مرداد
اخبار
هشدار نادلا؛ شرکتها دو بار برای هوش مصنوعی هزینه میدهند
وقتی مدیرعامل بزرگترین سرمایهگذار جهان در هوش مصنوعی هشدار میدهد که شرکتها بابت این فناوری دو بار هزینه میدهند، باید با دقت گوش کرد. ساتیا نادلا میگوید هزینهی دوم روی فاکتور نمیآید: دانش انباشتهی کسبوکار شما که با هر پرامپت و هر اصلاح، ذرهذره به سازندهی مدل منتقل میشود. او نام این پدیده را «پارادوکس معکوس اطلاعات» گذاشته است.
لیست مطالب
۱) هشدار نادلا در یک جمله
پیام اصلی ساده اما تکاندهنده است: قیمت واقعی هوش مصنوعی فقط عددی نیست که در صورتحساب ماهانه میبینید. هر بار که کارشناس شما یک پرامپت تخصصی مینویسد، خروجی مدل را اصلاح میکند یا توضیح میدهد چرا پاسخ اشتباه بوده، در حال انتقال بخشی از دانشی است که سالها طول کشیده تا در سازمان انباشته شود.
این دانش، همان چیزی است که در ادبیات مدیریت به آن «دانش ضمنی» میگویند؛ دانستنیهایی که در هیچ سندی نوشته نشدهاند و در ذهن و رویهی افراد باتجربه زندگی میکنند. مزیت رقابتی بسیاری از شرکتها دقیقاً از همین جنس است و بهسختی قابل خریدن یا کپی کردن است.
۲) «پارادوکس معکوس اطلاعات» یعنی چه؟
در اقتصاد کلاسیک، پارادوکس اطلاعات به این مسئله اشاره دارد که خریدار تا وقتی اطلاعات را ندیده نمیداند چقدر ارزش دارد، و وقتی دید دیگر لازم نیست بابتش پول بدهد. نادلا این معادله را وارونه کرده است.
در نسخهی معکوس، شما بهعنوان مشتری هزینه میپردازید تا از یک سرویس استفاده کنید، اما در همان لحظه در حال تحویل دادن اطلاعات ارزشمند به فروشنده هستید. هرچه استفادهی شما عمیقتر و تخصصیتر شود، ارزشی که منتقل میکنید بیشتر میشود. به بیان دیگر، حرفهایترین کاربران، بیشترین سهم را در بهبود مدل دارند بدون آنکه سهمی از آن ببرند.
۳) «دود هوش» چگونه بیرون میزند؟
انتقال دانش از چند مسیر رخ میدهد و بیشترشان بیسروصدا هستند:
پرامپتهای تخصصی
یک پرامپت خوب در واقع فشردهی روش کار شماست؛ ترتیب مراحل، معیارهای کیفیت، استثناها و نکتههای ظریفی که فقط با تجربه به دست میآید.
اصلاح خروجی
وقتی میگویید «این بخش اشتباه است، باید اینطور باشد»، در حال آموزش دادن هستید. مجموع میلیونها اصلاح از سوی متخصصان، ارزشمندترین دادهی آموزشی ممکن است.
اسناد و زمینه
بارگذاری قراردادها، گزارشها، دادههای مشتری و مستندات داخلی برای گرفتن پاسخ بهتر، مستقیمترین شکل انتقال است.
الگوی استفاده
حتی اینکه چه میپرسید و چه زمانی میپرسید، اطلاعاتی دربارهی اولویتها و برنامههای کسبوکار شما به دست میدهد.
۴) آیا این نگرانی واقعی است یا اغراق؟
واقعیت جایی میان دو سر طیف است. ارائهدهندگان بزرگ، لایههای سازمانی با تعهد صریح به عدم استفاده از دادهی مشتری برای آموزش دارند و این تعهدها معمولاً قراردادی و قابلپیگیریاند. بنابراین ادعای «هر چیزی که مینویسید مستقیماً وارد مدل بعدی میشود» دربارهی همهی سرویسها درست نیست.
اما دو نکته باقی میماند. نخست، بسیاری از سازمانها عملاً از نسخههای مصرفی و شخصی استفاده میکنند، نه نسخهی سازمانی؛ و شرایط این دو یکسان نیست. دوم، حتی با تعهد عدم آموزش، وابستگی عملیاتی شکل میگیرد: فرایندهای شما حول یک سرویس بازطراحی میشود و جدا شدن از آن پرهزینه میشود. این خودش یک شکل از هزینهی دوم است.
۵) پنج اصل عملی برای محافظت از دانش سازمان
فارغ از اینکه با شدت هشدار موافق باشیم یا نه، مجموعهای از اقدامهای عملی وجود دارد که هزینهی اجرایشان کم و فایدهشان زیاد است:
یک. تفکیک سطح داده. مشخص کنید کدام دسته از اطلاعات هرگز نباید وارد ابزارهای بیرونی شود و این را در قالب سیاست مکتوب و ساده ابلاغ کنید. قاعدهای که کارمند نتواند در ده ثانیه بفهمد، اجرا نمیشود.
دو. استفاده از نسخهی سازمانی. تفاوت شرایط استفادهی داده میان نسخهی شخصی و سازمانی معمولاً بنیادی است. هزینهی ارتقا، در برابر ریسک، اغلب ناچیز است.
سه. نگهداشتن دارایی پرامپت در خانه. پرامپتهای تخصصی و کتابخانهی الگوهای کاریتان را در مخزن داخلی نسخهبندی و مستند کنید. اینها دارایی سازماناند، نه یادداشت شخصی کارمند. برای شروع میتوانید از راهنمای پرامپتنویسی کمک بگیرید.
چهار. پرهیز از قفل شدن روی یک مدل. معماری خود را طوری بسازید که تعویض مدل، یک تغییر پیکربندی باشد نه بازنویسی محصول. این کار هم قدرت چانهزنی میدهد و هم ریسک اختلال را کم میکند.
پنج. مستندسازی خروجیهای ارزشمند. نتیجهی کار را در سامانههای خودتان نگه دارید تا حافظهی سازمان درون سازمان بماند، نه در تاریخچهی یک سرویس بیرونی.
۶) چرا این حرف از زبان مایکروسافت جالب است؟
نکتهی ظریف ماجرا اینجاست که مایکروسافت خودش یکی از بزرگترین بازیگران این بازار است. هشدار دربارهی قفل شدن روی یک مدل، همزمان یک توصیهی صادقانه و یک موضعگیری رقابتی است؛ چون راهبرد اعلامشدهی این شرکت، پشتیبانی از چند مدل مختلف روی زیرساخت خودش است.
این دوگانگی، حرف را بیاعتبار نمیکند اما زمینهاش را روشن میکند. در بازاری که تمایز فنی مدلها در حال کم شدن است، «مالکیت داده و آزادی انتخاب مدل» به یکی از مهمترین محورهای بازاریابی تبدیل شده است. برای نگاه گستردهتر به این اقتصاد، اهمیت هوش مصنوعی در کسبوکار را ببینید.
۷) طرف دیگر ماجرا؛ هزینهی استفاده نکردن
باید مراقب نتیجهگیری افراطی بود. ترس از انتقال دانش نباید به فلج شدن سازمان منجر شود. شرکتی که به دلیل نگرانی امنیتی استفاده از این ابزارها را کاملاً ممنوع میکند، هزینهی سومی میپردازد: عقب افتادن از رقبایی که بهرهوریشان را بالا بردهاند.
مسیر درست، مدیریت ریسک است نه اجتناب از آن؛ یعنی تعیین مرز روشن میان کارهایی که آزادند و کارهایی که نیستند. تجربه نشان داده سازمانهایی که سیاست شفاف دارند، هم امنتر عمل میکنند و هم استفادهی مؤثرتری میبرند. برای شروع کاربردی، آموزشهای چتجیپیتی مسیر خوبی برای آموزش تیم است.
۸) این بحث به کجا میرسد؟
چند روند محتمل در ماههای آینده دیده میشود. نخست، رشد تقاضا برای اجرای محلی مدلهای باز در سازمانهایی که دادهی حساس دارند. دوم، شفافتر شدن قراردادهای استفاده از داده و تبدیل شدن آن به یک معیار خرید. سوم، ظهور ابزارهای مدیریت پرامپت و دانش سازمانی بهعنوان یک دستهی نرمافزاری مستقل.
در بلندمدت، احتمالاً شاهد شکلگیری نوعی «حسابداری دانش» خواهیم بود: سازمانها بهطور نظاممند ردیابی میکنند چه دانشی از مرز شرکت خارج میشود و در ازای آن چه میگیرند. ادامهی این بحث را در بخش اخبار هوش مصنوعی دنبال کنید.
پرسشهای پرتکرار دربارهی هشدار نادلا
منظور از «دو بار پرداخت» دقیقاً چیست؟
یکبار پرداخت مالی بابت اشتراک و مصرف سرویس، و یکبار پرداخت غیرمالی در قالب دانش تخصصی که با پرامپتها، اصلاحها و اسناد به سازندهی مدل منتقل میشود.
آیا دادهی من حتماً برای آموزش مدل استفاده میشود؟
بستگی به نوع سرویس و قرارداد دارد. نسخههای سازمانی معمولاً تعهد صریح به عدم استفاده از دادهی مشتری برای آموزش دارند، در حالی که شرایط نسخههای شخصی میتواند متفاوت باشد. بررسی شرایط پیش از استفادهی سازمانی ضروری است.
چطور بفهمم کدام اطلاعات را نباید وارد کنم؟
یک آزمون ساده کمک میکند: اگر افشای آن اطلاعات برای رقیب، به شما آسیب میزند، وارد ابزار بیرونی نکنید. اطلاعات هویتی مشتریان، جزئیات قراردادها و فرمولهای اختصاصی معمولاً در همین دستهاند.
پرهیز از قفل شدن روی یک مدل در عمل یعنی چه؟
یعنی لایهای میان محصول و مدل بسازید تا جایگزینی مدل، تغییر تنظیمات باشد نه بازنویسی کد. همچنین یعنی پرامپتها و ارزیابیهای خود را مستقل از یک ارائهدهنده نگه دارید.
آیا استفاده از مدلهای متنباز راهحل کامل است؟
راهحل کاملی وجود ندارد. اجرای محلی مدل باز، کنترل داده را بالا میبرد اما هزینهی زیرساخت و نگهداری دارد و معمولاً کیفیت کمی پایینتر است. انتخاب درست به حساسیت داده و توان فنی سازمان بستگی دارد.
