فصل ۲: اقتصاد داده و تقسیم کار جدید میان انسان و ماشین

در علم اقتصاد، زمانی که قیمت یک کالا یا خدمت سقوط می‌کند، تقاضا و ارزش اقتصادی «کالاهای مکمل» (Complements) آن به شدت افزایش می‌یابد. ارزان شدن قهوه، ارزش قهوه‌ساز و شکر را بالا می‌برد؛ ارزان شدن خودروهای بنزینی، ارزش نفت و تایر را فزونی می‌بخشد. در اکوسیستم هوش مصنوعی، اولین و ملموس‌ترین مکملِ پیش‌بینی، داده (Data) است. ماشین‌های پیش‌بینی بدون داده، موتورهایی خاموش و بی‌خاصیت هستند. اما برای مدیریت استراتژیک داده، مدیران باید بدانند که همه داده‌ها یکسان نیستند و در چرخه عمر هوش مصنوعی سه نقش کاملاً متمایز ایفا می‌کنند.

یکی از بحث‌های داغ در استراتژی دیجیتال این است که آیا داده به دلیل ایجاد بازده صعودی، انحصارهای شکست‌ناپذیر می‌سازد یا خیر؟ از منظر علم آمار و اقتصاد، داده مشمول قانون بازده نزولی مقیاس (Diminishing Returns to Scale) است. افزودن هزار نمونه اول به یک الگوریتم، دقت پیش‌بینی را به شکل جهشی ارتقا می‌دهد؛ اما وقتی شما از ده میلیون نمونه به ده میلیون و هزار نمونه می‌رسید، بهبود دقت بسیار ناچیز خواهد بود. با این حال، در بازارهای رقابتی که مصرف‌کنندگان تنها بهترین محصول را انتخاب می‌کنند، حتی یک درصد برتری در دقت پیش‌بینی می‌تواند تفاوت میان تسخیر بازار و ورشکستگی باشد.

بزرگ‌ترین خطای استراتژیک مدیران، فرض کردن برتری مطلق ماشین بر انسان در تمامی حوزه‌های پیش‌بینی است. ماشین‌های پیش‌بینی با وجود سرعت، مقیاس‌پذیری و مصونیت در برابر خستگی یا سوگیری‌های هیجانی، در موقعیت‌هایی که داده‌ها ساختار خاصی دارند به شدت آسیب‌پذیرند. درک مرز دقیق توانایی‌های انسان و ماشین، زیربنای طراحی «تقسیم کار جدید» (New Division of Labor) در سازمان‌های هوشمند است.

از آنجا که انسان و ماشین نقاط قوت و ضعف کاملاً متضادی دارند، ترکیب آن‌ها به جای جایگزینی صرف، بالاترین بهره‌وری را خلق می‌کند. در مسائل پیچیده سازمانی، ماشین‌ها در پردازش هزاران متغیر همزمان و حفظ ثبات عملکرد فوق‌العاده‌اند، در حالی که انسان‌ها در تشخیص تغییر رژیم‌های محیطی و موقعیت‌های نادر می‌درخشند.

در یک پژوهش مشهور در دانشگاه هاروارد و MIT روی تشخیص سرطان سینه از روی اسلایدهای پاتولوژی، الگوریتم یادگیری عمیق به تنهایی دقتی معادل ۹۲.۵ درصد داشت و پاتولوژیست‌های خبره انسانی دقتی معادل ۹۶.۶ درصد ثبت کردند. اما نکته شگفت‌انگیز این بود که خطاهای ماشین و خطاهای انسان با یکدیگر همپوشانی نداشتند؛ زمانی که پیش‌بینی ماشین و تشخیص پزشک با هم ترکیب شدند، دقت سیستم ترکیبی به رقم خیره‌کننده ۹۹.۵ درصد رسید و خطاهای تشخیصی را تا ۸۵ درصد کاهش داد.

ماشین‌های پیش‌بینی در پاسخ به «شناخته‌شده‌های شناخته‌شده» عالی عمل می‌کنند؛ اما زمانی که پای «ناشناخته‌های ناشناخته» و گسست‌های ساختاری به میان می‌آید، درک علّی و قیاس انسانی بی‌جایگزین است.

درک این تقسیم کار جدید به رهبران کسب‌وکار نشان می‌دهد که سرمایه‌گذاری در هوش مصنوعی به معنای اخراج نیروی انسانی متخصص نیست؛ بلکه به معنای آزاد کردن ظرفیت شناختی انسان از پیش‌بینی‌های تکراری و روتین، و متمرکز ساختن او بر تحلیل‌های علّی، مدیریت استثنائات و مهم‌تر از همه، اعمال «قضاوت» است.