از هوش مصنوعی عامل‌گرا تا داده‌های بدون ساختار؛ این روندهای هوش مصنوعی در سال ۲۰۲۵ شایسته توجه جدی رهبران هستند. دو کارشناس، داده‌های جدید و توصیه‌هایی ارائه می‌دهند.
این زمان از سال معمولاً به پیش‌بینی‌ها و تحلیل روندها اختصاص دارد. با توجه به اینکه علم داده و هوش مصنوعی به طور فزاینده‌ای برای اقتصاد جهانی اهمیت پیدا می‌کنند، ضروری است که رهبران به روندهای نوظهور در این حوزه توجه داشته باشند.
نکته جالب اینجاست که هیچ‌کس از هوش مصنوعی برای انجام این پیش‌بینی‌ها استفاده نمی‌کند، و ما نیز همین مسیر را دنبال خواهیم کرد. اما فهرستی از روندهای مهم هوش مصنوعی در سال ۲۰۲۵ را بر اساس آخرین تحقیقات ارائه می‌دهیم.
منابع تحقیق:
- «رندی» به‌تازگی نظرسنجی سالانه خود را از مدیران حوزه داده، تحلیل و هوش مصنوعی تکمیل کرده است. این پژوهش با عنوان «نظرسنجی معیارهای اجرایی رهبری هوش مصنوعی و داده ۲۰۲۵» توسط موسسه آموزشی او، Data & AI Leadership Exchange، انجام شده است.
- «تام» نیز در چندین پژوهش مرتبط با هوش مصنوعی مولد، ساختارهای رهبری فناوری و هوش مصنوعی عامل‌گرا مشارکت داشته است.
در ادامه، مهم‌ترین روندهای هوش مصنوعی در سال ۲۰۲۵ را که رهبران باید درک و رصد کنند، بررسی می‌کنیم.
۱. رهبران با وعده‌ها و تبلیغات پیرامون هوش مصنوعی عامل‌گرا مواجه خواهند شد
ابتدا به هوش مصنوعی عامل‌گرا (Agentic AI) بپردازیم، نوعی از هوش مصنوعی که به‌طور مستقل وظایف را انجام می‌دهد. این قطعاً یکی از داغ‌ترین موضوعات هوش مصنوعی در سال ۲۰۲۵ خواهد بود. به نظر می‌رسد که این فناوری در حال رشد اجتناب‌ناپذیر است؛ بسیاری از تحلیلگران و شرکت‌های فناوری هیجان‌زده‌اند که برنامه‌های هوش مصنوعی بتوانند به‌جای صرفاً تولید محتوا، به‌طور واقعی در انجام وظایف همکاری کنند—هرچند هنوز کسی دقیقاً نمی‌داند این امر چگونه محقق خواهد شد.
بر اساس یک نظرسنجی آینده‌نگر (با حمایت UiPath) از ۲۵۲ رهبر فناوری اطلاعات در ایالات متحده:
- ۳۷٪ از رهبران فناوری اطلاعات معتقدند که هم‌اکنون به هوش مصنوعی عامل‌گرا دسترسی دارند.
- ۶۸٪ انتظار دارند که به‌زودی از این فناوری استفاده کنند و برای آن هزینه کنند (در کمتر از شش ماه).
- برخی شکاکان (که اغلب در مصاحبه‌های ما حضور داشتند) فکر می‌کنند که این فناوری بیشتر یک تبلیغ تجاری است تا یک تحول واقعی.
دیدگاه مدیران فناوری درباره آینده هوش مصنوعی عامل‌گرا
اکثر مدیران فناوری انتظار دارند که این برنامه‌های هوش مصنوعی مستقل و مشارکتی، در قالب ربات‌های مولد متمرکز (Generative AI bots) فعالیت کنند که وظایف خاصی را انجام می‌دهند. به باور بسیاری، این ربات‌ها در یک شبکه‌ای از عوامل (Agent Ecosystem) فعالیت خواهند کرد که نیاز به دخالت انسانی کمتری نسبت به گذشته خواهد داشت.
چند دیدگاه کلیدی در مورد اجرای این فناوری وجود دارد:
- برخی معتقدند که این فناوری توسط ابزارهای اتوماسیون فرآیند رباتیک (RPA) هماهنگ خواهد شد.
- برخی پیشنهاد می‌دهند که سیستم‌های مدیریت تراکنش سازمانی این عوامل را کنترل خواهند کرد.
- گروهی دیگر تصور می‌کنند که یک “ابرعامل” (Uber Agent) ظاهر خواهد شد که همه چیز را مدیریت می‌کند.
واقعیت چیست؟
در حال حاضر، برخی از ربات‌های مولد هوش مصنوعی می‌توانند وظایف خاصی را انجام دهند، مانند تولید محتوا. اما برای انجام کارهای پیچیده‌تر، مانند رزرو سفر یا انجام تراکنش‌های بانکی، بیش از یک ابزار عامل‌گرا موردنیاز خواهد بود.
با این حال، این سیستم‌ها همچنان مبتنی بر پیش‌بینی کلمه بعدی هستند که ممکن است منجر به خطاها یا نادرستی‌هایی شود. بنابراین، حضور نظارتی انسان همچنان ضروری خواهد بود.
کاربردهای اولیه: وظایف داخلی و کم‌ریسک
اولین کاربردهای عملی هوش مصنوعی عامل‌گرا در داخل سازمان‌ها و برای وظایف کم‌ریسک و ساختاریافته خواهد بود، مانند:
✅ کمک به تغییر رمز عبور در بخش فناوری اطلاعات
✅ رزرو زمان مرخصی در سیستم‌های منابع انسانی
آیا این فناوری روی نیروی انسانی تأثیر خواهد گذاشت؟
در سال ۲۰۲۵، تأثیر چشمگیری بر نیروی انسانی نخواهد داشت، زیرا کسب‌وکارها به‌راحتی این عامل‌ها را برای تعامل با مشتریان واقعی و انجام تراکنش‌های مالی حساس رها نخواهند کرد—مگر اینکه نظارت انسانی یا امکان بازگرداندن تراکنش‌ها فراهم باشد.
البته، یک فرصت شغلی جدید ممکن است ظهور کند: نوشتن مقالات درباره هوش مصنوعی عامل‌گرا! (البته، آیا خود این عامل‌ها می‌توانند چنین مقاله‌هایی را بنویسند؟ )
۲. زمان ارزیابی نتایج آزمایش‌های هوش مصنوعی مولد فرا رسیده است
یکی از دلایل اصلی هیجان پیرامون هوش مصنوعی عامل‌گرا (Agentic AI) این است که تا سال ۲۰۲۴، اثبات ارزش اقتصادی هوش مصنوعی مولد (Generative AI) همچنان دشوار بوده است. در مقاله روندهای هوش مصنوعی سال گذشته، استدلال کردیم که ارزش واقعی GenAI هنوز باید به اثبات برسد.
طبق نظرسنجی معیارهای اجرایی رهبری هوش مصنوعی و داده ۲۰۲۵، رهبران داده و هوش مصنوعی معتقدند که GenAI در حال ایجاد ارزش است:
- ۵۸٪ گفته‌اند که سازمانشان از طریق هوش مصنوعی (عمدتاً GenAI) به افزایش تصاعدی بهره‌وری یا کارایی دست یافته است.
- ۱۶٪ اظهار داشته‌اند که توانسته‌اند کارکنان دانشی را از انجام وظایف تکراری رها کنند.
آیا این باورهای مثبت صحت دارند؟
با این حال، شرکت‌ها نباید به این باورها تنها بر اساس اعتماد تکیه کنند. تعداد کمی از سازمان‌ها به‌طور دقیق بهره‌وری را اندازه‌گیری کرده‌اند یا بررسی کرده‌اند که کارکنان دانشی، پس از آزاد شدن از وظایف تکراری، واقعاً چه کار می‌کنند.
چالش اندازه‌گیری بهره‌وری GenAI:
🔹 تاکنون تنها چند مطالعه دانشگاهی بهره‌وری ناشی از هوش مصنوعی مولد را بررسی کرده‌اند. نتایج این مطالعات، بهبودهایی را نشان داده‌اند اما نه به‌صورت تصاعدی.
🔹 یکی از معدود شرکت‌هایی که این موضوع را بررسی کرده، گلدمن ساکس است. این شرکت تأثیر GenAI بر توسعه نرم‌افزار را ارزیابی کرد و دریافت که بهره‌وری توسعه‌دهندگان حدود ۲۰٪ افزایش یافته است.
🔹 مطالعات مشابه نشان داده‌اند که عوامل زمینه‌ای بر بهره‌وری تأثیر دارند:
- در خدمات مشتری و مشاوره، کارکنان کم‌تجربه بیشترین بهره را از GenAI می‌برند.
- در تولید کد و برنامه‌نویسی، کارکنان باتجربه تأثیر بیشتری از آن می‌گیرند.
چگونه می‌توان ارزش واقعی GenAI را اندازه‌گیری کرد؟
🔸 بهترین راه برای سنجش تأثیر GenAI، انجام آزمایش‌های کنترل‌شده است.
🔸 به‌عنوان مثال، در یک شرکت بازاریابی می‌توان سه گروه ایجاد کرد:
✅ گروه اول: محتوای خود را بدون بررسی انسانی با استفاده از GenAI تولید کند.
✅ گروه دوم: محتوای تولیدشده توسط GenAI را با بررسی انسانی منتشر کند.
✅ گروه سوم (کنترل): هیچ استفاده‌ای از GenAI نداشته باشد.
چنین آزمایش‌هایی می‌توانند اثرات واقعی هوش مصنوعی مولد را بر بهره‌وری و کیفیت محتوا روشن کنند.
چالش سنجش کیفیت محتوا
اکنون بسیاری از شرکت‌ها GenAI را برای تولید محتوا استفاده می‌کنند، اما کیفیت این محتوا چگونه ارزیابی می‌شود؟
🔹 مشکل اساسی: خروجی‌های دانشی، مانند مقالات و گزارش‌ها، به سختی قابل سنجش هستند.
🔹 سؤال کلیدی: اگر هوش مصنوعی مولد بتواند مقالات را سریع‌تر بنویسد اما این مقالات خسته‌کننده و نادرست باشند، آیا این یک موفقیت محسوب می‌شود؟
🔹 نتیجه: بدون بررسی کیفیت خروجی، مزیت واقعی این فناوری قابل بحث خواهد بود.
جمع‌بندی: هوش مصنوعی مولد نیازمند سنجش دقیق است
✅ سازمان‌ها باید از اعتماد کورکورانه به تأثیر مثبت GenAI دست بردارند و اندازه‌گیری‌های دقیق‌تری انجام دهند.
✅ آزمایش‌های کنترل‌شده برای بررسی بهره‌وری و کیفیت محتوا باید به‌طور گسترده‌تری انجام شوند.
✅ بدون ارزیابی کیفیت محتوا، استفاده از GenAI ممکن است تنها به افزایش حجم خروجی‌های بی‌کیفیت منجر شود.
بهره‌وری تصاعدی یا توهم پیشرفت؟
یک واقعیت تلخ این است که اگر بسیاری از سازمان‌ها واقعاً به افزایش تصاعدی بهره‌وری دست یابند، این پیشرفت ممکن است به اخراج‌های گسترده منجر شود. اما در آمارهای اشتغال هیچ نشانه‌ای از تعدیل نیروهای گسترده دیده نمی‌شود.
دیدگاه اقتصاددانان درباره بهره‌وری GenAI
🔹 دارون عجم‌اوغلو، برنده جایزه نوبل اقتصاد از MIT، در سال ۲۰۲۴ اظهار کرده است که تاکنون هیچ افزایش واقعی در بهره‌وری ناشی از هوش مصنوعی مشاهده نشده است.
🔹 او پیش‌بینی می‌کند که طی دهه آینده، افزایش بهره‌وری ناشی از هوش مصنوعی تنها حدود ۰.۵٪ خواهد بود—که فاصله زیادی با ایده‌ی تحول اساسی در اقتصاد دارد.
جمع‌بندی: نیاز به آزمایش و اندازه‌گیری دقیق
✅ بدون سنجش علمی و دقیق، نمی‌توان از تأثیر واقعی هوش مصنوعی مولد مطمئن شد.
✅ اگر شرکت‌ها واقعاً می‌خواهند از GenAI سود ببرند، باید روش‌های اندازه‌گیری و آزمایش را به‌طور جدی در دستور کار قرار دهند.
✅ هیجان پیرامون بهره‌وری تصاعدی GenAI، بدون داده‌های قابل‌اعتماد، بیشتر یک ادعای تبلیغاتی به‌نظر می‌رسد تا یک واقعیت اقتصادی.
۳. واقعیت فرهنگ داده‌محور نمایان می‌شود
هوش مصنوعی مولد بسیار جذاب است، اما همه چیز را تغییر نمی‌دهد—به‌ویژه ویژگی‌های فرهنگی بلندمدت سازمان‌ها.
سال گذشته، نظرسنجی «رندی» نشان داد که درصد شرکت‌هایی که ادعا می‌کردند:
- “یک سازمان داده‌محور و مبتنی بر هوش مصنوعی ایجاد کرده‌اند”
🔹 از ۲۴٪ به ۴۸٪ افزایش یافته بود. - “فرهنگ سازمانی مبتنی بر داده و هوش مصنوعی را مستقر کرده‌اند”
🔹 از ۲۱٪ به ۴۳٪ رشد کرده بود.
این افزایش چشمگیر باعث تعجب ما شد. ما این تغییرات را به رشد سریع و تبلیغات گسترده پیرامون هوش مصنوعی مولد نسبت دادیم.
کاهش سطح خوش‌بینی در سال ۲۰۲۵
امسال، این ارقام به واقعیت نزدیک‌تر شده‌اند:
✅ ۳۷٪ از پاسخ‌دهندگان اعلام کردند که در یک سازمان داده‌محور و مبتنی بر هوش مصنوعی کار می‌کنند.
✅ ۳۳٪ گفتند که سازمان آن‌ها فرهنگ داده‌محور دارد.
این اعداد همچنان نشانه پیشرفت هستند، اما دیگر شتاب انفجاری سال گذشته را نشان نمی‌دهند. نتیجه‌ای که از این داده‌ها می‌توان گرفت این است که هوش مصنوعی مولد به‌تنهایی نمی‌تواند سازمان‌ها و فرهنگ‌های آن‌ها را به‌طور کامل داده‌محور کند.
چالش‌های فرهنگ داده‌محور: فناوری کافی نیست
در همان نظرسنجی، ۹۲٪ از پاسخ‌دهندگان گفتند که چالش‌های فرهنگی و مدیریت تغییر، اصلی‌ترین موانع تبدیل‌شدن به یک سازمان داده‌محور و مبتنی بر هوش مصنوعی هستند.
🔹 این یافته تأکید می‌کند که فناوری به‌تنهایی برای ایجاد یک فرهنگ داده‌محور کافی نیست.
🔹 بیشتر شرکت‌های شرکت‌کننده در نظرسنجی، سازمان‌های قدیمی و سنتی بودند که بیش از یک نسل از تأسیس آن‌ها می‌گذرد و معمولاً به‌آرامی تحول می‌یابند.
🔹 بسیاری از این شرکت‌ها در دوران همه‌گیری کرونا، پیشرفت دیجیتالی بیشتری نسبت به دو دهه قبل داشتند، اما همچنان با چالش‌های فرهنگی و مدیریتی تغییر روبه‌رو هستند.
جمع‌بندی: تغییر فرهنگی زمان‌بر است
✅ هوش مصنوعی مولد ابزار قدرتمندی است، اما به‌تنهایی باعث ایجاد فرهنگ داده‌محور نمی‌شود.
✅ اصلاح فرهنگ سازمانی و مدیریت تغییر، کلید موفقیت در تحول دیجیتال و داده‌محور شدن سازمان‌ها است.
✅ شرکت‌های قدیمی‌تر و سنتی، برای پذیرش این تغییرات نیاز به برنامه‌ریزی و صبر بیشتری دارند.
۴. داده‌های بدون ساختار دوباره مهم شده‌اند
هوش مصنوعی مولد تأثیر دیگری هم بر سازمان‌ها داشته است: اهمیت دوباره داده‌های بدون ساختار.
طبق نظرسنجی معیارهای اجرایی رهبری هوش مصنوعی و داده ۲۰۲۵:
✅ ۹۴٪ از رهبران داده و هوش مصنوعی اعلام کردند که علاقه به هوش مصنوعی، تمرکز بیشتری را بر روی داده ایجاد کرده است.
از آنجایی که هوش مصنوعی تحلیلی سنتی چندین دهه است که وجود دارد، به‌نظر می‌رسد این تغییر به دلیل ظهور هوش مصنوعی مولد (GenAI) باشد.
داده‌های بدون ساختار: ستون فقرات GenAI
بیشتر داده‌هایی که GenAI پردازش می‌کند، بدون ساختار هستند و شامل موارد زیر می‌شوند:
📌 متن (ایمیل‌ها، مقالات، گزارش‌ها)
📌 تصاویر و ویدئوها
📌 صوت و سایر انواع داده‌های غیرعددی
🔹 یک مدیر ارشد در یک شرکت بیمه بزرگ به رندی گفت که ۹۷٪ از داده‌های شرکت آن‌ها بدون ساختار است.
🔹 بسیاری از شرکت‌ها علاقه‌مند به استفاده از GenAI برای مدیریت و دسترسی به داده‌های داخلی خود هستند.
🔹 معمولاً این کار با روش «تولید تقویت‌شده با بازیابی» (Retrieval-Augmented Generation – RAG) انجام می‌شود.
چالش سازمان‌ها با داده‌های بدون ساختار
بسیاری از شرکت‌ها از ۲۰ سال پیش، یعنی از دوران مدیریت دانش (Knowledge Management)، دیگر روی داده‌های بدون ساختار کار نکرده‌اند.
آن‌ها تمرکز اصلی خود را بر داده‌های ساختاریافته قرار داده بودند، یعنی اطلاعاتی که در قالب ردیف‌ها و ستون‌های پایگاه‌های داده تراکنشی ذخیره می‌شوند.
برای آماده‌سازی داده‌های بدون ساختار، سازمان‌ها باید:
✔ نمونه‌های برتر از هر نوع سند را انتخاب کنند.
✔ محتوا را برچسب‌گذاری (Tagging) یا گراف‌سازی کنند.
✔ داده‌ها را در سیستم‌های مناسب بارگذاری کنند.
📌 این کار نیازمند دانش در زمینه تعبیه داده‌ها (Embeddings)، پایگاه‌های داده برداری (Vector Databases)، و الگوریتم‌های جستجوی شباهت (Similarity Search) است.
مزایا و محدودیت‌های فعلی
✅ این فناوری می‌تواند دسترسی کارکنان به دانش سازمانی را به‌شدت بهبود بخشد، که دلیل اصلی تلاش بسیاری از سازمان‌ها برای پیاده‌سازی آن است.
❌ اما این فرایند همچنان نیازمند مداخله انسانی گسترده است.
❌ هنوز نمی‌توان صرفاً تمام اسناد داخلی را به GenAI وارد کرد و انتظار داشت که خروجی بهینه‌ای تولید شود.
❌ در سال ۲۰۲۵، این فناوری به‌تنهایی قادر نخواهد بود که داده‌های سازمانی را کاملاً خودکار سازماندهی کند.
حتی اگر روزی این امکان فراهم شود، همچنان نیاز به بررسی انسانی وجود خواهد داشت، زیرا یک مدل مانند ChatGPT نمی‌تواند تشخیص دهد که کدام یک از ۲۰ پیشنهاد فروش، بهترین است.
جمع‌بندی: هوش مصنوعی مولد، داده‌های بدون ساختار را دوباره به اولویت تبدیل کرده است، اما مسیر همچنان طولانی است
✅ سازمان‌ها باید روی مدیریت داده‌های بدون ساختار سرمایه‌گذاری کنند، زیرا آینده GenAI به آن وابسته است.
✅ روش‌هایی مانند RAG می‌توانند دسترسی به دانش را بهبود دهند، اما همچنان نیازمند تلاش انسانی زیادی هستند.
✅ در سال ۲۰۲۵، سازمان‌ها هنوز به نیروی انسانی برای مدیریت داده‌های بدون ساختار نیاز خواهند داشت.
۵. چه کسی باید داده و هوش مصنوعی را مدیریت کند؟ انتظار کشمکش‌های ادامه‌دار را داشته باشید
با توجه به اینکه داده‌ها و هوش مصنوعی به‌طور فزاینده‌ای مورد توجه و سرمایه‌گذاری سازمان‌ها قرار گرفته‌اند، نقش رهبری داده و هوش مصنوعی همچنان با چالش‌های زیادی مواجه است.
🔹 این نقش نسبتاً جدید است: در سال ۲۰۱۲، تنها ۱۲٪ از سازمان‌ها یک مدیر ارشد داده (Chief Data Officer – CDO) منصوب کرده بودند.
🔹 اکنون پیشرفت‌هایی حاصل شده است: ۸۵٪ از سازمان‌ها در نظرسنجی جدید، یک CDO دارند.
🔹 نقش مدیران داده به مرور از مدیریت ریسک و رعایت مقررات، به سمت رشد، نوآوری و تحول سازمانی تغییر کرده است.
🔹 سازمان‌ها همچنین در حال ایجاد نقش مدیر ارشد هوش مصنوعی (Chief AI Officer – CAIO) هستند. ۳۳٪ از شرکت‌ها این نقش را ایجاد کرده‌اند—عدد قابل توجهی!
چالش‌های مداوم در رهبری داده و هوش مصنوعی
🔸 در حالی که این نقش‌ها در حال تحول هستند، سازمان‌ها همچنان درگیر تعریف مأموریت، مسئولیت‌ها و ساختارهای گزارش‌دهی آن‌ها هستند.
🔸 کمتر از نیمی از رهبران داده (عمدتاً CDOها) در نظرسنجی «رندی» اعلام کردند که عملکردشان موفق و تثبیت‌شده است.
🔸 تنها ۵۱٪ از آن‌ها معتقدند که نقش‌شان در سازمان به‌درستی درک شده است.
🔹 هنوز مشخص نیست که آیا نقش مدیر ارشد داده و مدیر ارشد هوش مصنوعی باید جدا باشند یا نه.
🔹 برخی سازمان‌ها مانند Capital One و Cleveland Clinic این دو نقش را در سطحی برابر قرار داده‌اند.
نیاز فزاینده به رهبری داده و هوش مصنوعی
🔹 تنها چیزی که با اطمینان می‌توان گفت این است که نیاز به رهبری داده و هوش مصنوعی رو به رشد است—صرف‌نظر از اینکه این نقش‌ها چگونه سازماندهی شوند.
دو دیدگاه درباره آینده نقش رهبری داده و هوش مصنوعی
📌 دیدگاه اول (رندی):
✅ مدیر ارشد داده و هوش مصنوعی (CDAO) باید یک نقش تجاری باشد و مستقیماً به مدیرعامل یا مدیران ارشد کسب‌وکار گزارش دهد.
✅ ۳۶٪ از رهبران داده و هوش مصنوعی در این نظرسنجی گزارش داده‌اند که مستقیماً زیرمجموعه مدیرعامل (CEO)، رئیس شرکت، یا مدیر ارشد عملیاتی (COO) هستند.
✅ این رهبران باید ارزش کسب‌وکاری قابل اندازه‌گیری ارائه دهند و زبان تجارت را به‌خوبی درک کنند.
📌 دیدگاه دوم (تام):
✅ بسیاری از سازمان‌ها تعداد زیادی “مدیر ارشد فناوری” دارند (CDAO، CAIO، CIO، CTO و غیره) که باعث سردرگمی مشتریان داخلی می‌شود.
✅ وجود چندین نقش تکنولوژیک در سطح C، همکاری بین تیم‌ها را دشوار می‌کند و احتمال گزارش‌دهی مستقیم به مدیرعامل را کاهش می‌دهد.
✅ راه‌حل پیشنهادی او: ایجاد یک “ابررهبر فناوری (Supertech Leader)” که تمامی نقش‌های فناوری زیر نظر او باشند، مشابه آنچه برخی شرکت‌ها با CIOهای تحول‌گرا انجام داده‌اند.
جمع‌بندی: نقش‌های رهبری داده باید جدی‌تر گرفته شوند
✅ رهبری داده و هوش مصنوعی یک نیاز حیاتی برای سازمان‌های مدرن است.
✅ شرکت‌ها باید ساختارهای مدیریتی خود را اصلاح کنند تا نقش مدیران داده و هوش مصنوعی به اندازه خود داده‌ها ارزشمند باشد.
✅ هنوز مشخص نیست که بهترین راه‌حل، تفکیک نقش‌ها یا ایجاد یک رهبر فناوری واحد است، اما یک چیز مسلم است: سازمان‌ها باید تصمیمات بهتری درباره نحوه مدیریت داده و هوش مصنوعی بگیرند.