سیلیکون‌ولی از همان کارمندان یقه‌سفیدی که آن‌ها جدی نمی‌گیرد، چیزهای زیادی می‌تواند بیاموزد

اگر پاسخ این سؤال مثبت باشد، همه چیز به‌خوبی پیش خواهد رفت. اما اگر چنین نشود، سرمایه‌گذاران به‌تدریج از تزریق سرمایه به توسعه‌دهندگان مدل‌های هوش مصنوعی خسته خواهند شد؛ اتفاقی که اعتماد به موج عظیم ساخت مراکز داده، صنعت نیمه‌رساناها، توربین‌های گازی تأمین‌کننده انرژی آن‌ها و در نهایت کل زنجیره اقتصادی وابسته به این اکوسیستم را از بین خواهد برد.

سال گذشته، دست‌کم در سیلیکون‌ولی پاسخ این پرسش کاملاً روشن به نظر می‌رسید. همان‌گونه که مشاغل طاقت‌فرسای فیزیکی قرن بیستم از میان رفتند، قرار بود کارهای فرساینده و تکراری کارمندان اداری در قرن بیست‌ویکم نیز به سرنوشت مشابهی دچار شوند؛ با این تفاوت که این بار نه به‌واسطه برون‌سپاری، بلکه به دلیل واگذاری آن‌ها به رایانه‌ها. شرکت‌ها قرار بود به‌جای استخدام نیروی انسانی، «توکن» خریداری کنند.

اعتماد تقریباً پیامبرگونه مدیران شرکت‌های فناوری به این سناریو اگرچه باعث محبوبیت آن‌ها نشده، اما هنوز هم سودآوری قابل‌توجهی برایشان به همراه نیاورده است. بخشی از این اعتماد، ناشی از ایمان بی‌چون‌وچرای آن‌ها به توانایی فناوری است. اما بخش دیگری نیز از نگرشی سرچشمه می‌گیرد که در اوایل دهه ۲۰۲۰ نسبت به کارهای اداری شکل گرفت؛ زمانی که شرکت‌های فناوری تعداد عظیمی از کارمندان اداری را استخدام کرده بودند، افرادی که ایمیل‌ها، داشبوردها و گفت‌وگوهای روزمره‌شان از نگاه کارکنان «فنی» چیزی جز اتلاف وقت نبود. از آن زمان، نگاه رایج به «مشاغل بیهوده» (bullshit jobs) به‌تدریج جای خود را به دیدگاهی درباره «وظایف بیهوده» (bullshit tasks) داده است.

بااین‌حال، نبرد علیه مشاغل یقه‌سفید بسیار کندتر از آن چیزی پیش رفته که فعالان فناوری انتظار داشتند. اطلاعاتی که شرکت‌های مدرن بر پایه آن اداره می‌شوند، به‌آسانی قابل‌سازماندهی و تغذیه در مدل‌های هوش مصنوعی نیستند. ازسوی‌دیگر، خروجی‌هایی که این مدل‌ها تولید می‌کنند نیز همیشه به‌سادگی قابل‌استفاده نیستند. برای مثال:
یک شرکت چگونه باید تصمیم بگیرد کدام وظایف را خودکارسازی کند؟
در چه شرایطی باید از مدل‌های متن‌باز و ارزان‌قیمت استفاده کند و چه زمانی مدل‌های پیشرفته اما گران‌تر را به کار بگیرد؟
بازده سرمایه‌گذاری در هوش مصنوعی چگونه باید محاسبه شود؟
آیا می‌توان هزینه خرید توکن‌ها را در قالب «پوشش ریسک» (hedge) ارائه کرد؟

پاسخ به چنین پرسش‌هایی کاری دشوار و درعین‌حال احتمالاً بسیار سودآور است. از همین‌جا ایده‌ای ساده، ظریف و حتی طعنه‌آمیز شکل می‌گیرد: توسعه‌دهندگان مدل‌های هوش مصنوعی باید بسیار بیشتر از گذشته در نحوه استفاده از محصولات خود دخیل شوند.

استدلال خوش‌بینانه به این صورت است که شرکت‌ها بهره بیشتری از هوش مصنوعی خواهند برد، توسعه‌دهندگان مدل‌ها مشکل حیاتی جریان نقدی خود را حل خواهند کرد و اقتصاد جهانی نیز بدون مشکل به مسیر خود ادامه خواهد داد. بنابراین، اگر قرار است مشاوران مدیریت از میدان خارج شوند، بهترین راه این است که خودِ توسعه‌دهندگان هوش مصنوعی به مشاور تبدیل شوند.

هر یک از آزمایشگاه‌های بزرگ هوش مصنوعی تاکنون همکاری‌هایی را با شرکت‌های بزرگ خدمات حرفه‌ای آغاز کرده‌اند. OpenAI اخیراً یک شرکت کوچک مشاوره فناوری در بریتانیا را خریداری کرده است. در ماه مه نیز آنتروپیک و OpenAI هر دو با چند شرکت بزرگ سرمایه‌گذاری خصوصی مشارکت‌های مشترکی آغاز کردند؛ احتمالاً با این امید که مدل‌های هوش مصنوعی بتوانند بسیاری از شرکت‌های نرم‌افزاری گرفتار در پرتفوی این صندوق‌ها را احیا کنند.

اینکه صنعت سرمایه‌گذاری خصوصی دیگر قادر نیست شرکت‌های تحت مالکیت خود را به فروش برساند، خود به بحرانی وجودی برای این صنعت تبدیل شده است. اگر حتی پس از ورود مستقیم آزمایشگاه‌های هوش مصنوعی نیز اوضاع همچنان ناامیدکننده باقی بماند، این نگرانی دیگر تنها محدود به سرمایه‌گذاری خصوصی نخواهد بود و کل اقتصاد را در بر خواهد گرفت. برای حل این مسئله باید نیروی انسانی فراوانی به میدان فرستاده شود؛ اما پرسش این است که چه تعداد و از سوی چه کسانی؟

زمانی که شرکت‌های بزرگ فناوری در دهه ۲۰۱۰ کسب‌وکار رایانش ابری خود را توسعه می‌دادند، بخش عمده کارهای اجرایی به شرکت اکسنچر، غول چندملیتی مشاوره واگذار شد؛ شرکتی که با پیاده‌سازی فناوری‌های مایکروسافت، گوگل و دیگر غول‌های فناوری در سازمان‌های مشتری، به رشدی عظیم دست یافت.

در هوشیو بخوانید:
نسخه فارسی گزارش AI: A Declaration of Autonomy از اکسنچر

اکسنچر از نظر نیروی انسانی هیچ کمبودی ندارد؛ هرچند خود این موضوع را با همان زبان پیچیده و نامفهوم رایج در ادبیات مدیریتی توصیف می‌کند. این شرکت در دسامبر ۲۰۲۵ اعلام کرد که در قالب «سرمایه‌گذاری بزرگ در استعدادها، راهکارها و توانمندی‌های ورود به بازار»، قرار است ۳۰ هزار نفر از کارکنان خود را برای کار با مدل Claude آموزش دهد. البته این تنها بخش کوچکی از مجموع نزدیک به ۸۰۰ هزار نیروی انسانی اکسنچر به شمار می‌رود. بااین‌حال، بازار سرمایه باور ندارد که اکسنچر این بار بتواند نقش واسطه‌ای سودآور را ایفا کند. ارزش سهام این شرکت در سال جاری بیش از نصف کاهش یافته است.

شاید سرمایه‌گذاران حق داشته باشند؛ اما نباید از نقش کمتردیده‌شده تکبر سازمانی (snobbery) غافل شد؛ عاملی که تعیین می‌کند شرکت‌ها چه فعالیت‌هایی را در داخل سازمان انجام دهند و چه کارهایی را به بازار واگذار کنند. برخی از مدیران ارشد آزمایشگاه‌های هوش مصنوعی معتقدند فرهنگی سازمانی که بر نبوغ فردی تأکید دارد، با استخدام هزاران نیروی عادی برای استقرار محصولات در اقتصاد واقعی سازگار نیست. هرچند بانک‌ها سال‌هاست معامله‌گران ستاره را در کنار واحدهای پشتیبانی عظیم اداره می‌کنند؛ البته احتمالاً فعالان هوش مصنوعی همین مقایسه را نیز توهین‌آمیز تلقی خواهند کرد.

شرکت پالانتیر شاید بیش از هر شرکت دیگری به چیزی شباهت داشته باشد که OpenAI یا آنتروپیک ممکن است در آینده بسازند؛ هرچند ارزش سهام این شرکت نیز اخیراً تحت تأثیر همین تصور سقوط کرده است. هسته اصلی مدل کسب‌وکار پالانتیر اعزام مشاوران به شرکت‌ها، سامان‌دهی داده‌های آن‌ها و نمایش این داده‌ها به شکلی است که مدیران میانی احساس کنند در ستاد ارتباطات دولت  بریتانیا (GCHQ) مشغول به کار هستند.

پالانتیر شرکتی تحسین‌برانگیز است، اما شاید بیش از آن، استاد بازی با واژه‌هاست. در ادبیات این شرکت، داده‌های سازمانی به «هستی‌شناسی» (Ontology) تبدیل می‌شوند و مشاوران عنوان پرطمطراق «مهندسان مستقر در خط مقدم» (Forward-Deployed Engineers) را یدک می‌کشند.
واقعاً چه تفاوتی میان این افراد با «مهندسان استقرار تحول» » (Reinvention-Deployed Engineers) اکسنچر یا «متخصصان مستقر در خط مقدم» OpenAI وجود دارد؟
کسی دقیقاً نمی‌داند؛ اما باید به حال هر مشاوری تأسف خورد که همچنان «عقب» باقی‌مانده و هنوز «مستقر» نشده است.

اینکه کدام شرکت‌ها از راه آموزش نحوه استفاده از مدل‌های هوش مصنوعی به سازمان‌ها ثروتمند خواهند شد، تا حد زیادی به این بستگی دارد که آیا توسعه‌دهندگان مدل‌ها زودتر از شرکت‌های مشاوره سنتی، درک عمیق‌تری از پیچیدگی‌های خسته‌کننده و جزئیات طاقت‌فرسای اداره کسب‌وکارهای مدرن پیدا خواهند کرد یا نه.

بااین‌حال، تا امروز تقریباً هیچ‌یک از اقدامات شرکت‌های هوش مصنوعی نشان نمی‌دهد که آن‌ها کوچک‌ترین شناختی از نحوه اداره شرکت‌های معمولی داشته باشند. شاید هم این موضوع چندان عجیب نباشد؛ صنعتی که کارکنانش به ناسازگار بودن با زندگی بوروکراتیک و ساختارمند شرکت‌های بزرگ افتخار می‌کنند، طبیعتاً درک چندانی از آن نخواهد داشت.

چه آزمایشگاه‌های هوش مصنوعی سیلیکون‌ولی در نهایت به مشاوران یقه‌سفید تبدیل شوند و چه نشوند، همچنان چیزهای فراوانی برای آموختن از همین حرفه‌ها دارند. در بانک‌های سرمایه‌گذاری، آن‌ها نمونه‌های آموزنده‌ای از نحوه مواجهه با نفرت عمومی و مدیریت ریسک‌های نظام‌مند خواهند یافت؛ جایی که تجربه نشان می‌دهد بی‌اعتمادی افکار عمومی به‌سختی از بین می‌رود و مقررات نیز معمولاً تنها پس از وقوع بحران‌های بزرگ تدوین می‌شوند.

غول‌های هوش مصنوعی می‌توانند در شرکت‌های حقوقی، دوام شگفت‌انگیز شرکت‌های کوچک اما بسیار متمرکز را مشاهده کنند و در شرکت‌های مشاوره مدیریت، درس‌هایی هم درباره پیامدهای گسترش بیش از اندازه (همان اشتباهی که شرکت‌هایی مانند مک‌کینزی در سال‌های اخیر مرتکب شده‌اند) و هم درباره خطرات پیش‌بینی‌های جسورانه درباره آینده سرمایه‌داری وجود دارد را بیاموزند. البته بعید است چنین هشدارهایی موردتوجه فرمانروایان امروز هوش مصنوعی قرار گیرد.

گزارش حاضر در نسخه June 27th 2026 نشریه The Economist منتشر شده است.