مهارت کلیدی عصر هوش مصنوعی؛ چه زمانی باید از Claude، ChatGPT یا مدل‌های دیگر استفاده کنیم؟

شرکت اکسنچر (Accenture) به‌تازگی پس از انتشار گزارش‌هایی مبنی بر تعیین سقف بودجه ۲۹ دلاری برای استفاده کارکنان از مدل هوش مصنوعی Claude در کانون توجه رسانه‌ها قرار گرفت؛ هرچند سخنگوی این شرکت با شفاف‌سازی موضوع اعلام کرد این رقم صرفاً بخشی از مدل‌سازی‌های مالی درون‌سازمانی است و محدودیتی قطعی و صلب به شمار نمی‌رود.

با این حال، مطرح شدن سقف بودجه ۲۹ دلاری پرسش‌های بنیادینی را درباره ارزش واقعی مخارج هوش مصنوعی برانگیخته است: به ازای هر دلار هزینه‌ای که صرف هوش مصنوعی و توان پردازش محاسباتی (Compute) می‌شود، چه میزان بازگشت سرمایه (ROI) عاید کسب‌وکار و نیروهای متخصص خواهد شد؟

برای کاربران حرفه‌ای و پرمصرف هوش مصنوعی، چالش پایین نگه داشتن هزینه‌های پردازشی در حین انجام کارهای سنگین کدنویسی، تحقیقات عمیق و تدوین استراتژی موضوعی کاملاً ملموس است. در این فرآیندها، بودجه‌های تعیین‌شده ممکن است تنها ظرف چند روز به پایان برسند؛ دقیقاً مشابه چالشی که شرکت اوبر (Uber) تجربه کرد، زمانی که مهندسان آن کل بودجه سالانه اختصاص‌یافته به Claude را تنها ظرف چند ماه مصرف کردند.

یکی از درس‌های کلیدی برای حفظ بهره‌وری مالی و تضمین پایداری کسب‌وکارها، طرح یک پرسش بنیادین است: «کدام وظایف ارزش استفاده از هوش مصنوعی پریمیوم و گران‌قیمت را دارند؟» به‌جای نگاه به هوش مصنوعی به‌عنوان منبعی بی‌پایان و مصرف مسرفانه آن، باید این فناوری را سرمایه‌ای ارزشمند دانست که نیاز به مدیریت دقیق دارد و همواره پرسید: «چگونه می‌توان وظیفه درست را به مدل هوش مصنوعی مناسب سپرد؟»

در روزگاری که سازمان‌ها با بحران افزایش سرسام‌آور بودجه‌های هوش مصنوعی و توان پردازشی دست‌وپنجه نرم می‌کنند، شناخت این مهارت دقیقاً همان آزمون تعیین‌کننده‌ای است که میزان بلوغ، مهارت و تسلط یک مجموعه بر پیاده‌سازی هوش مصنوعی در جریان‌های کاری را مشخص می‌کند.

Claude، ChatGPT، Gemini یا Grok؛ کدام مدل هوش مصنوعی انتخاب بهتری است؟

در جریان اجلاس Workforce ۲۰۳۰ که توسط مؤسسه مالتی‌ورس (Multiverse) با مدیریت یوئن بلر (Euan Blair) برگزار شد، او از حاضران در سالن پرسید: «اگر استفاده از هوش مصنوعی برای کسب‌وکار شما بازگشت سرمایه (ROI) ملموس داشته است، دست خود را بالا ببرید.»

از میان حدود ۴۰۰ مدیر و رهبر ارشد حاضر در سالن که نمایندگی میلیون‌ها نیروی کار بریتانیا را در صنایع مختلف بر عهده داشتند، ظاهراً تنها حدود ۱۲ نفر دست خود را بالا بردند.

تکان‌دهنده است؟ شاید.

با این حال، این چالش مدت‌هاست که گریبان‌گیر سازمان‌ها بوده است. پژوهش‌های مؤسسه فناوری ماساچوست (MIT) نشان می‌دهد حدود ۹۵ درصد از پروژه‌های آزمایشی هوش مصنوعی مولد با شکست مواجه می‌شوند. این ناکامی دلایل متعددی دارد، اما بی‌تردید یکی از اصلی‌ترین آن‌ها، عدم انطباق مدل هوش مصنوعی مناسب با توانمندی و نیازهای پروژه است.

هر مدل بزرگ زبانی (LLM) نقاط قوت و ضعف خاص خود را دارد و هیچ مدلی برای تمام کاربردها مناسب نیست. حتی اگر مدل محبوبی برای خود داشته باشید، در محیط‌های کاری ناچارید علایق و ترجیحات شخصی را کنار بگذارید و به سراغ ابزاری بروید که بهترین نتیجه را برای آن جریان کاری یا وظیفه مشخص ارائه می‌دهد.

صرف‌نظر از اینکه از چه مدل یا چه رده‌ای از توانمندی‌ها استفاده می‌کنید، یک چک‌لیست و آزمون تصمیم‌گیری ساده می‌تواند مشخص کند چه وظایفی ارزش صرف هزینه برای ابزارهای پیشرفته و پریمیوم هوش مصنوعی را دارند:

• آیا وظیفه مورد نظر آن‌قدر پیچیده است که به پنجره زمینه (کانتکست) بزرگ‌تر و استدلال و تصمیم‌گیری عمیق‌تر نیاز داشته باشد؟
• خروجی نهایی به کجا ارائه می‌شود و ریسک مرتبط با آن چقدر است؟
• ریسک‌های وابسته به خروجی چه ابعادی دارند؟
• به‌عنوان مثال، آیا خروجی صرفاً مصرف داخلی دارد یا مستقیماً در اختیار مشتری قرار می‌گیرد؟
• آیا یک ابزار کم‌هزینه‌تر و از پیش تأییدشده می‌تواند همین کار را با کیفیتی مشابه یا حتی بهتر انجام دهد؟
• آیا این وظیفه از حساسیت بالایی برخوردار است و به قضاوت عمیق و بازبینی انسانی نیاز دارد؟
• چقدر در زمان صرفه‌جویی می‌شود؟
• آیا کیفیت خروجی در ازای این هزینه ارتقا پیدا کرده است؟
• استفاده از یک مدل زبانی در مقایسه با مدلی دیگر، چه میزان درآمد یا ارزش افزوده برای مشتریان خلق کرده است؟

در اختیار داشتن مجموعه‌ای متنوع از گزینه‌های از پیش تأییدشده، در شرایطی که با سقف بودجه مواجه می‌شوید، یا زمانی که به دلیل قطعی و از دسترس خارج شدن مدل همیشگی، تیم شما ناچار به ادامه فعالیت با ابزاری دیگر می‌شود، مزیتی راهبردی به‌همراه خواهد داشت.

چه زمانی باید به سراغ Claude برویم؟

ابزارهای پیشرفته‌ای مانند Claude را برای مواقعی کنار بگذارید که نیاز به کانتکست گسترده‌تر، تکرارهای دقیق‌تر یا عمق فنی بالا، هزینه‌های اضافی را توجیه می‌کند. نمونه‌هایی از کاربردهای با ارزش بالا، کانتکست سنگین و حساسیت فراوان که استفاده از Claude در آن‌ها منطقی است عبارتند از:

• کدنویسی پیچیده، دیباگ و تحلیل‌های فنی عمیق
• تحلیل و ترکیب اطلاعات اسناد طولانی PDF، جداول داده و مجموعه‌داده‌های حجیم
• مدل‌سازی مالی و ارزیابی عملکرد تجاری برای ذی‌نفعان داخلی و بیرونی سازمان
• استفاده از قابلیت Claude Projects برای پروژه‌های مداوم با پنجره زمینه طولانی

چه زمانی استفاده از ChatGPT گزینه بهتری است؟

تجربه نشان می‌دهد ChatGPT در بسیاری از سناریوهای کاری، به‌ویژه در فعالیت‌های روزمره مدیریتی، تعاملات سازمانی و تولید محتوا، گزینه‌ای فوق‌العاده کارآمد است:

• بهره‌گیری از پلاگین‌های متصل برای پژوهش و تسهیل جریان‌های کاری (به‌عنوان نمونه، استفاده از افزونه اوت‌لوک ChatGPT برای یافتن سریع مکالمات، پیگیری وظایف و جلسات تنظیم‌شده با مخاطبان به‌جای جستجوی زمان‌بر در خودِ نرم‌افزار Outlook)
• ایده‌پردازی، قالب‌بندی متون و سایر وظایف اداری با ریسک پایین
• ساخت صفحات گسترده، برنامه‌ریزی زمان‌بندی و سیستم‌های پیگیری یکپارچه در جریان‌های کاری

توصیه و راهکار عملی برای تصمیم‌گیرندگان و سازمان‌ها:

به‌جای انتخاب ابزار بر اساس تمایلات شخصی، ملاک تصمیم‌گیری را مدلی قرار دهید که بر اساس نقش شما، مطمئن‌ترین، باکیفیت‌ترین و امن‌ترین خروجی تجاری را برای هر وظیفه خلق می‌کند.

مدل‌ها را به مدت دو هفته در ساختار داخلی مجموعه خود بیازمایید تا متوجه شوید کدام مدل زبانی یا ابزار هوش مصنوعی در ازای هر دلار هزینه، ارزش تجاری بالاتری تولید می‌کند.

سپس بر اساس داده‌های به‌دست‌آمده، نقشه‌ای شفاف ترسیم کنید که نشان دهد قضاوت انسانی در چه مراحلی وارد می‌شود، هوش مصنوعی در کدام بخش‌ها به کار می‌رود و در هر وظیفه از جریان کاری، کدام مدل پیروز میدان است. در چنین نقطه‌ای، شما به برنامه‌ای بهینه‌سازی‌شده از نظر هزینه‌ها دست خواهید یافت که پذیرش هوش مصنوعی و مدیریت کارآمد آن را در سراسر سازمان تضمین می‌کند.

این همان مسیری است که هوش مصنوعی را به‌جای یک هزینه اداری مهارنشدنی، به سرمایه‌گذاری ارزنده‌ای با بازگشت سرمایه واقعی تبدیل می‌سازد.