اگر بهاندازه کافی در اکوسیستم استارتاپی امروز وقت بگذرانید، متوجه یک آیین تازه میشوید. یک کارآفرین عصر چهارشنبه لپتاپش را باز میکند، به یک دستیار کدنویسی مبتنی بر هوش مصنوعی پرامپت میدهد، یک دامنه ثبت میکند و تا شنبه یک وباپلیکیشن تحویل میدهد که رابط کاربریاش حرفهای به نظر میرسد. محتوایش روان و دقیق است و دموی قانعکنندهای دارد.
ولی فردایش که میرسد هیچکس آن را نمیخواهد. این داستان، روایت شکستِ کدنویسی نیست. بلکه سوءتفاهم درباره نوآوری است.
هوش مصنوعی بهعنوان شتابدهنده جهش ژنتیکی
مدلهای زبانی بزرگ (LLMها) در تولید تنوع شگفتانگیزند. میتوانند در چند ثانیه ویژگیهای محصول، مدلهای قیمتگذاری، پیشنویس لندینگپیج و روایت محصول پیشنهاد دهند. آنها حجم عظیمی از الگوهای متنی را فشرده میکنند و خروجیهایی میسازند که منسجم و استراتژیک به نظر میرسند.
اگر با استعاره از مفاهیم فرگشت نگاه کنیم، آنها شتابدهنده جهشهای ژنیتیکی هستند. اما فرگشت دو نیمه دارد: تنوع و انتخاب. و نوآوری در نیمه دوم زنده میماند یا میمیرد.
نکته مهم این است که بازارها بر اساس علیت انتخاب میکنند، نه بر اساس اینکه پیچدک چقدر خوب طراحی شده. در واقع آنها به «تناسب علّی» پاداش میدهند.
یک محصول نه لزوما به این دلیل موفق میشود که زیبا توصیف شده، بلکه چون به دلایل مشخصی رفتار کاربران را تغییر میدهد شانس جلب توجه پیدا میکند. مثلا فشاری را روی کاربرش کاهش میدهد. محدودیتی را برطرف میکند. یعنی در واقع آن چیزی را برآورده میکند که نظریهپردازان نوآوری «کار انجامدادنی» (Job to be Done) مینامند.
این تمایز مهمی است، چون LLMها در هسته خود سیستمهای پیشبینیکنندهاند. آنها train شدهاند تا با توجه به یک زمینه، کلمه بعدی را حدس بزنند. این هدف، تسلط بر همبستگی و تداعی را تقویت میکند. اما بهطور خودکار به معنای فهم رابطه علت و معلول نیست.
حرفزدن درباره علیت، معادل یادگیری آن نیست
این به این معنا نیست که LLMها نمیتوانند درباره علیت صحبت کنند. میتوانند. میتوانند توضیحات علمی را بازتولید کنند و سناریوهای علّی را تحلیل کنند. اما دانش آنها عمدتاً بر متنهای مشاهدهای بنا شده، نه بر مداخلههای واقعی.
علیت، در معنای علمی، به «پادواقعها» نیاز دارد: اگر X را تغییر دهیم و همهچیز دیگر را ثابت نگه داریم، چه میشود؟ به آزمایش ساختاریافته نیاز دارد.
نوآوری، ابطالپذیریِ کاربردی است
اگر نوآوری را دقیق انجام دهیم، بیشتر شبیه روش علمی است تا طوفان فکری.
کارآفرینان درباره اینکه چرا مشتریان به شکل خاصی رفتار میکنند، حدسهایی میسازند. این حدسها را با «محصول کمینه مانا» (MVP) و آزمایشهای بازار میسنجند. چرخه بازخورد «بساز، اندازه بگیر، یاد بگیر» در رویکرد Lean Startup، نوعی ابطالپذیری کاربردی است. فرضیههایی که دوام میآورند، اصلاح میشوند. آنهایی که شکست میخورند، کنار گذاشته میشوند.
اما LLMها در تولید حدس و گمانه عالیاند ولی در تحمیل انضباط ابطالپذیری چندان قابل اتکا نیستند.
ظهور اپلیکیشنهای صیقلی اما سطحی
این عدم تعادل همین حالا هم دیده میشود. سهولت کدنویسی با کمک هوش مصنوعی، هزینه ساخت محصولات سطحی را پایین آورده است. بسیاری از آنها صرفاً رابطهای کاربری هستند که دور یک مدل مانند ChatGPT پیچیده شدهاند. کاری را خودکار میکنند که از نظر فنی ممکن است، اما تقاضای عمیق و واقعی ندارد.
نتیجه، تکثیر اپلیکیشنهای خوشگل اما کمعمق است: کار میکنند، اما با محرکهای بنیادی رفتار مشتری همراستا نیستند.
مسئله این نیست که هوش مصنوعی نمیتواند نوآوری کند. مسئله این است که هوش مصنوعی امروز بهندرت در سیستمهایی تعبیه شده که باورهای علّی را در طول زمان رصد و بهروزرسانی کنند.
بهروزرسانی بیزی کافی نیست
استدلال بیزی سرنخی میدهد که چه چیزی کم است. در اصل، بهروزرسانی بیزی اجازه میدهد با رسیدن شواهد جدید، باورها تغییر کنند. در زبان استارتاپی، هر آزمایش باید میزان اطمینان ما به یک فرضیه درباره نیاز مشتری را اصلاح کند.
اما بهروزرسانی بیزی بهتنهایی تضمینکننده بینش علّی نیست. اگر دادهها مشاهدهای و آمیخته به عوامل مخدوشکننده باشند، ممکن است فقط نسبت به داستان اشتباه خود مطمئنتر شویم.
استنباط علّی به فرضهای ساختاری صریح نیاز دارد: کدام متغیر بر کدام اثر میگذارد، چه چیزی مداخله محسوب میشود، و پادواقعها چگونه تفسیر میشوند. اینها بهطور خودکار در معماری فعلی LLMها کدگذاری نشدهاند. باید توسط انسان یا لایههای مدلسازی مکمل تحمیل شوند.
نوآوری واقعیِ فعالشده با هوش مصنوعی چه شکلی خواهد داشت
یک شکل جدیتر از نوآوری با کمک هوش مصنوعی، چند مؤلفه را ترکیب میکند:
- مدلهای زبانی برای بیان فرضیهها
- مدلهای علّی ساختاری برای صورتبندی مفروضات
- چرخههای بازخورد دنیای واقعی برای آزمون مداخلهها
- بهروزرسانی نظاممند باورها در تکرارهای پیاپی
چنین سیستمی صرفاً ایده تولید نمیکند. آزمایشها را مدیریت میکند و باورها را درباره آنچه واقعاً رفتار را هدایت میکند، بهروزرسانی میکند.
تا آن زمان، هوش مصنوعی موتور قدرتمند تنوع خواهد بود، نه انتخاب.
نامتقارنیِ پیامدها
تفاوت عمیقتری میان هوش مصنوعی و کارآفرینان وجود دارد که کمتر به آن توجه میشود. اگر یک سیستم هوش مصنوعی ده ایده محصول پیشنهاد دهد و هر ده شکست بخورند، هیچ اتفاقی نمیافتد.
- سرمایهای از دست نمیرود.
- سالهایی هدر نمیرود.
- تیمی از هم نمیپاشد.
- اعتباری خدشهدار نمیشود.
- مدل فقط متن بیشتری تولید میکند.
اما اگر یک کارآفرین انسانی همان ده حدس را بسازد و همه شکست بخورند، پولش از بین میرود. زمانش مصرف میشود. انرژیاش تحلیل میرود. انگیزهاش فرسوده میشود. و گاهی مسیر حرفهایاش بهکلی تغییر میکند. بنابراین برای انسانها، نوآوری صرفاً یک تمرین معرفتی نیست؛ تمرینی پرهزینه است.
انسانها تحت محدودیت عمل میکنند. محدودیتهای مالی، عاطفی، زمانی. این محدودیتها آنها را مجبور به اولویتبندی و جدیت میکند و انضباط میسازد، چون هر آزمایش قیمتی دارد.
اما هوش مصنوعی این هزینه را نمیپردازد.
این نامتقارنی مهم است، چون هزینه، تفکر علّی را شفاف میکند. وقتی شکست گران است، پیش از اجرا، سختتر تلاش میکنید تا محرک واقعی را جدا کنید. به دنبال آزمونهای تمایزبخش میگردید. مفروضات خود را زیر سؤال میبرید. سنگینیِ اشتباهبودن را حس میکنید.
یک LLM این سنگینی را حس نمیکند. میتواند حدس تولید کند، بیآنکه آنها را بر اساس ارزش بقا رتبهبندی کند. سرمایه کمیاب تخصیص نمیدهد و پشیمانی را تجربه نمیکند.
ریسک انسانیِ تقلیلناپذیر
کارآفرینان همچنان حامل ریسک معرفتیاند. آنها تصمیم میگیرند کدام فرضیه ارزش آزمودن دارد. منابع کمیاب را تخصیص میدهند. پیامد اشتباهبودن را میپذیرند. یک LLM میتواند ده توضیح شیک درباره چرایی ریزش کاربران ارائه دهد. اگر هر ده نادرست باشند، آسیبی نمیبیند.
موج فعلی ابزارهای هوش مصنوعی، تولید را دموکراتیک کرده است. اما نیاز به فهم چرایی رفتار مشتری را حذف نکرده است. مزیت نوآوری همچنان در «فشردهسازی علّی» است: شناسایی آن چند متغیری که واقعاً سیستم را حرکت میدهند.
هوش مصنوعی میتواند با سرعتی بیسابقه امکان تولید کند. اما بازارها به امکانها پاداش نمیدهند. به توضیحاتی پاداش میدهند که در تماس با واقعیت دوام میآورند.
و تا زمانی که سیستمهای هوش مصنوعی ما نهتنها بر پیشبینی، بلکه بر مداخله نیز استوار نشوند و طوری تعبیه نشوند که خطا در آنها پیامد دارد، هسته علمی نوآوری، سرسختانه و ناگزیر، انسانی باقی خواهد ماند.