اگر در تیمتان یک «نابغه هوش مصنوعی» دارید که همه برای هر تصمیم کوچکی منتظر تایید او می‌مانند، احتمالاً با بزرگ‌ترین مانع رشد خود رو‌به‌رو هستید. این تضاد عجیب جایی رخ می‌دهد که مهارت بالای یک فرد، به‌جای توزیع دانش، به سدی برای مقیاس‌پذیری تبدیل می‌شود. در حالی که اکثر شرکت‌ها کمبود آموزش را عامل کندی پذیرش هوش مصنوعی می‌دانند، گلوگاه واقعی اغلب یک پدیده روان‌شناختی است که در آن یک «قهرمان» به‌طور ناخواسته به یک دروازه‌بان تبدیل می‌شود.
این پویایی در حالی شکل می‌گیرد که کسب‌وکارها با یک شکاف عظیم در آمادگی رو‌به‌رو هستند. طبق مطالعه‌ای که در سال ۲۰۲۶ توسط گارتنر (Gartner) منتشر شد، تنها ۲۰٪ از کسب‌وکارها معتقدند کارکنانشان واقعاً برای عصر هوش مصنوعی آماده‌اند. اکثر مدیران این موضوع را یک نقص مهارتی می‌بینند — یعنی کمبود زمان یا ابزار — اما واقعیت بیشتر به این مربوط است که افراد چگونه اهمیت خود را در جریان کاری درک می‌کنند. این عدم آمادگی ساختاری اغلب منجر به نتایج فاجعه‌باری می‌شود، همان‌طور که در بررسی دلایل شکست ۸۵٪ از پروژه‌های هوش مصنوعی مشاهده کردیم که نشان می‌دهد شکاف مهندسی فراتر از یک نقص ساده است.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی فرهنگ‌های سازمانی در عصر مدل‌های زبانی اشاره کردیم، ابزارها به‌تنهایی تغییر ایجاد نمی‌کنند، بلکه این ساختارهای انسانی هستند که سرعت پیشرفت را تعیین می‌کنند.
روان‌شناسی مشارکت
تصور کنید تیمی را که همه منتظر چراغ سبز «متخصص AI» هستند تا اقدامی کنند. این رفتار معمولاً از سر بدخواهی نیست، بلکه نتیجه‌ی نحوه یادآوری دستاوردهای انسانی است. ما تلاش‌های خودمان را با جزئیات دقیق و زنده به یاد می‌آوریم، اما کار دیگران را تنها به صورت یک طرح کلی می‌بینیم؛ این موضوع باعث می‌شود حس اغراق‌آمیزی از تأثیر فردی خود داشته باشیم.
وقتی هوش مصنوعی زاینده (Generative AI) — شبیه دستیاری است که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — وارد سازمان می‌شود، این اثر تشدید می‌شود. کسانی که سریع‌تر ابزارها را یاد می‌گیرند، نوعی «مالکیت روان‌شناختی» نسبت به نتایج پیدا می‌کنند. در حالی که این مالکیت می‌تواند فرد را ترغیب کند تا به‌جای صرفاً بستن تیکت‌ها، عمیقاً به موفقیت پروژه اهمیت دهد، اما در عین حال می‌تواند منجر به این شود که او از دخالت خود در فرآیند تولید محافظت کند. برای مدیریت این پیچیدگی‌ها در مقیاس سازمانی، انتخاب ابزار مناسب حیاتی است؛ موضوعی که در تحلیل مقایسه پلتفرم‌های ارکستره در برابر پلاگین‌ها به تفصیل بررسی کردیم تا مشخص شود چرا ابزارهای تک‌چارچوب در محیط‌های بزرگ ناکارآمد هستند.
ظهور «تکبر هوش مصنوعی»
شرکت سومبرا (Sombra) برای اندازه‌گیری این غریزه، نظرسنجی گسترده‌ای از ۲۰۰۰ متخصص هوش مصنوعی انجام داد. نتایج این بررسی، شکاف عمیقی را بین تصور فرد از جایگاهش و واقعیت تحویل پروژه نشان می‌دهد:
- ۷۹٪ پاسخ‌دهندگان معتقدند محرک اصلی نوآوری در شرکت خود هستند (۳۷٪ «قطعاً» و ۴۲٪ «به مقدار زیاد»).
- ۶۴٪ باور دارند اگر فردا شخصاً شرکت را ترک کنند، سرعت نوآوری به‌شدت کاهش می‌یابد.
سومبرا این شکاف را «تکبر هوش مصنوعی» (AIrrogance) می‌نامد. این موضوع به معنای لاف زدن آشکار نیست، بلکه باوری خاموش است که می‌گوید کار به «شخصِ من» وابسته است، نه به «مهارتی که من دارم». این وضعیت باعث تمرکز خطرناک باورها در یک فرد می‌شود. همان‌طور که سایر تحلیل‌های مربوط به این یافته‌ها نشان می‌دهد، به نظر می‌رسد خلاقیت با یک مشکل «منیت» (Ego) رو‌به‌رو است.
قهرمانان چگونه پیشرفت را کند می‌کنند
شگفت‌آور است که کسانی که بیشترین باور را به پیشران بودن خود دارند، اغلب همان‌هایی هستند که مانع پیشرفت می‌شوند. داده‌های سومبرا نشان می‌دهد مقاومت داخلی اغلب در لباس «احتیاط» ظاهر می‌شود:
- ۲۲٪ از پاسخ‌دهندگان پروژه‌های AI را به‌دلیل عدم مشاهده پتانسیل کافی، پس زده‌اند.
- ۲۱٪ نبود داده‌ها را بهانه‌ای برای متوقف کردن روند کار کردند.
- ۱۷٪ اعتراف کردند که بدون اینکه رسماً مانع شوند، سرعت پروژه‌ها را کم کرده‌اند.
به گزارش این مطالعه، حدود ۷۰٪ از کسب‌وکارهای نمونه، این نوع مقاومت داخلی را تجربه کرده‌اند. چون این «قهرمانان» واقعاً به پروژه اهمیت می‌دهند، تردید آن‌ها به‌جای تخریب، شبیه «دقت کردن» به نظر می‌رسد، اما در واقع همان نوآوری‌ای را که ادعای پیشبردش را دارند، به عقب می‌راند.
عامل اتوبوسِ باور
در تیم‌های مهندسی مفهومی به نام «عامل اتوبوس» (Bus Factor) وجود دارد؛ یعنی چند نفر باید با اتوبوس زده شوند (ناپدید شوند) تا پروژه به‌دلیل نبود دانش متوقف شود. معمولاً این مورد برای کدها یا مستندات است. اما ویاچسلاو بروی (Viacheslav Brui)، مدیر بخش داده و AI با بیش از ۱۴ سال تجربه در IT، استدلال می‌کند که شرکت‌ها «عامل اتوبوسِ باور» (Conviction Bus Factor) را نادیده می‌گیرند.
این اتفاق زمانی می‌افتد که یک پروژه فقط به این دلیل پیش می‌رود که «یک نفر» تشخیص داده ارزشمند است. یک نظر قوی به‌طور خاموش به دروازه‌ای تبدیل می‌شود که هر ابتکار عملی باید از آن رد شود. وقتی باورها در یک نفر متمرکز می‌شوند، سازمان توانایی جمعی خود برای اعتبارسنجی ایده‌ها را از دست می‌دهد. در این حالت، به‌جای تکیه بر خرد جمعی، پروژه به باورهای شخصی یک فرد متکی می‌شود.
استراتژی‌های رفع گلوگاه
برای رفع این گلوگاه، سومبرا پیشنهاد می‌کند از مدل «تک‌نقطه بازرسی» فاصله بگیرید. البته باید توجه داشت که مقاومت بر اساس داده‌های ناقص یا شواهد ضعیف برای جلوگیری از استقرار اشتباه ضروری است. مشکل زمانی شروع می‌شود که احتیاط، بین «نقص واقعی» و «عدم باور شخصی» تفاوتی قائل نشود.
برای حل این مشکل، تیم‌ها می‌توانند این استراتژی‌ها را اجرا کنند:
- قابلیت تأیید شکایات: به‌جای پذیرفتن جملاتی مثل «ارزشش را نمی‌بینم»، مدیران باید بپرسند چه مدرک خاصی این نگرانی را برطرف می‌کند و تا چه تاریخی. یک لیست از داده‌های مفقود باید وزن بیشتری نسبت به یک اظهارنظر مبهم داشته باشد.
- چرخش نقش متخصص: نقش متخصص دامنه را به‌طور عمدی بچرخانید، حتی اگر مجبور شوید فردی با تجربه کمتر را در جایگاه رهبری قرار دهید. این کار شاید سرعت یک پروژه را کم کند، اما تضمین می‌کند که شرکت با یک استعفا، تمام دانش سیستم را از دست ندهد.
- حذف نقطه بازرسی واحد: اگر پروژه‌ای نیاز به تایید متخصص دارد، سازمان باید نفر دومی را معرفی کند که ظرف یک فصل قادر به ارائه آن تایید باشد. اگر نام دومی پیدا نشد، شما با مشکل «عامل اتوبوس» رو‌به‌رو هستید.
- تست خودارزیابی: به آخرین ایده بزرگی فکر کنید که در شرکت شما اجرا شد و ایده شما نبود. اگر نمی‌توانید سریعاً به یاد آورید که چطور به تحقق آن کمک کردید، احتمالاً بخشی از فرهنگ «تولیدکننده انفرادی» هستید، نه «مسئولیت مشترک».
قوی‌ترین فرهنگ‌های نوآوری، کسانی هستند که مشارکت را پخش کرده و مسئولیت را به اشتراک می‌گذارند. این تضمین می‌کند که هیچ فردی، فارغ از میزان صلاحیتش، پیش‌شرط پیشرفت نباشد.
این تغییر سخت‌تر از خرید لایسنس نرم‌افزاری است. راه حل واقعی، آموزش سریع‌تر ابزارها به همه نیست؛ بلکه این است که سریع‌ترین یادگیرندگان بفهمند کجا پیشرفت شخصی‌شان تبدیل به سدی برای دیگران شده است.
گام بعدی شما
- در جلسه بعدی، از متخصص AI تیمتان بخواهید معیارهای عددی و دقیق برای رد یا تایید یک ایده ارائه دهد تا «باور شخصی» جای خود را به «داده» بدهد.
- نقش «تاییدکننده نهایی» را در یک پروژه کوچک جابه‌جا کنید و اثر آن را بر سرعت تصمیم‌گیری بسنجید.
- لیست «عامل اتوبوس» دانش فنی تیمتان را بنویسید و برای هر مورد، یک نفر جایگزین تعیین کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو