پس از دو سال هیجان و وعده‌های بلندپروازانه، هوش مصنوعی در آستانۀ بزرگ‌ترین تحول خود قرار دارد؛ عبور از مرحلۀ آزمایشی به استقرار واقعی. موسسات معتبر جهانی، از استنفورد و گارتنر تا مک‌کینزی، در تحلیل بیش از ۲۰۰۰ پیش‌بینی علمی به این نتیجه رسیده‌اند که سال ۲۰۲۶ برای این فناوری، سال اثبات است، نه وعده.

به گزارش ایسنا، ماه گذشته در یکی از نشست‌های تخصصی هوش مصنوعی دانشگاه استنفورد، یکی از محققان ارشد جمله‌ای بیان کرد که چارچوب تحولات آینده این حوزه را به خوبی نشان می‌دهد: «دو سال گذشته را صرف پرسیدن این سؤال کردیم که هوش مصنوعی چه کار‌هایی می‌تواند انجام دهد. در سال ۲۰۲۶، بالاخره زمان آن رسیده است که اندازه‌گیری کنیم این فناوری واقعاً چه نتایجی ارائه می‌دهد.»

این تغییر رویکرد، از امکان‌سنجی به نتیجه‌سنجی، دقیقاً همان محور اصلی است که تمامی موسسات پژوهشی معتبر در پیش‌بینی‌های خود بر آن تأکید دارند.

این گزارش بر اساس تحلیل بیش از ۲۰۰۰ پیش‌بینی علمی از موسسات تحقیقاتی پیشرو جهان تهیه شده است و تصویر جامعی از مسیر واقعی تحول هوش مصنوعی در سال ۲۰۲۶ ارائه می‌دهد.

پایان رویای AGI: چرخش نگاه صنعت

گری مارکوس، محقق برجسته هوش مصنوعی و یکی از منتقدان سرشناس این صنعت، اخیراً اظهار نظری کرد که ماه‌ها پیش بحث‌برانگیز بود، اما اکنون به اجماعی علمی نزدیک شده است: دستیابی به هوش مصنوعی عمومی (AGI) در سال‌های ۲۰۲۶ یا ۲۰۲۷ محقق نخواهد شد. این تغییر دیدگاه تنها محدود به مارکوس نیست. چهره‌های تأثیرگذاری همچون ایلیا ساتسکور و ریچارد ساتن که نام‌های آنها در تاریخ توسعۀ هوش مصنوعی جایگاه ویژه‌ای دارد نیز به صراحت دربارۀ محدودیت‌های مسیر فعلی ابراز نگرانی کرده‌اند.

این تحول در نگرش، نشان‌دهندۀ بلوغ فکری صنعت است. حوزۀ هوش مصنوعی در حال گذار از فاز «چه اتفاقی ممکن است» به «چه راهکاری عملی است» قرار دارد، و تجربه نشان داده که پیشرفت‌های پایدار در همین مسیر واقع‌گرایانه شکل می‌گیرند.

جهش ۴۰ درصدی در ظهور عامل‌های هوش مصنوعی

یکی از مهم‌ترین پیش‌بینی‌های گارتنر (موسسه تحقیقاتی که پیش‌بینی‌های آن معمولاً با دقت بالایی محقق می‌شوند) نشان می‌دهد که تا پایان سال ۲۰۲۶، ۴۰ درصد از نرم‌افزار‌های سازمانی از عامل‌های هوش مصنوعی تخصصی بهره خواهند برد. این رقم در سال ۲۰۲۵ کمتر از ۵ درصد بوده است.

این آمار نشان‌دهندۀ یک تحول بنیادین است، نه صرفاً رشد تدریجی. طرز کارکرد سازمان‌ها در حال بازتعریف شدن است.

تمایز میان دو مفهوم دستیار و عامل هوش مصنوعی از اهمیت استراتژیک برخوردار است: دستیار هوش مصنوعی در انتظار دریافت دستور از کاربر است و سپس به انجام وظیفه مشخص‌شده می‌پردازد. عامل هوش مصنوعی توانایی تصمیم‌گیری مستقل، تعامل با سایر سیستم‌ها، انجام کامل گردش کار، و ارائه نتایج نهایی را دارد.

تحقیقات PwC این روند را تأیید می‌کند. مطالعات این موسسه با شرکت‌های فورچون ۵۰۰ نشان می‌دهد که پیاده‌سازی‌های موفق هوش مصنوعی در سال ۲۰۲۶ دارای ویژگی‌های مشترکی هستند: مراکز هماهنگ‌کننده متمرکز، چارچوب‌های قابل استفاده مجدد، و معیار‌های دقیق برای سنجش بازگشت سرمایه. از این رو است که دوران پروژه‌های آزمایشی بدون نتیجه ملموس به پایان رسیده است.

تحول ۱۵ تریلیون دلاری در تجارت B۲B

گارتنر پیش‌بینی می‌کند که تا سال ۲۰۲۸، ۹۰ درصد از معاملات تجاری بین شرکت‌ها (B۲B) توسط عامل‌های هوش مصنوعی واسطه‌گری خواهد شد. این بدان معناست که بیش از ۱۵ تریلیون دلار از هزینه‌های تجاری از طریق سیستم‌های خودکار جریان خواهد یافت.

پیامد‌های این تحول گسترده شامل موارد زیر است:

- بهینه‌سازی موتور‌های جست‌و‌جو (SEO) به شکل سنتی کارایی خود را از دست خواهد داد

- توضیحات محصولات باید برای خوانش ماشینی طراحی شوند، نه صرفاً برای مخاطب انسانی

- فرآیند تدارکات به سمت تعاملات ماشین به ماشین تغییر خواهد کرد

این تحول نیازمند «بهینه‌سازی برای عامل‌های هوش مصنوعی» است؛ پارادایمی کاملاً جدید که شرکت‌های فعال در حوزه B۲B باید از همین اکنون به آن توجه داشته باشند.

چالش امنیتی و قانونی

یکی از جدی‌ترین هشدار‌های گارتنر مربوط به مسائل ایمنی و قانونی است. این موسسه پیش‌بینی می‌کند که تا پایان سال ۲۰۲۶، بیش از ۲۰۰۰ پرونده حقوقی مرتبط با خسارات ناشی از سیستم‌های هوش مصنوعی ثبت خواهد شد. این موارد شامل طیف وسیعی از حوادث است:

- تشخیص‌های نادرست پزشکی با پیامد‌های جدی

- تصمیمات خطرناک خودرو‌های خودران

- نقص‌های امنیتی با تبعات گسترده

- آسیب‌های مالی ناشی از الگوریتم‌های معیوب

قانون‌گذاران در سراسر جهان در حال تدوین مقررات سخت‌گیرانه هستند. چندین کشور در حال تصویب قوانینی هستند که نقص‌های سیستم‌های هوش مصنوعی را در زمره مسئولیت‌های محصول قرار می‌دهند. شرکت‌هایی که چارچوب مناسب حاکمیت و نظارت بر هوش مصنوعی ندارند، نه تنها با شکایت‌های مدنی، بلکه با پیگرد کیفری نیز رو‌به‌رو خواهند شد.

بحران مهارت‌های شناختی

اریک برینجولفسون، مدیر آزمایشگاه اقتصاد دیجیتال دانشگاه استنفورد، در تحقیقات خود به یافته‌ای نگران‌کننده دست یافته است: کارکنان تازه‌کار در مشاغلی که در معرض هوش مصنوعی قرار دارند، هم‌اکنون شرایط استخدامی و درآمدی ضعیف‌تری را تجربه می‌کنند.

در همین راستا، گارتنر پیش‌بینی می‌کند که تا سال ۲۰۲۶، ۵۰ درصد از سازمان‌های جهانی اجرای ارزیابی‌های مهارتی «بدون استفاده از هوش مصنوعی» را الزامی خواهند کرد.

علت این امر چیست؟ تحقیقات نشان می‌دهد که استفاده گسترده از ابزار‌های هوش مصنوعی مولد باعث تضعیف مهارت‌های تفکر انتقادی شده است. تا سال ۲۰۲۷، ۷۵ درصد از فرآیند‌های استخدام شامل ارزیابی توانایی‌های هوش مصنوعی خواهد بود، نه صرفاً برای سنجش مهارت استفاده از این ابزارها، بلکه برای تأیید توانایی تفکر مستقل بدون وابستگی به آنها.

پارادوکس بهره‌وری

محققان دانشگاه استنفورد انتظار دارند که در سال ۲۰۲۶ شاهد افزایش اعتراف شرکت‌ها به این واقعیت باشیم که هوش مصنوعی افزایش بهره‌وری وعده‌داده‌شده را ارائه نداده است.

به استثنای حوزه‌های خاصی همچون برنامه‌نویسی و مراکز ارتباط با مشتری، بازگشت سرمایه در بسیاری از کاربرد‌ها هنوز به سطح مورد انتظار نرسیده است.

این مشاهدات با گزارش‌های مدیران فناوری سازمان‌های متوسط همخوانی دارد. پروژه‌های ناموفق هوش مصنوعی به تعداد قابل توجهی وجود دارند، و درس‌های ارزشمندی از این تجربیات آموخته شده است. سؤال کلیدی برای سال ۲۰۲۶ این است: آیا سازمان‌ها این یافته‌ها را در استراتژی‌های خود لحاظ خواهند کرد، یا همان خطا‌ها را تکرار خواهند نمود؟

همچنین، در حالی که توجه رسانه‌ها به سمت چت‌بات‌ها و ابزار‌های مصرفی معطوف است، هوش مصنوعی در حال ایجاد تحولی عمیق در تحقیقات علمی است.

جیمز لندی، مدیر مشترک موسسه هوش مصنوعی محور انسان دانشگاه استنفورد، به مفهوم جدیدی با عنوان «باستان‌شناسی شبکه‌های عصبی» اشاره می‌کند یعنی فهم نه تنها خروجی مدل‌های هوش مصنوعی، بلکه فرآیند‌های داخلی که به آن نتایج منجر می‌شوند.

این رویکرد در حوزه‌های مختلف کاربرد دارد:

- کشف دارو: شبیه‌سازی مولکولی مبتنی بر هوش مصنوعی مدت زمان آزمایش‌های بالینی را ۱۵ تا ۳۰ درصد کاهش می‌دهد، که براساس تحقیقات مک‌کینزی، ارزش اقتصادی قابل توجهی ایجاد خواهد کرد.

- علم مواد: مدل‌سازی کوانتومی و هوش مصنوعی امکان طراحی مواد جدید با ویژگی‌های مشخص را فراهم می‌آورد.

- پیش‌بینی اقلیمی: مدل‌های پیچیده آب‌وهوایی که بر روی زیرساخت بهینه‌شده با هوش مصنوعی اجرا می‌شوند، پیش‌بینی‌های دقیق‌تری برای سیاست‌گذاری ارائه می‌دهند.

- فیزیک بنیادی: تشخیص الگوی مبتنی بر هوش مصنوعی در مجموعه داده‌های عظیم، پدیده‌هایی را شناسایی می‌کند که ممکن است از دید انسان پنهان بمانند.

استقرار مدل‌های زبانی کوچک

تیم هوش مصنوعی شرکت AT&T پیش‌بینی‌هایی ارائه کرده که بر اساس تجربیات عملی شکل گرفته‌اند: مدل‌های زبانی کوچک و تنظیم‌شده برای کاربرد‌های خاص، استقرار‌های سازمانی را در سال ۲۰۲۶ تسلط خواهند گرفت.

این مدل‌ها با چالش سنتی «سریع، ارزان، با کیفیت" مقابله می‌کنند و هر سه ویژگی را همزمان ارائه می‌دهند. آنها بر روی داده‌های متمرکز آموزش دیده، برای وظایف تخصصی طراحی شده، و از نظر سرعت و هزینه عملکرد بهتری نسبت به مدل‌های عمومی دارند.

مثال عملی از گزارش AT&T: یک چارچوب کدنویسی مبتنی بر هوش مصنوعی توانست یک محصول داده را در ۲۰ دقیقه تولید کند؛ فرآیندی که به روش سنتی شش هفته طول می‌کشید. این خروجی نه یک نمونه اولیه، بلکه کدی با کیفیت تولید بود که تمامی استاندارد‌های کیفیت، امنیت و انطباق را برآورده می‌کرد.

داشبورد‌های اقتصادی هوش مصنوعی

تیم برینجولفسون در دانشگاه استنفورد در حال توسعه چیزی است که آن را «داشبورد‌های اقتصادی هوش مصنوعی» می‌نامند؛ سیستمی برای ردیابی بلادرنگ تأثیرات هوش مصنوعی در سطح وظایف و مشاغل. این ابزار نشان خواهد داد که هوش مصنوعی در کجا بهره‌وری را افزایش می‌دهد، در کجا کارگران را جابجا می‌کند، و در کجا نقش‌های جدید ایجاد می‌کند.

پروژه تحقیقاتی «قناری‌های معدن زغال‌سنگ» که با شرکت ADP انجام شده، هم‌اکنون تأثیرات بر کارکنان تازه‌کار را نشان می‌دهد. در سال ۲۰۲۶، این شاخص‌ها به صورت ماهانه به‌روزرسانی خواهند شد، نه با تأخیر چندین ساله. برای نخستین بار، داده‌های عینی و دقیق در اختیار خواهیم داشت، نه صرفاً روایت‌های رقیب.

دوران وعده‌های بزرگ در مورد هوش مصنوعی تمام شد!

راهبرد‌های پیشنهادی برای سازمان‌ها

بر اساس اجماع تحقیقاتی موسسات پیشرو، سازمان‌هایی که در سال ۲۰۲۶ با هوش مصنوعی کار می‌کنند باید این اصول را رعایت کنند:

۱. تمرکز بر نتایج قابل اندازه‌گیری: دوران سرمایه‌گذاری‌های اکتشافی در هوش مصنوعی پایان یافته است. هر دلار هزینه‌شده باید به نتایج کسب‌وکار قابل سنجش منجر شود.

۲. آمادگی برای چارچوب‌های قانونی: ادعا‌های «مرگ توسط هوش مصنوعی» فرضی نیستند. چارچوب‌های حقوقی و الزامات انطباق در حال شکل‌گیری هستند.

۳. سرمایه‌گذاری بر قابلیت‌های انسانی: سازمان‌های موفق آنهایی خواهند بود که از هوش مصنوعی برای تقویت قضاوت انسانی استفاده کنند، نه جایگزینی کامل آن.

۴. رویکرد سفارشی‌سازی: مدل‌های طراحی‌شده برای کاربرد‌های خاص اغلب عملکرد بهتری نسبت به مدل‌های عمومی عظیم دارند.

۵. جدیت در حاکمیت هوش مصنوعی: تحقیقات IBM نشان می‌دهد که ۸۳ درصد از مدیران ارشد اجرایی، هوش مصنوعی را اولویت استراتژیک می‌دانند. سازمان‌هایی که این جدیت را ندارند، در معرض خطر عقب‌ماندگی یا مواجهه با مسائل حقوقی قرار دارند.

جان کلام اینکه پیام موسسات تحقیقاتی برجسته همچون استنفورد، گارتنر و مک‌کینزی این نیست که هوش مصنوعی در حال کند شدن است. پیام آنها این است که سال ۲۰۲۶ نقطه عطف گذار از مرحله آزمایشی به استقرار عملیاتی است؛ از پروژه‌های آزمایشی به تولید انبوه، از تبلیغات به ارزیابی دقیق، از وعده به اثبات؛ و این واقعیت هیجان‌انگیزتر از هر چرخه تبلیغاتی است، زیرا در این مرحله است که خواهیم فهمید هوش مصنوعی واقعاً چه توانایی‌هایی دارد.

این گزارش بر اساس مرور بیش از ده‌ها پیش‌بینی علمی و از منابعی تهیه شده که برخی از آنها در ادامه می‌آید:

Stanford Human-Centered Artificial Intelligence (Stanford HAI) – گزارش پیش‌بینی‌های ۲۰۲۶

Gartner, Inc. – گزارش پیش‌بینی‌های استراتژیک برای ۲۰۲۶ و فراتر از آن

McKinsey Global Institute – تحلیل وضعیت هوش مصنوعی و تأثیرات اقتصادی

PricewaterhouseCoopers (PwC) – پیش‌بینی‌های کسب‌وکار هوش مصنوعی ۲۰۲۶

IBM Research – شاخص تحقیقات و تحلیل هوش مصنوعی

"Gartner Top Strategic Predictions for ۲۰۲۶ and Beyond"

"PwC AI Business Predictions ۲۰۲۶"

"McKinsey State of AI Report ۲۰۲۵"

"IBM X-Force Threat Intelligence Index ۲۰۲۵"

"AT&T Innovation Report: Six AI Predictions for ۲۰۲۶"

Visual Capitalist – "Prediction Consensus: What the Experts See Coming in ۲۰۲۶"