هوش مصنوعی مولد؛ سرمایه‌گذاری میلیاردی، بازدهی اندک

گزارش جامع مؤسسه فناوری ماساچوست (MIT) با عنوان «The GenAI Divide: State of AI in Business 2025» که توسط پروژه NANDA منتشر شده، نشان می‌دهد با وجود سرمایه‌گذاری بیش از ۳۰ تا ۴۰ میلیارد دلاری شرکت‌ها در هوش مصنوعی مولد، تنها پنج درصد از سازمان‌ها توانسته‌اند به بازده مالی قابل‌اندازه‌گیری دست پیدا کنند. در مقابل، ۹۵ درصد از پروژه‌ها یا در مرحله آزمایشی متوقف شده‌اند یا هیچ تأثیر اقتصادی روشنی نداشته‌اند. 

به گزارش خبر‌نویس، این گزارش شکاف عمیقی را میان هیجان سرمایه‌گذاری و تحول واقعی در کسب‌وکار آشکار می‌کند. شکافی که بیشتر از فناوری، به توانایی سازمان‌ها در «یادگیری» و سازگاری با فرایندها مربوط است.

سرمایه‌گذاری فراوان، تحول ناقص

گزارش می‌گوید ابزارهایی مانند ChatGPT و Copilot به‌طور گسترده آزموده شده‌اند و بیش از هشتاد درصد سازمان‌ها آنها را بررسی یا پایلوت کرده‌اند و نزدیک به چهل درصد از سازمان‌ها ادعا کرده‌اند که این ابزارها را مستقر کرده‌اند؛ اما این ابزارها عمدتاً بهره‌وری فردی را افزایش می‌دهند و تأثیر مستقیم در سود و زیان شرکت‌ها ندارند. 

در مقابل، سیستم‌های سطح سازمانی که به‌صورت سفارشی یا توسط فروشندگان عرضه می‌شوند، اغلب کنار گذاشته شده‌اند. شصت درصد سازمان‌ها این سیستم‌ها را ارزیابی کرده‌اند، اما تنها بیست درصد به مرحله پایلوت رسیده و فقط پنج درصد به تولید رسیده‌اند. شکست‌هایی که عمدتاً ناشی از جریان‌های کاری شکننده، فقدان یادگیری زمینه‌ای و ناسازگاری با عملیات روزمره دانسته شده است. 

تنها دو بخش واقعا دگرگون شده‌اند

تحلیل شاخص اختلال بازار نشان می‌دهد که تأثیر ساختاری GenAI میان صنایع نابرابر است؛ فقط دو بخش، فناوری و رسانه نشانه‌های آشکاری از تغییرات ساختاری نشان داده‌اند، در حالی که هفت بخش بزرگ دیگر همچنان در سمت «بد» شکاف قرار دارند و آزمایش‌های فراوان به تغییر بنیادین منجر نشده‌اند. تغییرات ملموس مانند ظهور رهبران جدید یا تغییر رفتار مشتریان در بیشتر صنایع مشاهده نشده است. 

اقتصاد سایه‌ای

در پشت آمارهای رسمی، گزارشی از یک «اقتصاد سایه‌ای» در هوش مصنوعی داریم که در آن کارکنان با حساب‌های شخصی ChatGPT، اشتراک‌های Claude و ابزارهای مصرفی دیگر، بخش‌های قابل‌توجهی از کار خود را خودسرانه خودکار می‌کنند.

 در حالی که تنها حدود چهل درصد شرکت‌ها می‌گویند اشتراک رسمی برای LLM خریده‌اند، بیش از نود درصد کارکنان پاسخ‌گو اعلام کردند که به‌طور مرتب از ابزارهای شخصی برای کار استفاده می‌کنند؛ نمونه‌ای که نشان می‌دهد عبور از شکاف می‌تواند از پایین به بالا و از طریق ابزارهای منعطفِ شخصی رخ دهد. 

گزارش تأکید می‌کند که مانع اصلی مقیاس‌یابی، نه زیرساخت یا مقررات بلکه «شکاف یادگیری» است؛ بیشتر سیستم‌های GenAI قابلیت حفظ بازخورد، سازگاری با زمینه کاری و بهبود در طول زمان را ندارند. کارمندان از ابزارهای مصرفی برای کارهای ساده رضایت دارند اما برای کارهای حساس و بلندمدت به انسان‌ها اعتماد بیشتری نشان می‌دهند زیرا سیستم‌ها حافظه زمینه‌ای و قابلیت یادگیری لازم را ندارند. همین محدودیت‌ها باعث می‌شود که بسیاری از پیاده‌سازی‌های سفارشی که میلیون‌ها هزینه دارند، در مرحله آزمایشی متوقف شوند. 

عبور از شکاف: چه کسانی موفق می‌شوند؟

گزارش می‌گوید آن دسته از فروشندگان و خریدارانی که از شکاف می‌گذرند، سیستم‌هایی می‌سازند یا انتخاب می‌کنند که از بازخورد یاد می‌گیرند، زمینه را حفظ می‌کنند و عمیقاً در جریان‌های کاری جاسازی می‌شوند. استارتاپ‌های موفق معمولاً با تمرکز بر موارد استفاده بارز و محدود، ادغام عمیق با فرایندها و سفارشی‌سازی قابل‌توجه، برندگان بازار بوده‌اند. بر اساس مصاحبه‌ها، ۶۶ درصد از مدیران خواستار سیستم‌هایی هستند که از بازخورد یاد بگیرند و ۶۳ درصد خواهان حفظ زمینهٔ کاری‌اند؛ این خواسته‌ها کلید موفقیتِ عبور از شکاف عنوان شده‌اند. 

استراتژی خریداران موفق: مثل سفارش BPO رفتار کنید، نه خریدن یک نرم‌افزار

خریداران موفق، عرضه‌کنندگان AI را بیشتر همچون ارائه‌دهندگان خدمات کسب‌وکار (BPO) قضاوت کرده و از آنها می‌خواهند تا عمیقاً بر فرایندهای داخلی تطبیق یابند و بر نتایج عملیاتی، نه معیارهای مدل، پاسخگو باشند. در نمونه مصاحبه‌شده، شراکت‌های خارجی حدود ۶۶ درصد از پیاده‌سازی‌های موفق را تشکیل داده‌اند در حالی که توسعه داخلی تنها حدود ۳۳ درصد موفقیت نشان داده است؛ اگرچه گزارش محدودیت‌های نمونه را یادآوری می‌کند، اما الگوی تفاوتِ موفقیت خرید در برابر ساخت را برجسته می‌سازد. 

با وجود تخصیص حدود نیمی از بودجه نظری به فروش و بازاریابی، بعضی از قوی‌ترین بازده‌ها در بخش‌های پشتی مثل عملیات و مالی رخ داده است. گزارش مواردی مانند افزایش سرعت تعیین صلاحیت سرنخ‌ها به میزان ۴۰ درصد، بهبود نگه‌داشت مشتری تا ۱۰ درصد، حذف هزینه‌های BPO سالانه بین ۲ تا ۱۰ میلیون دلار در خدمات مشتری و پردازش اسناد، کاهش ۳۰ درصدی هزینه‌های آژانس خلاقیت خارجی و صرفه‌جویی ۱ میلیون دلار در بررسی‌های ریسک برای خدمات مالی را مستند می‌کند. این مشاهدات نشان می‌دهد که بازده بلندمدت و ملموس ممکن است در حوزه‌هایی باشد که کمتر مورد توجه هیئت‌مدیره قرار می‌گیرند. 

تأثیر بر نیروی کار: انتخابی و نه فراگیر

گزارش نتیجه می‌گیرد که اثرات نیروی کار ناشی از GenAI تاکنون به صورت انتخابی و در نقش‌هایی که قبلاً برون‌سپاری شده بودند (پشتیبانی مشتری، پردازش اداری، وظایف توسعه استاندارد) دیده شده است و نه از طریق موج گسترده اخراج. تخمین‌های مورد بحث در مصاحبه‌ها نشان می‌دهد در شرکت‌هایی که تحول جدی رخ داده، کاهش بین ۵ تا ۲۰ درصد در عملیات پشتیبانی مشتری و پردازش اداری گزارش شده است؛ در مقابل، در بخش‌هایی مانند سلامت یا انرژی هنوز انتظار کاهش استخدام وجود ندارد.