اگر شما مدیر محصولی هستید که در حال مقیاسبندی یک ابزار هوش مصنوعی است، احتمالاً رشد تعداد کاربرانتان در حال پنهان کردن یک بحران عمیق در اعتبار است. طبق گزارش مورخ ۱۷ ژوئن ۲۰۲۶ از مرکز پژوهشی پیو (Pew Research Center)، ۶۳ درصد آمریکاییها معتقدند هوش مصنوعی زاینده (Generative AI) — شبیه به ماشینی است که با سرعتی باورنکردنی پیش میرود اما ترمزهایش هنوز آزمایش نشدهاند — بیش از حد سریع در حال پیشرفت است.
این تناقض از آنجا میآید که راحتی معمولاً زودتر از اعتماد شکل میگیرد. همانطور که در تحلیلهای قبلی ما دربارهی روانشناسی پذیرش فناوری اشاره کردیم، مردم ابزارها را نه بهدلیل اعتماد به سازندگان، بلکه برای حل مشکلات فوری به کار میگیرند. این وضعیت شبیه کارمندی است که از ماشینحسابی استفاده میکند که میداند گاهی اشتباه میکند، اما باز هم از آن بهره میبرد چون جایگزین آن، محاسبات دستی و طاقتفرساست.
بر اساس دادههای پیو، ۴۹ درصد آمریکاییها اکنون حداقل بهصورت گهگاه از چتباتها (Chatbots) استفاده میکنند که نسبت به ۳۳ درصد در سال ۲۰۲۴ رشد چشمگیری داشته است. ChatGPT محرک اصلی این روند است و ۴۴ درصد پاسخدهندگان از آن استفاده کردهاند. با این حال، دستاورد ذهنی کاربران بسیار پایین است: تنها ۱۶ درصد باور دارند که هوش مصنوعی تأثیر مثبتی بر جامعه خواهد داشت.
نقاط اصطکاک کلیدی عبارتند از:
- شکاف نسلی: ۶۶ درصد بزرگسالان ۱۸ تا ۲۹ سال از چتباتها استفاده میکنند، اما ۴۸ درصد معتقدند تأثیر آن منفی خواهد بود.
- اضطراب شغلی: ۶۰ درصد جوانان زیر ۳۰ سال میترسند هوش مصنوعی جایگزین شغل آنها شود.
- شکاف نظارتی: ۶۷ درصد اعتماد کمی به توانایی دولت آمریکا در تنظیم قوانین این حوزه دارند.
به گزارش اکونومست/یوگاو (Economist/YouGov)، ۷۱ درصد آمریکاییها سرعت توسعه را بیش از حد سریع میبینند. برندهایی مثل کوکاکولا و سامسونگ هوش مصنوعی را در بازاریابی خود میگنجانند، اما ۶۰ درصد کاربران این نوع برندینگ را دفعکننده میدانند.
گام بعدی شما
- در استراتژیهای محصول، «شفافیت» را جایگزین «تأکید بر قدرت» کنید تا اعتماد کاربر جلب شود.
- برای کارکنان خود مسیرهای بازآموزی (Reskilling) تعریف کنید تا اضطراب جایگزینی شغلی کاهش یابد.
- در طراحی تجربه کاربری، مکانیسمهای تأیید انسانی را برای خروجیهای حساس تقویت کنید.
این بحران اعتماد میتواند مسیر مذاکرات صنفی و چارچوبهای قانونی پایان سال ۲۰۲۶ را تغییر دهد؛ اما اثر این رویکرد بر مدلهای متنباز حتی پیچیدهتر است — به تحلیل ما دربارهی آینده لاما مراجعه کنید.
گفتگو