افزایش ناگهانی دسترسی به مدلهای زبانی و هوشمصنوعی مولد و انتشار سریع ابزارهای کمکی سازمانی (چتباتها، افزونهها و...) در چند سال اخیر، امیدواری گستردهای برای افزایش بهرهوری و سودآوری شرکتها پدید آورده است. اما در فاصلهٔ میان انتظار و واقعیت، شکاف بزرگی پدید آمده است: هرچند بیش از سهچهارم شرکتها اکنون از gen AI در دستکم یک فعالیت سازمانی خود استفاده میکنند، اما بسیاری از سازمانها همچنان دربارهٔ اثر آن بر سود کسبوکار تردید دارند و گزارش میدهند که «اثرات معنیداری سودآوری» ندیدهاند. این یافته از یک بررسی گستردهٔ صنعتی استخراج شده و به عنوان «پارادوکس gen AI» شناخته میشود (2025 ,McKinsey & Company).
در این یادداشت تلاش میکنم به صورت مختصر آنچه را که پشت این پارادوکس است، تحلیل کنم: چرا سرمایهگذاری و استفادهٔ وسیع از AI هنوز لزوماً به سودآوریِ بالا یا جهشهای بزرگ در بهرهوری منجر نشده است؟ چگونه مفاهیم اقتصادی و تاریخی مانند «پارادوکس جیونز» و همچنین تجربهٔ «پارادوکس بهرهوری فناوری اطلاعات» به روشنسازی این وضعیت کمک میکنند؟ و در پایان چه استراتژیها و سناریوهایی برای مدیران ارشد و استراتژیستها قابل بررسی است؟
استفادهٔ فراگیر اما پراکنده: افقی در برابر عمودی
نسل اول موج gen AI در سازمانها عمدتاً به شکلِ ابزارهای افقی (افزونههای دفترکار، چتباتهای پشتیبانی و...) گسترش یافت؛ ابزارهایی که سریع قابل راهاندازیاند و آستانهٔ پذیرشِ پایینی دارند، اما منافع آنها اغلب «پراکنده» است. کمی زمان از کارمندان صرفهجویی میشود یا تولید محتوای تکراری سادهتر میگردد، اما این بهندرت به تغییرات ساختاری در فرایندها یا درآمدهای جدید تبدیل میشود. در مقابل، کاربردهای عمودی (که دقیقاً در دل فرایندهای عملکردی مانند استراتژیپردازی، زنجیرهٔ تأمین، اعتبارسنجی، یا تولید گزارشهای پیچیده نفوذ میکنند) پتانسیلِ ایجادِ بازده مستقیم و بزرگتری دارند؛ اما تقریباً ۹۰٪ از این موارد در مرحلهٔ پایلوت گیر میکنند و مقیاسپذیر نمیشوند. این تقسیمبندی و مانعِ تبدیلِ آزمون به عملیات، اساس پارادوکس gen AI را میسازد (2025 ,McKinsey & Company).
علتِ ماندن در مرحلهٔ پایلوت، ترکیبی است از موانع فنی، فقدانِ زیرساخت دادهای قابل استفاده، نبود هماهنگی سازمانی (AI در سیلوها)، و همچنین مسایل فرهنگی و حاکمیتی که تعیین میکنند چهزمان انسان مداخله کند و چهزمان سیستم خودمختار عمل نماید (2025 ,McKinsey & Company).
«پارادوکس جیونز» و اقتصاد مقیاسپذیریِ مصرف در محاسبات
یک سوی شکلگیری امید به خلق سودهای نجومی توسط AI، فرضیهٔ مقیاسپذیریِ هزینههاست. همان مدل کسبوکارهای SaaS که هزینهٔ اضافهکردنِ یک کاربر جدید بسیار کم است و هر مشتری جدید تا حد زیادی به سود تبدیل میشود. اما AI، بهویژه سرویسهای مبتنی بر مدلهای بزرگ، چنین ساختار هزینهای ندارد، هر درخواستِ کاربر، مصرفِ محاسبات (و انرژی) ایجاد میکند و هزینههای inference با افزایش استفاده بالا میرود. Catherine Baab در Quartz این ایده را با «پارادوکس جیونز» پیوند میزند: بهرهوری یا کاراییِ بالاتر در لایهٔ فناوری اغلب باعث افزایشِ مصرف آن منبع میشود و نه کاهشِ آن؛ و در صورتی که هزینههای اجرای AI (الکترونیکی، سرور، خنکسازی، برق) تابعی از استفاده باشد، تقاضای بیشتر میتواند هر صرفهجویی کارایی را بلعیده و حاشیهٔ سود را تضعیف کند. به عبارت دیگر، بهجای پدیدآمدن حاشیههای سود بالا، استفاده از AI در کسبوکارها به صورت انحصاری، ممکن است ساختارِ هزینهای شبیه شرکتهای زیرساختی پیدا کنند که حاشیهٔ کمتر و چرخهٔ بازگشت سرمایه طولانیتری دارند.
این الگو، برای شرکتها و کسبوکارها بسیار دردناک است: شرکتها اغلب از اعتبار یا تخفیفِ محاسباتی میزبانان ابری استفاده میکنند که سودآوری را در مراحل اولیه استفاده از AI به صورت موقتی بهتر نشان میدهد؛ اما وقتی این یارانهها تمام شوند یا استفاده مقیاسپذیر شود، هزینههای واقعی آشکار میگردند و مدلهای کسبوکار باید بازبینی شود.
شباهت تاریخی: پارادوکس بهرهوری فناوری اطلاعات
وقتی در اواخر قرن بیستم سرعت رشد ظرفیتِ محاسباتی بهسرعت بالا میرفت، تحلیلگران از یک «پارادوکس بهرهوری» سخن گفتند. Erik Brynjolfsson این ادبیات را شکل داد و نشان داد که منافع فناوری اغلب در افقهای زمانی بسیار بلندمدت و پس از سرمایهگذاریهای سنگین سازمانی ظاهر میشوند. این سابقه، نگرانی مهمی برای تفسیر وضعیت امروز AI فراهم میکند: آیا در خصوص سرمایهگذاری و بهرهبرداری از AI، ما صرفاً در مرحلهٔ «تأخیر زمانی» هستیم، یا نشانههایی از مشکلی عمیقتر را میبینیم؟
علل اصلی تأخیر در بازدهی: فنی، سازمانی و مالی
برای تحلیل عدم سودآوری استفاده از AI برای کسبوکارها، میتوان چند دسته از عوامل را شناسایی کرد:
هزینههای متغیر بالای ارائه سرویس: وقتی هزینه ارائه هر درخواست مشتری افزایشی باشد، مدلِ درآمدی SaaSِ سنتی کار نمیکند و باید به مدلهای قیمتگذاریِ ترکیبی، پرداخت بهازای مصرف یا سرویسهای سطحبندیشده متوسل شد. این نکته در حوزهٔ حسابداری نیز اهمیت دارد، زیرا ثبتِ هزینهها بهعنوان سربار یا COGS تصویر متفاوتی از سود میدهد.
توقف در مرحله آزمایش: سهم بزرگی از پروژههای AI در مرحلهٔ آزمایشی باقی میمانند یا متوقف میشوند. دادههای میدانی گزارش میدهند که نسبت پروژههایی که رها میشوند در سالهای اخیر افزایش یافته و بسیاری از سازمانها هنوز راه تبدیل آزمونهای موفق کوچک به فرایندهای عملیاتی و مقیاسپذیر را نیافتهاند.
محدودیتهای ذاتی مدلها: مدلهای زبانی احتمال تولید خطا (hallucination)، حافظه محدود برای زمینههای طولانی، و ماهیت واکنشی (reactive) بهجای پیشعملکننده (proactive) دارند. برای تبدیل آنها به «عاملهای هوشمند» که میتوانند فرایندهای چندمرحلهای را خودکار کنند، معماریهای مکملی لازم است. مکنزی پیشنهاد میکند که معماری «agentic AI mesh» و بازطراحی فرایندها، برای موفقیت کلیدی است؛ وگرنه صرف قرار دادن یک عامل در کنار فرایند موجود تأثیر بنیادی ایجاد نمیکند.
فشار رقابتی و فناوری در حال تغییر: رشد سریع مدلها و نوآوری متنباز میتواند به فرسودگی سریع زیرساختهای فنی بیانجامد و نیاز به سرمایهگذاریهای مکرر برای بهروز ماندن ایجاد کند؛ ریسک این کار برای شرکتها و کسبوکارها بسیار بالاتر از غولهای فناوری است.
سنجش ارزش: فراتر از ROIِ کلاسیک
تمرکز صرف بر ROI کوتاهمدت میتواند بسیاری از مزیتهای مهم AI را نادیده بگیرد: بهبود کیفیت تصمیمات، کاهش خطاهای گرانقیمت، افزایش چابکی عملیاتی، توانمندسازی کارکنان، و خلق فرصتهای درآمدی نوظهور که در کوتاهمدت قابلقیمتگذاری نیستند. در این زمینه گاردین هشدار میدهد که سنجههای چندبعدی همچون معیارهای عملیاتی (زمان چرخه، نرخ خطا)، انسانی (رضایت و حفظ کارکنان)، و استراتژیک (توان نوآوری، سرعت ورود به بازار) لازم است تا تصویر واقعیتری از ارزش AI شکل گیرد و پروژههایی که ارزش بلندمدت دارند کنار گذاشته نشوند. در عمل، گزارشدهی ترکیبی، شامل KPIهای میانمدت و بلندمدت و همچنین مکانیزمهای رصد هزینههای محاسباتیِ واقعی بسیار ضروری است.
مدیران ارشد و استراتژیستها چه کار باید کنند؟
1. بازطراحی فرایندها نه فقط افزودن ابزار
اگر هدف واقعی تأثیرگذاری ملموس بر سودآوری و بهرهوری کسبوکار است، باید فرایندها از پایه مورد بازاندیشی قرار گیرند تا عاملها در هسته فرایندها قرار گیرند، نه بهعنوان افزونهای که کنار فرایندها قرار میگیرد. این امر نیازمند تیمهای تحول استراتژیک و حمایت مستقیم رهبری کسبوکار است.
2. محاسبهٔ واقعبینانه از هزینهها و مدلهای قیمتگذاری جدید
هزینههای متغیر محاسبات را شناسایی کنید و مدلهای قیمتگذاری مبتنی بر مصرف یا ترکیبی را آزمایش کنید. برای کسبوکارها، بررسی استراتژیهایی مانند متمرکزسازی پروژههای گرانقیمت، محدودسازی ویژگیهای هزینهبر، یا تبدیل شدن به بازیگری زیرساختی (اگر منابع اجازه دهد) ضروری است.
3. ساختن داراییهای دادهای و معماری ماژولار
دادهها باید بهصورت محصول (data products) سازماندهی و مدیریت شوند تا امکان استفادهٔ مکرر و قابل اتکا فراهم گردد؛ معماری agentic mesh میتواند به ادغام عاملها، حافظهٔ بلندمدت و هماهنگسازی کمک کند.
4. تعریف معیارهای چندبعدی و افقهای زمانی متفاوت
شاخصهای موفقیت را از ابتدا به صورت متنوع تعریف کنید: کوتاهمدت (بهبود زمان پردازش)، میانمدت (کاهش هزینههای عملیاتی)، بلندمدت (افزایش درآمد یا سهم بازار)؛ و این انتظارات را با هیئتمدیره و سرمایهگذاران شفاف کنید.
5. آمادگی برای سرمایهگذاری طولانیمدت و مدیریت ریسک فنی
همانطور که تجربهٔ فناوریهای بزرگ پیشین نشان میدهد، بهرهوری و بازده واقعی اغلب با تأخیر پدیدار میشود؛ سرمایهگذاری در آموزش، تغییر ساختار سازمانی و راهبری بلندمدت کاهشدهندهٔ این ریسکهاست.
در مجموع، وضعیت امروز AI در کسبوکارها نه صرفاً قصه شکست و ناامیدی است و نه داستان پیروزی سریع و آسان. تصویر واقعی ترکیبی است از فرصتهای عظیم و موانع بیشمار مدیریتی، تکنیکی، مالی و سازمانی. سازمانهایی که تنها بر ابزارهای افقی تکیه کنند و از بازطراحی فرایندها و سرمایهگذاری در زیرساخت و حکمرانی چشمپوشی نمایند، بهزودی درمییابند که مزیت رقابتی از میان استفادهٔ افقی از AI پدیدار نمیشود. و این در حالی است که بازیگران پیشرو که عاملها را در قلب فرایندها قرار میدهند، معماری مناسب میسازند، و افقهای زمانی واقعبینانهای تعریف میکنند، میتوانند ارزش قابلتوجهی خلق کنند.
منابع
Baab, C. (2025). The paradox eating AI’s profits. Quartz.
Brynjolfsson, E. (1993). The productivity paradox of information technology. Communications of the ACM, 36(12), 66–77.
Lohr, S. (2025, August 13). Companies are pouring billions into A.I. It has yet to pay off. The New York Times.
McKinsey & Company / QuantumBlack. (2025, June 13). Seizing the agentic AI advantage: A CEO playbook to solve the gen AI paradox and unlock scalable impact with AI agents (Report).
The Guardian. (2025, August 20). Measuring AI’s true business value: Beyond the ROI paradox. The Guardian (Business briefs).
