وقتی استفاده از هوش مصنوعی به «فرسودگی ذهنی» منجر می‌شود

Gas Town نمونه‌ای از یک تنشی است که روزبه‌روز بیشتر می‌شود. هوش مصنوعی قرار بود به‌عنوان یک تقویت‌کننده عمل کند، بهره‌وری را افزایش دهد و کار را آسان‌تر کند؛ اما بسیاری از کارمندان می‌گویند که ابزارهای هوش مصنوعی، به‌جای ساده‌تر کردن کار، آن را پیچیده‌تر و فشرده‌تر کرده‌اند.

همه‌گیری

این مسئله روزبه‌روز فراگیرتر می‌شود. شرکت‌ها کارکنان خود را تشویق می‌کنند تا تیم‌های پیچیده‌ای از عامل‌های هوش مصنوعی را ایجاد و مدیریت کنند. به‌عنوان‌مثال در برخی از شرکت‌ها میزان مصرف توکن به‌عنوان یک شاخص ارزیابی عملکرد اندازه‌گیری می‌شود به آن پاداش داده می‌شود. Meta نیز تعداد خطوط کدی را که با کمک هوش مصنوعی تولید می‌شود به‌عنوان یکی از معیارهای ارزیابی عملکرد مهندسان در نظر می‌گیرد.

با گسترش استفاده سازمان‌ها از سامانه‌های چندعاملی (Multi-Agent Systems)، کارکنان ناچارند یک‌سره میان ابزارهای بیشتری جابه‌جا شوند. در چنین شرایطی، مدیریت هم‌زمان چندین ابزار و چندوظیفگی، به یکی از ویژگی‌های اصلی کار با هوش مصنوعی تبدیل شده است.

طبیعی است که کارکنان در این شیوه کار، به محدودیت‌های توان شناختی خود برخورد کنند. در ماه‌های اخیر، کاربران هوش مصنوعی در شبکه‌های اجتماعی از افزایش بار شناختی (Cognitive Load)، اشباع شدن توجه و خستگی ذهنی سخن گفته‌اند. «فرانچسکو بوناچی» (Francesco Bonacci)، بنیان‌گذار شرکت Cua AI، در پستی پربازدید در شبکه X با عنوان «فلج‌شدگی برنامه‌نویسی حسی» (Vibe Coding Paralysis): وقتی بهره‌وری بی‌نهایت مغزت را از کار می‌اندازد» نوشت: «هر روز را در حالی به پایان می‌رسانم که کاملاً خسته‌ام؛ نه به‌خاطر خودِ کار، بلکه به‌خاطر مدیریت‌کردن کار.»

نویسندگان HBR به‌عنوان یک گروه پژوهشی که روندهای نوظهور نیروی کار و هوش مصنوعی را مطالعه می‌کند، با مشاهده این نشانه‌های استرس، تصمیم به بررسی موضوع گرفتند. مرور پژوهش‌های موجود نشان می‌دهد که رابطه میان هوش مصنوعی و فرسودگی شغلی (Burnout)؛ یعنی وضعیتی ناشی از استرس مزمن در محیط کار که با خستگی، نگرش منفی نسبت به کار و کاهش اثربخشی همراه است، نتایج یکدستی ندارد.

برخی مطالعات نشان می‌دهند که سپردن وظایف خسته‌کننده به هوش مصنوعی، میزان فرسودگی را کاهش می‌دهد؛ اما برخی دیگر، حتی روی همان گروه‌های موردمطالعه، نتیجه گرفته‌اند که استفاده از هوش مصنوعی خود به فرسودگی شغلی منجر می‌شود. علاوه بر این، ظهور نوعی خستگی ذهنی شدید و ناگهانی که در اثر نظارت مستمر بر عامل‌های هوش مصنوعی ایجاد می‌شود و با فرسودگی شغلی تفاوت دارد، پیچیدگی بیشتری به این تصویر افزوده است.

برای درک بهتر این پدیده، مطالعه‌ای روی ۱۴۸۸ کارمند تمام‌وقت در ایالات متحده انجام شد. این افراد (۴۸ درصد مرد و ۵۱ درصد زن؛ ۵۸ درصد کارشناس و ۴۱ درصد مدیر) در شرکت‌های بزرگ و در صنایع، نقش‌ها و سطوح سازمانی مختلف مشغول به کار بودند. از آن‌ها درباره الگو و میزان استفاده از هوش مصنوعی، تجربه‌های کاری، وضعیت شناختی و احساساتشان سؤال شد.

نتایج نشان داد که پدیده خستگی شناختی ناشی از نظارت مداوم بر عامل‌های هوش مصنوعی کاملاً واقعی و قابل‌توجه است. پژوهشگران این پدیده را «فرسودگی ذهنی ناشی از هوش مصنوعی» (AI Brain Fry) نام‌گذاری و آن را چنین تعریف کردند: «خستگی ذهنی ناشی از استفاده یا نظارت بیش از حد بر ابزارهای هوش مصنوعی، فراتر از ظرفیت شناختی فرد.»

این فشار ذهنی مرتبط با هوش مصنوعی، هزینه‌های قابل‌توجهی برای سازمان‌ها به همراه دارد؛ از جمله افزایش خطاهای کارکنان، تشدید خستگی ناشی از تصمیم‌گیری و افزایش تمایل به ترک شغل. در مقابل، پژوهشگران دریافتند زمانی که هوش مصنوعی برای جایگزین‌کردن کارهای تکراری و روتین به کار گرفته می‌شود، امتیاز فرسودگی شغلی کاهش می‌یابد، اما میزان خستگی ذهنی تغییری نمی‌کند. این یافته، تفاوت ظریف اما مهم میان انواع مختلف استرسی را نشان می‌دهد که هوش مصنوعی می‌تواند کاهش دهد یا برعکس، تشدید کند.

این یافته‌ها هم یک راهنما هستند و هم یک هشدار. اگر سازمان‌ها از این داده‌ها به‌درستی استفاده کنند، می‌توانند گردش‌کارهای مبتنی بر هوش مصنوعی را به‌گونه‌ای طراحی کنند که ضمن کاهش فرسودگی شغلی، با اتخاذ رویه‌های مناسب مدیریتی، تیمی و سازمانی از بروز خستگی ذهنی نیز جلوگیری شود؛ حتی در شرایطی که شدت استفاده از هوش مصنوعی افزایش می‌یابد.

چه زمانی استفاده از هوش مصنوعی به خستگی ذهنی منجر می‌شود؟

امروزه شیوه استفاده کارکنان از هوش مصنوعی تفاوت‌های زیادی با یکدیگر دارد؛ از جمله در تعداد ابزارهایی که هم‌زمان استفاده می‌کنند، میزان جایگزین‌شدن هوش مصنوعی به‌جای انجام مستقیم کار، سطح نظارت موردنیاز بر خروجی‌های آن و این‌که آیا استفاده از هوش مصنوعی حجم کار را افزایش داده یا کاهش داده است.

کارکنان ممکن است از عامل‌های جست‌وجو، عامل‌های پژوهشی، ابزارهای تحلیل داده، ابزارهای تولید تصویر و طراحی یا عامل‌های برنامه‌نویسی استفاده کنند. پژوهشگران الگوهای استفاده از این ابزارها را در کنار شاخص‌های شناختی بررسی کردیم تا آثار ذهنی آن‌ها را بهتر درک کنیم.

نخستین یافته مهم این بود که پرهزینه‌ترین شکل تعامل با هوش مصنوعی از نظر ذهنی، نظارت بر آن است؛ یعنی میزانی که ابزارهای هوش مصنوعی نیازمند پایش و کنترل مستقیم کاربر هستند. افرادی که اعلام کردند کار با هوش مصنوعی مستلزم نظارت شدید است، ۱۴ درصد تلاش ذهنی بیشتری در محیط کار صرف می‌کردند. همچنین این سطح بالای نظارت با ۱۲ درصد افزایش خستگی ذهنی و ۱۹ درصد افزایش اضافه‌بار اطلاعاتی (Information Overload)؛ یعنی احساس غرق‌شدن در حجم اطلاعاتی که باید پردازش شود، همراه بود.

دومین یافته این بود که افزایش حجم کار به دلیل استفاده از هوش مصنوعی، یکی از مهم‌ترین پیش‌بینی‌کننده‌های بار شناختی و خستگی ذهنی است. این دو عامل؛ یعنی نظارت بر هوش مصنوعی و افزایش حجم کار، حوزه مسئولیت کارکنان را گسترش می‌دهند و آن‌ها را مجبور می‌کنند در همان بازه زمانی، ابزارهای بیشتری را مدیریت کرده و بر نتایج بیشتری نظارت داشته باشند. بنابراین طبیعی است که بار شناختی و در نتیجه فرسودگی ذهنی افزایش یابد.

سومین یافته، رابطه‌ای جالب میان تعداد ابزارهای هوش مصنوعی مورداستفاده به طور هم‌زمان و بهره‌وری ادراک‌شده بود. هنگامی که کارکنان از یک ابزار به دو ابزار به طور هم‌زمان روی می‌آورند، بهره‌وری آن‌ها به شکل محسوسی افزایش می‌یابد (مطابق نمودار «استفاده بیش از حد از ابزارهای هوش مصنوعی چه تأثیری بر بهره‌وری دارد؟»). با اضافه‌شدن سومین ابزار، بهره‌وری همچنان افزایش پیدا می‌کند، اما با آهنگی کمتر. بااین‌حال، پس از استفاده هم‌زمان از بیش از سه ابزار، امتیاز بهره‌وری کاهش می‌یابد.

چندوظیفگی سال‌هاست که به‌عنوان روشی کم‌بازده شناخته می‌شود، اما همچنان بارهاوبارها در دام جذابیت آن می‌افتیم. باوجوداینکه استفاده از هوش مصنوعی اغلب با افزایش خستگی ذهنی همراه بود، ارتباطی با افزایش فرسودگی شغلی مشاهده نشد. حتی برعکس، زمانی که هوش مصنوعی جایگزین کارهای تکراری می‌شد، میزان فرسودگی شغلی کاهش پیدا می‌کرد.

شاید این نتیجه در نگاه اول غیرمنتظره به نظر برسد، اما از نظر علمی قابل‌توضیح است. پژوهش‌های پیشین نیز میان فرسودگی شغلی و پیامدهای حاد شناختی تمایز قائل شده‌اند. معیارهای سنجش فرسودگی شغلی عمدتاً بر جنبه‌های جسمی و عاطفی فشار روانی تمرکز دارند؛ برای مثال می‌پرسند: «آیا کارتان از نظر عاطفی شما را خسته می‌کند؟» در مقابل، خستگی ذهنی حاد زمانی رخ می‌دهد که فرد، توجه، حافظه کاری و کنترل اجرایی خود را فراتر از ظرفیت محدود مغزش به کار گیرد؛ دقیقاً همان چیزی که نظارت شدید بر عامل‌های هوش مصنوعی از انسان می‌طلبد.

آشنایی با «فرسودگی ذهنی ناشی از هوش مصنوعی»

در پایان مطالعه، از شرکت‌کنندگان سؤال شد آیا تاکنون «خستگی ذهنی ناشی از استفاده، تعامل و نظارت بیش از حد بر ابزارهای هوش مصنوعی، فراتر از ظرفیت شناختی» را تجربه کرده‌اند یا خیر؛ همان چیزی که آن را AI Brain Fry نامیدند.

۱۴ درصد از افرادی که از هوش مصنوعی در محیط کار استفاده می‌کردند، پاسخ مثبت دادند. البته میزان شیوع این پدیده بسته به نوع شغل تفاوت قابل‌توجهی داشت (مطابق نمودار «کدام واحدهای سازمانی بیشترین فرسودگی ذهنی ناشی از هوش مصنوعی را تجربه می‌کنند؟»)

اما فرسودگی ذهنی ناشی از هوش مصنوعی دقیقاً چه احساسی دارد؟
بسیاری از شرکت‌کنندگان از واژه‌هایی مانند «مه» (fog) یا «وزوز ذهن» (buzzing) استفاده کردند. آن‌ها تجربه خود را چنین توصیف کردند: رفت‌وبرگشت مداوم میان ابزارهای مختلف، سپس ناتوانی در شفاف فکرکردن؛ حالتی شبیه خماری ذهنی که با کاهش تمرکز، کندشدن تصمیم‌گیری، سردرد و نیاز به فاصله‌گرفتن از رایانه برای «تنظیم مجدد ذهن» همراه است.

یکی از مدیران ارشد مهندسی چنین توضیح داد: «یک ابزار به من برای تصمیم‌های فنی کمک می‌کرد، ابزار دیگری پیش‌نویس‌ها و خلاصه‌ها را تولید می‌کرد و من مدام بین آن‌ها در رفت‌وآمد بودم و همه چیز را دوباره بررسی می‌کردم. اما به‌جای اینکه سریع‌تر پیش بروم، احساس کردم ذهنم شلوغ شده است. نه اینکه از نظر جسمی خسته باشم؛ فقط انگار ذهنم بیش از حد شلوغ شده بود. انگار دوازده تب مرورگر هم‌زمان داخل مغزم باز بود و همه برای جلب‌توجه با هم رقابت می‌کردند. متوجه شدم چند بار یک متن را دوباره می‌خوانم، بیش از حد معمول در تصمیم‌ها تردید می‌کنم و بی‌دلیل کم‌حوصله شده‌ام. تفکرم از کار نیفتاده بود، فقط پر از نویز شده بود؛ مثل پارازیت ذهنی. زمانی متوجه ماجرا شدم که فهمیدم بیشتر از اینکه مشغول حل مسئله باشم، دارم ابزارها را مدیریت می‌کنم.»

این توصیف، بازتاب تجربه بسیاری از شرکت‌کنندگان دیگر نیز بود. تحلیل کیفی پاسخ‌ها نشان داد که اضافه‌بار اطلاعاتی و جابه‌جایی مداوم بین وظایف (Task Switching) از مهم‌ترین عوامل ایجاد فرسودگی ذهنی ناشی از هوش مصنوعی هستند. از نظر آماری نیز رابطه‌ای قوی میان AI Brain Fry و اضافه‌بار اطلاعاتی مشاهده شد، هرچند ارتباط آن با جابه‌جایی بین وظایف پیچیده‌تر بود.

هزینه‌های تجاری فرسودگی ذهنی ناشی از هوش مصنوعی

فرسودگی ذهنی ناشی از هوش مصنوعی صرفاً تجربه‌ای ناخوشایند نیست. داده‌ها نشان می‌دهد فشار شناختی ناشی از استفاده شدید از هوش مصنوعی، پیامدهای قابل‌توجهی برای کسب‌وکارها نیز دارد.

خستگی تصمیم‌گیری.
زمانی که مغز درگیر بار شناختی سنگین ناشی از کار با هوش مصنوعی می‌شود، منابع ذهنی کمتری برای اتخاذ تصمیم‌های باکیفیت باقی می‌ماند. افرادی که فرسودگی ذهنی ناشی از هوش مصنوعی را تجربه کرده بودند، ۳۳ درصد بیش از سایرین دچار خستگی تصمیم‌گیری بودند. مطالعه‌ای در سال ۲۰۱۸ برآورد کرده بود که تصمیم‌گیری‌های نامطلوب در شرکتی با درآمد سالانه ۵ میلیارد دلار، سالانه حدود ۱۵۰ میلیون دلار هزینه ایجاد می‌کند. افزایش ۳۳ درصدی خستگی تصمیم‌گیری می‌تواند این هزینه را سالانه میلیون‌ها دلار بیشتر کند.

افزایش خطاهای کوچک و بزرگ.
در این پژوهش، خطاهای کوچک به اشتباهاتی مانند خطاهای برنامه‌نویسی یا قالب‌بندی گفته شد که به‌راحتی قابل‌شناسایی و اصلاح هستند.در مقابل، خطاهای بزرگ به اشتباهاتی اطلاق شد که پیامدهای جدی‌تری دارند؛ مانند خطاهایی که بر ایمنی، نتایج یا تصمیم‌های مهم اثر می‌گذارند.کاربرانی که AI Brain Fry را تجربه کرده بودند، ۱۱ درصد بیشتر مرتکب خطاهای کوچک و ۳۹ درصد بیشتر مرتکب خطاهای بزرگ می‌شدند.

افزایش احتمال ترک شغل.
بسیاری از کارکنانی که بیشترین استفاده را از هوش مصنوعی دارند، در عمل جزو نیروهای کلیدی سازمان محسوب می‌شوند؛ افرادی که حفظ آن‌ها برای شرکت اهمیت زیادی دارد.بااین‌حال، فرسودگی ذهنی ناشی از هوش مصنوعی یکی از عوامل پیش‌بینی‌کننده تمایل به ترک شغل است.در میان کارکنانی که این پدیده را تجربه نکرده بودند، حدود یک‌چهارم قصد ترک سازمان را داشتند. اما این رقم در میان افرادی که AI Brain Fry را گزارش کردند، به حدود ۳۴ درصد رسید.در مجموع، میان کاربران حرفه‌ای هوش مصنوعی، تمایل فعال به ترک شغل ۳۹ درصد افزایش یافته بود.

کارهای تکراری کمتر، فرسودگی شغلی کمتر

البته همه کاربردهای هوش مصنوعی به فرسودگی ذهنی منجر نمی‌شوند. پژوهشگران همچنین بررسی کردند که هوش مصنوعی چگونه می‌تواند استرس کارکنان را کاهش دهد. نتایج نشان داد افرادی که از هوش مصنوعی برای کاهش قابل‌توجه زمان صرف‌شده روی کارهای روتین و تکراری استفاده می‌کردند، ۱۵ درصد فرسودگی شغلی کمتری نسبت به سایرین داشتند.

این نتیجه کاملاً منطقی است. وظایف تکراری و خسته‌کننده؛ آنچه پژوهشگران آن را «مشقت» (Toil) می‌نامند بهترین گزینه برای واگذاری به هوش مصنوعی هستند. زمانی که چنین کارهایی به هوش مصنوعی سپرده می‌شوند، زمان بیشتری برای انجام فعالیت‌های خلاقانه و لذت‌بخش باقی می‌ماند.

افرادی که از هوش مصنوعی به این شکل استفاده می‌کردند، مشارکت شغلی و انگیزه بیشتری داشتند، احساسات مثبت‌تری نسبت به هوش مصنوعی گزارش کردند و احساسات منفی کمتری نسبت به آن داشتند. همچنین آن‌ها ارتباط اجتماعی بیشتری با همکاران خود احساس می‌کردند؛ احتمالاً به این دلیل که زمان بیشتری را دور از صفحه‌کلید و در تعامل با دیگران سپری می‌کردند. این یافته‌ها بار دیگر نشان می‌دهد که فرسودگی شغلی عمدتاً ماهیتی عاطفی دارد، درحالی‌که AI Brain Fry نوعی فشار شناختی حاد است.

هوش مصنوعی زمانی که جایگزین کارهای تکراری شود و فرصت انجام فعالیت‌های مثبت و بازیابی‌کننده را فراهم کند، می‌تواند فرسودگی عاطفی را کاهش دهد. اما زمانی که استفاده از آن مستلزم نظارت شدید ذهنی باشد، خود به عامل ایجاد خستگی ذهنی تبدیل می‌شود.

نقش مدیران، تیم‌ها و سازمان‌ها

تجربه کارکنان از هوش مصنوعی تنها به انتخاب‌های فردی آن‌ها وابسته نیست. یافته‌ها نشان داد که رفتار مدیران، تیم‌ها و سازمان‌ها تأثیر قابل‌توجهی بر میزان خستگی ذهنی کارکنان دارد.

مدیران
کارکنانی که مدیرانشان برای پاسخ‌دادن به پرسش‌های مرتبط با هوش مصنوعی وقت می‌گذاشتند، ۱۵ درصد خستگی ذهنی کمتری داشتند. در مقابل، اگر مدیران انتظار داشتند کارکنان به‌تنهایی شیوه استفاده از هوش مصنوعی را یاد بگیرند، میزان خستگی ذهنی آن‌ها ۵ درصد بیشتر بود؛ افزایشی کوچک اما قابل‌اندازه‌گیری.

تیم‌ها
در تیم‌هایی که فشار بیشتری برای استفاده از هوش مصنوعی وجود داشت یا اعضای آن از نظر میزان استفاده از این فناوری تفاوت زیادی با یکدیگر داشتند، خستگی ذهنی کارکنان نیز افزایش پیدا می‌کرد.

سازمان‌ها
سازمان‌هایی که راهبرد شفافی برای هوش مصنوعی داشتند و آموزش‌های لازم را ارائه می‌کردند، شرایط بهتری برای کارکنان ایجاد کرده بودند. در مقابل، در شرکت‌هایی که نقش هوش مصنوعی به‌روشنی تبیین نشده بود، کارکنان خستگی ذهنی بیشتری گزارش کردند. همچنین افرادی که احساس می‌کردند سازمان از آن‌ها انتظار دارد با کمک هوش مصنوعی کار بیشتری انجام دهند، ۱۲ درصد خستگی ذهنی بیشتری داشتند.

در چنین شرایطی، سازمان‌ها باید میان پیام‌های مربوط به افزایش بهره‌وری ناشی از هوش مصنوعی و تأکید بر سلامت روان کارکنان تعادل برقرار کنند. کارمندانی که احساس می‌کردند سازمانشان برای تعادل میان کار و زندگی ارزش قائل است، ۲۸ درصد خستگی ذهنی کمتری داشتند. همین پیام‌ها و نشانه‌ها نیز اهمیت بسیار زیادی دارند.

درس‌هایی برای مدیران

هوش مصنوعی می‌تواند به کارکنان کمک کند سریع‌تر کار کنند، بزرگ‌تر بیندیشند و نوآوری بیشتری داشته باشند؛ اما درعین‌حال می‌تواند موجب اضافه‌بار شناختی شود؛ مسئله‌ای که هم برای افراد و هم برای کسب‌وکارها پیامدهای جدی دارد. یافته‌ها نشان می‌دهد عامل تعیین‌کننده، صرفاً میزان استفاده از هوش مصنوعی نیست؛ بلکه نحوه طراحی و مدیریت استفاده از آن در سطح کارکنان، تیم‌ها، مدیران و سازمان‌هاست. مدیران سازمانی می‌توانند اقدامات زیر را در نظر بگیرند:

بازطراحی شغل‌ها، فرایندهای کاری و ابزارها بر پایه مسئولیت مشترک انسان و هوش مصنوعی. نظارت بر عامل‌های هوش مصنوعی نباید صرفاً به مسئولیت‌های فعلی کارکنان اضافه شود و نمی‌توان تعداد نامحدودی عامل را به یک کاربر سپرد. همان‌طور که برای مدیریت انسان‌ها حدود منطقی وجود دارد، برای نظارت انسان بر عامل‌های هوش مصنوعی نیز باید سقف مشخصی تعریف شود.

تعیین انتظارات شفاف درباره نقش هوش مصنوعی و حجم کار. اگر سازمان تنها از افزایش بهره‌وری سخن بگوید اما درباره پیامدهای آن بر حجم کار توضیح ندهد، کارکنان این پیام را به منزله افزایش فشار کاری تعبیر می‌کنند. رهبران باید هدف استفاده از هوش مصنوعی، تغییرات نقش‌های شغلی، سطح نظارت موردانتظار و نحوه تحول حجم کار را به‌روشنی مشخص کنند. برآورد می‌شود ۷۰ درصد موفقیت تحول هوش مصنوعی به مدیریت صحیح افراد و فرایندها وابسته باشد.

تغییر معیارهای ارزیابی از میزان فعالیت به میزان اثرگذاری. تشویق کارکنان بر اساس شدت استفاده از هوش مصنوعی، به اتلاف منابع، افت کیفیت و افزایش فشار ذهنی منجر می‌شود. معیارهای ارزیابی باید بر تحقق اهداف راهبردی و نتایج قابل‌اندازه‌گیری متمرکز باشند. همچنین مدیران نباید بلافاصله پس از خودکار شدن بخشی از کار، وظایف جدیدی را جایگزین آن کنند؛ زیرا چنین اقدامی از نگاه کارکنان نوعی تنبیه تلقی شده و انگیزه نوآوری را کاهش می‌دهد.

سرمایه‌گذاری بر مهارت‌های جدید کارکنان. در مطالعات این تیم پژوهشی روی توسعه‌دهندگان نرم‌افزار، افرادی که بیشترین مهارت را در استفاده از هوش مصنوعی داشتند، احساس می‌کردند بدون تقویت مهارت‌هایی مانند صورت‌بندی مسئله، طراحی برنامه تحلیل و اولویت‌بندی راهبردی، پیشرفت بیشتری نخواهند داشت. آموزش این مهارت‌ها می‌تواند از ایجاد حجم زیادی از کارهای غیرضروری ناشی از هوش مصنوعی جلوگیری کند. اینکه تکرار تعامل با هوش مصنوعی هزینه اندکی دارد، به این معنا نیست که همیشه باید این کار انجام شود.

مدیریت راهبردی توجه انسان به‌عنوان منبعی محدود. بسیاری از ارزشمندترین توانایی‌های انسانی امروز، از جمله قدرت تشخیص، تصمیم‌گیری و برنامه‌ریزی راهبردی، به تمرکز عمیق نیاز دارند. اگرچه فرسودگی شغلی به یکی از دغدغه‌های اصلی سازمان‌ها تبدیل شده است، اما نظرسنجی‌ها نشان می‌دهد خستگی ذهنی اغلب بدون تشخیص باقی می‌ماند. سازمان‌ها باید شاخص‌هایی برای پایش بار شناختی کارکنان ایجاد کنند و استفاده از هوش مصنوعی را به‌عنوان یک ریسک شغلی جدید در نظر بگیرند. شرکت‌ها، تیم‌ها و مدیرانی که شرایط شکوفایی شناختی کارکنان را فراهم کنند، از قضاوت بهتر، خطاهای کمتر و حفظ مؤثرتر نیروهای کلیدی بهره‌مند خواهند شد.

پدیده AI Brain Fry نشان می‌دهد ابزارهای جدید هوش مصنوعی تا چه اندازه سریع و عمیق می‌توانند بر عملکرد مغز انسان اثر بگذارند. اکنون زمان آن رسیده است که یاد بگیریم چگونه از قدرت این فناوری برای بهبود هم‌زمان نتایج انسانی و کسب‌وکاری استفاده کنیم.

گزارش حاضر در نسخه July–August 2026 نشریه HBR منتشر شده است.