چگونه بازدهی سرمایه‌گذاری در هوش مصنوعی را اندازه‌گیری کنیم؟

این روایت مختصر از پیدایش پذیرش هوش مصنوعی چندان هم منصفانه نیست. تا زمانی که سازمان‌ها در تلاش‌اند کارکنان را به استفاده از این فناوری ترغیب کنند، همچنان می‌توان به شاخص‌هایی مانند میزان مصرف توکن توسط کارکنان توجه کرد. مدیرعامل یک شرکت نرم‌افزاری می‌گوید: «انتظار دارم مهندسان نرم‌افزار بیشتر از یک تحلیلگر مالی هزینه ایجاد کنند؛ اما برای هیچ‌کس در واحد مالی نباید میزان استفاده صفر باشد.»

برای پرمصرف‌ترین کاربران، دوران «توکن‌مکسینگ» روبه‌پایان است

اما شاخص‌های میزان استفاده که به آن‌ها شاخص‌های ورودی (input measures) نیز گفته می‌شود، نشان نمی‌دهند که آیا واقعاً ارزشی ایجاد شده است یا نه. به گفته «میکا رووکونن» (Mika Ruokonen) از دانشگاه LUT فنلاند حتی زمانی که هوش مصنوعی مزایایی ایجاد می‌کند، بخش قابل‌توجهی از این مزایا بی‌سروصدا و در قالب صرفه‌جویی‌های پراکنده در زمان، نصیب افراد می‌شود.

تغییر تمرکز به سمت بازدهی سرمایه‌گذاری در هوش مصنوعی به معنای تمرکز بیشتر بر شاخص‌های مبتنی بر خروجی (outcome-based measures) است؛ شاخص‌هایی مانند بهره‌وری تیم یا رضایت مشتری. اما طراحی این شاخص‌ها نیازمند دقت و تأمل است. برای مثال، دانشمندان با استفاده از هوش مصنوعی مقالات بیشتری تولید می‌کنند (عالی است!) که کیفیت و ارزش علمی برخی از آن‌ها محل تردید است (چندان عالی نیست!). مطالعه‌ای که اخیراً «تولسی سوچاک» (Tulsi Suchak) از دانشگاه Surrey و همکارانش انجام داده‌اند، نشان می‌دهد مقالات حاصل از یک مجموعه‌داده در حوزه سلامت و تغذیه، بین سال‌های ۲۰۱۴ تا ۲۰۲۱ به طور متوسط سالانه چهار مقاله بوده‌اند؛ اما در ۹ ماه نخست سال ۲۰۲۴، این رقم به ۱۹۰ مقاله رسیده است.

پایگاه aiXiv؛ جایی برای مقاله، نویسنده و داور هوش مصنوعی

تولید دانش در عصر مدل‌های زبانی بزرگ

بنابراین، شاخص‌های مبتنی بر خروجی باید به‌گونه‌ای طراحی شوند که هم اثرات مثبت و هم اثرات منفی هوش مصنوعی را ثبت کنند. برای مثال، مهندسان در گوگل از مدت‌ها پیش بر اساس سه بُعد ارزیابی می‌شوند.

• سرعتمثلاً بازبینی کد (code review) چقدر طول می‌کشد؟
• سهولتدر سیستم، برای کارهایی مانند ورود و راه‌اندازی توسعه‌دهندگان جدید، چه میزان اصطکاک وجود دارد؟
• کیفیت«ریچارد سروتر» (Richard Seroter) از Google Cloud در باب اهمیت حیاتی آخرین بُعد می‌گوید: «نمی‌خواهم فقط سریع پیش برویم و ارسال نرم‌افزارهای افتضاح را آسان کنیم.»

موضوع زمانی پیچیده‌تر می‌شود که در نظر بگیریم مزایای هوش مصنوعی اغلب با تأخیر خود را نشان می‌دهند. افراد باید زمانی را صرف یادگیری نحوه استفاده از این فناوری کنند. افزایش خروجی نیز ممکن است در بخش‌های دیگر سازمان گلوگاه ایجاد کند. مقاله‌ای که سال گذشته «کریستینا مک‌الهِرَن» (Kristina McElheran) از دانشگاه تورنتو و همکارانش منتشر کردند، پذیرش هوش مصنوعی در شرکت‌های تولیدی آمریکا را بررسی و وجود پدیده‌ای موسوم به «منحنی J» (J-curve) را تأیید کرد؛ پدیده‌ای که در آن بهره‌وری ابتدا کاهش می‌یابد و سپس به بهبود منجر می‌شود. این اثر در شرکت‌های باسابقه و تثبیت‌شده، پررنگ‌تر است و به نظر می‌رسد بخشی از آن ناشی از تغییراتی در شیوه‌های مدیریتی باشد که پیش‌تر به شرکت‌ها کمک می‌کردند عملکرد خود را زیر نظر داشته باشند. هر نوع محاسبه درباره بازدهی پیش‌بینی‌شده باید این دوره اولیه اختلال را در نظر بگیرد.

مدیران همچنین باید درباره موضوعی بسیار بنیادی‌تر تصمیم بگیرند
دقیقاً به دنبال چه نوع بازدهی هستند؟
یکی از راه‌های نشان‌دادن بازدهی مالی هوش مصنوعی این است که از صرفه‌جویی در زمان به‌عنوان توجیهی برای کاهش تعداد کارکنان استفاده کنیم. برای برخی مشاغل و در برخی شرایط، این اقدام ممکن است منطقی باشد. اما اره‌برقی و روحیه کارکنان تقریباً به‌اندازه نمک و لیسه‌ها (حلزون‌های بی‌صدف) با یکدیگر سازگارند. علاوه بر این، افرادی که دیگر در سازمان حضور ندارند، نمی‌توانند در جای دیگری به کار گرفته شوند تا بهره‌وری بیشتری ایجاد کنند. گزینه بهتر این است که محاسبه کنیم هوش مصنوعی چه مقدار از هزینه موردنیاز برای افزایش تعداد کارکنان را صرفه‌جویی می‌کند. تعیین اینکه چه مقدار درآمد اضافی را می‌توان به این فناوری نسبت داد، حتی بیشتر از جنس هنر است؛ دست‌کم، برای جداکردن اثر هوش مصنوعی به داده‌های پایه مناسب و فرهنگی مبتنی بر آزمون A/B نیاز دارید.

فراتر از همه این موارد، درباره اینکه هوش مصنوعی در آینده به کجا خواهد رفت، عدم‌قطعیت شدیدی وجود دارد. این وضعیت دلیلی است برای‌آنکه در کنار شاخص‌های مربوط به ورودی‌ها و خروجی‌ها، دسته سومی از شاخص‌ها نیز در نظر گرفته شود. سروتر این شاخص‌ها را «مبتنی بر سازمان» (organisation-based) می‌نامد؛ شاخص‌هایی که بیشتر بر سنجش میزان موفقیت سازمان در مدیریت تغییر متمرکزند. این شاخص‌ها می‌توانند شامل داده‌هایی درباره میزان رضایت کارکنان از نحوه پیاده‌سازی هوش مصنوعی یا میزان پیشرفت سازمان در ایجاد تخصص داخلی در حوزه‌هایی باشند که هوش مصنوعی آن‌ها را خودکار نخواهد کرد.

تمرکز یک‌جانبه بر میزان استفاده، اهمیت بازدهی را نادیده می‌گیرد. تمرکز خشک و انعطاف‌ناپذیر بر بازدهی نیز ضرورت ادامه یادگیری را نادیده می‌گیرد.

گزارش حاضر در نسخه Augst 22nd 2026 نشریه The Economist منتشر شده است.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.