تحلیل اقتصادی آثار هوش ماشینی بر سازمانها و مدیرانشان

سال ۱۹۹۵ بعنوان سرآغاز”اقتصاد جدید“شناخته شده است. ارتباطات دیجیتال در این سال آغاز شد و همه چیز را تغییر داد. اما اقتصاددانان این تغییرات را بر اصول اقتصاد موثر ندانستند. این موضوع به آن خاطر نبود که آنان متوجه نشدند که برخی چیزها تغییر کرده است، بلکه به آن خاطر بود که آنان دریافته بودند که اصول اقتصادی قبلی جهت تحلیل تغییراتی که در حال رخ دادن بودند، کافی هستند.”اقتصاد جدید“در سطح کلان می توانست بصورت ذیل تشریح شود: تکنولوژی اطلاعات باعث کاهش هزینه‌های ارتباطات و جستجوی اطلاعات شده است. این تغییر باعث انجام جستجوی بیشتر، برقراری ارتباطات بیشتر و انجام بیشتر فعالیتهایی می‌شد که بهمراه جستجو و ارتباطات انجام می‌شدند. این پایه و اساس تغییراتی بود که اتفاق افتاده بودند. امروزه ما موج مشابهی را درباره هوش ماشینی مشاهده می‌کنیم و مجددا اقتصاددانان اعتقاد دارند که همان قوانین ساده قبلی بکار می‌آیند. تحولات تکنولوژیک باعث می‌شوند برخی فعالیتهای مهم ارزان شوند، نظیر برقراری ارتباطات یا جستجوی اطلاعات. هوش ماشینی نیز اساسا یک تکنولوژی ‍پیش‌بینی است، لذا اقتصاد براساس کاهش هزینه‌های ‍پیش‌بینی پیش خواهد رفت.

آثار کلان اقتصادی هوش مصنوعی

اولین اثر هوش ماشینی کاهش هزینه‌های محصولات و خدماتی خواهد بود که مبتنی بر پیش‌بینی هستند. این موضوع مهمی است، زیرا پیش‌بینی یک ورودی مهم در صنایع بزرگی نظیر حمل و نقل، کشاورزی، درمان، تولید انرژی و خرده فروشی است.

وقتی هزینه های یک ورودی مثل پیش‌بینی بطور ناگهانی کاهش می‌یابد، دو اتفاق و پیامد شناخته شده اقتصادی رخ می‌دهند. ابتدا، ما از پیش بینی در انجام بسیاری کارها که قبلا استفاده نمی‌کردیم، استفاده خواهیم کرد و سپس ارزش فعالیتهای مکمل و موردنیاز پس از انجام پیش‌بینی افزایش خواهد یافت. 

وظایف سازمانی زیادی بعنوان یک فعالیت پیش‌بینی، شناسایی و تعریف خواهند شد

همزمان با کاهش هزینه های پیش‌بینی توسط هوش‌ماشینی، ما از این امکان بعنوان یک ورودی برای کارهایی که قبلا استفاده نمی‌کردیم، استفاده خواهیم کرد. بعنوان یک مثال تاریخی، نیمه ‌رساناها در نظر بگیرید که پیشرفت و کاهش قیمتهای آن باعث کاهش یک هزینه ورودی فعالیتهای مختلف شد: محاسبات. با نیمه‌ رساناها، ما توانستیم محاسبات را ارزانتر انجام دهیم، بنابراین فعالیتهایی که محاسبات در آنها یک ورودی کلیدی بودند، نظیر تحلیل داده‌ها و حسابداری، بسیار ارزانتر شدند. لذا، ما شروع کردیم به استفاده از این قابلیت محاسباتی ارزان و جدید در حل مسائلی که قبلا مسائل محاسباتی نبودند. یک نمونه عکاسی است. رویکرد ما از عکاسی مبتنی بر فیلم‌های حساس به نور و شیمیایی به رویکرد عکاسی دیجیتال مبتنی بر محاسبات عددی تغییر کرد. سایر کاربردهای جدید برای محاسبات عددی ارزان شامل ارتباطات، موسیقی و سیستمهای دیجیتال کشف و شناسایی مواد مخدر هستند. 

همین اتفاق برای هوش ماشینی نیز می‌افتد. با کاهش هزینه های پیش‌بینی، فقط فعالیتهای مبتنی بر پیش بینی – مانند مدیریت موجودی کالا و پیش‌بینی تقاضا - ارزانتر نخواهد شد، بلکه ما از ابزار پیش‌بینی ارزان‌شده برای حل مسائلی که قبلا پیش‌بینی یک ورودی و ابزار حل آنها نبود، نیز استفاده خواهیم کرد. 

خودروهای بدون راننده، یک مسئله جدید برای پیش بینی ارزان قیمت

مسیریابی را درنظر بگیرید. تا همین اواخر، رانندگی بدون سرنشین محدود به محیطهای شدیدا کنترل‌شده نظیر انبارها و کارخانه‌ها بود که برنامه‌نویسان می‌توانستند بازه رخدادهای ممکن برای وسیله نقلیه، را پیش‌بینی کنند و برای آنها الگوریتم‌های تصمیم‌گیری متناظر اگر-آنگاه-درغیراینصورت را برنامه‌نویسی کنند. (مثلا اگر شئ‌ای بسوی وسیله نقلیه می‌آید آنگاه وسیله خاموش شود). در چنین فضایی اصلا قابل تصور نبود که یک وسیله بدون راننده در خیابانهای شهر قرار داده شود، زیرا سناریوهای محتمل در چنین محیط کنترل‌نشده‌ای نیازمند برنامه‌نویسی تعداد نامحدود و بی‌پایانی الگوریتم‌های اگر-آنگاه-درغیراینصورت است (که عملا امکان پذیر نیست).

این موضوع تا همین اواخر قابل تصور نبود. از زمانیکه پیش‌بینی ارزان شده است، نوآوران این حوزه، رانندگی را بعنوان یک مسئله پیش‌بینی بازتعریف کرده‌اند. بجای برنامه نویسی تعداد بی پایانی از عبارتهای اگر-آنگاه-درغیراینصورت، آنها بسادگی از هوش ماشینی می‌خواهند که پیش‌بینی کند:”اگر یک انسان راننده بود، چه می‌کرد؟“ آنها خودروها را با سنسورهای متنوعی شامل دوربین، رادار، لیزر و ... تجهیز می‌کنند و سپس داده‌های میلیونها مایل از رانندگی انسانها را جمع‌آوری می‌کنند. با اتصال داده‌های ورودی محیطی از سنسورهای خارج از ماشین به تصمیمات گرفته شده توسط راننده ماشین (گاز دادن، ترمز کردن، تغییر مسیردادن و ...)، هوش ماشینی می‌آموزد که پیش‌بینی کند انسان چگونه به هر یک از اطلاعات ورودی محیطی پاسخ می‌دهد. بنابراین در حال حاضر پیش‌بینی جز اصلی از راهکار مسئله‌ای است که قبلا یک مسئله پیش‌بینی نبوده است.

تصمیم‌گیری، بیش از پیش ارزشمند و قیمتی خواهد شد

وقتیکه هزینه های ورودی اصلی بشدت کاهش می‌یابد، غالبا بر روی ارزش سایر ورودیهای مسئله اثر می‌گذارد. ارزش ورودیهای مکمل ورودی اصلی ارزان شده، بالا میرود و ارزش ورودیهای جایگزین ورودی اصلی ارزان شده، کاهش می‌یابد. در نمونه عکاسی، ارزش اجزای سخت‌افزاری و نرم‌افزاری مرتبط با دوربینهای دیجیتال که مکملهای مدارهای محاسباتی بودند، بالا رفت و هزینه محاسبات و نیمه رساناها و مدارهای محاسباتی پایین آمد، زیرا ما تعداد بیشتری از آنها می خواستیم. در مقابل ارزش فیلم های شیمایی بعلت کاهش مصرفشان بشدت کاهش یافت.

همه فعالیتهای انسانی را می‌توان با پنج جز کلان توصیف کرد: داده‌ها، پیش‌بینی، تصمیم‌گیری، اقدام و خروجی. برای نمونه، مراجعه به پزشک در پاسخ به درد شامل اجزای زیر است: (۱) آزمایش خون و عکس‌برداری بعنوان داده‌ها (۲) تشخیص و پیش‌بینی بیماری و درمانهای آن نظیر اگر ما این درمان را انجام دهیم، پیش بینی می‌کنیم این خروجی ها حاصل شود و ... (۳) سبک و سنگین کردن گزینه ها و انتخاب گزینه نهایی درمان باتوجه به سن/ سبک زندگی/ شرایط خانوادگی/ سایر ترجیحات بیمار توسط پزشک (۴) اجرای گزینه درمانی انتخاب و توصیه شده پزشک (۵) بهبودی کامل با کمترین تبعات جانبی بعنوان نتیجه و خروجی.

وقتیکه هوش ماشینی رشد می‌کند، ارزش مهارتهای پیش‌بینی‌ انسان کاهش می‌یابد، زیرا پیش‌بینی ماشین جایگزین بهتر و ارزانتری برای پیش‌بینی انسان خواهد بود، همانطوریکه ماشین، محاسبات را بهتر انجام می‌دهد. اما برخلاف پیش‌بینی برخی صاحب‌نظران، این سرنوشت ناگواری برای مشاغل انسانها نیست. زیرا ارزش مهارتهای تصمیم‌گیری انسانها افزایش خواهد یافت. به زبان اقتصاد، تصمیم‌گیری مکمل پیش‌بینی است و بنابراین وقتیکه هزینه پیش‌بینی کاهش می‌یابد، تقاضا برای تصمیم‌گیری رشد خواهد کرد. ما نیاز به تصمیم‌گیری‌های انسانی بیشتری خواهیم داشت.

برای مثال، وقتیکه پیش‌بینی ارزان است، تشخیص بیشتری موردنیاز است و ما می توانیم بسیاری بیماریهای قابل درمان را سریعتر و در مراحل اولیه آنها شناسایی کنیم. بنابراین تصمیمات بیشتری برای درمانهای پزشکی باید گرفته شود که به معنای تقاضای بیشتر برای بکارگیری تصمیم‌گیری درمان و حمایتهای اخلاقی و عاطفی از بیماران است که توسط انسانها (پزشکان) قابل تامین است. خط فاصل بین پیش‌بینی و تصمیم‌گیری خیلی شفاف نیست و برخی تصمیمات در نهایت بعنوان پیش‌بینی‌های حساس تعریف و طبقه‌بندی خواهند شد. تا آن زمان و در روندی کلی، ارزش مهارتهای انسانی مرتبط با پیش‌بینی شدیدا کاهش خواهد یافت و ارزش مهارتهای انسانی مرتبط با تصمیم‌گیری افزایش می‌یابد.

سازمانها و مدیرانشان در عصر هوش مصنوعی چه باید بکنند ؟

تفسیر رشد هوش ماشینی بعنوان کاهش هزینه‌های پیش‌بینی، پاسخ کامل و روشنی به این پرسش مشخص نمیدهد که این تکنولوژی چگونه بطور کامل استقرار خواهد یافت و چه نقشهایی بازی خواهد کرد؟ اما دو پیامد اصلی این تکنولوژی روشن و واضح است: (۱) پیش‌بینی بعنوان یک ورودی برای محصولات و خدمات بیشتری استفاده خواهد شد و (۲) ارزش سایر ورودی های فعالیتهای سازمانی، براساس اینکه کدامیک مکمل و کدامیک جایگزین پیش‌بینی هستند، تغییر خواهد کرد. این تغییرات در حال رخ دادن هستند و مدیران باید در قابلیتهای تصمیم‌گیریشان سرمایه‌گذاری کنند. حوزه و سرعت این سرمایه گذاری بستگی به حوزه و سرعت این تغییرات دارد.

منبع: HBR