود.
پژوهش‌های حوزه تعامل انسان و رایانه، این تصور را به چالش کشیده‌اند که صفحه‌کلید و ماوس تنها راه تعامل با رایانه هستند. به همین ترتیب، می‌توان این فرض را نیز زیر سؤال برد که هوش مصنوعی باید صرفاً یک چت‌بات باشد.
در یکی از مقالات اخیر پیشنهاد شده است که از رابط‌های کاربری کاملاً روان و بدون اصطکاک فاصله بگیریم و رابط‌هایی بسازیم که داده‌های خام و شواهد رقیب را در اختیار کاربران قرار می‌دهند. چنین طراحی‌ای کاربران را وادار می‌کند گزینه‌های پیشنهادی را بررسی کنند، شواهد را بسنجند و درباره جایگزین‌ها به داوری بپردازند.
شواهد تجربی نشان می‌دهد رابط‌های پیچیده‌تر از این نوع، در حوزه‌هایی مانند ریاضیات و برنامه‌نویسی ــ که کاربران آن‌ها از پیش متخصص هستند ــ عملکرد مناسبی دارند.
برای مثال، گوگل خاطرنشان کرده است که رابط‌های گفت‌وگومحور کنونی، از فرایند پیچیده، چندبعدی و تکرارشونده پژوهش ریاضی پشتیبانی کافی نمی‌کنند. این شرکت برای رفع این محدودیت، ابزار «هوش مصنوعی هم‌ریاضی‌دان» (AI Co-mathematician) را توسعه داده است.
این ابزار با رابطی انعطاف‌پذیر طراحی شده تا به ریاضی‌دانان در توسعه مسیرهای پژوهشی کمک کند و هم‌زمان، امکان بررسی صحت اثبات‌ها و شناسایی خطاها را فراهم آورد.
این ابزار با ارائه نظامی برای حاشیه‌نویسی و نمایش مراحل مختلف استدلال، می‌تواند از فرایند تکرارشونده ریاضی بهتر پشتیبانی کند و روند استدلال را برای کاربر آشکارتر سازد.
ابزارهایی از این دست نشان می‌دهند که هوش مصنوعی لزوماً نباید همان چت‌بات عمومی و یکسانی باشد که امروزه اغلب از آن استفاده می‌کنیم.
فراتر از هیجان‌زدگی درباره هوش مصنوعی
با ادامه گسترش هوش مصنوعی در سازمان‌ها، مدیران باید از هیجان‌زدگی و روایت‌های اغراق‌آمیز فراتر بروند و نگاهی جامع و متوازن به نحوه استفاده از آن در سازمان داشته باشند.
برای آنکه کارکنان بتوانند به تولیدکنندگان فعال دانش تبدیل شوند، ضروری است سازمان‌ها آزمایش‌های راهبردی و هدفمند با هوش مصنوعی انجام دهند. هدف از این آزمایش‌ها باید شناسایی شیوه‌هایی باشد که از طریق آن‌ها فناوری می‌تواند از کار پشتیبانی کند، تخصص را حفظ کند و تفکر متنوع را پرورش دهد.
هوش مصنوعی باید توانمندی انسان‌ها را افزایش دهد، نه اینکه جای آن‌ها را بگیرد.
درباره نویسندگان
ملشور تامیزیه‌ـ‌فایار (Melchior Tamisier-Fayard) پژوهشگر مستقل و دانشجوی ورودی دوره دکتری مدیریت و رفتار سازمانی در مدرسه کسب‌وکار اسسک (ESSEC) در فرانسه است.
تئودوروس اوگنیو (Theodoros Evgeniou) استاد مؤسسه اروپایی مدیریت کسب‌وکار (INSEAD) و از بنیان‌گذاران شرکت ترمو (Tremau) در حوزه اعتماد و ایمنی و شرکت مشاوره هوش مصنوعی نوئسیس‌ای‌آی (NoesysAI) است.
آن‌لور فایار (Anne-Laure Fayard) استاد کرسی ارا در حوزه نوآوری اجتماعی در مدرسه کسب‌وکار و اقتصاد نوا (Nova School of Business and Economics) در لیسبون پرتغال و استاد پژوهشی مدعو دانشگاه نیویورک است.
مشخصات منبع
- عنوان اصلی
Design AI Systems That Actually Strengthen Human Reasoning
- نویسندگان
Melchior Tamisier-Fayard, Theodoros Evgeniou, Anne-Laure Fayard
Harvard Business Review
- تاریخ انتشار: ۲۰ ژوئیه ۲۰۲۶
- پیوند مقاله اصلی: مشاهده مقاله در وب‌سایت هاروارد بیزینس ریویو
hbr.org
