فصل پنجم: ستونهای صنعت
هوش مصنوعی فقط شیوه کار کردن ما را تغییر نمیدهد، بلکه دینامیک و سازماندهی صنایع را نیز دگرگون خواهد کرد. مدلهای کسبوکار در بسیاری از حوزهها زیر و رو میشوند و سازمانهایی که موفق میشوند، آنهایی خواهند بود که بهترین حلقه بازخورد مثبت را میان انسانها، دادهها و هوش مصنوعی ایجاد میکنند. هر یک از این عناصر حیاتی هستند. انسانها همچنان اهمیت خواهند داشت. کارکنان باید در تولید و گزینش دادههایی که هوش مصنوعی را آموزش میدهند، نقش داشته باشند. این دادهها به نوبه خود به انسانها کمک میکنند کارآمدتر و موفقتر شوند. کسبوکارهایی که میتوانند این حلقه بازخورد را سریعتر از دیگران ایجاد و مدیریت کنند، رقبا را پشت سر خواهند گذاشت. کلید موفقیت اکثر شرکتها این خواهد بود که نهتنها دانش، بلکه تجربه و خرد را به داده تبدیل کنند و سپس این دادهها را به بینش قابلاستفاده تبدیل نمایند.
مزیت داده
هوش مصنوعی به سه مؤلفه اصلی وابسته است: الگوریتمها، قدرت پردازش و دادهها. اما بهجز برخی شرکتهای بزرگ فناوری و استارتآپهای هوش مصنوعی پیشرفته، بیشتر شرکتها الگوریتمهای خود را ایجاد نمیکنند؛ آنها به الگوریتمهایی وابسته خواهند بود که توسط شرکتهای فناوری توسعه یافته و فروخته میشوند، یا از طریق منابع متنباز[1] مانند Hugging Face در دسترس هستند.
قدرت پردازش دیگر عامل تمایز نخواهد بود؛ زیرا بیشتر شرکتها به همان نوع سرورهای مراکز داده دسترسی دارند که توسط بزرگترین شرکتهای فناوری مدیریت میشوند. در واقع، برای اکثر شرکتها، مزیت رقابتی در دادههای منحصربهفردی خواهد بود که در اختیار دارند. دسترسی به دادههای اختصاصی هر روز اهمیت بیشتری پیدا میکند و مالکیت معنوی نیز در همین دسته قرار میگیرد. به عنوان مثال، Disney به آرشیو گسترده فیلمهای خود دسترسی دارد؛ New York Times بیش از ۱۵۰ سال مقالههای بایگانیشده را در اختیار دارد و Pfizer دههها تحقیق و توسعه دارویی و نتایج آزمایشهای بالینی را ثبت و نگهداری کرده است. اما برای بیشتر شرکتها، بزرگترین منبع اطلاعات اختصاصی، دادههای مشتریان است.
در بخش عمدهای از دهه ۲۰۱۰، دادههایی که به شرکتها امکان تبلیغات هدفمند میداد، به یک کالای تجاری تبدیل شده بود و توسط واسطههای تخصصی جمعآوری و به بالاترین پیشنهاددهنده فروخته میشد. این واسطهها دادهها را از طریق کوکیهای ردیابی وبسایتها و اپراتورهای تلفن همراه جمعآوری میکردند. اما قوانین حفظ حریم خصوصی که از سال ۲۰۲۱ به اجرا درآمدهاند، این نوع ردیابی را بهمراتب دشوارتر کرده و در نتیجه، ارزش دادههایی را که شرکتها مستقیماً از مشتریان خود جمعآوری میکنند، افزایش داده است. همچنین، همانطور که خواهیم دید، هوش مصنوعی میتواند دادههای تولیدشده توسط کارکنان یک شرکت را به مزیت رقابتی بزرگتری تبدیل کند.
تبلیغات محصول شخصیسازیشده
سالهاست که بسیاری از کسبوکارها در جستجوی دستیابی به «شخصیسازی انبوه» هستند، یعنی ارائه محصول یا خدماتی کاملاً اختصاصی برای هر مشتری، در حالی که همچنان از مزایای تولید در مقیاس بزرگ بهرهمند میشوند. حتی شرکتهایی که خطوط تولید نسبتاً استانداردی دارند، آرزوی تطبیق تلاشهای بازاریابی خود با هر مشتری را دارند. اکنون، هوش مصنوعی بهسرعت در حال تحقق این رویاست.
برای مثال، Domino’s Pizza در مکزیک، بهطور سنتی از تبلیغات تلویزیونی، رادیویی، روزنامهای و حتی آنلاین استفاده میکرد که همه بهصورت غیرتفکیکی مشتریان را هدف قرار میدادند. ضربالمثلی قدیمی در تبلیغات میگوید: «نیمی از بودجه تبلیغات هدر میرود، اما نمیدانید کدام نیمه.»
چه کسانی بیشترین احتمال را داشتند که در یک شب سهشنبه پیتزا سفارش دهند؟ چه ساعتی احتمال گرسنگی آنها بیشتر بود؟ و بهترین پیامی که باید برای آنها ارسال میشد چه بود؟ Domino’s هیچ ایدهای نداشت. این شرکت اطلاعات زیادی از مشتریان خود جمعآوری کرده بود، اما نمیدانست چگونه آنها را تحلیل کند. اما Domino’s Mexico شروع به استفاده از دادههای خود در پلتفرم تحلیل داده مشتری به نام Segment کرد، که متعلق به شرکت فناوری Twilio در سانفرانسیسکو است. Segment مشتریان Domino’s را به چند دسته تقسیم کرد و با استفاده از هوش مصنوعی، پیشبینیهایی درباره بهترین پیامها، بهترین رسانهها و بهترین زمانها برای ارتباط با آنها ارائه داد. نتیجه این بود که Domino’s Mexico بازگشت سرمایه تبلیغات گوگل خود را ۷۰۰ درصد افزایش داد و هزینههای جذب مشتری را ۶۵ درصد کاهش داد، در حالی که نرخ نگهداشت مشتریان نیز افزایش یافته بود.
هوش مصنوعی به شرکتها امکان میدهد پایگاه مشتریان خود را به بخشهای بسیار دقیقتر تقسیم کنند. برای مثال، Intuit، سازنده نرمافزارهای TurboTax و QuickBooks، از هوش مصنوعی برای تغییر شیوه بخشبندی مخاطبان نرمافزار مالیاتی خود استفاده کرد. این شرکت از سه دسته بزرگ به ۴۵۰ مخاطب مختلف رسید که هرکدام پیامهای بازاریابی متناسبتری دریافت کردند. میزان تعامل با این پیامها از ۲۰ درصد به ۵۰ درصد افزایش یافت.
عامل محدودکننده دیگر دقت در هدفگیری مخاطبان نیست، بلکه توانایی تولید پیامهای کاملاً شخصیسازیشده برای هر مشتری است. اکنون، نرمافزارهای هوش مصنوعی تولیدی که میتوانند بینهایت پیام بازاریابی اختصاصی بنویسند و تحقق این نوع بازاریابی را امکانپذیر کردهاند.
به گفته جف لاوسون[2]، بنیانگذار و مدیرعامل پیشین Twilio، تنها مسئلهای که باقی میماند، میزان کنترل کیفی است که یک شرکت میتواند بر این پیامها حفظ کند. به دلیل غیرقابلاعتماد بودن مدلهای زبانی بزرگ، احتمالاً شرکتها تا آنجا پیش نخواهند رفت که برای هر مشتری تاکتیکهای بازاریابی متفاوتی به کار گیرند. اما آنها بهطور فزایندهای صدها بخشبندی خواهند داشت، در حالی که پیشتر حداکثر چند ده بخشبندی داشتند و این تغییر به افزایش قابلتوجه فروش و کاهش هزینههای هدررفته بازاریابی منجر خواهد شد.
انقلاب دادههای غیرساختاریافته
دادههای مشتریان میتوانند از منابع مختلفی مانند اپلیکیشنها، صندوقهای پرداخت و سوابق صورتحساب جمعآوری شوند. با این حال، انقلاب هوش مصنوعی امکان بهرهبرداری از منبعی کاملاً جدید را برای کسبوکارها فراهم کرده است. مدلهای زبانی بزرگ ارزش دادههای غیرساختاریافته مانند اسناد دیجیتال و تصاویر را آشکار میکنند. تقریباً هر کسبوکاری چنین دادههایی در اختیار دارد و اکنون میتواند با استفاده از هوش مصنوعی مبتنی بر LLM، بینشهای ارزشمندی از آنها استخراج کند.
تصور کنید یک فروشگاه کوچک خانوادگی که علاوه بر فروش حضوری، بهصورت آنلاین نیز فعالیت میکند. این فروشگاه با استفاده از یک مدل زبانی بزرگ میتواند ایمیلهای مشتریان را تحلیل کرده و روندها را شناسایی کند؛ برای مثال، آیا در این تابستان مشتریان بیشتر درباره Sauvignon blanc سوال میپرسند یا White Burgundy؟ یا اینکه آیا مشتریان یک منطقه خاص بیشتر از مشکلات مربوط به تحویل کالا شکایت دارند؟
پیش از این، استخراج و پیگیری چنین بینشهایی در طول زمان دشوار بود و نیاز به نیروی کار برای دستهبندی ایمیلها بر اساس موضوع داشت. اکنون این فروشگاه میتواند تماسهای تلفنی را ضبط کرده و از هوش مصنوعی برای تحلیل متن تماسها استفاده کند تا روندها را کشف و خدمات مشتریان را پایش کند. حتی میتواند مکالمات حضوری با مشتریان در فروشگاه را ضبط کند تا بفهمد کدام تکنیکهای فروش بهترین عملکرد را دارند. همچنین میتواند از ویدیوهای ضبطشده از مشتریان در حال خرید در فروشگاه استفاده کند و از سیستم هوش مصنوعی بخواهد تحلیل کند که کدام چیدمان محصولات بیشتر توجه را جلب میکند. اگر مشخص شود که مشتریان زیادی به بورگاندیهای فرانسوی علاقه نشان میدهند اما کمتر خرید میکنند، شاید یک پیشنهاد ویژه بتواند آنها را ترغیب به خرید کند.
پیش از انقلاب هوش مصنوعی، تنها خردهفروشیهای زنجیرهای بزرگ میتوانستند از فناوری برای دستیابی به چنین بینشهایی استفاده کنند. اما اکنون این نوع تحلیلها برای تقریباً هر خردهفروشی قابل دسترس است.
بیشتر از آنچه بتوانیم توضیح دهیم میدانیم!
«ما بیشتر از آنچه بتوانیم توضیح دهیم میدانیم.» این عبارت کلیدی را فیلسوف بریتانیایی-مجارستانی، مایکل پولانی[3]، برای توصیف ایده دانش تجربی استفاده کرد. او استدلال کرد که دانش انسانی درباره کارکرد جهان و جایگاه ما در آن، فراتر از درک صریح انسانی است. بسیاری از چیزها را میدانیم، بدون اینکه بدانیم چگونه آنها را میدانیم یا قادر باشیم توضیحشان دهیم. این موضوع در مورد مهارتهای فیزیکی مانند اسکی یا دوچرخهسواری صدق میکند. همچنین در بسیاری از استعدادهای خلاقانه مانند نوشتن، شعر، موسیقی، نقاشی و… نیز مشاهده میشود.
هنرمندان اغلب میدانند چه چیزی درست به نظر میرسد یا بهخوبی صدا میدهد، حتی اگر نتوانند دلیل آن را توضیح دهند. این حس شهودی همان چیزی است که اغلب هنرمندان را از دیگران متمایز میکند. دانش تجربی ویژگی کلیدی بسیاری از حرفهها نیز هست: پزشکی که فقط احساس میکند مشکلی در مورد یک بیمار وجود دارد و یک آزمایش اضافی تجویز میکند؛ وکیل مدافعی که در ذهنش میداند ادامه فشار بر یک شاهد، هیئت منصفه را از او دور خواهد کرد.
دیوید آتور[4]، اقتصاددان MIT، که در فصل ششم بیشتر درباره او خواهیم خواند، ناتوانی الگوریتمها در درک دانش تجربی را «پارادوکس پولانی[5]» نامید. او معتقد بود که این پارادوکس میتواند پدیدهای اقتصادی به نام «پارادوکس سولو[6]» را توضیح دهد.
این پارادوکس که نام آن از اقتصاددان فقید، رابرت سولو[7]، گرفته شده است، به اظهارنظر سولو در سال ۱۹۸۷ اشاره دارد که گفت: «کامپیوترها را همه جا میبینید، بهجز در آمار بهرهوری.» این پارادوکس به این واقعیت اشاره دارد که دیجیتالی شدن گسترده کسبوکارها، که قرار بود منجر به افزایش کارایی شود، با رشد قابلملاحظهای در بهرهوری نیروی کار همراه نبود. در ایالات متحده و بیشتر کشورهای توسعهیافته دیگر، رشد بهرهوری پس از سال ۱۹۷۳، با وجود دیجیتالیشدن بیشتر، بهطور قابلتوجهی کند شد. نرخ رشد در اواسط تا اواخر دهه ۱۹۹۰ برای مدت کوتاهی افزایش یافت، اما در بیست سال گذشته دوباره کاهش یافت.
آتور گمان میکرد که ناتوانی نرمافزار در درک دانش تجربی، پیشرفت اتوماسیون را کند کرده است. این موضوع قطعاً در مورد انواع قدیمیتر هوش مصنوعی که بر قوانین صریح متکی بودند، صادق بود. اگر انسانها نمیتوانستند مراحل انجام یک وظیفه را بنویسند، یک ماشین نیز نمیتوانست آن را انجام دهد.
اما اریک برینجولفسون[8]، اقتصاددان دانشگاه استنفورد که در مطالعهای درباره نمایندگان خدمات مشتری مبتنی بر هوش مصنوعی، که در فصل چهارم به آن پرداختیم، مشارکت داشت، معتقد است که هوش مصنوعی امروزی در حال تغییر این پویایی و غلبه بر پارادوکس پولانی است.
او میگوید: «یادگیری ماشینی قادر است دانش تجربی را رمزگذاری کند، حتی اگر یک انسان نتواند بهصراحت بگوید که قوانین چیست.» این موضوع اتوماسیون را در بسیاری از صنایع سرعت خواهد بخشید.
استخراج دانش پنهان
یکی از پرسشهای اساسی برای بسیاری از کسبوکارها این خواهد بود: چگونه میتوان دانش تجربی کارکنان را ثبت کرد؟ پاسخ به این پرسش پویاییهای جدیدی بین شرکتها و کارکنانشان ایجاد خواهد کرد. تحقیقات اریک برینجولفسون درباره خدمات مشتری نشاندهنده تنشهایی است که در شرکتهای استفادهکننده از دستیارهای هوش مصنوعی ایجاد خواهد شد.
یکی از یافتههای جالب این مطالعه به موضوع دستمزد مربوط میشود. دستیار هوش مصنوعی، که بر اساس شیوه کار بهترین نمایندگان مرکز تماس آموزش دیده بود، به کارکنان تازهوارد کمک کرد تا با موفقیت بیشتری به پرسشها پاسخ دهند. این امر فاصله عملکرد میان کارکنان جدید و باتجربه را کاهش داد. اما شرکت خدمات مشتری دستمزدها را بر اساس میزان برتری عملکرد یک نماینده نسبت به میانگین همکارانش تعیین میکرد. بنابراین، با بهبود عملکرد نمایندگان متوسط توسط هوش مصنوعی، بهترین نمایندگان شاهد کاهش دستمزد خود بودند، حتی اگر همین دانش تجربی آنها بود که منجر به افزایش بهرهوری کلی شده بود.
شرکتها در این عصر جدید باید با دقت درباره سیاستهای پاداش و حقوق فکر کنند. در بسیاری از حوزهها، کارفرمایان خواهند دید که کارشناسان داخلی و بهترین کارکنانشان برای مشارکت دادن دانش تجربی خود به دارایی فکری شرکت، خواستار دستمزد بیشتری هستند.
دیوید آتور، تخصص حرفهای را به سه جزء تقسیم میکند: دانش رسمی، رویهها و قضاوت. دانش رسمی میتواند در کلاس درس آموزش داده شود. رویهها گامهای عملیای هستند که یک حرفهای برای انجام وظایف برمیدارد و اغلب در حین کار آموخته میشوند. در نهایت، قضاوت وجود دارد که شاید مهمترین جزء تصمیمگیری حرفهای باشد. به گفته آتور، قضاوت «بین دانش رسمی و عمل واقعی، میانجیگری میکند.» هوش مصنوعی قضاوت را خودکار نخواهد کرد. بلکه به گفتهی او: «عنصر قضاوت، همچنان بسیار ارزشمند خواهد بود.»
اصول قضاوت جایی نوشته نشده است و شاید هرگز هم به زبان نیاید. قضاوت در ذهن متخصصان باتجربه جای دارد و طی سالها توسعه مییابد. اغلب این متخصصان نمیتوانند توضیح دهند که چگونه میدانند یک اقدام خاص درست است؛ آنها بر اساس شهود عمل میکنند، شاید حتی بیشتر از آنچه خودشان اذعان داشته باشند. به عبارت دیگر، بخش عمدهای و شاید حتی بیشتر، از تخصص حرفهای را دانش تجربی تشکیل میدهد.
در بسیاری از صنایع، دادههایی که میتوان از آنها دانش تجربی را استخراج کرد، هنوز وجود ندارند. اما شرکتها شروع به ایجاد چنین دادههایی خواهند کرد. امروزه، ضبط تماسها «برای اهداف کیفیت و آموزش» در بسیاری از کسبوکارها رایج است. این رویه احتمالاً به صنایعی گسترش خواهد یافت که چرخه فروش در آنها طولانیتر و تراکنشها کمحجمتر اما باارزشتر هستند، مانند قراردادهای تأمین چندمیلیوندلاری یا معاملات املاک تجاری. میتوان تصور کرد که شرکتها ضبط تمام جلسات و تماسهای کاری را الزامی کنند تا هوش مصنوعی بتواند دانش تجربی مدیران ارشد شرکت را استخراج کند.
چند سال پیش، ثبت این نوع دادهها در سراسر یک شرکت امکان پذیر نبود. اما اکنون، تشخیص صدا پیشرفت کرده و امکان ایجاد رونویسیهای تقریباً دقیق در لحظه را فراهم کرده است. این رونویسیها میتوانند به مدلهای هوش مصنوعی کمک کنند تا با دقت بیشتری تنظیم شوند و یک اثر چرخلنگری ایجاد کنند. این تحول یکشبه اتفاق نخواهد افتاد. بسیاری از حرفهایها این ایده را که نظارت بر محیط کار میتواند غیرسازنده یا حتی نگرانکننده باشد، رد میکنند. آنها ممکن است نسبت به بازتولید دیجیتالی تخصصشان توسط شرکت، بدون دریافت پاداش مناسب، بیمیل باشند. این وضعیت میتواند به ایجاد مناقشات کاری منجر شود. به دلیل مقاومت کارکنان و قوانین حفظ حریم خصوصی دادهها در برخی مناطق، که نظارت بر کارکنان را به این روش غیرممکن میکند، ثبت دانش تجربی بهآرامی و بهطور نابرابر پیش خواهد رفت.
هنوز کاملاً از پارادوکس پولانی عبور نکردهایم. شرکتها همچنان برای آینده قابل پیشبینی به کارشناسان انسانی و مربیان انسانی نیاز خواهند داشت. در واقع، به جای جایگزین کردن تخصص انسانی، همانطور که برخی حامیان هوش مصنوعی پیشنهاد دادهاند، هوش مصنوعی احتمالاً ارزش برترین کارشناسان جهان را افزایش خواهد داد. این موضوع سه دلیل دارد: اول، دانش تجربی که در اختیار دارند و میتوانند به سیستمهای هوش مصنوعی منتقل کنند. دوم، ارزش شبکههای حرفهای آنها که هوش مصنوعی قادر به بازتولید آنها نیست و در نهایت، در دنیایی که هوش مصنوعی دستیابی به نتایج متوسط را برای کارکنان کمتجربه آسانتر میکند، کارشناسانی که میتوانند عملکردی بسیار بالاتر از متوسط ارائه دهند، تقاضای بیشتری خواهند داشت.
برنده همه را میبرد
تمایل هوش مصنوعی به کمک به بهترین عملکردها برای کسب درآمد بیشتر، ساختار بسیاری از حرفهها را متحول خواهد کرد. در حوزههای بیشتری، سیستم ستارهها[9] غالب خواهد شد؛ جایی که تعداد کمی از افراد برتر بخش بزرگی از سود را به خود اختصاص میدهند.
سیستمهای ستارهای مدتها است که در ورزشهای حرفهای و صنعت سرگرمی وجود دارند. اما این سیستمها اکنون در حال بازتعریف حرفههایی متنوع مانند روانپزشکی، جراحی پلاستیک، کدنویسی نرمافزار، طراحی و روزنامهنگاری هستند. هوش مصنوعی این روند را تسریع خواهد کرد.
این تحول مدلهای کسبوکار را مختل خواهد کرد، بهویژه اینکه دستیارهای هوش مصنوعی به ستارهها این امکان را میدهند که بدون نیاز به تیمهای پشتیبانی بزرگ، مؤثرتر کار کنند. شرکتهای بزرگ حقوقی، مشاورهای و بانکهای سرمایهگذاری ممکن است به دردسر بیفتند، زیرا شرکای پردرآمدشان، با کمک دستیارهای هوش مصنوعی برای انجام کارهای جزئی، از آنها جدا شده و شرکتهای کوچک و مستقلی تشکیل خواهند داد. ارزش فزاینده ستارهها فقط یکی از جریانهای ایجادشده توسط هوش مصنوعی خواهد بود که احتمالاً شرایط سختی را برای بسیاری از شرکتها به وجود میآورد. در بسیاری موارد، دستیارهای هوش مصنوعی زمین بازی را هموارتر کرده و به کسبوکارهای کوچک این امکان را میدهند که بهطور مؤثرتر با شرکتهای بزرگتر رقابت کنند.
برای مثال، ژوآو فریرا دو سانتوس[10]، مدیر اجرایی یک شرکت نوپای تولید تیشرت در پرتغال، در مارس ۲۰۲۳ در لینکدین اعلام کرد که ChatGPT را بهعنوان «مدیرعامل» شرکت خود منصوب کرده است. دو سانتوس گفت که تنها وظیفهاش اجرای کارهایی است که ChatGPT پیشنهاد میکند. این شرکت از نرمافزار تولید تصویر مبتنی بر متن Midjourney برای طراحی تیشرتهای خود استفاده کرد و نام شرکتش را AIsthetic Apparel گذاشت. با سرمایه اولیه ۱۰۰۰ دلاری و ۲۵۰۰ دلار سرمایهگذاری خارجی، این شرکت توانست در هفته اول ۱۰,۰۰۰ دلار تیشرت بفروشد.
کسبوکارهای کوچک تنها کسانی نیستند که از هوش مصنوعی برای تعیین استراتژی استفاده میکنند. شرکت چینی تولید بازیهای ویدیویی NetDragon Websoft، با حدود ۱ میلیارد دلار فروش سالانه، ادعا کرده که یک ربات هوش مصنوعی به نام Tang Yu را بهعنوان مدیرعامل خود منصوب کرده است.
این آزمایشها رابطه معمول بین انسان و دستیارهای هوش مصنوعی را بهطور اساسی دگرگون کردهاند. در اینجا، انسانها بهطور داوطلبانه اختیار تصمیمگیری را به یک هوش مصنوعی واگذار کرده و خود به دستیارهای هوشمند تبدیل شدهاند. البته، نیازی نیست اینقدر پیش برویم تا ببینیم که ظهور دستیارهای هوشمند چگونه میتواند به حرفهایها کمک کند تا کسبوکارهای کوچک یا فعالیتهای مستقل را آغاز کنند، حتی اگر این امر باعث شود که شرکتهای بزرگ بخشی از سهم خود را در بازار از دست بدهند. این روند با یک گرایش متضاد به تمرکز بیشتر در بسیاری از حوزهها همزیستی خواهد داشت. در عصر هوش مصنوعی، داده قدرت است و بزرگترین بازیگران هر صنعت معمولاً بیشترین داده را دارند؛ خواه دادههای مشتری، دادههای تأمینکننده، دادههای مربوط به شرایط قرارداد، یا دیگر اشکال مالکیت معنوی. با استفاده از هوش مصنوعی برای پردازش این اطلاعات، آنها پیشبینیهای دقیقتری نسبت به کسانی که داده کمتری دارند، انجام خواهند داد.
برای یک شرکت بزرگ معماری، این ممکن است به معنای طرحهای بهتر باشد؛ برای یک استودیوی بزرگ فیلم، فیلمنامههای بهتر و برای یک شرکت حقوقی بزرگ، قراردادهای بهتر. در مجموع، این چرخه چرخلنگری دادهها منجر به تمرکز بیشتر قدرت در بسیاری از صنایع خواهد شد.
احتمالاً کسبوکارهای متوسط بدترین شرایط را تجربه خواهند کرد: آنها نه آنقدر کوچک هستند که بتوانند از هزینههای پایین شرکتهای کوچک مبتنی بر هوش مصنوعی بهره ببرند و نه آنقدر بزرگ که مزایای دادهای شرکتهای عظیم را داشته باشند. این وضعیت باعث خواهد شد که بهتدریج از بازار حذف شوند.
عصر جدید مالکیت فکری
در این دوران نوین، مالکیت فکری[11] (IP) به یکی از حیاتیترین داراییها تبدیل خواهد شد. همه شرکتها نیاز به استراتژی دقیق و حسابشدهای برای بهرهبرداری بهینه از IP خود خواهند داشت. داشتن دادههای مناسب برای تنظیم دقیق الگوریتمهای هوش مصنوعی احتمالاً یک مزیت رقابتی مهم خواهد بود و میتواند تعیین کند که کدام شرکتها بر یک حوزه مسلط میشوند و کدامها به سختی پیش میروند.
اما داشتن کتابخانهای از IPهای گذشته تنها یک دارایی است. اینجا نیز نیروهای متضادی در کار خواهند بود: هوش مصنوعی مولد برای آموزش به IPهای گذشته متکی است. اما این فناوری زمان و هزینه تولید محتوای جدید و خلق IP جدید را بهشدت کاهش میدهد. این امر شرکتهایی را که سنتاً با بهرهبرداری از IP موفق بودهاند؛ مانند استودیوهای هالیوودی و خانههای نشر را وادار خواهد کرد با نسل جدیدی از خالقان محتوا همکاری کنند.
در می ۲۰۲۳، کارگردان Paul Trillo با استفاده از نرمافزار هوش مصنوعی مولد Runway Gen 2 که میتواند از دستورات متنی کلیپهای ویدئویی کوتاه تولید کند، یک فیلم کوتاه ۲ دقیقه و ۲۵ ثانیهای به نام Thank You for Not Answering ساخت. تریلو کلیپهای کوتاهی را که با Gen 2 ساخته بود، مونتاژ کرد تا جلوههای بصری فیلم را بسازد و سپس از نرمافزار تولید صدای هوش مصنوعی شرکت ElevenLabs برای روایت فیلم استفاده کرد. او همچنین افکتهای صوتی و موسیقی را با استفاده از نرمافزارهای دیگر اضافه کرد.
یک ماه بعد، شرکت Waymark، مستقر در دیترویت، با استفاده از تکنیکهای متفاوت هوش مصنوعی، فیلمی ۱۲ دقیقهای به نام The Frost تولید کرد. این شرکت از فیلمنامهای که یکی از تهیهکنندگان اجرایی نوشته بود، استفاده کرد و با DALL-E 2، نرمافزار تولید تصویر OpenAI، مجموعهای از تصاویر ثابت برای داستان ایجاد کرد. سپس این تصاویر را با کمک نرمافزار D-ID انیمیشنهای جزئی، مانند حرکات لب و پلک زدن یا افکتهای زوم دوربین، اضافه کرد. نتیجه یک تریلر روانشناختی متقاعدکننده بود.
در فوریه ۲۰۲۴، OpenAI سیستم تولید ویدئوی مبتنی بر متن به نام Sora را معرفی کرد که میتوانست ویدئوهای یکدقیقهای با واقعگرایی بالا و درک عمیق از «زبان سینمایی[12]» مانند ترتیب نماها، زوایا، زومها و پانها[13] ایجاد کند.
طی چند سال، ساخت فیلمهای بلند با این روش ممکن خواهد شد و آن هم با تیمهای تولید و بودجههایی بسیار کمتر از حتی فیلمهای مستقل امروزی. این دموکراتیزه کردن رادیکال تولید فیلم، بزرگترین تغییر در تاریخ هالیوود خواهد بود؛ بزرگتر از عبور از سینمای صامت به ناطق یا حتی ظهور VHS [14]و استریمینگ. این تغییرات بزرگ بودند، اما نیاز به تعداد زیادی نیروی کار و استعداد را بهطور اساسی تغییر ندادند. اکنون، کاری که زمانی نیازمند دهها یا صدها نفر و تجهیزات تخصصی بود، میتواند توسط یک نفر با یک لپتاپ انجام شود.
در حالی که تأثیر این تحول بر فیلمسازان مستقل را در فصل هشتم بررسی خواهیم کرد، در اینجا تمرکز بر تأثیر آن بر شرکتهای سرگرمی و رسانه است. بعید است که استودیوها ناپدید شوند. در دنیایی که هوش مصنوعی مولد، سیلی از فیلمها را ایجاد میکند، توانایی توزیع و بازاریابی استودیوهای بزرگ بیش از هر زمان دیگری حیاتی خواهد بود. اگرچه افراد میتوانند محتوا را در رسانههای اجتماعی بارگذاری کنند، اما رسانههای اجتماعی برای فیلمهای بلند مناسب نیستند. برای جلب مخاطبان گسترده، کارگردانهای فیلمهای ساختهشده با هوش مصنوعی به حمایت شرکتهای بزرگ نیاز خواهند داشت. علاوه بر این، استودیوها مجموعه عظیمی از مالکیتهای فکری دارند که میتوانند برای ایجاد فیلمهای مبتنی بر هوش مصنوعی خود یا حتی توسعه نرمافزارهای تولید ویدئو داخلی استفاده کنند.
اما تنشهای فزایندهای درباره میزان مجاز استودیوها برای استفاده از آرشیوها و کاتالوگهای گذشتهشان برای این اهداف وجود خواهد داشت. اعتصابات ۲۰۲۳ توسط اتحادیههای نویسندگان و بازیگران هالیوود، که در آنها هوش مصنوعی مسئلهای مهم بود، پیشنمایشی از این نبردهای آینده است. توافق استودیوها مبنی بر اینکه تصاویر بازیگران نمیتوانند بدون رضایت و پاداش عادلانه برای ایجاد آواتارهای دیجیتال استفاده شوند، جای تحسین دارد. با این حال، بسیاری از بازیگران جوانتر و کمتر شناختهشده ممکن است احساس کنند که برای واگذاری این حقوق تحت فشار قرار میگیرند، آن هم تحت شرایطی که به نفع استودیوهاست.
مصالحهای که نویسندگان به آن رسیدند، ممکن است در صنایع دیگر نیز دنبال شود: استفاده از هوش مصنوعی برای تکمیل نویسندگان انسانی مجاز است، اما نباید به کاهش اعتبار و جبران آنها منجر شود.
ورقخوردن صنعت نشر
فراتر از صنعت سرگرمی، یکی از تحولات عمیق، در حوزه نشر رخ خواهد داد. هوش مصنوعی نهتنها میتواند به نویسندگان در نگارش کمک کند، بلکه نحوه خواندن کتابها و در نتیجه، اقتصاد این صنعت را تغییر خواهد داد.
بهراحتی میتوان تصور کرد که خوانندگان خواهان یک «یار مطالعه» هوش مصنوعی باشند که به سوالات پاسخ دهد، به دنبال منابع ناآشنا بگردد یا تحلیلهای ادبی ارائه دهد. حتی ممکن است مانند یک باشگاه کتاب مجازی عمل کند، بدون نیاز به انتظار برای جلسات ماهانه.
ناشران برای ساخت چنین همراهان هوش مصنوعی به رقابت خواهند پرداخت. نویسندگان پرفروش و محبوب، بهویژه نویسندگان ژانری، ممکن است «همخوانهای هوش مصنوعی» مختص خود را ایجاد کنند که به آثارشان کاملاً آشنا باشند. میتوان همراهان خواندن هوش مصنوعی را تصور کرد که برای طرفداران هری پاتر یا شرلوک هولمز طراحی شدهاند. تمایل به دسترسی به این همراهان ممکن است دوباره تقاضا برای کتابهای الکترونیکی را افزایش دهد؛ بازاری که از سال ۲۰۱۲ دچار رکود شده است.
شرکت فناوری YouAI یک چتبات یار مطالعه به نام Book AI ایجاد کرده و با ناشران درباره ارائه ابزارهای مشابه صحبت کرده است. همچنین افراد مختلفی «GPTهای کتابخوان» ساخته و آنها را در فروشگاه GPT شرکت OpenAI برای همین منظور عرضه کردهاند.
ناشران خبری مانند Semafor و Fortune و همچنین نشریات فناوری مانند MacWorld و PCWorld، چتباتهایی را بر اساس آرشیو خود آموزش دادهاند تا به سوالات خوانندگان پاسخ دهند و مقالات مرتبط پیشنهاد کنند. ناشران احتمالاً تمایلی به استفاده از هوش مصنوعی برای نوشتن کتاب نخواهند داشت، زیرا محتوای تولیدشده توسط هوش مصنوعی نمیتواند حق کپیرایت داشته باشد.
با این حال، ممکن است انتظار داشته باشند که نویسندگان با کمک یک دستیار هوش مصنوعی سریعتر نسخههای دستنویس خود را تولید کنند. همانطور که در فصل هشتم درباره تأثیر هوش مصنوعی بر هنرهای خلاقانه بررسی خواهیم کرد، درگیریهایی بین نویسندگان و ناشران در حال شکلگیری است بر سر اینکه چه کسی حق استفاده از آثار نویسندگان برای آموزش سیستمهای هوش مصنوعی را دارد. اما در حال حاضر، ناشران از هوش مصنوعی برای بهینهسازی متادیتاهایی که برای فهرستکردن عناوین استفاده میشود بهره میبرند، بهطوری که پیدا کردن کتابها در سایتهایی مانند آمازون آسانتر شود.
آنها همچنین در حال آزمایش صداهای تولیدشده توسط هوش مصنوعی برای تولید کتابهای صوتی هستند. بهویژه برای عناوینی که فروش کمتری دارند. برخی ناشران نیز به سراغ هنر تولیدشده توسط هوش مصنوعی برای طراحی جلد یا تصویرسازی کتابهای کودکان رفتهاند. همانطور که در سایر صنایع دیده میشود، توانایی ارائه این خدمات با نیروی انسانی کمتر ممکن است به ناشران کوچک و مستقل اجازه دهد که با ناشران بزرگ رقابت کنند.
تسلط بیشتر غولهای فناوری
در بیست سال گذشته، تعداد انگشتشماری از شرکتها بر صنعت فناوری مسلط بودهاند: Apple، Amazon، Microsoft، Google و Meta. در چین نیز شرکتهای Baidu و Tencent بیشترین نفوذ را داشتهاند. هوش مصنوعی احتمالاً این موقعیت را برای رهبران کنونی تقویت خواهد کرد. بااینحال، ممکن است فرصتی ایجاد کند تا یکی دو بازیگر جدید به این باشگاه وارد شوند.
مدلهای هوش مصنوعی همهمنظوره، که به «مدلهای بنیادین[15]» معروف هستند زیرا بسیاری از کاربردها میتوانند بر پایه آنها ساخته شوند، همچنان در انحصار غولهای فناوری موجود و تعداد معدودی از استارتآپهای پرمنابع باقی خواهند ماند که با این شرکتها همکاری نزدیکی دارند. فقط این شرکتها منابع کافی برای ایجاد و نگهداری مراکز دادهای بزرگ، شامل دهها یا صدها هزار GPU، را دارند تا قدرتمندترین مدلهای هوش مصنوعی را آموزش داده و اجرا کنند.
Microsoft صدها میلیون دلار برای ساخت خوشه ابررایانهای که مدلهای GPT شرکت OpenAI را آموزش داده، هزینه کرده است. علاوه بر این، خود OpenAI بیش از ۱۰۰ میلیون دلار برای آموزش مدل GPT-4 با یک تریلیون پارامتر هزینه کرده است. مدل قدرتمند Gemini Ultra از Google، پنج برابر قویتر و بهطور قابلتوجهی بزرگتر از GPT-4 گزارش شده است.
درحالیکه سم آلتمن از OpenAI مطرح کرده که ممکن است مزایای توسعه مدلهای بزرگتر به نقطه اوج خود رسیده باشد، بعید است که قابلیتهای پیشرفته بهزودی در اختیار شرکتهایی که به خوشههای ابررایانهای دسترسی مستقیم ندارند، قرار گیرد.
اگرچه بسیاری از محققان برجسته یادگیری ماشینی در سالهای اخیر شرکتهای بزرگ فناوری را ترک کرده و به استارتآپها پیوستهاند، اما اکثر این استارتآپها برای دسترسی به قدرت محاسباتی موردنیاز خود، روابط نزدیکی با این غولها ایجاد کردهاند. شرکتهای بزرگ فناوری حتی تحت نظارتهای قانونی، کنترل زیادی بر این استارتآپها دارند. برای مثال، طبق شرایط سرمایهگذاری Microsoft در OpenAI، این شرکت عملاً برای سالهای آینده مالک ۷۵ درصد از سود OpenAI خواهد بود. Amazon نیز سرمایهگذاری زیادی در Anthropic انجام داده است، درحالیکه Nvidia در شرکت Cohere سرمایهگذاری کرده است.
بعید است که غولهای فناوری در ساخت فناوریهای هوش مصنوعی عمومی از استارتآپها عقب بمانند. Microsoft بهسرعت هوش مصنوعی مولد را در محصولات خود، مانند مجموعه Microsoft 365 (شامل Word، Excel، PowerPoint و Teams)، ادغام کرده است. Google نیز همین روند را با اپلیکیشنهای Workspace خود در پیش گرفته است.
بااینحال، استارتآپها نقش مهمی در توسعه نسل جدید ابزارهای خاص صنعت خواهند داشت. این سیستمها نه برای وظایف عمومی مانند ایجاد صفحات گسترده یا صورتحسابها، بلکه برای کاربردهای هدفمندتری مانند منابع انسانی، مالی شرکتها، مدیریت پرتفوی[16]، حقوق و معماری طراحی شدهاند. بسیاری از این نرمافزارها ممکن است بر پایه مدلهای بنیادین ساختهشده توسط غولهای فناوری اجرا شوند، اما برای کارکردهای محدودتر بهینهسازی شده و رابطهای کاربری اختصاصی خواهند داشت که برای متخصصان آن حوزهها مناسبتر است.
[1] Open Source
[2] Jeff Lawson
[3] Michael Polanyi
[4] David Autor
[5] Polanyi’s paradox
[6] Solow’s paradox
[7] Robert Solow
[8] Erik Brynjolfsson
[9] Star System
[10] João Ferrão dos Santos
[11] Intellectual Property
[12] Cinematic Grammar
[13] در سینما، پان (Pan) مخفف پنینگ (Panning) است و به نوعی حرکت دوربین اشاره دارد که در آن دوربین حول محور عمودی یا افقی خود میچرخد، اما از جایی که قرار دارد حرکت نمیکند.
[14] Video Home System – دستگاه پخش ویدیو
[15] Foundation Model
[16] Portfolio Management
