سمیرا حیدرخانی
در دنیای پرشتاب فناوری و نوآوری، مدیران ارشد اجرایی شرکتهای پیشرو به دنبال هر ابزاری هستند تا مزیت رقابتی خود را حفظ کنند. دیوید ریکس، مدیرعامل شرکت داروسازی و زیستفناوری «الی لیلی»، اخیراً فاش کرده است که هوش مصنوعی نقشی جداییناپذیر در جلسات روزمره او ایفا میکند. این رویکرد، نه تنها نشاندهنده پذیرش گسترده تکنولوژیهای نوین در بالاترین سطوح مدیریتی است، بلکه به بحث داغی درباره کارایی و چالشهای بهکارگیری هوش مصنوعی در محیطهای حرفهای دامن میزند.
تصویر: ``
کاربرد هوش مصنوعی در تصمیمگیریهای کلیدی مدیران
ریکس در گفتگو با یک پادکست، به تفصیل توضیح داد که چگونه حس کنجکاوی و عطش او برای دانش، او را به سمت استفاده از هوش مصنوعی سوق داده است. او که بهطور مداوم مجلات پزشکی را مطالعه میکند و در کنفرانسهای علمی حضور مییابد، اکنون در هر یک از جلسات خود، حداقل یک یا دو ابزار هوش مصنوعی را فعال نگه میدارد. وظیفه اصلی این هوش مصنوعیها، پاسخگویی به سوالات علمی پیچیده او در لحظه است. این شیوه، به ریکس کمک میکند تا با دسترسی سریع به اطلاعات، فرآیند تصمیمگیری خود را بهبود بخشد و از آخرین دستاوردهای علمی آگاه بماند.
ترجیح مدیران فناوری: کدام چتباتهای هوش مصنوعی مورد اعتمادند؟
با وجود محبوبیت چشمگیر چتجیپیتی، ریکس اعتراف میکند که ترجیح میدهد برای سوالات تخصصی علمی از این چتبات استفاده نکند. دلیل اصلی او «پر حرف» بودن بیش از حد چتجیپیتی عنوان شده است؛ خصوصیتی که میتواند در محیطهای نیازمند به پاسخهای دقیق و مختصر، کارایی را کاهش دهد. به جای آن، او به سراغ «کلود» از شرکت آنتروپیک و «گراک» از شرکت xAI میرود. به عقیده ریکس، این مدلها اطلاعات خلاصهتر و ارجاعات دقیقتری ارائه میدهند که برای بررسی متقابل، نیاز به تلاش کمتری دارد. او همچنین بر اهمیت هوشیاری در برابر «توهمات هوش مصنوعی» تأکید میکند؛ پدیدهای که در آن مدلهای هوش مصنوعی اطلاعات نادرست تولید میکنند و نیاز به راستیآزمایی دقیق منابع را دوچندان میسازد.
توهمات هوش مصنوعی (AI Hallucinations) به مواردی گفته میشود که یک مدل هوش مصنوعی، اطلاعاتی را تولید میکند که واقعی نیستند یا توسط دادههای آموزشی پشتیبانی نمیشوند، اما با اطمینان کامل آنها را ارائه میدهد.
موج استفاده از هوش مصنوعی در میان غولهای فناوری: از مایکروسافت تا انویدیا
ریکس تنها مدیرعامل بزرگی نیست که به پتانسیلهای هوش مصنوعی پی برده و آن را در فعالیتهای روزمرهاش به کار گرفته است. این روند رو به رشد، نشاندهنده یک تغییر پارادایم در نحوه کار و تصمیمگیری در سطوح بالای مدیریتی است.
دیگر مدیران اجرایی برجسته نیز به استفاده از هوش مصنوعی در حوزههای مختلف اعتراف کردهاند:
ساتیا نادلا، مدیرعامل مایکروسافت: او از سرویس «کوپایلوت» شرکت خود برای خلاصه کردن پیامها در Outlook و Teams استفاده میکند، که به او در مدیریت حجم وسیعی از اطلاعات کمک شایانی میکند.
جنسن هوانگ، مدیرعامل انویدیا: او هوش مصنوعی را به عنوان یک «معلم خصوصی» برای یادگیری و درک موضوعات پیچیده به کار میگیرد، که نشاندهنده ظرفیت هوش مصنوعی در آموزش و توسعه فردی است.
این نمونهها گویای آن است که هوش مصنوعی دیگر تنها یک ابزار برای برنامهنویسان و محققان نیست، بلکه به یک دستیار استراتژیک برای رهبران کسبوکار تبدیل شده است.
آینده هوش مصنوعی در صنعت داروسازی: چالشها و پتانسیلها
شرکت الی لیلی در سال گذشته با رشد ۳۱ درصدی سهام خود، شاهد سرمایهگذاریهای سنگینی بر روی داروهای کاهش وزن Zepbound و داروی دیابت Mounjaro (مونجارو) بوده است. با این حال، ریکس هشدار میدهد که مسیر هوش مصنوعی در کمک به توسعه دارو هنوز طولانی و پرچالش است. او معتقد است که برای بهرهبرداری کامل از هوش مصنوعی در داروسازی، باید یک «مخزن جامعتر از دانش زیستی» ایجاد شود؛ چیزی مشابه آنچه با زبان انسانی برای آموزش ماشینها ابداع شده است. ریکس تخمین میزند که در حال حاضر، تنها ۱۰ تا ۱۵ درصد از بیولوژی انسانی برای ما شناخته شده است. او تأکید میکند که تا زمانی که این دانش به بالای ۵۰ درصد نرسد، ابزارهای هوش مصنوعی نمیتوانند در زمینه کشف و توسعه دارو به خوبی عمل کنند. این دیدگاه، بر لزوم سرمایهگذاری بیشتر در تحقیقات پایه زیستی و جمعآوری دادههای جامع برای پیشرفت هوش مصنوعی در این حوزه تأکید دارد.
آمپول مونجارو (Mounjaro) که ماده فعال آن تیرزپاتید است، یک داروی تزریقی برای درمان دیابت نوع ۲ و اخیراً برای کاهش وزن مورد تأیید قرار گرفته است. این دارو با تقلید از عملکرد هورمونهای طبیعی بدن، به کنترل قند خون و کاهش اشتها کمک میکند.
در نهایت، رویکرد مدیران ارشد فناوری به هوش مصنوعی، نشاندهنده اعتماد فزاینده به این تکنولوژی برای بهبود کارایی، تسریع فرآیندهای تصمیمگیری و کشف نوآوریهای جدید است. با این حال، همانطور که ریکس اشاره میکند، هنوز مسیر طولانی برای رسیدن به پتانسیل کامل هوش مصنوعی، به ویژه در حوزههای پیچیدهای مانند داروسازی، در پیش است و نیازمند توسعه دانش بنیادی و رفع چالشهایی مانند توهمات دادهای است.
