هوش مصنوعی: پایانی بر اقتصاد دانشمحور، آغاز عصر اقتصاد تخصیص
زمان آنقدرها که فکر میکنید خطی نیست. دارای امواج و چینهایی مانند ابریشم است. تجربه سرعت گذشت زمان در تاریخ بشر بسته به ادوار مختلف زندگی انسان متفاوت بوده است. گاه زمان بسیار کند و گاه بسیار سریع برای انسان احساس میشده است.
دوران صنعتی و پس از آن دوران فناوری اطلاعات و انفجار اطلاعات تجربه گذشت زمان را برای انسان سرعت بخشیده است. در این سرعت رویداد حوادث و تغییرات اگر بدانید به کجا نگاه کنید، میتوانید آینده را بهتر ببینید.
اما مردم در مورد رؤیاپردازان نمیدانند که آنها نیازی به پیشبینی آینده ندارند. آنها یاد میگیرند که پیشبینی وقایع آینده را از لابهلای زمان گذشته و حال بیرون بکشند.
بهعنوان یک مثال ChatGPT چگونه درک ما از هوش و نحوه نگاه من به جهان را تغییر داده است. ChatGPT را بهعنوان خلاصهکنندهای از دانش بشری میتوان دید که با حافظهای وسیع و دادن نتایج سریع و حیرتانگیز و خلاصه شده، پیوندی بزرگ بین دادههای خود و دادههای ما از گذشته تا آینده فراهم میکند.
این تلخیص مهارتی ارزشمند بود که بسیاری از ما نداشتیم و بهواقع مهارتی کمیاب و لازم به نظر میرسید. اما بهواسطه هوش مصنوعی، هوش ما اکنون یاد گرفته است که بهجای آموختن خلاصهنویسی، ابزاری را که خلاصهنویسی میکند یاد بگیرد. مهارتی بامهارت دیگر و تخصصی با تخصص دیگر جایگزین میشود.
همانطور که ایوان آرمسترانگ گفته است “هوش مصنوعی یک لایه انتزاعی بر تفکر لایه پایین است.” این تفکر لایه پایین عمدتاً خلاصهکننده است.
اگر امروز از ChatGPT به این روش استفاده کنیم، احتمال زیادی وجود دارد که این رفتار – واگذاری تلخیص به هوش مصنوعی – در آینده گستردهتر شود. این امر میتواند تأثیر قابلتوجهی بر حوزه اقتصاد داشته باشد.
منظور از برداشت و پیشبینی آینده از زمان حال و غیرخطیبودن زمان همین است. اگر تجربهمان را با ChatGPT تعمیم دهیم، میتوانیم دریابیم که چند سال آینده زندگی کاری ما چگونه خواهد بود.
پایان اقتصاد دانشمحور
ما در اقتصاد دانشمحور زندگی میکنیم. آنچه شما میدانید – و توانایی شما برای بهکارگیری آن در هر شرایطی – چیزی است که برای شما ارزش اقتصادی ایجاد میکند. این امر عمدتاً با ظهور رایانههای شخصی و اینترنت فرصت بروز یافت.
اما چه اتفاقی خواهد افتاد وقتی همین مهارت گرانبها – یعنی دانستن و استفاده از دانش مناسب در زمان مناسب – توسط رایانهها و سرورها بهخوبی و گاهی سریعتر و بهتر از ما انجام شود.
جهان پیش رو، مدیران را جایگزین سازندگان و کارکنان میکند. در دنیای پیش رو از انجامدادن یک کار و مهارت آن به یادگیری نحوه تخصیص منابع و تصمیمگیری و انتخاب با طیف وسیعی از اطلاعات خواهیم رفت.
این گذار از اقتصاد دانشمحور به اقتصاد تخصیص است. مهم نیست که چقدر میدانید، بلکه اهمیت دارد که چقدر توانید منابع را برای انجام یک کار تخصیص داده و مدیریت کنید. اینجاست که میگوییم مدیرانی که این دانش را دارند جایگزین کسانی میشوند که صرفاً کاری را انجام میدهند یا چیزی را میسازند.
مدیران در آمریکا حدود 1 میلیون یا حدود 12 درصد از نیروی کار را تشکیل می دهند. این مدیران باید طیف وسیعی از دانسته ها مانند نحوه ارزیابی استعدادها، مدیریت کردن موثر بدون مدیریت جزئی و تخمین مدت زمان یک پروژه را بدانند. اینها مهارتها و تخصص هایی است که دیگران نیازی به دانستن آن ندارند یا علاقه ای به آن وجود ندارد.
در اقتصاد جدید پیش رو، اقتصاد تخصیص، مدیران و دیگرانی موفق خواهند بود که بدانند انجام این کارها و تصمیمگیریها را چگونه با استفاده از هوش مصنوعی بهبود بخشند، سرعت بخشند و توسعه دهند.
از سازنده تا مدیر
ویژگیهایی که در زیر برمیشماریم چیزهایی هستند که مدیران بهعنوان بخشی از اقتصاد تخصیص به آن نیاز دارند. آنها باید بتوانند با انتقال این ویژگیها به یک دستیار مدیریتی هوش مصنوعی در کار خود پیش روند.
یک چشمانداز منسجم
مدیران امروزی باید دید منسجمی از کاری که میخواهند انجام دهند داشته باشند. مدیران انسانی نیاز به ایجاد چشماندازی دارند که واضح، مشخص، مختصر و ریشه در یک هدف روشن داشته باشد. مدیران مدل شده باهوش مصنوعی یا دستیاران هوش مصنوعی مدیران نیز به همین توانایی نیاز دارند.
هرچه چشمانداز شما بهتر بیان شود، احتمال بیشتری وجود دارد که مدل هوش مصنوعی آن را بهدرستی اجرا کند. با مشخصتر و مختصرتر شدن درخواستها، کار انجام شده بهبود مییابد. ممکن است مدلهای زبانی خود به هدف مشخصی نیاز نداشته باشند، اما مدیران مدل شده در هوش مصنوعی احتمالاً باید هدف روشنی را برای درگیرشدن با کاری که میخواهند انجام دهند شناسایی کنند.
بیان یک چشمانداز مختصر، خاص و منسجم دشوار است. این مهارتی است که در طی سالها کار به دست میآید. بیشتر این مهارت به خلاقیت در ایدهپروری و داشتن زبان مناسب مربوط میشود.
وقتی از زبان مناسب حرف میزنیم منظورداشتن طیف وسیعی از دایره اطلاعات، مهارتها و لغات و امکان بهرهگیری از آن در گفتار و نوشتار است. به قول میگل اونامونو، نوشتن، فکرکردن روی کاغذ است. خوشبختانه، این چیزی است که مدلهای زبانی هوش مصنوعی نیز میتوانند به آن کمک کنند.
وضوح در حس
بهترین مدیران میدانند که چه میخواهند و چگونه باید در مورد آن صحبت کنند. بدترین مدیران آنهایی هستند که میگویند “این درست نیست” اما وقتی از آنها میپرسند “چرا؟” نمیتواند مشکلی را که میبینند بیان کند و یا چیزی از آن نمیدانند.
مدیران مدل شده در هوش مصنوعی نیز با همین مشکل مواجه خواهند شد. هرچه حس آنها بهتر تعریف شود، مدلهای زبانی بهتر میتوانند چیزی منسجم برای آنها ایجاد کنند. خوشبختانه، مدلهای زبانی در کمک به انسان در بیان و اصلاح ذائقهشان بسیار خوب هستند؛ بنابراین این مهارتی است که احتمالاً در آینده به طور قابلتوجهی وسیع خواهد شد.
اگر سلیقه روشن و دید منسجمی دارید، کار بعدی که باید انجام دهید این است که بتوانید ارزیابی کنید که چه کسی (چه چیزی) قادر به اجرای آن است.
توانایی ارزیابی استعدادها
یک مدیر میداند که استخدام همه چیز است. اگر کارمندان در حال انجام کار هستند، کیفیت خروجی بازتاب مستقیمی از مهارتها و تواناییهای مدیران آنها خواهد بود. توانایی قضاوت کافی در مورد مهارتهای کارکنان و محولکردن وظایف به افرادی که میتوانند آنها را انجام دهند، بخش مهمی از چیزی است که یک مدیر خوب را میسازد.
مدیران فردا باید همین چیزها را بیاموزند. آنها باید بدانند که از کدام مدلهای هوش مصنوعی برای چه وظایفی استفاده کنند. آنها باید بتوانند مدلهای جدیدی را که قبلاً هرگز استفاده نکردهاند، بهسرعت ارزیابی کنند تا تشخیص دهند که آیا بهاندازه کافی خوب هستند یا خیر.
آنها باید بدانند که چگونه وظایف پیچیده را بین مدلهای مختلف مناسب هوش مصنوعی برای هر بخش کار تقسیم کنند تا یک خروجی و نتیجه با بالاترین کیفیت تولید کنند.
ارزیابی مدلهای هوش مصنوعی در نوع خود یک مهارت خواهد بود. اما دلایلی وجود دارد که بپذیریم ارزیابی مدلها آسانتر از انسانها خواهد بود؛ زیرا آزمایش مدلهای هوش مصنوعی آسانتر است.
یک مدل هوش مصنوعی در روز یا شب و در تمامی اوقات در دسترس است، معمولاً ارزان است، هرگز خسته نمیشود یا شکایت نمیکند، و فوراً نتیجه را به شما برمیگرداند؛ بنابراین، مدیران فردا در یادگیری این مهارتها مزیت خواهند داشت، زیرا مهارتهای مدیریت امروزی با هزینه نسبی در اختیار گذاشتن تیمی از افراد برای کار با یک نفر حفظ میشود.
هنگامی که مدیران منابع موردنیاز خود را برای انجام کار جمعآوری کردند، با چالش بعدی روبرو خواهند شد: اطمینان از خوببودن نتیجه کار.
دانستن زمان ورود به جزئیات
بهترین مدیران میدانند چه زمانی و چگونه باید وارد جزئیات شوند. مدیران بیتجربه یکی از این دو اشتباه را مرتکب میشوند. برخی وظایف را تا حدی جزئی مدیریت میکنند که عملاً کار را برای کارمندان خود انجام میدهند که عملی مقیاسپذیر نیست.
برخی دیگر وظایف را به حدی محول میکنند که بهطورکلی بهخوبی انجام نمیشوند یا بهگونهای انجام میشوند که با اهداف سازمان همسو نیست.
مدیران خوب میدانند چه زمانی باید وارد جزئیات شوند و چه زمانی باید کار را به دستان نامرئی مدیریتی بسپارند و اجازه دهند کار جلو رود. آنها میدانند چه سؤالاتی را بپرسند، چه زمانی بررسی کنند و چه زمانی اجازه دهند موضوعات محقق شود.
این مدیران میدانند که فقط به این دلیل که کاری همانطور که آنها انجام میدهند، انجام نمیشود، به این معنا نیست که آن کار خوب انجام نشده است.
اینها مشکلاتی نیستند که افراد مشارکتکننده در اقتصاد دانشمحور باید با آن دستوپنجه نرم میکردند. اما اینها دقیقاً مشکلاتی هستند که مدیران آینده در اقتصاد تخصیص با آن مواجه خواهند شد.
دانستن زمان و چگونگی ورود به جزئیات یک مهارت قابلیادگیری است و خوشبختانه، مدلهای زبانی برای بررسی هوشمندانه در دورههای مهمی که نظارت لازم است ساخته میشوند؛ بنابراین انجام این کار کاملاً بر عهده مدیران آینده نخواهد بود و هوش مصنوعی در کنار آنها خواهند بود.
اما نهایتاً سؤال بزرگ این است که آیا همه اینها چیز خوبی است؟
آیا اقتصاد تخصیص برای بشریت خوب است؟
تغییر پارادایم از اقتصاد دانشمحور به اقتصاد تخصیص بهاحتمال زیاد یکشبه اتفاق نمیافتد. حتی اگر توانایی جایگزینکردن وظایف مدیران توسط هوش مصنوعی نیز وجود داشته باشد، بخشهای زیادی از اقتصاد وجود دارد که برای مدت طولانی به این تغییر نخواهند رسید.
مدیران زمان کافی خواهند داشت تا خود را با این تغییرات وفق دهند. انتقال آهسته تفکر انسان به تفکر ماشینی چیز جدیدی نیست. مدلهای مولد هوش مصنوعی بخشی از یک فرایند طولانیمدت هستند.
تایلر کاون، اقتصاددانی که در سال 2013 در کتاب خود با نام «پایان میانگین» در مورد طبقهبندی اقتصاد که توسط رایانهها هدایت میشود، نوشت. او استدلال کرد که یک گروه کوچک و نخبه از کارگران بسیار ماهر وجود دارد که قادر به کار با رایانههایی هستند که پاداشهای بزرگی را برای آنها به ارمغان میآورد – و اینکه بقیه اقتصاد ممکن است عقب بماند:
«اگر شما و مهارتهایتان مکمل رایانه (هوش مصنوعی) باشید، دستمزد و چشمانداز بازار کار شما احتمالاً درخشان خواهد بود. اگر مهارتهای شما مکمل رایانه نیست، ممکن است لازم باشد این عدم تطابق را برطرف کنید. در این عصر افراد بیشتری شروع به سقوط در یک طرف شکاف یا طرف دیگر میکنند. به همین دلیل این پایان میان حالها است.»
در آن زمان، او در مورد مدلهای هوش مصنوعی مولد چیزی نمیدانست. او در مورد آیفون و اینترنت مینوشت. اما مدلهای هوش مصنوعی مولد همین روند را گسترش میدهند.
افرادی که برای استفاده از مدلهای زبانی در زندگی روزمره خود مجهزتر هستند، از مزیت قابلتوجهی در اقتصاد برخوردار خواهند بود. برای دانستن نحوه تخصیص هوش، پاداشهای فوقالعادهای وجود خواهد داشت.
امروزه مدیریت مهارتی است که فقط عده معدودی آن را میدانند؛ زیرا آموزش مدیران هزینه بر است: باید به آنها تیمی از انسان بدهید تا تمرین کنند. اما هوش مصنوعی بهاندازهای ارزان است که فردا، همه این شانس را داشته باشند که مدیر شوند – و این به میزان قابلتوجهی پتانسیل خلاقیت هر انسانی را افزایش میدهد.
این بر عهده جامعه بشری بهعنوان یک کل خواهد بود که اطمینان یابد، با ابزارهای جدید باورنکردنی که در اختیار دارد، بقیه اقتصاد را چگونه با خود همراه نماید.
( این مطلب برداشتی نسبتا آزاد از مقاله The Knowledge Economy Is Over
Welcome to the Allocation Economy است.