تحلیلگران داده هفته‌ای ۶ ساعت را صرف اعتبارسنجی و اصلاح خروجی‌های هوش مصنوعی می‌کنند

وعده هوش مصنوعی سازمانی ساده بود: ماشین کار سنگین تولید اولیه را انجام می‌دهد و کارمندان انسانی را آزاد می‌گذارد تا با زمان ذخیره‌شده کارهای دیگری انجام دهند. در عوض، یک واقعیت ساختاری جدید در سراسر اقتصاد دانش جهانی پدیدار شده است. زمان ذخیره‌شده توسط هوش مصنوعی مولد به طور فزاینده‌ای صرف زمان مورد نیاز برای نظارت بر آن می‌شود. برای تحلیلگران داده، متخصصان مالی و کارمندان دیجیتال در بخش‌های مختلف، شرح وظایف اصلی به آرامی از تولید خروجی‌های اولیه به ممیزی دقیق خروجی‌های تولیدشده توسط ماشین تغییر کرده است. این کار نامرئی در حال تغییر شکل روز کاری مدرن است و سازمان‌ها را مجبور می‌کند تا دقیقاً ارزیابی کنند که چقدر بهره‌وری از سرمایه‌گذاری‌های عظیم خود در هوش مصنوعی به دست می‌آورند.[1][7]

بیایید با آنچه داده‌ها واقعاً می‌گویند شروع کنیم: بار نظارت تقریباً یک روز کاری کامل را مصرف می‌کند. بر اساس «شاخص هوش مصنوعی کار ۲۰۲۶» که توسط شرکت «گلین» (Glean) منتشر شده و عادات ۶٠٠٠ کارمند دیجیتال را تحلیل کرده است، کارمندان اکنون به طور متوسط ۶/۴ ساعت در هفته را صرف «نظارت بر ربات» (botsitting) می‌کنند. این اصطلاح شامل کار به رسمیت شناخته نشده‌ای است که برای ارائه زمینه مفقوده به هوش مصنوعی، اعتبارسنجی خروجی‌های آن، رفع اشکالات و اصلاح پاسخ‌های مطمئن اما اشتباه صرف می‌شود. این کار پنهان ٣٧٪ از کل زمانی را که کارمندان صرف تعامل با هوش مصنوعی می‌کنند، مصرف می‌کند و عملاً بخش بزرگی از افزایش کارایی ناخالصی را که رهبران سازمانی انتظار داشتند در ترازنامه‌های خود ببینند، از بین می‌برد. بهره‌وری خالص، پس از محاسبه این نظارت، به تنها ۴/۶ ساعت در هفته کاهش می‌یابد.[1][7]

به طور خاص برای تحلیلگران داده، بار اعتبارسنجی اساساً در حال تغییر شکل عملکرد اصلی آن‌ها در سازمان است. گزارش «وضعیت تحلیلگران داده در عصر هوش مصنوعی ٢٠٢٦» شرکت «آلتریکس» (Alteryx) نشان داد که تحلیلگران تقریباً چهار ساعت در هفته را به طور صریح صرف بررسی و اصلاح خروجی‌های تولیدشده توسط هوش مصنوعی می‌کنند. این زمان اعتبارسنجی علاوه بر ۵/٧ ساعتی است که آن‌ها همچنان صرف آماده‌سازی و پاکسازی داده‌های زیربنایی می‌کنند، قبل از اینکه هوش مصنوعی حتی به آن‌ها دست بزند. این تغییر به این معنی است که تحلیلگران به جای نوشتن کوئری‌های SQL از ابتدا یا ساخت داشبوردهای دستی، به طور فزاینده‌ای به عنوان ممیزان هوش مصنوعی عمل می‌کنند. وظیفه آن‌ها این است که خطاهای ظریف (hallucinations) را تشخیص دهند و اطمینان حاصل کنند که منطق احتمالی ماشین با واقعیت قطعی داده‌های سازمان همخوانی دارد.[2][8]

این پدیده محدود به یک پلتفرم، فروشنده یا نقش فنی خاص نیست. یک مطالعه جامع جهانی توسط «وُرک‌دی» (Workday) که ٣٢٠٠ کارمند و رهبر را مورد بررسی قرار داد، این اصطکاک گسترده را به عنوان «مالیات هوش مصنوعی بر بهره‌وری» کمی‌سازی کرد. این تحقیق یک نسبت آشکار را نشان داد: به ازای هر ١٠ ساعت کارایی ناخالص به دست آمده از طریق استفاده از ابزارهای هوش مصنوعی، تقریباً چهار ساعت به دلیل کار مجدد از دست می‌رود. این کار مجدد شامل اصلاح، شفاف‌سازی یا بازنویسی کامل محتوای تولیدشده توسط هوش مصنوعی با کیفیت پایین است که نتوانسته است استانداردهای حرفه‌ای را برآورده کند. پس از محاسبه کامل این کار مجدد اجباری، این مطالعه نشان داد که تنها ١٤٪ از کارمندان به طور مداوم نتایج بهره‌وری خالص مثبت را از استفاده روزانه خود از هوش مصنوعی به دست می‌آورند.[5][6]

در محیط‌های پرمخاطره مانند امور مالی شرکت‌ها، که دقت در آن‌ها غیرقابل مذاکره است، بار اعتبارسنجی حتی سنگین‌تر است. یک گزارش مشترک توسط IDC و Sage نشان داد که رهبران مالی به طور متوسط ١٣ ساعت در هفته را صرف اعتبارسنجی خروجی‌های تولیدشده توسط ابزارهای هوش مصنوعی می‌کنند. تقریباً نیمی از متخصصان مالی مورد بررسی گزارش دادند که بیش از ١٥ ساعت در هفته را صرف فعالیت‌های اعتبارسنجی می‌کنند و ١٩٪ حیرت‌آور بیش از ٣٠ ساعت در هفته را به آن اختصاص می‌دهند. محققان این را «مالیات اعتبارسنجی» نامیدند و خاطرنشان کردند که در انتهای طیف، هوش مصنوعی در واقع بیشتر از آنچه صرفه‌جویی می‌کند، کار ایجاد می‌کند و سالانه حدود ٧٨,٠٠٠ دلار به ازای هر متخصص ارشد مالی در زمان از دست رفته مصرف می‌کند.[3][4]

داده‌ها همچنین یک «شکاف اعتماد» آشکار بین کسانی که کار با کمک هوش مصنوعی را تولید می‌کنند و کسانی که آن را در سطح اجرایی مصرف می‌کنند، نشان می‌دهد. در حالی که ٦٠٪ از مدیران اجرایی اعتماد بالایی به خروجی‌های تولیدشده توسط هوش مصنوعی گزارش می‌دهند، تنها ١٠٪ از کاربران نهایی همان سطح اعتماد را دارند. افرادی که نزدیک‌ترین به کار هستند—کسانی که پیش‌نویس‌های اولیه ماشین را واقعاً می‌خوانند، اصلاح می‌کنند و بازنویسی می‌کنند—بار اصلی اعتبارسنجی را متحمل می‌شوند. این پویایی باعث می‌شود کارمندان جوان‌تر (به ویژه افراد ٢٥ تا ٣٤ ساله) و عملکردهای تخصصی، مانند منابع انسانی و تحلیل داده، سنگین‌ترین بار شناختی را جذب کنند، در حالی که رهبری فرض می‌کند ابزارها بدون نقص کار می‌کنند.[4][5][6]

هنگامی که کار پنهان نظارت بر ربات توسط مدیریت پیگیری، بودجه‌بندی و پاداش داده نمی‌شود، یک رفتار سازمانی ثانویه و به مراتب خطرناک‌تر را پرورش می‌دهد. گزارش «گلین» مشخص کرد که ٦٩٪ از کاربران هوش مصنوعی اعتراف می‌کنند که مرتکب «ربات‌شیتی» (botshitting) می‌شوند—عملی که در آن کار تولیدشده توسط هوش مصنوعی را که به طور کامل اعتبارسنجی نکرده‌اند، کاملاً درک نمی‌کنند یا نمی‌توانند با اطمینان در برابر سؤالات یک سرپرست از آن دفاع کنند، منتشر می‌کنند. این اتفاق می‌افتد زیرا کارمندان به شدت تشویق می‌شوند تا استفاده بالا از هوش مصنوعی و خروجی سریع را نشان دهند، اما به ندرت زمان اختصاصی یا حمایت ساختاری لازم برای انجام کنترل کیفیت دقیق بر کار ماشین به آن‌ها داده می‌شود.[1][7]

محدودیت اصلی که این مالیات اعتبارسنجی را هدایت می‌کند، لزوماً توانایی استدلال مدل‌های زبان بزرگ زیربنایی نیست، بلکه فقدان عمیق آن‌ها از زمینه سازمانی است. عوامل هوش مصنوعی اغلب داده‌های خام سازمانی را مستقیماً مورد پرسش قرار می‌دهند بدون اینکه منطق تجاری خاص و نانوشته‌ای را که بر آن حاکم است درک کنند—مانند قوانین قیمت‌گذاری سفارشی، محاسبات حاشیه تعدیل‌شده، یا تعاریف داخلی از آنچه «مشتری فعال» محسوب می‌شود. در نتیجه، مدل‌ها پاسخ‌هایی را برمی‌گردانند که از نظر ساختاری درست و بسیار مطمئن به نظر می‌رسند، اما از نظر واقعی نادرست یا به طور خطرناکی گمراه‌کننده در زمینه خاص آن سازمان هستند.[2][8]

در حالی که اجماع در این گزارش‌های ٢٠٢٦ در مورد وجود و مقیاس بار اعتبارسنجی قوی است، شواهد در مورد راه‌حل‌های بلندمدت و مقیاس‌پذیر هنوز اندک است. بخش زیادی از داده‌های فعلی متکی به معیارهای نظرسنجی خوداظهاری است که می‌تواند تحت تأثیر سوگیری ادراکی و تعاریف متفاوتی از آنچه «کار مجدد» محسوب می‌شود، قرار گیرد. علاوه بر این، هنوز مشخص نیست که آیا ۶/۴ ساعت نظارت بر ربات در هفته یک ویژگی ساختاری دائمی همکاری انسان و هوش مصنوعی است، یا صرفاً یک هزینه اصطکاک انتقالی است که با بلوغ جریان‌های کاری عامل‌محور و حاکمیت داده‌های سازمانی در طول چرخه‌های استقرار بعدی، به طور طبیعی کاهش خواهد یافت.[5][7][8]

سازمان‌هایی که با موفقیت این انتقال را مدیریت می‌کنند، از اندازه‌گیری کارایی ناخالص فاصله گرفته و در عوض کاملاً بر بهره‌وری خالص تمرکز می‌کنند. این امر مستلزم طراحی مجدد جریان‌های کاری از پایه است تا صراحتاً اعتبارسنجی با دخالت انسان را در نظر بگیرند، به جای اینکه آن را به عنوان یک اصطکاک نامرئی و خارج از حساب تلقی کنند. با تکامل نقش تحلیلگر داده، ارزشمندترین مهارت دیگر توانایی فنی برای تولید خروجی نیست، بلکه تخصص عمیق در حوزه مورد نیاز برای بازجویی از منطق ماشین، تشخیص خطاهای ظریف و اطمینان از اینکه محصول نهایی ریشه در واقعیت سازمانی دارد، است.[2][5][6][8]

تفاوت در تأثیر نقش‌ها، نیاز به استقرار هدفمند را بیشتر برجسته می‌کند. داده‌های «وُرک‌دی» نشان می‌دهد که بار کار مجدد در سراسر چشم‌انداز سازمانی بسیار نابرابر است. متخصصان منابع انسانی ٣٨٪ از کارمندانی را تشکیل می‌دهند که با بیشترین کار مجدد مرتبط با هوش مصنوعی سروکار دارند، در حالی که نقش‌های فناوری اطلاعات به طور قابل توجهی احتمال بیشتری دارند که استفاده از هوش مصنوعی را به دستاوردهای بهره‌وری خالص واقعی تبدیل کنند. این نشان می‌دهد که ابزارهای هوش مصنوعی در محیط‌های بسیار ساختاریافته و قطعی مانند تولید کد، عملکرد فوق‌العاده‌ای دارند، اما در حوزه‌هایی که نیاز به ظرافت بالا، تفسیر سیاست یا قضاوت ذهنی انسانی دارند، به شدت دچار مشکل می‌شوند.[6]

در نهایت، شواهد به شکست در استراتژی استقرار اشاره دارد تا شکست بنیادی خود فناوری. تحلیلگران گزارش می‌دهند که ٤٧٪ از پروژه‌های شکست‌خورده هوش مصنوعی و تحلیلی مستقیماً به کیفیت پایین داده یا فقدان حاکمیت داخلی نسبت داده می‌شوند. تا زمانی که سازمان‌ها به شدت در لایه‌های معنایی و جریان‌های کاری تحت حاکمیت سرمایه‌گذاری نکنند که زمینه سازمانی صحیح را از ابتدا به هوش مصنوعی ارائه دهند، مالیات اعتبارسنجی یک هزینه اجباری و پنهان برای انجام کسب‌وکار در عصر هوش مصنوعی باقی خواهد ماند.[2][8]