روش تازهای در میان کارآفرینان شکل گرفته است: Claude، Cursor، Codex یا یکی دیگر از ابزارهای هوش مصنوعی را باز کن. ایدهٔ محصولت را توضیح بده. رابط کاربری را تولید کن. یک نسخهٔ نمایشی بساز. صفحهٔ فرود شیکی به آن اضافه کن. چند اسکرینشات منتشر کن و نامش را «نوآوری» بگذار.
این فرایند حس بهرهوری میدهد. سریع است و گاهی حتی جادویی به نظر میرسد. اما یک سوءبرداشت خطرناک در دنیای استارتاپها در حال گسترش است: چون هوش مصنوعی ساختن را آسانتر کرده، بسیاری تصور میکنند که ساختن باید نخستین قدم باشد که این دقیقاً یک دام است.
«هوش مصنوعیمحوری» یا Ai-first اگرچه عبارتی مدرن به نظر میرسد، اما در بسیاری از موارد چیزی جز «ابزارمحوری» نیست. یعنی بهجای شروع از چیزی که واقعاً اهمیت دارد، از چیزی آغاز کنیم که ابزارها میتوانند آن را تولید کنند. این یعنی خروجی را با ارزش، سرعت را با یادگیری و یک دموی کارآمد را با یک کسبوکار کارآمد اشتباه بگیریم.
روش بهتر اما بسیار ساده است: اول بازگشت سرمایه، بعد هوش مصنوعی.
و در معنایی گستردهتر: اول اثرگذاری، بعد هوش مصنوعی.
هوش مصنوعیمحوری یا Ai-first، بهخودیخود استراتژی نیست
Ai-first زمانی میتواند مفید باشد که معنایش بازطراحی بنیادین یک فرایند، محصول یا مدل کسبوکار با استفاده از هوش مصنوعی بهعنوان یک قابلیت محوری باشد. اما این عبارت اغلب در معنایی بسیار ضعیفتر استفاده میشود: مجوزی برای شروعکردن از ابزارها.
بنیانگذار میبیند که هوش مصنوعی میتواند کد بنویسد، طراحی تولید کند، عاملهای هوشمند بسازد، گردشکارها را خودکار کند یا پشتیبانی مشتری را شبیهسازی کند. بنابراین نخستین واکنشش این است که چیزی بسازد. در نتیجه، محصول خیلی زود ظاهر میشود. رابط کاربری حرفهای به نظر میرسد. ارائهٔ سرمایهگذاری متقاعدکنندهتر میشود. نسخهٔ نمایشی (Prototype) بهاندازهای خوب کار میکند که افرادی را که از قبل شیفتهٔ هوش مصنوعی هستند، تحتتأثیر قرار دهد.
اما هیچکدام از اینها ثابت نمیکند که محصول واقعاً اهمیتی دارد و بهدرد میخورد.
امروزه میتوان به کمک هوش مصنوعی پیش از آنکه بنیانگذار مسئله را عمیقاً درک کرده باشد، یک نمونهٔ اولیه ساخت. میتوان پیش از آنکه مشتری فوریتی احساس کرده باشد، یک داشبورد برایش طراحی کرد. میتوان پیش از آنکه کسی برای نتیجه کار، حاضر به پرداخت پول باشد، یک فرایند را با هوش مصنوعی خودکار کرد.
به همین دلیل عصر هوش مصنوعی به انضباط بیشتری نیاز دارد، نه کمتر.
وقتی ساختن ارزان شده است، فکرکردن مهمتر میشود. وقتی ساخت نمونهٔ اولیه آسان میشود، اعتبارسنجی ارزش بیشتری پیدا میکند.
این موضوع مستقیماً به هشداری که در مقالهٔ «مرگ شهود محصول» مطرح کردهایم، ربط دارد: هوش مصنوعی میتواند رسیدن به پاسخها را سریعتر کند، اما ممکن است مدل فکری لازم برای تشخیص پرسشهای درست را نیز تضعیف کند.
اشتباهات قدیمی، حالا سریعتر اتفاق میافتند
استارتاپها همیشه در معرض ساختن زودهنگام بودهاند. این الگوی کلاسیک را همه میشناسیم:
فردی ایدهای پیدا میکند. محصول را در ذهنش تصور میکند. آن را میسازد و سپس بهدنبال کاربر میگردد. وقتی کاربران نمیآیند، امکانات بیشتری اضافه میکند. وقتی امکانات جدید کمکی نمیکنند، طراحی را تغییر میدهد. وقتی بازطراحی هم نتیجه نمیدهد، بازاریابی را مقصر میداند.
هوش مصنوعی این اشتباه را از بین نبرده است؛ فقط آن را سریعتر و ارزانتر کرده است.
اکنون بنیانگذار میتواند در یک آخر هفته، سه نسخه از یک محصول اشتباه را بسازد. میتواند برای ایدهای ضعیف، یک هویت بصری کامل طراحی کند. میتواند برای مسئلهای که هیچکس به آن اهمیت نمیدهد، صفحهٔ فرودی حرفهای منتشر کند. میتواند پیش از اثبات وجود مخاطبی واقعی، یک چتبات، عامل هوشمند، دستیار، بازارگاه یا لایهٔ اتوماسیون بسازد.
در دنیایی که هوش مصنوعی باعث میشود ایدههای بد نیز سریعتر مقیاس بگیرند، نخستین پرسش نباید این باشد: «آیا میتوانیم این را بسازیم؟»
پرسش نخست باید این باشد: «این محصول برای چه کسی و چه تغییر معناداری ایجاد خواهد کرد؟»
اول اثرگذاری، بعد هوش مصنوعی
تاثیرگذاری یک شعار نیست. اثرگذاری تفاوت قابلمشاهدهای است که یک محصول در زندگی، کار، ساختار هزینه، میزان ریسک، کیفیت تصمیمگیری، زمان، درآمد، سلامت، اعتماد یا بار روانی یک فرد یا سازمان ایجاد میکند. اگر یک محصول هیچ چیز مهمی را تغییر ندهد، هوش مصنوعی نمیتواند آن را نجات دهد.
یک قابلیت هوش مصنوعی که در فرایندی کماهمیت فقط سی ثانیه صرفهجویی میکند، ممکن است از نظر فنی جذاب اما از نظر تجاری ضعیف باشد. همینطور دستیار هوشمندی که خلاصههایی تولید میکند که هیچکس آنها را نمیخواند، خروجی تولید میکند، نه اثرگذاری. و ایجنت هوشمندی که فرایندی را خودکار میکند که سازمان واقعاً در اولویت خود قرار نداده است، نوآوری نیست؛ یک کار تزئینی است.
تفکر اثرگذاریمحور (Impact First) به جای (Ai-First) پرسشهای متفاوتی مطرح میکند:
- مسئلهٔ چه کسی آنقدر دردناک است که همین حالا برای حل آن تلاش میکند؟
- اگر این مسئله حل نشود، چه اتفاقی خواهد افتاد؟
- این مسئله چه هزینه، ریسک، تأخیر، اضطراب یا فرصت ازدسترفتهای ایجاد میکند؟
- چه کسی اختیار و انگیزهٔ اقدامکردن دارد؟
- چه بهبود قابلاندازهگیریای باعث میشود استفاده از راهحل ارزشمند باشد؟
فقط پس از پاسخدادن به این پرسشها باید بپرسیم هوش مصنوعی در کجای راهحل قرار میگیرد. ممکن است هوش مصنوعی موتور محصول باشد. ممکن است رابط کاربری، لایهٔ هوشمندی یا لایهٔ اتوماسیون آن باشد. حتی ممکن است اصلاً به هوش مصنوعی نیازی نباشد.
پذیرفتن جملهٔ آخر دشوار است، اما اهمیت زیادی دارد.
نوآوری واقعی به ابزار وفادار نیست؛ به خلق ارزش وفادار است.
اول بازگشت سرمایه، بعد هوش مصنوعی
در فضای کسبوکار، اثرگذاری در نهایت باید به نوعی بازده تبدیل شود. بازگشت سرمایه همیشه بهمعنای سود فوری نیست. در نوآوریهای مراحل ابتدایی، بازده میتواند بهمعنای اثبات تقاضا، کاهش ریسک جذب مشتری، یادگیری سریعتر، کاهش هزینههای عملیاتی، افزایش ماندگاری مشتری، بهبود نرخ تبدیل، تقویت اعتماد یا ایجاد جایگاه راهبردی روشنتر باشد.
اما به هر حال باید نوعی بازده وجود داشته باشد.
پیش از آنکه بپرسیم یک استارتاپ تا چه اندازه هوش مصنوعیمحور است، بهتر است بپرسیم:
- این راهحل چه بازدهی برای مشتری ایجاد میکند؟
- چه بازدهی برای کسبوکار ایجاد میکند؟
- چه بازدهی برای زیستبوم ایجاد میکند؟
- در مقایسه با راهحل فعلی چه بازده بیشتری دارد؟
اگر پاسخ هیچکدام از این پرسشها روشن نیست، هوش مصنوعی استراتژی نیست؛ لباس مبدلی است که بر تن یک ایدهٔ نامشخص پوشاندهایم. این موضوع بهویژه برای تیمهای نوآوری سازمانی اهمیت دارد. بسیاری از سازمانها امروز تحت فشارند که «کاری در حوزهٔ هوش مصنوعی انجام دهند». نتیجه اغلب مجموعهای از پایلوتهایی است که در ارائههای داخلی جذاب به نظر میرسند، اما ارتباط جدیای با اولویتهای عملیاتی، درد مشتری یا منطق مالی سازمان ندارند.
این کار، تحول سازمانی نیست. بلکه همان تئاتر نوآوری است؛ فقط با ابزارهایی پیشرفتهتر.
همانطور که در مقالهٔ «نقش زیرساخت عملیاتی در نوآوری واقعی» توضیح داده شده، ایدهها زمانی معنادار میشوند که سیستم پیرامون آنها توان جذب، آزمایش، حکمرانی و مقیاسدادن به آنها را داشته باشد. هوش مصنوعی نیاز به زیرساخت را از میان نمیبرد؛ آن نیاز را بیشتر میکند.
پیش از MVP، یک MVA بسازید
«کمینه محصول مانا» یا MVP به یکی از تأثیرگذارترین مفاهیم فرهنگ استارتاپی تبدیل شد، زیرا بنیانگذاران را از ساختن بیش از اندازه لازم دور میکند. اما در عصر هوش مصنوعی، حتی ساختن MVP نیز ممکن است زودهنگام باشد. بسیاری از بنیانگذاران پیش از MVP به یک MVA نیاز دارند:
Minimum Viable Audience یا کمینه مخاطب مانا.
منظور از MVA تعداد فالوورها نیست. منظور ثبتنامهای نمایشی یا افرادی نیست که زیر یک پست لینکدین مینویسند «جالبه» و سپس ناپدید میشوند. بلکه منظور گروهی کوچک اما واقعی از انسانهاست که مسئله بهاندازهای برایشان اهمیت دارد که پیش از کاملشدن محصول نیز به آن نزدیک شوند.
یک کمینه مخاطب ماندنی ممکن است صد نفر در یک بازار کوچک با مسئلهای دردناک باشد. ممکن است پانصد متخصص باشند که بهطور مداوم با آن مسئله درگیرند. ممکن است هزار کاربر علاقهمند باشند که قصد خود را با پیوستن به فهرست انتظار، پاسخدادن به پرسشها، آزمایش نمونهٔ اولیه، پرداخت زودهنگام، معرفی دیگران یا تغییر رفتار نشان دادهاند.
عدد دقیق به مدل کسبوکار بستگی دارد و اصل موضوع تغییر نمیکند. پیش از آنکه بپرسید «آیا میتوانیم یک MVP بسازیم؟»، بپرسید:
«آیا میتوانیم پیرامون این مسئله یک جامعهٔ واقعی از مخاطبان شکل دهیم؟»
ایدهٔ «هزار هوادار واقعی» کوین کلی در اینجا مفید است. نه به این دلیل که هر استارتاپ دقیقاً به هزار هوادار نیاز دارد، بلکه به این دلیل که یادآوری میکند یک دسته مخاطب کوچک اما متعهد میتواند بسیار ارزشمندتر از جمعیتی بزرگ اما بیتفاوت باشد.
برای یک استارتاپ، MVA فقط دارایی بازاریابی نیست؛ ابزاری برای کشف حقیقت است. اگر پیش از ساختهشدن محصول نمیتوانید توجه کسی را جلب کنید، ممکن است در حال حل مسئلهای باشید که مردم هنوز آن را به رسمیت نمیشناسند. اگر نمیتوانید مردم را به صحبت دربارهٔ دردشان ترغیب کنید، شاید هنوز آن درد را درست درک نکردهاید. و اگر نمیتوانید گروه کوچکی را واقعاً علاقهمند کنید، هوش مصنوعی قرار نیست بعداً بهشکلی جادویی بازار بزرگتری را علاقهمند کند.
MVA رفتار بنیانگذار را تغییر میدهد
ساختن یک کمینه مخاطب مانا، بنیانگذار را مجبور میکند از پشت لپتاپش بیرون بیاید و بهجای پنهانشدن و غزق شدن در تولید کد، با انسانها صحبت کند. باید دیدگاه خود را منتشر کند. باید واژگان و روایتهای مختلف را بیازماید. باید کشف کند کدام مسائل برای مردم قابل توجه هستند و کدامها نادیده گرفته میشوند. باید بفهمد مردم کدام وعدهها را باور میکنند و کدام وعدهها شبیه صدها ادعای تکراری دیگر دربارهٔ هوش مصنوعیاند.
البته این کار راحتی نیست، اما همین ناراحتی خودش مفید است. کارآفرینی که بدون نمایش محصول نمیتواند مسئله را توضیح دهد، احتمالاً هنوز برای ساختن آن محصول آماده نیست. بنیانگذاری که بدون ارائهٔ امکانات محصول نمیتواند تعداد کوچکی از علاقمندان اولیه را جذب کند، شاید هنوز نقطهٔ ورود مناسبی به بازار پیدا نکرده باشد. و بنیانگذاری که برای جلب توجه مردم باید تا تکمیل کامل محصول صبر کند، ممکن است توسعهٔ محصول را با خلق بازار اشتباه گرفته باشد.
اینجاست که MVA نشانههای اولیه و ارزشمندی در اختیار بنیانگذار قرار میدهد:
- کدام بخش از بازار واکنش قویتری نشان میدهد؟
- کدام کاربرد، احساس فوریت ایجاد میکند؟
- کدام زبان و روایت باعث میشود افراد احساس کنند درک شدهاند؟
- کدام نتیجهٔ وعدهدادهشده بهاندازهای ارزشمند است که مردم برای آن پول بپردازند؟
- کدام مخاطبان فقط کنجکاوند و کدامیک واقعاً جدیاند؟
این نشانهها باید MVP را شکل دهند، نه اینکه تازه پس از ساخت محصول کشف شوند.
ترتیب درست نوآوری کردن
عصر هوش مصنوعی ما را وسوسه میکند منطق کارآفرینی را وارونه کنیم.
ترتیب اشتباه امروزی چنین است:
استفاده از ابزار ← ساخت سریع نمونهٔ اولیه ← انتشار ← جستوجوی تقاضا و کاربر
اما ترتیب درست چنین است:
کشف مسئله ← یافتن مخاطبان اولیه ← ایجاد اثرگذاری ← بازگشت سرمایه ← ساخت MVP ← بهینه سازی با هوش مصنوعی
البته این به آن معنا نیست که هوش مصنوعی باید در مرحلهٔ اجرا آخرین ابزار باشد. هوش مصنوعی میتواند از روز نخست به تحقیق، تحلیل، نمونهسازی، آزمایش، تولید محتوا، برنامهنویسی، طراحی گردشکار و کشف مشتری کمک کند. اما از نظر راهبردی، هوش مصنوعی نباید نقطهٔ شروع باشد. نقطهٔ شروع، یک مسئلهٔ انسانی، سازمانی یا بازاری است که ارزش حلکردن دارد.
این نگاه با استدلال کلاسیک تناسب محصول و بازار در مقالهٔ «تنها چیزی که اهمیت دارد» نوشتهٔ مارک اندریسن نیز همراستاست. بازار اهمیت دارد. تقاضا اهمیت دارد. وجود بازاری واقعی، فوری و قابلدسترسی، از ظرافت نسخهٔ نخست محصول مهمتر است. هوش مصنوعی میتواند شما را سریعتر به تناسب محصول و بازار برساند، اما نمیتواند نیاز به وجود بازار را حذف کند.
یک آزمون ساده برای ایدههای هوش مصنوعی
بنیانگذاران و تیمهای نوآوری میتوانند پیش از ساخت محصول بعدی خود، ایده را از یک فیلتر ساده عبور دهند:
- مخاطب: آیا دقیقاً میدانیم چه کسی با فوریت به این راهحل اهمیت میدهد؟
- درد: آیا میتوانیم هزینهٔ فعلی مسئله را توضیح دهیم؟
- اثرگذاری: آیا میتوانیم بهبود معنادار موردنظر را تعریف کنیم؟
- بازگشت سرمایه: آیا میتوانیم توضیح دهیم چرا این بهبود ارزش صرف زمان، پول یا تغییر رفتار را دارد؟
- اعتماد: آیا کاربران در این موقعیت به هوش مصنوعی اعتماد خواهند کرد؟
- پذیرش: برای موفقیت راهحل، چه کسی باید رفتار خود را تغییر دهد؟
- شواهد: پیش از ساختن، چه شواهدی میتواند اطمینان ما را افزایش دهد؟
اگر پاسخ این پرسشها ضعیف است، سریعتر ساختن مشکل را حل نمیکند. فقط توهم پیشرفت را سریعتر تولید میکند.
هوش مصنوعی باید ارزش اعتبارسنجیشده را تقویت کند
قدرتمندترین محصولات هوش مصنوعی را کسانی نمیسازند که فقط میپرسند: «با هوش مصنوعی چه چیزی میتوانم بسازم؟»
آنها را کسانی میسازند که میپرسند: «در کجا ناکارآمدی دردناک، تقاضای برآوردهنشده، اعتمادی آسیبدیده، تأخیر پرهزینه، تصمیمگیری ضعیف یا نارضایتی پنهان انسانی وجود دارد و هوش مصنوعی چگونه میتواند جهشی واقعی در نتیجه ایجاد کند؟»
تفاوت میان اقدامات تزئینی هوش مصنوعی و نوآوری بر مبنای هوش مصنوعی همین است.
اقدامات تزئینی هوش مصنوعی، لایهای از هوشمندی را به چیزی کماهمیت اضافه میکند در حالیکه نوآوری با هوش مصنوعی، اقتصاد، تجربه، دسترسی، سرعت، کیفیت یا امکان انجام کاری را که از قبل اهمیت داشته، بهشکل معناداری تغییر میدهد.
برای بنیانگذاران، این یعنی کار اصلی پیش از کدنویسی آغاز میشود: مشاهدهٔ رفتار آدمها، ترسیم سیستمها، آزمودن روایتها، گردآوردن باورمندان اولیه، درک انگیزهها و شناسایی نقاطی که ارزش در آنها گرفتار شده است.
برای مدیران سازمانی، این یعنی مقاومت در برابر فشار برای تأمین مالی هر پایلوت وسوسهانگیز هوش مصنوعی.
مسئله این نیست که آیا شرکت فعالیتی در حوزهٔ هوش مصنوعی دارد یا نه. مسئله واقعی این است که آیا هوش مصنوعی به اولویتهای واقعی راهبردی، اثرگذاری قابلاندازهگیری و آمادگی سازمانی متصل شده است یا نه.
در اینجا همراستایی سازمانی به یک ضرورت تبدیل میشود. بدون همراستایی، حتی قدرتمندترین ابزارها نیز فرآیندهای سازمان را دچار اخلال میکنند. به همین دلیل استدلال مربوط به نیاز سازمانها به یک «مدیر ارشد همراستایی» در عصر هوش مصنوعی اهمیت بیشتری پیدا میکند. فردی باید از ارتباط میان چشمانداز، اجرا، فرهنگ و ارزش قابلاندازهگیری محافظت کند.
سخن پایانی
هوش مصنوعی ساختن را آسانتر از هر زمان دیگری کرده است. دقیقاً به همین دلیل باید دربارهٔ اینکه چه چیزی ارزش ساختهشدن دارد، محتاطتر باشیم.
آینده متعلق به کارآفرینانی نیست که بیشترین تعداد UI، ایجنت یا پروتوتایپ را تولید میکنند بلکه آینده متعلق به کسانی است که مسائل را عمیقاً درک میکنند، مخاطبان را صادقانه گرد هم میآورند، اثرگذاری را شفاف تعریف میکنند و از هوش مصنوعی برای تقویت ارزشی استفاده میکنند که از ابتدا دلیلی واقعی برای وجودداشتن داشته است.
بنابراین: از هوش مصنوعی شروع نکنید. از اثرگذاری شروع کنید. مخاطب هدفتان را پیدا کنید. بازدهی را اثبات کنید. سپس با قدرت شروع به ساختن کنید.