دیروز از یادداشت فایننشال تایمز گفتیم؛
از کارمندانی که دلشان برای زندگی کاری قبل از هوش مصنوعی تنگ شده.
امروز نیویورک تایمز از زاویه‌ای کاملاً متفاوت به همان موضوع نگاه کرده:
شاید هوش مصنوعی بتواند
ما را مدیران بهتری کند.
————

دیروز حرف این بود که AI قرار بود کار را سبک‌تر کند،
اما گاهی خودش کار تازه‌ای ساخته:
خروجی‌های بی‌کیفیت،
اطلاعات اشتباه،
متن‌های شبیه هم
و ساعت‌ها وقت برای بررسی و اصلاح.
امروز سؤال کمی فرق دارد:
آیا همیشه مشکل از هوش مصنوعی است؟
————

کیت فِرازی در یادداشت امروز نیویورک تایمز تعریف می‌کند:
از ایجنت هوش مصنوعی‌اش خواسته بود
آخرین گفت‌وگوی کوچینگ با یک مشتری را خلاصه کند.
خروجی خیلی مرتب و قانع‌کننده بود...
فقط یک مشکل کوچک داشت:
بر اساس اطلاعات قدیمی نوشته شده بود!
————

اولین واکنش طبیعی این بود:
"باز هم هوش مصنوعی اشتباه کرد."
اما بعد متوجه شد اطلاعات را در چند فایل،
چند نسخه یادداشت و چند رشته ایمیل رها کرده
و انتظار داشته AI خودش بفهمد:
کدام جدیدتر است،
کدام مهم‌تر است
و دقیقاً دنبال چه چیزی هستیم.
————

جمله اصلی یادداشت خیلی خوب است:
هوش مصنوعی برخلاف همکاران صبور ما،
عادت‌های بد کاری‌مان را جمع‌وجور نمی‌کند؛
آن‌ها را جلوی چشممان می‌گذارد.
همکار باتجربه شاید از روی شناخت قبلی بفهمد منظور ما چیست.
اما AI دستور مبهم را همان‌طور که هست می‌گیرد:
مبهم.
————

نویسنده از چند مدل آدم می‌گوید
که همکاری با آن‌ها حتی برای هوش مصنوعی هم سخت است!
اولی:
درخواست و درخواست‌کننده مبهم
می‌گوید:
“موضوع مشتری را یه بررسی بکن.”
کدام مشتری؟
کدام موضوع؟
بررسی برای چه تصمیمی؟
خروجی خوب چه شکلی است؟
هیچ‌کدام معلوم نیست.
————

دومی:
احتکارکننده اطلاعات
کار را توضیح می‌دهد،
اما اطلاعات لازم را پیش خودش نگه می‌دارد.
مثلاً راه‌حل می‌خواهد،
ولی درباره زمان، بودجه، محدودیت‌ها
یا حساسیت‌های سازمان چیزی نمی‌گوید.
چون فکر می‌کند:
“خب این‌ها که معلوم است!”
نه؛ معمولاً معلوم نیست.
————

سومی:
تفویض‌کننده افراطی
کل کار را تحویل می‌دهد،
غیبش می‌زند
و آخر کار از نتیجه ناراضی می‌شود.
مشکل، تفویض‌کردن نیست.
مشکل این است که
نه در میانه راه بازخوردی داده،
نه مسیر را کنترل کرده
و نه مسئولیت انتخاب‌های مهم را پذیرفته است.
————

پیشنهاد نویسنده ساده است:
با AI مثل یک نیروی تازه‌وارد خوب رفتار کنید.
فقط نگویید چه کاری انجام دهد.
بگویید چرا این کار مهم است،
چه محدودیت‌هایی دارد،
خروجی خوب چه ویژگی‌ای دارد
و از چه اشتباه‌هایی باید دوری کند.
————

مثلاً به‌جای اینکه بگوییم:
“این گزارش را بررسی کن”
بگوییم:
این گزارش برای جلسه هیئت‌مدیره است.
سه ریسک اصلی را مشخص کن.
بین اطلاعات قطعی و فرضیات تفاوت بگذار.
موارد نامطمئن را صریح بنویس
و خروجی بیشتر از یک صفحه نباشد.
کیفیت پاسخ، از کیفیت تعریف مسئله شروع می‌شود.
————

نکته مهم دیگر:
تفویض کنید، اما غیب نشوید.
در کارهای پیچیده،
منتظر خروجی نهایی نمانید.
اول چارچوب را ببینید،
بعد منابع و فرضیات را چک کنید،
سپس اجازه دهید کار ادامه پیدا کند.
همان کاری که یک مدیر خوب
با نیروی انسانی انجام می‌دهد.
————

از اعتمادبه‌نفس AI هم نباید گول خورد.
گاهی پاسخ اشتباه را
خیلی مرتب، روان و مطمئن تحویل می‌دهد.
پس فقط نگوییم:
“جوابت غلط است.”
بگوییم:
کمتر با من موافقت کن،
فرضیاتم را به چالش بکش،
برای ادعاها شواهد بیاور
و هرجا مطمئن نیستی، واضح بگو.
————

این دو یادداشت، برخلاف ظاهرشان،
حرف متضادی نمی‌زنند.
فایننشال تایمز می‌گفت استفاده بد از AI
می‌تواند کار را بیشتر، خلاقیت را کمتر
و محیط کار را خسته‌کننده‌تر کند.
نیویورک تایمز امروز می‌گوید
بخشی از این مشکل، از عادت‌های خود ما می‌آید:
دستور مبهم، اطلاعات ناقص، تفویض بی‌حساب
و نظارت ضعیف.
————

شاید مهم‌ترین تغییر این باشد:
با فراگیرشدن عامل‌های هوش مصنوعی،
تقریباً همه ما به‌نوعی مدیر می‌شویم.
باید مأموریت تعریف کنیم،
کار را واگذار کنیم،
کیفیت را بسنجیم
و بازخورد بدهیم.
هوش مصنوعی فقط ابزار کار نیست؛
یک آزمون مدیریت هم هست.
————

AI نه به‌خودی‌خود ما را نجات می‌دهد
و نه حتماً کار را خراب می‌کند.
بیشتر شبیه یک تقویت‌کننده است:
مدیریت خوب را قوی‌تر می‌کند
و مدیریت بد را سریع‌تر لو می‌دهد.
شاید برای بهتر کارکردن با هوش مصنوعی،
قبل از یادگرفتن صد مدل پرامپت،
باید یاد بگیریم دقیق‌تر بگوییم:
“واقعاً چه می‌خواهیم؟”