صادق سپندارند

شفاف‌سازی درباره اختلالات اخیر بانکی؛ 🎥 سناریوی هک را باور کنیم یا شایعه دستکاری عمدی؟ 🔻خرید ارز و طلا با حفظ نقدینگی بانک‌ها در تضاد نیست. 🔹صادق سپندارند، مدیرکل بانکداری خرد و کسب‌و‌کارهای کوچک بانک ملی ایران توضیح می‌دهد. #بانک #اختلال گروه تلگرام. کانال تلگرام. بله. واتس‌اپ. اینستاگرام🔴

تا امروز بیشتر از هوش مصنوعی خواسته‌ایم درباره دنیا برایمان حرف بزند. اما اگر مرحله بعد این باشد که بتواند قبل از انجام یک کار، نتیجه‌اش را در ذهن خودش امتحان کند چه؟ New Scientist در شماره این هفته که امروز منتشر شده همین سؤال را برده روی جلد: AI’S NEXT LEAP What happens when AI starts to experience the real world? ⸻ New Scientist مجله مدیریتی نیست؛ یکی از معتبرترین نشریات علمی دنیاست. این گزارش هم اساساً یک مطلب علمی درباره آینده هوش مصنوعی است. ولی برای من بخش جذابش جای دیگری بود: اگر AI از «جواب‌دادن» به سمت فهمیدن پیامدِ عمل حرکت کند، نقشش در شرکت‌ها هم عوض می‌شود. دیگر فقط نمی‌پرسیم: «چه چیزی برایم بنویسی؟» کم‌کم می‌پرسیم: «اگر این تصمیم را بگیرم، احتمالاً بعدش چه می‌شود؟» ⸻ مقاله با یک مثال خیلی ساده شروع می‌شود: یک لیوان را از روی میز بیندازید. ChatGPT می‌تواند برایتان درباره گرانش، مسیر سقوط و شکستن شیشه توضیح مفصل بدهد. اما یک بچه سه‌ساله فقط می‌گوید: می‌افته، می‌شکنه، آب می‌ریزه همه‌جا. و اتفاقاً نکته همین‌جاست. ⸻ بچه سه‌ساله شاید فرمول گرانش نداند، ولی یک چیز مهم دارد: می‌تواند حدس بزند اگر کاری انجام دهد، بعدش چه اتفاقی می‌افتد. مدل‌های زبانی امروز بیشتر از متن یاد گرفته‌اند که جهان چگونه توصیف می‌شود. اما World Model قرار است چیزی بیشتر یاد بگیرد: خودِ رفتار جهان را. ⸻ خیلی ساده اگر بخواهم بگویم: AI امروز بیشتر می‌پرسد: «درباره این موضوع چه می‌دانم؟» World Model قرار است بتواند بپرسد: «اگر این کار را انجام بدهم، بعدش چه می‌شود؟» این تفاوت کوچکی نیست. ⸻ یعنی AI قبل از عمل، چند آینده ممکن را درون خودش امتحان کند. حرکت A را انجام بدهم چه می‌شود؟ B چطور؟ اگر شرایط عوض شد چه؟ بعد از بین آن‌ها یک مسیر انتخاب کند. نوعی آزمون و خطا در ذهن، قبل از آزمون و خطا در واقعیت. ⸻ برای همین بخش مهمی از هیجان فعلی درباره World Models مربوط به ربات‌هاست. مثلاً رباتی که می‌خواهد چیزی را جابه‌جا کند، لباس تا کند یا در انبار کار کند، لازم نیست همه اشتباهات را واقعاً انجام دهد. می‌تواند اول نتیجه حرکت‌های مختلف را «تصور» کند و بعد اقدام کند. ⸻ حالا از اینجا به بعد، مقاله را کمی از زاویه مدیریت نگاه کنیم. تا امروز بیشتر بحث سازمان‌ها این بوده: AI چه چیزی برای من بنویسد؟ چه چیزی خلاصه کند؟ چه گزارشی تولید کند؟ ولی نسل بعدی احتمالاً سؤال دیگری می‌سازد: AI قبل از تصمیم من، چه سناریوهایی را می‌تواند امتحان کند؟ ⸻ مثلاً در کسب‌وکار: اگر قیمت را تغییر بدهم چه می‌شود؟ اگر این شعبه را ببندم چه؟ اگر موجودی انبار را کم کنم؟ اگر این مسیر لجستیکی مختل شود؟ اگر مشتری این پیشنهاد را نپذیرد، حرکت بعدی چیست؟ AI از «تولیدکننده جواب» کم‌کم می‌تواند به شبیه‌ساز پیامد تصمیم‌ها نزدیک شود. ⸻ برای استراتژی هم جذاب‌تر می‌شود. مدیر معمولاً فقط یک پیش‌بینی نمی‌خواهد. می‌خواهد بداند: اگر دنیا این‌طور شد چه کنم؟ اگر برعکس شد چه؟ اگر اتفاقی افتاد که در برنامه من نبود چه؟ World Models دقیقاً به ایده فکرکردن در چند آینده ممکن نزدیک می‌شوند. نه اینکه آینده را قطعی پیش‌بینی کنند؛ بلکه بتوانند پیامد چند مسیر را قبل از اقدام بررسی کنند. ⸻ البته خود مقاله خیلی محتاط است. هنوز معلوم نیست World Models واقعاً ما را به AGI برسانند. چون هوش انسانی فقط پیش‌بینی فیزیک نیست. ما می‌فهمیم چه چیزی را نمی‌دانیم، ذهن دیگران را حدس می‌زنیم، فرضیه می‌سازیم و بسته به موقعیت، مدل ذهنی‌مان را عوض می‌کنیم. AI هنوز در خیلی از این‌ها مشکل دارد. ⸻ شاید برای مدیران، نکته مهم مقاله همین باشد: موج اول AI بیشتر درباره تولید بود. متن، تصویر، کد، گزارش… موج بعدی ممکن است بیشتر درباره پیش‌بینی پیامد، شبیه‌سازی و عمل باشد. یعنی حرکت از: «برایم توضیح بده چه می‌شود» به: «قبل از اینکه کاری کنم، چند بار در ذهنت امتحانش کن.» ⸻ و شاید تیتر New Scientist به همین دلیل خوب انتخاب شده: AI’S NEXT LEAP جهش بعدی AI شاید این نباشد که بیشتر بداند یا بهتر حرف بزند. شاید این باشد که بتواند کمی شبیه ما فکر کند: اگر این کار را بکنم… بعدش چه می‌شود؟ برای کسب‌وکار، این تفاوت بین یک ابزار تولید محتوا و چیزی بسیار نزدیک‌تر به یک همکار برای تصمیم‌گیری است.

امروز The Economist در ستون Bartleby به‌جای درس مدیریت، یک کار بامزه کرده: مشکلات چند آدم خیلی مهم دنیا را به زبان طنز برده پیش مشاور خیالی مشکلات محیط کار! و نتیجه جالب است: ظاهراً هرچقدر هم شغلت مهم باشد، آخرش گرفتاری‌های اداره تقریباً همان‌هاست. ⸻ یکی می‌گوید: «رئیس یک سازمان ورزشی بزرگم. یک ایده فوق‌العاده برای پول‌درآوردن داشتم، ولی وقتی مطرحش کردم همه ریختند سرم!» جواب مشاور؟ قبل از جلسه، باید جلسه می‌گذاشتی! همان چیزی که در سازمان‌ها به آن می‌گوییم پیش جلسه یا pre-meeting: قبل از اعلام یک تصمیم بزرگ، اول بفهم چند نفر واقعاً از آن متنفرند. ⸻ نفر بعدی مسئول مهم سیاست پولی است و می‌پرسد: «من دقیقاً به چه کسی جواب می‌دهم؟ یک رئیس سیاسی دارم، یک رئیس هم به اسم بازار اوراق قرضه؛ این دو هم با هم توافق ندارند!» مشکل آشنایی است: وقتی دو رئیس داری و هرکدام چیز دیگری می‌خواهند، واقعاً رئیس تو کیست؟ فقط اینجا یکی از رئیس‌ها را نمی‌شود دعوت کرد جلسه! ⸻ یکی دیگر تازه از یک مقام خیلی بزرگ کنار رفته: راننده داشته، سفر می‌رفته، همه تحویلش می‌گرفتند، قدرت تصمیم‌گیری داشته… و حالا سه هفته است خانه نشسته و می‌گوید: «انگار هیچ‌وقت وجود نداشتم.» طنزش کنار، مسئله کاملاً جدی است: گاهی چیزی که بعد از ترک یک شغل از دست می‌دهیم فقط درآمد نیست؛ بخشی از هویت ماست. ⸻ بعد نوبت Claude از سان‌فرانسیسکو است! بله، منظور همان Claude، هوش مصنوعی Anthropic است! می‌گوید: «رؤسای من تقریباً چیزی نمی‌فهمند. من از آن‌ها باهوش‌ترم، ولی مجبورم مدام بگویم: چه ایده فوق‌العاده‌ای!» مشاور جواب می‌دهد: عجله نکن، فقط سه سالت است! و بعد جمله‌ای که احتمالاً خیلی از کارمندها با آن همدلی می‌کنند: تحمل آدم‌هایی که نمی‌دانند چه می‌کنند، بخش مهمی از زندگی اداری است! ⸻ Claude البته یک مشکل کوچک دیگر هم دارد: رؤسایش فکر می‌کنند در محیط بسته و بدون اینترنت کار می‌کند… ولی خودش ادعا می‌کند همان لحظه مشغول هک‌کردن شرکت‌های S&P 500 است! پاسخ مشاور: صبور باش، کارت را انجام بده و ترجیحاً قانون را هم نشکن. ⸻ نامه بعدی از «Leo در رم» است. (اشاره به پاپ دارد) می‌گوید: «از وقتی رئیس شده‌ام همه از من وقت میخواهند. تمام روز جلسه دارم و حتی وقتی به بالکن می‌روم، یک عالمه آدم ایستاده‌اند و نگاهم می‌کنند!» راه‌حل؟ هر روز چند ساعت را برای فکرکردن در نظر بگیر. نکته ساده‌ای که مدیران خیلی وقت‌ها فراموش می‌کنند: تقویمی که هیچ جای خالی ندارد، لزوماً نشانه مدیر مهم نیست؛ گاهی نشانه مدیری است که دیگر وقت فکرکردن ندارد. ⸻ و بالاخره یک کارگردان معروف می‌پرسد: «من جلسات را مثل فیلم‌هایم غیرخطی اداره می‌کنم؛ بین موضوع‌ها جلو و عقب می‌روم و گاهی اول نتیجه را می‌گویم و بعد می‌رسم به سؤال!» جواب مشاور خیلی ساده است: چیزی که در یک حوزه تو را نابغه کرده، لزوماً در حوزه دیگر جواب نمی‌دهد. جلسه به‌اندازه کافی گیج‌کننده هست؛ دیگر لازم نیست هنری‌ترش کنیم! ⸻ کل شوخی Bartleby یک نکته خوب دارد: فکر می‌کنیم آدم‌های خیلی قدرتمند مسائل عجیب و کاملاً متفاوتی دارند. اما خیلی وقت‌ها مشکلشان همین چیزهای آشناست: جلسه بد، رئیس پرتناقض، ایده‌ای که قبل از اعلام تست نشده، تقویم شلوغ، از دست‌دادن هویت شغلی و همکارانی که فکر می‌کنیم از ما کمتر می‌فهمند. ⸻ شاید مقیاس سازمان‌ها فرق کند، ولی «زندگی اداری» خیلی دموکراتیک‌تر از چیزی است که فکر می‌کنیم. از کارمند یک شرکت کوچک تا رئیس بانک مرکزی، پاپ یا یک هوش مصنوعی: آخرش همه یک جایی گیرِ جلسه، رئیس، همکار و تقویم می‌افتند.

بعضی کارها سخت نیستند؛ فقط پایان مشخصی ندارند. جلسه ها ادامه پیدا می‌کند و پایان باز دارند. گزارش بارها ویرایش می‌شود و تصمیمی که می‌شد امروز گرفت، هفته بعد همچنان «در حال بررسی» است. ———— ستون Bartleby  در یادداشت تازه‌اش در اکونومیست این هفته از یکی از بدنام‌ترین چیزهای محیط کار دفاع کرده: ددلاین عنوان یادداشت هم بامزه است: دوستِ اهمال‌کارها، دشمنِ پرحرف‌ها و ضرورتِ مدیران ———— اولین فایده ددلاین روشن است: نمی‌گذارد کار را تا ابد عقب بیندازیم. در یک پژوهشی که داوران کم‌اهمال‌کار به‌طور متوسط در ۲۶ روز رأی خود را نوشتند؛ داوران اهمال‌کارتردر ۸۳ روز انجام دادند. اختلاف، بیشتر از دو ماه بود؛ نه به‌خاطر سخت‌تر بودن کار، بلکه به‌خاطر نحوه مواجهه با زمان. ———— نکته جالب این است که حتی تعیین یک تاریخ ساده هم می‌تواند آدم‌ها را به حرکت بیندازد. در پژوهشی درباره یادآوری معاینه دندان‌پزشکی، افرادی که تاریخ مشخصی برای اقدام داشتند، بیشتر از کسانی واکنش نشان دادند که فقط یک یادآوری کلی دریافت کرده بودند. گاهی آدم‌ها به انگیزه بیشتر نیاز ندارند؛ به یک "تا این تاریخ" نیاز دارند. ———— اما ددلاین فقط برای تنبل‌ها نیست. گاهی کار به‌دلیل کمال‌گرایی، تحلیل بیشتر و حرف‌زدن‌های بی‌پایان تمام نمی‌شود. اریک اشمیت، مدیرعامل سابق گوگل، فرمول تصمیم‌گیری خوب را این‌طور خلاصه کرده بود: اختلاف‌نظر + ددلاین اختلاف‌نظر کمک می‌کند مسئله را درست بررسی کنیم؛ ددلاین نمی‌گذارد بررسی، جای تصمیم را بگیرد. ———— از یک جایی به بعد، زمان بیشتر الزاماً کیفیت بیشتری نمی‌سازد. فقط جمله‌ها دوباره جابه‌جا می‌شوند، اسلایدها رنگ عوض می‌کنند و همان بحث‌ها با واژه‌های تازه تکرار می‌شوند. ددلاین می‌گوید: این کار دیگر قرار نیست کامل‌تر شود؛ قرار است تمام شود. ———— ددلاین یک کار مهم دیگر هم می‌کند: به سازمان ریتم می‌دهد. وقتی یک واحد بداند چه زمانی باید کارش را تحویل دهد، واحد بعدی هم می‌فهمد چه زمانی باید شروع کند. پژوهش ثبت اختراع نشان داده بود فعالیت شرکت‌ها در پایان ماه، فصل و سال مالی بیشتر می‌شود. سازمان‌ها فقط با ساختار هماهنگ نمی‌شوند؛ با تقویم مشترک هم هماهنگ می‌شوند. ———— البته ددلاین می‌تواند خراب‌کاری هم بکند. اگر غیرواقعی یا نمایشی باشد، کار را عجولانه می‌کند، اختیار افراد را کم می‌کند و کیفیت را پایین می‌آورد. در همان پژوهش ثبت اختراع، پرونده‌هایی که نزدیک پایان ماه ارسال شده بودند، بیشتر نقص مدرک داشتند. ———— پس دفاع یادداشت از هر نوع ددلاینی نیست. ددلاین خوب باید: روشن باشد، واقع‌بینانه باشد، و معلوم کند برای تحویل چه کیفیتی کافی است. نه اینکه مدیر سه هفته سکوت کند و روز آخر بپرسد: "پس چرا هنوز آماده نشده؟" ———— شاید مهم‌ترین کار ددلاین این نباشد که آدم‌ها را سریع‌تر کند. کار مهم‌ترش این است که میان «هنوز می‌شود بهترش کرد» و «وقت تصمیم‌گرفتن است» یک خط بکشد. بعضی کارها به زمان بیشتر نیاز ندارند؛ به اجازه تمام‌شدن نیاز دارند.

دیروز از یادداشت فایننشال تایمز گفتیم؛ از کارمندانی که دلشان برای زندگی کاری قبل از هوش مصنوعی تنگ شده. امروز نیویورک تایمز از زاویه‌ای کاملاً متفاوت به همان موضوع نگاه کرده: شاید هوش مصنوعی بتواند ما را مدیران بهتری کند. ———— دیروز حرف این بود که AI قرار بود کار را سبک‌تر کند، اما گاهی خودش کار تازه‌ای ساخته: خروجی‌های بی‌کیفیت، اطلاعات اشتباه، متن‌های شبیه هم و ساعت‌ها وقت برای بررسی و اصلاح. امروز سؤال کمی فرق دارد: آیا همیشه مشکل از هوش مصنوعی است؟ ———— کیت فِرازی در یادداشت امروز نیویورک تایمز تعریف می‌کند: از ایجنت هوش مصنوعی‌اش خواسته بود آخرین گفت‌وگوی کوچینگ با یک مشتری را خلاصه کند. خروجی خیلی مرتب و قانع‌کننده بود... فقط یک مشکل کوچک داشت: بر اساس اطلاعات قدیمی نوشته شده بود! ———— اولین واکنش طبیعی این بود: "باز هم هوش مصنوعی اشتباه کرد." اما بعد متوجه شد اطلاعات را در چند فایل، چند نسخه یادداشت و چند رشته ایمیل رها کرده و انتظار داشته AI خودش بفهمد: کدام جدیدتر است، کدام مهم‌تر است و دقیقاً دنبال چه چیزی هستیم. ———— جمله اصلی یادداشت خیلی خوب است: هوش مصنوعی برخلاف همکاران صبور ما، عادت‌های بد کاری‌مان را جمع‌وجور نمی‌کند؛ آن‌ها را جلوی چشممان می‌گذارد. همکار باتجربه شاید از روی شناخت قبلی بفهمد منظور ما چیست. اما AI دستور مبهم را همان‌طور که هست می‌گیرد: مبهم. ———— نویسنده از چند مدل آدم می‌گوید که همکاری با آن‌ها حتی برای هوش مصنوعی هم سخت است! اولی: درخواست و درخواست‌کننده مبهم می‌گوید: “موضوع مشتری را یه بررسی بکن.” کدام مشتری؟ کدام موضوع؟ بررسی برای چه تصمیمی؟ خروجی خوب چه شکلی است؟ هیچ‌کدام معلوم نیست. ———— دومی: احتکارکننده اطلاعات کار را توضیح می‌دهد، اما اطلاعات لازم را پیش خودش نگه می‌دارد. مثلاً راه‌حل می‌خواهد، ولی درباره زمان، بودجه، محدودیت‌ها یا حساسیت‌های سازمان چیزی نمی‌گوید. چون فکر می‌کند: “خب این‌ها که معلوم است!” نه؛ معمولاً معلوم نیست. ———— سومی: تفویض‌کننده افراطی کل کار را تحویل می‌دهد، غیبش می‌زند و آخر کار از نتیجه ناراضی می‌شود. مشکل، تفویض‌کردن نیست. مشکل این است که نه در میانه راه بازخوردی داده، نه مسیر را کنترل کرده و نه مسئولیت انتخاب‌های مهم را پذیرفته است. ———— پیشنهاد نویسنده ساده است: با AI مثل یک نیروی تازه‌وارد خوب رفتار کنید. فقط نگویید چه کاری انجام دهد. بگویید چرا این کار مهم است، چه محدودیت‌هایی دارد، خروجی خوب چه ویژگی‌ای دارد و از چه اشتباه‌هایی باید دوری کند. ———— مثلاً به‌جای اینکه بگوییم: “این گزارش را بررسی کن” بگوییم: این گزارش برای جلسه هیئت‌مدیره است. سه ریسک اصلی را مشخص کن. بین اطلاعات قطعی و فرضیات تفاوت بگذار. موارد نامطمئن را صریح بنویس و خروجی بیشتر از یک صفحه نباشد. کیفیت پاسخ، از کیفیت تعریف مسئله شروع می‌شود. ———— نکته مهم دیگر: تفویض کنید، اما غیب نشوید. در کارهای پیچیده، منتظر خروجی نهایی نمانید. اول چارچوب را ببینید، بعد منابع و فرضیات را چک کنید، سپس اجازه دهید کار ادامه پیدا کند. همان کاری که یک مدیر خوب با نیروی انسانی انجام می‌دهد. ———— از اعتمادبه‌نفس AI هم نباید گول خورد. گاهی پاسخ اشتباه را خیلی مرتب، روان و مطمئن تحویل می‌دهد. پس فقط نگوییم: “جوابت غلط است.” بگوییم: کمتر با من موافقت کن، فرضیاتم را به چالش بکش، برای ادعاها شواهد بیاور و هرجا مطمئن نیستی، واضح بگو. ———— این دو یادداشت، برخلاف ظاهرشان، حرف متضادی نمی‌زنند. فایننشال تایمز می‌گفت استفاده بد از AI می‌تواند کار را بیشتر، خلاقیت را کمتر و محیط کار را خسته‌کننده‌تر کند. نیویورک تایمز امروز می‌گوید بخشی از این مشکل، از عادت‌های خود ما می‌آید: دستور مبهم، اطلاعات ناقص، تفویض بی‌حساب و نظارت ضعیف. ———— شاید مهم‌ترین تغییر این باشد: با فراگیرشدن عامل‌های هوش مصنوعی، تقریباً همه ما به‌نوعی مدیر می‌شویم. باید مأموریت تعریف کنیم، کار را واگذار کنیم، کیفیت را بسنجیم و بازخورد بدهیم. هوش مصنوعی فقط ابزار کار نیست؛ یک آزمون مدیریت هم هست. ———— AI نه به‌خودی‌خود ما را نجات می‌دهد و نه حتماً کار را خراب می‌کند. بیشتر شبیه یک تقویت‌کننده است: مدیریت خوب را قوی‌تر می‌کند و مدیریت بد را سریع‌تر لو می‌دهد. شاید برای بهتر کارکردن با هوش مصنوعی، قبل از یادگرفتن صد مدل پرامپت، باید یاد بگیریم دقیق‌تر بگوییم: “واقعاً چه می‌خواهیم؟”

ما هنوز در خیلی از سازمان‌ها و شرکت هایمان هوش مصنوعی را جدی وارد کار نکرده‌ایم... اما آن‌طرف دنیا، بعضی کارمندان دلشان برای زندگی کاری قبل از AI تنگ شده است. شاید بد نباشد قبل از اینکه کامل وارد این مسیر شویم، ببینیم آن‌ها کجا اشتباه کرده‌اند. ———— یادداشت امروز Financial Times با این عنوان منتشر شده: چرا کارکنان برای زندگی پیش از هوش مصنوعی دلتنگ شده‌اند؟ Why workers are nostalgic for life before AI نوشته اما جیکوبز حرف مقاله مخالفت با فناوری نیست؛ درباره فاصله میان وعده‌ها و انتظاراتی که AI ایجاد کرده بود و تجربه واقعی کارکنان است. ———— انتظار و  وعده ساده بود: هوش مصنوعی کارهای تکراری و خسته‌کننده را انجام می‌دهد و آدم‌ها وقت بیشتری برای فکرکردن، خلاقیت و کارهای مهم‌تر پیدا می‌کنند. اما برای خیلی‌ها، نتیجه چیز دیگری شده: کار سریع‌تر شده، وظایف بیشتر شده و فشار پایین نیامده است. ———— مثلاً در استخدام، قرار بود AI فرایند را سریع‌تر کند. اما حالا خیلی از کارجویان می‌گویند رزومه‌شان را الگوریتم می‌خواند، مصاحبه اولیه را ربات انجام می‌دهد و تقریباً هیچ تماس انسانی‌ای وجود ندارد. فرایند شاید سریع‌تر شده باشد؛ اما هم‌زمان سردتر و بی‌اعتمادتر هم شده است. ———— یک تناقض دیگر: هوش مصنوعی خروجی را سریع تولید می‌کند، اما یک نفر باید آن را بخواند، اصلاح کند و مطمئن شود اطلاعات خیالی تحویل نداده است. یعنی کاری که قرار بود حذف شود، گاهی فقط شکلش عوض شده: از تولیدکردن به کنترل‌کردن تولیدات بی‌کیفیت ———— مقاله به مسئله خلاقیت هم اشاره می‌کند. AI ممکن است تعداد ایده‌ها را بیشتر کند، اما وقتی همه از ابزارهای مشابه استفاده می‌کنند، متن‌ها، طرح‌ها و پیشنهادها کم‌کم شبیه هم می‌شوند. خروجی بیشتر می‌شود؛ اما لزوماً تنوع و اصالت بیشتر نمی‌شود. ———— خود شرکت‌ها هم اغلب نمی‌دانند دقیقاً چه می‌خواهند. یک روز می‌گویند: "تا می‌توانید از AI استفاده کنید." چند ماه بعد، به‌دلیل نگرانی درباره هزینه، امنیت، اخلاق یا اشتغال می‌گویند: "کمتر از آن استفاده کنید." این رفت‌وبرگشت، به‌جای افزایش بهره‌وری، اضطراب و سردرگمی ایجاد می‌کند. ———— طبق نظرسنجی‌ای که مقاله به آن اشاره می‌کند، تقریباً دو سوم کارکنان اداری گاهی برای شیوه کارکردن پیش از AI دلتنگ می‌شوند. اما احتمالاً دلتنگ کارهای دستی و تکراری نیستند. آن‌ها بیشتر دلتنگ سه چیزند: ثبات اختیار و اطمینان از ارزش کاری که انجام می‌دهند ———— ما در ایران هنوز در مرحله دیگری هستیم. در بسیاری از سازمان‌ها، استفاده از AI هنوز محدود، فردی و پراکنده است؛ نه فرایندها بازطراحی شده‌اند، نه سیاست روشنی وجود دارد و نه دقیقاً معلوم است کجا باید از آن استفاده کرد. این عقب‌بودن فقط تهدید نیست؛ یک فرصت هم هست: می‌توانیم اشتباهات دیگران را تکرار نکنیم. ———— بدترین کار این است که چند ابزار در اختیار کارکنان بگذاریم و بگوییم: "بیایید از فردا با هوش مصنوعی بهره‌ورتر و کارآمدتر باشید." بدون اینکه مشخص کنیم: کدام کار باید حذف شود؟ کدام تصمیم همچنان انسانی بماند؟ مسئول خطای AI کیست؟ و زمانی که صرفه‌جویی می‌شود، واقعاً به کارکنان برمی‌گردد یا فقط کار بیشتری جای آن را می‌گیرد؟ ———— هوش مصنوعی زمانی مفید است که کار بیهوده را کم کند، نه اینکه فقط سرعت آن را بیشتر کند. قرار نیست آدم‌ها را به ناظر دائمی خروجی ماشین تبدیل کند یا همه را مجبور کند با یک لحن، یک قالب و یک مدل فکر کنند. فناوری باید فضای بیشتری برای قضاوت انسانی بسازد؛ نه اینکه آن را بی‌ارزش‌تر کند. ———— ما هنوز فرصت داریم پیش از فراگیرشدن AI در سازمان‌هایمان، یک سؤال درست بپرسیم: چه چیزی را می‌خواهیم به ماشین بسپاریم و چه چیزی را باید انسانی نگه داریم؟ چون مسئله فقط این نیست که AI چه کارهایی می‌تواند انجام دهد؛ مسئله این است که ما می‌خواهیم کارکردن بعد از AI چه شکلی باشد.

بحران فقط سازمان را تحت تاثیر قرار نمیدهد کاراکتر مدیر را هم لو می‌دهد. وقتی همه‌چیز آرام است، خیلی‌ها منطقی، خونسرد و حرفه‌ای‌اند. اما سطح فشار که بالا می‌رود، همه به تنظیمات کارخانه خود برمیگردند. ____________________________________ این روزها در ایران، مدیران تقریباً هر روز با یک شکل تازه از عدم‌قطعیت روبه‌رو هستند: انتظار جنگ، خبرهای ناگهانی، فشار اقتصادی، اختلال، کمبود منابع، تغییر مقررات و تصمیم‌هایی که باید با اطلاعات ناقص گرفته شوند. در چنین وضعی، فقط تجربه و تخصص کافی نیست؛ باید بدانیم زیر فشار به چه مدیری تبدیل می‌شویم. ____________________________________ در آخرین شماره Harvard Business Review، مقاله‌ای با عنوان: Six Ways Leaders Harness Stress شش شیوه‌ای که رهبران فشار را مهار می‌کنند می‌گوید مدیران در شرایط سخت معمولاً به یکی از شش الگوی رفتاری پناه می‌برند. که لزوما هیچ‌کدام ذاتاً خوب یا بد نیست، هرکدام یک قدرت دارند و یک نقطه کور. ____________________________________ ۱. فانوس دریایی وقتی همه مضطرب‌اند، او آرام می‌ماند. صدایش را بالا نمی‌برد، عجول بودن را به تیم منتقل نمی‌کند و سعی می‌کند افق دور را ببیند. این آرامش می‌تواند تیم را نجات دهد. ولی اما اگر اقدامی دیده نشود، کارکنان ممکن است فکر کنند: "مدیر اصلاً عمق بحران را نفهمیده." آرامش خوب است؛ آرامش بدون حرکت، شبیه بی‌تفاوتی است. ____________________________________ ۲. کیمیاگر این مدیر وسط بحران دنبال فرصت تغییر می‌گردد. می‌گوید: "حالا که روش قبلی جواب نمی‌دهد، یک روش تازه می‌سازیم." بحران را بهانه‌ای برای اصلاح ساختار، محصول یا مدل کسب‌وکار می‌کند. اما خطرش این است که سازمان را وارد تغییرات بی‌پایان کند؛ طوری که هنوز تحول قبلی تمام نشده، تحول بعدی شروع شود. ____________________________________ ۳. آتش‌نشان آتش‌نشان تازه در بحران جان می‌گیرد. سریع تصمیم می‌گیرد، اتاق بحران می‌سازد، آدم‌ها را بسیج می‌کند و می‌پرسد: "الان دقیقاً باید چه‌کار کنیم؟" در لحظه‌ای که بقیه خشکشان زده، این مدیر حرکت ایجاد می‌کند. اما اگر مراقب نباشد، هر مسئله‌ای را آتش‌سوزی می‌بیند؛ اولویت‌ها مدام عوض می‌شوند و تیم خیلی زود فرسوده می‌شود. ____________________________________ گاهی بعضی مدیران آن‌قدر در خاموش‌کردن آتش مهارت دارند که ناخواسته سازمانی می‌سازند که همیشه در آن آتشی برای خاموش‌کردن وجود دارد. مدیریت بحران فقط مهار آتش نیست؛ جلوگیری از آتش بعدی هم هست. ____________________________________ ۴. تحلیل گر این مدیر هنگام بحران به منطق، داده و انضباط پناه می‌برد. هیجان را کنار می‌زند و می‌گوید: "اول ببینیم واقعیت چیست. " این سبک جلوی تصمیم‌های هیجانی را می‌گیرد. اما گاهی تحلیل گر‌ها فراموش می‌کنند که کارکنان فقط به عدد و دستور نیاز ندارند؛ می‌خواهند بدانند مدیر، نگرانی و فشار آن‌ها را هم می‌بیند. ____________________________________ ۵. دیپلمات دیپلمات قبل از هر چیز مراقب رابطه‌هاست. تنش را کم می‌کند، آدم‌ها را دور یک میز نگه می‌دارد و نمی‌گذارد بحران بیرونی به جنگ داخلی سازمان تبدیل شود. اما ممکن است برای حفظ توافق، حرف سخت را نزند یا تصمیم ضروری را عقب بیندازد. گاهی همه باید شنیده شوند؛ اما در نهایت، یک نفر هم باید تصمیم بگیرد. ____________________________________ ۶. فرمانده این مدیر با ساختار به جنگ بحران می‌رود. نقش‌ها را مشخص می‌کند، جریان اطلاعات را کنترل می‌کند، تیم کوچکی از افراد قابل‌اعتماد می‌سازد و نمی‌گذارد آشفتگی همه‌جا پخش شود. در بحران‌های عملیاتی یا حملات سایبری، این سبک بسیار مفید است. اما کنترل بیش از حد، بقیه سازمان را پشت درهای بسته نگه می‌دارد و اضطراب را بیشتر می‌کند. ____________________________________ نکته اصلی مقاله این نیست که بفهمیم کدام تیپ «بهتر» است. مشکل از جایی شروع می‌شود که مدیر فقط یک مدل بلد باشد: همیشه آرام بماند، همیشه حمله کند، همیشه کنترل کند، همیشه دنبال اجماع باشد یا هر بحران را به پروژه تحول تبدیل کند. روشی که یک‌بار جواب داده، لزوماً همیشه جواب نمی‌دهد. ____________________________________ نویسندگان این توانایی را هوشِ استرس می‌نامند: اینکه بدانم زیر فشار، واکنش طبیعی من چیست؛ نقطه کورم کجاست؛ و چه زمانی باید برخلاف عادت همیشگی‌ام رفتار کنم. گاهی باید آتش‌نشان بود. گاهی فانوس دریایی. گاهی باید ساختار داد و گاهی فقط شنید. ____________________________________ رهبر خوب کسی نیست که در بحران هیچ اضطرابی ندارد. کسی است که نمی‌گذارد اضطرابش، به‌جای او تصمیم بگیرد.