علت مقاومت افراد برای پذیرش هوش مصنوعی

از خولین دی‌فریتاس در مجله ژانویه-فوریه 2025

پنج مانع اصلی و نحوۀ غلبه بر آن‎‌‌ها

هوش مصنوعی پارادوکس بسیار بزرگی را به وجود آورده است. در نظرسنجی 2023 گارتنر، 79 درصد از راهبردپردازان شرکت‎‌‌ها از نقش کلیدی هوش مصنوعی، اتوماسیون و تحلیل در موفقیتشان طی دو سال آینده گفتند. درحالی‌که تنها 20 درصد، هوش مصنوعی را در فعالیت‌های روزمرۀ خود استفاده می‌کردند.

موفقیت هوش مصنوعی نیز نه‌تنها به قابلیت‎‌‌هایش متکی است بلکه روزبه‎‌‌روز هم پیشرفته‎‌‌تر می‎‌‌شوند، بلکه تمایل افراد در استفاده از آن‎‌‌ها نیز نقش دارد. همان‎‌‌طور که یافته‎‌‌های گارتنر نشان می‎‌‌دهد، هوش مصنوعی چندان مورد اقبال کاربران قرار نمی‎‌‌گیرد.

متاسفانه اکثر افراد دربارۀ تأثیر هوش مصنوعی بر آینده بدبین هستند. بر اساس تحقیق فوربز ادوایزر، 77 درصد از آمریکایی‎‌‌ها نگران‌اند که استفاده از هوش مصنوعی موجب تعدیل مشاغل طی 12 ماه آینده شود. 80 درصد گمان می‎‌‌کنند هوش مصنوعی احتمال بهره‎‌‌برداری نادرست مجرمان از داده‎‌‌های شخصی را افزایش می‎‌‌دهد. اوضاع بدتر هم می‎‌‌شود: نظرسنجی یوگاو نشان داده حدود نیمی از آمریکایی‌ها اعتقاد دارند روزی هوش مصنوعی به بشریت حمله خواهد کرد. با این میزان بدبینی نسبت به هوش مصنوعی، ترغیب افراد به امتحان کردن آن بسیار دشوار است.

با بیش از یک دهه تحقیق دربارۀ به‎‌‌کارگیری این فناوری ازجمله مصاحبه‎‌‌های کیفی عمیق و آزمایش با حدود 2500 کاربر، علت این مقاومت نسبت به هوش مصنوعی را متوجه شدم: برداشت ریشه‌ای انسان‎‌‌ها مبنی بر اینکه هوش مصنوعی را مبهم، بی‎‌‌احساس، انعطاف‌ناپذیر و مستقل می‌دانند و به‌وضوح تعامل با انسان‎‌‌ها را ترجیح می‎‌‌دهند. شناخت این عوامل، نقش مهمی در طراحی مداخلات مناسب برای افزایش بهره‎‌‌‌برداری اعضای سازمان و مصرف‌کنندگان از هوش مصنوعی دارد. در این مقاله چنین عواملی را با جزئیات بیشتری بررسی می‏کنیم و می‌گوییم در جایگاه مدیر سازمان، چه راهکارهایی برای مواجهه با آن‎‌‌ها دارید.

1. افراد اعتقاد دارند هوش مصنوعی بیش‌ازحد مبهم است

الگوریتم‌های یادگیری ماشین که در دل بسیاری از ابزارهای هوش مصنوعی قرار گرفته‎‌‌اند، «جعبه‌سیاه‌های» اسرارآمیزی برای کاربران هستند. مرموز بودن آن‎‌‌ها میل بدوی افراد برای شناخت و کسب اطلاعات را مختل می‎‌‌کند، به‌ویژه وقتی خروجی‎‌‌های فناوری هم نامعلوم یا غیرقابل پیش‌بینی باشد. بر اساس تحقیقات، اگر خروجی هوش مصنوعیِ مبهم، بهتر از انسان‎‌‌ها یا هوش مصنوعیِ ساده و شفاف باشد، افراد راغب به استفاده از آن هستند؛ اما وقتی عملکردی کم‌وبیش برابر داشته باشد، به‌احتمال‌زیاد تمایلی به استفاده از آن نخواهند داشت.

افراد گمان می‎‌‌کنند تصمیم‎‌‌گیری انسان به‌اندازۀ الگوریتم‎‌‌ها غیرشفاف نیست، اما چنین باوری سندیت ندارد. همان‌طور که روانشناسان نشان داده‎‌‌اند، افراد اطلاع چندانی از طرز فکر دیگران ندارند؛ بلکه از قوۀ شهودشان برای تفسیر رفتار انسان‎‌‌ها استفاده می‎‌‌کنند. در پژوهشی از افراد پرسیدند رویکرد هوش مصنوعی یا انسان‎‌‌های پزشک برای بررسی اسکن پوست و تشخیص سرطان را شرح دهند؛ در همین راستا شرکت‎‌‌کنندگان متوجه شدند شناختشان از شیوۀ تشخیص انسان‎‌‌ها آن‎‌‌‌قدر هم صحیح نیست. همین آگاهی باعث شد سوگیری کمتری در قبال استفاده از هوش مصنوعی در زمینۀ پزشکی داشته باشند.

توضیح دربارۀ نحوۀ عملکرد ابزارهای هوش مصنوعی می‎‌‌تواند مقبولیت آن‌ها را افزایش دهد، اما تمام توضیحات نیز کارآمد نیستند. با توجه به پژوهش محققان، افراد ترجیح می‎‌‌دهند «علت» فلان اقدام از سوی هوش مصنوعی را بدانند (برای نمونه می‎‌‌خواهند بدانند ماشین خودران ترمز کرده، چون مانعی را جلوی خودش دیده است)، نه اینکه شرح ساده‎‌‌ای از «ماهیت» اقدامات هوش مصنوعی بشنوند (برای نمونه اینکه سیستم ترمزگیری خودرو فعال شده و آن را به‌حالت توقف درآورده است).
سبک توضیح دادن نیز نقش بسیار مهمی ایفا می‎‌‌کند. توضیحاتی که از استدلال مقایسه‎‌‌ای استفاده می‎‌‌کنند – شرح اینکه چرا فلان گزینه‎‌‌های جایگزین انتخاب نشده‎‌‌اند – بیش از سایرین اعتماد مخاطب را جلب می‎‌‌کنند. برای نمونه مطابق یکی از تحقیقات، اگر در توضیحات سیستم هوش مصنوعی بگویند چرا فلان تومور را بدخیم تشخیص داده، آن را بسیار معتبرتر از زمانی می‎‌‌دانند که از شباهت آن غده به سایر تومورها بگوید (حتی اگر هر دو شرح درست باشند). اساساً قانع‎‌‌کننده‎‌‌ترین توضیحات آن‎‌‌هایی هستند که استدلال‎‌‌های پشت هر تصمیم را در کنار علت انتخاب نشدن سایر گزینه‎‌‌ها شرح می‎‌‌دهند.

ازآنجایی‌که پربازده‌ترین مدل‎‌‌های هوش مصنوعی اغلب پیچیده‎‌‌تر از سایرین هستند و توضیحشان نیز دشوارتر است، شاید مدیران علاقه داشته باشند ابتدا مدل‎‌‌های ساده‎‌‌تر را در فرایندهای سازمانشان به کار بگیرند؛ به‎‌‌ویژه وقتی جلب موافقت افراد مهم باشد. میروگلیو فشن را در نظر بگیرید؛ خرده‌فروش بزرگ ایتالیایی در حوزۀ پوشاک بانوان که می‎‌‌‌خواست پیش‎‌‌بینی تقاضا برای 1000 فروشگاهش را اتوماسیون کند؛ در آن زمان این کار را مدیر هر شعبه انجام می‌داد. در همین راستا شرکت دو مدل توسعه داد. یکی ساده‎‌‌تر و درک‌پذیرتر بود و با استفاده از روش رگرسیون، موجودی انبار را بر اساس ویژگی‎‌‌های پایۀ هر پوشاک نظیر دسته، نوع پارچه، رنگ و قیمت تفکیک می‎‌‌کرد تا پیش‎‌‌بینی کند هر فروشگاه به چه آیتم‎‌‌هایی نیاز دارد. مدل دوم پیچیده و دیرفهم‎‌‌تر بود و برای پیش‌بینی تقاضا، از تحلیل تصویر پیشرفته بهره می‎‌‌گرفت. از این طریق ویژگی‎‌‌های بصری خاصی نظیر شکل، لایه‎‌‌بندی و دراپینگ و ترکیب جنس پارچه را تشخیص می‌داد که شرحشان دشوارتر بود. اگرچه مدل پیچیده بهتر از همتای ساده‎‌‌اش عمل می‎‌‌کرد، اما تیم مدیران ابتدا مدل ساده‎‌‌تر را معرفی کرد تا مطمئن شود کارمندانش به هوش مصنوعی اعتماد می‎‌‌کنند و راغب به استفاده از آن هستند. در همین راستا آزمایش مقدماتی 13 هفته‎‌‌ای را روی برخی فروشگاه‎‌‌ها انجام دادند تا پیش از رونمایی مدل ساده‌تر برای تمام شعب، از کارآمدی آن مطمئن شوند. تنها پس از یک سال به‎‌‌کارگیری مدل، خرده‌فروش سراغ مدل هوش مصنوعی پیشرفته‌تر رفت.

پیچیدگی شرح در قیاس با وظیفه نیز اهمیت دارد. تحقیقات نشان داده اگر شرح الگوریتم به‌گونه‌ای باشد که بیش‌ازحد ساده‎‌‌انگارانه به نظر برسد – فرضاً وقتی هوش مصنوعی برای تشخیص سرطان، اسکن را تنها با یک تصویر از غده مقایسه کند – شاید کاربران تمایل کمتری به پیروی از دستورالعمل‎‌‌‌های هوش مصنوعی داشته باشند. همچنین اگر توضیحات از پیچیده بودن الگوریتم بگوید – برای نمونه توضیح دهد که هوش مصنوعی، اسکن را با هزاران نمونه تومور ظاهراً خوش‎‌‌خیم و بدخیم مقایسه می‎‌‌کند و از تحقیقات پزشکی برای پشتیبانی ادعاهایش بهره می‎‌‌گیرد – تبعیت کاربران از دستوراتش کاهش نمی‏‎‌‌یابد. بنابراین باید پیش از شرح الگوریتم، برداشت کاربران از وظیفه را درک کنید. همچنین نباید بگویید که هوش مصنوعی شما بیش‌ازحد برای آن کار ساده است؛ در این صورت شاید بهتر باشد هیچ توضیحی درباره‎‌‌اش ندهید.