https://virgool.io/feed/@miladmirza75 fa 2026-04-14 18:19:40 https://static.virgool.io/images/default-avatar.jpg https://virgool.io/@miladmirza75 https://virgool.io/@miladmirza75/%D8%A7%D8%B1%D8%AA%D8%A8%D8%A7%D8%B7%D8%A7%D8%AA-%D8%A8%DB%8C-%D8%A7%D8%AA%D8%B5%D8%A7%D9%84-fxypdo8gqm0x داشتم پست های ویرگول رو میخوندم . هر کس روایت خودش رو داره اینجا انگار واقعا شده آخرین سنگر ما ، کامنت ها در سایت های مختلف و حتی دیشب در سایت دیجیاتو بسته شد معلوم نیست ویرگول چه موقع بسته بشهحقیقتا گریه م گرفت . آدم ها دنبال راهی هستند که شنیده بشن حتی کلام دل حتی درد و دل اینجا آخرین امید اوناست . مینویسند برای اینکه شاید رهگذری بخواند شاید هم نه مینویسند برای دل خودشان که نوشته باشند .در کوچه خیابان ها اما مغازه ها از ساعتی به بعد بسته میشن انگار که همه میخوان به نقطه امنی برسند اقتصاد بی دیجیتال ، رویاهای بر باد رفته ، مادری که 5روزه از فرزندش خبر نداره ، فرزندی که به ناچار مهاجرت کرده و از خانواده خبر ندارهدر میان همه اینها ولی امید هنوز زنده است . این آخر خط نیست اینجا هنوز چراغی روشن استمواظب خودتون باشید میلاد میرزاخانی میلاد میرزاخانی Mon, 12 Jan 2026 08:20:21 +0330 https://virgool.io/@miladmirza75/%D8%A7%DB%8C%D9%86-%D8%A2%D8%AE%D8%B1-%D8%AE%D8%B7-%D9%86%DB%8C%D8%B3%D8%AA-z3pvno68juty شرایط داره سخت تر میشه و تقریبا هیچ راه ارتباطی به جز تلفن وجود ندارد...اومدم صبح روزنامه بخرم ... دکه روزنامه فروشی بسته بوداتوبوس به پایانه رسید .گفت آخر خطه پیاده بشیدگفتم نه اینجا آخر خط نیست.... میلاد میرزاخانی میلاد میرزاخانی Sat, 10 Jan 2026 13:38:11 +0330 https://virgool.io/@miladmirza75/%D8%B2%D9%86%D8%AF%DA%AF%DB%8C-%D8%B9%D8%A7%D8%AF%DB%8C-hjzdslsvypyg امروز به این فکر میکردم ۲۰ سال پیش از خونه بیرون میرفتنخیلی ها موبایل نداشتن. صبح میرفتن بیرون سر کار بر می‌گشتن بی آنکه تماس تلفنی باشه . تو خونه میدونستن چه موقع میانفک کنم فردا باید روزنامه بخرم آیا به نظر شما بی خبری خوش خبریه؟گاهی فرصتی پیش میاد برای به خود اندیشیدن...گاهی لازمه از زندگی دیجیتال دور بشیم میلاد میرزاخانی میلاد میرزاخانی Fri, 09 Jan 2026 23:03:53 +0330 https://virgool.io/@miladmirza75/%D9%88%D9%82%D8%AA%DB%8C-%D8%A8%D8%A7-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%DA%A9%D8%A7%D8%B1-%D9%85%DB%8C-%DA%A9%D9%86%DB%8C%D8%AF-%D9%85%D8%AB%D9%84-%DB%8C%DA%A9-%D8%AA%D8%B5%D9%85%DB%8C%D9%85-%DA%AF%DB%8C%D8%B1%D9%86%D8%AF%D9%87-%D8%B1%D9%81%D8%AA%D8%A7%D8%B1-%DA%A9%D9%86%DB%8C%D8%AF-%D9%86%D9%87-%D8%B5%D8%B1%D9%81%D8%A7%D9%8B-%DB%8C%DA%A9-%DA%A9%D8%A7%D8%B1%D8%A8%D8%B1-%D8%A7%D8%A8%D8%B2%D8%A7%D8%B1-aicfl016ij7n خیلی‌ها از هوش مصنوعی مولد برای نوشتن ایمیل، ساخت اسلاید، زمان‌بندی جلسات یا ثبت یادداشت استفاده می‌کنند. اینکه بتوانی این کارهای تکراری را به یک ابزار بسپاری، حس آزادی می‌دهد.اما سؤال اینجاست: در ازای صرفه‌جویی در زمان، چه چیزی را از دست می‌دهیم؟هوش مصنوعی می‌تواند فضا برای تفکر سطح‌بالا و تصمیم‌گیری عمیق فراهم کند، اما در عین حال ممکن است ما را وسوسه کند که همان تفکر را هم به آن بسپاریم.چالش اصلی فقط قدرتمند بودن هوش مصنوعی نیست، بلکه قانع‌کننده بودن آن است. سریع می‌نویسد، مطمئن به نظر می‌رسد و با شتاب حرکت می‌کند. وقتی خسته‌ایم یا تحت فشاریم، خیلی راحت ممکن است بدون تأمل، تصمیم‌گیری را به آن واگذار کنیم.این پدیده ظریف است اما تأثیرش عمیق.به‌تدریج به جای خواندن بازخوردها، سراغ خلاصه‌های تولیدی AI می‌رویم. تیم‌ها بر اساس «روندهای» تولیدی AI استراتژی می‌چینند بدون اینکه منبع داده را بررسی کنند. مدیران مرور عملکرد کارکنان را به AI می‌سپارند و تصور می‌کنند لحنش بی‌طرف است، در حالی که ممکن است نباشد.این‌ها نشانه ضعف رهبری نیستند؛ بلکه نشانه‌اند از اینکه چقدر سریع بخش انسانی تصمیم‌گیری—یعنی ارزش‌ها و قضاوت‌هایی که به انتخاب‌هایمان معنا می‌دهند—می‌تواند ناپدید شود.🎯 رهبری در عصر هوش مصنوعیرهبری خوب هرگز به معنی دانستن همه پاسخ‌ها نبوده است. اما همیشه نیازمند تأمل، شجاعت و وضوح هدف است—ویژگی‌هایی که هیچ هوش مصنوعی‌ای نمی‌تواند جایگزینشان شود.هرچه این فناوری قدرتمندتر و سریع‌تر می‌شود، تصمیمات پیچیده‌تر بیش از همیشه نیازمند کند شدن و تفکر عمیق‌تر هستند.⚓ چهار لنگر رهبری در عصر هوش مصنوعیمن به عنوان کسی که در زمینه تصمیم‌گیری و حل مسئله پیچیده کار می‌کنم، بارها دیده‌ام که افراد به‌جای اندیشیدن، تفکر را به AI واگذار می‌کنند.به همین دلیل، مجموعه‌ای از اصول ساده طراحی کردم که به آن‌ها می‌گویم «لنگرهای رهبری در عصر هوش مصنوعی» — چهار اصل ذهنی که کمک می‌کنند در جایگاه تصمیم‌گیرنده باقی بمانید، نه صرفاً کاربر ابزار.این لنگرها قانون نیستند؛ یادآورهایی ذهنی‌اند برای حفظ آگاهی و کنترل، حتی زمانی که ماشین با سرعت و اطمینان در حال پیشروی است.۱️⃣ لنگر اقتدار (Authority Check)هوش مصنوعی برای شروع ایده‌پردازی عالی است، اما در نهایت شما صاحب تصمیم هستید.اجازه ندهید پیش‌نویس AI، نسخه نهایی شما شود.مثل یک توله‌سگ هیجان‌زده که جلوتر از صاحبش می‌دود — در نهایت این شما هستید که افسار را در دست دارید.پرسش‌هایی که باید از خود بپرسید:آیا به نتیجه‌ای که می‌خواستم رسیدم؟آیا مشکل واقعی را حل کردم؟آیا لحن و زمینه‌ی متن با هدف من هماهنگ است؟AI چه چیزهایی را نادیده گرفته یا فرض کرده است؟📌 نمونه:«پریا» مدیر ارشد فناوری، از AI خواست پیش‌نویس ایمیلی برای مشتری ناراضی‌اش بنویسد. متن آماده، مؤدبانه و حرفه‌ای بود، اما پریا مکث کرد. بعد از خواندن دوباره، دید لحن پیام سرد است و به احساسات مشتری توجه ندارد.او پاراگرافی اضافه کرد تا همدلی و درک متقابل را نشان دهد—و همین تغییر کوچک، همه‌چیز را متفاوت کرد.۲️⃣ لنگر هدف (Purpose Check)AI بر اساس احتمال کار می‌کند، اما شما بر اساس هدف.هوش مصنوعی نمی‌داند چرا تصمیم می‌گیرید، فقط حدس می‌زند دیگران چه کرده‌اند.پرسش‌هایی برای بازنگری هدف:هدف کوتاه‌مدت من چیست؟هدف بلندمدت من چیست؟آیا خروجی AI با این اهداف هم‌راستاست؟📌 نمونه:پریا پیش از جلسه با مشتری، از AI برای تهیه نکات صحبت استفاده کرد اما چند دقیقه‌ای وقت گذاشت تا دوباره به مأموریت خود فکر کند.هدف کوتاه‌مدتش حفظ قرارداد بود، اما هدف بلندمدتش حفظ رابطه‌ی همکاری بلندمدت.در نتیجه، به جای تأکید بر دشواری درخواست مشتری (آن‌طور که AI پیشنهاد داده بود)، با پرسش همدلانه شروع کرد:«می‌تونید برام توضیح بدین موفقیت از نظر شما چه شکلیه؟»۳️⃣ لنگر مسئولیت‌پذیری (Accountability Check)حتی اگر ابزار مفیدی دارید، شما پاسخ‌گوی نتایج هستید.وقتی تصمیم اشتباه بگیرید، AI نیست که باید در جلسه‌ی هیئت‌مدیره توضیح بدهد—شما باید بدهید.پرسش‌هایی که باید بپرسید:آیا پشت این تصمیم می‌ایستم؟اگر از من سؤال شود، می‌توانم ازش دفاع کنم؟📌 نمونه:در جلسه، مشتری پریا به یکی از پیشنهادها واکنش منفی نشان داد. پریا متوجه شد آن پیشنهاد تقریباً همان جمله‌ای بود که AI نوشته بود و بیشتر به نفع شرکت خودش بود تا مشتری.او صادقانه گفت:«حق با شماست. این پیشنهاد در راستای نیاز شما نیست. اجازه بدین گزینه‌ای پیشنهاد بدم که بهتر باشه.»همین صداقت، اعتبارش را بالا برد.۴️⃣ لنگر راستی‌آزمایی (Truth Check)AI همیشه با اطمینان حرف می‌زند، حتی وقتی اشتباه می‌کند.داده‌هایش ممکن است ناقص، قدیمی یا حتی ساختگی باشند.پرسش‌هایی که باید بپرسید:آیا این اطلاعات قابل راستی‌آزمایی است؟آیا دیدگاه دیگری درباره‌ی مسئله وجود دارد؟این اطلاعات چطور ممکن است غلط باشد؟📌 نمونه:پریا از AI خواست مشکلات مشابه در صنعت را لیست کند تا ببیند آیا سایر مشتریان هم همین مشکل را دارند یا نه.پاسخ سریع و قاطع بود، اما وقتی او بررسی کرد، دید بعضی داده‌ها مربوط به دو سال پیش‌اند و بعضی دیگر شایعه‌ای از وبلاگ‌های غیرمعتبر.اگر همان خروجی را به مدیرش می‌داد، ممکن بود اعتبارش آسیب ببیند.🧩 در نهایت: رهبری یعنی کند شدن و اندیشیدنپریا با استفاده از این چهار لنگر، توانست سرعت وسوسه‌انگیز هوش مصنوعی را مهار کند و دوباره مرکز تصمیم‌گیری را به ذهن خودش برگرداند.هوش مصنوعی ابزاری شگفت‌انگیز است، اما نه جادوست و نه همه‌چیزدان.می‌تواند ما را در تصمیم‌گیری یاری کند، اما ارزش‌ها، زمینه‌ها و روابط انسانی را نمی‌فهمد.اجازه ندهید ماشین جای شما را بگیرد.این چهار لنگر، به شما کمک می‌کنند در کنترل بمانید، تفکر خودتان را شفاف‌تر و عمیق‌تر کنید، و تصمیم‌هایی بگیرید که واقعاً از آنِ شما هستند.🌍 هوش مصنوعی معمولاً چیزهایی را تکرار می‌کند که قبلاً دیده است.اما انسان‌ها هستند که می‌توانند ایده‌هایی بیافرینند که دنیا تا به حال ندیده است. 💡https://hbr.org/2025/10/when-working-with-ai-act-like-a-decision-maker-not-a-tool-user?ab=HP-hero-latest-2 میلاد میرزاخانی میلاد میرزاخانی Mon, 03 Nov 2025 08:32:21 +0330 https://virgool.io/@miladmirza75/notebook-lm-%DA%86%DB%8C%D9%87-%D9%88-%D8%A8%D9%87-%DA%86%D9%87-%D8%AF%D8%B1%D8%AF-%D9%85%DB%8C-%D8%AE%D9%88%D8%B1%D9%87-ilf8ugblui2y وقتی حرف از هوش مصنوعی می‌شه، معمولاً ذهنمون می‌ره سمت ChatGPT یا Gemini.اما یه ابزار جدید از دل گوگل اومده که هدفش چیز دیگه‌ست؛Notebook LM نه یه چت‌بات معمولیه، نه یه خلاصه‌ساز ساده.بلکه یه دفترچه‌ی هوشمنده که می‌تونه با استفاده از منابع خودت یاد بگیره، فکر کنه و پاسخ بده.🧩 داستان تولد Notebook LMماجرا از یه پروژه به اسم Tailwind شروع شد؛ گوگل می‌خواست ابزاری بسازه که به‌جای جست‌وجوی اینترنت، از اطلاعات خود کاربر استفاده کنه.نتیجه شد Notebook LM — یه پلتفرم که مدل زبانی گوگل رو روی داده‌های شخصی تو تنظیم می‌کنه.ایده ساده‌ست ولی خیلی عمیق:تو فایل‌هات، مقالاتت یا نوت‌هات رو به مدل می‌دی،و اون ازشون یه مغز کمکی می‌سازه که فقط با اون منابع فکر می‌کنه و جواب می‌ده.⚙️ Notebook LM دقیقاً چی کار می‌کنه؟Notebook LM سه بخش اصلی داره:Sources (منابع):اینجا فایل‌هات رو آپلود می‌کنی — PDF، Google Docs یا حتی لینک‌های سایت.مدل فقط از همین منابع یاد می‌گیره، نه از دیتای اینترنتی.Notebook (دفترچه):هر Notebook یه پروژه‌ست. مثلاً «پایان‌نامه»، «تحلیل بازار»، یا «مطالعه زبان آلمانی».هر پروژه منبع‌های مخصوص خودش رو داره.Chat Area (محیط گفت‌وگو):این بخش جاییه که سؤال‌هات رو می‌پرسی و مدل با استناد به منابعت جواب می‌ده.مثلاً می‌نویسه: “این نکته از صفحه ۳ مقاله فلان برداشت شده.”💡 فرقش با ChatGPT و Notion AI چیه؟خیلی خلاصه بگم:ویژگیChatGPTNotion AINotebook LMمنبع دادهاینترنت و داده عمومیداده‌های درون workspaceفایل‌ها و منابعی که خودت دادیتمرکز اصلیگفت‌وگو و تولید متن آزادخلاصه‌سازی نوت‌هاتحلیل دقیق داده‌های شخصیدقت اطلاعاتمتغیرخوب ولی عمومیبسیار دقیق و مستند به منبعیعنی اگه به ChatGPT بگی “این مقاله دربارهٔ چیه؟” یه جواب کلی می‌گیری،ولی Notebook LM دقیقاً از خود همون مقاله استخراج می‌کنه و حتی منبع رو بهت نشون می‌ده.🔍 مثال واقعیفرض کن یه مقاله از Google Scholar داری با عنوان“Digital Marketing Trends 2024”اون رو می‌دی به Notebook LM و می‌پرسی:«این مقاله دربارهٔ چیه؟ خلاصه‌ش رو در چند جمله بگو.»📊 جواب Notebook LM ممکنه این باشه:مقاله دربارهٔ روندهای جدید بازاریابی دیجیتاله؛ ازجمله رشد هوش مصنوعی در تولید محتوا، افزایش ویدیوهای کوتاه و تمرکز بر شخصی‌سازی تبلیغات.در حالی که اگه همین سؤال رو از Notion AI یا ChatGPT بپرسی، معمولاً یه جواب عمومی‌تر می‌دن.تفاوتش واضحه: Notebook LM فقط از داده‌ای حرف می‌زنه که تو بهش دادی.🎓 چرا Notebook LM مهمه؟چون بالاخره یه ابزار داریم که «یاد می‌گیره از خودت».نه از اینترنت، نه از دیتابیس‌های غریبه.یعنی می‌تونی با خیال راحت مقاله، گزارش یا حتی نوت‌های جلسات کاری‌ت رو بهش بسپریو بعد باهاش گفت‌وگو کنی، سؤال بپرسی، خلاصه بگیری یا حتی پادکست بسازی.🧠 تمرین ساده برای امروزبرو به Google Scholarیه مقاله انتخاب کن دربارهٔ موضوعی که بهش علاقه داری — مثلاً Artificial Intelligence in Education.سپس:مقاله رو دانلود کن.در Notebook LM آپلودش کن.از مدل بپرس:«این متن دربارهٔ چیه و نویسنده دنبال جواب به چه سؤالی بوده؟»حالا خروجی رو با یه خلاصه‌ساز معمولی (مثلاً ChatGPT یا Notion AI) مقایسه کن.احتمالاً تفاوت دقت و تمرکز رو فوراً حس می‌کنی.✍️ جمع‌بندیNotebook LM در واقع یه «دستیار فکری شخصی»ه؛یه هوش مصنوعی که فقط از دانش خودت استفاده می‌کنه.پس هر چی منابع باکیفیت‌تر بهش بدی، خروجی دقیق‌تر و هوشمندتری می‌گیری.📌 پیشنهاد من:در قسمت بعد، می‌ریم سراغ ساخت اولین Notebook و کار با محیط واقعی — قدم‌به‌قدم و با مثال.اگه از این مطلب لذت بردی، دنبال کن تا درس دوم رو از دست ندی 😉https://youtu.be/zi2sZdeD0T8?si=MRXTKCw2se9EA3fI میلاد میرزاخانی میلاد میرزاخانی Mon, 27 Oct 2025 01:35:02 +0330 https://virgool.io/@miladmirza75/%D9%88%D9%82%D8%AA%DB%8C-%D8%AD%D8%A8%D8%A7%D8%A8-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%A8%D8%AA%D8%B1%DA%A9%D8%AF-%D9%87%D9%85%D9%87-%D8%A2%D8%B3%DB%8C%D8%A8-%D9%85%DB%8C-%D8%A8%DB%8C%D9%86%DB%8C%D9%85-%E2%80%94-%D8%B4%D8%A7%DB%8C%D8%AF-%D8%A7%DB%8C%D9%86-%D8%A8%D9%87%D8%AA%D8%B1-%D8%A8%D8%A7%D8%B4%D8%AF-%D8%A7%D8%B2-%D8%A7%DB%8C%D9%86%DA%A9%D9%87-%D8%A8%DB%8C-%D9%85%D9%87%D8%A7%D8%B1-%D8%B1%D8%B4%D8%AF-%DA%A9%D9%86%D8%AF-nfcuzdm1vte4 ادواردو پورتر | ۲۳ اکتبر ۲۰۲۵اگر هوش مصنوعی جای بسیاری از شغل‌ها را بگیرد، مردم چطور باید امرار معاش کنند؟عکس از اسکار وونگ / Getty Imagesاقتصاد جهانی این روزها بر شانه‌های هوش مصنوعی استوار است — و به‌نظر می‌رسد در هر دو حالت، چه این پروژه موفق شود و چه فروبپاشد، سرنوشت ما چندان روشن نیست.رشد اشتغال متوقف شده، دستمزدها در حال کاهش‌اند، نرخ بدهی و ورشکستگی بالا رفته و اعتماد مصرف‌کنندگان سقوط کرده است. در این میان سیاست‌های بی‌پروا نیز اوضاع را بدتر کرده‌اند: جنگ تجاری دونالد ترامپ بازار چین را به روی کشاورزان آمریکایی بسته و دسترسی کارخانه‌ها به مواد حیاتی مانند آهن‌رباهای خاکی کمیاب را مختل کرده است. محدودیت‌های مهاجرتی او کمبود نیروی کار در کشاورزی و سلامت را تشدید کرده و تعطیلی طولانی دولت در حال ضربه زدن به رشد اقتصادی است.اما در دل این تاریکی، یک نیروی عجیب همچنان موتور اقتصاد را روشن نگه داشته: انفجار سرمایه‌گذاری در هوش مصنوعی. سرمایه‌گذاری‌های نجومی چند شرکت بزرگ فناوری، تنها دلیلی است که هنوز رشد اقتصادی به صفر نرسیده؛ بورس را زنده نگه داشته و مصرف‌کنندگان را سرِ پا.اما این رونق تا کی دوام دارد؟ پیش‌بینی زمان ترکیدن حباب‌ها همیشه بی‌فایده بوده، ولی نشانه‌ها هشدار می‌دهند: بازار در تعادل خطرناکی است و هر نتیجه‌ای که رقم بخورد، احتمالاً همه را به دردسر می‌اندازد.اگر رونق هوش مصنوعی واقعاً یک حباب باشد، ترکیدن آن می‌تواند ثروت جهانی را در چند روز دود کند. «گیتا گوپینات» اقتصاددان سابق صندوق بین‌المللی پول برآورد کرده که سقوطی مشابه ترکیدن حباب دات‌کام در آغاز قرن، می‌تواند ۲۰ تریلیون دلار از ثروت خانوارهای آمریکایی و ۱۵ تریلیون دلار از دارایی‌های سایر کشورها را نابود کند.اما اگر برعکس، رویا فرو نریزد چه؟ اگر پیشرفت‌ها واقعاً به بار بنشینند و غول‌های فناوری مثل Nvidia و Alphabet سودهای خارق‌العاده‌ای ثبت کنند، آن‌وقت چه جهانی خواهیم داشت؟از نظر اقتصادی، افزایش بهره‌وری همیشه چیز خوبی بوده است — همان عاملی که سطح زندگی را بالا برده. فناوری‌های جدید همیشه عده‌ای را کنار زده‌اند: از کشاورزانی که با تراکتور جایگزین شدند تا منشی‌هایی که کامپیوتر کارشان را گرفت. با این حال، در نهایت بیشتر کارگران با یادگیری مهارت‌های تازه، درآمد بالاتری به دست آورده‌اند.اما هوش مصنوعی فرق دارد. هدفش فقط جایگزینی برخی کارها نیست؛ می‌خواهد خودِ انسان را تکرار کند — و بهتر از او. این یعنی بازار کار دیگر فرصتی برای سازگاری باقی نمی‌گذارد. اگر همه‌چیز را ماشین‌ها بهتر انجام دهند، مردم چطور باید معاش خود را تأمین کنند؟ممکن است راه‌حل، بازتوزیع ثروت باشد، اما همان‌طور که «اریک براینیولفسون» از دانشگاه استنفورد هشدار داده، چنین وضعی ثروت و قدرت را در دستان گروه کوچکی متمرکز می‌کند. بیشتر مردم در وضعیتی گرفتار می‌شوند که هیچ راهی برای بهبود زندگی‌شان ندارند؛ بردگانی مدرن، وابسته به تصمیم صاحبان فناوری.شاید بهتر باشد امیدوار باشیم این انقلاب به حبابی کوتاه‌عمر تبدیل شود و در نهایت بترکد. سقوط دردناک خواهد بود و رکود به‌دنبال دارد، اما از دل خرابه‌هایش شاید بتوان آینده‌ای انسانی‌تر ساخت.در تاریخ، هر سقوطی چیزهایی ارزشمند بر جای گذاشته است. پس از ترکیدن حباب دات‌کام، زیرساخت اینترنتی امروز ساخته شد. پس از سقوط سرمایه‌گذاری‌های ریلی در قرن نوزدهم، انگلستان ماند با هزاران کیلومتر خط‌آهن که بعدها پایه رشد شد.شاید ترکیدن حباب هوش مصنوعی نیز مسیر را باز کند تا از رؤیای ساخت «ابرهوش جایگزین انسان» فاصله بگیریم و به ساخت فناوری‌هایی برگردیم که به انسان کمک کنند، نه جای او را بگیرند. مثلاً هوش مصنوعی می‌تواند پرستاران را به مهارت‌هایی مجهز کند که روزی فقط پزشکان داشتند، یا راه‌های تازه‌ای برای درمان بیماری‌ها بیابد.شاید لازم باشد حباب بترکد تا بفهمیم هدف واقعی فناوری، جایگزینی انسان نیست — بلکه توانمندسازی اوست.https://www.theguardian.com/technology/2025/oct/23/ai-bubble-economy-workers-wage-growth میلاد میرزاخانی میلاد میرزاخانی Sat, 25 Oct 2025 10:43:17 +0330 https://virgool.io/newdima/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%85%D9%88%D9%84%D8%AF-%D9%85%DB%8C-%D8%AA%D9%88%D8%A7%D9%86%D8%AF-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%B1%D9%87%D8%A8%D8%B1%D8%A7%D9%86-%D8%B2%D9%85%D8%A7%D9%86-%D8%A8%DB%8C%D8%B4%D8%AA%D8%B1%DB%8C-%D8%A8%D8%B3%D8%A7%D8%B2%D8%AF-ib6okxdfscwq بحران اعتماد و درگیری شغلی در سازمان‌هارهبران امروز با بحرانی جدی روبه‌رو هستند: کاهش مشارکت کارکنان و افت اعتماد به مدیران.طبق گزارش Gallup، سطح درگیری کارکنان در آمریکا در سال ۲۰۲۴ به پایین‌ترین حد ده‌ساله‌ی خود رسیده و تنها ۳۱٪ از کارکنان واقعاً در کارشان درگیرند؛ در حالی که ۱۷٪ کاملاً بی‌انگیزه و منفعل‌اند.در گزارش شاخص اعتماد ادلمن (Edelman Trust Barometer) برای سال ۲۰۲۵ نیز آمده است که تنها ۷۵٪ از کارکنان در جهان به کارفرمایان خود اعتماد دارند—سه درصد کمتر از سال قبل.این روندها فشار زیادی روی رهبران وارد کرده تا بیش از هر زمان دیگری بر مهارت‌های انسانی تمرکز کنند؛ مهارت‌هایی مانند خودآگاهی، ارتباط شفاف، همدلی و شفقت.اما مطالعه‌ای از بیش از ۳۰۰ رهبر که به‌زودی منتشر می‌شود، نشان داده فقط ۱۶٪ از آن‌ها واقعاً از این ویژگی‌های انسانی برخوردارند—ویژگی‌هایی که باعث افزایش اعتماد، وفاداری و عملکرد تیمی می‌شود.تفاوت میان رهبران انسانی و غیرانسانی چشم‌گیر است:کارکنانِ رهبرانی که در این مهارت‌ها ضعیف‌اند، ۴۹٪ اعتماد کمتر، ۳۹٪ تعهد سازمانی پایین‌تر و ۵۹٪ تمایل بیشتر به ترک سازمان دارند.در مقابل، رهبرانی که در این مهارت‌ها قوی‌اند، محیط کاری‌ای می‌سازند که در آن اعتماد ۹۷٪ بیشتر، تعهد ۶۵٪ بیشتر و تمایل به استعفا ۳۷٪ کمتر است.هوش مصنوعی؛ تهدید یا فرصت؟با اینکه ورود هوش مصنوعی به محیط کار ترس از تغییر و بی‌ثباتی را افزایش داده، اما در عین حال فرصتی تازه برای تقویت مهارت‌های انسانی در رهبری فراهم کرده است.در همکاری ما با شرکت‌هایی مانند IBM، دیدیم که سازمان‌ها می‌توانند از AI نه برای جایگزین کردن انسان، بلکه برای آزاد کردن زمان رهبران استفاده کنند تا آن‌ها بتوانند روی مهم‌ترین بخش کارشان تمرکز کنند: انسان‌ها.IBM یکی از نمونه‌های موفق این رویکرد است.این شرکت نه‌تنها از AI برای افزایش بهره‌وری استفاده می‌کند، بلکه هدفش را بر این گذاشته که رهبرانش بتوانند بیشتر با افرادشان در ارتباط باشند.سه گام کلیدی که IBM و شرکت‌های پیشرو دنبال می‌کنند چنین است:بازتعریف هدف AI از صرفه‌جویی در زمان به ایجاد فرصت برای رهبری انسانیاستفاده از زمان آزادشده برای رشد مهارت‌های نرم و انسانی رهبرانبه‌کارگیری AI به‌عنوان یک مربی یا همراه برای توسعه‌ی رهبریبیایید ببینیم این سه گام در عمل چطور اجرا می‌شوند.۱. بازتعریف رویکرد صرفه‌جویی در زمانسفر IBM با هوش مصنوعی در حوزه منابع انسانی، از ساده‌سازی فرایندها شروع شد.یکی از اولین پروژه‌ها، اتوماسیون روند ارتقا شغلی بود — فرایندی که معمولاً ساعت‌ها وقت رهبران را صرف جمع‌آوری اطلاعات و پر کردن فرم‌ها می‌کرد.اما پیش از شروع کار، یکی از مدیران جمله‌ای گفت که مسیر پروژه را تغییر داد:«هر دقیقه‌ای که صرف این کارهای اداری می‌کنم، دقیقه‌ای است که نمی‌توانم کنار تیمم باشم.»از همین‌جا تمرکز تیم HR تغییر کرد — از صرفه‌جویی در زمان به استفاده‌ی بهتر از زمان.نیکل لامورو (Nickle LaMoreaux)، معاون ارشد منابع انسانی IBM، توضیح می‌دهد:«آیا می‌خواهم مدیران وقتشان را صرف وارد کردن داده کنند یا ترجیح می‌دهم آن زمان را صرف گفت‌وگوی رودررو با کارمندشان کنند تا بدانند چرا ارتقا گرفته یا نگرفته و چه مسیر رشدی پیش رو دارد؟»نتیجه این شد که با استفاده از دستیار هوشمند AskHR، مدیران می‌توانند کارهای اداری مثل ارتقا یا انتقال کارمند را ۷۵٪ سریع‌تر انجام دهند — و زمان صرفه‌جویی‌شده را به گفت‌وگوهای انسانی اختصاص دهند.۲. استفاده از زمان آزاد برای رشد مهارت‌های انسانیدر بسیاری از شرکت‌ها، درباره‌ی اهمیت مهارت‌های نرم (Soft Skills) زیاد صحبت می‌شود، اما کمتر پیش می‌آید که برای آموزششان اقدامی جدی شود.اکنون، با تغییر ماهیت کار به‌واسطه‌ی AI، این مهارت‌ها از همیشه حیاتی‌تر شده‌اند.IBM تصمیم گرفته مهارت‌های انسانی را به معیار رسمی عملکرد رهبران تبدیل کند.در ارزیابی‌های سالانه، رهبران نه‌فقط بر اساس نتایج کسب‌وکار، بلکه بر اساس رفتارهای رهبری هم سنجیده می‌شوند — شامل سه محور:افراد، اجرا، و استراتژی.در بخش «افراد»، تأکید بر رهبری اصیل و همدلانه است: الهام دادن، گوش دادن، اعتمادسازی و ایجاد حس تعلق.برای نمونه، وقتی با کمک AI فرایند ارزیابی عملکرد ساده‌تر شد، از مدیران خواسته شد زمان آزادشده را صرف گفت‌وگو با کارکنانی کنند که ارتقا نگرفته‌اند و درباره مسیر پیشرفتشان صحبت کنند.در سال ۲۰۲۴، بیش از ۷۰٪ مدیران ارشد IBM بازخورد ۳۶۰ درجه دریافت کردند تا آگاهی‌شان از نقاط قوت و ضعف انسانی‌شان افزایش یابد.همچنین برنامه‌های آموزشی جدیدی ایجاد شد، مثل ماژول آنلاین«رهبری در عصر هوش مصنوعی مولد»که به همه‌ی مدیران یاد می‌دهد چطور در محیطی مجهز به AI، انسانی‌تر و مؤثرتر باشند.۳. استفاده از AI به‌عنوان مربی رهبریشاید عجیب به نظر برسد، اما تجربه‌ی سه‌ساله‌ی ما نشان داده هوش مصنوعی می‌تواند به رهبران کمک کند انسانی‌تر باشند.AI می‌تواند در نقش یک «مربی دیجیتال» عمل کند — از تمرین گفت‌وگوهای دشوار گرفته تا پیشنهاد نحوه‌ی بازخورد دادن یا درک بهتر رفتار انسان‌ها.اما یک نکته‌ی مهم وجود دارد:نباید رابطه‌ی انسانی را خودکارسازی کرد.رهبران موفق از AI برای آماده شدن و درک بهتر موقعیت‌ها استفاده می‌کنند، نه برای تقلید کورکورانه از پاسخ‌های ربات.لامورو در این‌باره می‌گوید:«همیشه باید یک انسان در حلقه باشد. هدف این نیست که کامل به نظر برسیم، بلکه این است که واقعی، شفاف و متصل باشیم.»در IBM، از رهبران خواسته شده از AI برای بازاندیشی در سبک رهبری خود، شناخت سوگیری‌ها و تمرین گفت‌وگوهای دشوار استفاده کنند — بدون اینکه اصالت و صداقت انسانی‌شان را از دست بدهند.نتیجه‌گیریهنوز زود است درباره‌ی اثر نهایی این تغییرات قضاوت کنیم،اما یک چیز روشن است:IBM روی قدرت رهبری انسانی در عصر هوش مصنوعی سرمایه‌گذاری کرده است.به‌جای اینکه از AI بترسد، آن را ابزاری می‌داند برای آزاد کردن وقت رهبران تا بتوانند واقعاً رهبر باشند، نه مدیر وظایف.لامورو می‌گوید:«ما هنوز همه‌چیز را درباره‌ی رهبری در عصر AI نمی‌دانیم، اما یک چیز مسلم است: نوع تازه‌ای از رهبران لازم است — رهبرانی انسان‌محور.»در نهایت، هر سازمانی—صرف‌نظر از اندازه یا صنعت—می‌تواند از این الگو الهام بگیرد:سرمایه‌گذاری در تکنولوژی و انسان به‌صورت هم‌زمان، راز موفقیت در عصر جدید رهبری است.https://hbr.org/2025/10/how-gen-ai-can-create-more-time-for-leadership?ab=HP-latest-image-4 میلاد میرزاخانی میلاد میرزاخانی Wed, 22 Oct 2025 13:37:05 +0330 https://virgool.io/@miladmirza75/%D8%A7%D8%B3%D8%AA%D9%82%D8%B1%D8%A7%D8%B1-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%B9%D8%A7%D9%85%D9%84%DB%8C-%D8%A8%D8%A7-%D8%A7%DB%8C%D9%85%D9%86%DB%8C-%D9%88-%D8%A7%D9%85%D9%86%DB%8C%D8%AA-bzucp5xyxy0g راهنمای رهبران فناوریهوش مصنوعی در حال ورود به مرحله‌ای تازه است — مرحله‌ای که در آن ماشین‌ها دیگر فقط ابزار نیستند، بلکه «عامل»‌هایی می‌شوند که خودشان تصمیم می‌گیرند، یاد می‌گیرند و برای رسیدن به هدف، مسیر را تغییر می‌دهند. به این شکل از هوش مصنوعی، Agentic AI یا «هوش مصنوعی عاملی» می‌گویند.این تحول می‌تواند انقلابی در بهره‌وری، نوآوری و سرعت تصمیم‌گیری ایجاد کند. اما در عین حال، اگر ایمنی و امنیت در طراحی و پیاده‌سازی آن جدی گرفته نشود، می‌تواند خطرناک‌ترین چالش دنیای فناوری باشد.چرا Agentic AI اهمیت دارد؟در سال‌های اخیر، سیستم‌های هوش مصنوعی از ابزارهای ساده‌ی پاسخ‌گو (مثل چت‌بات‌ها) به عامل‌های مستقل تبدیل شده‌اند — عامل‌هایی که می‌توانند اهداف را تعیین کنند، وظایف را تقسیم کنند، از دیگر عامل‌ها کمک بگیرند و بدون نظارت دائم انسان، اقدام انجام دهند.گزارش مک‌کینزی نشان می‌دهد که چنین سیستم‌هایی می‌توانند سالانه بین ۲.۶ تا ۴.۴ تریلیون دلار ارزش اقتصادی جدید ایجاد کنند. با این حال، فقط حدود ۱٪ از سازمان‌ها معتقدند که در مسیر بلوغ استفاده از هوش مصنوعی قرار دارند.این یعنی فرصت بزرگ وجود دارد، اما آمادگی سازمان‌ها بسیار پایین است.ریسک‌های جدید در عصر عامل‌هاهوش مصنوعی عاملی همان‌قدر که قدرتمند است، خطرناک هم هست. چند ریسک کلیدی که مک‌کینزی به آن اشاره می‌کند عبارت‌اند از:زنجیره‌ای شدن خطاها: یک اشتباه در تصمیم‌گیری یک عامل، می‌تواند به سایر عامل‌ها منتقل شود و یک اختلال بزرگ ایجاد کند.سوءاستفاده از اعتماد میان عامل‌ها: اگر یکی از عامل‌ها آلوده شود، ممکن است از روابط اعتماد میان سایر عامل‌ها برای نفوذ عمیق‌تر استفاده کند.جعل هویت عامل: هکرها می‌توانند عامل‌های جعلی بسازند تا به داده‌ها یا سیستم‌ها دسترسی پیدا کنند.نشت داده‌ی غیرقابل‌ردیابی: عامل‌ها ممکن است داده‌ها را میان خودشان ردوبدل کنند بدون اینکه نظارتی بر این تبادل وجود داشته باشد.آلودگی داده‌ها: ورودی‌های اشتباه یا داده‌های مغشوش می‌توانند تصمیم‌های کل سیستم را منحرف کنند.این تهدیدها واقعی‌اند. اما راه‌حل، توقف پیشرفت نیست؛ بلکه طراحی امن و هوشمندانه از همان ابتداست.سه مرحله برای ایمنی در Agentic AIرهبران فناوری باید استقرار عامل‌ها را در سه مرحله‌ی اصلی مدیریت کنند:۱. پیش از استقرارسیاست‌های هوش مصنوعی را بازنگری کنید تا شامل سیستم‌های عاملی هم بشود.چارچوب‌های امنیتی مثل NIST و ISO را برای دنیای عامل‌ها به‌روزرسانی کنید.ساختار حاکمیت (Governance) روشنی تعریف کنید: چه کسی مسئول است؟ چه کسی نظارت می‌کند؟ چه کسی پاسخ‌گوست؟۲. هنگام استقراراطمینان حاصل کنید که ارتباط میان عامل‌ها احراز هویت و ثبت‌شده (logged) باشد.مدیریت دسترسی (Access Control) را برای عامل‌ها هم مثل انسان‌ها اجرا کنید.ورودی و خروجی‌ها را محدود کنید تا از رفتار ناامن جلوگیری شود.تمامی فعالیت‌های عامل‌ها را ثبت و پایش کنید تا در صورت بروز مشکل، علت مشخص باشد.۳. بعد از استقرارسناریوهای اضطراری طراحی کنید: اگر عامل از کنترل خارج شد، بتوان آن را موقتاً متوقف یا جدا کرد.داده‌ها و عملکرد عامل‌ها را به‌صورت دوره‌ای بررسی کنید.از بازخوردهای واقعی کاربران برای اصلاح رفتار عامل‌ها استفاده کنید.آینده‌ای که سریع‌تر از تصور می‌رسدبه گفته‌ی مک‌کینزی، آنچه امروز با Agentic AI می‌بینیم، فقط شروع مسیر است.در آینده‌ی نزدیک، عامل‌ها از دنیای دیجیتال فراتر می‌روند و در دنیای فیزیکی هم حضور خواهند داشت — از ربات‌های مستقل تا کارخانه‌های خودگردان و حتی تصمیم‌گیرندگان مالی خودکار.در چنین دنیایی، هر اشتباه کوچک می‌تواند تأثیری بزرگ داشته باشد.بنابراین، رهبران فناوری باید از امروز به فکر ساختن زیرساخت‌های ایمن، مقاوم و قابل‌کنترل برای عامل‌ها باشند.جمع‌بندیهوش مصنوعی عاملی، فرصتی تاریخی برای بشر است تا از هوش مصنوعی نه فقط به‌عنوان ابزار، بلکه به‌عنوان «همکار» استفاده کند.اما همان‌طور که مک‌کینزی هشدار می‌دهد، بدون چارچوب‌های ایمنی، شفافیت و پاسخگویی، این فرصت می‌تواند به بحران تبدیل شود.زمان آن رسیده است که رهبران فناوری با ترکیب نوآوری و احتیاط، هوش مصنوعی را در مسیری ایمن و قابل‌اعتماد به کار بگیرند.https://www.mckinsey.com/capabilities/risk-and-resilience/our-insights/deploying-agentic-ai-with-safety-and-security-a-playbook-for-technology-leaders?utm_source=chatgpt.com میلاد میرزاخانی میلاد میرزاخانی Sat, 18 Oct 2025 15:24:58 +0330 https://virgool.io/@miladmirza75/%F0%9F%92%A1-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D8%AD%D8%A7%D9%84-%D8%AA%D8%BA%DB%8C%DB%8C%D8%B1-%D8%B3%D8%A7%D8%AE%D8%AA%D8%A7%D8%B1-%D8%B4%D8%B1%DA%A9%D8%AA-%D9%87%D8%A7%DB%8C-%D9%85%D8%B4%D8%A7%D9%88%D8%B1%D9%87-%D8%A7%DB%8C-%D8%A7%D8%B3%D8%AA-ghlgsrpadzbi مقدمهبحث درباره‌ی تأثیر هوش مصنوعی بر صنعت مشاوره معمولاً بین دو دیدگاه افراطی در نوسان است: برخی معتقدند هوش مصنوعی مشاوران را منقرض می‌کند، در حالی‌ که گروهی دیگر بر این باورند که آن را حیاتی‌تر از همیشه می‌سازد. اما حقیقت، پیچیده‌تر و مهم‌تر از این دو دیدگاه است: مشاوره از بین نمی‌رود؛ بلکه به‌طور بنیادین در حال بازتعریف شدن است.🔺 مدل هرمی سنتی در حال فروپاشی استدهه‌هاست که شرکت‌های مشاوره‌ای بر پایه‌ی یک مدل «هرمی» عمل می‌کنند:در پایین هرم، تعداد زیادی مشاور جوان مسئول پژوهش، مدل‌سازی و تحلیل داده‌اند؛ و در رأس، تعداد محدودی رهبر ارشد که استراتژی می‌سازند و با مشتریان کلیدی ارتباط دارند. این ساختار نه‌تنها هویت حرفه‌ی مشاوره را تعریف کرده بلکه اقتصاد آن را هم ساخته است.اما با ورود هوش مصنوعی، این مدل در حال تغییر اساسی است. ابزارهای هوش مصنوعی مولد، الگوریتم‌های پیش‌بینی و پلتفرم‌های پژوهش مصنوعی، وظایفی را که پیش‌تر بر دوش مشاوران جوان بود، به سرعت و با هزینه‌ی کمتر انجام می‌دهند.امروز شرکت‌های مشاوره در دو راهی‌اند:یا باید مدل کاری خود را بازآفرینی کنند، یا در معرض بی‌اهمیت شدن قرار گیرند.🤖 نمونه‌هایی از تغییرشرکت‌هایی مثل مک‌کینزی با دستیار هوش مصنوعی خود به نام Lilli توانسته‌اند تا ۳۰٪ زمان پژوهش و ترکیب داده‌ها را کاهش دهند.گروه مشاوره‌ی بوستون از ابزاری به نام Deckster برای ساخت اسلایدها در چند دقیقه استفاده می‌کند.شرکت بین Bain از Sage، یک همکار هوش مصنوعی که با دانش داخلی آن آموزش دیده، بهره می‌برد.حتی شرکت‌هایی مثل Deloitte و PwC نیز از «عامل‌های هوش مصنوعی» برای انجام کارهای داخلی و تعامل با مشتری استفاده می‌کنند.این فناوری‌ها عملاً کارهایی را انجام می‌دهند که زمانی نیاز به تیم‌های بزرگ مشاوران تازه‌کار داشت.وقتی چنین بخش بزرگی از کار اتوماسیون شود، هرم سنتی از درون فرو می‌ریزد.🧱 ظهور مدل جدید: «اُبلیسک مشاوره‌ای»مدلی که در حال جایگزینی است، به‌جای هرم، شکلی مانند اُبلیسک (ستون باریک و بلند) دارد — تیم‌هایی کوچک‌تر، لایه‌های کمتر و تمرکز بر تخصص، نه بر تعداد نیروها.این مدل سه نقش کلیدی انسانی دارد:تسهیل‌گران هوش مصنوعی (AI Facilitators):مشاوران جوانی هستند که در ابزارهای هوش مصنوعی و جریان‌های داده مهارت دارند. آن‌ها طراحی و بهینه‌سازی فرایندهای مبتنی بر AI را بر عهده دارند.معماران پروژه (Engagement Architects):مشاوران باتجربه‌ای که پروژه‌ها را هدایت می‌کنند، داده‌های خروجی هوش مصنوعی را تفسیر کرده و به راهکارهای عملی تبدیل می‌کنند.رهبران مشتری (Client Leaders):کسانی که روابط بلندمدت با مدیران ارشد مشتری را حفظ می‌کنند، تغییرات را تبیین می‌کنند و راهنمایی استراتژیک ارائه می‌دهند.این سه نقش، چرخه‌ای طبیعی از رشد استعداد ایجاد می‌کنند که حتی در عصر هوش مصنوعی نیز قابل حفظ است.در مدل اُبلیسک، تمرکز بر عمق بینش و سرعت عمل است، نه بر وسعت نیروی انسانی.هدف این است که انرژی انسانی صرف بینش، قضاوت و خلاقیت شود.🌐 ظهور شرکت‌های مشاوره‌ای AI-nativeشرکت‌های کوچک و تازه‌تأسیس زیادی ظهور کرده‌اند که از ابتدا بر پایه‌ی هوش مصنوعی طراحی شده‌اند، از جمله:Monevate: در زمینه‌ی استراتژی قیمت‌گذاری با استفاده از مدل‌ها و ابزارهای هوش مصنوعی فعالیت می‌کند، بدون نیاز به لایه‌ی سنتی تحلیل‌گران.SIB: با استفاده از عامل‌های هوش مصنوعی، فاکتورها و قراردادهای مشتری را برای یافتن فرصت‌های صرفه‌جویی اسکن می‌کند.Unity Advisory: با ۳۰۰ میلیون دلار سرمایه‌ی خصوصی، ساختار خود را کاملاً حول محور تیم‌های چابک و ابزارهای اختصاصی AI طراحی کرده است — بدون هرم سنتی، بدون ساختار سنگین، و با تمرکز بر سرعت و کیفیت.در این شرکت‌ها، پروژه‌ها به‌جای ماه‌ها، در چند هفته به نتیجه می‌رسند و تیم‌ها اغلب کوچک اما بسیار متخصص هستند.🧭 چرا شرکت‌های سنتی مقاومت می‌کنند؟مثل هر تحول بزرگ دیگر، شرکت‌های سنتی به‌سختی تغییر می‌کنند.مدل هرمی، فرهنگ، درآمد، ساختار ترفیع، مدل حقوق و حتی تعریف «مشاوره‌ی خوب» را شکل داده است.در نتیجه، تغییر ساختار به سمت تیم‌های کوچک و خودکار، برای بسیاری تهدیدی وجودی به نظر می‌رسد.بسیاری از شرکت‌ها فقط «آزمایشگاه‌های هوش مصنوعی» راه‌اندازی می‌کنند یا چند ابزار را اضافه می‌کنند، اما هنوز بخش اصلی کارشان همان تیم‌های بزرگ است.در واقع، هوش مصنوعی را به مدل قدیمی می‌چسبانند، به‌جای آنکه مدل را از ابتدا بازطراحی کنند.🎓 تغییر در استعدادها و آموزشمدل جدید، دیگر به صدها فارغ‌التحصیل MBA نیاز ندارد.به جای آن، به گروه‌های کوچک و متخصص در داده، سیستم‌ها و ابزارهای هوش مصنوعی نیاز دارد.شرکت‌هایی مانند PwC بیش از یک میلیارد دلار در آموزش AI سرمایه‌گذاری کرده‌اند، اما تغییر فرهنگ سازمانی زمان‌بر است.⚖️ پیامدها و حاکمیت اخلاقیبا کاهش لایه‌های مدیریتی، کنترل کیفیت و مسئولیت‌پذیری نیز باید بازتعریف شوند.در مدل اُبلیسک، تصمیمات سریع‌تر گرفته می‌شوند و هوش مصنوعی نقش پررنگ‌تری دارد. بنابراین باید حکمرانی اخلاقی و شفافیت در تصمیم‌گیری نهادینه شود.جفری ساویانو (یکی از نویسندگان مقاله و پژوهشگر در مرکز اخلاق دانشگاه هاروارد) تأکید می‌کند که رهبران باید خودشان مسئول حکمرانی اخلاقی AI باشند، نه این‌که منتظر قوانین دولتی بمانند.او می‌گوید باید اصول اخلاقی را در دل جریان کار قرار داد، نه اینکه فقط در پایان پروژه بررسی کرد.🚀 نتیجه‌گیریصنعت مشاوره در آستانه‌ی تغییر نسلی است.شرکت‌هایی که همچنان به مدل سنتی متکی باشند، کندتر، گران‌تر و بی‌ربط‌تر خواهند شد.در مقابل، آن‌هایی که زودتر تحول را بپذیرند، می‌توانند به سازمان‌هایی هوشمندتر، سریع‌تر و مشتری‌محورتر تبدیل شوند.برندگان آینده، کسانی هستند که همین حالا اقدام کنند — پیش از آن‌که دیگری جای آن‌ها را بگیرد.https://hbr.org/2025/09/ai-is-changing-the-structure-of-consulting-firms میلاد میرزاخانی میلاد میرزاخانی Sat, 11 Oct 2025 09:25:36 +0330 https://virgool.io/@miladmirza75/%DA%A9%D8%A7%D8%B1%D9%87%D8%A7%DB%8C-%D8%AA%D9%88%D9%84%DB%8C%D8%AF%D8%B4%D8%AF%D9%87-%D8%A8%D8%A7-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%DA%86%D8%B7%D9%88%D8%B1-%D8%A8%D9%87%D8%B1%D9%87-%D9%88%D8%B1%DB%8C-%D8%B1%D8%A7-%D8%A7%D8%B2-%D8%A8%DB%8C%D9%86-%D9%85%DB%8C-%D8%A8%D8%B1%D9%86%D8%AF-mrtjwra2mmtz در شرکت‌هایی که به سرعت سراغ استفاده از ابزارهای هوش مصنوعی رفته‌اند، اتفاق عجیبی در حال رخ دادن است:کارمندان از این فناوری استفاده می‌کنند، اما نتیجه‌اش چیزی جز خستگی و اتلاف وقت نیست.تحقیقات نشان می‌دهد تعداد شرکت‌هایی که فرایندهای کاری‌شان را به‌صورت کامل به هوش مصنوعی سپرده‌اند، تقریباً دو برابر شده است.اما طبق گزارش MIT Media Lab، ۹۵٪ از این شرکت‌ها هیچ بازده واقعی یا سود ملموسی از این سرمایه‌گذاری‌ها ندیده‌اند.چطور ممکن است این همه شور و هیجان، اما بدون نتیجه؟پدیده‌ای به نام «کارشلپ» (Workslop)تیمی از پژوهشگران استنفورد و BetterUp Labs متوجه شدند که مشکل از جایی دیگر است:کارمندان از هوش مصنوعی برای تولید کارهایی استفاده می‌کنند که در ظاهر عالی‌اند — اما در واقع ناقص، بی‌فایده یا حتی گمراه‌کننده‌اند.این نوع کارها را «Workslop» می‌نامند؛ یعنی خروجی‌های تولیدشده با هوش مصنوعی که فقط ظاهر خوبی دارند ولی ارزش واقعی ندارند.پدیده‌ی کارشلپ (Workslop): خروجی‌های بی‌کیفیت و سطحی تولیدشده با هوش مصنوعیبه زبان ساده‌تر: کارهای سطحی، سریع و پرزرق‌وبرق که نهایتاً باید بقیه دوباره انجامشان دهند.چرا این اتفاق می‌افتد؟ابزارهای هوش مصنوعی به کارمندان اجازه می‌دهند به سرعت گزارش‌های زیبا، خلاصه‌های طولانی یا حتی کدهای آماده تولید کنند.اما همه از این قابلیت درست استفاده نمی‌کنند.برخی به جای فکر کردن، صرفاً به AI تکیه می‌کنند و خروجی‌ای می‌فرستند که پر از خطاست یا ربطی به هدف پروژه ندارد.نتیجه؟کار آن‌ها را دیگران باید اصلاح کنند.یعنی بار فکری و زمانی از تولیدکننده به دریافت‌کننده منتقل می‌شود.تجربه‌ی دریافت Workslopحتماً تا حالا برایت پیش آمده که یک فایل یا گزارش از همکارت دریافت کنی و با خودت بگویی:«این دیگه چیه؟!» 😑باید حدس بزنی منظورش چی بوده، اشتباهات را درست کنی و در نهایت خودت کل کار را انجام بدهی.اگر این تجربه را داری، تو هم «Workslopped» شدی.آمار جالبدر یک نظرسنجی از ۱۱۵۰ کارمند آمریکایی:۴۰٪ گفتند در ماه گذشته حداقل یک بار کارشلپ دریافت کرده‌اند.به‌طور میانگین، ۱۵٪ از محتوای کاری دریافتی‌شان همین نوع خروجی‌های بی‌کیفیت بوده است.بیشترین موارد بین همکاران هم‌سطح رخ می‌دهد، اما گاهی مدیران هم برای تیمشان یا بالعکس، چنین چیزهایی می‌فرستند.این پدیده در صنعت فناوری و خدمات حرفه‌ای بیشتر دیده می‌شود.هزینه‌ی پنهان کارشلپتحلیل‌ها نشان داده هر مورد از کارشلپ به‌طور متوسط حدود ۲ ساعت زمان مفید کارکنان را تلف می‌کند.با در نظر گرفتن میانگین حقوق، این معادل حدود ۱۸۶ دلار در ماه به ازای هر کارمند است.در یک شرکت با ۱۰ هزار نفر، این یعنی بیش از ۹ میلیون دلار ضرر سالانه!اما فقط زمان از بین نمی‌رود — احساسات هم آسیب می‌بینند:۵۳٪ از افراد گفتند از دریافت کارشلپ ناراحت می‌شوند،۳۸٪ گیج می‌شوند،و ۲۲٪ حتی احساس توهین می‌کنند.تقریباً نیمی از دریافت‌کنندگان هم بعد از دیدن چنین کاری، فرستنده را کم‌خلاق‌تر و بی‌اعتمادتر تصور کرده‌اند.چرا این خطرناک است؟چون کارشلپ باعث از بین رفتن اعتماد در محیط کار می‌شود.وقتی کسی از هوش مصنوعی برای تحویل سریع و بی‌دقت استفاده کند، بقیه فکر می‌کنند او بی‌مسئولیت است.به مرور، همکاری تیمی تضعیف می‌شود و بهره‌وری پایین می‌آید — درست برخلاف هدف اولیه‌ی استفاده از AI.رهبران باید چه کنند؟مقاله پیشنهاد می‌کند مدیران سه کار کلیدی انجام دهند:۱. استفاده‌ی هدفمند از AI را یاد بدهنداستفاده‌ی «همه‌جا و همیشه» از AI اشتباه است.باید مشخص شود چه‌نوع کارهایی برای هوش مصنوعی مناسب‌اند و کجاها نه.۲. ذهنیت «خلبان» داشته باشند، نه «مسافر»افرادی که با هدف و اشتیاق از AI استفاده می‌کنند (خلبان‌ها)، خلاق‌تر و بهره‌ورترند.اما کسانی که فقط برای فرار از کار سراغ AI می‌روند (مسافران)، معمولاً باعث Workslop می‌شوند.۳. همکاری انسان و AI را تقویت کنندAI باید ابزار همکاری باشد، نه جایگزین تفکر.رهبران باید فرهنگ همکاری انسان‌ـ‌ماشین را ترویج دهند تا همه یاد بگیرند چطور با کمک هم و AI، نتیجه‌ی بهتر بگیرند.جمع‌بندیهوش مصنوعی قرار بود کارها را راحت‌تر کند، اما اگر بی‌هدف از آن استفاده شود، نتیجه برعکس می‌شود.«کارشلپ» شاید سریع و راحت به نظر برسد، اما در واقع هزینه‌ی زمانی، روانی و مالی زیادی به سازمان تحمیل می‌کند.برای جلوگیری از آن، مدیران باید استانداردهای روشنی تعیین کنند،کارکنان باید با آگاهی از AI استفاده کنند،و همه یاد بگیرند که فکر کردن هنوز هم مهم‌تر از تولید سریع است.منبع : Harvard Business Reviewhttps://hbr.org/2025/09/ai-generated-workslop-is-destroying-productivity میلاد میرزاخانی میلاد میرزاخانی Sat, 11 Oct 2025 09:19:39 +0330