هوش مصنوعی (AI) صرفاً یک بهبود فناوری تدریجی نیست، بلکه به عنوان یک «فناوری با کاربرد عام» (General-Purpose Technology - GPT) است که پتانسیل آن را دارد تا نظام اقتصادی ما را به شیوههایی بنیادین، مشابه با انقلاب صنعتی، بازآفرینی کند.1 موضوع اصلی این گزارش، ماهیت دوگانه هوش مصنوعی است: از یک سو، موتوری قدرتمند برای بهرهوری و رشد، و از سوی دیگر، منبعی برای اختلالات چشمگیر که نیازمند راهبری استراتژیک از سوی متخصصان و سیاستگذاران است.
چالش اصلی پیش روی رهبران امروزی، مدیریت عدم قطعیت عمیقی است که مسیر آینده هوش مصنوعی را احاطه کرده است. گفتمان موجود میان پیشبینیهای هیجانانگیز از رشد بیسابقه و هشدارهای نگرانکننده در مورد جابجایی شغلی و فروپاشی دستمزدها در نوسان است.1 هدف این گزارش، عبور از هیاهوها و ارائه یک چارچوب ساختاریافته و مبتنی بر شواهد برای تصمیمگیری است.
در ادامه، مروری کوتاه بر ساختار گزارش ارائه میدهم تا شما را در مسیر چشمانداز اقتصاد کلان، آینده کار، ابزارهای تحلیلی نوین، کاربردهای عملی، چالشهای حاکمیتی و در نهایت، توصیههای استراتژیک کاربردی راهنمایی کند.
این بخش، زمینه اقتصاد کلان انقلاب هوش مصنوعی را تبیین کرده و به بررسی ویژگیهای بنیادین، پتانسیل رشد و پیامدهای ژئوپلیتیکی آن میپردازم.
هوش مصنوعی، بهویژه هوش مصنوعی مولد، معیارهای یک فناوری با کاربرد عام (GPT) را برآورده میکند: بهبود سریع، فراگیری در تمام بخشها و ظرفیت ایجاد نوآوریهای مکمل.5 برخلاف فناوریهای پیشین که عمدتاً وظایف فیزیکی یا شناختی تکراری را خودکار میکردند، هوش مصنوعی مدرن قادر به انجام کارهای شناختی غیرتکراری است که این امر ماهیت تولید و نوآوری را به طور بنیادین تغییر میدهد.1
انتظار میرود تأثیر اقتصادی هوش مصنوعی سریعتر از GPTهای قبلی مانند موتور بخار یا الکتریسیته احساس شود. این امر به دلیل ماهیت نرمافزاری آن است که میتواند از طریق زیرساختهای دیجیتال موجود به سرعت در سطح جهانی منتشر شود و همچنین به دلیل سهولت استفاده از آن از طریق رابطهای زبان طبیعی است.5 پذیرش سریع کاربران ChatGPT - یک میلیون کاربر تنها در ۵ روز - نمونهای واضح از این پتانسیل انتشار شتابان این تکنولوژی است.8
این دیدگاه که توسط شرکتهایی مانند گلدمن ساکس و PwC حمایت میشود، دستاوردهای اقتصادی عظیمی را پیشبینی میکند. گلدمن ساکس تخمین میزند که هوش مصنوعی میتواند تولید ناخالص داخلی جهانی را طی یک دوره ۱۰ ساله به میزان ۷٪ (معادل ۷ تریلیون دلار) افزایش دهد.4 PwC پیشبینی میکند که تا سال ۲۰۳۰، هوش مصنوعی تا ۱۵.۷ تریلیون دلار به تولید ناخالص داخلی جهانی کمک کند.3 این پیشبینیها بر پایه صرفهجویی قابل توجه در هزینههای نیروی کار و جهش بهرهوری ناشی از پذیرش گسترده هوش مصنوعی استوار است.8
در مقابل، اقتصاددانانی مانند دارون عجماوغلو از MIT، تخمین محافظهکارانهتری ارائه میدهند. مدل مبتنی بر وظیفه او که نسخهای از «قضیه هولتن» را به کار میگیرد، نشان میدهد که سهم هوش مصنوعی در رشد تولید ناخالص داخلی «قابل توجه اما متوسط» خواهد بود - حدود ۱٪ افزایش طی دهه آینده.4 این دیدگاه بر چندین محدودیت کلیدی استوار است:
● سودآوری اتوماسیون: عجماوغلو استدلال میکند که اگرچه بسیاری از وظایف میتوانند خودکار شوند، اما در کوتاهمدت تنها برای بخش کوچکی از آنها (حدود ۵٪) سودآور خواهد بود.4
● وظایف «آسان» در مقابل «دشوار»: دستاوردهای اولیه بهرهوری از وظایف «آسان برای یادگیری» با نتایج مشخص حاصل میشود. دستاوردها از وظایف «دشوار» (مانند تشخیص پزشکی یا تصمیمگیریهای استراتژیک پیچیده) محدودتر و کندتر خواهند بود.4
● هزینههای تعدیل و عدم تطابق در پذیرش: هزینههای بالای تغییرات سازمانی و تمرکز سرمایهگذاری هوش مصنوعی در شرکتهای بزرگ (در حالی که بسیاری از وظایف قابل خودکارسازی در شرکتهای کوچک و متوسط قرار دارند) تأثیر کلی را کاهش خواهد داد.4
اختلاف در این پیشبینیها نشان میدهد که تأثیر اقتصاد کلان هوش مصنوعی از پیش تعیینشده نیست. این تأثیر به طور حیاتی به سرعت پذیرش، هزینه پیادهسازی و اینکه آیا هوش مصنوعی عمدتاً برای اتوماسیون کاهشدهنده هزینه استفاده میشود یا برای ایجاد وظایف و خدمات جدید ارزشآفرین، بستگی خواهد داشت.4
ریشه اختلاف در پیشبینیهای اقتصاد کلان، در واقع به مفروضات سطح خرد بازمیگردد. مدلهای خوشبینانهتر اغلب از دستاوردهای بهرهوری در شرکتهای پیشرو الگوبرداری کرده و فرض میکنند که این فناوری به سرعت و به طور یکنواخت در اقتصاد منتشر میشود. در مقابل، مدلهای محتاطانهتر، مانند مدل عجماوغلو، از پایین به بالا ساخته شده و بر موانع واقعی در سطح شرکت تمرکز دارند: آیا برای یک شرکت متوسط، خودکارسازی یک وظیفه خاص از نظر اقتصادی سودآور است؟ هزینههای هنگفت بازآرایی فرآیندها و آموزش کارکنان چقدر است؟ و آیا هوش مصنوعی میتواند به راحتی از پس وظایف پیچیده و وابسته به زمینه که فاقد معیارهای موفقیت عینی هستند، برآید؟.4 بنابراین، عدم قطعیت اصلی در تأثیر کلان هوش مصنوعی به واقعیتهای خرد اقتصادی بستگی دارد: اینکه شرکتها با چه سرعتی و با چه میزان سودآوری میتوانند هوش مصنوعی را در جریانهای کاری پیچیده و واقعی خود ادغام کنند. این امر پرسش را برای متخصصان از «کدام پیشبینی کلان درست است؟» به «موانع واقعی پذیرش در بخش من چیست؟» تغییر میدهد.
انتظار میرود پذیرش هوش مصنوعی توسط شرکتها از یک الگوی منحنی S پیروی کند: شروعی کند به دلیل هزینههای اولیه بالا و منحنیهای یادگیری، و سپس شتابی سریع با تشدید رقابت و بهبود قابلیتها.12 گارتنر پیشبینی میکند که تا سال ۲۰۲۶، بیش از ۸۰٪ شرکتها از هوش مصنوعی مولد استفاده خواهند کرد، در حالی که این رقم در اوایل سال ۲۰۲۳ کمتر از ۵٪ بوده است.
یک خطر مهم این است که هوش مصنوعی شکاف بین کشورها را افزایش دهد. کشورهای ثروتمندتر به دلیل زیرساختهای دیجیتال برتر، بودجه تحقیق و توسعه و نیروی کار ماهر، برای بهرهبرداری از مزایای هوش مصنوعی بسیار مجهزتر هستند.14 ایالات متحده و چین رهبران آشکار سرمایهگذاری و توسعه هوش مصنوعی هستند.3 این امر میتواند سلطه اقتصادهای پیشرفته را تقویت کرده و رقابت را برای کشورهای در حال توسعه دشوارتر سازد و به طور بالقوه مزیت نیروی کار ارزان آنها را تضعیف کند.14
در داخل کشورها، شکافی بین شرکتهای «فوق ستاره» در مرز هوش مصنوعی و شرکتهای عقبمانده در حال ظهور است. این تمرکز فناوری و استعداد میتواند تمرکز بازار را افزایش داده و رقابت را کاهش دهد.3
این «شکاف هوش مصنوعی» یک تهدید سهگانه است: بینالمللی، شرکتی و نیروی کار. این شکافها پدیدههای جداگانهای نیستند؛ آنها به هم مرتبط بوده و یکدیگر را تقویت میکنند. کشورهای پیشرو در هوش مصنوعی، میزبان شرکتهای فوق ستاره هستند.14 این شرکتها بهترین استعدادهای جهانی را جذب میکنند و برتری کشور خود را بیشتر میکنند. دستاوردهای اقتصادی ناشی از این تمرکز به صاحبان سرمایه و کارگران با مهارت بالا در این شرکتها و کشورها میرسد و هر سه شکل نابرابری را به طور همزمان تشدید میکند. بنابراین، «شکاف هوش مصنوعی» یک مشکل واحد نیست، بلکه یک سیستم آبشاری از نابرابریهاست. سیاستهایی که برای مقابله با آن طراحی میشوند باید چندلایه باشند و توسعه بینالمللی، سیاست رقابت داخلی و حمایت از بازار کار را به صورت هماهنگ هدف قرار دهند.
رقابت برای رهبری در هوش مصنوعی در حال تبدیل شدن به یکی از ویژگیهای اصلی ژئوپلیتیک مدرن است. کشورهایی مانند چین استراتژیهای ملی را برای تبدیل شدن به رهبر جهانی هوش مصنوعی تا سال ۲۰۳۰ راهاندازی کردهاند 9، در حالی که اتحادیه اروپا بر تبدیل شدن به یک رهبر جهانی در حاکمیت هوش مصنوعی تمرکز دارد.3 گارتنر پیشبینی میکند که تا سال ۲۰۲۷، بهرهوری هوش مصنوعی به یک شاخص اقتصادی کلیدی برای قدرت ملی تبدیل خواهد شد.19
با نگاهی به آینده دورتر، برخی از کارشناسان به امکان یک «تکینگی اقتصادی» میاندیشند، جایی که رشد ناشی از هوش مصنوعی به صورت تصاعدی شتاب میگیرد.21 اگرچه این یک دیدگاه حاشیهای است، اما پتانسیل هوش مصنوعی تحولآفرین که بتواند در تمام حوزههای شناختی با عملکرد انسان برابری کند یا از آن فراتر رود، ایجاب میکند که سیاستگذاران برای سناریوهای اختلال سریع و بنیادین آماده شوند، نه فقط تغییرات تدریجی.1 این شامل در نظر گرفتن تمرکز ثروت شدید و فروپاشی بالقوه ارزش اقتصادی نیروی کار است.23
منبع/موسسه
معیار کلیدی
مقدار پیشبینی
افق زمانی
مفروضات/روششناسی اصلی
گلدمن ساکس
افزایش تولید ناخالص داخلی جهانی
۷٪+ (۷ تریلیون دلار)
طی ۱۰ سال
مبتنی بر صرفهجویی در هزینه نیروی کار و ایجاد مشاغل جدید 4
PwC
سهم در تولید ناخالص داخلی جهانی
تا ۱۵.۷ تریلیون دلار
تا سال ۲۰۳۰
ناشی از افزایش بهرهوری و مصرف تقویتشده توسط هوش مصنوعی 3
مککینزی
سهم سالانه در اقتصاد جهانی
۲.۶ تا ۴.۴ تریلیون دلار
سالانه
ناشی از اتوماسیون وظایف در چهار حوزه اصلی (خدمات مشتری، بازاریابی، مهندسی نرمافزار، تحقیق و توسعه) 4
دارون عجماوغلو (MIT)
افزایش تولید ناخالص داخلی آمریکا
حدود ۱٪
طی ۱۰ سال
مبتنی بر سودآوری اتوماسیون در سطح وظیفه و هزینههای تعدیل 4
صندوق بینالمللی پول (IMF)
تأثیر بر تولید ناخالص داخلی جهانی
افزایش سالانه حدود ۰.۵٪
بین ۲۰۲۵ و ۲۰۳۰
دستاوردهای اقتصادی از هزینههای افزایش انتشار کربن بیشتر است 25
EY
افزایش تولید ناخالص داخلی جهانی
۱.۷ تا ۳.۴ تریلیون دلار
طی ۱۰ سال
منافع اقتصادی بیشتر به سود شرکتها و به ضرر نیروی کار خواهد بود 18
بخش ۲: چشمانداز متغیر نیروی کار: مشاغل، دستمزدها و مهارتها در عصر هوش مصنوعی
گفتگو از جایگزینی کامل مشاغل به سمت اتوماسیون در سطح وظیفه در حال تغییر است. بسیاری از مشاغل حذف نخواهند شد، بلکه تغییر شکل خواهند داد، زیرا هوش مصنوعی وظایف خاصی را خودکار کرده و در عین حال وظایف دیگر را تقویت میکند.26 نکته کلیدی، تأثیر خالص جابجایی شغلی، ایجاد شغل و افزایش بهرهوری است.29
مقیاس این تحول عظیم است.
● صندوق بینالمللی پول تخمین میزند که نزدیک به ۴۰٪ از مشاغل جهانی در معرض تأثیر هوش مصنوعی قرار دارند که این رقم در اقتصادهای پیشرفته به ۶۰٪ میرسد.4
● گلدمن ساکس پیشبینی میکند که هوش مصنوعی میتواند وظایفی معادل ۳۰۰ میلیون شغل تماموقت را خودکار کند.31
● گزارش آینده مشاغل ۲۰۲۵ مجمع جهانی اقتصاد (WEF) جابجایی ۹۲ میلیون شغل تا سال ۲۰۳۰ را پیشبینی میکند، اما در مقابل ایجاد ۱۷۰ میلیون شغل جدید را تخمین میزند که منجر به رشد خالص ۷۸ میلیون شغل میشود.34
این تأثیر یکنواخت نیست. بخشهای تولیدی و خردهفروشی شاهد جابجایی بالایی هستند، در حالی که مراقبتهای بهداشتی و آموزش ایجاد شغل خالص بیشتری را تجربه میکنند.36 مشاغل دفتری مانند ورود دادهها و پشتیبانی اداری بیشترین خطر کاهش را دارند.32
با وجود پیشبینیهای خالص مثبت، این گذار میتواند دردناک باشد. برخی مدلها بیکاری قابل توجهی را در کوتاهمدت تا میانمدت پیشبینی میکنند. یک مقاله از NBER، زیان اشتغال بلندمدت ۲۳٪ را در یک تعادل «با مقداری هوش مصنوعی» پیشبینی میکند که نیمی از آن در پنج سال اول رخ میدهد.37 نگرانیها در مورد «فروپاشی دستمزد» و اختلال گسترده همچنان بخش کلیدی گفتمان کارشناسان است.1
انقلاب هوش مصنوعی در حال ایجاد دستههای شغلی کاملاً جدیدی است که تا چند سال پیش وجود نداشتند.38 این مشاغل اغلب در نقطه تلاقی انسان و سیستمهای هوش مصنوعی قرار دارند.
● مهندس پرامپت (Prompt Engineer): ورودیهای زبان طبیعی را برای هدایت هوش مصنوعی مولد به سمت تولید خروجیهای مطلوب طراحی میکند. این ترکیبی از هنر و علم است که برای آموزش و استفاده مؤثر از هوش مصنوعی حیاتی است.40
● مربی هوش مصنوعی (AI Trainer): در «آموزش» سیستمهای هوش مصنوعی در مورد زمینههای صنعتی خاص تخصص دارد تا عملکرد آنها را بهبود بخشد و آنها را انسانیتر جلوه دهد، به ویژه در نقشهای مواجهه با مشتری.40
● حسابرس هوش مصنوعی / متخصص اخلاق هوش مصنوعی (AI Auditor / AI Ethicist): اطمینان حاصل میکند که خروجیهای هوش مصنوعی دقیق، منصفانه و عاری از سوگیری هستند. این نقش برای حفظ اعتماد و انطباق با مقررات حیاتی است.40
● مدیر ورودی/خروجی هوش مصنوعی (AI Input/Output Manager): دادههای ورودی به مدلهای هوش مصنوعی را مدیریت کرده و خروجیها را کنترل میکند تا از نقض حریم خصوصی یا حق چاپ جلوگیری شود.41
مجمع جهانی اقتصاد تخمین میزند که ۳۹ تا ۴۴ درصد از مهارتهای اصلی یک کارگر در پنج سال آینده نیاز به تغییر دارند.27 شکاف مهارتی توسط اکثر کارفرمایان به عنوان مانع اصلی تحول کسبوکار تلقی میشود.34
تقاضای واضحی برای مهارتهای فنی مرتبط با ساخت، استقرار و مدیریت سیستمهای هوش مصنوعی وجود دارد. اینها شامل موارد زیر است:
● تحلیل داده و علم داده 38
● برنامهنویسی (پایتون، R، جاوا) 38
● یادگیری ماشین و توسعه هوش مصنوعی 38
به طور متناقضی، با خودکار شدن وظایف فنی توسط فناوری، مهارتهای منحصراً انسانی ارزشمندتر میشوند. این «مهارتهای نرم» همان چیزی است که انسان را از ماشین متمایز میکند و برای همکاری، نوآوری و رهبری حیاتی است.43 مهارتهای کلیدی عبارتند از:
● تفکر تحلیلی و خلاق 35
● تابآوری، انعطافپذیری و چابکی 35
● هوش هیجانی و همدلی 38
● ارتباطات و همکاری 38
● رهبری و نفوذ اجتماعی 35
تأثیر هوش مصنوعی بر نابرابری دستمزد یکی از موضوعات مورد بحث است. دو اثر رقابتی وجود دارد:
● استدلال برای افزایش نابرابری: هوش مصنوعی میتواند مکمل کارگران با مهارت بالا باشد و بهرهوری و دستمزد آنها را به طور نامتناسبی افزایش دهد. بازده سرمایه حاصل از هوش مصنوعی نیز عمدتاً به نفع صاحبان سرمایه با درآمد بالا خواهد بود.15 این الگو از الگوی تاریخی افزایش ارزش مهارت توسط فناوری پیروی میکند.
● استدلال برای کاهش نابرابری: برخلاف فناوریهای قبلی که وظایف تکراری با مهارت پایین را خودکار میکردند، هوش مصنوعی قادر به خودکارسازی وظایف شناختی غیرتکراری با مهارت بالا است. این امر میتواند رقابت را برای کارگران با مهارت بالا افزایش دهد، دستمزد آنها را تحت فشار قرار داده و ارزش مهارت را کاهش دهد.48 هوش مصنوعی همچنین میتواند به عنوان یک نیروی «تسطیحکننده» عمل کند و کارگران کمتجربهتر را قادر سازد تا در سطح بالاتری عمل کنند و بهرهوری و دستمزد آنها را افزایش دهد.5
شواهد اولیه متناقض است. برخی مطالعات تأثیر کم یا حتی صفر را بر دستمزدها در کوتاهمدت نشان میدهند.50 با این حال، PwC دریافت که دستمزدها در صنایعی که بیشترین مواجهه با هوش مصنوعی را دارند، دو برابر سریعتر در حال افزایش است و کارگرانی که مهارتهای خاص هوش مصنوعی دارند، از حق بیمه دستمزد قابل توجهی (۵۶٪) برخوردارند.51
در نهایت، تأثیر خالص بر نابرابری به صورت فناورانه تعیین نمیشود، بلکه توسط انتخابهای سیاستی در مورد شبکههای تأمین اجتماعی، آموزش و مالیات بر سرمایه در مقابل نیروی کار شکل خواهد گرفت.46
یک تناقض مهم در مورد کیفیت شغل وجود دارد. از یک سو، هوش مصنوعی میتواند با حذف وظایف خستهکننده و تکراری، انسانها را برای کارهای خلاقانهتر، استراتژیکتر و جذابتر آزاد کند و در نتیجه رضایت شغلی را بهبود بخشد.38 از سوی دیگر، هوش مصنوعی اشکال جدیدی از نظارت در محیط کار را امکانپذیر میسازد، میتواند شدت کار را افزایش دهد و منجر به «گیگایفیکیشن» (اقتصاد گیگ) وظایف شناختی شود که امنیت شغلی و استقلال کارگر را کاهش میدهد.36 این دوگانگی نشان میدهد که تأثیر بر کیفیت شغل تابعی از استراتژی شرکتی و انتخابهای مدیریتی است، نه فقط خود فناوری. این یک حوزه حیاتی برای مداخله سیاستی است که بر حقوق کارگر، استقرار اخلاقی هوش مصنوعی و صدای کارگر در طراحی فرآیندهای کاری جدید تمرکز دارد.28
علاوه بر این، یک «عدم تطابق بزرگ» در بازار کار در حال ظهور است. اعداد خوشبینانه ایجاد شغل خالص از سوی مجمع جهانی اقتصاد 34 یک مشکل ساختاری حیاتی را پنهان میکند. مشاغلی که جابجا میشوند اغلب دفتری، اداری و مبتنی بر کارهای تکراری هستند.32 مشاغلی که ایجاد میشوند بسیار فنی (متخصص هوش مصنوعی، دانشمند داده) یا نیازمند مهارتهای سطح بالای انسانمحور (خلاقیت، رهبری) هستند.35 پروفایل مهارتی یک کارمند ورود دادههای جابجا شده با پروفایل یک نقش تازه ایجاد شده متخصص اخلاق هوش مصنوعی مطابقت ندارد. این یک جایگزینی ساده یک به یک نیست، بلکه یک تغییر ساختاری است که منجر به بیکاری اصطکاکی و ساختاری قابل توجهی خواهد شد، حتی اگر تعداد خالص مشاغل مثبت باشد. این امر برنامههای بازآموزی و مهارتآموزی گسترده، مؤثر و هدفمند 52 را به مهمترین اهرم سیاستی برای مدیریت گذار بازار کار تبدیل میکند. بدون آن، ایجاد شغل «خالص مثبت» تنها به نفع بخش کوچکی از نیروی کار خواهد بود و نابرابری را به شدت افزایش میدهد.
صنعت/بخش
نرخ تخمینی جابجایی شغلی
پتانسیل ایجاد شغل
چشمانداز تأثیر خالص
کاربردهای کلیدی هوش مصنوعی
تولیدی
بالا (۴۵٪) 36
پایین/متوسط
خالص منفی
رباتیک، کنترل کیفیت خودکار
خردهفروشی
بالا (۳۵٪) 36
متوسط
تحولآفرین
پرداخت خودکار، مدیریت موجودی
مراقبتهای بهداشتی
پایین
بالا (۵۰٪) 36
خالص مثبت
تشخیص بیماری با هوش مصنوعی، طرحهای درمانی شخصیسازیشده
آموزش
پایین
بالا (۶۰٪) 36
خالص مثبت
یادگیری شخصیسازیشده، تدریس هوشمند
مالی
متوسط
بالا
تحولآفرین
معاملات الگوریتمی، امتیازدهی اعتباری، کشف تقلب
فناوری اطلاعات
متوسط
بسیار بالا
خالص مثبت
توسعه نرمافزار، امنیت سایبری، مدیریت سیستمهای هوش مصنوعی
عنوان شغلی
مسئولیتهای اصلی
مهارتهای مورد نیاز
صنایع با تقاضای بالا
مهندس پرامپت
طراحی و اصلاح پرامپتهای متنی برای هوش مصنوعی مولد
درک NLP، خلاقیت، تخصص در حوزه مربوطه
فناوری، رسانه، حقوق
مربی هوش مصنوعی
آموزش مدلهای هوش مصنوعی بر اساس دادههای خاص صنعت
گردآوری داده، ارتباطات، تخصص صنعتی
خدمات مشتری، بیمه
حسابرس هوش مصنوعی
تضمین انصاف، شفافیت و پاسخگویی در سیستمهای هوش مصنوعی
استانداردهای حسابرسی، استدلال اخلاقی
تمام صنایع تحت نظارت
متخصص اخلاق هوش مصنوعی
توسعه و نظارت بر چارچوبهای اخلاقی برای استقرار هوش مصنوعی
فلسفه اخلاق، سیاستگذاری، درک فنی
فناوری، دولت، مراقبتهای بهداشتی
متخصص ماشین لرنینگ
نظارت بر سختافزار و سیستمهایی که توسط هوش مصنوعی اداره میشوند
علوم کامپیوتر، مهندسی، تجربه صنعتی
تولیدی، لجستیک
بخش ۳: جعبه ابزار جدید اقتصاددان: روششناسیهای مبتنی بر هوش مصنوعی
این بخش به بررسی این موضوع میپردازم که چگونه هوش مصنوعی در حال متحول کردن عمل اقتصاد است و از نقش خود به عنوان موضوع مطالعه فراتر رفته و به یک ابزار روششناختی اصلی تبدیل میشود.
مدلهای اقتصادسنجی سنتی (مانند رگرسیون خطی، ARIMA، VAR) سنگ بنای تحلیل اقتصادی هستند. قدرت آنها در ریشه داشتن در نظریه اقتصادی و درجه بالای تفسیرپذیری آنها نهفته است.56 با این حال، آنها اغلب با چشمانداز دادههای مدرن دست و پنجه نرم میکنند و با مفروضات خطی بودن و دشواری در کار با مجموعه دادههای عظیم، با ابعاد بالا و بدون ساختار محدود میشوند.56
مدلهای یادگیری ماشین (ML) راهحلهایی برای این محدودیتها ارائه میدهند. مزایای کلیدی آنها عبارتند از:
● کار با دادههای بزرگ و بدون ساختار: یادگیری ماشین، به ویژه یادگیری عمیق، در پردازش مجموعه دادههای عظیم و متنوع، از جمله دادههای غیرسنتی مانند متن، تصویر و صدا، که میتوانند برای ایجاد شاخصهای اقتصادی جدید استفاده شوند، برتری دارد.60
● ثبت روابط غیرخطی: الگوریتمهای یادگیری ماشین میتوانند به طور خودکار روابط پیچیده، غیرخطی و تعاملات بین متغیرها را بدون نیاز به مشخص شدن پیشینی توسط محقق، شناسایی کنند.59
● دقت پیشبینی برتر: در بسیاری از کاربردهای پیشبینی، نشان داده شده است که مدلهای یادگیری ماشین از مدلهای اقتصادسنجی سنتی، به ویژه در محیطهای پرنوسان، عملکرد بهتری دارند.63
تمایز اساسی بین این دو رویکرد در هدف اصلی آنها نهفته است. یادگیری ماشین برای پیشبینی ("چه اتفاقی خواهد افتاد؟") بهینه شده است، در حالی که اقتصادسنجی بر استنتاج علّی ("چرا این اتفاق میافتد؟") تمرکز دارد.66
یک چالش بزرگ برای یادگیری ماشین در اقتصاد، عدم تفسیرپذیری آن است. مدلهای پیچیده مانند شبکههای عصبی اغلب «جعبههای سیاه» هستند که درک مکانیسم علّی پشت یک پیشبینی را دشوار میسازد.56 این یک مانع مهم در زمینههای سیاستی و حقوقی است که توضیح «چرا» الزامی است.69
این امر یک بدهبستان مستقیم برای اقتصاددانان ایجاد میکند: قدرت پیشبینی بالای یادگیری ماشین در مقابل تفسیرپذیری علّی مدلهای سنتی. انتخاب روش به سؤال تحقیق بستگی دارد.60
عدم تفسیرپذیری بسیاری از مدلهای یادگیری ماشین اغلب به عنوان یک چالش فنی مطرح میشود. با این حال، پیامدهای آن عمیقاً اقتصادی است. در صنایع تحت نظارت مانند مالی و مراقبتهای بهداشتی، و در سیاستگذاری عمومی، تصمیمات باید طبق قانون قابل توضیح و قابل اعتراض باشند (مثلاً «حق توضیح» در GDPR).70 یک الگوریتم غیرقابل توضیح که وام یا مزایایی را برای فردی رد میکند، فقط یک نقص فنی نیست؛ بلکه یک مسئولیت قانونی و تجاری است. ارزش اقتصادی یک مدل تابعی از دقت
و تفسیرپذیری آن است. این امر یک انگیزه اقتصادی قوی برای توسعه هوش مصنوعی قابل توضیح (XAI) ایجاد میکند.57 XAI فقط یک ویژگی «خوب» نیست؛ بلکه یک توانمندساز حیاتی برای باز کردن پتانسیل کامل اقتصادی هوش مصنوعی در حوزههای پرمخاطره است.
آینده جایگزینی یکی با دیگری نیست، بلکه تلفیقی از هر دو است. یک روند رو به رشد، ایجاد مدلهای ترکیبی است که از نقاط قوت هر دو بهره میبرند.58 به عنوان مثال، یک مدل اقتصادسنجی میتواند یک خط پایه مبتنی بر نظریه ارائه دهد، در حالی که یک مدل یادگیری ماشین میتواند برای تحلیل باقیماندهها و ثبت الگوهای غیرخطی باقیمانده استفاده شود.73
یک مرز جدید تحقیقاتی بر تطبیق یادگیری ماشین برای استنتاج علّی متمرکز است. تکنیکهایی مانند یادگیری ماشین دوگانه (DML) از یادگیری ماشین برای کنترل تعداد زیادی از متغیرهای مخدوشکننده استفاده میکنند و امکان تخمین بیطرفانه یک اثر علّی خاص مورد علاقه را فراهم میآورند.66 این نشاندهنده تلفیقی قدرتمند از قدرت پیشبینی یادگیری ماشین با دقت استنتاجی اقتصادسنجی است.
هوش مصنوعی همچنین برای تسریع سیاستگذاری مبتنی بر شواهد از طریق تلفیق حجم عظیمی از ادبیات علمی موجود استفاده میشود و به سیاستگذاران کمک میکند تا به شواهد بهروز در مورد موضوعات کلیدی بسیار سریعتر از بررسیهای دستی دسترسی پیدا کنند.75
ظهور روشهای هوش مصنوعی در حال ایجاد یک شکاف مهارتی جدید درون حرفه اقتصاد است. به طور سنتی، تخصص در نظریه اقتصادی و مدلسازی اقتصادسنجی کافی بود. اکنون، مجموعه مهارت جدیدی در حال ظهور است: مهارت در برنامهنویسی (پایتون/R)، علم داده و یادگیری ماشین.42 اشاره شده است که اقتصاددانان مسنتر نسبت به یادگیری ماشین مشکوک هستند 66، در حالی که دانشجویان دکترا و محققان جوان به این حوزه جدید هجوم آوردهاند. این فقط اضافه کردن یک ابزار جدید نیست؛ بلکه یک تغییر بنیادین در معنای اقتصاددان تجربی بودن است. کسانی که میتوانند شکاف بین نظریه اقتصادی و یادگیری ماشین/علم داده را پر کنند، بیشترین تقاضا را خواهند داشت. کسانی که نمیتوانند، با خطر منسوخ شدن روبرو هستند. این امر مستلزم یک تحول ضروری در آموزش اقتصاد در سطوح دانشگاهی و حرفهای است.21 دپارتمانهای اقتصاد و سازمانهای حرفهای باید علم داده و یادگیری ماشین را در برنامههای درسی اصلی خود ادغام کنند تا نسل بعدی متخصصان را برای این واقعیت جدید آماده سازند.
جنبه
اقتصادسنجی سنتی (مانند OLS, ARIMA, VAR)
یادگیری ماشین (مانند Random Forest, Neural Networks)
هدف اصلی
استنتاج علّی
دقت پیشبینی
کار با داده
دادههای ساختاریافته و کوچکتر
دادههای بدون ساختار و «بزرگ»
ساختار مدل
مبتنی بر نظریه، مفروضات خطی
مبتنی بر داده، غیرخطی
تفسیرپذیری
بالا - «جعبه سفید»
پایین - «جعبه سیاه»
هزینه محاسباتی
پایین
بالا
نقطه ضعف کلیدی
با غیرخطی بودن و ابعاد بالا مشکل دارد
مستعد بیشبرازش، فاقد توضیح علّی
بخش ۴: هوش مصنوعی در عمل: کاربردهای عملی در حوزههای اقتصادی
هوش مصنوعی با پردازش حجم عظیمی از دادههای آنی و با فرکانس بالا که مدلهای سنتی قادر به مدیریت آن نیستند، در حال متحول کردن پیشبینی اقتصادی است.76
● مطالعه موردی: پیشبینی تولید ناخالص داخلی و تورم. محققان و بانکهای مرکزی اکنون از مدلهای یادگیری ماشین (مانند LSTM، Random Forests) برای پیشبینی تولید ناخالص داخلی و تورم با دقت بیشتری نسبت به مدلهای سنتی مانند SARIMA استفاده میکنند.78 این مدلها طیف گستردهای از پیشبینیکنندهها را شامل میشوند، از جمله دادههای غیرسنتی مانند تصاویر ماهوارهای برای اندازهگیری فعالیت اقتصادی 60، آگهیهای شغلی 80 و احساسات رسانههای اجتماعی برای سنجش انتظارات تورمی.60 صندوق بینالمللی پول و سایر محققان دریافتهاند که مدلهای یادگیری ماشین، به ویژه رگرسیون LASSO، به طور سیستماتیک در پیشبینی تورم پس از همهگیری عملکرد بهتری نسبت به مدلهای معیار دارند.82
هوش مصنوعی سیاستگذاران را قادر میسازد تا تأثیرات بالقوه سیاستهای مالی و پولی را با جزئیات بیشتری شبیهسازی کنند.
● مطالعه موردی: شبیهسازی سیاست مالیاتی. چارچوب «اقتصاددان هوش مصنوعی» از یادگیری تقویتی برای بهینهسازی سیاستهای مالیاتی با مدلسازی بدهبستانهای بین برابری و بهرهوری استفاده میکند و به دولتها اجازه میدهد تا ساختارهای مالیاتی مختلف را قبل از اجرا به صورت مجازی آزمایش کنند.81
● مطالعه موردی: تحلیل ارتباطات سیاست پولی. مدل MILA بانک مرکزی آلمان از پردازش زبان طبیعی (NLP) برای تحلیل بیانیههای بانک مرکزی اروپا استفاده میکند و یک معیار کمی از احساسات «جنگطلبانه» یا «کبوترانه» ارائه میدهد که میتواند به پیشبینی تصمیمات آتی نرخ بهره کمک کند.85
الگوریتمهای هوش مصنوعی به کسبوکارها اجازه میدهند تا قیمتها را به صورت آنی بر اساس تقاضا، رقابت، سطح موجودی و حتی شرایط آب و هوایی تنظیم کنند.86
● مطالعه موردی: تجارت الکترونیک و هتلداری. آمازون به طور مشهور قیمتها را میلیونها بار در روز تنظیم میکند.87 خطوط هوایی و هتلها از قیمتگذاری پویا برای بهینهسازی درآمد به ازای هر صندلی/اتاق موجود (RevPAR) استفاده میکنند و سیستمهای مبتنی بر هوش مصنوعی منجر به افزایش متوسط درآمد ۱۰ تا ۲۰ درصدی در بخش هتلداری شدهاند.86
هوش مصنوعی بینشهای عمیقی در مورد ترجیحات و تصمیمگیری مصرفکنندگان ارائه میدهد.
● مطالعه موردی: شخصیسازی فوقالعاده. شرکتهایی مانند نتفلیکس و استارباکس از هوش مصنوعی برای تحلیل تاریخچه تماشا/خرید، فعالیت در رسانههای اجتماعی و سایر دادههای رفتاری برای ارائه توصیههای شخصیسازیشده استفاده میکنند که تعامل و فروش را افزایش میدهد.90 هوش مصنوعی «Deep Brew» استارباکس دادههای سطح فروشگاه را برای شخصیسازی پیشنهادات و پیشبینی تقاضا تحلیل میکند.93
● مطالعه موردی: تحلیل احساسات. صندوقهای پوشش ریسک و بازاریابان از NLP برای تحلیل مقالات خبری و پستهای رسانههای اجتماعی برای سنجش احساسات بازار و مصرفکننده به صورت آنی استفاده میکنند که امکان تصمیمگیریهای سرمایهگذاری و بازاریابی آگاهانهتر را فراهم میآورد.81
هوش مصنوعی در هسته معاملات مدرن قرار دارد. سیستمهای معاملاتی هوش مصنوعی از یادگیری ماشین برای تحلیل دادههای عظیم بازار، شناسایی الگوها و اجرای معاملات با سرعت فوق بشری استفاده میکنند.95
● مطالعه موردی: Citadel Securities و Virtu Financial. این شرکتها از هوش مصنوعی برای معاملات با فرکانس بالا (HFT) استفاده میکنند و تعداد زیادی معامله را در میکروثانیه بر اساس ارزیابیهای ریسک آنی و تحلیلهای پیشبینیکننده اجرا میکنند.94
هوش مصنوعی در حال متحول کردن نحوه ارزیابی ریسک اعتباری و پیشگیری از تقلب است، به ویژه در بخش فینتک.
● مطالعه موردی: Upstart و Zest AI. این وامدهندگان فینتک از هوش مصنوعی برای تحلیل هزاران نقطه داده فراتر از امتیازات سنتی FICO استفاده میکنند، از جمله دادههای جایگزین مانند تحصیلات، سابقه شغلی و حتی پرداخت قبوض.81 این امر به آنها اجازه داده است تا وامهای بیشتری را تأیید کنند (مثلاً Upstart +۲۷٪) و همزمان نرخ نکول را کاهش دهند.99
● مطالعه موردی: بارکلیز و کشف تقلب. بانکهایی مانند بارکلیز از هوش مصنوعی برای نظارت بر تراکنشها به صورت آنی استفاده میکنند و الگوهای پیچیده تقلب را که سیستمهای مبتنی بر قوانین از دست میدادند، شناسایی میکنند. این امر به طور چشمگیری زمان تحقیقات و زیانهای ناشی از تقلب را کاهش داده است.101
یک پدیده کلیدی که از این مطالعات موردی پدیدار میشود، «اثر چرخدنده داده» (Data Flywheel Effect) است که به پویایی «برنده همه چیز را میبرد» منجر میشود. پلتفرمهای مبتنی بر هوش مصنوعی (مانند آمازون در تجارت الکترونیک، نتفلیکس در رسانه، و آپاستارت در وامدهی) از هوش مصنوعی خود برای جذب کاربران بیشتر استفاده میکنند. این کاربران دادههای بیشتری تولید میکنند. این دادهها سپس برای آموزش مدلهای هوش مصنوعی بهتر و دقیقتر استفاده میشوند که به نوبه خود خدمات را بهبود بخشیده و کاربران بیشتری را جذب میکند. این یک چرخه خودتقویتکننده است. با توجه به اینکه عملکرد مدلهای یادگیری ماشین به شدت به کیفیت و کمیت دادهها وابسته است 104، شرکتهایی که بیشترین کاربر را دارند، بیشترین داده را در اختیار دارند که به آنها اجازه میدهد بهترین هوش مصنوعی را بسازند و در نتیجه کاربران بیشتری را جذب کنند. این امر یک مانع بزرگ برای ورود رقبای جدید ایجاد میکند و به طور طبیعی به تمرکز بازار و نتایج «برنده همه چیز را میبرد» یا «برنده بیشتر را میبرد» منجر میشود. این تحلیل، کاربردهای سطح خرد را مستقیماً به نگرانیهای سطح کلان در مورد تمرکز بازار که در بخش ۱ مورد بحث قرار گرفت، مرتبط میسازد.3 ماهیت کاربرد هوش مصنوعی در کسبوکار، خود محرکی برای تحکیم بازار است.
علاوه بر این، مطالعات موردی نشان میدهند که هوش مصنوعی در حال محو کردن مرزهای بین زیرشاخههای اقتصادی است. همان فناوریهای اصلی هوش مصنوعی در زمینههای اقتصادی سنتاً متمایز به کار گرفته میشوند. به عنوان مثال، پردازش زبان طبیعی (NLP) یک فناوری کلیدی در موارد زیر است:
● اقتصاد کلان: تحلیل ارتباطات بانک مرکزی.85
● اقتصاد مالی: سنجش احساسات بازار برای معاملات.94
● اقتصاد رفتاری: درک احساسات مصرفکننده از طریق نقدها و رسانههای اجتماعی.81
● اقتصاد کار: تحلیل آگهیهای شغلی برای روندهای مهارتی.80
این نشان میدهد که آینده اقتصاد کاربردی ممکن است کمتر جزیرهای باشد. متخصصان به درک یکپارچهتری از این ابزارهای اصلی هوش مصنوعی نیاز خواهند داشت، زیرا تکنیکهای حل یک مشکل در یک حوزه ممکن است مستقیماً به حوزه دیگر قابل انتقال باشد. این امر نیاز به مجموعه مهارتهای جدید و یکپارچهتر برای اقتصاددانان را که در بخش قبل شناسایی شد، تقویت میکند.
بخش ۵: حاکمیت در عصر هوش مصنوعی: مدیریت ریسکهای اخلاقی، نظارتی و ثباتی
این بخش به چارچوبهای حاکمیتی حیاتی میپردازم که برای مدیریت ریسکهای عمیقی که با ادغام اقتصادی هوش مصنوعی همراه است، مورد نیاز است.
مدلهای هوش مصنوعی ذاتاً مغرض نیستند، اما از سوگیریهای موجود در دادههای تاریخی یاد میگیرند و میتوانند آنها را تقویت کنند.70 اگر تصمیمات گذشته در مورد وامدهی یا استخدام تبعیضآمیز بوده باشد، هوش مصنوعی آموزشدیده بر روی آن دادهها همان الگوها را تکرار خواهد کرد.
سوگیری میتواند ظریف باشد. الگوریتمها ممکن است مستقیماً از ویژگیهای محافظتشده مانند نژاد یا جنسیت استفاده نکنند، اما در عوض از «پراکسیها» یا متغیرهای نیابتی استفاده کنند که با آنها همبستگی بالایی دارند، مانند کد پستی (به عنوان نماینده نژاد به دلیل خطکشی قرمز تاریخی) یا عادات خرید خاص.105
● مطالعه موردی: هوش مصنوعی در امتیازدهی اعتباری و استخدام. مطالعات نشان دادهاند که الگوریتمهای وام مسکن نرخ بهره بالاتری را برای وامگیرندگان اقلیت، حتی پس از کنترل اعتبار، اعمال میکنند.105 آمازون به طور مشهور مجبور شد یک هوش مصنوعی استخدامی را که مشخص شد علیه نامزدهای زن مغرض است، کنار بگذارد، زیرا بر روی یک دهه رزومه عمدتاً مردانه آموزش دیده بود.109
مقابله با سوگیری نیازمند یک رویکرد چندجانبه است، از جمله استفاده از دادههای آموزشی متنوع و نماینده، انجام حسابرسیهای الگوریتمی منظم و پیادهسازی تکنیکهای یادگیری ماشین آگاه از انصاف.70
عطش هوش مصنوعی برای دادهها، تنشی اساسی با حقوق حریم خصوصی ایجاد میکند. جمعآوری مجموعه دادههای شخصی گسترده برای آموزش مدلهای اقتصادی و مالی، نگرانیهای قابل توجهی را در مورد رضایت، استفاده و امنیت ایجاد میکند.112
در پاسخ، قانونگذاران قوانین جامع حفاظت از دادهها را وضع کردهاند. مقررات عمومی حفاظت از دادههای اتحادیه اروپا (GDPR) و قانون هوش مصنوعی اتحادیه اروپا نمونههای برجستهای هستند. آنها اصولی مانند به حداقل رساندن دادهها، محدودیت هدف و «حق توضیح» را ایجاد میکنند و برخی از کاربردهای هوش مصنوعی (مانند موارد استفاده شده در امتیازدهی اعتباری یا استخدام) را به عنوان «پرخطر» طبقهبندی کرده و الزامات حاکمیتی و شفافیت سختگیرانهای را اعمال میکنند.112
برای شرکتهای جهانی، مدیریت این مجموعه قوانین پراکنده (مثلاً رویکرد جامع اتحادیه اروپا در مقابل رویکرد بخشی ایالات متحده) یک چالش بزرگ انطباق است.71
سرعت و بههمپیوستگی معاملات مبتنی بر هوش مصنوعی، ریسکهای سیستمی جدیدی را به همراه دارد. یک نگرانی کلیدی «رفتار گلهای» است—جایی که چندین الگوریتم، که احتمالاً بر روی دادهها یا مدلهای مشابه آموزش دیدهاند، به سیگنالهای بازار به یک شکل و در یک زمان واکنش نشان میدهند.118
این رفتار گلهای میتواند نوسانات بازار را تقویت کرده و باعث «سقوطهای ناگهانی» (Flash Crashes) شود، جایی که بازارها در عرض چند دقیقه به دلیل فروشهای خودکار آبشاری سقوط میکنند. سقوط ناگهانی سال ۲۰۱۰ یک سابقه تاریخی کلیدی است.118
نشان داده شده است که عاملان یادگیری تقویتی، بدون اینکه به صراحت برای این کار برنامهریزی شده باشند، در شبیهسازیها استراتژیهایی را توسعه میدهند که شبیه رفتارهای کارتلی یا تبانی برای به حداکثر رساندن بازده است، که چالشی جدید برای قوانین دستکاری بازار ایجاد میکند.118
یک چالش اصلی برای قانونگذاران این است که فناوری بسیار سریعتر از قانونگذاری تکامل مییابد و یک «مشکل سرعت» یا «تأخیر نظارتی» ایجاد میکند.116
این واقعیت نیازمند تغییری از مقررات ایستا و مبتنی بر قوانین به سمت چارچوبهای حاکمیتی چابکتر و مبتنی بر اصول است. این شامل همکاری بین سیاستگذاران، توسعهدهندگان و صنعت برای ایجاد استانداردهایی است که هم قوی و هم انعطافپذیر باشند.1 اصول هوش مصنوعی OECD یک نمونه کلیدی از چنین استاندارد بیندولتی است.123
در اقتصاد هوش مصنوعی، که در آن اعتماد یک دارایی کمیاب و ارزشمند است، حاکمیت از یک بار انطباق به یک منبع مزیت رقابتی در حال تغییر است. ماهیت «جعبه سیاه» هوش مصنوعی و ریسکهای مستند سوگیری و نقض حریم خصوصی، عدم قطعیت قابل توجهی برای مصرفکنندگان و سرمایهگذاران ایجاد میکند. شرکتهایی که میتوانند به طور قابل تأیید نشان دهند که سیستمهای هوش مصنوعی آنها منصفانه، شفاف و ایمن هستند، فقط از قوانین پیروی نمیکنند؛ آنها در حال ایجاد اعتماد هستند. این اعتماد مستقیماً به ارزش اقتصادی تبدیل میشود: اعتماد قویتر مشتری، دسترسی آسانتر به سرمایه نهادی و شهرت بهتر برند.72 بنابراین، حاکمیت اخلاقی هوش مصنوعی، که در چارچوبهایی مانند اصول OECD تجسم یافته است 124، از یک الزام قانونی به یک تمایز استراتژیک در حال تکامل است. برای متخصصان، این به معنای آن است که سرمایهگذاری در حاکمیت فقط برای جلوگیری از جریمه نیست؛ بلکه برای ساختن یک مدل کسبوکار پایدار و قابل اعتماد برای عصر هوش مصنوعی است.
علاوه بر این، چشمانداز نظارتی در حال تکهتکه شدن ژئوپلیتیکی است و یک «سهراهی انطباق» برای شرکتهای جهانی ایجاد میکند. سه فلسفه نظارتی متمایز در حال ظهور هستند که بلوکهای ژئوپلیتیکی را منعکس میکنند. اتحادیه اروپا در حال پیگیری یک مدل نظارتی جامع و مبتنی بر حقوق است (قانون هوش مصنوعی).116
ایالات متحده رویکردی بازارمحورتر و بخشی را اتخاذ کرده است.71
چین در حال اجرای قوانینی دولتمحور است که ثبات اجتماعی و همسویی با ارزشهای دولتی را در اولویت قرار میدهد.9 یک شرکت چندملیتی که در هر سه منطقه فعالیت میکند، با یک «سهراهی» روبرو است. ایجاد یک چارچوب حاکمیتی واحد برای هوش مصنوعی که به طور همزمان قوانین سختگیرانه مبتنی بر حقوق اتحادیه اروپا، انعطافپذیری بازارمحور ایالات متحده و الزامات کنترل دولتی چین را برآورده کند، به راحتی امکانپذیر نیست. این تکهتکه شدن نظارتی یک مانع غیرتعرفهای قابل توجه و رو به رشد برای تجارت و سرمایهگذاری در اقتصاد دیجیتال است. برای متخصصان در شرکتهای جهانی، این امر مستلزم توسعه استراتژیهای انطباق بسیار پیچیده و منطقهای است و ممکن است آنها را مجبور به استقرار نسخههای مختلفی از مدلهای هوش مصنوعی خود در بازارهای مختلف کند که هزینهها و پیچیدگی را افزایش میدهد.
بخش ۶: توصیههای استراتژیک برای متخصصان و سیاستگذاران
این بخش پایانی، یافتههای گزارش را در قالب راهنماییهای کاربردی و آیندهنگر برای ذینفعان کلیدی تلفیق میکند.
● پذیرش «آمادگی سیاستی»: با توجه به عدم قطعیت عمیق، یک استراتژی انعطافپذیر اتخاذ کنید که در سناریوهای مختلف توسعه هوش مصنوعی، از تغییر تدریجی تا تحول سریع، قوی باشد.1
● سرمایهگذاری در «انسان در چرخه»: بر روی کاربردهای هوش مصنوعی تمرکز کنید که کارگران انسانی را تقویت میکنند، نه اینکه صرفاً جایگزین آنها شوند. بیشترین ارزش در ترکیب کارایی ماشین با قضاوت، خلاقیت و همدلی انسان نهفته است.27
● ساختن نیروی کار «آماده برای هوش مصنوعی»: فراتر از استخدام چند دانشمند داده بروید. در برنامههای گسترده مهارتآموزی و بازآموزی برای تقویت سواد هوش مصنوعی در کل سازمان سرمایهگذاری کنید. فرهنگ یادگیری مادامالعمر را پرورش دهید.27
● تبدیل حاکمیت به یک مزیت: به طور فعال اصول اخلاقی هوش مصنوعی (انصاف، شفافیت، پاسخگویی) را اتخاذ کنید. در هوش مصنوعی قابل توضیح (XAI) سرمایهگذاری کرده و حسابرسیهای الگوریتمی منظم انجام دهید. این کار اعتماد مشتریان و قانونگذاران را جلب میکند که یک دارایی رقابتی کلیدی است.72
● تقویت و نوسازی شبکههای تأمین اجتماعی: برای اختلالات بازار کار با گسترش پوشش و سخاوت بیمه بیکاری آماده شوید و رویکردهای نوآورانهای مانند بیمه دستمزد را بررسی کنید.15
● ایجاد تعادل مجدد در سیاست مالیاتی: در مشوقهای مالیاتی که اتوماسیون را بر نیروی کار ترجیح میدهند، تجدید نظر کنید. مالیات بر درآمد سرمایه و سودهای مازاد را برای تأمین مالی هزینههای اجتماعی و جبران نابرابری ثروت فزاینده، تقویت کنید. از اعمال «مالیات بر هوش مصنوعی» تنبیهی و مستقیم که میتواند نوآوری را خفه کند، خودداری کنید.46
● پرورش اکوسیستم حامی نوآوری و رقابت: در تحقیق و توسعه عمومی سرمایهگذاری کنید، دسترسی به دادهها و منابع محاسباتی را برای جلوگیری از انحصار بازار ترویج دهید و همکاری فرامرزی در زمینه حاکمیت هوش مصنوعی را تقویت کنید.1
● رهبری با الگوبرداری: بخش عمومی باید به عنوان یک الگوی استقرار هوش مصنوعی عمل کند و از آن برای بهبود ارائه خدمات در آموزش، بهداشت و مدیریت دولتی استفاده کند، در حالی که استانداردهای بالایی را برای مشارکت کارگران و استفاده اخلاقی پیادهسازی میکند.28
● پذیرش کثرتگرایی روششناختی: این حرفه باید از دوگانگی کاذب «اقتصادسنجی در مقابل یادگیری ماشین» فراتر رود. آینده در تلفیق هر دو، به ویژه در حوزه یادگیری ماشین علّی، نهفته است. برنامههای درسی اقتصاد باید برای انعکاس این واقعیت جدید بهروز شوند.66
● بازنگری در مدلهای بنیادین: اگر هوش مصنوعی بتواند جایگزین قابلیتهای شناختی انسان در تمام حوزهها شود، اقتصاددانان ممکن است نیاز به بازنگری در چارچوبهای اساسی نیروی کار، سرمایه و تولید داشته باشند و از مغالطههای قدیمی فراتر رفته و یک تغییر بنیادین در «قواعد بازی» اقتصادی را به رسمیت بشناسند.1
● تمرکز بر توزیع و رفاه: چالش اصلی اقتصادی هوش مصنوعی، توزیع خواهد بود.126 این حرفه نباید فقط بر این تمرکز کند که آیا هوش مصنوعی میتواند جامعه را به طور کلی ثروتمندتر کند، بلکه باید بر توسعه مکانیسمهایی برای اطمینان از توزیع گسترده این دستاوردها و تبدیل آنها به بهبودهای واقعی در رفاه انسانی تمرکز کند.
در نهایت، استراتژی فراگیر برای همه ذینفعان، «تابآوری چابک» است. با توجه به عدم قطعیت عمیق در مورد سرعت تغییرات فناوری، مقیاس تأثیر اقتصادی، ماهیت اختلال در بازار کار و تکامل مقررات، هیچ پیشبینی واحدی قابل اتکا نیست. در یک محیط با عدم قطعیت بالا، استراتژی بهینه، شرطبندی بزرگ بر روی یک نتیجه واحد نیست. استراتژی بهینه، ایجاد تابآوری و چابکی است—ظرفیت انطباق و شکوفایی در طیف گستردهای از آیندههای ممکن. بهترین سیاستها، اقدامات «بدون پشیمانی» هستند (مانند بهبود آموزش، تقویت شبکههای ایمنی) که صرف نظر از اینکه تأثیر هوش مصنوعی متوسط یا تحولآفرین باشد، مفید هستند. بهترین استراتژیهای کسبوکار آنهایی هستند که امکان چرخشهای سریع و آزمایش را فراهم میکنند.
برای مشاهده جداول، منابع مورد استناد و نسخه کامل مقاله به این لینک مراجعه کنید.
