راهنمای روندهای اثرگذار هوش مصنوعی در کسب‌وکار سال ۲۰۲۵؛ از عامل‌ها و سامانه‌های چندوجهی تا سنجش بازده، حاکمیت و اجرای مسئولانه.
این مطلب نخست به‌عنوان چشم‌انداز ۲۰۲۵ منتشر شد. اکنون در بازبینی ۳۰ ژوئیه ۲۰۲۶ می‌توان کار مفیدتری انجام داد: انتظارها را با شواهد اندازه‌گیری‌شده مقایسه کرد. عامل‌ها و سامانه‌های چندوجهی پیش رفتند، استفاده سازمانی گسترده‌تر شد و حاکمیت شکل عملی‌تری گرفت؛ اما پذیرش همگانی، بهره‌وری خودکار و خودمختاری قابل اتکا محقق نشد و قوی‌ترین استقرارها محدودتر از بزرگ‌ترین پیش‌بینی‌های سال بودند.
بنابراین ۲۰۲۵ بیش از آن‌که سال «شرکت خودمختار» باشد، گذار از نمایش به پرسش عملیاتی بود: کدام فرایند بهتر شد؟ برای چه کسی؟ نسبت به کدام خط پایه؟ چه چیزی شکست خورد؟ سامانه اجازه چه اقدامی داشت؟ نتیجه به کدام داده و زیرساخت وابسته بود؟ همین پرسش‌ها دستور کار ۲۰۲۶ را می‌سازند.
پنج موضوع چشم‌انداز اولیه با واقعیت باقی ماند، ولی هر یک قید مهمی دارد:
شاخص هوش مصنوعی استنفورد ۲۰۲۶ مرور گسترده عملکرد فنی، فعالیت اقتصادی، افکار عمومی، سیاست و هوش مصنوعی مسئولانه را عرضه می‌کند. باید آن را ترکیب چندین مجموعه داده دانست، نه یک آزمایش که اثر همگانی کسب‌وکار را ثابت کند.
تحلیل پیمایش روند و چشم‌انداز کسب‌وکار اداره سرشماری آمریکا نمای ملی و دو‌هفته‌ای می‌دهد. پس از تغییر پرسش در نوامبر ۲۰۲۵ به استفاده از هوش مصنوعی در هر کارکرد کسب‌وکار، سهم گزارش‌شده از میانه دسامبر ۲۰۲۵ تا اوایل مه ۲۰۲۶ حدود ۱۷ تا ۲۰ درصد بود. برای دوره منتهی به ۳ مه ۲۰۲۶، رقم کل ۱۹٫۸ درصد، برای کسب‌وکار با حداقل ۲۵۰ نفر ۳۷ درصد، اطلاعات ۳۹٫۷ درصد و مالی و بیمه ۳۳٫۹ درصد بود.
این ارقام را نباید بی‌دقت با نظرسنجی مدیران، خریداران فناوری یا شرکت بزرگ آمیخت. متن پرسش، جامعه، دوره و تعریف «استفاده» پاسخ را عوض می‌کند. نتیجه قابل دفاع این است که استفاده معنادار اما نامتوازن شد: شرکت بزرگ و بعضی صنایع بیشتر گزارش کردند، ولی اکثریت این سنجه هنوز استفاده جاری نداشتند.
سازمان باید با فرایند و همتای واقعی خود مقایسه شود، نه با تیتر «همه متحول شده‌اند».
عامل مدل را با دستور، زمینه، ابزار، حالت و حلقه انتخاب اقدام بعدی ترکیب می‌کند. این معماری برای کار چندمرحله‌ای مانند بازیابی رکورد، تهیه مقایسه، پیش‌نویس به‌روزرسانی، بازکردن پرونده خدمت یا پیشنهاد تغییر کد مفید است.
جهش خطرناک برابر دانستن ابزار با خودمختاری قابل اعتماد است. هر گام احتمال بازیابی غلط، حالت مبهم، اقدام تکراری، مجوز اضافه یا سرایت خطا به مرحله بعد را می‌افزاید. سامانه تولیدی هدف محدود، اعتبارنامه حداقلی، حالت صریح، ابزار تکرارایمن، محدودیت زمان و هزینه، اعتبارسنجی پیش از نوشتن حساس و مسیر تشدید انسانی می‌خواهد.
خودمختاری را کنترل درجه‌بندی‌شده بدانید. سامانه می‌تواند آزادانه پیش‌نویس کند، چند منبع را بخواند، تغییر پیشنهاد دهد یا اقدام کم‌ریسک و برگشت‌پذیر انجام دهد؛ اما برای جابه‌جایی پول، تغییر حساب، انتشار، حذف، اثر ایمنی یا تعهد حقوقی تأیید بخواهد.
چندوجهی جایی ارزش دارد که مدرک کسب‌وکار متن پاک نیست: فاکتور، نقشه، عکس، فرم اسکن‌شده، تماس ضبط‌شده، تصویر کیفیت یا حالت صفحه. مدل می‌تواند استخراج، هم‌ترازی، دسته‌بندی، جست‌وجو یا خلاصه را کمک کند؛ اما نیاز به نگهداری اصل، مختصات، اطمینان و منشأ را حذف نمی‌کند.
هر وجه و تحویل میان آن‌ها را بسنجید. سامانه شاید عدد را درست رونویسی کند اما به ردیف غلط فاکتور بچسباند، خرابی را ببیند اما تجهیز را اشتباه بگیرد، یا تماس را خلاصه کند و رضایت یا شکایتی را که اقدام لازم را عوض می‌کند حذف کند.
برای تصمیم مهم، مسیر خروجی تا مدرک منبع را نگه دارید. وقتی کیفیت تصویر، زبان، صفحه‌آرایی، صدا یا زمینه بیرون دامنه اعتبارسنجی است، خودداری یا بازبینی بخواهید. عبارت «سند را می‌فهمد» نیازمندی تولیدی نیست.
مهم‌ترین درس ۲۰۲۵ این است که «هوش مصنوعی بهره‌وری را زیاد می‌کند» ثابت قابل انتقال نیست. مقاله کاری NBER درباره ۷٬۱۳۷ دانش‌کار در ۶۶ شرکت، دسترسی تصادفی به ابزار مولد یکپارچه را بررسی کرد. میان استفاده‌کنندگان فعال‌تر در نیمه بعد، حدود دو ساعت کاهش ایمیل هفتگی و کار کمتر بیرون ساعت دیده شد؛ پژوهش تغییر قابل تشخیصی در تعداد یا ترکیب وظیفه نیافت. این یک آزمایش میدانی است و مقاله اعلام می‌کند بعضی نویسندگان کارمند مایکروسافت بودند.
METR شانزده توسعه‌دهنده باتجربه متن‌باز را روی ۲۴۶ وظیفه در مخزن آشنای خود سنجید. با ابزار اوایل ۲۰۲۵، شرکت‌کنندگان ۱۹ درصد دیرتر تمام کردند، با آن‌که انتظار سرعت بیشتر داشتند. این نمونه کوچک و محیط مشخص است، نه حکم همه برنامه‌نویسی. ارزش آن نشان‌دادن این است که آشنایی، پیچیدگی، راستی‌آزمایی و نسل ابزار می‌تواند سود فرضی را معکوس کند.
مدیر باید بپرسد زمان کجا رفت. پیش‌نویس سریع شاید بازبینی را زیاد کند؛ کدنویسی آسان شاید دوباره‌کاری بسازد؛ جست‌وجوی سریع شاید کیفیت را بالا ببرد بی‌آن‌که حجم خروجی تغییر کند. زمان کامل چرخه، کیفیت پذیرفته‌شده، شدت خطا، دوباره‌کاری، خروجی، اثر مشتری و بار کارکنان را نسبت به خط پایه ثابت بسنجید.
هوش مصنوعی سازمانی اغلب بیرون مدل شکست می‌خورد: سیاست کهنه، شناسه ضعیف، سند دور از دسترس، مجوز ناسازگار، بازخورد گمشده یا منبع بی‌مالک. بازیابی پاسخ مستند را ممکن می‌کند، به شرط آن‌که مخزن تازه، فیلترشده با دسترسی و قابل مشاهده باشد.
راهنمای کیفیت داده و مشاهده‌پذیری هوش مصنوعی پایش تازگی، تبار، بازیابی و رانش را توضیح می‌دهد. هدف این نیست که پیش از شروع همه داده متمرکز شود؛ باید مدرک لازم برای فرایند محدود قابل اعتماد و قابل عیب‌یابی باشد.
تیم‌ها همچنین آموختند یک مدل لازم نیست همه درخواست‌ها را انجام دهد. مسیریابی بر پایه وظیفه، ریسک، تأخیر، حریم خصوصی و هزینه می‌تواند از راهبرد «همیشه بزرگ‌ترین مدل» بهتر باشد. مطلب مسیریابی مدل برای هزینه و کیفیت آزمون و جایگزین لازم را پوشش می‌دهد. صرفه‌جویی وقتی معتبر است که سامانه مسیریابی‌شده همچنان آستانه کیفیت و ایمنی وظیفه را رد نکند.
پروفایل هوش مصنوعی مولد NIST چارچوب داوطلبانه مدیریت ریسک را با ملاحظات بین‌بخشی در چهار کارکرد Govern، Map، Measure و Manage گسترش می‌دهد. این گواهی یا قانون نیست؛ ارزشش ساختار مشترک برای شناخت زمینه، سنجش خطر، تعیین اقدام و پایش نتیجه است.
قانون هوش مصنوعی اتحادیه اروپا در حوزه خود الزام‌آور است و تکلیف و تاریخ اجرا بر اساس ماده و نقش سامانه فرق دارد. قانون طبقه‌بندی مبتنی بر ریسک و تکلیف شفافیت و سامانه پرخطر دارد. شرکت باید نقش ارائه‌دهنده، بهره‌بردار، واردکننده یا توزیع‌کننده، کاربرد در دامنه و زمان اجرای حکم مربوط را مشخص کند.
راهنمای انطباق و حاکمیت قانون هوش مصنوعی این نقشه را عمیق‌تر بررسی می‌کند. دو میان‌بر اشتباه است: گفتن این‌که چارچوب داوطلبانه محصول را «منطبق» می‌کند، یا عرضه قانون یک حوزه به شکل چک‌لیست جهانی.
دیوان محاسبات آمریکا استفاده هوش مصنوعی مولد را در چند نهاد منتخب فدرال بررسی کرد. در یازده نهاد، موجودی کل کاربرد از ۵۷۱ مورد در ۲۰۲۳ به ۱٬۱۱۰ در ۲۰۲۴ و مورد مولد از ۳۲ به ۲۸۲ رسید. عملیات داخلی، جست‌وجو و خلاصه‌سازی از کاربردهای معمول بودند.
همین بررسی چالش گزارش‌شده دوازده نهاد را ثبت کرد: سیاست، منابع و بودجه، خرید، نیروی ماهر، به‌روزرسانی سیاست استفاده، قابلیت اعتماد و سوگیری، شفافیت و داده حساس. این یافته نهاد فدرال است، نه سرشماری شرکت خصوصی؛ بااین‌حال الگو آشناست: گرفتن مدل از تغییر خرید، دسترسی داده، پاسخ‌گویی، مهارت و پشتیبانی اطرافش آسان‌تر است.
روند پایدار، ظرفیت‌سازی است. تیم مرکزی می‌تواند مؤلفه تأییدشده، زیرساخت ارزیابی، هویت و لاگ، استاندارد فروشنده و آموزش ارائه کند. تیم حوزه همچنان باید مالک فرایند، مدرک، استثنا و نتیجه باشد.
پیش از پایلوت دفتر منفعت و هزینه بسازید:
اگر شد گروه کنترل یا عرضه مرحله‌ای داشته باشید. زمان ذخیره‌شده یک فعالیت را از ظرفیت آزادشده کل فرایند جدا کنید. اگر زمان صرف خدمت باکیفیت‌تر شد، همان را منفعت ثبت کنید و کاهش نیروی خیالی نسازید.
مرور ۲۰۲۵ یک سبد متمرکز پیشنهاد می‌کند:
شکاف رقابتی بیشتر میان سازمانی است که حلقه یادگیری منضبط اجرا می‌کند و سازمانی که فقط دمو راه می‌اندازد. کاربرد کوچک با مدرک قابل اعتماد، اقدام کنترل‌شده و اقتصاد روشن می‌تواند بیش از دستیار گسترده‌ای که کسی به آن اعتماد ندارد کسب‌وکار را بازتعریف کند.
هزینه پیاده‌سازی هوش مصنوعی در ایران به تومان: جدول برآورد مهر ۱۴۰۵ از چت‌بات آماده تا مدل روی GPU داخلی، ساخته‌شده از حقوق، اجاره سرور و قیمت توکن مستند، همراه برگه بودجه.
ادامه مطلب
پیش‌نویس سریع‌تر الزاماً کار کمتر نیست. راهنمای سنجش بهره‌وری دستیار سازمانی با احتساب بازبینی، اصلاح، کار ناتمام، کیفیت و هزینه واقعی پذیرش.
ادامه مطلب
چک‌لیستی مبتنی بر شواهد برای انتخاب شرکت هوش مصنوعی در ایران: تعریف مسئله، ارزیابی فارسی، امنیت داده، پایلوت قابل‌اندازه‌گیری و قرارداد خروج.
ادامه مطلباین مطلب بخشی از کتابخانه مرجع ژرف است. تحلیل‌های روز را در گزارش خبری بخوانید و راهنماهای عملی را در بلاگ ببینید.