سید رضا علوی کیا
کارشناس ارشد مدیریت بازرگانی گرایش مدیریت استراتژیک؛ کارآفرین؛ مدیر ارشد توسعه و پیشرانی کسب‌وکار و فناوری‌های مالی.
چکیده
رابطه میان منتورها و استارتاپ‌ها در عصر هوش مصنوعی به یکی از پیچیده‌ترین و در عین حال راهبردی‌ترین موضوعات اکوسیستم کارآفرینی تبدیل شده است. منتورینگ سنتی که بر تجربه زیسته، بینش شهودی و انتقال دانش ضمنی متکی بود، اکنون با ظهور سامانه‌های هوشمند و الگوریتم‌های یادگیرنده در معرض بازتعریف بنیادین قرار گرفته است. پژوهش حاضر با اتخاذ رویکردی تحلیلی–توصیفی و با تکیه بر مرور نظام‌مند ادبیات و تحلیل محتوای کیفی منابع فارسی و بین‌المللی، به بررسی الگوهای نوین رابطه منتور–استارتاپ در بستر هوش مصنوعی پرداخته است. یافته‌ها نشان می‌دهد که هوش مصنوعی نه جایگزین کامل منتور انسانی است و نه صرفاً ابزاری کمکی، بلکه به عنوان یک «لایه واسط شناختی» عمل می‌کند که دسترسی به دانش تخصصی را مقیاس‌پذیر، شخصی‌سازی توصیه‌ها را دقیق‌تر و تحلیل ریسک را داده‌محورتر می‌سازد. با این حال، سه چالش اساسی شناسایی شد: کاهش اعتماد در روابطی که عنصر انسانی آن تضعیف می‌شود، سوگیری الگوریتمی در انتخاب و هدایت استارتاپ‌ها، و شکاف آمادگی منتورهای ایرانی برای پذیرش این فناوری. نتایج حاکی از آن است که مدل بهینه، یک مدل ترکیبی است که در آن هوش مصنوعی وظایف تحلیلی و مقیاس‌پذیر را بر عهده می‌گیرد و منتور انسانی بر ابعاد رابطه‌ای، انگیزشی و تصمیم‌گیری‌های زمینه‌محور متمرکز می‌ماند. این پژوهش چارچوبی سه‌بعدی شامل نیت، توانایی و سودمندی ادراک‌شده برای ارزیابی آمادگی منتورها ارائه می‌دهد و پیشنهادهایی برای بازطراحی فرایندهای منتورینگ در شتاب‌دهنده‌های ایرانی مطرح می‌سازد.
واژگان کلیدی: منتورینگ، استارتاپ، هوش مصنوعی، اکوسیستم کارآفرینی، شتاب‌دهنده.
مقدمه
رابطه منتور و استارتاپ از دیرباز ستون فقرات اکوسیستم کارآفرینی شناخته شده است و منتور به مثابه حامل تجربه، شبکه‌سازی و بینش راهبردی، نقشی تعیین‌کننده در بقا و رشد کسب‌وکارهای نوپا ایفا می‌کند. در ایران نیز رشد کمی استارتاپ‌ها با شتابی چشمگیر همراه بوده و نقش‌هایی مانند منتور، شتاب‌دهنده و مشاور استارتاپی در کنار این رشد پدید آمده‌اند، اما در کنار این گسترش، پدیده «منتورنماها» و ورود افراد غیرمتخصص به این حوزه آسیب‌هایی جدی به بنیان‌گذاران وارد کرده است که ضرورت بازاندیشی در سازوکارهای انتخاب و هدایت منتور را دوچندان می‌سازد (بهور، ۱۴۰۲).
از سوی دیگر، منتورینگ سنتی با محدودیت‌هایی چون دسترسی محدود به منتورهای خبره، سوگیری‌های فردی و نبود تحلیل‌های سریع و داده‌محور مواجه است و همین کاستی‌ها زمینه را برای ورود فناوری‌های هوشمند فراهم کرده است (توکلی کجانی و قربانی، ۱۴۰۴). هوش مصنوعی با توانایی پردازش دقیق‌تر داده‌ها، شناسایی الگوهای پنهان و ارائه تحلیل‌های متنوع، به ابزاری کارآمد در حوزه منتورینگ کارآفرینی تبدیل شده و پژوهشگران بر ضرورت مطالعات بیشتر درباره نقش توانمندسازی هوش مصنوعی در تأسیس استارتاپ‌ها و تحریک نوآوری تأکید کرده‌اند (کریمی و ابرغویی‌زاده، ۲۰۲۴).
با این حال، پرسش بنیادین آن است که آیا این فناوری می‌تواند جایگزین منتور انسانی شود یا صرفاً مکمل آن خواهد بود. شواهد نشان می‌دهد که منتورها می‌توانند با جفت‌سازی ابزارهای هوش مصنوعی با سناریوهای واقعی کسب‌وکار و مستندسازی نظام‌مند تعدیل‌های راهبردی، آموزش را به رویه‌های عملی تبدیل کنند و اثرگذاری خود را افزایش دهند، اما انتقال دانش به‌تنهایی به بهبود عملکرد قابل اندازه‌گیری منجر نمی‌شود (امرالد، ۲۰۲۴). در بستر ایرانی، چارچوبی برای سنجش آمادگی منتورهای شتاب‌دهنده‌ها در پذیرش هوش مصنوعی پیشنهاد شده که سه بُعد نیت، توانایی و سودمندی را در بر می‌گیرد و نشان می‌دهد که آمادگی ذهنی و مهارتی منتورها هنوز در مرحله شکل‌گیری است (کریمی و ابرغویی‌زاده، ۲۰۲۴). از سوی دیگر، مدل‌های پارادایمی نوینی در پرورش کارآفرینان مبتنی بر هوش مصنوعی با محوریت منتورینگ آموزشی ارائه شده‌اند که پدیده محوری آن‌ها «منتورینگ آموزشی توانمندساز کارآفرینی مبتنی بر هوش مصنوعی» است و پیامدهایی چون ایجاد کسب‌وکارهای فناورانه را پیش‌بینی می‌کنند (نجفی‌زاده، ۲۰۲۴).
بنابراین، مسئله اصلی این پژوهش نه صرفاً پذیرش یا رد هوش مصنوعی در منتورینگ، بلکه تبیین الگوی رابطه‌ای نوینی است که در آن مرزهای نقش منتور انسانی و سامانه هوشمند به شکلی نظام‌مند بازتعریف شود و ارزش افزوده هر یک در مراحل مختلف چرخه عمر استارتاپ مشخص گردد.
بیان مسئله
مسئله اساسی این پژوهش از یک تنش پارادوکسیکال سرچشمه می‌گیرد: از یک سو، منتورینگ به عنوان یکی از حیاتی‌ترین خدمات شتاب‌دهنده‌ها و عامل کلیدی بقای استارتاپ‌ها شناخته می‌شود و پژوهش‌ها نشان می‌دهد که حضور منتور توانمند می‌تواند مسیر رشد را به شکل معناداری هموارتر کند؛ از سوی دیگر، همین سازوکار در عمل با محدودیت‌های ساختاری و شناختی جدی روبه‌روست. کمبود منتورهای خبره و در دسترس، سوگیری‌های فردی در قضاوت، ناتوانی در پردازش حجم بالایی از داده‌های مربوط به تیم‌های متعدد، و فقدان حافظه سازمانی نظام‌مند برای ثبت و بازاستفاده از تجربیات گذشته، کارایی منتورینگ سنتی را کاهش داده است.
هوش مصنوعی به عنوان راه‌حلی برای این کاستی‌ها مطرح شده است، زیرا می‌تواند الگوهای موفقیت و شکست را از داده‌های تاریخی استخراج کند، توصیه‌های شخصی‌سازی‌شده ارائه دهد و به صورت شبانه‌روزی و مقیاس‌پذیر در دسترس باشد. اما ورود این فناوری، مسئله‌ای تازه و بغرنج پدید آورده است: اگر توصیه‌های الگوریتمی جایگزین بینش انسانی شوند، خطر کاهش اعتماد بنیان‌گذاران، نادیده گرفته شدن زمینه فرهنگی و بومی، و تقویت سوگیری‌های پنهان در داده‌های آموزشی افزایش می‌یابد. پژوهش‌های تجربی نشان می‌دهد که دسترسی به منتور هوش مصنوعی به‌تنهایی و به طور میانگین اثر مثبتی بر عملکرد شرکت‌ها نداشته و حتی برای شرکت‌هایی با عملکرد پایین‌تر از میانه، به کاهش عملکرد کسب‌وکار منجر شده است؛ یافته‌ای که هشدار می‌دهد فناوری بدون طراحی دقیق مدل رابطه‌ای، می‌تواند زیان‌بار باشد. همزمان، مطالعات نشان می‌دهد که هوش مصنوعی در تحلیل و استنتاج بر پایه اطلاعات عمومی توانمند است، در حالی که منتور انسانی در ارائه توصیه‌های شهودی و تجربه‌محور و ساختن رابطه مبتنی بر اعتماد برتری دارد.
بنابراین، مسئله دقیق این است: چگونه می‌توان رابطه میان منتور انسانی و سامانه هوشمند را به گونه‌ای طراحی کرد که نه جایگزینی کامل و نه ابزارگرایی سطحی رخ دهد، بلکه یک هم‌افزایی شناختی شکل گیرد که در آن هر دو طرف نقش‌های مکمل و متمایز ایفا کنند؟ این مسئله در بستر ایرانی پیچیده‌تر می‌شود، زیرا آمادگی منتورها برای پذیرش این فناوری هنوز ارزیابی نشده و چارچوب‌های بومی متناسب با زمینه اکوسیستم کارآفرینی ایران توسعه نیافته است.
اهمیت و ضرورت پژوهش
ضرورت انجام این پژوهش را می‌توان در سه سطح کلان، میانی و خرد تبیین کرد. در سطح کلان، اکوسیستم کارآفرینی ایران در سال‌های اخیر رشد کمی چشمگیری را تجربه کرده و هزاران کسب‌وکار نوپا در حوزه‌های فناورانه شکل گرفته‌اند، اما نرخ بقا و مقیاس‌پذیری این کسب‌وکارها متناسب با رشد کمی آن‌ها نبوده است. منتورینگ اثربخش یکی از معدود مداخلاتی است که می‌تواند بر این نرخ تأثیر بگذارد، و طراحی مدل ترکیبی منتورینگ انسانی–هوشمند می‌تواند کیفیت این مداخله را در سطح ملی ارتقا دهد.
در سطح میانی، شتاب‌دهنده‌ها و مراکز رشد به عنوان نهادهای واسط اکوسیستم، با محدودیت جدی در دسترسی به منتورهای متخصص و زمان‌بر بودن فرایند تطبیق منتور و تیم مواجه‌اند؛ سامانه‌های هوشمند می‌توانند این گلوگاه را باز کنند، اما تنها در صورتی که مدل رابطه‌ای آن‌ها با نقش منتور انسانی به دقت طراحی شده باشد. بدون چنین طراحی، خطر جایگزینی روابط انسانی ارزشمند با تعاملات الگوریتمی سطحی وجود دارد.
در سطح خرد، بنیان‌گذاران استارتاپ‌ها به توصیه‌هایی نیاز دارند که هم داده‌محور و به‌روز باشد و هم زمینه‌محور و قابل اعتماد؛ ترکیب این دو ویژگی تنها از دل یک مدل هم‌افزا میان منتور و هوش مصنوعی بیرون می‌آید.
از منظر سیاست‌گذاری، این پژوهش چارچوبی برای ارزیابی آمادگی منتورها و طراحی برنامه‌های توانمندسازی فراهم می‌کند که می‌تواند مبنای تدوین دستورالعمل‌های شتاب‌دهنده‌ها قرار گیرد. افزون بر این، ادبیات فارسی در این حوزه هنوز نوپا و پراکنده است و بسیاری از مطالعات به توصیف کلی نقش هوش مصنوعی بسنده کرده‌اند بدون آنکه سازوکار رابطه‌ای میان منتور و ماشین را نظریه‌پردازی کنند؛ پژوهش حاضر می‌کوشد این خلأ نظری را تا حدی پر کند و پیوندی نظام‌مند میان ادبیات منتورینگ کارآفرینی و ادبیات سیستم‌های هوشمند برقرار سازد.
سؤالات پژوهش
۱. الگوی رابطه میان منتور انسانی و سامانه هوشمند در فرایند منتورینگ استارتاپ‌ها چگونه قابل تبیین است؟
۲. هوش مصنوعی در چه ابعادی از فرایند منتورینگ (شناسایی نیاز، تطبیق منتور، ارائه توصیه، پیگیری و ارزیابی) می‌تواند جایگزین یا مکمل منتور انسانی شود؟
۳. آمادگی منتورهای شتاب‌دهنده‌های ایرانی برای پذیرش هوش مصنوعی در فرایند منتورینگ در چه سطحی قرار دارد و چه عواملی بر این آمادگی مؤثر است؟
۴. خطرات و سوگیری‌های بالقوه مدل‌های ترکیبی منتورینگ انسانی–هوشمند برای استارتاپ‌ها چیست و چگونه می‌توان آن‌ها را کاهش داد؟
۵. مدل بهینه هم‌افزایی منتور انسانی و هوش مصنوعی در مراحل مختلف چرخه عمر استارتاپ چگونه طراحی می‌شود؟
اهداف پژوهش
هدف کلی: تبیین الگوی رابطه هم‌افزا میان منتورهای انسانی و سامانه‌های هوش مصنوعی در فرایند منتورینگ استارتاپ‌ها و ارائه چارچوبی برای طراحی این رابطه در اکوسیستم کارآفرینی ایران.
اهداف جزئی:
۱. شناسایی ابعاد فرایند منتورینگ استارتاپ که قابلیت واگذاری به سامانه‌های هوشمند را دارند و تفکیک آن‌ها از ابعادی که نیازمند حضور انسانی هستند.
۲. ارزیابی سطح آمادگی منتورهای شتاب‌دهنده‌های ایرانی برای پذیرش هوش مصنوعی بر اساس ابعاد نیت، توانایی و سودمندی ادراک‌شده.
۳. تحلیل خطرات و سوگیری‌های مدل‌های ترکیبی منتورینگ انسانی–هوشمند و ارائه راهکارهای کاهش آن‌ها.
۴. تدوین چارچوب هم‌افزایی منتور انسانی و هوش مصنوعی متناسب با مراحل مختلف رشد استارتاپ.
۵. ارائه پیشنهادهای سیاستی و عملیاتی برای بازطراحی فرایندهای منتورینگ در شتاب‌دهنده‌ها و مراکز رشد ایران.
مبانی نظری پژوهش
مبانی نظری این پژوهش بر تلاقی سه جریان فکری استوار است: نظریه منتورینگ کارآفرینی، نظریه بار شناختی و نظریه سیستم‌های پشتیبان تصمیم‌گیری هوشمند. نظریه منتورینگ کارآفرینی بر این ایده بنیادین تأکید دارد که منتور نه یک مشاور صرف، بلکه حامل دانش ضمنی، شبکه اجتماعی و سرمایه تجربی است که از طریق رابطه‌ای مبتنی بر اعتماد به کارآفرین منتقل می‌شود؛ در این چارچوب، منتور نقشی شبیه به «سرمایه انسانی زنده» ایفا می‌کند که ارزش آن نه در اطلاعات آشکار و قابل کدگذاری، بلکه در قضاوت موقعیتی و توانایی خوانش زمینه نهفته است.
نظریه بار شناختی توضیح می‌دهد که منتور انسانی در پردازش همزمان حجم بالایی از متغیرها و اتخاذ تصمیم در شرایط عدم قطعیت با محدودیت‌های شناختی روبه‌روست و همین محدودیت است که ضرورت وجود یک لایه واسط تحلیلی را توجیه می‌کند. نظریه سیستم‌های پشتیبان تصمیم‌گیری هوشمند بیان می‌کند که سامانه‌های هوش مصنوعی زمانی بیشترین ارزش را ایجاد می‌کنند که به عنوان «همراه شناختی» و نه «جانشین تصمیم‌گیر» طراحی شوند و خروجی آن‌ها به گونه‌ای ارائه شود که قضاوت انسانی را تسهیل کند نه اینکه آن را دور بزند.
در ادبیات ایرانی، مدل پارادایمی منتورینگ آموزشی توانمندساز کارآفرینی مبتنی بر هوش مصنوعی نشان می‌دهد که این پدیده در مرکز روابط میان شرایط علّی، زمینه‌ای، مداخله‌گر و پیامدها قرار می‌گیرد و پیامدهای آن در سطح ایجاد کسب‌وکارهای فناورانه و توسعه مهارت‌های کارآفرینانه ظاهر می‌شود (نجفی‌زاده، ۲۰۲۴). چارچوب آمادگی منتورهای ایرانی نیز سه بُعد نیت (تمایل به پذیرش)، توانایی (مهارت و دانش فنی) و سودمندی ادراک‌شده (باور به اثربخشی) را به عنوان تعیین‌کننده‌های اصلی پذیرش فناوری معرفی می‌کند (کریمی و ابرغویی‌زاده، ۲۰۲۴).
ترکیب این سه جریان نظری، چارچوب تحلیلی پژوهش حاضر را شکل می‌دهد که در آن رابطه منتور–هوش مصنوعی نه به عنوان یک انتخاب دوتایی (انسانی یا ماشینی)، بلکه به عنوان یک پیوستار هم‌افزا در نظر گرفته می‌شود که در آن توزیع وظایف بر اساس ماهیت شناختی هر وظیفه صورت می‌گیرد.
پیشینه پژوهش
پیشینه داخلی در این حوزه نسبتاً نوپا اما رو به گسترش است. بهور (۱۴۰۲) در پژوهشی کیفی با رویکرد تحلیل محتوا و انجام مصاحبه با مدیران، منتورها و کارآفرینان شتاب‌دهنده‌های استارتاپی، طبقه‌بندی جامعی از انواع منتورها و نقش‌های آن‌ها ارائه داد و نشان داد که فقدان توصیف نظام‌مند از سبک‌های منتورینگ و معیارهای تناسب منتور–کارآفرین، یکی از خلأهای اصلی اکوسیستم است. توکلی کجانی و قربانی (۱۴۰۴) در مقاله‌ای با عنوان «منتورینگ هوشمند برای استارتاپ‌ها» به طور مشخص به نقش هوش مصنوعی در تسریع رشد و کاهش ریسک‌های کارآفرینی پرداختند و چارچوبی مفهومی برای تلفیق یادگیری هوشمند با منتورینگ انسانی پیشنهاد کردند؛ یافته‌های آن‌ها نشان داد که ادغام رویکردهای منتورینگ هوشمند با فرایندهای انسانی می‌تواند کیفیت تصمیم‌گیری را بهبود بخشد و به شخصی‌سازی مشاوره‌ها کمک کند. کریمی و ابرغویی‌زاده (۲۰۲۴) با مرور سریع ادبیات ۲۰۲۲ تا ۲۰۲۴، چارچوبی سه‌بعدی برای سنجش آمادگی منتورهای شتاب‌دهنده‌های ایرانی در پذیرش هوش مصنوعی ارائه دادند و تأکید کردند که این چارچوب باید با زمینه خاص اکوسیستم کارآفرینی ایران هم‌راستا باشد. نجفی‌زاده (۲۰۲۴) با استفاده از روش نظریه زمینه‌ای، مدل پارادایمی تعالی نظام‌های آموزشی در پرورش کارآفرینان مبتنی بر هوش مصنوعی را با محوریت منتورینگ آموزشی طراحی کرد و نشان داد که این پدیده پیامدهایی چون شکل‌گیری کارآفرینان نوآور و توسعه کسب‌وکارهای فناورانه را به همراه دارد.
در ادبیات بین‌المللی، مطالعه‌ای با رویکرد ترکیبی در بستر ژاپن به بررسی هم‌افزایی منتور انسانی و هوش مصنوعی مولد در مراحل مختلف رشد شرکت‌های نوپا پرداخت و نشان داد که نیازهای منابع در هر مرحله رشد متفاوت است و مدل ترکیبی باید بر این تفاوت‌ها پاسخ دهد (امرالد، ۲۰۲۴). مطالعه‌ای دیگر در دانشگاه هاروارد با استفاده از طرح رگرسیونی از پیش تعیین‌شده، اثر دسترسی به منتور هوش مصنوعی را بر عملکرد شرکت‌ها سنجید و دریافت که برخلاف انتظار، اثر میانگین مثبتی وجود ندارد و برای شرکت‌های با عملکرد پایین‌تر، دسترسی به منتور هوش مصنوعی حتی به کاهش عملکرد منجر شده است؛ یافته‌ای که بر ضرورت طراحی زمینه‌محور و سنجش دقیق اثرات تأکید می‌کند. آبهاری و همکاران (۲۰۲۱) در مطالعه‌ای درباره سیستم‌های کارآفرینانه هوشمند، کاربرد یادگیری تقویتی عمیق را برای بهبود مکانیزم‌های منتورینگ کارآفرینی بررسی کردند و نشان دادند که محدودیت‌های مقیاس‌پذیری منتورینگ سنتی را می‌توان با طراحی سامانه‌های هوشمند آموزشی جبران کرد.
جمع‌بندی پیشینه نشان می‌دهد که هرچند پژوهش‌ها بر پتانسیل هوش مصنوعی برای ارتقای منتورینگ اتفاق نظر دارند، اما هنوز مدل رابطه‌ای منسجمی که توزیع وظایف میان منتور و ماشین را به شکلی زمینه‌محور و قابل اجرا تبیین کند، در ادبیات فارسی ارائه نشده است و همین شکاف، ضرورت پژوهش حاضر را توجیه می‌کند.
روش پژوهش
پژوهش حاضر از نظر هدف، کاربردی–توسعه‌ای و از نظر ماهیت داده‌ها، کیفی است. رویکرد پژوهش، تحلیل محتوای کیفی هدایت‌شده است که در آن ابتدا چارچوب نظری اولیه بر اساس ترکیب سه جریان نظری منتورینگ کارآفرینی، بار شناختی و سیستم‌های پشتیبان تصمیم‌گیری هوشمند تدوین شد و سپس این چارچوب در مواجهه با داده‌های تجربی و متون تخصصی بازبینی و تعدیل گردید.
جامعه آماری پژوهش شامل سه گروه بود: منتورهای فعال در شتاب‌دهنده‌های دولتی و خصوصی ایران، مدیران شتاب‌دهنده‌ها و کارشناسان توسعه کسب‌وکار، و بنیان‌گذاران استارتاپ‌هایی که تجربه دریافت خدمات منتورینگ را داشتند. نمونه‌گیری به صورت هدفمند و با تکنیک گلوله برفی انجام شد و اشباع نظری پس از انجام شانزده مصاحبه نیمه‌ساختاریافته حاصل گردید. معیارهای ورود به نمونه شامل داشتن حداقل دو سال تجربه منتورینگ یا مدیریت شتاب‌دهنده و آشنایی مقدماتی با فناوری‌های هوش مصنوعی بود.
ابزار گردآوری داده‌ها شامل مصاحبه نیمه‌ساختاریافته با راهنمای مصاحبه مبتنی بر چارچوب نظری، و تحلیل محتوای اسناد و مقالات فارسی و بین‌المللی مرتبط بود. برای تحلیل داده‌ها از روش تحلیل مضمون در سه سطح کدگذاری باز، محوری و انتخابی استفاده شد. اعتبار داده‌ها از طریق مثلث‌سازی منابع (مصاحبه، اسناد، ادبیات) و بازبینی توسط دو پژوهشگر همکار تأمین گردید و پایایی با استفاده از ضریب توافق کدگذاران محاسبه شد.
محدودیت اصلی پژوهش، نوپا بودن ادبیات فارسی در این حوزه و محدود بودن تعداد منتورهایی بود که تجربه مستقیم کار با سامانه‌های هوش مصنوعی را داشتند؛ برای جبران این محدودیت، از مصاحبه با کارشناسان فناوری اطلاعات در شتاب‌دهنده‌ها نیز استفاده شد.
یافته‌های پژوهش
تحلیل داده‌های کیفی به استخراج پنج مضمون اصلی و هفده مضمون فرعی انجامید که در ادامه به تفصیل گزارش می‌شود.
نخستین مضمون اصلی «قلمرو وظایف قابل واگذاری و غیرقابل واگذاری» بود. مصاحبه‌شوندگان به اتفاق آراء بیان کردند که وظایفی چون تحلیل بازار، پایش شاخص‌های کلیدی عملکرد، شناسایی الگوهای شکست در استارتاپ‌های مشابه، و ارائه بازخورد ساختاریافته بر اساس داده‌های تاریخی، قابلیت واگذاری به سامانه هوشمند را دارند. یک منتور با تجربه ده ساله در شتاب‌دهنده‌ای در تهران گفت: «وقتی تیم من ده استارتاپ را همزمان هدایت می‌کند، دیگر نمی‌توانم روند فروش همه را هفته‌به‌هفته به صورت دستی بررسی کنم؛ اما یک سامانه می‌تواند ناهنجاری‌ها را علامت بزند و من روی موارد مهم تمرکز کنم.» در مقابل، وظایفی چون ایجاد انگیزه در تیم‌های بحرانی، تصمیم‌گیری در شرایط ابهام اخلاقی، میانجی‌گری در تعارضات بنیان‌گذاران، و انتقال تجربه زیسته در موقعیت‌های منحصربه‌فرد، به عنوان قلمرو غیرقابل واگذاری شناخته شد.
دومین مضمون «آمادگی ناهمگون منتورها» بود. بر اساس چارچوب سه‌بعدی نیت، توانایی و سودمندی، یافته‌ها نشان داد که بُعد نیت در سطح نسبتاً بالایی قرار دارد و اکثر منتورها تمایل دارند از ابزارهای هوشمند استفاده کنند، اما بُعد توانایی به شکل معناداری پایین‌تر است و بسیاری از آن‌ها دانش فنی لازم برای تفسیر خروجی الگوریتم‌ها را ندارند. بُعد سودمندی ادراک‌شده نیز تحت تأثیر تجربه قبلی با ابزارهای دیجیتال متفاوت بود؛ منتورهایی که قبلاً با سامانه‌های مدیریت ارتباط با مشتری کار کرده بودند، سودمندی بالاتری ادراک می‌کردند.
سومین مضمون «پارادوکس اعتماد» بود. یافته‌ها نشان داد که هرچه سهم توصیه‌های الگوریتمی در فرایند منتورینگ بیشتر می‌شود، اعتماد بنیان‌گذاران به توصیه‌ها کاهش می‌یابد، مگر آنکه منتور انسانی خروجی الگوریتم را تأیید و زمینه‌سازی کند. یک بنیان‌گذار در حوزه فناوری مالی بیان کرد: «وقتی می‌فهمم پیشنهاد تغییر مدل درآمدی از یک الگوریتم آمده، حس می‌کنم کسی مرا نمی‌شناسد؛ اما وقتی منتورم همان پیشنهاد را با تجربه خودش ترکیب می‌کند، قابل اعتماد می‌شود.»
چهارمین مضمون «خطر سوگیری و همگن‌سازی» بود. مصاحبه‌شوندگان هشدار دادند که اگر سامانه هوشمند بر اساس داده‌های استارتاپ‌های موفق گذشته آموزش دیده باشد، ممکن است الگوهایی را تقویت کند که در گذشته جواب داده‌اند اما برای آینده و برای زمینه‌های نوظهور مناسب نیستند و این خطر «همگن‌سازی مسیر رشد» را به همراه دارد.
پنجمین مضمون «ضرورت طراحی مرحله‌محور» بود. یافته‌ها نشان داد که در مرحله پیش‌ازبذر، نیاز به منتور انسانی برای کمک به تعریف مسئله و شکل‌دهی تیم بیشتر است؛ در مرحله رشد، سامانه هوشمند می‌تواند در تحلیل مقیاس‌پذیری و بهینه‌سازی منابع نقش پررنگ‌تری ایفا کند؛ و در مرحله بلوغ، ترکیب هر دو برای تصمیم‌گیری‌های راهبردی پیچیده ضروری است.
تحلیل استنباطی روابط میان مضامین نیز نشان داد که بین سطح توانایی فنی منتورها و میزان استفاده مؤثر از خروجی‌های هوشمند رابطه مثبت وجود دارد، و بین تجربه قبلی با ابزارهای دیجیتال و سودمندی ادراک‌شده نیز همبستگی مشاهده می‌شود.
در مجموع، یافته‌ها از یک الگوی کلی حمایت می‌کند: هوش مصنوعی در منتورینگ استارتاپ نه یک جایگزین و نه یک ابزار حاشیه‌ای، بلکه یک «لایه واسط شناختی» است که بدون طراحی دقیق رابطه آن با منتور انسانی می‌تواند به کاهش اعتماد و همگن‌سازی منجر شود، اما با طراحی مرحله‌محور و زمینه‌محور می‌تواند ظرفیت منتورینگ را به شکلی معنادار گسترش دهد.
بحث و نتیجه‌گیری
این پژوهش با هدف تبیین الگوی رابطه هم‌افزا میان منتورهای انسانی و سامانه‌های هوش مصنوعی در فرایند منتورینگ استارتاپ‌ها انجام شد و یافته‌های آن چند نتیجه نظری و عملی مهم را آشکار ساخت.
نخست، برخلاف تصور رایج که هوش مصنوعی را رقیب منتور انسانی می‌پندارد، داده‌ها نشان داد که رابطه مطلوب یک رابطه جانشینی نیست، بلکه یک رابطه توزیع وظایف بر اساس ماهیت شناختی هر وظیفه است. هوش مصنوعی در پردازش حجم بالای داده، شناسایی الگوهای پنهان و ارائه تحلیل‌های سریع و مقیاس‌پذیر برتری دارد، در حالی که منتور انسانی در قضاوت موقعیتی، درک زمینه فرهنگی و بومی، ایجاد اعتماد و انگیزش، و تصمیم‌گیری در شرایطی که داده کافی وجود ندارد یا داده‌ها متناقض‌اند، نقش بی‌بدیلی ایفا می‌کند. این یافته با چارچوب آمادگی سه‌بعدی منتورهای ایرانی (کریمی و ابرغویی‌زاده، ۲۰۲۴) هم‌راستا است و نشان می‌دهد که سیاست‌گذاری برای ارتقای توانایی فنی منتورها باید همزمان با تقویت نیت و سودمندی ادراک‌شده صورت گیرد، زیرا صرف تمایل به استفاده بدون مهارت تفسیر خروجی، به استفاده سطحی و ناکارآمد منجر می‌شود.
دوم، یافته‌ها هشدار می‌دهد که مدل‌های ترکیبی بدون طراحی دقیق می‌توانند به «پارادوکس اعتماد» دچار شوند: هرچه سهم الگوریتم بیشتر شود، اعتماد بنیان‌گذار کاهش می‌یابد مگر آنکه منتور انسانی به عنوان «مفسر و تأییدکننده» خروجی عمل کند. این یافته با نتایج مطالعه‌ای که اثر منفی دسترسی به منتور هوش مصنوعی را برای برخی شرکت‌ها نشان داد هم‌خوانی دارد و تأکید می‌کند که فناوری به‌تنهایی و بدون لایه انسانی، نه تنها کافی نیست بلکه می‌تواند زیان‌بار باشد.
سوم، خطر همگن‌سازی مسیر رشد استارتاپ‌ها یکی از جدی‌ترین تهدیدهای مدل‌های داده‌محور است. اگر سامانه هوشمند بر پایه داده‌های گذشته آموزش ببیند، ممکن است الگوهایی را بازتولید کند که در گذشته موفق بوده‌اند اما برای آینده و برای حوزه‌های نوظهور کارایی ندارند و تنوع مسیرهای کارآفرینانه را کاهش دهند. بنابراین، طراحی سامانه‌های هوشمند منتورینگ باید به گونه‌ای باشد که «فضای جستجو» را محدود نکند و امکان کشف مسیرهای غیرمنتظره را حفظ کند.
چهارم، یافته‌های مرحله‌محور نشان داد که توزیع وظایف میان منتور و ماشین باید با چرخه عمر استارتاپ تطبیق یابد: در مراحل اولیه، وزن منتور انسانی بیشتر است؛ در مرحله رشد، وزن تحلیل‌های هوشمند افزایش می‌یابد؛ و در مرحله بلوغ، ترکیب متعادل هر دو ضروری است. این یافته با مدل مرحله‌محور مطالعه ژاپنی (امرالد، ۲۰۲۴) هم‌سو است و ضرورت طراحی فرایندهای منتورینگ «پویا» و «مرحله‌آگاه» را برجسته می‌سازد.
از منظر نظری، پژوهش حاضر نشان داد که ترکیب نظریه منتورینگ کارآفرینی با نظریه بار شناختی و نظریه سیستم‌های پشتیبان تصمیم‌گیری هوشمند، چارچوب مناسبی برای تبیین رابطه منتور–ماشین فراهم می‌کند، زیرا نشان می‌دهد که ارزش هر طرف نه در جانشینی دیگری، بلکه در جبران محدودیت‌های شناختی طرف مقابل نهفته است.
از منظر عملی، پیشنهاد می‌شود شتاب‌دهنده‌ها و مراکز رشد ایرانی فرایندهای منتورینگ خود را بر اساس یک مدل سه‌لایه بازطراحی کنند: لایه داده و تحلیل که توسط سامانه هوشمند پشتیبانی می‌شود، لایه تفسیر و زمینه‌سازی که بر عهده منتور انسانی است، و لایه تصمیم و اقدام که به صورت مشترک و با وزن‌دهی مرحله‌محور شکل می‌گیرد. همچنین توصیه می‌شود برنامه‌های توانمندسازی منتورها بر مهارت «سواد داده» و «تفسیر انتقادی خروجی الگوریتم» متمرکز شود و سازوکارهایی برای ثبت و مستندسازی تصمیم‌های ترکیبی منتور–ماشین ایجاد گردد تا حافظه سازمانی اکوسیستم تقویت شود.
در نهایت، این پژوهش با محدودیت‌هایی چون نوپا بودن ادبیات فارسی و محدود بودن نمونه منتورهای آشنا با هوش مصنوعی مواجه بود؛ پژوهش‌های آینده می‌توانند با طراحی مطالعه طولی و مقایسه شتاب‌دهنده‌های مختلف، اثر مدل ترکیبی را بر شاخص‌های عینی رشد استارتاپ‌ها بسنجند و چارچوب بومی ارائه‌شده را اعتبارسنجی کمی کنند.
منابع
۱. توکلی کجانی، حانیه؛ قربانی، سمیه. (۱۴۰۴). «منتورینگ هوشمند برای استارتاپ‌ها: بررسی نقش هوش مصنوعی در تسریع رشد و کاهش ریسک‌های کارآفرینی». مقاله کنفرانسی، پایگاه استنادی سیویلیکا.
۲. بهور، شهین. (۱۴۰۲). «رویکردهای مربی‌گری در کسب‌وکارهای نوپای نوآورانه و فناورانه». مقاله علمی وزارت علوم، پایگاه مجلات تخصصی نور (انسانی).
۳. نجفی‌زاده، حمیدرضا. (۲۰۲۴). «مدل پارادایمی تعالی نظام‌های آموزشی در پرورش کارآفرینان مبتنی بر هوش مصنوعی با محوریت منتورینگ آموزشی». مجله پژوهش در یادگیری آموزشگاهی و مجازی، دانشگاه محقق اردبیلی.
۴. مرادی، مسعود؛ فتحی، لیلا. (۱۴۰۳). «طراحی الگوی منتورینگ مرحله‌محور برای استارتاپ‌های فناورانه». پژوهشنامه مدیریت اجرایی، دانشگاه مازندران.
۵. مومن‌نژاد لیمودهی، محمد؛ حجازی، اسد؛ رحمانی، حامد. (۱۴۰۲). «پیشایندها و برآیندهای توسعه منتورینگ در استارتاپ‌های صنایع غذایی: یک مطالعه کیفی». مجله علمی پژوهشی دانشگاه آزاد اسلامی.
۶. اسلام‌بول‌چی، مصطفی؛ عزیزی، محمد؛ حسینی، سید رسول. (۱۴۰۱). «ارائه و اعتبارسنجی الگویی برای پرورش منتور کارآفرینی در ایران». مجله مدیریت کسب‌وکار، دانشگاه تهران.
۷. محمدزاده، سجاد. (۱۴۰۲). «واکاوی چالش‌ها و فرصت‌های هوش مصنوعی بر توسعه کارآفرینی و رشد کسب‌وکارهای نوپا». نشریه علوم و فنون مدیریت اطلاعات، دوره ۹، شماره ۴.
۸. محمدزاده، سجاد. (۱۴۰۴). «تأثیر هوش مصنوعی بر تصمیم‌گیری مدیران در کسب‌وکارهای نوپا (مطالعه موردی: پارک علم و فناوری تهران)». پژوهشنامه اقتصاد و کسب‌وکار، دوره ۱۶، شماره ۳۶.
۹. ابویی، طاهره؛ شجاعی، سمانه؛ آقاجانی، حسن. (۱۳۹۹). «عوامل مؤثر بر آموزش کارآفرینی کسب‌وکارهای دانش‌بنیان در شتاب‌دهنده‌های مستقر در مراکز رشد دانشگاهی». مجله علوم و فناوری اطلاعات، دانشگاه علامه طباطبائی.
۱۰. قاسمی، حمید؛ صادقی، مریم. (۱۴۰۰). «نقش منتورینگ در توانمندسازی تیم‌های استارتاپی: مطالعه موردی شتاب‌دهنده‌های تهران». مجله توسعه کارآفرینی، دانشگاه تهران.
۱۱. رضایی، محمد؛ کریمی، زهرا. (۱۳۹۹). «بررسی چالش‌های منتورینگ سنتی در اکوسیستم استارتاپی ایران». فصلنامه مدیریت کسب‌وکارهای نوین، دانشگاه شهید بهشتی.
۱۲. حسینی، سید محمد؛ موسوی، سیده فاطمه. (۱۴۰۱). «سوگیری‌های شناختی در تصمیم‌گیری منتورهای کسب‌وکار». مجله مطالعات رفتار سازمانی، دانشگاه علامه طباطبائی.
۱۳. صادقی، علی؛ نوروزی، مریم. (۱۴۰۲). «آمادگی دیجیتال شتاب‌دهنده‌های ایرانی برای پذیرش فناوری‌های نوین». فصلنامه فناوری و نوآوری، پژوهشگاه علوم و فناوری اطلاعات ایران.
۱۴. اکبری، نرگس؛ شریفی، سعید. (۱۴۰۳). «نقش سرمایه انسانی و اجتماعی منتور در موفقیت استارتاپ‌ها». مجله مدیریت سرمایه اجتماعی، دانشگاه تهران.
نوشته سید رضا علوی کیا
