ChatGPT شگفتی دنیای این روزها، هر روز بیش‌تر از دیروز محبوب بسیاری از کاربران سراسر جهان شده و هر روز ابزاری تازه در حوزه هوش مصنوعی مولد (GenAI) متولد می‌شود و کاربران با شگفتی، جملات، تصاویر و ایده‌هایی خلق می‌کنند که تا همین چند سال پیش فقط در فیلم‌های علمی‌تخیلی ممکن بود. اما در میان این هیجان، تفاوتی عمیق در حال شکل‌گیری است – تفاوت میان کسانی که صرفاً از AI استفاده می‌کنند و آن‌هایی که با AI ارزش خلق می‌کنند.
در واقع، بسیاری از کسب‌وکارها و مدیران هنوز در مرحله‌ی بازی با ابزارها مانده‌اند. آن‌ها ChatGPT را باز می‌کنند، چند پرامپت امتحان می‌کنند، شگفت‌زده می‌شوند…و بعد می‌پرسند: «خب حالا با این همه توانایی دقیقاً باید چه کار کنیم؟»
کتاب «AI Value Creators: Beyond the Generative AI User Mindset» نوشته‌ی راب توماس (Rob Thomas) – معاون ارشد IBM و یکی از معماران تحول داده و AI در این شرکت – دقیقاً برای پاسخ به همین پرسش نوشته شده است. این کتاب، راهنمایی است برای عبور از هیجان سطحی به درک عمیق: از ذهنیتِ «کاربرِ ابزارهای هوش مصنوعی» به ذهنیتِ «خالق ارزش با هوش مصنوعی».
در جهانی که سرعت تغییر از توان انطباق ما پیشی گرفته، این کتاب یادآوری می‌کند که آینده نه از آن کسانی است که صرفا AI دارند، بلکه از آن کسانی است که بلدند با AI فکر کنند.
لحظهٔ Netscape در هوش مصنوعی: جایی که همه‌چیز عوض شد
در تابستان ۱۹۹۵، وقتی مرورگر Netscape Navigator منتشر شد، اینترنت از آزمایشگاه‌ها بیرون آمد و به خانه‌ها، مدارس و شرکت‌ها راه یافت. آن لحظه فقط تولد یک نرم‌افزار نبود – بلکه تغییری در سطح تمدن دیجیتال بود؛ از دنیای متخصصان به دنیای کاربران عادی.
امروز، هوش مصنوعی مولد (GenAI) دقیقاً در همان نقطه ایستاده است.
همان‌طور که Netscape باعث شد همه بتوانند در وب حضور داشته باشند، ChatGPT، Claude، Gemini و Copilot باعث شده‌اند همه بتوانند با هوش مصنوعی حرف بزنند، تجربه کنند و خلق کنند. اما همان‌طور که اینترنت فقط مرور صفحات وب نبود، GenAI هم فقط تولید متن و تصویر نیست – بلکه زبان جدیدی برای فکر کردن، ساختن و تصمیم گرفتن است.
در این میان، مرز میان کاربر و خالق روزبه‌روز محوتر می‌شود.
کاربرانی که تا دیروز فقط «درخواست» می‌دادند، امروز می‌توانند با چند خط پرامپت «فرآیند» بسازند، محتوای شخصی‌سازی‌شده تولید کنند، یا حتی مدل‌های اختصاصی خود را تربیت کنند. همان‌طور که در دهه‌ی ۹۰، هر کسی با داشتن یک مرورگر و کمی کنجکاوی می‌توانست ناشر شود، حالا هر کسی با دسترسی به یک مدل زبانی و کمی تخیل می‌تواند خالق باشد.
اینجاست که مفهوم مرکزی کتاب «AI Value Creators» معنا پیدا می‌کند:
نویسندگان از دو طرز فکر کاملاً متفاوت حرف می‌زنند:
- +AI: یعنی افزودن هوش مصنوعی به کارهای موجود، برای سریع‌تر و ارزان‌تر انجام دادن آن‌ها.
- AI+: یعنی بازآفرینی کل کار با محوریت هوش مصنوعی، تا ارزش جدیدی خلق شود که پیش‌تر اصلا ممکن نبود.
اگر +AI همان به‌روزرسانی نرم‌افزاری است که سرعتت را بالا می‌برد، AI+ سیستم عاملی تازه است که کل بازی را از نو تعریف می‌کند.
و درست مثل Netscape، هر کسی که امروز زودتر وارد این دنیای جدید شود، فردا جزو کسانی خواهد بود که مسیر آینده را می‌نویسند، نه آن‌هایی که فقط آن را تماشا می‌کنند.
پله‌های صعود: نردبان هوش مصنوعی به زبان ساده
راب توماس در کتابش از استعاره‌ای زیبا برای درک بلوغ هوش مصنوعی استفاده می‌کند: «نردبان AI» (AI Ladder) – مدلی چهارپله‌ای که نشان می‌دهد چگونه یک سازمان از دادهٔ خام به تصمیم‌های هوشمند می‌رسد. این نردبان، نسخه‌ی بازطراحی‌شده‌ای از مدلی است که در IBM برای تحول دیجیتال سازمان‌ها استفاده می‌شود، اما در عصر GenAI معنایی تازه یافته است:
چهار پله نردبان AI:
- جمع‌آوری (Collect):
یعنی همه‌چیز از داده شروع می‌شود – نه از الگوریتم. داده‌هایی که پراکنده، تکراری یا ناقص‌اند، حتی اگر پیشرفته‌ترین مدل‌ها را رویشان سوار کنی، خروجی بی‌معنا خواهند داد. - سازمان‌دهی (Organize):
مرحله‌ای که داده‌ها ساختار پیدا می‌کنند. دسته‌بندی، پاک‌سازی، اتصال و برچسب‌گذاری دقیق، پایه‌ی یادگیری مؤثر AI است. - تحلیل و استنتاج (Analyze):
اینجاست که مدل‌های تحلیلی و الگوریتم‌های یادگیری ماشین وارد عمل می‌شوند تا بینش‌های پنهان را آشکار کنند. در عصر GenAI، این مرحله دیگر فقط تحلیل گذشته نیست، بلکه پیش‌بینی و تولید آینده است. - اتومات‌سازی و تصمیم‌سازی (Infuse):
آخرین پله، یعنی تزریق هوش مصنوعی در قلب تصمیم‌های روزمره سازمان – از خدمات مشتری تا قیمت‌گذاری، از استخدام تا لجستیک.
اما راز اصلی در پله‌ها نیست، در بالا رفتن است
توماس تأکید می‌کند که صعود از این نردبان فقط یک پروژه‌ی فنی نیست، بلکه یک تغییر فرهنگی است.
یعنی موفقیت AI در یک سازمان نه به قدرت سرورها، بلکه به بلوغ فکری مدیران و همکاری بین تیم‌ها بستگی دارد.
مثال بومی: دیجی‌کالا و نردبان داده
فرض کن دیجی‌کالا می‌خواهد تجربه‌ی خرید شخصی‌سازی‌شده‌تری برای کاربرانش بسازد:
- در پله‌ی Collect، داده‌های خرید، جست‌وجو، و امتیاز کاربران را از میلیون‌ها تراکنش جمع‌آوری می‌کند.
- در Organize، این داده‌ها را با کمک تگ‌ها، دسته‌بندی‌های دقیق و ارتباط میان کالاها ساختار می‌دهد.
- در Analyze، الگوریتم‌های توصیه‌گر رفتار مشتری را تحلیل می‌کنند تا بفهمند چه کسانی به چه کالاهایی تمایل دارند.
- و در Infuse، این بینش‌ها مستقیماً وارد سیستم پیشنهاد محصول، کمپین‌های تبلیغاتی و چت‌بات‌های پشتیبانی می‌شود تا هر کاربر تجربه‌ای منحصربه‌فرد داشته باشد.
نتیجه؟ افزایش نرخ تبدیل، رضایت مشتری و بهره‌وری عملیاتی – نه به‌خاطر داشتن مدل‌های پیچیده، بلکه چون کل سازمان از داده و تصمیم تا اجرا، در یک مسیر هوشمند هم‌راستا شده است. در واقع، نردبان AI فقط دربارهٔ «یادگیری ماشین» نیست، بلکه دربارهٔ یادگیری سازمانی است.
سازمان‌هایی که بلدند از هر پله، تجربه بسازند، همان‌هایی‌اند که در نهایت از هوش مصنوعی نه برای نمایش تکنولوژی، بلکه برای ساخت ارزش پایدار استفاده می‌کنند.
بودجه را مثل رهبران AI ببین: خرج برای صرفه‌جویی یا رشد؟
هوش مصنوعی فقط درباره‌ی الگوریتم‌ها نیست؛ درباره‌ی چگونگی خرج کردن پول است.
در کتاب AI Value Creators، راب توماس و همکارانش پیشنهاد می‌کنند هر پروژه‌ی AI را روی یک نمودار ساده اما قدرتمند بررسی کنید – مدلی دو‌بعدی که رهبران واقعی AI از آن برای تصمیم‌گیری استفاده می‌کنند:
محور اول: هدف از خرج کردن
- Spend to Save: خرج کردن برای صرفه‌جویی در هزینه‌ها، افزایش بهره‌وری و کاهش اتلاف.
- Spend to Make: خرج کردن برای خلق درآمد جدید، توسعه‌ی بازار یا بازآفرینی مدل کسب‌وکار.
در بسیاری از شرکت‌ها، پروژه‌های AI با هدف کاهش هزینه شروع می‌شوند – مثلاً اتوماسیون فرایندها، حذف کارهای تکراری یا ساده‌سازی خدمات مشتری.
اما سازمان‌هایی که در مسیر بلوغ هوش مصنوعی پیش می‌روند، یاد می‌گیرند از مرحله‌ی صرفه‌جویی عبور کرده و به سمت رشد و نوآوری حرکت کنند.
در یکی از مثال‌های جذاب کتاب، نویسندگان داستان کارخانه‌ای را نقل می‌کنند که سالانه میلیون‌ها پوند سیب‌زمینی جابه‌جا می‌کرد. مشکل بزرگش قارچی بود که ظاهر سیب‌زمینی را خراب می‌کرد و باعث می‌شد برای صادرات نامناسب به‌نظر برسد.
کارخانه به‌جای استخدام نیروی انسانی برای بررسی دستی، از هوش مصنوعی برای شناسایی خودکار قارچ و جداسازی سیب‌زمینی‌ها استفاده کرد. نتیجه چه شد؟
صرفه‌جویی چشمگیر در هزینه‌ی کارگری (Spend to Save)و در مرحله‌ی بعد، بازگشت به بازارهای صادراتی (Spend to Make).
یک مثال عالی از هوش کاربردی و صرفه‌جویی هوشمند.
نمونه‌ی بومی: بیمه‌ی دیجی‌پی و اتوماسیون هوشمند
در ایران نیز نمونه‌های مشابهی از این منطق دیده می‌شود.
شرکت دیجی‌پی (وابسته به گروه دیجی‌کالا) در سال‌های اخیر بخشی از فرایند ارزیابی خسارت بیمه‌ای و اعتبارسنجی مشتریان را با استفاده از مدل‌های یادگیری ماشین خودکار کرده است.
در ابتدا هدفشان صرفاً کاهش هزینه‌ی بررسی دستی و تسریع تأیید وام‌ها بود – یعنی همان Spend to Save. اما وقتی سیستم به اندازه‌ی کافی داده جمع‌آوری کرد، تیم تحلیل متوجه شد می‌تواند با همین زیرساخت، محصولات اعتباری و بیمه‌ای جدیدی طراحی کند که پیش‌تر امکان‌پذیر نبود. به این ترتیب، پروژه‌ای که با صرفه‌جویی شروع شد، به یک موتور رشد تبدیل شد – دقیقاً همان «Renovation to Fund Innovation» که توماس در کتابش از آن سخن می‌گوید.
در نهایت، هوش مصنوعی فقط زمانی ارزشمند است که بتواند نسبت بین هزینه و خلق ارزش را بازتعریف کند.
پرسش ساده‌ای که رهبران بزرگ همیشه از خودشان می‌پرسند این است: «پروژه‌های هوش مصنوعی ما دقیقاً در کجای این نمودار قرار می‌گیرند؟ برای صرفه‌جویی خرج می‌کنیم یا برای رشد؟»
شاید پاسخ این سؤال، تعیین کند که در آینده شما یک کاربر هوش مصنوعی خواهید بود – یا یک خالق ارزش با هوش مصنوعی.
منحنی بینش (Acumen Curve): دیدن ارزش روی یک نمودار
مدیران بزرگ می‌دانند که پیچیده‌ترین مفاهیم را باید روی ساده‌ترین نمودارها توضیح داد.
راب توماس در کتاب AI Value Creators مدلی به نام «منحنی بینش» (Acumen Curve) معرفی می‌کند – ابزاری بصری برای اینکه بفهمیم پروژه‌های هوش مصنوعی واقعاً در کجای مسیر خلق ارزش قرار دارند.
مدل چگونه کار می‌کند؟
در این منحنی دو محور وجود دارد:
- محور افقی مسیر رشد از بازسازی (Renovation) تا نوآوری (Innovation) را نشان می‌دهد.
- محور عمودی میزان ارزش خلق‌شده یا بازگشت سرمایه را بیان می‌کند.
هر پروژهٔ AI را می‌توان روی این نمودار قرار داد: پروژه‌هایی که هزینه‌ها را کاهش می‌دهند در سمت چپ، و آن‌هایی که مدل‌های جدید درآمدی خلق می‌کنند در سمت راست. بین این دو، پروژه‌های میانی وجود دارند که داده‌ها را غنی‌تر و تصمیم‌ها را هوشمندتر می‌کنند.
چنین تصویری به مدیران کمک می‌کند تا:
- ببینند چه مقدار بودجه صرف صرفه‌جویی می‌شود و چه مقدار صرف رشد،
- و بفهمند کدام بخش از سازمان هنوز در «چپ» مانده است و کدام در مسیر «راست» حرکت می‌کند.
Shift Left → Shift Right
نویسندگان از دو مفهوم زیربنایی برای توضیح این حرکت استفاده می‌کنند: Shift Left و Shift Right.
- Shift Left یعنی کار را زودتر، سریع‌تر و هوشمندتر انجام بده – کاهش خطا، حذف دوباره‌کاری، و صرفه‌جویی در زمان و هزینه.
- Shift Right یعنی از آن صرفه‌جویی‌ها استفاده کن تا مدل‌های تازه‌ای از ارزش و نوآوری خلق کنی.
نمونه‌های واقعی در کتاب روشن‌کننده‌اند:
- شرکت IBM با اتوماسیون فرآیندهای داخلی و ساده‌سازی مدیریت منابع انسانی بیش از ۳ میلیارد دلار صرفه‌جویی کرده – این همان Shift Left است.
- شرکت داروسازی Bayer در پروژهٔ آزمایش بالینی خود، با کمک AI توانست فرایند تأیید دارو را نه‌تنها کوتاه‌تر کند بلکه مدل پیش‌بینی جدیدی برای درمان بسازد – این یعنی Shift Right.
نمونه‌ی بومی: اسنپ در مسیر «چپ تا راست»
در ایران، مثال قابل‌درک از این تحول، پلتفرم اسنپ است.
در ابتدا، تمرکز اسنپ بر Shift Left بود – استفاده از AI برای بهینه‌سازی مسیرها، کاهش زمان انتظار، و صرفه‌جویی در مصرف سوخت.
اما به‌تدریج با جمع‌آوری داده‌های میلیون‌ها سفر و تحلیل الگوهای رفتاری، به مرحلهٔ Shift Right رسید:
خلق سرویس‌های جدیدی مثل اسنپ‌فود، اسنپ‌مارکت و اسنپ‌پیک، که از همان داده‌ها برای توسعه‌ی مدل‌های جدید درآمدی استفاده کردند.
اسنپ از داده‌هایش نه فقط برای صرفه‌جویی، بلکه برای بازآفرینی کسب‌وکار بهره گرفت – دقیقاً همان حرکتی که منحنی بینش توضیح می‌دهد.
جمله‌ی کلیدی :Shift Left یعنی باهوش‌تر کار کن، Shift Right یعنی بزرگ‌تر فکر کن.
هوش مصنوعی قرار نیست فقط بهینه کند؛ باید الهام‌بخش بازآفرینی باشد. منحنی بینش یادآوری می‌کند که مسیر ارزش‌سازی از سمت چپ نمودار شروع می‌شود، اما آینده‌ی واقعی آن در سمت راست شکل می‌گیرد – جایی که سازمان‌ها نه صرفاً باهوش‌تر، بلکه جسورتر می‌شوند.
چطور از «کاربر ChatGPT» به «خالق ارزش ChatGPT» تبدیل شویم
در دنیای امروز تقریباً همه به نوعی از هوش مصنوعی استفاده می‌کنند؛ اما کمتر کسی واقعاً از آن ارزش می‌سازد.
راب توماس در AI Value Creators این تفاوت بنیادین را به‌سادگی توضیح می‌دهد: همه‌ی ما در یکی از سه سطح استفاده از AI قرار داریم — از «کاربر» تا «خالق».
سطح اول: استفاده از هوش مصنوعی در نرم‌افزارهای آماده
این سطح همان جایی است که اکثر افراد حضور دارند.
ابزارهایی مانند Grammarly، Photoshop AI، Notion AI یا حتی فیلترهای هوشمند اینستاگرام نمونه‌های روشن آن هستند. ما از AI استفاده می‌کنیم تا کارمان راحت‌تر شود – متن بنویسیم، عکس بهتر بسازیم، یا خلاصه‌ای از جلسات بگیریم.
مزیت: بهره‌وری بالاتر با کمترین پیچیدگی.
محدودیت: مزیت رقابتی ایجاد نمی‌کند، چون همه به همان ابزار دسترسی دارند.
سطح دوم: استفاده از مدل‌های بیرونی از طریق API یا پلتفرم‌ها
در این سطح، کسب‌وکارها از API مدل‌های آماده مثل OpenAI، Anthropic، Google Gemini یا Cohere استفاده می‌کنند تا ویژگی‌های AI را در محصولاتشان ادغام کنند.
مثلاً یک اپلیکیشن خدمات مشتری ممکن است از ChatGPT API برای پاسخ‌گویی خودکار استفاده کند.
مزیت: سرعت و انعطاف بالا در اجرا.
محدودیت: داده‌ها و کنترل مدل در اختیار شما نیست — تمایزپذیری محدود باقی می‌ماند.
سطح سوم: ساخت مدل اختصاصی با داده‌های خودتان
اینجا نقطه‌ی تمایز واقعی است.
شرکت‌هایی مثل L’Oréal یا IBM به‌جای تکیه بر مدل‌های عمومی، داده‌های منحصربه‌فرد خود را به سرمایه‌ی رقابتی تبدیل کرده‌اند.
- L’Oréal از داده‌های پژوهش‌های پوست و مو در ده‌ها کشور برای ساخت مدل‌های اختصاصی پیش‌بینی‌کننده استفاده می‌کند تا فرمول محصولات و مشاوره‌ی زیبایی را برای هر بازار بومی‌سازی کند.
- IBM نیز مدل‌های اختصاصی خود را روی داده‌های صنعتی و سازمانی آموزش داده تا در حوزه‌هایی مثل بانکداری یا سلامت، تحلیل‌هایی ارائه دهد که هیچ مدل عمومی به آن‌ها دسترسی ندارد.
🔸 نتیجه: خلق مزیت ناپایدار برای رقبا – چون داده‌های منحصربه‌فرد شما، مدل را خاص و تکرارناپذیر می‌کند.
نمونه‌ی ایرانی: نوبیتکس در مسیر خلق مدل اختصاصی
در ایران، شرکت نوبیتکس مثال جالبی از حرکت از سطح دوم به سوم است.
در ابتدا صرفاً از مدل‌های خارجی برای تحلیل رفتار کاربران و پیش‌بینی نوسانات بازار استفاده می‌کرد (سطح دوم).
اما به مرور، با تکیه بر داده‌های میلیون‌ها تراکنش واقعی در بازار رمزارز ایران، تیم داخلی داده‌کاوی‌اش مدل اختصاصی پیش‌بینی و تشخیص تقلب را توسعه داد – مدلی که با ویژگی‌های رفتاری کاربران ایرانی تنظیم شده و از هیچ مدل جهانی قابل کپی نیست. این یعنی عبور از «کاربر بودن» به «خالق ارزش بودن».
در نهایت، مسیر تحول روشن است: از استفادهٔ ساده برای بهره‌وری، به ترکیب خلاقانه برای تمایز، و در نهایت به ساخت مدل اختصاصی برای خلق مزیت رقابتی.
آینده از آن شرکت‌هایی است که داده‌های خود را نه‌فقط به‌عنوان «منبع تغذیهٔ مدل‌ها»، بلکه به‌عنوان DNA رقابتی برندشان می‌بینند.
آینده از آنِ خالقان است
کتاب AI Value Creators در نهایت با یک پیام ساده اما عمیق به پایان می‌رسد: هوش مصنوعی دیگر ابزار نیست، زیربنای تفکر است.
اگر در دهه‌ی گذشته شرکت‌ها برای دیجیتالی شدن رقابت می‌کردند، در دههٔ پیش رو برای «باهوش شدن» رقابت خواهند کرد. اما نکته اینجاست که «باهوش بودن» یعنی چه؟
یعنی توانایی استفاده از داده، فناوری و تخیل برای خلق ارزش‌هایی که پیش‌تر ممکن نبودند.
در این مسیر، دو نوع سازمان شکل می‌گیرد:
- آن‌هایی که از هوش مصنوعی برای سریع‌تر انجام دادن کارهای قدیمی استفاده می‌کنند؛
- و آن‌هایی که از هوش مصنوعی برای بازآفرینی خودِ کار بهره می‌گیرند.
نویسندگان یادآوری می‌کنند که فناوری به‌تنهایی نجات‌بخش نیست؛ ذهنیت است که مسیر را تعیین می‌کند.
شرکت‌هایی مثل IBM، L’Oréal یا Bayer نشان داده‌اند که با ترکیب انضباط داده، فرهنگ یادگیری و جسارت آزمایش، می‌توان از مرحلهٔ تقلید عبور کرد و به مرحلهٔ آفرینش رسید.
در ایران نیز نشانه‌های این تغییر قابل مشاهده است، از استارتاپ‌هایی که مدل‌های بومی پردازش زبان فارسی می‌سازند تا بانک‌هایی که اعتبارسنجی را با الگوریتم‌های داخلی بازتعریف کرده‌اند.
اما فرصت اصلی هنوز در پیش است: ساختن مدل‌هایی که با دادهٔ ایرانی، مسئلهٔ ایرانی را حل کنند.
در پایان کتاب، جمله‌ای هست که خلاصه‌ی تمام آن است و شاید باید بالای مانیتور هر مدیر آینده‌نگر نوشته شود: «کاربران AI دنباله‌رو هستند، اما خالقان AI آینده را می‌نویسند.»
اگر می‌خواهی آینده را فقط تجربه نکنی بلکه در خلق آن شریک شوی،
این کتاب می‌تواند همان جرقه‌ای باشد که زاویهٔ نگاهت را برای همیشه عوض می‌کند. اگر به دنبال خواندن نسخه‌ی فارسی AI Value Creators: Beyond the Generative AI User Mindset هستید به زودی با ترجمه‌ی من، نیما رسول‌زاده، به بازار نشر عرضه خواهد شد.
