مدیر گوگل کلاود: رهبران هوش مصنوعی برای بقا به «تفکر غیرمتعارف» نیاز دارند

تصور کنید مدیری را که به‌جای دنبال کردن دستورالعمل‌های خشک، از تیمش می‌خواهد در چهار هفته آینده مدام شکست بخورند تا راه درست را پیدا کنند. ریچارد سروتر، مبلغ ارشد گوگل کلاود (Google Cloud)، معتقد است همین نوع «دیوانگیِ کنترل‌شده» یا رهبری غیرمتعارف است که یک رهبر را در عصر هوش مصنوعی مؤثر می‌کند. سروتر در سخنرانی خود در کنفرانس Unbound شرکت HubSpot در بوستون، استدلال کرد که در دوران نوآوری‌های آشفته، جایی که ریسک‌پذیری تنها راه کشف است، رهبری محتاطانه و ترسو محکوم به شکست است. این رویکرد نشان می‌دهد که چگونه همکاری انسان و ماشین در حال جایگزینی مدل‌های سنتی رهبری سازمانی است تا انعطاف‌پذیری جایگزین ساختارهای صلب شود.

این تغییر رویکرد در حالی رخ می‌دهد که سازمان‌ها برای عبور از مراحل آزمایشی اولیه (Pilots) و رسیدن به تولید در مقیاس واقعی و عملیاتی دست‌وپنجه نرم می‌کنند. همان‌طور که در تحلیل قبلی ما درباره‌ی تلاش‌های Google Search AI Overviews برای تقلید از همدلی انسانی جهت بهبود تجربه کاربر اشاره کردیم، واقعیت‌های داخلی در گوگل بسیار متلاطم‌تر است. سروتر چشم‌اندازی را توصیف می‌کند که در آن هیچ سازمانی، فارغ از اندازه و قدرت، نقشه‌ی راه بی‌نقصی برای پیاده‌سازی هوش مصنوعی ندارد. او صراحتاً اشاره می‌کند هر کسی که ادعای داشتن یک نقشه‌ی راه مطمئن و قطعی را دارد، احتمالاً یا دروغ می‌گوید یا در بخش بازاریابی مشغول به کار است.

بستر نوآوری‌های آشفته

در گوگل، هوش مصنوعی همه را در «حالت یادگیری» قرار داده است. سروتر محیط فعلی را «نوآوری آشفته» می‌نامد؛ وضعیتی که در آن شرکت، هوش مصنوعی زاینده (Generative AI) — شبیه به دستیاری که میلیاردها متن را خوانده و حالا با همان لحن جواب می‌دهد — را به‌صورت لحظه‌ای و در زمان واقعی در فرآیندهای توسعه خود جای‌گذاری می‌کند. او اعتراف می‌کند که گوگل در این مسیر، در کنار دستاوردهای بزرگ، کارهای «عجیبی» هم انجام داده است.

این محیط نیازمند تغییری بنیادین در مدیریت است. به باور سروتر، رهبران شجاع کسانی هستند که صراحتاً به تیم‌هایشان می‌گویند: «ما تا چهار هفته آینده مدام شکست می‌خوریم تا راه درست را بیابیم». او از مدیریت می‌خواهد که از افرادی که «دیوانه‌وارترین» کارهای شرکت را انجام می‌دهند، حمایت کرده و پشت آن‌ها بایستند. برای دستیابی به چنین تحولی، برخی سازمان‌ها استراتژی‌های پذیرش سریع هوش مصنوعی را بدون تکیه بر متدهای امن سنتی به کار گرفته‌اند تا سرعت نوآوری را افزایش دهند.

طبق گزارش ZDNET، ماهیت کارهای فنی به‌طور کلی وارونه شده است. سروتر اشاره می‌کند که توسعه نرم‌افزار پیش‌تر شامل ۲۰٪ تفکر و ۸۰٪ اجرا بود، اما اکنون این نسبت تغییر کرده و به ۸۰٪ تفکر عمیق و تنها ۲۰٪ اجرا تبدیل شده است. این وارونگی، فشار ذهنی عظیمی بر مهندسان و مدیران وارد می‌کند؛ چراکه این مجموعه مهارت جدید به‌شدت فرسایشی است و بسیاری از متخصصان هنوز برای پذیرش این حجم از فشار ذهنی آماده نیستند.

بحران فرسودگی شغلی

سروتر پدیده‌ای را به نام «اعتیاد به بهره‌وری» (Productivity Addiction) شناسایی کرده است. این اتفاق زمانی رخ می‌دهد که استعدادهای برتر به چرخه سریع حل «فقط یک مشکل دیگر»، تولید «فقط یک تصویر دیگر» یا پرداختن به «فقط یک مورد دیگر» وابسته و معتاد می‌شوند. نتایج این وضعیت تکان‌دهنده و صریح است:

• برنامه‌نویسان روزهای به‌شدت طولانی کار می‌کنند چون تقریباً به این فرآیند «معتاد» شده‌اند.
• پیش‌بینی هفته کاری چهارروزه که زمانی به عنوان آینده‌ی کار مطرح بود، هرگز محقق نشد؛ سروتر اشاره می‌کند که این روند «به‌سرعت در جهت عکس حرکت کرد».
• هوش مصنوعی به‌جای کاهش ساعات کاری کل، حجم و شدت فشار کاری را افزایش داده است.
• خطر فرسودگی شغلی در میان فعال‌ترین و تهاجمی‌ترین کارکنان بسیار بالاست، تا جایی که ترس از این وجود دارد که نخبگان برای رهایی از این فشار، ترجیح دهند استعفا داده و «کتابدار» شوند.

هدایت «کارآموز دیوانه»

سروتر ابزارهای فعلی هوش مصنوعی را به یک «کارآموز دیوانه» تشبیه می‌کند که به هدایت مداوم و تخصصی توسط یک خبره نیاز دارد. او تأکید می‌کند که مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن، مثل کسی که می‌داند چطور از یک مشاور باتجربه بهترین جواب را بگیرد — نیازمند دانش عمیق در آن حوزه (Domain Knowledge) و تسلط بر اصطلاحات تخصصی و زبان رایج صنعت است. بدون این تخصص، «ربات» را نمی‌توان به نتیجه‌ای مفید رساند. در همین راستا، برخی بنیان‌گذاران SaaS برای عبور از محدودیت‌های پرامپت‌های تک‌مرحله‌ای، در حال ساخت سیستم‌عامل‌های هوش مصنوعی برای جایگزینی رویکردهای پراکنده هستند.

• نیازمندی‌های دانشی: کاربران برای هدایت مؤثر AI باید با واژگان تخصصی صنعت و اصطلاحات خاص آن آشنا باشند.
• اضطراب حرفه‌ای: سروتر اعتراف می‌کند که حتی کارکنان گوگل (Googlers) نسبت به این تغییرات و جابجایی نقش‌ها عصبی و نگران هستند.
• تلفیق مهارت‌ها: موفقیت در گرو استفاده از نقاط قوت فعلی به عنوان مهندسان، بازاریابان یا فروشندگان خوب است تا بتوانند تکنولوژی را به درستی هدایت کنند.

ریسک نوآوری در سازمان‌ها

سروتر پیشنهاد می‌کند که متخصصان برای حفظ لبه رقابتی خود، باید برخی کارهای سخت را عمداً به‌صورت دستی انجام دهند. او هشدار می‌دهد که تکیه روزمره به «کلیک کردن روی ربات» منجر به فرسایش مهارت‌ها می‌شود و مانع از تیز ماندن ذهن مهندسان می‌گردد. او معتقد است انجام کارهای سخت است که متخصصان فنی را در مسیر پیشرفت نگه می‌دارد.

او همچنین نسبت به یک ریسک گسترده‌تر در سطح صنعت هشدار می‌دهد: اگر هر شرکتی به تیم‌های یکسان و ابزارهای یکسانی برای انجام کارهای «دیوانه‌وار» دسترسی داشته باشد، نوآوری سازمانی ویژگی‌های منحصربه‌فرد و متمایز خود را از دست می‌دهد. او این پرسش را مطرح می‌کند که آیا شرکت‌ها واقعاً در حال ارتقای مقیاس خود هستند یا صرفاً با سرعت بیشتری در حال سوختن و فرسودگی‌اند. همچنین او نگرانی‌هایی را درباره مسئولیت‌های قانونی (Liability) در زمانی که هوش مصنوعی مرتکب اشتباه می‌شود، مطرح می‌کند.

این رویکرد به مدیریت نوع جدیدی نیاز دارد؛ مدیرانی که از «قهرمانان» یا همان متفکران غیرمتعارف حمایت کنند؛ کسانی که حاضرند هفته‌ها شکست بخورند تا راهکاری عملی بیابند. سروتر هشدار می‌دهد که نباید صرفاً برای اجتناب از مواجهه با مشکلات سخت، «میزهای تغییر را برای چهار هفته جابجا کرد» (به معنای انجام تغییرات سطحی برای تظاهر به پیشرفت). بدون حمایت و حفاظت مدیریت، این تحول‌آفرینان ممکن است خاموش شوند.

برای یک رهبر کسب‌وکار مدرن، این به معنای پذیرش این واقعیت است که مسیر رسیدن به بلوغ در هوش مصنوعی خطی نیست. هدف، یافتن دفترچه راهنمایی نیست (چون وجود ندارد)، بلکه ایجاد ریتمی پایدار است که اجازه آزمایش‌های تهاجمی را بدون منجر شدن به فرسودگی کامل بدهد.

باید منتظر ماند و دید که سایر غول‌های فناوری چگونه با «اعتیاد به بهره‌وری» در تیم‌های هوش مصنوعی خود مقابله می‌کنند، زیرا این بحران سلامت روان می‌تواند به اصلی‌ترین گلوگاه برای استقرار هوش مصنوعی در سال ۲۰۲۷ تبدیل شود.

گام بعدی شما

• در تیم‌های خود «فضای شکست» تعریف کنید؛ به جای فشار برای نتایج فوری، بازه‌های زمانی چهار هفته‌ای برای آزمایش‌های پرریسک در نظر بگیرید.
• برای جلوگیری از فرسایش مهارت، بخشی از فرآیندهای سخت فنی را به‌صورت دستی اجرا کنید تا تسلط ذهنی تیم حفظ شود.
• روی آموزش واژگان تخصصی صنعت به کاربران AI تمرکز کنید، زیرا بدون دانش دامنه، خروجی‌های مدل‌ها سطحی باقی می‌مانند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.