حدود پانزده سال است که تقریباً تمام تصمیم‌های مهم زندگی من، از انتخاب رشته و مسیر تحصیلی گرفته تا انتخاب‌های شغلی و کاری، حول یک سؤال شکل گرفته‌اند: چطور می‌توان در شرایطی که اطلاعات کامل نداریم، آینده را نمی‌دانیم و زمان و منابع محدودی در اختیار داریم، بهترین تصمیم ممکن را گرفت؟ شاید در نگاه اول این سؤال بیشتر به مدیریت یا اقتصاد مربوط به نظر برسد، اما برای من در طول زمان تبدیل شد به نقطه اتصال چهار حوزه کاملاً متفاوت: مهندسی برق، هوش مصنوعی، بازارهای مالی و مدیریت محصول.
مهندسی برق اولین درس را به من داد: حتی پیچیده‌ترین سامانه‌ها معمولاً ساختار دارند. وقتی با یک سامانه پیچیده روبه‌رو می‌شویم، اولین کار این نیست که همه جزئیات آن را بفهمیم؛ باید اجزای اصلی، روابط میان آنها و نقاطی را پیدا کنیم که بیشترین اثر را روی رفتار کل سامانه دارند. بعدها فهمیدم این نگاه فقط برای مدار و سامانه‌های مهندسی نیست؛ در اقتصاد، سازمان، محصول و حتی تصمیم‌های شخصی هم کاربرد دارد. بسیاری از مسائل پیچیده، زمانی قابل فهم‌تر می‌شوند که به جای غرق شدن در جزئیات، ساختار مسئله را پیدا کنیم.
هوش مصنوعی لنز دوم را به این تصویر اضافه کرد. یادگیری ماشین به من یاد داد که در میان حجم بزرگی از داده‌های ظاهراً آشفته، ممکن است الگوهایی وجود داشته باشند که با مشاهده چند نمونه قابل تشخیص نیستند. اما یک نکته مهم‌تر هم وجود دارد: پیدا کردن الگو با فهمیدن علت یکی نیست. یک مدل ممکن است رابطه‌ای بسیار دقیق در داده‌ها پیدا کند، اما اگر محیط تغییر کند، همان رابطه می‌تواند از بین برود. بنابراین تصمیم خوب فقط به پیش‌بینی بهتر نیاز ندارد؛ به درک محدودیت‌های پیش‌بینی هم نیاز دارد.
بازارهای مالی لنز سوم بودند و شاید مهم‌ترین درس را در مورد خودِ تصمیم به من دادند. در بازار، تقریباً هیچ تصمیمی رایگان نیست. انتخاب یک گزینه یعنی از دست دادن گزینه‌های دیگر. اگر سرمایه، زمان یا ظرفیت سازمان محدود باشد، انتخاب پروژه «الف» به معنای انتخاب نکردن پروژه «ب» است. بنابراین کیفیت یک تصمیم را نمی‌توان فقط با نتیجه نهایی آن سنجید. ممکن است یک تصمیم درست، در نهایت به نتیجه بد منجر شود و یک تصمیم ضعیف، به‌طور تصادفی نتیجه خوبی ایجاد کند. در محیط‌های نامطمئن، باید میان کیفیت تصمیم و کیفیت نتیجه تفاوت قائل شد.
این ایده سال‌ها پیش در اقتصاد و علوم تصمیم‌گیری نیز به شکل دیگری مطرح شده بود. هربرت سایمون در مقاله معروف خود درباره «عقلانیت محدود» نشان داد که انسان‌ها معمولاً نمی‌توانند تمام گزینه‌ها، اطلاعات و پیامدهای احتمالی یک تصمیم را بررسی کنند؛ ظرفیت پردازش اطلاعات، زمان و منابع ما محدود است. بنابراین در دنیای واقعی، انسان الزاماً به دنبال بهترین گزینه مطلق نیست؛ معمولاً به دنبال گزینه‌ای است که با اطلاعات موجود، محدودیت‌های موجود و سطح قابل‌قبولی از رضایت، به اندازه کافی خوب باشد [1]. این مفهوم بعدها با واژه «بسندگی» شناخته شد و یکی از بنیادی‌ترین ایده‌ها در فهم تصمیم‌گیری واقعی شد.
مدیریت محصول لنز چهارم را به من داد: گاهی بهترین تصمیم، کامل‌ترین تصمیم نیست؛ به‌موقع‌ترین تصمیم است. در محصول، تقریباً همیشه با اطلاعات ناقص روبه‌رو هستیم. نمی‌دانیم دقیقاً چه چیزی مشتری را خوشحال می‌کند، رقیب شش ماه دیگر چه خواهد ساخت، بازار چگونه تغییر خواهد کرد یا یک قابلیت جدید دقیقاً چه اثری روی رفتار کاربران خواهد گذاشت. اگر منتظر بمانیم تا همه اطلاعات را داشته باشیم، ممکن است زمانی تصمیم بگیریم که دیگر فرصت از دست رفته باشد. در بسیاری از مسائل، تصمیم‌گیری خودش بخشی از فرایند یادگیری است.
این همان جایی است که به نظرم تفاوت میان تصمیم‌گیری در شرایط عدم قطعیت و حل یک مسئله مشخص آشکار می‌شود. اگر مسئله را به‌خوبی تعریف کرده باشیم، داده کافی داشته باشیم و روابط علت و معلولی مشخص باشند، می‌توانیم تا حد زیادی آن را با تحلیل و محاسبه حل کنیم. اما بسیاری از تصمیم‌های مهم زندگی و کسب‌وکار چنین نیستند. هدف‌ها ممکن است مبهم باشند، اطلاعات ناقص باشد، محیط دائماً تغییر کند و حتی بعد از تصمیم ما، خودِ محیط به تصمیم ما واکنش نشان دهد.
گری کلاین، در پژوهش‌هایش درباره تصمیم‌گیری طبیعی، دقیقاً سراغ چنین موقعیت‌هایی رفت؛ موقعیت‌هایی که در آنها افراد متخصص باید تحت فشار زمانی، اطلاعات ناقص و پیامدهای سنگین تصمیم بگیرند. او با مطالعه آتش‌نشان‌ها، خلبان‌ها، پزشکان و سایر متخصصان نشان داد که تصمیم‌گیری واقعی الزاماً شبیه یک جدول مقایسه‌ای نیست که فرد تمام گزینه‌ها را امتیازدهی کند و در نهایت بالاترین امتیاز را انتخاب کند. افراد باتجربه اغلب ابتدا موقعیت را تشخیص می‌دهند، آن را با الگوهای قبلی مقایسه می‌کنند و سپس در ذهن خود پیامد اقدام احتمالی را شبیه‌سازی می‌کنند [2]. این نگاه به «تصمیم‌گیری مبتنی بر تشخیص» نشان می‌دهد که تجربه، الگوهای ذهنی و توانایی تشخیص موقعیت می‌توانند در محیط‌های واقعی به اندازه تحلیل رسمی اهمیت داشته باشند.
از طرف دیگر، پژوهش‌های دنیل کانمن و همکارانش نشان داده‌اند که همین ذهن انسان می‌تواند گرفتار خطاهای سیستماتیک شود. ما تحت تأثیر لنگرهای ذهنی، اعتماد بیش از حد، در دسترس بودن اطلاعات و بسیاری از میان‌برهای شناختی قرار می‌گیریم [3]. بنابراین نه می‌توان گفت «به شهود اعتماد کن» و نه می‌توان گفت «همیشه فقط با تحلیل عددی تصمیم بگیر». در شرایط مختلف، هر دو می‌توانند مفید یا خطرناک باشند.
اینجا یک سؤال مهم شکل می‌گیرد: اگر انسان محدودیت‌های شناختی دارد، آیا هوش مصنوعی می‌تواند این محدودیت‌ها را جبران کند؟ به نظرم پاسخ، «بله، اما نه به شکلی که معمولاً تصور می‌کنیم» است.
هوش مصنوعی احتمالاً ارزشمندترین نقش خود را زمانی ایفا می‌کند که تلاش نکند جای تصمیم‌گیرنده را بگیرد، بلکه ظرفیت تصمیم‌گیری او را افزایش دهد. پژوهش جاراهی درباره رابطه انسان و هوش مصنوعی نیز دقیقاً بر همین مکمل بودن تأکید می‌کند: ماشین‌ها در پردازش حجم عظیم اطلاعات و تحلیل پیچیدگی مزیت دارند، در حالی که انسان‌ها همچنان در فهم زمینه، ابهام، هدف و قضاوت کلی مزیت‌هایی دارند [4]. پژوهش شریستا، کریشنا و فون کروگ نیز نشان می‌دهد که یادگیری عمیق می‌تواند با افزایش توان پردازش اطلاعات کارکنان، تصمیم‌گیری سازمانی را تقویت کند [5].
این مفهوم در سال‌های اخیر با عنوان «هوش ترکیبی» نیز مطرح شده است؛ یعنی سیستمی که در آن انسان و ماشین هرکدام کاری را انجام می‌دهند که دیگری در آن ضعیف‌تر است. پژوهش‌های این حوزه نشان می‌دهند مسئله اصلی دیگر این نیست که «انسان بهتر است یا ماشین؟» بلکه سؤال مهم‌تر این است که چطور باید مرز میان انسان و ماشین را طراحی کنیم تا ترکیب آنها از هرکدام به‌تنهایی بهتر عمل کند؟ [6]
فرض کنید مدیر محصول یک سکوی تجارت الکترونیکی بزرگ هستید. هر روز هزاران درخواست درباره مرجوعی کالا، تأخیر در تحویل، پرداخت، لغو سفارش و پشتیبانی ثبت می‌شود. اگر فقط اجازه داشته باشید یک قابلیت مبتنی بر هوش مصنوعی بسازید که طی شش ماه بیشترین اثر را بر کاهش هزینه و افزایش رضایت مشتری داشته باشد، انتخاب شما چیست؟
پاسخ طبیعی شاید ساخت یک گفت‌وگوی خودکار برای مشتری باشد؛ سامانه‌ای که مستقیماً با مشتری صحبت کند و بخشی از درخواست‌های او را بدون دخالت انسان پاسخ دهد. این ایده می‌تواند بسیار ارزشمند باشد، اما من احتمالاً انتخاب دیگری می‌کردم: به‌جای خودکار کردن کامل تصمیم، تصمیم‌گیرنده انسانی را تقویت می‌کردم.
تصور کنید کارشناس پشتیبانی هنگام دریافت یک درخواست، به‌جای جست‌وجوی دستی در چند سامانه، در چند ثانیه تصویری یکپارچه از وضعیت مشتری دریافت کند: سابقه خرید، رفتار گذشته، سفارش فعلی، وضعیت زنجیره تأمین، سابقه مرجوعی، سیاست مالی، احتمال نارضایتی یا ریزش و گزینه‌های مجاز برای حل مسئله. سپس سامانه بر اساس این اطلاعات چند اقدام پیشنهادی ارائه کند و توضیح دهد چرا این اقدام پیشنهاد شده است.
در این حالت، هوش مصنوعی لزوماً جای کارشناس را نمی‌گیرد. کارشناس را از جست‌وجوی اطلاعات جدا می‌کند تا بتواند بیشتر روی قضاوت تمرکز کند.
این تفاوت بسیار مهم است. اگر کارشناس پشتیبانی روزانه چند صد بار مجبور باشد بین سامانه‌های مختلف جابه‌جا شود، سیاست‌ها را بررسی کند، سابقه مشتری را بخواند و در نهایت یک تصمیم ساده بگیرد، بخش بزرگی از زمان او صرف پردازش اطلاعات می‌شود. اگر هوش مصنوعی این بخش را بر عهده بگیرد، انسان می‌تواند انرژی بیشتری برای موارد استثنایی، مذاکره، همدلی و تصمیم‌هایی بگذارد که واقعاً به قضاوت انسانی نیاز دارند.
در چنین سیستمی، هوش مصنوعی قرار نیست به سؤال «چه کاری انجام دهیم؟» پاسخ قطعی بدهد؛ بهتر است پاسخ آن چیزی شبیه این باشد: «با توجه به این اطلاعات، این سه گزینه محتمل‌ترند؛ این گزینه کمترین هزینه را دارد، آن یکی بیشترین احتمال حفظ مشتری را دارد و گزینه سوم کمترین ریسک را برای سازمان ایجاد می‌کند.»
در واقع، هوش مصنوعی می‌تواند فضای تصمیم را بهتر کند، بدون اینکه الزاماً تصمیم نهایی را خودش بگیرد.
این همان نقطه‌ای است که به نظرم بسیاری از پروژه‌های هوش مصنوعی سازمانی از آن غافل می‌شوند. گاهی سازمان‌ها از خود می‌پرسند «چه کاری را می‌توانیم با هوش مصنوعی خودکار کنیم؟» شاید سؤال بهتر این باشد: «کدام تصمیم‌های مهم سازمان امروز به دلیل کمبود اطلاعات، سرعت پایین تحلیل یا محدودیت شناختی انسان، با کیفیت پایین‌تری گرفته می‌شوند؟»
این تغییر کوچک در صورت سؤال می‌تواند مسیر طراحی محصول را کاملاً عوض کند.
در پژوهش‌های پیش‌بینی نیز شواهد جالبی وجود دارد. فیلیپ تتلاک و دن گاردنر در کتاب Superforecasting بر اساس پروژه گسترده پیش‌بینی رویدادهای واقعی نشان می‌دهند که پیش‌بینی بهتر الزاماً نتیجه داشتن اطلاعات اسرارآمیز یا هوش خارق‌العاده نیست؛ بلکه به عادت‌هایی مانند شکستن مسئله به اجزای کوچک‌تر، استفاده از احتمالات، جمع‌آوری شواهد از منابع مختلف، به‌روزرسانی باورها و ثبت و ارزیابی مداوم خطاها وابسته است [7]. شاید این درس برای طراحی سامانه‌های هوشمند حتی مهم‌تر از خود الگوریتم باشد: سیستم خوب فقط پاسخ نمی‌دهد؛ به تصمیم‌گیرنده کمک می‌کند بهتر فکر کند.
این نگاه یک پیام مهم دیگر هم دارد. در شرایط عدم قطعیت، هدف تصمیم‌گیری نباید حذف کامل عدم قطعیت باشد؛ چنین چیزی اغلب ممکن نیست. هدف باید این باشد که با وجود عدم قطعیت، کیفیت تصمیم را افزایش دهیم.
من بعد از سال‌ها نگاه کردن به مسائل از چهار زاویه مختلف، امروز این سؤال را کمی متفاوت می‌بینم. مهندسی به من می‌گوید ساختار مسئله را پیدا کن. هوش مصنوعی می‌گوید از داده برای پیدا کردن الگو استفاده کن، اما محدودیت‌های مدل را فراموش نکن. بازارهای مالی می‌گویند هر انتخاب هزینه فرصت دارد و نتیجه خوب همیشه به معنای تصمیم خوب نیست. مدیریت محصول هم یادآوری می‌کند که گاهی صبر برای اطلاعات کامل، خودش یک تصمیم بد است.
شاید بنابراین «بهترین تصمیم» وجود نداشته باشد؛ دست‌کم نه به معنای تصمیمی که بتوانیم بعداً ثابت کنیم از تمام گزینه‌های ممکن بهتر بوده است. چیزی که وجود دارد، بهترین تصمیم ممکن با اطلاعاتی است که در همان لحظه در اختیار داریم.
و شاید یکی از مهم‌ترین کاربردهای هوش مصنوعی در سال‌های آینده همین باشد: نه اینکه تصمیم را از انسان بگیرد، بلکه کاری کند انسان بتواند با همان زمان، همان منابع و همان محدودیت‌ها، اطلاعات بیشتری ببیند، گزینه‌های بیشتری را بررسی کند، پیامدها را بهتر تصور کند و در نهایت تصمیم آگاهانه‌تری بگیرد.
در دنیایی که عدم قطعیت حذف‌شدنی نیست، شاید برنده کسی نباشد که همیشه درست پیش‌بینی می‌کند؛ شاید کسی برنده باشد که سریع‌تر یاد می‌گیرد، بهتر تصمیم می‌گیرد و وقتی شواهد تغییر کردند، زودتر تصمیم خودش را تغییر می‌دهد.
شاید تمام این پانزده سال برای من، در نهایت، تلاش برای پاسخ دادن به همین یک سؤال بوده است:
وقتی نمی‌توانیم آینده را بدانیم، چطور می‌توانیم امروز بهتر تصمیم بگیریم؟
منابع
[1] Simon, H. A. (1955). A Behavioral Model of Rational Choice. The Quarterly Journal of Economics, 69(1), 99–118.
https://doi.org/10.2307/1884852
[2] Klein, G. (1998). Sources of Power: How People Make Decisions. MIT Press.
https://mitpress.mit.edu/9780262534291/sources-of-power/
[3] Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
[4] Jarrahi, M. H. (2018). Artificial Intelligence and the Future of Work: Human-AI Symbiosis in Organizational Decision Making. Business Horizons, 61(4), 577–586.
https://doi.org/10.1016/j.bushor.2018.03.007
[5] Shrestha, Y. R., Krishna, V., & von Krogh, G. (2021). Augmenting Organizational Decision-Making with Deep Learning Algorithms: Principles, Promises, and Challenges. Journal of Business Research, 123, 588–603.
https://doi.org/10.1016/j.jbusres.2020.09.068
[6] Dellermann, D., Ebel, P., Söllner, M., & Leimeister, J. M. (2019). Hybrid Intelligence. Business & Information Systems Engineering, 61, 637–643.
https://doi.org/10.1007/s12599-019-00595-2
[7] Tetlock, P. E., & Gardner, D. (2015). Superforecasting: The Art and Science of Prediction. Crown.
https://www.penguinrandomhouse.com/books/227815/superforecasting-by-philip-e-tetlock-and-dan-gardner/
[8] Simon, H. A. (1996). The Sciences of the Artificial (3rd ed.). MIT Press.
https://mitpress.mit.edu/9780262264495/the-sciences-of-the-artificial/
