تصور کنید ابزاری را بخرید که وعده داده تمام کارهای اداری شما را انجام میدهد، اما در عمل شبیه کارآموزی است که کتابهای زیادی خوانده ولی هیچچیز از مشتریان شما نمیداند. این دقیقاً همان نقطهای است که اکثر متخصصان در مواجهه با هوش مصنوعی زاینده (Generative AI) شکست میخورند.
طبق گزارشی که در ۱۰ اوت ۲۰۲۶ توسط دیوید گارسیا از مؤسسه Itelnet Consulting منتشر شد، ۸۰٪ از متخصصانی که ChatGPT را در محیط کار آزمایش کردند، ظرف دو هفته اول آن را رها کردهاند. این عدد نشان میدهد که برخلاف تبلیغات درباره دستیاران هوشمند و بینقص، اکثر کاربران در ۱۴ روز نخست متوجه میشوند که این ابزار ارزش افزودهی واقعی ایجاد نمیکند.
این روند در حالی رخ میدهد که کسبوکارها تلاش میکنند از فضای سرخوشی اولیه فاصله بگیرند. دیوید گارسیا در ماههای اخیر با بیش از ۵۰ متخصص از بخشهای مختلف گفتگو کرده است. یافتههای او حاکی از آن است که بسیاری از کاربران با نیتهای خوب ثبتنام کردند، اما تقریباً بلافاصله ابزار را فراموش کردند.
همانطور که در تحلیل قبلی ما دربارهی مدلهای دسترسی نظارتشدهی OpenAI اشاره کردیم، مشخص شده است که قدرت خام مدل لزوماً به معنای کارایی عملیاتی نیست. برای یک صاحب کسبوکار کوچک، استفاده از یک مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — اغلب شبیه استخدام کارآموزی است که هیچ شناختی از واقعیتهای شرکت ندارد.
بر اساس تحلیل Itelnet Consulting، دلایل اصلی این ریزش کاربران عبارتند از:
- شکاف انتظارات: بازاریابی OpenAI ماشینی را میفروشد که کد میزند و ایدهپردازی میکند. اما این مدلها صرفاً نوشتار انسانی را تقلید میکنند بدون اینکه پرسش را بفهمند. کاربران انتظار همدلی دارند، اما متنی خشک و حقوقی دریافت میکنند. این عدم درک عمیق از نیاز کاربر، مشابه برخی خطاهای رایج در محیطهای آموزشی است که در آن تکیه بیش از حد به ابزار، منجر به کاهش کیفیت یادگیری میشود.
- کوری زمینهای: مدل از فرآیندهای خاص کسبوکار، مشتریان یا تاریخچه کاربر بیخبر است. بدون پرامپتهای بسیار مفصل، پاسخهای پیشفرض عملاً بیفایده هستند.
- هزینههای پنهان: مجموع هزینه اشتراک ماهانه و زمانی که صرف اصلاح پرامپتها میشود، اغلب بیشتر از زمانی است که در نهایت ذخیره میشود.
برای درک بهتر این فشار، مورد پاسخ به شکایت مشتری را در نظر بگیرید. در یک مثال آموزشی، دانشجویان از ChatGPT خواستند ایمیلی برای مشتری که از تأخیر در ارسال کالا شاکی است بنویسد. نسخه اول یک نامه رسمی و خشک بود که پر از اصطلاحات حقوقی بود و هیچ عذرخواهی یا راهکاری ارائه نمیداد.
برای رسیدن به یک نتیجه قابل استفاده، کاربر باید جزئیات خستهکنندهای را ارائه دهد. مثلاً بهجای یک درخواست کلی، باید بنویسد: «ایمیلی به خوان پرز بنویس که از عدم تحویل سفارش شماره ۱۲۳۴۵ شاکی است؛ عذرخواهی کن و ارسال فوری با کد رهگیری را پیشنهاد بده». حتی در این حالت، خروجی باز هم نیاز به بازبینی و اصلاح انسانی دارد. برای غلبه بر این چالش، استفاده از الگوهای مهندسی پرامپت برای شخصیسازی میتواند به کاربر کمک کند تا خروجیهای دقیقتری دریافت کند.
این وضعیت نشان میدهد مدلهای ابری «یکسایز برای همه» برای کسبوکارهای کوچک به سقف تواناییهای خود رسیدهاند. سود واقعی اکنون برای کسانی است که میتوانند بستر و دادههای ساختاریافته ارائه دهند. مثلاً اگر به هوش مصنوعی بگویید «من فروشنده لوازم الکترونیک هستم و خوان پرز مشتری مهمی است که یک هفته منتظر مانده»، کیفیت خروجی بهشدت بالا میرود، اما مدل اینها را بهصورت پیشفرض نمیداند.
برای یک متخصص معمولی، این یعنی هوش مصنوعی در حال حاضر ابزاری برای تقویت تواناییهاست، نه جایگزینی برای اتوماسیون. اگر مسئلهای دقیق تعریف نکرده باشید و حوصله اصلاحات مکرر را نداشته باشید، این ابزار بهجای افزایش بهرهوری، تبدیل به یک منبع مصرفکننده زمان میشود. این موضوع یادآور تلههای رایجی است که حتی متخصصان آموزش در مواجهه با این ابزارها تجربه کردهاند و منجر به افت کیفیت نهایی شده است.
به همین دلیل، Itelnet Consulting در حال چرخش به سمت پیادهسازیهای محلی با استفاده از اولاما (Ollama) است. با اجرای مدلهای متنباز روی سختافزار شخصی، شرکتها میتوانند:
- کنترل کامل دادههای حساس خود را حفظ کنند.
- مدلها را برای نیازهای خاص کسبوکار تنظیم دقیق (Fine-tuning) کنند — شبیه وقتی که به یک پزشک عمومی، تخصص پوست میدهیم تا روی یک حوزه دقیق شود.
- وابستگی به شرکتهای بزرگ فناوری را کنار بگذارند.
- با حذف اشتراکهای ماهانه، هزینهها را کاهش دهند.
چه در مدلهای ابری و چه محلی، یک نکته روشن است: نظارت انسانی تنها راه تضمین تجاری بودن خروجیهای هوش مصنوعی است. عصر «دکمه جادویی» جای خود را به عصر «ناظر هوش مصنوعی» میدهد.
گام بعدی شما
- اگر از ChatGPT استفاده میکنید، بهجای درخواستهای کلی، یک «پروفایل زمینهای» از کسبوکارتان بنویسید و در هر گفتگو ابتدا آن را به مدل بدهید.
- ابزارهای میزبانی شخصی مثل Ollama را برای تست مدلهای کوچکتر و تخصصیتر بررسی کنید.
- زمان صرفشده برای اصلاح خروجیها را اندازه بگیرید تا بفهمید آیا واقعاً بهرهوری شما افزایش یافته یا خیر.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو