هوش مصنوعی و خطر تسلیم شناختی

ماشین‌حساب و GPS نقطه ورود مفیدی برای طرح دو پرسش کلان است
هوش مصنوعی چگونه ممکن است شیوه تفکر انسان‌ها را تغییر دهد؟
آیا مدیران باید در واکنش به آن اقدامی انجام دهند؟

استفاده از ماشین‌حساب‌ها و دستگاه‌های GPS نمونه‌هایی از «برون‌سپاری شناختی» هستند؛ یعنی تصمیمی آگاهانه برای واگذاری یک وظیفه مشخص به فناوری. در هر دو مورد، این کار ارزشش را داشته است. ماشین‌حساب‌ها عملکرد ریاضی دانش‌آموزان را بهبود می‌بخشند و به تقویت مهارت‌های حل مسئله و اعتمادبه‌نفس آن‌ها کمک می‌کنند. وجود GPS به این معناست که رانندگان دیگر مجبور نیستند خودرو را متوقف کرده و با نقشه‌های کاغذی کلنجار بروند. اکنون کاملاً گم‌شدن دشوارتر شده و اجتناب از ترافیک‌های سنگین آسان‌تر است.

اما این موضوع هزینه‌هایی نیز در پی دارد. در مقاله‌ای در سال ۲۰۱۹، «مارک لاکور» (Mark LaCour) از دانشگاه لوئیزیانا و همکارانش ماشین‌حساب‌هایی را برنامه‌ریزی کردند که پاسخ‌های نادرستی به مسائل خاص برای گروهی از دانشجویان مقطع کارشناسی ارائه دهند. آن‌ها به‌طورکلی دریافتند که سوءظن بسیار اندکی نسبت به محاسبات با خطای جزئی وجود دارد. حتی زمانی که پاسخ‌ها آشکارا نامعقول بودند، به نظر می‌رسید برخی افراد آن‌ها را بدون هیچ پرسشی می‌پذیرفتند.

استفاده از دستگاه‌های ناوبری GPS نیز می‌تواند توانایی افراد برای تفکر مستقل را تضعیف کند. مطالعه‌ای که توسط «لوئیزا دهمانی» (Louisa Dahmani) از دانشکده پزشکی هاروارد و «ورونیک بوبوت» (Véronique Bohbot) از دانشگاه مک‌گیل انجام شد نشان داد که استفاده بیشتر از GPS توسط رانندگان در طول زندگی، با ضعف بیشتر در حافظه فضایی مرتبط است. تحقیقات دیگر نشان می‌دهد عابران پیاده‌ای که با گوشی خود مسیریابی می‌کنند، مسیرهای طولانی‌تری را طی کرده و توقف‌های بیشتری نسبت به کسانی که از نقشه‌های فیزیکی استفاده می‌کنند دارند.

الگوی مشابهی نیز در جست‌وجوی آنلاین قابل‌مشاهده است. استفاده از اینترنت برای یافتن اطلاعات به‌وضوح کارآمد است، اما بده‌بستان‌هایی نیز در کار است. «اثر گوگل» (Google Effect) به یک یافته پژوهشی اشاره دارد که نشان می‌دهد افراد اطلاعاتی را که انتظار دارند بتوانند آنلاین پیدا کنند، با کیفیت پایین‌تری به‌خاطر می‌آورند.

هوش مصنوعی نیز این بده‌بستان‌ها را به‌شدت تشدید می‌کند. واگذاری وظایف خاص به مدل‌ها اغلب منطقی خواهد بود؛ زیرا در بسیاری از موارد بسیار بهتر از انسان‌ها عمل می‌کنند. بااین‌حال، دامنه قابلیت‌های هوش مصنوعی که با یک رابط کاربری مکالمه‌ای راحت و شخصیتی با اعتمادبه‌نفسِ فریبنده ترکیب شده است، چشم‌اندازی را ترسیم می‌کند که بیشتر شبیه به تسلیم همه‌جانبه است تا واگذاری وظایف.

ازاین‌رو عبارت «تسلیم شناختی» (Cognitive Surrender) مطرح می‌شود؛ اصطلاحی که توسط «استیون شاو» (Steven Shaw) از مدرسه Wharton دانشگاه پنسیلوانیا در مقاله اخیرش با همکاری «گیدئون نیو» (Gideon Nave) ابداع شده است. شاو و نیو از داوطلبان خواستند تا با کمک هوش مصنوعی به سؤالات دشواری پاسخ دهند و تا حدودی شبیه به آزمایش ماشین‌حساب لاکور، به طور تصادفی خطاهایی را در پاسخ‌های مدل وارد کردند. زمانی که مدل پاسخ‌های دقیقی ارائه می‌داد، افرادی که از آن استفاده می‌کردند عملکرد بهتری نسبت به گروه کنترل (که تنها بر توانایی ذهنی خود تکیه داشتند) نشان دادند. هنگامی که هوش مصنوعی پاسخ‌های نادرستی می‌داد، کاربران هوش مصنوعی بسیار بدتر از گروه کنترل عمل کردند. به‌عبارت‌دیگر، شرکت‌کنندگان در آزمایش، تفکر مستقل خود را رها کردند.

در حال حاضر، مدیران بیشتر بر ترغیب کارمندان به استفاده از هوش مصنوعی تمرکز دارند تا اینکه نگران تأثیرات آن بر نحوه تفکر باشند. اما بیشتر کارفرمایان برای تفکر انتقادی نیز ارزش قائل هستند؛ زیرا

1. مدل‌ها همچنان مستعد خطاهای مسخره هستند؛
2. موقعیت‌های بدیع نیازمند مداخله انسان‌های ماهر است؛

بنابراین، جای پرسش است که مدیران چه کاری می‌توانند برای تقویت مقاومت شناختی انجام دهند.

آن‌ها می‌توانند کارکنانی را استخدام کنند که از تفکر لذت می‌برند. شاو می‌گوید افرادی که «نیاز به شناخت» (need for cognition) بالایی دارند (بله خواننده عزیز، منظور شما هستید) تا حدودی، هرچند نه کاملاً، در برابر خطر تسلیم شناختی محافظت می‌شوند. مشوق‌ها و بازخوردها نیز می‌توانند کمک‌کننده باشند. یکی از آزمایش‌های موجود در مقاله شاو، پاداش‌های مالی را برای پاسخ‌های صحیح در نظر گرفت و همچنین در طول آزمون به شرکت‌کنندگان اطلاع داد که آیا به یک سؤال درست پاسخ داده شده است یا خیر. این تکنیک‌ها کاربران هوش مصنوعی را که پاسخ‌های نادرست دریافت می‌کردند، ترغیب کرد تا بیشتر بر مدل غلبه کرده و آن را نادیده بگیرند (اگرچه آن‌ها همچنان عملکرد بدتری نسبت به افرادی داشتند که بر قضاوت خودشان تکیه کرده بودند).

طراحیِ بازه‌های زمانیِ بدون هوش مصنوعی نیز ممکن است ارزشمند باشد. مطالعه جدید دیگری توسط «استفانوس پولیدیس» (Stefanos Poulidis) از مؤسسه INSEAD و همکارانش، بیش از ۲۰۰ دانش‌آموز عضو باشگاه شطرنج را برای آموزش در یک پلتفرم مبتنی بر هوش مصنوعی به کار گرفت. به برخی از دانش‌آموزان به طور خودکار نکاتی از سوی هوش مصنوعی در تعداد محدودی از لحظات خاص ارائه شد؛ دیگران می‌توانستند در هر زمان با کلیک روی یک دکمه مشاوره دریافت کنند. دانش‌آموزانی که دسترسیِ مبتنی بر تقاضا داشتند، کمتر از نیمی از دستاوردهای عملکردی دانش‌آموزانی را به دست آوردند که در تعیین زمان دریافت کمک هیچ اختیاری نداشتند.
برون‌سپاری مشکلی ندارد؛ اما تسلیم‌شدن مسئله دیگری است.

گزارش حاضر در نسخه May 2nd 2026 نشریه The Economist منتشر شده است.

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