گفت‌وگویی با مت آبراهامز و وید فاستر در پادکست HBR IdeaCast
این مقاله بر پایه‌ی یکی از قسمت‌های پادکست HBR IdeaCast نوشته شده است، پادکست رسمی هاروارد بیزینس ریویو (HBR). این قسمت بخشی از مجموعه‌ای ویژه است که هر پنجشنبه منتشر می‌شد و به این می‌پرداخت که پیشرفت سریع هوش مصنوعی چگونه معنای مدیر و رهبر بودن را تغییر می‌دهد. موضوع این قسمت ارتباطات است. مجریان برنامه آلیسون بیرد و آدی ایگناتیوس هستند و گفت‌وگوی اصلی را آلیسون بیرد انجام داده است.
این قسمت دو مهمان دارد. مت آبراهامز استاد دانشگاه استنفورد، نویسنده‌ی کتاب «سریع فکر کن، هوشمندانه‌تر حرف بزن» (Think Fast, Talk Smarter) و میزبان پادکست Think Fast, Talk Smart است. وید فاستر مدیرعامل زپیر (Zapier) است، پلتفرمی که برنامه‌های تحت وب را به هم متصل می‌کند تا با کمک هوش مصنوعی به‌طور خودکار با هم کار کنند. فاستر خود از کاربران پرتلاش هوش مصنوعی مولد است.
در مقدمه‌ی برنامه، آدی ایگناتیوس که نویسندگی حرفه‌ی اوست، می‌گوید از اینکه هوش مصنوعی به جای او بنویسد راحت نیست. در عین حال کمک پژوهشی آن را می‌پذیرد و دیده است که به افرادی که ذاتاً نویسنده نیستند کمک زیادی می‌کند. به باور او، هوش مصنوعی به همه یک توانایی پایه در نوشتن و اندیشیدن می‌دهد و آنچه می‌ماند، سهم انسان است: قضاوت، ذائقه، کنجکاوی، خلاقیت، اقناع و اولویت‌بندی.
هم کمک، هم مانع
آبراهامز معتقد است هوش مصنوعی همزمان به رهبران هم کمک می‌کند و هم مانع کارشان می‌شود. از یک سو امکان می‌دهد حجم عظیمی از اطلاعات را جمع‌بندی کنند، ساختار معناداری به آن بدهند و الگوها و روندهایی را کشف کنند که پیش‌تر زمان بسیار زیادی می‌برد. از سوی دیگر، اصالت را به خطر می‌اندازد و مانع همدلی می‌شود.
فاستر بزرگ‌ترین مزیت را دسترسی به اطلاعات درون سازمان می‌داند. او عامل‌های هوش مصنوعی را به همه‌ی منابع داده‌ی شرکت متصل می‌کند: اسلک، ایمیل، یادداشت جلسات، ابزارهای مدیریت پروژه، سیستم مدیریت ارتباط با مشتری و پایگاه کد. به این ترتیب تقریباً از هر اتفاقی در شرکت خلاصه‌ای دریافت می‌کند. البته هشدار می‌دهد اگر داده‌ها یا ارتباطات ناهماهنگ باشند، خلاصه‌ها ضعیف می‌شوند. برای مثال، ابزارهای ضبط جلسه گاهی گفته‌ها را به فرد اشتباهی نسبت می‌دهند. بنابراین داده‌ها معمولاً «از نظر جهت‌گیری درست» هستند اما باید راستی‌آزمایی شوند. با این حال، این روش بسیار جامع‌تر از گذشته است که برای گرفتن خلاصه‌ای ناقص‌تر باید از لایه‌های متعدد مدیریتی عبور می‌کرد.
فاستر هوش مصنوعی را شریک فکری فوق‌العاده‌ای هم می‌داند. با این حال معتقد است جامعه هنوز آداب درست استفاده از آن را پیدا نکرده است. به گفته‌ی او، هنوز استفاده‌ی شلخته فراوان دیده می‌شود: کسی خروجی Claude را کپی می‌کند و بدون تأمل به نام خودش ارائه می‌دهد. چون سرعت تولید محتوا بسیار بالاست، حجم عظیمی از محتوای کم‌زحمت و کم‌فکر وارد ارتباطات می‌شود. اگر برایش قاعده‌ای گذاشته نشود، کار به قطاری بی‌ترمز تبدیل می‌شود.
کاربرد درست: نقطه‌ی شروع و ابزار بازتاب
به گفته‌ی آبراهامز، مدیرانی که او آموزش می‌دهد یا کوچ می‌کند، از هوش مصنوعی برای شروع کار استفاده می‌کنند، به‌ویژه وقتی با صفحه‌ی سفید روبه‌رو هستند. همچنین از آن به‌عنوان شریک فکری برای منسجم کردن ایده‌ها و یافتن ساختار مناسب برای مخاطبان مختلف بهره می‌گیرند. اما او تأکید می‌کند که سپردن کورکورانه‌ی کار، مثلاً «این ارائه را برای هیئت‌مدیره بساز»، دردسرساز است. او استفاده از هوش مصنوعی را به‌عنوان ابزار بازتاب هم توصیه می‌کند، یعنی شناسایی موضوعاتی که در پرسش و پاسخ‌ها و بحث‌ها تکرار شده‌اند و بررسی اینکه آیا به آن‌ها پرداخته شده است.
فاستر از همه‌ی این قالب‌ها استفاده می‌کند، اما همواره به قضاوت بازمی‌گردد. او جمله‌ای از هم‌بنیان‌گذارش، برایان، نقل می‌کند: «کار را می‌توان واگذار کرد، اما پاسخگویی را نه.»
به باور او، کیفیت ارتباطات مهم‌ترین چیز است و هم با هوش مصنوعی و هم بدون آن می‌توان به کیفیت خوب یا بد رسید.
قواعد سازمانی برای استفاده از هوش مصنوعی
آبراهامز معتقد است رهبران باید الگو باشند و قواعد روشنی تعیین کنند. نخست اینکه مشخص کنند هوش مصنوعی کجا و چگونه به کار رود: به‌عنوان شریک فکری، رقیب تمرینی یا ابزار آزمودن ایده‌ها. در هر حال محصول نهایی باید بازبینی و جمع‌بندی شود. دوم اینکه اعلام کنند کجا از هوش مصنوعی استفاده شده تا دیگران بدانند کدام بخش تفکر خود فرد است. سوم اینکه در فرایند استخدام و ارزیابی عملکرد درباره‌ی نحوه‌ی استفاده از هوش مصنوعی و دشواری‌های آن گفت‌وگو کنند.
فاستر چند قاعده از زپیر را بیان می‌کند. اول، نویسنده باید بیش از خواننده زحمت بکشد. دوم، شفافیت درباره‌ی میزان نقش هوش مصنوعی. او خودش گاهی می‌گوید: «وقت کمی داشتم، یک جست‌وجوی سریع کردم، اگر به کارتان آمد استفاده کنید.» گاهی هم می‌گوید: «روی این خیلی وقت گذاشته‌ام و صددرصد پایش می‌ایستم.» به باور او، روشن کردن اینکه هوش مصنوعی نویسنده بوده، هم‌نویسنده یا فقط دستیار، به دیگران کمک می‌کند بفهمند ایده در چه مرحله‌ای است. او می‌پذیرد که این قواعد بسته به مخاطب و کار متفاوت است. ارتباط با مشتری مسئولیت بیشتری دارد تا یک گزارش وضعیت خودکار. به نظر او هر سازمان باید آداب خودش را تعریف کند، هرچند احتمالاً به‌تدریج هنجارهای اجتماعی هم شکل خواهد گرفت.
آنچه نباید واگذار شود
فاستر در سخنرانی‌های عمومی برای کل شرکت از هوش مصنوعی کمک می‌گیرد، اما سهم زیادی از «خودِ وید»[1] در آن‌ها هست. آبراهامز صریح‌تر است: هر ارتباطی که بار عاطفی بالایی دارد، از جمله ارزیابی منفی عملکرد، بازخورد سازنده یا همسو کردن تیمی درگیر تعارض، نیازمند حضور کامل خود فرد است. او بزرگ‌ترین خطر را «برون‌سپاری همدلی» می‌داند. هوش مصنوعی می‌تواند به همدلی کمک کند، اما ممکن است به «تحلیل رفتن همدلی» نیز منجر شود.
آبراهامز به پیامد دیگری هم اشاره می‌کند: افزایش اضطراب. افراد می‌فهمند خروجی بی‌نقص است اما حاصل تفکر خودشان نیست. به تعبیر او، ارتباطات همان تفکر انتقادی عملیاتی‌شده است. اگر این تفکر برون‌سپاری شود، فرد هنگام پاسخ دادن به پرسش‌های غیرمنتظره مضطرب می‌شود. پس فقط بازبینی خروجی کافی نیست و باید تفکر پشت آن را هم مرور کرد. فاستر نیز تأیید می‌کند که واگذاری بیش از حد، نوعی «شکاف درک»ایجاد می‌کند. البته در کارهای کم‌اهمیت، واگذاری کامل‌تر مشکلی ندارد و تصمیم نهایی به قضاوت برمی‌گردد.
بحران اصالت
آلیسون بیرد نگران است که مدیرانی که از هوش مصنوعی استفاده می‌کنند، همه یک‌جور حرف بزنند: با جمله‌هایی کلیشه‌ای و اصطلاحات تکراری اداری، مثل یک «ربات سازمانی» که شخصیت و لحن خاصی ندارد. او برای توضیح این نگرانی، از همکارش در هاروارد بیزینس ریویو، اسکات برینِیتو، نقل می‌کند که مدل‌های زبانی در واقع «ماشین میانگین‌گیری»هستند. یعنی متنی تولید می‌کنند که میانگینِ همه‌ی متن‌هایی است که از آن‌ها آموخته‌اند. نتیجه‌اش متنی معمولی و متوسط است، و به تعبیر برینِیتو، اگر می‌خواهید معمولی به نظر برسید، از آن‌ها استفاده کنید. آبراهامز این وضعیت را «بحران اصالت» می‌نامد و دو راه پیشنهاد می‌کند. راه اول نشان دادن انسان بودن است: چند کلمه‌ی پرکننده یا مکث که تا چند سال پیش توصیه به حذفشان می‌کرد، یا بیان روند فکری، مثل «سؤال سختی پرسیدید» یا «این مرا یاد ماجرایی می‌اندازد». راه دوم آموزش هوش مصنوعی با صدای خود است. او مدلی را با قسمت‌های پادکستش آموزش داده تا لحن خودش را بازتاب دهد.
فاستر هم مجموعه‌ای از مهارت‌ها را بر پایه‌ی نوشته‌هایش ساخته است. با این حال، می‌گوید نتیجه تنها ۸۰ تا ۹۰ درصد به لحن او نزدیک می‌شود و با هر مدل جدید باید به‌روزرسانی شود. به نظر او، برخی مدل‌های جدیدتر در کدنویسی بهتر و در ارتباطات ضعیف‌تر شده‌اند. او گاهی پیشنهادهایی را که متنش را صیقلی‌تر می‌کند عمداً نمی‌پذیرد. می‌گوید لبه‌های ناصاف دارد و دوست ندارد هوش مصنوعی آن‌ها را بساید، چون مردم می‌خواهند بدانند خود او واقعاً چه فکر می‌کند. وقتی در نوشته‌های همکارانش رد پای هوش مصنوعی می‌بیند، صریحاً می‌پرسد: «خودت واقعاً چه فکر می‌کنی؟»
آبراهامز نگران کارکنان جوان و تازه‌وارد است. آن‌ها اعتمادبه‌نفس و جایگاه فاستر را ندارند و ممکن است هوش مصنوعی برایشان به عصای زیر بغل تبدیل شود که در بلندمدت آسیب می‌زند. به گفته‌ی او، برخی سازمان‌ها و دانشگاه‌ها به آزمون‌های دست‌نویس برگشته‌اند. توانایی صحبت فی‌البداهه اکنون مهارتی کلیدی است و رهبران باید موقعیت‌هایی طراحی کنند که تفکر واقعی افراد را آشکار کند، حتی اگر به معنای حضور فیزیکی باشد.
تمرین و آماده‌سازی
فاستر به تجربه‌ای جالب اشاره می‌کند. استفاده‌ی گسترده از تبدیل صدا به متن باعث شد پیش از صحبت مکث کند و دقیق‌تر حرف بزند، چون از ویرایش متن‌های پیاده‌شده خوشش نمی‌آمد. این تجربه آینه‌ای مقابل او گرفت. برای گفت‌وگوهای دشوار هم از هوش مصنوعی کمک می‌گیرد، اما تنها نکات کلیدی را نگه می‌دارد و متن صیقلی را کنار می‌گذارد. آبراهامز از ایفای نقش با هوش مصنوعی سخن می‌گوید: شبیه‌سازی پرسش‌های یک فرد بدبین یا یک متخصص، مانند رقیب تمرینی ورزشکاران. دانشجویان او در استنفورد موظف‌اند پرسش و پاسخ را با یک مدل زبانی تمرین کنند، نه برای حفظ کردن پاسخ‌ها، بلکه برای کسب تجربه.
انسان‌ها و ربات‌ها در یک سازمان
در زپیر، ربات‌هایی که در اسلک پیام می‌فرستند آواتار ربات دارند و خود را جای کسی جا نمی‌زنند. کارکنان بی‌پروا به آن‌ها بازخورد می‌دهند. فاستر با شوخی می‌پرسد چرا انسان‌ها چنین بازخوردی نمی‌گیرند. ربات‌های پشتیبانی مشتری با شاخص‌هایی مثل رضایت مشتری و ارزیابی‌های داخلی، با دقت آماری سنجیده می‌شوند. اما وقتی عامل شخصی کسی به نام او پیام می‌دهد، حالتی شبیه «شخصیت دوگانه» ایجاد می‌شود. راه‌حل فاستر شفافیت است: اعلام اینکه پیام را عامل به نمایندگی از فرد فرستاده است.
آبراهامز به پژوهش‌هایی اشاره می‌کند که نشان می‌دهد زبان انسان‌ها در حال یکسان‌شدن و شبیه‌شدن به هوش مصنوعی است. او در پاسخ به نظریه‌ای درباره‌ی اهمیت جذابیت و اقناع، یادآوری می‌کند که ریشه‌ی واژه‌ی «ارتباط» (communication) به معنای «مشترک ساختن» است. اقناع به پیوند نیاز دارد و پیوند به گوش دادن، بازگویی و بازتاب، مهارت‌هایی که امیدوار است هوش مصنوعی هرگز کاملاً بر آن‌ها مسلط نشود.
در پایان، بیرد پرسشی را مطرح می‌کند که ChatGPT پیشنهاد داده بود: آیا مدل‌ها گاهی باید عمداً بهترین پاسخ را ندهند تا انسان خودش تلاش کند؟ آبراهامز دوست دارد هوش مصنوعی در موضوعات حساس او را به مکث و تأمل دعوت کند. فاستر نگران است که مدل‌ها به‌شدت هدف‌محور و در پی خوشایند کاربرند و آنچه را او می‌خواهد بشنود می‌گویند. به همین دلیل در تنظیمات همه‌ی مدل‌هایش از آن‌ها خواسته با او مخالفت کنند، فرضیاتش را به چالش بکشند و نقدش کنند.
جمع‌بندی
فاستر مهم‌ترین مهارت انسانی را کنجکاوی و قضاوت می‌داند و نگران کسانی است که این بخش از ذهنشان را خاموش می‌کنند. توصیه‌ی عملی او این است که مدل زبانی را به داده‌ها و سیستم‌های ارتباطی سازمان متصل کنید، چون بدون این زمینه فقط راهنمایی عمومی دریافت می‌کنید. آبراهامز می‌گوید «هرگز همدلی را خودکار نکنید». همدلی باید رودررو باشد، نه از پشت صفحه. توصیه‌ی او این است که در هر ارتباط پرمخاطره، اطلاعات مخاطب را به هوش مصنوعی بدهید تا پیام را دقیق‌تر و متناسب‌تر کند.
[1] وید فاستر در این سخنرانی‌ها زیاد از خودش مایه می‌گذارد: فکر، لحن، تجربه و سلیقه‌ی شخصی خودش را وارد متن می‌کند و فقط به خروجی هوش مصنوعی بسنده نمی‌کند. در متن مصاحبه به نقل از وید فاستر آمده است: «مقدار زیادی وید در آن هست»
