گزارش تازه‌ای از موسسه فناوری ماساچوست (MIT) تصویر تاریکی از بازدهی موج سرمایه‌گذاری شرکت‌ها در هوش مصنوعی مولد ترسیم می‌کند. براساس این گزارش اکثریت پروژه‌های آزمایشی شرکت‌ها (۹۵ درصد) در این حوزه ناکام مانده‌اند.

به گزارش فورچن، این پژوهش که بر اساس ۱۵۰ مصاحبه با مدیران، نظرسنجی از ۳۵۰ کارمند و بررسی ۳۰۰ نمونه استقرار عمومی هوش مصنوعی انجام شده، نشان می‌دهد تنها ۵ درصد از پروژه‌ها توانسته‌اند به رشد سریع درآمدی دست پیدا کنند؛ در حالی که اکثریت آن‌ها بدون تاثیر قابل‌توجه بر سود و زیان متوقف شده‌اند.

به گفته آدیتیا چالاپالی، نویسنده اصلی این گزارش در MIT، مشکل اصلی کیفیت مدل‌های هوش مصنوعی یا محدودیت‌های قانونی نیست، بلکه «شکاف یادگیری» میان ابزارها و سازمان‌هاست. او تاکید دارد که ابزارهایی مانند ChatGPT به دلیل انعطاف بالا برای کاربران فردی موفق عمل می‌کنند، اما در محیط‌های سازمانی به دلیل عدم تطابق با جریان‌های کاری و ناتوانی در یادگیری از داده‌های داخلی متوقف می‌شوند.

گزارش MIT نشان می‌دهد که بخش زیادی از بودجه‌های هوش مصنوعی مولد در شرکت‌ها (بیش از ۵۰ درصد) صرف ابزارهای فروش و بازاریابی می‌شود، در حالی که بیشترین بازگشت سرمایه (ROI) را در بخش اتوماسیون فرآیندهای پشتیبانی و بک‌آفیس شاهد هستیم؛ جایی که می‌توان هزینه‌های برون‌سپاری و آژانس‌های خارجی را کاهش داد.

همچنین، شرکت‌هایی که ابزارهای تخصصی را از فروشندگان بیرونی خریداری و از طریق همکاری‌های استراتژیک استفاده کرده‌اند، ۶۷ درصد موفقیت را گزارش کرده‌اند که نشانگر نگاه موفق این رویکرد است. در مقابل، پروژه‌های داخلی و توسعه ابزارهای اختصاصی تنها در یک‌سوم موارد به نتیجه رسیده‌اند؛ موضوعی که برای صنایع حساس و مقررات‌محور مانند خدمات مالی اهمیت دوچندان دارد.

نیروی کار و سایه هوش مصنوعی
تحقیقات MIT همچنین به تغییرات مهم نیروی کار در نتیجه گسترش ابزارهای هوش مصنوعی اشاره دارد و براساس این گزارش تغییرات عمده را در بخش پشتیبانی مشتری و مشاغل اداری می‌توان مشاهده کرد. با این حال چندان خبری از اخراج کارکنان نیست و شرکت‌ها در بسیاری از موارد به جای اخراج گسترده، صرفا موقعیت‌های خالی را جایگزین نمی‌کنند.

این گزارش همچنین به گسترش استفاده از «Shadow AI» یا همان ابزارهای غیررسمی و بدون تایید مانند ChatGPT، در محیط‌های کاری اشاره دارد؛ مسئله‌ای که هم ریسک امنیتی دارد و هم سنجش تاثیر واقعی هوش مصنوعی بر بهره‌وری و سودآوری را دشوار می‌سازد.

در نگاه کلی اما می‌توان گفت که پیشروترین سازمان‌ها هم‌اکنون به سمت آزمایش سیستم‌های عامل‌محور در حال حرکت هستند؛ سیستم‌هایی که قادرند در چارچوب مشخص، یاد بگیرند، به خاطر بسپارند و مستقل عمل کنند. این مرحله می‌تواند مسیر آینده هوش مصنوعی سازمانی را ترسیم کند.