استفاده از هوش مصنوعی می‌تواند نوآوری را سرکوب کند؛ اما این سرنوشت اجتناب‌ناپذیر نیست

نویسندگان HBR نحوه یادگیری سازمان‌ها را مطالعه می‌کنند و پژوهش اخیرشان که در نشریه Management Science منتشر شده، با استفاده از یک مدل تحلیلی صوری تحت عنوان چارچوبی ریاضی که بررسی می‌کند افراد در یک سازمان چگونه تصمیم می‌گیرند میان کاوش مستقل یا استفاده مجدد از یافته‌های دیگران یکی را انتخاب کنند، به این پرسش پرداخته است که وقتی پاسخ‌های «به‌اندازه کافی خوب» تقریباً بدون هیچ هزینه‌ای در دسترس باشند، چه اتفاقی رخ می‌دهد. این مدل پیش‌بینی می‌کند که هرچه استفاده مجدد از دانش افزایش یابد، میزان کاوش مستقل کاهش پیدا می‌کند و تیم‌ها به‌تدریج به سمت تعداد محدودی رویکرد مشترک همگرا می‌شوند. به بیان ساده، بهره‌وری افزایش می‌یابد، اما نوآوری به طور نامحسوس دچار رکود و یکنواختی می‌شود.

به‌اندازه کافی خوب

نمونه‌ای مشابه از این پویایی را می‌توان در پژوهش‌های تجربی نیز مشاهده کرد؛ از جمله آزمایش میدانی‌ای که «کوین جی. بودرو» (Kevin J. Boudreau) و «کریم آر. لخانی» (Karim R. Lakhani) در مقاله‌ای که سال ۲۰۱۵ در نشریه Research Policy منتشر شد، انجام دادند. آن‌ها دریافتند زمانی که زیست‌شناسان محاسباتی بدون هیچ اصطکاکی به راه‌حل‌های میانی یکدیگر دسترسی پیدا کردند، اقداماتشان به‌جای انجام آزمایش‌های مستقل، بیشتر صرف بهبود و پالایش رویکردهای موجود شد. در نتیجه، فضای جست‌وجوی راه‌حل‌ها محدودتر شد؛ موضوعی که کاملاً با تله بهره‌وری پیش‌بینی‌شده در مدل این تیم پژوهشی هم‌خوانی دارد.

تیم نیز این پویایی را در کار روزمره خود نیز تجربه کرده است. تیم بیان می‌کند سازمان‌هایشان صرفاً برای‌آنکه از روند پیشرفت هوش مصنوعی عقب نمانند؛ جلسات هفتگی‌ای برای معرفی ابزارها و کاربردهای جدید هوش مصنوعی برگزار کردند. میزان مشارکت در ابتدا بسیار بالا بود، اما به‌مرورزمان، تعداد اکتشافات جدید گروه کاهش یافت. افراد کمتری در بحث‌ها مشارکت می‌کردند و بخش عمده جلسات صرف توضیح قابلیت‌های جدید ابزارهای هوش مصنوعی می‌شد؛ زیرا بسیاری از شرکت‌کنندگان بدون این توضیحات مقدماتی، پیش‌زمینه لازم برای درک کاربردهای نوآورانه را نداشتند.

در عمل، تنها تعداد محدودی از افراد کار اکتشاف را انجام می‌دادند و سایرین منتظر بودند از نتایج تلاش آن‌ها بهره‌مند شوند. این سازوکار اگرچه اشتراک‌گذاری دانش را افزایش داد، اما انگیزه انجام کارهای پرهزینه‌ای را که اساساً منجر به خلق بینش‌های جدید می‌شوند، تضعیف کرد.

هوش مصنوعی مولد به‌وضوح اقتصاد یادگیری را دگرگون کرده است. وقتی بتوان ظرف چند دقیقه یک یادداشت راهبردی نسبتاً قابل‌قبول تولید کرد، افراد کمتری حاضر خواهند بود چند روز زمان صرف انجام کارهای دشوارتری کنند که واقعاً به درک عمیق منجر می‌شوند؛ کارهایی مانند گفت‌وگو با مشتریان، اعتبارسنجی داده‌ها از منابع مختلف و آزمودن فرضیات. وقتی «به‌اندازه کافی خوب» رایگان باشد، افراد کمتری هزینه دستیابی به گزینه‌ای «بهتر» را پرداخت می‌کنند. نتیجه، سازمانی خواهد بود که کارکنانش می‌توانند خروجی‌ها را بازیابی کنند، اما در قضاوت، تطبیق یا رد آن‌ها ناتوان هستند.

اجتناب از تله بهره‌وری

راه‌حل، یک تغییر بنیادین در نحوه ارزش‌گذاری ما نسبت به تلاش است. مدل حاضر نشان می‌دهد که افزودن مقداری اصطکاک به فرایند اشتراک‌گذاری دانش در سطح فردی، میزان دانش کل سازمان را در سطح جمعی افزایش می‌دهد؛ زیرا چیزی را تقویت می‌کند که پژوهشگران آن را «ظرفیت جذب» (Absorptive Capacity) می‌نامند؛ یعنی توانایی ارزیابی، تطبیق و بهبود ایده‌ها، نه صرفاً کپی‌کردن آن‌ها.

زمانی که افراد برای استفاده از یافته‌های دیگران مجبور باشند اندکی تلاش کنند، بیشتر به بررسی مستقل و آزمون‌وخطا روی می‌آورند. این فرایند هم باعث می‌شود بهتر از دیگران بیاموزند و هم دانش جدیدی تولید کنند که دیگران نیز بتوانند از آن بهره بگیرند. در نتیجه، در بلندمدت هم میزان دانش موجود در سازمان افزایش می‌یابد و هم عملکرد متوسط آن ارتقا پیدا می‌کند.

همین یافته، گروه را بر آن داشت تا یک «پروتکل اصطکاک» را به‌صورت آزمایشی در سمینارهای MBA و دکتری خود اجرا کند. قانون ساده بود: هر فرد تنها در صورتی می‌توانست در جلسه اشتراک‌گذاری شرکت کند که ابتدا شواهدی از یک اقدام مستقل ارائه دهد. تیم از شنیدن داستان‌های موفقیت استقبال می‌کرد، اما بیش از همه به «پرامپت‌های ناموفق» اهمیت می‌داد؛ یعنی بن‌بست‌ها، خطاها و توهم‌های (Hallucinations) هوش مصنوعی. هر کسی می‌تواند یک نمونه موفق را از اینترنت کپی کند، اما مستندسازی یک شکست، مستلزم انجام کاوش واقعی است.

اگرچه این اصطکاک راهبردی در ظاهر سرعت گروه را کاهش داد، اما در عمل همه را در موقعیت بهتری قرار داد. شرکت‌کنندگان بیشتری با راه‌حل‌های ناقص برای یک مسئله مشترک وارد جلسه می‌شدند و گروه می‌توانست این قطعات را با یکدیگر ترکیب کرده و به راهکارهای کامل‌تری برسد.

واداشتن افراد به آنکه پیش از مراجعه به گروه، ابتدا خودشان با ابزارها دست‌وپنجه نرم کنند، ظرفیت جذب آن‌ها را افزایش داد. بنابراین، هنگامی که یک پیشرفت مهم در جلسه مطرح می‌شد، شرکت‌کنندگان می‌توانستند درک کنند چرا آن راهکار مؤثر بوده و چگونه می‌توان آن را با شرایط مختلف تطبیق داد. در واقع، تیم فقط پرامپت‌ها را به اشتراک نمی‌گذاشت، بلکه دانش جمعی گروه را گسترش می‌داد.

ظرفیت جذب را بسازید

مطالعه تیم، یک مدل صوری است، نه یک آزمایش میدانی. این مدل نشان می‌دهد هنگامی که یادگیری از دیگران مستلزم برخورداری از درک و دانش زمینه‌ای باشد، تولید دانش در بلندمدت افزایش پیدا می‌کند. در چنین شرایطی، رویکردهای متنوع‌تری باقی می‌مانند، افراد کمتری به طور کامل کاوش مستقل را کنار می‌گذارند و احتمال گرفتار شدن سازمان در چند راه‌حل «به‌اندازه کافی خوب» کاهش می‌یابد.

سازوکار اصلی معرفی‌شده در این پژوهش؛ یعنی همان ظرفیت جذب، بر دهه‌ها تحقیقات علمی استوار است که نشان می‌دهند دانش موجود، چارچوب‌های مفهومی لازم برای رمزگذاری و به‌کارگیری اطلاعات جدید را فراهم می‌کند. کودکان زبان را با افزودن واژه‌های جدید به دانسته‌های قبلی خود می‌آموزند؛ متخصصان نیز دقیقاً به همین شیوه مهارت حرفه‌ای خود را توسعه می‌دهند.

در عمل، ظرفیت جذب همان تفاوت میان بازیابی یک پاسخ و توانایی استفاده مؤثر از آن پاسخ است. مدیرانی که از ظرفیت جذب بالایی برخوردارند، صرفاً تحلیل رقبا که توسط هوش مصنوعی تولید شده است را نمی‌پذیرند؛ بلکه متوجه خلأهای آن می‌شوند، فرضیاتش را با مشاهدات واقعی خود از بازار می‌سنجند و توصیه‌های آن را با شرایط سازمانشان تطبیق می‌دهند. در مقابل، مدیرانی که فاقد این ظرفیت هستند، خروجی را بدون هیچ تغییری برای دیگران ارسال می‌کنند.

در اجرای آزمایشی پروتکل اصطکاک در سمینارها، پیش و پس از اجرای آن دو شاخص اندازه‌گیری شد

1. تنوع مسائل و کاربردهایی که در جلسات اشتراک‌گذاری مطرح می‌شد؛ به‌عنوان شاخصی از میزان کاوش مستقل.
2. میزان تطبیق و شخصی‌سازی مطالب ارائه‌شده؛ یعنی اینکه آیا شرکت‌کنندگان صرفاً یک پرامپت کپی‌شده را گزارش می‌کنند یا گردش کاری را که برای هدفی مشخص تغییر داده‌اند.

پس از آنکه ارائه شواهدی از تلاش و اقدام مستقل الزامی شد، تغییرات چشمگیر بود. پیش از اجرای پروتکل اصطکاک، دانشجویان تعداد اندکی مسئله اصیل و تقریباً هیچ راه‌حل ناقصی را مطرح نمی‌کردند. اما پس از اجرای قانون جدید، هر دانشجو به طور متوسط دو مسئله متفاوت و حدوداً یک راه‌حل ناقص برای هر مسئله ارائه می‌کرد.

ازآنجایی‌که همه افراد پیش از جلسه به طور مستقل روی مسئله کار کرده بودند، جلسات تعاملی‌تر شدند و مشارکت‌ها نیز نشان‌دهنده تطبیق واقعی بودند؛ به‌جای پرامپت‌های کپی‌شده، گردش‌کارهای اصلاح‌شده ارائه می‌شد. شرکت‌کنندگان می‌توانستند به‌سرعت راه‌حل‌های ناقص یکدیگر را تکمیل کنند و اغلب طی همان جلسه، آن‌ها را به راهکارهای کامل تبدیل کنند.

این الگو دقیقاً همان چیزی است که این مدل پیش‌بینی می‌کند. اصطکاک، یادگیری را کاهش نمی‌دهد؛ بلکه هم کمیت و هم در بسیاری موارد کیفیت دانشی که به اشتراک گذاشته می‌شود را افزایش می‌دهد.

برای مدیرانی که می‌خواهند ظرفیت جذب تیم‌های خود را ارزیابی کنند، چند شاخص قابل‌مشاهده می‌تواند به‌عنوان معیار عملی مورداستفاده قرار گیرد

• آیا کارکنان قادرند خطاها، کاستی‌ها یا فرضیات نادرست موجود در خروجی‌های هوش مصنوعی را تشخیص دهند و توضیح دهند چرا این موارد اشتباه هستند؟
• آیا خروجی نهایی تفاوت معناداری با متن خام تولیدشده توسط هوش مصنوعی دارد و شامل اطلاعات جدید، محدودیت‌ها و مثال‌های نقض است؟
• آیا افراد به‌جای ارائه پرامپت‌های عمومی، مشاهدات اصیل خود؛ مانند نقل‌قول مشتریان، داده‌های سامانه‌های داخلی یا تحرکات رقبا را به بحث اضافه می‌کنند؟
• آیا می‌توانند آموخته‌های خود را بدون شروع دوباره از صفر، در مسئله‌ای جدید به کار بگیرند؟

هرچه این رفتارها بیشتر مشاهده شوند، ظرفیت جذب سازمان نیز در حال رشد است.

متأسفانه، بسیاری از سامانه‌های هوش مصنوعی سازمانی به‌گونه‌ای طراحی شده‌اند که نیاز به فهم و درک را از بین ببرند. رهبران سازمان‌ها معمولاً بر پذیرش سریع و سهولت استفاده تمرکز می‌کنند و ناخواسته ظرفیت جذب سازمان خود را تضعیف می‌کنند. بنابراین، اگر هدف حفظ انگیزه‌های نوآوری در بلندمدت است، مدیران باید به‌جای بهینه‌سازی صرف برای سهولت استفاده، اصطکاک راهبردی را دوباره وارد طراحی سیستم‌های خود کنند.

ایجاد اصطکاک راهبردی

هدف از این رویکرد، دشوار کردن کار یا ایجاد موانع بوروکراتیک نیست؛ بلکه اطمینان از آن است که استفاده مجدد از دانش، به توانایی واقعی افراد وابسته باشد. مسئله این است که افراد در چرخه کار، به‌اندازه‌ای تلاش کنند که همچنان به یادگیری ادامه دهند.

پژوهش حاضر نشان می‌دهد که برای میزان ظرفیت جذب در سازمان، یک سطح بهینه وجود دارد. اصطکاک بسیار کم، کاوش را تضعیف می‌کند و اصطکاک بیش از حد نیز همه فرایندها را کند خواهد کرد. همچنین، همه وظایف به اصطکاک نیاز ندارند. در کارهای روزمره و کم‌اهمیت از نظر قضاوت انسانی مانند قالب‌بندی اسلایدهای ارائه، سرعت مهم‌ترین عامل است. اصطکاک راهبردی باید تنها برای وظایفی به کار گرفته شود که سازمان نیاز دارد کارکنان در آن‌ها بیندیشند و بیاموزند، نه اینکه صرفاً خروجی تولید کنند.

در محیط سازمانی، این رویکرد به معنای گذار از «مدل پیشگو» (Oracle Model) که در آن کاربر فقط سؤال می‌پرسد و پاسخ دریافت می‌کند به «مدل تعاملی» (Reciprocal Model) است؛ مدلی که در آن کاربر باید برای دریافت خرد و بینش، ابتدا سهمی از دانش و درک خود را ارائه دهد.

برای تحقق این هدف، روش‌های مختلفی وجود دارد که از تغییرات ساده در سیاست‌های سازمانی تا طراحی مجدد سیستم‌ها را در بر می‌گیرد. برخی از این اقدامات عبارت‌اند از

• الزام به مستندسازی تلاش‌های مستقل.برای مثال، پیش از آنکه یک تحلیلگر از هوش مصنوعی بخواهد تحلیل بازار تهیه کند، باید یک ارزیابی اولیه حتی اگر ناقص باشد ارائه دهد که نشان دهد چه چیزهایی را می‌داند و در کجا با مشکل مواجه شده است. این ساده‌ترین نوع اصطکاک است، زیرا نیازی به تغییر در سیستم ندارد. ما نیز همین روش را در سمینارهای دانشگاهی خود اجرا کردیم؛ افراد تنها زمانی می‌توانستند در جلسه شرکت کنند که ثابت کنند واقعاً تلاش مستقلی انجام داده‌اند.
• طراحی هوش مصنوعی به‌گونه‌ای که پیش از تولید پاسخ کامل، از کاربر اطلاعات دریافت کند.برای مثال، اگر تحلیلگری درخواست تحلیل رقبا را ثبت کند، سامانه ابتدا از او می‌خواهد سه مشاهده مشخص درباره تغییرات اخیر قیمت‌گذاری رقبا ارائه دهد. سپس این اطلاعات تازه را در پاسخ خود لحاظ می‌کند. این رویکرد، تحلیلگر را وادار می‌کند پیش از دریافت پاسخ، تحقیق کند. در نتیجه ظرفیت جذب او افزایش می‌یابد و هم‌زمان داده‌های به‌روز از خط مقدم فعالیت‌ها نیز وارد سامانه می‌شود؛ داده‌هایی که مانع از آن می‌شوند که هوش مصنوعی صرفاً اطلاعات قدیمی خود را بازتولید کند. البته کاربر همچنان می‌تواند این اطلاعات را از طریق پرامپت وارد کند، بنابراین میزان اصطکاک نسبتاً محدود باقی می‌ماند.
• ایجاد رابط‌های کاربری مرحله‌بندی‌شده که تنها پس از ثبت اطلاعات کاربر، امکان دریافت کمک را فراهم کنند.برای مثال، پیش از آنکه یک تحلیلگر بتواند از سامانه داخلی هوش مصنوعی درخواست ارزیابی ریسک کند، باید یک فرضیه اولیه بارگذاری کرده و سه متغیر یا محدودیت کلیدی را مشخص کند. تا زمانی که این اطلاعات توسط انسان ثبت نشده باشد، دکمه «تولید» فعال نخواهد شد. سپس هوش مصنوعی بر پایه اطلاعات تحلیلگر کار می‌کند، نه اینکه جایگزین او شود. به‌این‌ترتیب، هر خروجی حاصل همکاری انسان و ماشین خواهد بود، نه واگذاری کامل کار به هوش مصنوعی. این نوع اصطکاک، پیشرفته‌ترین سطح را دارد و مستلزم توسعه ابزارهای اختصاصی هوش مصنوعی است.

هر رهبر تیمی می‌تواند اجرای رویکرد مبتنی بر سیاست‌گذاری را بلافاصله آغاز کند. رویکرد مبتنی بر رابط کاربری به تلاش طراحی نسبتاً محدودی نیاز دارد، اما دو مزیت مهم به همراه می‌آورد: هم ظرفیت جذب کاربران را افزایش می‌دهد و هم اطلاعات تازه خط مقدم را جمع‌آوری می‌کند و مانع گرفتار شدن مدل هوش مصنوعی در چرخه بسته بازتولید خروجی‌های خودش می‌شود. رویکرد مبتنی بر طراحی سیستم، یک سرمایه‌گذاری بلندمدت است، اما همان مسیری است که شرکت‌ها باید به سمت آن حرکت کنند؛ یعنی طراحی ابزارهای هوش مصنوعی که انسان‌ها را باهوش‌تر کنند، نه صرفاً سریع‌تر.

چگونه «سازندگان دانش» را تشخیص دهیم؟

مقابله با رکود می‌تواند حتی پیش از ورود کارکنان به سامانه‌های هوش مصنوعی آغاز شود. بسیاری از شرکت‌ها هنوز هم افراد را بر اساس «پاسخ درست» استخدام می‌کنند. اما در محیطی که هوش مصنوعی همه‌جا حاضر است، این ویژگی دیگر مزیت رقابتی محسوب نمی‌شود. آنچه اهمیت دارد، فرایند درست است.

در مصاحبه‌های استخدامی و ارزیابی عملکرد، به نحوه استفاده افراد از ابزارهای هوش مصنوعی توجه کنید. آیا خروجی‌های هوش مصنوعی را به‌عنوان کار نهایی می‌پذیرند یا آن‌ها را به چالش می‌کشند، فرضیاتشان را می‌آزمایند و مشاهدات اصیل خود را به آن‌ها اضافه می‌کنند؟

یک آزمایش میدانی که اخیراً توسط «هیلا لیفشیتز» (Hila Lifshitz) و همکارانش از دانشگاه‌های هاروارد، MIT و وارویک انجام شد، نزدیک به پنج هزار تعامل میان انسان و هوش مصنوعی که توسط ۲۴۴ مشاور BCG انجام شده بود را تحلیل کرد. پژوهشگران سه سبک متفاوت همکاری را بر اساس دو پرسش اصلی بررسی کردند

• چه کسی تصمیم می‌گیرد چه کاری باید انجام شود؟
• چه کسی تصمیم می‌گیرد چگونه آن کار انجام شود؟

گروه «قنطورس» (Centaurs) کنترل هر دو بعد را در اختیار انسان نگه می‌داشتند و تنها برای کمک‌های هدفمند از هوش مصنوعی استفاده می‌کردند.

گروه «سایبورگ» (Cyborgs) تصمیم‌گیری درباره «چه کاری» را بر عهده انسان می‌گذاشتند، اما در تعیین «چگونگی انجام کار» نقش پررنگی به هوش مصنوعی می‌دادند و با آن وارد گفت‌وگویی مستمر و انتقادی می‌شدند.

در مقابل، گروه«خودکارساز» (Self-automators) کنترل هر دو بعد را به هوش مصنوعی واگذار می‌کردند و دچار وضعیتی می‌شدند که پژوهشگران آن را «بی‌مهارتی» (No-skilling) می‌نامند؛ وضعیتی که در آن نه تخصص حوزه‌ای رشد می‌کند و نه مهارت استفاده از هوش مصنوعی.

در چارچوب نظری این تیم پرژوهشی، قنطورس‌ها و سایبورگ‌ها سازندگان دانش هستند، درحالی‌که خودکارسازها همان بهره‌برداران منفعل (Free Riders) هستند که مدل نسبت به آن‌ها هشدار می‌دهد.

این یافته‌ها نشان می‌دهد دو ویژگی رفتاری، سازندگان دانش را از بهره‌برداران منفعل متمایز می‌کند

• واگذاری انتخابی وظایف.سازندگان دانش به‌خوبی می‌دانند هوش مصنوعی در چه کارهایی توانمند است و در چه زمینه‌هایی نیست. آن‌ها از هوش مصنوعی برای تهیه پیش‌نویس، طوفان فکری و شناسایی الگوها استفاده می‌کنند، اما وظایفی را که نیازمند قضاوت انسانی هستند، خودشان انجام می‌دهند. در سوابق پرامپت‌های آن‌ها، درخواست‌ها دقیق و هدفمند است، نه واگذاری کلی وظایف.
• عمق به چالش کشیدن خروجی‌ها.سازندگان دانش، خروجی هوش مصنوعی را بدون بررسی نمی‌پذیرند. آن‌ها از هوش مصنوعی می‌خواهند استدلال خود را توضیح دهد، ناسازگاری‌ها را مشخص کند و سپس داده‌های اختصاصی خود را در اختیار آن قرار می‌دهند. همچنین از هوش مصنوعی در جهت معکوس نیز استفاده می‌کنند؛ یعنی تحلیل خود را ارائه می‌دهند و از هوش مصنوعی می‌خواهند فرضیاتشان را به چالش بکشد. در مقابل، بهره‌برداران منفعل خروجی هوش مصنوعی را همان‌گونه که هست می‌پذیرند. جهت جریان اطلاعات، تفاوت این دو گروه را آشکار می‌کند؛ سازندگان دانش، زمینه و اطلاعات را به هوش مصنوعی وارد می‌کنند و بهره‌برداران منفعل، فقط خروجی نهایی را از آن دریافت می‌کنند.

بازبینی نحوه استفاده کارکنان از هوش مصنوعی به آن‌ها کمک می‌کند ظرفیت جذب و شیوه همکاری خود با این ابزار را ارتقا دهند. همچنین این امکان را برای سازمان فراهم می‌کند که روی افرادی سرمایه‌گذاری کند که دانش تولید می‌کنند، نه صرفاً آن را مصرف می‌کنند.

هوش مصنوعی می‌تواند بلافاصله سرعت عملکرد سازمان‌ها را افزایش دهد. اما چالش اصلی رهبران آن است که نگذارند این افزایش سرعت، به تضعیف ظرفیت جذب منجر شود. اصطکاک راهبردیِ سنجیده که در ابزارها، فرایندهای کاری و حتی نظام استخدامی سازمان تعبیه شده باشد، کمک می‌کند سازمان‌ها صرفاً تولیدکننده پاسخ نباشند، بلکه همواره به تولید بینش و شناخت جدید ادامه دهند.

گزارش حاضر در نسخه July–August 2026 نشریه Harvard Business Review منتشر شده است.

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