صعود عامل‌های هوش مصنوعی، ناهماهنگی بین توانایی‌های هوش مصنوعی و منابع اجتماعی را تشدید کرده است

بسیاری از افراد با مشاهده روند سریع پیشرفت هوش مصنوعی، پیش‌بینی می‌کنند جهان به‌سرعت تغییر خواهد کرد. در واقع، این ناشی از سوءتفاهمی درباره مکانیسم‌های عملکردی جامعه مدرن است؛ یا به‌عبارتی، اهمیت هوش فردی و بهره‌وری شخصی را بیش از حد تخمین زده‌اند.

آیا متوجه پدیده‌ای شده‌اید که بسیاری از موقعیت‌های شغلی پردرآمد در مؤسسات و شرکت‌های بزرگ، در فرآیند استخدام، الزامات بسیار بالایی در زمینه تحصیلات و ضریب هوش دارند؟ با این حال، پس از استخدام، افراد معمولاً وظایف م Routine و ساده‌ای را انجام می‌دهند که با توانایی‌های عادی نیز قابل انجام است. امروزه نیز اغلب روابط شخصی و نسبت‌ها از توانایی‌ها ارجحیت دارند. در محیط‌های رقابتی، سازمان‌ها ممکن است فردی با توانایی متوسط اما هویت اجتماعی و منابع خاصی را انتخاب کنند. هرچند این موضوع ممکن است باعث ناراحتی شما شود، اما در اکثر موارد چنین افرادی نیز می‌توانند وظیفه را به‌خوبی انجام دهند.

چرا این اتفاق می‌افتد؟ بسیاری آن را «تورم مدرک» می‌نامند، اما دلایل پیچیده‌تری وجود دارد که من آن را «اضافه‌بار بهره‌وری غیرکارآمد» می‌نامم.

جامعه مدرن شبکه‌ای متراکم از همکاری‌هاست که یک موقعیت باکیفیت، گره‌ای مزیت‌دار در شبکه توزیع منابع و قدرت اجتماعی محسوب می‌شود. منابع و قدرتی که این گره نمایندگی می‌کند در جامعه کمیاب‌اند، اما الزامات توانایی فردی برای این موقعیت بالا نیست و لزومی ندارد فرد در این جایگاه بهره‌وری بالایی داشته باشد. اگر خوش‌شانس باشید و چنین موقعیتی به‌دست آورید و با انرژی کار کنید، به‌سرعت متوجه می‌شوید که افزایش بهره‌وری شما برای این سیستم لازم نیست. یعنی هرچقدر هم که توانمند باشید، این شبکه نیازی به شما ندارد. دلیل اینکه سازمان‌ها چنین معیارهای ورودی سخت‌گیرانه‌ای تعیین می‌کنند، صرفاً این است که وقتی بسیاری می‌توانند کار را انجام دهند، باید بر اساس اصولی افراد را انتخاب کنند و توانایی معمولاً اصلی کمتر بحث‌برانگیز است، نه اینکه واقعاً نیاز به چنین توانمندی بالایی داشته باشند.

در این شبکه همکاری جامعه مدرن، هر کس تنها مسئول بخش کوچکی از کار است. به‌جز تعداد اندکی، اکثر افراد صرفاً نقش هدایت منابع در این شبکه را ایفا می‌کنند؛ بهره‌وری فردی تنها نیازمند رسیدن به حد استانداردی است و پس از آن، افزایش بیشتر بهره‌وری سود قابل توجهی برای کل سیستم شبکه ایجاد نمی‌کند.

بنابراین، به‌عنوان یک گره در شبکه همکاری، هرچقدر هم که ضریب هوش یا بهره‌وری شما بالا باشد، بخش اضافی آن «اضافه‌بار غیرکارآمد» محسوب می‌شود. این شبکه به آن نیاز ندارد، نمی‌تواند از آن استفاده کند و نمی‌تواند آن را جذب کند.

در نتیجه، بسیاری از افراد با هیجان ادعا می‌کنند که با یادگیری و به‌کارگیری هوش مصنوعی بهره‌وری خود را افزایش داده‌اند، اما در واقع نقش هوش و بهره‌وری خود را بیش از حد تخمین زده‌اند. افزایش جزئی بهره‌وری شما در کل شبکه ارزش چندانی ندارد و قابل توزیع نیست. سازمان و شبکه همکاری که در آن قرار دارید، به آن نیاز ندارد و یا نمی‌تواند آن را جذب کند. بنابراین، حقیقتی که بسیاری از کارشناسان هوش مصنوعی ناخواسته به آن پردازش نمی‌کنند این است که اهمیت اصلی این افزایش بهره‌وری، آزادسازی زمان بیشتر برای پرداختن به ویدیوهای کوتاه است — بدون اینکه منجر به افزایش درآمد، منابع یا جایگاه اجتماعی شود.

هیجان فعلی حول شرکت‌های تک‌فردی (OPC) نیز همین منطق را دنبال می‌کند. مانع توسعه چنین شرکت‌هایی، بهره‌وری داخلی نیست، بلکه ارتباطات منابع خارجی آنهاست. با توجه به جایگاه اکثر OPCها در شبکه کسب‌وکار اجتماعی امروز، محصولات و خدمات آنها قابل فروش نیست و حتی ممکن است ارزش رضایت شخصی را نیز نداشته باشند.

این مسئله حیاتی است، زیرا تمام فعالیت‌های اقتصادی باید به انگیزه‌های اقتصادی منجر شوند تا حلقه کامل شود و سپس از طریق حلقه‌های بازخورد مثبت، سیستم اقتصادی را تکامل ببخشند. اما انگیزه‌های مثبتی که اکثر افراد از استفاده از هوش مصنوعی کسب می‌کنند، صرفاً هیجان شخصی هستند و قابل تداوم نیستند.

چگونه می‌توانیم انگیزه‌های مثبت فوری ایجاد کنیم؟ کلید آن در تغییر روابط اتصال شبکه است. این تغییر منجر به بازتوزیع منابع و قدرت می‌شود. اگر گره شما در شبکه ارتباطات بیشتری داشته باشد، حتی اگر اصلاً از هوش مصنوعی استفاده نکنید، بلافاصله افزایش درآمد، تأثیر و قدرت را احساس خواهید کرد.

البته افزایش عمومی بهره‌وری گره‌ها در بلندمدت منجر به تغییر روابط اتصال می‌شود. در عصر عامل‌های هوش مصنوعی، شکاف توانایی‌های استفاده از هوش مصنوعی بین افراد مختلف به‌سرعت گسترده‌تر می‌شود. این شکاف در نهایت توسط شبکه اجتماعی احساس شده و به تغییر در روابط اتصال و حتی توپولوژی شبکه تبدیل می‌شود. اما این فرآیند زمان‌بر است و کندتر از آنچه بسیاری از تأثیرگذاران هوش مصنوعی تصور می‌کنند، پیش خواهد رفت. اگر شما به‌طور فعال در ایجاد اتصالات شتاب ندهید و تنها با بهبود کارایی در جایگاه فعلی خود راضی باشید و از زمان آزادشده برای تماشای ویدیوها لذت ببرید، سهمی از سودهای اولیه هوش مصنوعی نخواهید داشت.

علاوه بر این، ناهماهنگی جالبی در اینجا در حال ظهور است.

اکنون، کسانی که فعال‌ترین یادگیرندگان هوش مصنوعی هستند، اغلب گره‌های ثانویه در شبکه‌اند. برنامه‌نویسان، طراحان، محققان و تحلیلگران روزانه درباره عامل‌ها، MCP، مهارت‌ها و فرآیندهای کاری مطالعه می‌کنند و می‌خواهند بهره‌وری خود را ده‌برابر کنند. اما مشکل اینجاست که اگر قبلاً روزانه یک گزارش می‌نوشتید و اکنون ده گزارش می‌نویسید، سازمان شما به ده گزارش نیاز ندارد؛ یا اگر قبلاً هفت روز یک نمونه اولیه می‌ساختید و اکنون روزانه یکی می‌سازید، سرعت بودجه‌بندی، تصمیم‌گیری، فروش، حقوقی و تأمین مواد هفت‌برابر نشده است. بنابراین، بخش بزرگی از بهره‌وری جدید ایجادشده در گره‌های مرتبط متوقف می‌شود و به سیستم کلی ارزش چندانی نمی‌دهد.

در مقابل، کسانی که واقعاً منابع را کنترل می‌کنند — یعنی کارآفرینان، مدیران ا Ejecutive، سرمایه‌گذاران و رهبران مختلف مؤسسات — از ابتدا بیشترین مشتریان، سرمایه، اختیارات نیروی انسانی و ارتباطات اجتماعی را دارند. اگر آنها توانایی‌های هوش مصنوعی خود را ده‌برابر کنند، اهرم ایجادشده بسیار فراتر از کارمند معمولی خواهد بود. اما شکاف بین این افراد و جلوه‌ترین خطوط کاربرد هوش مصنوعی به‌سرعت گسترده‌تر می‌شود.

دلیل مهمی برای این امر این است که از نیمه دوم سال ۲۰۲۵، با ظهور عامل‌های هوش مصنوعی، نوآوری در کاربردهای هوش مصنوعی به‌تدریج برنامه‌نویسی‌محور شده است.

قبلاً هوش مصنوعی حول گفت‌وگو، نوشتن، جستجو و طراحی می‌چرخید و هم CEOها و هم برنامه‌نویسان می‌توانستند در آن مشارکت داشته باشند. اما در مرحله عامل‌ها، بسیاری از ابزارهای جدید ابتدا از کدنویسی هوش مصنوعی سرچشمه می‌گیرند: عامل‌ها، MCP، مهارت‌ها، Harness، CLI، API، Git، IDE، فرآیندهای کاری و هماهنگ‌سازی. هوش مصنوعی دیگر شبیه نرم‌افزار نیست، بلکه بیشتر شبیه سیستمی مدیریتی می‌شود که خود باید آن را بسازید و هدایت کنید.

این ایجاد مسئله‌ای می‌کند.

یک مدیرعامل پنجاه‌ساله ممکن است در مدیریت شرکت، تأمین مالی و به‌حرکت درآوردن منابع بسیار ماهر باشد و اهمیت هوش مصنوعی را کاملاً درک کند. اما اگر از او بخواهید ترمینالی باز کند، یک عامل کدنویسی نصب کند، MCP را پیکربندی کند، چند عامل را به‌صورت موازی اجرا کند و APIها، گیت‌هاب و ابزارهای مختلف را به هم متصل کند، احتمالاً بلافاصله دست از کار می‌کشد.

این مسئله‌ای مربوط به ضریب هوشی (IQ) نیست، بلکه شکاف مهارتی است.

بنابراین وضعیت عجیبی پدید آمده است: کسانی که هوش مصنوعی را می‌فهمند، فاقد منابع کافی‌اند؛ در حالی که کسانی که منابع دارند، نمی‌دانند چگونه از هوش مصنوعی استفاده کنند.

گروه اول سعی می‌کند به‌شدت بهره‌وری را افزایش دهد، اما شبکه‌ای به‌اندازه‌کافی بزرگ ندارد تا این افزایش بهره‌وری را جذب کند؛ گروه دوم شبکه‌ای گسترده از منابع دارد، اما توانایی ادغام آخرین انواع بهره‌وری ماشینی را ندارد. من معتقدم این عدم تطابق در سال‌های آینده مسئله‌ای بسیار قابل توجه خواهد بود.

چین مشکل اضافی‌ای دارد. دو اکوسیستم فعال‌ترین کاربردهای هوش مصنوعی امروزه OpenAI و Anthropic هستند. به دلایل مختلف، چین قاره‌ای نمی‌تواند مستقیماً و پایدار از این دو سیستم استفاده کند؛ بنابراین آنچه از دست می‌رود تنها دو مدل نیست، بلکه عوامل (Agents)، کدنویسی، زنجیره‌ابزارها و اکوسیستم توسعه‌دهندگانی است که به سرعت حول این مدل‌ها رشد کرده‌اند.

این تأثیر ممکن است از خود شکاف بین مدل‌ها هم آزاردهنده‌تر باشد، زیرا در عصر عوامل (Agents)، بسیاری از دانش‌ها تجمعی هستند. دیگران امروز از گفت‌وگو به فراخوانی ابزارها می‌رسند، فردا از فراخوانی ابزارها به هماهنگی عوامل (Agent orchestration)، و پس‌فردا شروع می‌کنند عوامل را برای توسعهٔ خود ابزارها تشویق کنند. اگر شش ماه دیرتر وارد این مسیر شوید، شکاف احتمالاً صرفاً چند نمره در معیارهای اندازه‌گیری نخواهد بود، بلکه مجموعه‌ای کامل از روش‌های کار خواهد بود.

پس جالب‌ترین موضوع در آینده زمانی است که این عدم تطابق شروع به شکستن شود.

از یک سو، آیا افرادی که اکنون در گره‌های ثانویه قرار دارند اما توانایی قوی در هوش مصنوعی دارند، می‌توانند از این توانایی برای جذب مشتریان بیشتر، سرمایه، توجه و ارتباطات اجتماعی استفاده کرده و موقعیت خود را در شبکه تغییر دهند؟ از سوی دیگر، آیا افرادی که اکنون در مرکز شبکه قرار دارند می‌توانند واقعاً عوامل (Agents) را تسلط کنند و توانایی زمان‌بندی منابع خود را با بهره‌وری ماشینی ترکیب کنند؟

وقتی این دو پدیده به‌صورت گسترده‌ای آغاز شوند، تأثیر هوش مصنوعی بر جامعه از «همه کمی سریع‌تر کار می‌کنند» به تغییراتی در ساختارهای سازمانی، مرزهای شرکتی و روش‌های تخصیص منابع تبدیل خواهد شد.

در این زمینه می‌توانیم بسیاری از شخصیت‌های برجستهٔ هوش مصنوعی را به‌وضوح مشاهده کنیم. آن‌ها اغلب از فناوری‌های جدید و دستاوردهای انقلابی هیجان‌زده می‌شوند و پیش‌بینی‌های حسّاسی ارائه می‌دهند. با نگاهی بازگشتی، بیشتر این پیش‌بینی‌ها نادرست از آب درمی‌آیند، اما به‌دلیل آن، توجه و ارتباطات منابعی جدیدی به‌دست می‌آورند. این رویکردی هوشمندانه است؛ سود واقعی آن‌ها مهارت یا بهره‌وری در هوش مصنوعی نیست، بلکه توجه شماست. در مقابل، کسانی که فقط روی بهبود مهارت‌های هوش مصنوعی خود تمرکز می‌کنند بدون افزایش ارتباطات اجتماعی، بیش از حد جدی عمل می‌کنند.

پس من معتقدم تغییراتی که هوش مصنوعی در جامعه ایجاد می‌کند، احتمالاً از سه مرحله عبور خواهد کرد.

اولین مرحله تغییر در گره‌هاست. بهره‌وری فردی شما سه‌برابر، پنج‌برابر یا ده‌برابر می‌شود — همین چیزی است که اکنون در حال وقوع است.

دومین مرحله تغییر در ارتباطات است. برخی افراد به‌دلیل هوش مصنوعی مشتریان، سرمایه، توجه و توانایی‌های سازمانی بیشتری کسب می‌کنند و بدین‌ترتیب موقعیت خود را در شبکه تغییر می‌دهند.

سومین مرحله تغییر در توپولوژی شبکه است. سازمانی که قبلاً نیاز به صد نفر داشت، اکنون ممکن است تنها به دوجین نفر نیاز داشته باشد؛ وظایفی که قبلاً باید از طریق یک شرکت انجام می‌شد، اکنون توسط چند نفر و گروهی از عوامل (Agents) قابل انجام است و این امر منجر به ناپدید شدن برخی گره‌های میانی اولیه و ظهور گره‌های فوق‌قدرتی جدید می‌شود.

تنها در سومین مرحله هوش مصنوعی واقعاً ساختارهای اجتماعی را دگرگون می‌کند.