آیا ما خدمات حرفهای را به سمت بحران دانش خودکار میکنیم؟
بحران تخصص پنهان در پذیرش هوش مصنوعی
با تسریع پذیرش هوش مصنوعی در خدمات حرفهای، شرکتها در معرض خطر از دست دادن قضاوت و تخصص هستند. چرا شناخت، نه خودکارسازی، باید بر استراتژیهای هوش مصنوعی در سال ۲۰۲۶ تسلط داشته باشد.
در سال ۲۰۲۶، شرکتهای خدمات حرفهای با یک محاسبه غیرمنتظره روبرو خواهند شد. هوش مصنوعی به خوبی در حقوق، مشاوره، امور مالی، حسابداری و کارهای مرتبط با دولت جای خواهد گرفت. بهرهوری افزایش خواهد یافت. زمان انجام کار کاهش خواهد یافت. اعداد این تغییر را تأیید میکنند: Thompson Reuters دریافت که استفاده شرکتها از هوش مصنوعی مولد در سال ۲۰۲۵ دو برابر شد و ۹۵٪ از متخصصان معتقدند که هوش مصنوعی به زودی در جریان کاری آنها نقش محوری خواهد داشت.
با گسترش هوش مصنوعی، سازمانها اثرات چیزی حیاتی برای موفقیت خود را که در حال از دست رفتن است، احساس خواهند کرد. آن "چیز" تخصص است.
تمرکز بیش از حد بر پتانسیل هوش مصنوعی برای جایگزینی انسانها به این معناست که ما یک مشکل فوریتر و کوتاهمدتتر را از دست میدهیم: خطر اینکه هوش مصنوعی تجربیاتی را که از طریق آنها متخصصان یاد میگیرند چگونه فکر کنند، حذف کند.
اکثر پیادهسازیهای هوش مصنوعی در خدمات حرفهای حول محور سرعت، کارایی و کاهش هزینه طراحی شدهاند. وظایف تشخیص الگو خودکار شدهاند. بازیابی اطلاعات آنی است. خروجیها تمیزتر و سریعتر هستند. اما این رویکرد یک نقطه کور خطرناک ایجاد میکند: اگر متخصصان اولیه و میانی دیگر در معرض کار شناختی پشت تفکر انتقادی و تصمیمگیری قرار نگیرند، متخصصان ارشد فردا از کجا خواهند آمد؟
چالش تعیینکننده هوش مصنوعی در خدمات حرفهای در سال ۲۰۲۶ بهبود قابلیت فنی نیست. این است که آیا شرکتها میتوانند هوش مصنوعی را بدون تهی کردن قضاوت، شهود و استدلال استراتژیک که مشاوره حرفهای را در وهله اول ارزشمند میکند، اتخاذ کنند.
در هر دو مورد، راه حل کاهش سرعت پذیرش هوش مصنوعی نیست. بلکه بازنگری در آن چیزی است که هوش مصنوعی میتواند و باید در مشاغلی که تخصص ارزی است که موفقیت مالی شرکتها را هدایت میکند، به دست آورد.
تخصص حرفهای واقعاً چیست — و چرا هوش مصنوعی برای ضبط آن تلاش میکند
تخصص به همان اندازه از طریق تجربه توسعه مییابد که از آموزش رسمی. علم رفتاری به ما نشان میدهد که وقتی کسی میداند در یک موقعیت پیچیده به کجا نگاه کند، نمیتواند آن را "نادیده" بگیرد.
اما توضیح ادراک تخصصی به فردی جدید به طور قابل توجهی دشوار است.
تجربه به طور اساسی نحوه دیدن مردم به جهان را تغییر میدهد، مانند یک تصویر مبهم که ناگهان زمانی که الگوی پنهان آشکار میشود، حل میشود.
اعتبار تصویر: "How Emotions Are Made: The Secret Life of the Brain (۲۰۱۷) توسط دکتر Lisa Feldman Barrett.
در حوزههای پیچیده مانند حقوق، امور مالی، مشاوره و سیاست عمومی، آنچه بیشتر اهمیت دارد پیروی از قوانین نیست، بلکه یادگیری از طریق انجام کار در محیطهای نامرتب و اغلب پرخطر است.
با گذشت زمان، متخصصان تشخیص الگو و حس دقیقی از آنچه باید به آن توجه کنند، توسعه میدهند. اما این دانش برای آنها نامرئی میشود. ارزشمندترین بینشها غریزی میشوند. متخصصان ارشد به ندرت بیان میکنند که چگونه میدانند آنچه میدانند، زیرا بسیاری از آن دانش زیر آگاهی هوشیار عمل میکند.
این یک آسیبپذیری ساختاری ایجاد میکند. تخصصی که سازمانها بیشترین ارزش را برای آن قائل هستند شامل مصالحههای تاکتیکی، قضاوت استراتژیک و نشانههای ظریفی است که در طول سالها ساخته شدهاند. با این حال، از آنجا که این دانش به ندرت مستند میشود، شرکتها اغلب متوجه نمیشوند که چقدر به آن وابسته هستند، تا زمانی که ناپدید شود.
بحران دانش ساکت در حال ظهور در خدمات حرفهای
حافظه نهادی نه به این دلیل فرسایش مییابد که مردم حرکت میکنند، بلکه به این دلیل است که تفکر نامرئی که آنها را مؤثر میکرد، هرگز در وهله اول ضبط یا منتقل نشد.
در همان زمان، شرکتها گزارش میدهند که یافتن استعداد "با تجربه" دشوارتر شده است. آنها به دنبال چیزی بیش از سالهای خدمت هستند. این توانایی به کارگیری دانش در زمینه، پیمایش ابهام و اتخاذ تصمیمات درست تحت فشار است. افزایش الزامات تجربه، همانطور که برخی از شرکتها انجام میدهند، این قابلیتها را ایجاد نمیکند. در عوض، استخرهای استعداد را بدون حل مسئله اساسی کوچک میکند. کارکنان جوان به فرصتهای غنی برای توسعه قضاوت در زمینه نیاز دارند.
در عمل، این بدان معناست که شرکتها کمبود تجربه ندارند بلکه مشکل ایجاد تجربه دارند. با باریک شدن مسیرهای شغلی سنتی و کاهش نقشهای جوان، سازمانها بدون فراهم کردن شرایطی که در آن میتواند شکل بگیرد، تجربه را درخواست میکنند.
میانه گمشده: جایی که قضاوت حرفهای و تخصص واقعاً توسعه مییابند
کارآموزان تئوری را میدانند. متخصصان ارشد میتوانند در واقعیت حرکت کنند. از طریق سالها کار با مشتری، آنها دانش تجربی را برای سنجش غریزی مصالحههای استراتژیک و اتخاذ تصمیمات توسعه دادهاند.
آنچه در حال ناپدید شدن است پل بین این دو است: یادگیری تجربی که دانش نظری را به قضاوت عملی تبدیل میکند.
از نظر تاریخی، یادگیری به سبک شاگردی این شکاف را بسته است. جوانها با نشستن در نزدیکی متخصصان، شنیدن مکالمات، تماشای تصمیمات در حال آشکار شدن و یادگیری نحوه تکامل استراتژیها در زمان واقعی، تخصص را جذب کردند. مهمتر از همه، مدل "یادگیری از طریق اسمز" نه تنها دانش، بلکه راههای تفکر را منتقل میکرد. آن مدل در حال شکستن است.
کار ترکیبی و خودکارسازی به طور چشمگیری قرار گرفتن در معرض استدلال تخصصی را کاهش داده است. بسیاری از جوانها اکنون خروجی تصمیمات را بدون مشاهده فرآیند فکری پشت آنها میبینند.
با فشرده کردن نردبانهای شغلی سنتی توسط هوش مصنوعی، شرکتها دیگر نمیتوانند به ظهور طبیعی تجربه در طول زمان تکیه کنند. انتظار برای تجربه "آماده" هم غیرواقعی و هم طرد کننده شده است. تجربه اکنون باید عمداً از طریق جریانهای کاری، نقشها و سیستمهای هوش مصنوعی ایجاد شود که متخصصان را در معرض قضاوت، مصالحهها و تصمیمگیری در زمینه قرار میدهد، نه اینکه آنها را از آن محافظت کند.
بدون راههای جدید برای آشکار کردن و انتقال این تخصص نامرئی، شکاف قابلیت تنها گسترش خواهد یافت تا زمانی که به نقطه اوج زوال مهارت غیرقابل برگشت برسیم.
وقتی هوش مصنوعی جایگزین تفکر میشود، قابلیت حرفهای زوال مییابد
بسیاری از شرکتهای خدمات حرفهای به هوش مصنوعی به عنوان یک مشکل ابزار نگاه میکنند: چگونه مردم را آموزش دهیم تا از آن به طور کارآمد استفاده کنند تا بتوانند بهرهورتر باشند، خدمات بهتری به مشتری ارائه دهند و در نهایت شرکت درآمد بیشتری کسب کند. اشتیاق برای این واضح است. یک نظرسنجی Thomson Reuters در سال ۲۰۲۵ دریافت که ۵۵٪ از متخصصان تغییرات قابل توجهی در نحوه کار خود به دلیل پذیرش هوش مصنوعی گزارش میدهند، در حالی که ۸۸٪ گفتند که دستیارهای هوش مصنوعی خاص حرفه را ترجیح میدهند.
با این حال، بهبود پذیرش ابزار و مهارت شکاف رو به رشد شناخت را حل نمیکند.
اکثر ابزارهای هوش مصنوعی برای فشار دادن اطلاعات به کاربران به جای توسعه قابلیتهای تفکر آنها طراحی شدهاند. آنها پاسخها، خلاصهها و توصیهها را ارائه میدهند، اما به ندرت تأمل، معنابخشی یا قضاوت را تحریک میکنند. در حالی که این سرعت را افزایش میدهد، خطر اتصال کوتاه تلاش شناختی را که از طریق آن تخصص شکل میگیرد، دارد. متخصصان ممکن است سریعتر شوند، اما لزوماً بهتر نمیشوند.
این مهم است زیرا تخصص تنها از قرار گرفتن در معرض پاسخها توسعه نمییابد. از طریق دست و پنجه نرم کردن با عدم قطعیت، سنجش مصالحهها و درک اینکه چرا تصمیمات به همان شکلی که انجام میشوند، آشکار میشوند، توسعه مییابد.
در سال ۲۰۲۶، خطر این است که فناوری فرآیند تفکر را به قدری مؤثر میانبر میکند که مردم اصلاً دیگر دانش جدیدی کسب نمیکنند. اگر هوش مصنوعی همیشه تصمیم بگیرد که چه چیزی مهم است، متخصصان هرگز یاد نمیگیرند که خودشان آن را تشخیص دهند.
نتایج زمانی بهبود مییابد که متخصصان ابتدا فکر کنند و سپس از فناوری استفاده کنند. تفکر باید اول باشد.
چرا سیستمهای مدیریت دانش در ضبط قضاوت شکست میخورند
سیستمهای مدیریت دانش به کاتالوگهای مستندسازی عالی تبدیل شدهاند که مطالعات موردی، قالبها و دفترچه راهنما را که نشان میدهد چگونه کارها را انجام دهیم، به طور بیعیب سازماندهی میکنند.
با این حال، یک مجموعه داده گمشده عظیم وجود دارد — قوانین نانوشته اینکه چگونه کار واقعاً انجام میشود. آنچه متخصصان متوجه میشوند. چه زمانی مسیر را تغییر میدهند. کدام سیگنالها مهم هستند و کدامها میتوانند نادیده گرفته شوند. چگونه مصالحهها زمانی که هیچ پاسخ به وضوح درستی وجود ندارد، پیمایش میشوند. این تفکر نامرئی در شکاف بین "کار همانطور که تصور میشود" و "کار همانطور که انجام میشود" وجود دارد.
مدلهای زبانی بزرگ (LLMs) این دانش را شامل نمیشوند زیرا مستند نشده است. بخشی از تجربه زیسته است. و مگر اینکه سازمانها راههایی برای کمک به متخصصان برای آشکار کردن آن پیدا کنند، هوش مصنوعی آماده است تا ناپدید شدن آن را تسریع کند تا اینکه آن را حفظ کند.
از خودکارسازی تا پشتیبانی شناخت: بازتعریف نقش هوش مصنوعی در خدمات حرفهای
در سال ۲۰۲۶، شرکتهای پیشرو خدمات حرفهای تمایز واضحی بین هوش مصنوعی طراحی شده برای خودکار کردن وظایف و هوش مصنوعی که شناخت را بهبود میبخشد، ایجاد خواهند کرد.
هوش مصنوعی متمرکز بر خودکارسازی در کارایی برتر است. هوش مصنوعی متمرکز بر شناخت بر علم رفتاری استوار است و برای آشکار کردن و تقویت قضاوت طراحی شده است، نه جایگزینی آن.
هوش مصنوعی رهبری شده توسط علم رفتاری بر سؤالات بهتر به جای پاسخهای سریعتر تمرکز میکند. متخصصان را ترغیب میکند تا مکث کنند و تأمل کنند، استدلال خود را بیان کنند و با صدای بلند در مورد کار خود فکر کنند. با انجام این کار، تفکر را عمیقتر میکند و مدلهای ذهنی را که متخصصان متوجه نبودند دارند — و که برای ارائه کار استثنایی که شرکتها را متمایز میکند بسیار حیاتی هستند، آشکار میکند.
این برای متخصصان ارشد که به طور کلی به کمک نیاز دارند تا نشانهها و مصالحههایی که به طور ناخودآگاه استفاده میکنند را شناسایی کنند، به ویژه مهم است. وقتی تفکر آنها برای خودشان و دیگران قابل مشاهده میشود، قابل انتقال نیز میشود. متخصصان میتوانند استدلال خود را اصلاح کنند، فرضیاتی را که نمیدانستند در حال انجام آنها هستند آزمایش کنند و به طور مداوم قضاوت خود را تیز کنند. این دیده شدن همچنین تخصص آنها را برای مشتریان قابل توضیح میکند: تقویت اعتماد، نشان دادن ارزش و بهبود تمایل به پرداخت و حفظ. برای همتیمیها، کار مجدد و عدم تراز را با روشن کردن نه تنها آنچه مورد نیاز است، بلکه چرا مهم است و چگونه باید به تصمیمات نزدیک شد، کاهش میدهد. وقتی تخصص صریح میشود، میتواند برای سود همه تیمها و مشتریان، فعلی و آینده، سازماندهی و به اشتراک گذاشته شود.
کار حرفهای واقعی خطی نیست. شامل پیچ و تابها، اصلاحات مسیر و اولویتهای رقابتی است. سیستمهای هوش مصنوعی که به این پیچیدگی احترام میگذارند، نه اینکه آن را صاف کنند، سیستمهایی هستند که به سازمانها کمک میکنند تا تخصص را حفظ و مقیاسبندی کنند، نه جایگزین آن.
نکات کلیدی برای خدمات حرفهای در سال ۲۰۲۶
۱. بزرگترین شکستهای هوش مصنوعی شناختی خواهند بود، نه فنی
شرکتهایی که صرفاً بر سرعت تمرکز میکنند با کاهش مهارت مواجه خواهند شد زیرا فرصتهای یادگیری تجربی ناپدید میشوند. این یک شکست یادگیری خواهد بود، نه یک شکست فناوری.
۲. تخصص به یک فرصت طراحی عمدی تبدیل خواهد شد
با فشار خودکارسازی و کار ترکیبی بر فرصتهای یادگیری، شرکتها باید عمداً فرصتهای خرد برای کارکنان جوان برای ایجاد مهارتهای قضاوت، تأمل، تفکر انتقادی و تصمیمگیری ایجاد کنند که با هوش مصنوعی که تفکر تخصصی را در زمینه آشکار و به اشتراک میگذارد، پشتیبانی میشود.
۳. هوش مصنوعی که قضاوت انسانی را تقویت میکند از هوش مصنوعی که آن را جایگزین میکند بهتر عمل خواهد کرد
ارزشمندترین سیستمهای هوش مصنوعی تخصص نامرئی را قابل مشاهده میکنند و "مجموعه دادههای تخصص" جدیدی ایجاد میکنند که ریشه در نحوه تفکر و استدلال متخصصان دارد.
۴. موفقترین استراتژیهای استعداد از استخدام تجربه به ایجاد آن تغییر خواهند کرد
شرکتهایی که بر کمک به افراد برای ایجاد تجربه تمرکز میکنند، از شرکتهایی که به سادگی تجربه را از قبل میخواهند، بهتر عمل خواهند کرد.
انتخاب پیش رو برای شرکتهای خدمات حرفهای
خطر پیش رو این نیست که آیا هوش مصنوعی میتواند کار را انجام دهد، بلکه آنچه زمانی که هوش مصنوعی کار را آسان جلوه میدهد و متخصصان یاد گرفتن چگونه فکر کردن و انجام تماسهای قضاوت سخت را متوقف میکنند، از دست میرود.
شرکتهایی که به هوش مصنوعی صرفاً به عنوان یک ابزار کارایی رفتار میکنند، تخصص خود را به آرامی در حال فرسایش خواهند یافت، در حالی که کسانی که از هوش مصنوعی برای آشکار کردن قضاوت استفاده میکنند، تفکر انتقادی را توسعه، مقیاس و بهبود خواهند داد، حتی زمانی که ماشینها و LLMها قابلتر میشوند.
وقتی صحبت از توسعه نسل بعدی متخصصان برای ارائه نتایج استثنایی مشتری است، تمایز دهنده کسی نخواهد بود که سریعتر هوش مصنوعی را اتخاذ کرد، بلکه کسی که آن را هوشمندانهتر اتخاذ کرد.
محتوای پیشنهادی
آخرین حرکت «بهویژه ترسناک» ترامپ روانشناس را هشدار داد: «بزرگنمایی خود»
کاظی رفیقالاسلام: کارآفرینی جهانگرا که رشد پایدار را در بنگلادش هدایت میکند
