https://virgool.ir/feed/@kamibaghaکامیار بقا؛ پژوهشگر و فعال حوزه هوش مصنوعی و بازارهای مالی، با تمرکز بر ژئوپلیتیک، اقتصاد، علم و فناوری. اینجا تلاش می‌کنم پیچیدگی‌های جهان را با داده، منطق و نگاه بین‌رشته‌ای بررسی کنم.fa2026-11-11 19:10:58https://files.virgool.ir/upload/users/257241/avatar/BdcutS.jpghttps://virgool.ir/@kamibaghahttps://virgool.ir/@kamibagha/ایران-اینترنشنال-بخشی-از-یک-پروژه-ژئوپلیتیک-z5emz7mmbzj0رسانه‌ی حامی سعودی و فارسی زبانایران اینترنشنال از سال ۲۰۱۷ خود را یک رسانه مستقل و حرفه‌ای معرفی کرده است؛ اما اگر مسیر شکل‌گیری، مالکیت، سرمایه و ارتباطات این شبکه را از ابتدا تا امروز دنبال کنیم، سؤال مهمی شکل می‌گیرد: واقعاً می‌توان ایران اینترنشنال را صرفاً یک شبکه خبری خصوصی دانست؟ قطعا خیر!ماجرا حتی قبل از تولد شبکه آغاز شد. شرکت Volant Media UK در دسامبر ۲۰۱۵ در بریتانیا ثبت شد و در سال ۲۰۱۶، اسناد شرکتی بریتانیا نشان می‌دادند که Fahad Ibrahim Aldeghither، تاجر سعودی و رئیس سابق Zain Saudi Arabia، بیش از ۷۵ درصد کنترل شرکت را در اختیار داشته است. در همان دوره Adel Abdulkarim Alabdulkarim، یک تاجر سعودی، وارد ساختار مدیریتی Volant شد. چند ماه بعد، در مه ۲۰۱۷، ایران اینترنشنال روی آنتن رفت.این ارتباط در همان سال‌های اول نیز پنهان نماند. در سال ۲۰۱۸، Fast Company با استناد به اطلاعات OFCOM نوشت که شرکت دارنده مجوز ایران اینترنشنال با یک مدیر و سهامدار سعودی مرتبط بوده است. اما گزارش مهم‌تر را گاردین منتشر کرد: این روزنامه در اکتبر ۲۰۱۸ نوشت که درباره منابع مالی شبکه پرسش‌های جدی وجود دارد همچنین گاردین افشا کرده حدود ۲۵۰ میلیون دلار از دربار سعودی برای راه‌اندازی شبکه اختصاص یافته است. حتی در همان گزارش گاردین، موضوع فقط پول نبود. این روزنامه به ارتباط عادل عبدلکریم با چهره‌های رسانه‌ای سعودی از جمله عبدالرحمن الراشد، مدیر سابق العربیه و سردبیر سابق شرق الاوسط، اشاره کرد. گاردین همچنین ایران اینترنشنال را در چارچوب رقابت رسانه‌ای عربستان و ایران در لندن قرار داد.با اطلاعات مالی سال‌های اخیر جدی‌تر شده است. Volant طی سال‌های گذشته صدها میلیون پوند زیان داشته و در پایان ۲۰۲۴، بدهی‌های آن به شرکت‌ها و اشخاص مرتبط به صدها میلیون پوند رسیده بود. در دسامبر ۲۰۲۵ نیز حدود ۶۴۸ میلیون پوند سهام جدید منتشر شد و بخش بزرگی از بدهی به سهام تبدیل شد؛ یعنی سرمایه جدید نقدی وارد شرکت نشد، بلکه بدهی‌های قبلی عملاً به مالکیت تبدیل شدند.«چطور یک شبکه نسبتاً جوان و خصوصی، در همان سال‌های ابتدایی فعالیتش به فایل هفت‌ساعته و محرمانه گفت‌وگوی وزیر خارجه ایران دست پیدا می‌کند و آن را به یکی از مهم‌ترین افشاگری‌های سیاسی سال تبدیل می‌کند؟»سال ۲۰۲۲، خود گاردین دوباره از «Saudi-funded Iran International» صحبت می‌کند.در جریان اعتراضات ۱۴۰۱، گاردین در گزارشی درباره اعتراضات ایران، در کنار جمهوری اسلامی و تحلیلگران غربی، صراحتاً از نقش «Saudi funded Iran International» صحبت می‌کند.13 دسامبر 2025 allotment سهام انجام شده و در 8 ژانویه 2026 سرمایه ثبت‌شده به £648,186,855 رسیده استو اینجا دوباره یک ارتباط جالب ظاهر می‌شود: ساختار Info-Cast Cayman که سهام Volant به آن منتقل شد، طبق گزارش‌های منتشرشده با صالح حسین الدویس ارتباط دارد؛ فردی که همزمان مدیر ارشد Saudi Research and Media Group (SRMG) است. این به‌تنهایی اثبات نمی‌کند که SRMG یا دولت سعودی مالک ایران اینترنشنال است، اما برای یک شبکه‌ای که سال‌ها هویت سرمایه‌گذاران اصلی خود را شفاف نکرده، یک ارتباط قابل توجه محسوب می‌شود.SRMGمصاحبه با بنیامین نتانیاهو نخست وزیر رژیم صهیونیستیاما سؤال همچنان باقی است: چرا نخست‌وزیر اسرائیل باید با چنین شبکه‌ای مصاحبه اختصاصی انجام دهد؟در ژوئن ۲۰۲۵، ایران اینترنشنال رسماً اعلام کرد که قرار است مصاحبه اختصاصی خود با بنیامین نتانیاهو را پخش کند. این اتفاق در میانه جنگ ایران و اسرائیل رخ داد؛ یعنی دقیقاً در زمانی که ایران اینترنشنال به یکی از مهم‌ترین رسانه‌های فارسی‌زبان پوشش‌دهنده جنگ تبدیل شده بود و طرفدار اسراییل بود تا کشور عزیزمان ایران!نخست‌وزیر اسرائیل به ندرت با رسانه‌های مختلف بین‌المللی مصاحبه می‌کند و ورودش حتی به لندن ممنوع شده است و مساوی است با دستگیری وی. اما وقتی این دسترسی را در کنار ساختار مالی مبهم، سابقه ارتباط با سرمایه‌گذاران سعودی، نقش شبکه در جنگ رسانه‌ای علیه جمهوری اسلامی و هم‌پوشانی منافع عربستان و اسرائیل در مقابله با نفوذ ایران قرار می‌دهیم، سؤال دیگری مطرح می‌شود:آیا ایران اینترنشنال یک پروپاگاندای اسراییلی-سعودی هست یا یک دارایی ژئوپلیتیک؟یک رسانه تجاری معمولاً باید در نهایت بتواند هزینه‌های خود را از تبلیغات، اشتراک، فروش محتوا یا درآمدهای تجاری تأمین کند. اما ایران اینترنشنال از همان ابتدا با هزینه بسیار بالا فعالیت کرد، بازار اصلی‌اش مخاطب داخل ایران بود، تبلیغات تجاری بسیار محدودی داشت و در طول سال‌ها زیان‌های سنگینی ثبت کرد. ادعا شده به خبرنگارانُ مجریان و نیروهای انسانی این شبکه حقوق دستمزدی معادل ۲ برابر متوسط رسانه‌های دیگر پرداخت میشود.محمود عنایت - مدیر این شبکه و حافظ منافع آمریکا«اگر سود مالی هدف اصلی نیست، سرمایه‌گذار از داشتن چنین رسانه‌ای چه بازدهی می‌گیرد؟»بازدهی می‌تواند مالی باشد؛ اما می‌تواند اطلاعاتی، رسانه‌ای، سیاسی و ژئوپلیتیکی هم باشد.ایران اینترنشنال دقیقاً در نقطه‌ای فعالیت می‌کند که ارزش رسانه‌ای آن بسیار بالاست: داخل ایران، جایی که دسترسی به رسانه‌های خارجی محدود است؛ در میان ایرانیان خارج از کشور؛ و در بحران‌هایی مانند اعتراضات ۱۴۰۱ و جنگ ایران و اسرائیل که شکل‌دهی به روایت عمومی اهمیت بسیار زیادی پیدا می‌کند.چه کسی صدها میلیون پوند زیان این شبکه را تأمین کرده است؟چرا در ساختار مالکیت آن، از ابتدا ردپای سرمایه‌گذاران و مدیران سعودی دیده می‌شود؟چرا بدهی‌های عظیم شرکت در نهایت به سهام تبدیل شده‌اند؟و چرا یک شبکه‌ای با چنین ساختار مالی، در مهم‌ترین منازعه ژئوپلیتیکی منطقه، به نخست‌وزیر اسرائیل دسترسی مستقیم و اختصاصی دارد؟ادعاهای کذب، بزرگنمایی و روایت‌سازی ایران‌اینترنشنال۱. ادعای «ردپای ایران در تونل‌های حماس» بعد از ۷ اکتبربلافاصله پس از حملات ۷ اکتبر حماس به اسراییل، ایران اینترنشنال در گزارش‌های متعدد و به نقل از «منابع ناشناس اطلاعاتی» یا «مقامات غربی بی‌نام»، مدعی شد که عملیات طوفان الاقصی کاملاً در تهران طراحی شده و فرماندهان سپاه پاسداران در بیروت چندین جلسه با رهبران حماس برای هماهنگی نهایی این حمله داشته‌اند. این شبکه تلاش کرد ایران را به عنوان آمر اصلی و مستقیم عملیات معرفی کند.این ادعا در حالی به عنوان خبر قطعی فروخته شد که:نهادهای اطلاعاتی ایالات متحده آمریکا (از جمله سیا) و حتی مقامات عالی‌رتبه نظامی و امنیتی اسرائیل رسماً اعلام کردند که هیچ نشانه‌ای از دستور مستقیم، هماهنگی پیشینی یا دخالت عملیاتی تهران در این حمله ویژه وجود ندارد و رهبران ایران نیز از زمان دقیق عملیات غافلگیر شده‌اند.مقامات حماس نیز بارها تأکید کردند که این عملیات کاملاً فلسطینی و تصمیمی درون‌گروهی بوده است.۲. ویدیوی میدان تجریش و ادعای «ساخته‌شدن با هوش مصنوعی»در جریان جنگ ۱۲روزه، ویدیوی حمله به میدان تجریش در فضای مجازی منتشر شد و ایران‌اینترنشنال آن را جعلی و ساخته‌شده با هوش مصنوعی معرفی کرد. اما بعداً تصاویر دوربین‌های شهری و بررسی‌های مستقل، وقوع واقعی حمله در این محدوده و اصالت تصاویر را تأیید کردند. اگر یک رسانه حرفه‌ای در تشخیص یک ویدیوی واقعی از یک تصویر تولیدشده با AI دچار چنین خطایی شود، این دیگر صرفاً «اختلاف روایت» نیست؛ یک شکست جدی در فرآیند راستی‌آزمایی است.یکی از عجیب‌ترین ادعاهای فناورانه و رسانه‌ای، مربوط به زمان تشدید تنش‌های نظامی و شایعه بمباران یا حمله به زندان اوین (واقع در منطقه تجریش/شمال تهران) بود.در جریان این رویدادها، اینترنشنال بر روی ویدیوهایی مانور داد که ادعا می‌شد حجم خسارات یا تحرکات پیرامون این منطقه را نشان می‌دهند. تحلیل‌گران مستقل و نهادهای بررسی اصالت دیجیتال (مانند گزارش‌های راستی‌آزمایی بین‌المللی) بعدها فاش کردند که این شبکه تحت عنوان «تحلیل ویدیوها با ابزارهای هوش مصنوعی»، در واقع جذب مواد بازیافتی و ویدیوهای کامپیوترگرافیکی یا دستکاری‌شده (Deepfake) شده بود. کارشناسان متوجه شدند بخش عمده‌ای از تصاویری که این شبکه به عنوان سند حملات موشکی یا انفجار در تجریش پخش می‌کرد، یا تصاویر قدیمی مربوط به آتش‌سوزی‌های کشورهای دیگر (نظیر شیلی) بود یا ویدیوهایی ساختگی که نقص‌های بارز هوش مصنوعی (مانند کش آمدن اشیاء، لرزش‌های غیرطبیعی خودروها و کلمات درهم‌ریخته روی تابلوها) در آن‌ها به وضوح دیده می‌شد. این رسانه متهم شد که زیر پوشش استفاده از «فناوری تشخیص هوش مصنوعی»، عملاً به بازنشر و معتبر جلوه دادن فیک‌نیوزهای جنگی کمک کرده است۳. آمارسازی درباره تعداد کشته‌شدگان ناآرامی‌های دی‌ماه ۱۴۰۴شاید یکی از جنجالی‌ترین نمونه‌ها مربوط به آمار کشته‌شدگان اعتراضات دی‌ماه ۱۴۰۴ باشد. ایران‌اینترنشنال در مقاطع مختلف اعداد بسیار متفاوتی را مطرح کرد؛ از هزاران نفر تا در نهایت ادعای بیش از ۳۶٬۵۰۰ کشته. این شبکه این ارقام را به منابع محرمانه در ساختارهای امنیتی و حکومتی نسبت داد.در مقابل، جمهوری اسلامی ایران رقم رسمی ۳٬۱۱۷ کشته را اعلام کرد؛ اما مسئله اصلی همین‌جاست: چگونه یک رسانه می‌تواند بدون ارائه فهرست اسامی یا شواهد قابل راستی‌آزمایی عمومی، رقم کشته‌شدگان را تا بیش از ۳۶ هزار نفر اعلام کند؟ و بعد از گذشت چندین ماه رقم ۳۵۰۰ رو اعلام کند!؟تکنیک «کشته‌سازی» یا انتساب مرگ افراد فوت‌شده به دلیل تصادف، خودکشی یا بیماری به درگیری‌های سیاسی، یکی دیگر از محورهای پررنگ در خروجی این شبکه بوده است. در جریان حوادث دی‌ماه، اینترنشنال روزانه لیست‌هایی از اسامی جوانان و نوجوانان منتشر می‌کرد و مدعی می‌شد این افراد توسط نیروهای امنیتی کشته شده‌اند.مدتی بعد، با حضور خانواده‌های این افراد در رسانه‌ها یا انتشار گواهی‌های پزشکی قانونی مشخص شد که بسیاری از این نام‌ها اصلاً در زمان ناآرامی‌ها در آن شهرها حضور نداشته‌اند، یا به دلایل کاملاً جنایی و شخصی فوت کرده بودند. اوج این بحران زمانی رخ داد که مجریان این رسانه در مکالمات افشا شده یا در اصلاحیه‌های ضعیف خود اعتراف کردند آمارهای اعلامی (که ابتدا تا ده‌ها هزار نفر هم عنوان شده بود) کاملاً بی‌سند و بر اساس پیام‌های تأیید نشده کاربران تلگرام و توییتر تنظیم شده بود و هیچ پروتکل راستی‌آزمایی برای آن‌ها وجود نداشته است.۴. شایعات و ادعاهای نظامی و امنیتییکی دیگر از حوزه‌هایی که ایران‌اینترنشنال بارها در آن با انتقاد مواجه شده، انتشار اخبار تأییدنشده درباره ساختار نظامی و امنیتی جمهوری اسلامی است.وضعیت سردار قاآنی: در مقاطع مختلف، گزارش‌ها و گمانه‌زنی‌هایی درباره شهادت، بازداشت، برکناری، ناپدیدشدن یا حتی جاسوس‌بودن اسماعیل قاآنی منتشر شد؛ در حالی که حضور علنی بعدی او بخشی از این روایت‌ها را بی‌اعتبار کرد.شایعه فرار مقامات: در دوره‌های مختلف بحران، اخباری درباره فرار یا احتمال پناهندگی مقامات عالی‌رتبه جمهوری اسلامی به کشورهایی مانند روسیه یا ونزوئلا منتشر شد؛ اخباری که در مواردی بدون ارائه شواهد کافی در فضای رسانه‌ای بازنشر شدند.جابه‌جایی ویدیوهای نظامی: یکی دیگر از الگوهای قابل توجه، استفاده از تصاویر قدیمی یا تصاویر مربوط به نقاط دیگر برای توضیح وقایع نظامی روز است؛ از جمله نسبت‌دادن تصاویر مربوط به تل‌آویو یا حیفا به تهران، یا معرفی تصاویر ماکت‌ها و سازه‌های غیرنظامی به‌عنوان تأسیسات یا لانچرهای موشکی.۵. تحریف اخبار اجتماعی و مدنیویلای خانواده الناز رکابی: ایران‌اینترنشنال تخریب ویلای خانواده این ورزشکار را در ارتباط با فعالیت‌های او روایت کرد؛ در حالی که اسناد و توضیحات منتشرشده از سوی جهاد کشاورزی زنجان، موضوع را به ساخت‌وساز غیرمجاز و پرونده‌ای مربوط به سال‌های قبل ارتباط می‌داد.تخلیه کارکنان سازمان ملل: در یکی از موارد، خبری درباره خروج یا تخلیه فوری کارکنان سازمان ملل از ایران در بحبوحه تنش‌های نظامی منتشر شد که با تکذیب دفتر سازمان ملل مواجه شد.مؤسسه خیریه همدم مشهد: ادعای بازداشت مسئولان این مرکز به دلیل مخالفت با استقرار نیروهای نظامی نیز با تکذیب و واکنش شدید مسئولان این مؤسسه مواجه شد.این موارد نشان می‌دهد که مسئله فقط «خبرهای سیاسی» نیست؛ گاهی یک اتفاق اجتماعی یا اداری معمولی نیز می‌تواند در قالب یک روایت امنیتی و سیاسی بازتعریف شود.۶. شایعه‌پراکنی درباره وضعیت زندانیاندر اردیبهشت ۱۴۰۵ نیز گزارش‌هایی درباره وضعیت نرگس محمدی منتشر شد که در آنها از وخامت شدید وضعیت جسمانی، تهدید به مرگ و نگهداری او در میان زندانیان جرایم خشن سخن گفته شده بود.رسانه‌های داخلی این روایت را رد کردند و درباره محل نگهداری و وضعیت او توضیحاتی ارائه دادند. فارغ از اینکه کدام روایت را معتبر بدانیم، این نمونه نیز نشان می‌دهد که اخبار مربوط به زندانیان سیاسی، بدون دسترسی مستقیم به زندان و بدون امکان راستی‌آزمایی مستقل، چگونه می‌تواند به سرعت به خبرهایی بسیار قطعی و هیجانی تبدیل شود.۷. نابودی زیرساخت‌ها و ایجاد سوریه دومپمپاژ بی‌وقفه نفرت و تشویق به تخریب اموال عمومی، بانک‌ها، شهرداری‌ها و زیرساخت‌ها، امنیت عمومی جامعه را مختل می‌کند. تجربه کشورهای منطقه مانند سوریه و لیبی نشان داده است که وقتی شیرازه امنیت یک کشور به دلیل خشونت‌های تحریک‌شده توسط رسانه‌های خارجی از هم بپاشد، بازنده اصلی مردم هستند که گرفتار ناامنی، قحطی، ترور و فقر مطلق می‌شوند.تأکید شما بر اینکه «ترویج خشونت منجر به مرگ هم‌وطن‌ها می‌شود»، دقیق‌ترین توصیف از واقعیت میدانی است. این استراتژی رسانه‌ای با هدف قرار دادن عواطف مردم، فضا را به سمتی می‌برد که هیچ راهی جز خون‌ریزی باقی نماند، چرا که بقای این نوع رسانه‌ها در گرو تداوم بحران و بازتولید خشونت است.خبرهای تأییدنشده امنیتی، اعداد بسیار بزرگ درباره تلفات، تصاویر اشتباه یا خارج از زمینه، اخبار هیجانی، انتساب ادعا به منابع ناشناس و گاهی روایت‌هایی که پس از انتشار مجبور به اصلاح یا عقب‌نشینی شده‌اند.سؤال مهم‌تر این است:چرا خطاها و بزرگنمایی‌های این شبکه در موضوعات حساس، بارها در جهتی ظاهر می‌شوند که می‌تواند تصویری بسیار بحرانی‌تر، خشونت‌بارتر و بی‌ثبات‌تر از وضعیت واقعی ایران ایجاد کند؟آیا با مجموعه‌ای از خطاهای حرفه‌ای مواجهیم، یا با یک الگوی روایی که در آن «اثرگذاری» گاهی بر «دقت» غلبه کرده است؟روش عملکرد و تاکتیک بسیار خطرناکبررسی دقیق عملکرد شبکه تلویزیونی ایران اینترنشنال از دیدگاه تحلیل‌گران رسانه‌ای، ناظران مستقل و مراجع داخلی ایران، نشان‌دهنده استفاده سیستماتیک از الگوهای خاص برای اثرگذاری بر افکار عمومی است. محورهای اصلی انتقادات پیرامون لحن و رویکرد این شبکه به شرح زیر است:۱. لحن سیاه‌نمایی و هراس‌آفرینی (رویافروشی و بمباران روانی)منتقدان رسانه‌ای معتقدند این شبکه به طور مداوم استراتژی «بدترین سناریوی ممکن» را برای آینده جامعه ایران تصویر می‌کند. این شیوه که به بمباران روانی مخاطب معروف است، با بزرگ‌نمایی بی‌رویه مشکلات اقتصادی، اجتماعی و بهداشتی همراه است. نمونه بارز این موضوع در اظهارات جنجالی برخی کارشناسان و مهمانان این شبکه بازتاب یافت که رسماً اعلام کردند: «وظیفه ما تشویش اذهان عمومی و سیاه‌نمایی است و حکومت باید خلاف آن را ثابت کند». این جهت‌گیری فراتر از نقد ساختاری، به دنبال ایجاد نوعی ناامیدی مطلق و بن‌بست روانی در جامعه است.۲. تحریک به خشونت و آموزش درگیری‌های خیابانی و کشته سازی - (نمونه کلاسیک تیمیشوارا)یکی از جدی‌ترین اتهامات حقوقی و رسانه‌ای علیه اینترنشنال، عادی‌سازی و ترویج خشونت سیاسی است. این شبکه در جریان ناآرامی‌ها، بسترهایی را فراهم کرد که در آن‌ها روش‌های ساخت تسلیحات دست‌ساز (مانند کوکتل مولوتوف)، نحوه خلع سلاح مأموران، راه‌بندان‌های تهاجمی و حمله به مراکز دولتی به صورت مداوم تکرار می‌شد. دادن تریبون به اعضای گروه‌های تجزیه‌طلب و جریان‌های مسلح که سابقه اقدامات تروریستی داشته‌اند، از مستنداتی است که تحلیل‌گران به عنوان سند خروج این شبکه از فاز رسانه‌ای و ورود به فاز «اتاق جنگ روانی» به آن اشاره می‌کنند.در زمان چائوچسکو: جرقه اصلی سقوط او در شهر تیمیشوارا زده شد. رسانه‌های غربی به دروغ اعلام کردند که ارتش بیش از ۶۰ هزار نفر از مردم را قتل‌عام کرده و پیکرهای آن‌ها را در گورهای دسته‌جمعی انداخته است. این خبر مردم رومانی را به اوج جنون و خشم رساند و آن‌ها را برای انتقام به خیابان‌ها کشاند. پس از سقوط حکومت مشخص شد این آمار کاملاً ساختگی بوده، تعداد کشته‌ها کمتر از صد نفر بوده و تصاویر گورهای دسته‌جمعی متعلق به یک قبرستان معمولی و اجساد ناشی از بیماری یا کارتن‌خواب‌ها بوده است که برای دکورسازی خبری نبش قبر شده بودند!در شبکه اینترنشنال: این شبکه دقیقاً همان فرمول تیمیشوارا را پیاده می‌کند. در حوادث مختلف، آمارهای تخیلی و ده‌ها هزار نفری بدون ارائه حتی یک لیست مشخص از نام‌ها منتشر می‌شود. انتساب فوت‌های ناشی از خودکشی، تصادف یا اوردوز به درگیری‌های خیابانی (کشته‌سازی) کپی‌برداری نعل‌به‌نعل از تاکتیک رسانه‌ای رومانی در سال ۱۹۸۹ است.. فراخوان برای «انتقام‌جویی خونین» و مسدود کردن راه‌های مصالحهدر زمان چائوچسکو: رسانه‌ها فضا را به قدری احساسی و پر از کینه کردند که مردم و حتی بخش‌هایی از ارتش که به شورش پیوسته بودند، به نیروهای امنیتی موسوم به «سکوریتاته» هیچ ابقایی نکردند و درگیری‌های خیابانی خونینی شکل گرفت که به مرگ بیش از هزار شهروند عادی منجر شد.در شبکه اینترنشنال: ایجاد دوقطبی مطلق «مردم علیه حکومت» و تشویق به اقدامات تهاجمی مانند خلع سلاح مأموران یا آتش زدن مراکز، جامعه را به سمت همان نقطه بی‌بازگشت کینه و انتقام‌جویی سوق می‌دهد؛ جایی که هرگونه گفتگوی ملی ملغی شده و تفنگ‌ها جای منطق را می‌گیرند۳. احساسی کردن جامعه و پروژه «خون‌مارکتینگ»ناقدان این شبکه اصطلاح «خون‌مارکتینگ» را برای توصیف رویکرد احساسی اینترنشنال به کار می‌برند. این استراتژی برانگیختن شدید احساسات مخاطبان—به‌ویژه جوانان و نوجوانان—از طریق تمرکز بر تصاویر دلخراش، تولید نماهنگ‌های حماسی تحریکی و استفاده از کلمات عاطفیِ حاد است. هدف از این الگوریتم رسانه‌ای، سوق دادن جوانان به سمت درگیری‌های مستقیم و پرخطر خیابانی با نیروهای امنیتی است؛ فرآیندی که هزینه جانی سنگینی برای خانواده‌ها به همراه دارد و از نظر اقتصادی و ترافیک رسانه‌ای، خوراک خبری و توجیه بودجه‌های کلان این شبکه را تأمین می‌کند.۴. دو قطبی‌سازی شدید کشورعملکرد این شبکه بر پایه فرمول «ما در برابر آن‌ها» شکل گرفته است. اینترنشنال با تقسیم جامعه ایران به دو گروه مطلقاً سفید و مطلقاً سیاه، راه هرگونه گفتگو، میانه روی، اصلاح یا تفاهم اجتماعی را مسدود می‌کند. در این رویکرد:هر فردی که با روش‌های تند و براندازانه همراهی نکند، به عنوان «خائن»، «ماله‌کش» یا «عامل حکومت» برچسب می‌خورد.پدیده‌های ملی، مذهبی و حتی ورزشی نیز ابزاری برای انشقاق می‌شوند (مانند فشار رسانه‌ای شدید بر ورزشکاران ملی برای امتناع از مسابقه یا پناهندگی).برآیند این تاکتیک، ایجاد شکاف‌های عمیق درون خانواده‌ها و ساختار کلی جامعه ایران است.۵. دخالت آشکار در امور حاکمیتی و تمامیت ارضیبه باور محققان حوزه ژئوپلیتیک، این شبکه از انعکاس مخالفت‌های مدنی فراتر رفته و به عنوان یک رسانه مداخله‌گر عمل می‌کند. منابع مالی کلان و چندین میلیون پوندی این شبکه که از طریق شرکت‌های چندلایه واسط در لندن (مانند ولانت مدیا) به سرمایه‌گذاران با نفوذ منطقه متصل می‌شود، رویکرد سیاسی آن را جهت‌دهی می‌کند. برجسته کردن خطوط سیاسی خاص (مانند جریان راست افراطی)، حمایت رسانه‌ای از اعمال تحریم‌های سنگین اقتصادی علیه معیشت مردم و ترغیب دولت‌های خارجی به مداخله نظامی یا دیپلماتیک علیه ایران، نمونه‌های آشکاری از اقدام این شبکه در راستای پروژه‌های فرامرزی برای تغییر رژیم و آسیب به تمامیت ارضی کشور تلقی می‌شود.همان‌طور که مشاهده می‌کنید، از رومانی تا سوریه، لیبی و اوکراین، پنج ابزار مشخص همواره تکرار می‌شوند:۱. بزرگ‌نمایی آمار کشته‌ها برای مشروعیت‌زدایی مطلق حاکمیت.رومانی (۱۹۸۹) – تکنیک شایعه فرار و کشته‌سازی نجومی -- سازمان‌های دخیل: CIA (آژانس اطلاعات مرکزی آمریکا)، MI6 (بریتانیا۲. شایعه فرار مسئولین برای شکستن اراده نیروهای مدافع امنیت.۳. تک‌تیراندازهای موهوم برای پمپاژ پارانویا و ترس جمعی - سازمان‌های دخیل: CIA (آمریکا)۴. آموزش تخریب و خشونت زیر نام اعتراض مدنی.۵. انسان‌زدایی از طرف مقابل برای از بین بردن رحم و شفقت میان هم‌وطنان. سازمان‌های دخیل: CIA (آمریکا) و سرویس اطلاعات نظامی ارتش آمریکا (DIA).دقیقاً مشابه همین الگوها، در مورد شبکه ایران اینترنشنال نیز ردپای هماهنگی سرویس‌های اطلاعاتی غربی و منطقه‌ای (به‌ویژه در دوره‌های تأمین مالی مشخص و هماهنگی‌های عملیاتی با موساد و برخی آژانس‌های منطقه‌ای) دیده می‌شود. این رسانه‌ها در واقع پروژکتورهایی هستند که سناریوهای نوشته‌شده در اتاق‌های جنگ روانی سرویس‌های اطلاعاتی را برای مخاطب عام، بومی‌سازی و باورپذیر می‌کنند.نتیجه این تاکتیک‌ها چیست؟در مدل رومانی، رسانه‌های خارجی با احساسی کردن مطلق توده‌ها، فرصت هرگونه انتقال آرام قدرت، اصلاحات ساختاری یا گذار مدنی را نابود کردند و کشور را به یک مسلخ شتاب‌زده فرستادند. شبکه ایران اینترنشنال با بازتولید دقیق همین فرمول‌های دوقطبی‌سازی و کشته‌سازی، جامعه ملتهب را به سمتی می‌برد که خروجی آن به جای آزادی یا دموکراسی، لغزیدن به دامن جنگ داخلی، تروریسم شهری و نابودی شیرازه جامعه خواهد بود.با بررسی دقیق تکنیک‌های رسانه‌ای، پوشش‌های خبری و جهت‌گیری‌های سیاسی شبکه ایران اینترنشنال، رفتارهای این شبکه شباهت ساختاری و عملکردی بسیار نزدیکی با الگوها و دکترین‌های عملیاتی سه سازمان اطلاعاتی بزرگ دارد.در واقع، این شبکه همانند یک «کارگزار عملیات روانی میدانی» (PSYOP) برای این سرویس‌ها عمل می‌کند که رفتارهای آن را می‌توان به تفکیک به سازمان‌های زیر نسبت داد:۱. موساد (اسرائیل)؛ بخش جنگ روانی و ترور شناختیبارزترین شباهت رفتاری ایران اینترنشنال، با دکترین امنیتی و رسانه‌ای موساد است. این شباهت در محورهای زیر به وضوح دیده می‌شود:پوشش اختصاصی و فوری عملیات‌های خرابکاری: این شبکه بارها اولین رسانه‌ای بوده که جزئیات دقیق، ویدیوها یا بیانیه‌های مربوط به ترورها، انفجارها یا حملات سایبری داخل ایران را با رویکردی حماسی و ستایش‌آمیز پوشش داده است؛ رفتاری که نشان‌دهنده دسترسی مستقیم به اطلاعات طبقه‌بندی‌شده یا خطوط ارتباطی ویژه با طراحان این حملات است.تکنیک «بمباران پارانویا»: موساد همواره تلاش می‌کند با بزرگ‌نمایی نفوذ خود، در بدنه امنیتی ایران ترس و بی‌اعتمادی متقابل ایجاد کند. اینترنشنال با پمپاژ اخبار جعلی مانند بازداشت‌های گسترده مقامات، جاسوسی فرماندهان ارشد (مانند شایعات پیرامون سردار قاآنی) و ناامنی مطلق سیستم حاکمیتی، دقیقاً همین دستور کار را جلو می‌برد.۲. آژانس اطلاعات مرکزی آمریکا (CIA)؛ دکترین تغییر رژیم و بی‌ثبات‌سازی نرمرفتار این شبکه در جریان ناآرامی‌ها، کپی‌برداری نعل‌به‌نعل از الگوهای کلاسیک بخش عملیات‌های محرمانه سیا (سرویس سایه) در انقلاب‌های رنگی و پروژه‌های بی‌ثبات‌سازی است:تکنیک «دوقطبی‌سازی و انسان‌زدایی»: تقسیم جامعه به دو قطب آشتی‌ناپذیر و حذف هرگونه صدای میانه یا مصلح، فرمول کلاسیک سیا برای ایجاد پتانسیل جنگ داخلی در کشورهای هدف است.آموزش و هدایت میدانی: تبدیل شدن رسانه از یک نهاد خبری به «اتاق فرمان تجمعات» (فراخوان برای اعتصابات، آموزش ساخت کوکتل مولوتوف، نحوه از کار انداختن دوربین‌های شهری)، رفتاری است که سیا در دهه‌های گذشته از طریق رادیوهای مخفی یا رسانه‌های دست‌نشانده در آمریکای لاتین و شرق اروپا اجرا می‌کرد.۳. سرویس‌های اطلاعاتی برخی کشورهای عربی منطقه (دوران خصومت شدید)اگرچه روابط دیپلماتیک ایران و برخی کشورهای منطقه طی سال‌های اخیر به سمت تنش‌زدایی رفته است، اما ساختار مالی و اولیه این شبکه تحت نظارت و با بودجه‌های کلان سرویس‌های امنیتی و شاهزادگان با نفوذ منطقه شکل گرفت:تکنیک «ایجاد گسل‌های قومی و تجزیه‌طلبی»: یکی از رفتارهای شاخص اینترنشنال، اعطای تریبون رسمی به رهبران گروه‌های مسلح و تجزیه‌طلب (مانند الاحوازیه، گروه‌های مسلح کرد و بلوچ) بلافاصله پس از اقدامات تروریستی است. این رفتار، فراتر از مخالفت با یک حکومت، هدف قرار دادن «تمامیت ارضی و شیرازه ملی یک کشور» است که کاملاً با استراتژی‌های سنتی سرویس‌های اطلاعاتی منطقه‌ای برای تضعیف ژئوپلیتیک ایران همخوانی دارد.جمع‌بندی: رسانه در نقش «سلاح اطلاعاتی»در دنیای امروز، سازمان‌های اطلاعاتی دیگر برای سرنگونی یا تضعیف یک کشور لزوماً نیازی به اعزام جاسوس به صورت فیزیکی ندارند؛ آن‌ها با راه‌اندازی شبکه‌های ماهواره‌ای ۲۴ ساعته، «برون‌سپاری عملیات روانی» انجام می‌دهند. رفتار ایران اینترنشنال نشان می‌دهد که این رسانه به عنوان قطعه‌ای از پازل مشترک موساد (برای ضربات امنیتی-نظامی)، سیا (برای مدیریت ناآرامی‌های شهری) و جریان‌های تندروی منطقه‌ای (برای تحریک گسل‌های قومی) عمل می‌کند تا پتانسیل‌های اعتراضی داخل کشور را به سمت خشونت کور و فروپاشی ساختاری هدایت کند.کامیار بقاکامیار بقاSun, 13 Sep 2026 17:09:28 +0330https://virgool.ir/@kamibagha/از-داشبورد-تا-تصمیم-آینده-هوش-تجاری-کجاست-vjusef6o6zzvسال‌هاست سازمان‌ها برای تصمیم‌گیری بهتر، داده جمع می‌کنند، انبار داده می‌سازند، سامانه‌های هوش تجاری راه‌اندازی می‌کنند و ده‌ها یا حتی صدها داشبورد مدیریتی در اختیار مدیران قرار می‌دهند. اما یک تناقض جالب وجود دارد: با وجود اینکه امروز سازمان‌ها بیش از هر زمان دیگری داده در اختیار دارند، بسیاری از تصمیم‌های مهم هنوز با ترکیبی از تجربه، جلسه، فایل‌های اکسل و حدس گرفته می‌شوند. شاید مشکل دیگر کمبود داده نباشد؛ شاید مسئله اصلی فاصله‌ای باشد که هنوز میان «داده» و «تصمیم» وجود دارد.فرض کنید مدیر یک سکوی بزرگ تجارت الکترونیکی هستید. صبح وارد داشبورد می‌شوید و می‌بینید فروش نسبت به ماه گذشته ۱۲ درصد کاهش پیدا کرده است. داشبورد به شما می‌گوید چه اتفاقی افتاده، اما سؤال بعدی شروع می‌شود: چرا؟ تیم تحلیل بررسی می‌کند و متوجه می‌شود بیشتر این کاهش مربوط به سه محصول خاص است. حالا سؤال دیگری مطرح می‌شود: چرا فروش این سه محصول کاهش پیدا کرده؟ مشخص می‌شود موجودی آنها در چند مرکز توزیع پایین آمده است. چرا موجودی پایین آمده؟ پیش‌بینی تقاضا خطا کرده و سفارش تأمین با تأخیر انجام شده است. حالا بعد از چند ساعت تحلیل به مهم‌ترین سؤال می‌رسیم: چه کاری باید انجام دهیم؟به نظرم این همان نقطه‌ای است که نسل بعدی هوش تجاری از نسل قبلی جدا می‌شود. هوش تجاری سنتی عمدتاً برای پاسخ به سؤال «چه اتفاقی افتاد؟» ساخته شد. سپس ابزارهای تحلیلی تلاش کردند به سؤال «چرا اتفاق افتاد؟» پاسخ دهند و یادگیری ماشین و مدل‌های پیش‌بینی قدم بعدی را برداشتند و پرسیدند «احتمالاً چه اتفاقی خواهد افتاد؟». اما هنوز یک سؤال مهم باقی مانده است: «با توجه به شرایط موجود، چه تصمیمی باید بگیریم؟» این سؤال دیگر صرفاً مسئله گزارش‌گیری یا پیش‌بینی نیست؛ مسئله تصمیم‌گیری است.این تغییر در تعریف مسئله، به نظرم یکی از مهم‌ترین اتفاقات سال‌های اخیر در حوزه داده و هوش مصنوعی است. در ادبیات جدید، مفاهیمی مانند «هوش تصمیم‌یار» و «معماری هوشمند انتخاب» دقیقاً به همین سمت اشاره دارند: سامانه‌ای که فقط اطلاعات را نمایش نمی‌دهد، بلکه می‌تواند گزینه‌های مختلف را شناسایی کند، پیامدهای آنها را مقایسه کند، عدم قطعیت را در نظر بگیرد و تصمیم‌گیرنده را در انتخاب میان گزینه‌ها یاری دهد. در واقع ارزش داده زمانی آزاد می‌شود که بتواند فاصله میان مشاهده یک اتفاق و واکنش مناسب به آن را کاهش دهد.برای مثال همان مدیر تجارت الکترونیکی را دوباره در نظر بگیرید. یک داشبورد سنتی ممکن است نشان دهد هزینه ارسال ۱۴ درصد افزایش یافته است. یک لایه تحلیلی می‌تواند مشخص کند که بخش بزرگی از این افزایش مربوط به سه منطقه خاص است. یک مدل پیش‌بینی می‌تواند هشدار دهد که اگر روند فعلی ادامه پیدا کند، هزینه ماه آینده نیز افزایش خواهد یافت. اما یک سامانه تصمیم‌یار می‌تواند یک قدم جلوتر برود و بگوید سه گزینه در اختیار دارید: افزایش ظرفیت ناوگان، تغییر تخصیص سفارش‌ها میان مراکز توزیع یا تغییر سیاست ارسال برای بخشی از مشتریان. سپس می‌تواند هزینه، اثر احتمالی بر زمان تحویل، رضایت مشتری و ریسک هر گزینه را کنار هم قرار دهد. در این حالت هوش مصنوعی جای مدیر را نگرفته است؛ کاری کرده که مدیر بتواند مسئله را با اطلاعات بیشتر و در زمان کوتاه‌تری ببیند.این تفاوت از یک جهت بسیار مهم است. یکی از وسوسه‌های اصلی در موج فعلی هوش مصنوعی این است که همه‌چیز را به خودکارسازی تبدیل کنیم. سؤال رایج این است که «کدام کار را می‌توانیم با هوش مصنوعی حذف کنیم؟» اما شاید سؤال ارزشمندتر این باشد که «کدام تصمیم مهم سازمان امروز به دلیل کمبود اطلاعات، سرعت پایین تحلیل یا محدودیت شناختی انسان، با کیفیت پایین‌تری گرفته می‌شود؟» پاسخ این دو سؤال می‌تواند کاملاً متفاوت باشد. در بسیاری از سازمان‌ها شاید ارزشمندترین کاربرد هوش مصنوعی حذف انسان نباشد؛ بلکه حذف بخشی از کارهای شناختی تکراری اطراف انسان باشد تا او بتواند زمان بیشتری برای قضاوت، حل مسئله و تصمیم‌های استثنایی صرف کند.این نگاه با مفهوم «عقلانیت محدود» هربرت سایمون نیز ارتباط جالبی دارد. سایمون در دهه ۱۹۵۰ نشان داد که انسان‌ها در دنیای واقعی نمی‌توانند تمام گزینه‌ها، اطلاعات و پیامدهای احتمالی یک تصمیم را بررسی کنند. زمان، توجه و توان پردازش ما محدود است و به همین دلیل تصمیم‌گیری واقعی اغلب به جای یافتن بهترین گزینه مطلق، به یافتن گزینه‌ای رضایت‌بخش در شرایط موجود منجر می‌شود [1]. اگر این محدودیت را بپذیریم، یکی از ارزش‌های اصلی هوش مصنوعی می‌تواند افزایش ظرفیت شناختی تصمیم‌گیرنده باشد: دیدن گزینه‌های بیشتر، پردازش اطلاعات بیشتر و بررسی سناریوهایی که انسان به‌تنهایی فرصت بررسی آنها را ندارد.اما اینجا یک خطر مهم وجود دارد. اگر داده‌های سازمان بی‌کیفیت باشند، تعریف شاخص‌ها میان واحدهای مختلف متفاوت باشد، ارتباط میان داده‌ها مشخص نباشد و منشأ اعداد قابل ردیابی نباشد، هوش مصنوعی لزوماً مشکل را حل نمی‌کند. حتی ممکن است آن را خطرناک‌تر کند، چون یک سامانه زبانی می‌تواند پاسخی بسیار قانع‌کننده اما اشتباه تولید کند. بنابراین سازمانی که می‌خواهد از هوش مصنوعی برای تصمیم‌گیری استفاده کند، قبل از هر چیز باید بداند «داده» دقیقاً چه معنایی دارد، از کجا آمده، چگونه محاسبه شده و چه محدودیت‌هایی دارد.اینجاست که به نظرم اهمیت «زمینه» از خود داده بیشتر می‌شود. یک عدد به‌تنهایی ارزش محدودی دارد. اگر بدانیم فروش امروز ۱۰۰ میلیارد تومان بوده، هنوز نمی‌دانیم این عدد خوب است یا بد. باید بدانیم بودجه چقدر بوده، ماه گذشته چقدر بوده، فصل مشابه سال قبل چه وضعیتی داشته، قیمت‌ها تغییر کرده‌اند یا نه، موجودی چگونه بوده و آیا کمپین بازاریابی خاصی اجرا شده است. بنابراین سیستم هوشمند آینده باید فقط داده را بشناسد؛ باید معنای داده و ارتباط آن با سایر بخش‌های کسب‌وکار را نیز بفهمد.به همین دلیل یکی از تغییرات مهم در معماری داده، حرکت از «پرسیدن سؤال از پایگاه داده» به سمت «گفت‌وگو با لایه معنایی سازمان» است. در نسل جدید سامانه‌های داده، کاربر می‌تواند سؤال خود را با زبان طبیعی مطرح کند، اما سیستم باید بتواند آن سؤال را به چند مرحله تحلیل تبدیل کند، منابع مناسب را پیدا کند، کیفیت داده را بررسی کند، محاسبات لازم را انجام دهد، نتایج را با یکدیگر مقایسه کند و در نهایت پاسخی ارائه دهد که قابل بررسی باشد. پژوهش‌های جدید درباره عامل‌های داده نیز دقیقاً در همین مسیر حرکت می‌کنند؛ یعنی ساخت سامانه‌هایی که فقط یک پرس‌وجوی ساده اجرا نمی‌کنند، بلکه فرایند تحلیل داده را تا حدی خودکار می‌کنند [2].با این حال، به نظرم ویژگی مهم یک سامانه تصمیم‌یار خوب این نیست که فقط جواب بدهد؛ بلکه باید بتواند توضیح دهد چرا به آن جواب رسیده است. اگر سیستم بگوید احتمال ریزش یک گروه از مشتریان ۳۲ درصد است، مدیر باید بتواند بپرسد چرا. کدام متغیرها بیشترین نقش را داشته‌اند؟ داده از کجا آمده؟ اگر یکی از فرض‌ها تغییر کند چه اتفاقی می‌افتد؟ اگر قیمت را پنج درصد کاهش دهیم، پیش‌بینی چگونه تغییر می‌کند؟ در چنین محیطی، هوش مصنوعی نباید یک جعبه سیاه جدید باشد؛ باید به ابزاری برای ساختن یک فرایند تصمیم قابل بررسی تبدیل شود.این مسئله اهمیت انسان را نیز از بین نمی‌برد؛ بلکه نقش او را تغییر می‌دهد. پژوهش‌های مربوط به همکاری انسان و هوش مصنوعی نشان می‌دهند که ترکیب این دو همیشه بهتر از هرکدام به‌تنهایی نیست. در بعضی وظایف، انسان عملکرد بهتری دارد و در برخی دیگر ماشین؛ بنابراین مسئله اصلی طراحی درست تقسیم کار میان این دو است [3]. اگر تصمیم‌های ساده و تکراری را به ماشین بسپاریم و تصمیم‌های پیچیده، مبهم و حساس را برای انسان نگه داریم، ممکن است نتیجه بسیار متفاوت باشد با زمانی که تلاش کنیم همه تصمیم‌ها را خودکار کنیم.از این زاویه، شاید نقش مدیر هوش تجاری در آینده نیز تغییر کند. مدیر BI دیگر صرفاً مسئول ساخت گزارش، نگهداری انبار داده یا تعریف شاخص‌های عملکرد نخواهد بود. سؤال اصلی او باید این باشد که سازمان کدام تصمیم‌ها را بیشتر و بهتر می‌تواند بگیرد، چه اطلاعاتی برای این تصمیم‌ها لازم است، کجا عدم قطعیت وجود دارد، کدام بخش از فرایند را می‌توان به ماشین سپرد و کجا هنوز قضاوت انسانی ضروری است. به عبارت دیگر، BI از یک واحد گزارش‌دهی به بخشی از معماری تصمیم‌گیری سازمان تبدیل می‌شود.اگر بخواهیم این تحول را در یک زنجیره ساده خلاصه کنیم، مسیر را می‌توان این‌گونه دید: داده، زمینه، تحلیل، پیش‌بینی، گزینه‌ها، تصمیم، اقدام و در نهایت یادگیری از نتیجه. داشبورد در این چرخه همچنان مهم است؛ مدل پیش‌بینی نیز همچنان مهم است و حتی عامل‌های هوشمند نیز بخشی از آن خواهند بود. اما هیچ‌کدام هدف نهایی نیستند. هدف، کوتاه‌تر کردن فاصله میان «اتفاقی که افتاده» و «تصمیمی که باید گرفته شود» است.شاید به همین دلیل تفاوت مهمی میان یک «سازمان داده‌محور» و یک «سازمان تصمیم‌محور» وجود داشته باشد. سازمان داده‌محور ممکن است هزاران داشبورد داشته باشد و تقریباً همه‌چیز را اندازه‌گیری کند. اما سازمان تصمیم‌محور می‌داند کدام تصمیم‌ها بیشترین ارزش را ایجاد می‌کنند، چه اطلاعاتی برای آنها لازم است، میزان عدم قطعیت چقدر است، چه کسی باید تصمیم بگیرد و نتیجه تصمیم چگونه باید اندازه‌گیری شود.در نهایت، شاید آینده هوش تجاری نه ساختن داشبوردهای بیشتر، بلکه ساختن سیستم‌های تصمیم بهتر باشد. هوش مصنوعی قرار نیست لزوماً جای مدیر، تحلیلگر یا کارشناس را بگیرد. ارزش واقعی آن می‌تواند در این باشد که پیش از تصمیم، اطلاعات بیشتری در اختیار انسان بگذارد؛ هنگام تصمیم، گزینه‌ها و پیامدهای آنها را روشن‌تر کند؛ و بعد از تصمیم، نتیجه را دوباره به چرخه یادگیری برگرداند.در این نگاه، معیار موفقیت یک تیم BI دیگر تعداد داشبوردهای ساخته‌شده یا حتی تعداد کاربران سامانه نیست. سؤال مهم‌تر این است: آیا تصمیم‌های سازمان سریع‌تر، دقیق‌تر و قابل‌دفاع‌تر شده‌اند؟اگر پاسخ مثبت باشد، شاید دیگر چندان مهم نباشد که آن سامانه را «هوش تجاری»، «هوش مصنوعی سازمانی»، «عامل داده» یا «هوش تصمیم‌یار» بنامیم.چون در نهایت، ارزش داده نه در این است که بتوانیم آن را ببینیم؛ بلکه در این است که بتوانیم با کمک آن بهتر تصمیم بگیریم.منابع[1] Simon, H. A. (1955). A Behavioral Model of Rational Choice. The Quarterly Journal of Economics, 69(1), 99–118.[2] Gao, D., et al. (2026). Data Agents: A Survey of Agentic Data Analysis. arXiv.[3] Vaccaro, M., Almaatouq, A., & Malone, T. W. (2024). When Combinations of Humans and AI Are Useful: A Systematic Review and Meta-Analysis. Nature Human Behaviour.[4] Dellermann, D., Ebel, P., Söllner, M., & Leimeister, J. M. (2019). Hybrid Intelligence. Business & Information Systems Engineering, 61, 637–643.[5] Jarrahi, M. H. (2018). Artificial Intelligence and the Future of Work: Human-AI Symbiosis in Organizational Decision Making. Business Horizons, 61(4), 577–586.[6] Davenport, T. H., & Harris, J. G. (2007). Competing on Analytics: The New Science of Winning. Harvard Business School Press.کامیار بقاکامیار بقاFri, 28 Aug 2026 20:13:28 +0330https://virgool.ir/@kamibagha/بهترین-تصمیم-لزوماً-بهترین-تصمیم-ممکن-نیست-igyvvpkkobsnمسیر زندگی من از سال ۸۹ تا الانحدود 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]کامیار بقافرض 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/کامیار بقاکامیار بقاFri, 28 Aug 2026 20:06:49 +0330https://virgool.ir/@kamibagha/چرا-هوش-مصنوعی-هنوز-نتوانسته-بازارهای-مالی-را-پیش-بینی-پذیر-کند-jcyffrcoxtacیکی از جذاب‌ترین وعده‌های هوش مصنوعی این بود که با داده‌های بیشتر و مدل‌های قدرتمندتر، بتوانیم رفتار بازارهای مالی را بهتر پیش‌بینی کنیم. در نگاه اول هم منطقی به نظر می‌رسد: اگر قیمت دارایی‌ها حاصل مجموعه بزرگی از اطلاعات اقتصادی، سیاسی و رفتاری باشد، شاید مدلی که بتواند میلیون‌ها داده را هم‌زمان بررسی کند، بتواند الگوهایی را پیدا کند که از چشم انسان پنهان مانده‌اند. اما مسئله بازارهای مالی کمی پیچیده‌تر از یک مسئله معمول پیش‌بینی است.قیمت یک دارایی فقط نتیجه اطلاعات گذشته نیست؛ نتیجه تصمیم‌گیری تعداد بسیار زیادی بازیگر است که هم‌زمان در حال مشاهده، تحلیل و واکنش به همان اطلاعات هستند. سرمایه‌گذاران، صندوق‌ها، بانک‌ها، بازارگردان‌ها و سامانه‌های معاملاتی الگوریتمی دائماً در حال رقابت برای استخراج اطلاعات از بازارند. بنابراین اگر یک الگوی واقعاً سودمند در داده‌ها وجود داشته باشد، یک سؤال مهم مطرح می‌شود: اگر امروز این الگو را پیدا کنیم، چه مدت طول می‌کشد تا دیگران هم آن را پیدا کنند؟این سؤال تفاوت مهمی میان «پیش‌بینی‌پذیری آماری» و «مزیت معاملاتی» ایجاد می‌کند. ممکن است یک مدل بتواند بازده آینده را بهتر از یک روش ساده پیش‌بینی کند، اما این موضوع لزوماً به معنای امکان کسب سود پایدار نیست. هزینه معاملات، نقدشوندگی، فاصله قیمت خرید و فروش، لغزش قیمت و واکنش سایر معامله‌گران می‌توانند بخش بزرگی از این مزیت را از بین ببرند.پژوهش گو، کلی و شیو در سال ۲۰۲۰ نشان داد که روش‌های یادگیری ماشین می‌توانند در پیش‌بینی صرف ریسک سهام عملکرد قابل‌توجهی داشته باشند و روابط غیرخطی میان متغیرهای مختلف را بهتر از بسیاری از روش‌های خطی استخراج کنند [1]. اما این نتیجه را نباید با توانایی پیش‌بینی دقیق قیمت فردا اشتباه گرفت. یادگیری ماشین می‌تواند اطلاعات موجود در داده‌ها را بهتر استخراج کند، بدون اینکه آینده بازار را به یک مسئله کاملاً قابل پیش‌بینی تبدیل کند.شاید جالب‌ترین شواهد در این زمینه از پژوهش مک‌لین و پونتیف در سال ۲۰۱۶ به دست آمده باشد. آنها ۹۷ متغیر معرفی‌شده در پژوهش‌های مالی را بررسی کردند و نشان دادند که عملکرد بسیاری از الگوهای شناخته‌شده پس از انتشار عمومی کاهش پیدا می‌کند. به بیان ساده، وقتی یک رابطه آماری کشف و در اختیار تعداد زیادی از فعالان بازار قرار می‌گیرد، خودِ استفاده از آن رابطه می‌تواند باعث کاهش قدرت پیش‌بینی آن شود [2]. بازار فقط به اطلاعات اقتصادی واکنش نشان نمی‌دهد؛ به دانشی که درباره خود بازار تولید می‌کنیم نیز واکنش نشان می‌دهد.اینجاست که بازارهای مالی ویژگی عجیبی پیدا می‌کنند. اگر یک فیزیکدان رابطه‌ای جدید در طبیعت کشف کند، انتشار مقاله او معمولاً باعث تغییر خودِ آن رابطه نمی‌شود. اما اگر یک الگوی سودآور در بازار کشف شود و هزاران نفر شروع به استفاده از آن کنند، رفتار همین افراد می‌تواند قیمت‌ها را تغییر دهد و الگو را ضعیف کند. در نتیجه بازار یک سامانه ایستا نیست؛ تا حدی به شناخت ما از خودش واکنش نشان می‌دهد.هوش مصنوعی این فرآیند را سریع‌تر می‌کند. از یک طرف، می‌تواند هزاران متغیر را هم‌زمان بررسی کند، روابط غیرخطی را پیدا کند، متن و خبر را تحلیل کند و فرضیه‌های مختلف را در زمانی بسیار کوتاه آزمایش کند. از طرف دیگر، همین ابزارها در اختیار سایر بازیگران نیز قرار می‌گیرند. بنابراین هوش مصنوعی می‌تواند هم‌زمان کشف الگو را آسان‌تر و عمر اقتصادی آن را کوتاه‌تر کند.به همین دلیل شاید سؤال درست درباره هوش مصنوعی این نباشد که «قیمت فردا چیست؟» بلکه این باشد که «چه اطلاعات جدیدی وارد بازار شده و چه مقدار از آن هنوز در قیمت منعکس نشده است؟» در چنین نگاهی، هوش مصنوعی بیشتر از آنکه یک پیشگو باشد، ابزاری برای پردازش سریع اطلاعات، شناسایی ناهماهنگی‌ها، سنجش ریسک و کاهش زمان واکنش است.این مسئله درباره تحلیل تکنیکال نیز جالب است. پژوهش لو، مامایسکی و وانگ در سال ۲۰۰۰ نشان داد که برخی الگوهای نموداری می‌توانند اطلاعات آماری افزوده‌ای درباره بازده داشته باشند [3]. اما وجود اطلاعات آماری به معنای وجود سود آسان نیست. اگر تعداد زیادی از معامله‌گران همان الگو را ببینند، رفتار آنها می‌تواند اثر آن را تغییر دهد. بنابراین سؤال مهم‌تر از «آیا این الگو کار می‌کند؟» این است که آیا پس از عمومی شدن آن، هنوز اطلاعاتی باقی مانده که ارزش اقتصادی داشته باشد؟این موضوع با نظریه معروف گروسمن و استیگلیتز در سال ۱۹۸۰ نیز ارتباط دارد. آنها نشان دادند که یک بازار نمی‌تواند هم کاملاً کارا باشد و هم هیچ هزینه‌ای برای کسب اطلاعات وجود نداشته باشد. اگر همه اطلاعات بدون هزینه و بلافاصله در قیمت‌ها منعکس شوند، دیگر انگیزه‌ای برای جمع‌آوری اطلاعات باقی نمی‌ماند [4]. بنابراین مقداری ناکارایی نه یک نقص تصادفی، بلکه بخشی از سازوکار بازار است.شاید به همین دلیل نباید انتظار داشته باشیم هوش مصنوعی بازارهای مالی را به یک سیستم کاملاً قابل پیش‌بینی تبدیل کند. احتمالاً اتفاق مهم‌تر این است که هوش مصنوعی هزینه فهمیدن بازار را کاهش می‌دهد. ماشین‌ها می‌توانند حجم بسیار بزرگی از اطلاعات را بررسی کنند، روابط پیچیده را پیدا کنند، ریسک را سریع‌تر محاسبه کنند و ناهماهنگی‌های کوتاه‌مدت را شناسایی کنند؛ اما وقتی همه بازیگران به ابزارهای مشابه دسترسی پیدا کنند، رقابت نیز شدیدتر می‌شود.در نهایت، شاید مهم‌ترین تغییر هوش مصنوعی در بازارهای مالی این نباشد که ماشین‌ها بالاخره آینده را پیشگویی می‌کنند. شاید تغییر واقعی این باشد که سرعت کشف اطلاعات و واکنش به آن به‌شدت افزایش پیدا می‌کند. در چنین بازاری، مزیت‌های ساده و آشکار سریع‌تر از بین می‌روند و اهمیت داده‌های بهتر، اطلاعات اختصاصی‌تر، زیرساخت سریع‌تر و شناخت عمیق‌تر از ساختار بازار بیشتر می‌شود.بنابراین شاید پرسش اصلی این نباشد که «آیا هوش مصنوعی می‌تواند بازار را پیش‌بینی کند؟» بلکه پرسش جالب‌تر این باشد:وقتی همه به ابزارهای هوشمند دسترسی دارند، چه چیزی هنوز می‌تواند اطلاعات جدید ایجاد کند؟کامیار بقاکامیار بقاFri, 28 Aug 2026 19:49:02 +0330https://virgool.ir/@kamibagha/یک-بررسی-داده-محور-از-مسیر-فکری-قدرت-پیش-بینی-و-خطاهای-تحلیلی-ghozzitcfsq8قوام را به علاوه بر گوش دادن، اندازه بگیریممحمدرضا معینی- تحلیلگر محبوب من تو حوزه ژئوپلتیکبررسی کلان محتوای کانال «قوام» نشان می‌دهد که محمدرضا معینی برخلاف بسیاری از تحلیلگران زرد فضای مجازی، از یک «چارچوب تحلیلی سیستمیک» پیروی می‌کند. او به جای تمرکز بر اخبار لحظه‌ای، تلاش می‌کند متغیرهای کلان (ژئوپلیتیک، اقتصاد انرژی، و دکترین‌های نظامی) را به هم متصل کند. با این حال، تحلیل داده‌ها نشان می‌دهد که برای جذب مخاطب در الگوریتم پلتفرم‌ها، گاهی از «عنوان‌سازی دراماتیک» استفاده می‌شود که می‌تواند با محتوای دقیق و سنجیده‌تر داخل ویدیو در تضاد باشد. نرخ دقت جهت‌دار (Directional Accuracy) پیش‌بینی‌های او در سطح «قابل قبول و بالاتر از میانگین» ارزیابی می‌شود، اما در «زمان‌بندی وقوع» (Timing) گاهی دچار خطا می‌شود.در فضای تحلیل سیاسی فارسی، معمولاً یک اتفاق عجیب می‌افتد. یک تحلیلگر چند پیش‌بینی درست انجام می‌دهد و خیلی زود تبدیل به «کسی که آینده را می‌بیند» می‌شود؛ از آن طرف، اگر چند پیش‌بینی‌اش اشتباه از آب دربیاید، همان مخاطب ممکن است تمام اعتبارش را زیر سؤال ببرد. هر دو رویکرد بیش از آنکه تحلیلی باشند، احساسی‌اند. شاید پرسش درست این نباشد که «آیا فلان تحلیلگر خوب است یا بد؟»، بلکه این باشد که اگر محتوای چند سال فعالیت او را به یک مجموعه داده تبدیل کنیم، واقعاً چه چیزی از دل این داده‌ها بیرون می‌آید؟ آیا نشانه‌ای از توانایی پیش‌بینی وجود دارد؟ در چه حوزه‌هایی بهتر عمل می‌کند؟ کجاها دچار خطا می‌شود؟ و مهم‌تر از همه، آیا شدت اطمینان او با دقت واقعی پیش‌بینی‌هایش تناسب دارد یا نه؟این دقیقاً همان کاری است که می‌خواهم درباره محمدرضا معینی، بنیان‌گذار و تحلیلگر کانال «قوام»، انجام دهم. من خودم مخاطب قوام هستم و بسیاری از تحلیل‌های او را جدی می‌گیرم؛ بنابراین این نوشته قرار نیست یک نقد خصمانه یا تلاش برای بی‌اعتبار کردن او باشد. برعکس، هدف این است که ببینیم اگر علاقه و اعتماد شخصی خودمان را کنار بگذاریم و به سراغ داده برویم، آیا می‌توانیم برای بخشی از این اعتماد، شواهد قابل اندازه‌گیری پیدا کنیم یا نه.قوام از چه زمانی وارد این مسیر شد؟یکی از نکات مهم در ارزیابی قوام این است که فعالیت او را نباید صرفاً محصول جنگ دوازده‌روزه ایران و اسرائیل دانست. کانال یوتیوب قوام از سال ۲۰۲۴ فعال بوده و از همان ماه‌های نخست، موضوعات مورد تمرکز آن شامل سیاست خارجی، اقتصاد سیاسی، ژئوپلیتیک، رقابت قدرت‌های بزرگ، جنگ، انرژی و آینده نظم جهانی بوده است. بنابراین برخلاف بسیاری از کانال‌هایی که در زمان وقوع بحران ناگهان شروع به تحلیل می‌کنند، اینجا با یک سابقه نسبتاً طولانی مواجهیم. همین سابقه برای ما اهمیت زیادی دارد، چون هرچه فاصله زمانی میان تحلیل و رخداد بیشتر باشد، احتمال اینکه ارزیابی ما تحت تأثیر دانستن نتیجه قرار بگیرد کمتر می‌شود.حتی در پاییز ۱۴۰۳ نیز ویدئوهایی وجود داشته که مستقیماً درباره احتمال پاسخ ایران به حمله اسرائیل و پیامدهای آن صحبت می‌کردند. چند ماه بعد، در بهمن ۱۴۰۳، بحث جنگ و احتمال درگیری مستقیم میان ایران و اسرائیل در محتوای قوام پررنگ‌تر می‌شود. و در هفته‌ها و ماه‌های منتهی به جنگ دوازده‌روزه، این موضوع به یکی از محورهای جدی تحلیل‌های او تبدیل می‌شود. بنابراین اگر بخواهیم عملکرد او را در پیش‌بینی جنگ دوازده‌روزه بررسی کنیم، نباید فقط یک ویدئوی چند روز قبل از شروع جنگ را جدا کنیم و بگوییم «دیدید درست گفت». چیزی که مهم است، مسیر چندماهه‌ای است که از مدت‌ها قبل شکل گرفته بود.جنگ دوازده‌روزه؛ یک آزمون طبیعی برای سنجش قوامجنگ دوازده‌روزه از این نظر برای ما یک آزمون بسیار مناسب است که بخشی از تحلیل‌های مهم قوام پیش از وقوع رخداد منتشر شده‌اند. اگر مثلاً در یک ویدئو در اسفند ۱۴۰۳ گفته شده باشد «احتمال جنگ در حال افزایش است» و چند ماه بعد جنگ اتفاق افتاده باشد، این حرف ارزش بررسی دارد؛ اما هنوز نباید سریع آن را یک پیش‌بینی دقیق بنامیم. باید بدانیم دقیقاً چه چیزی گفته شده، بازه زمانی آن چه بوده، احتمال وقوع با چه شدتی بیان شده و چه چیزی می‌توانست این پیش‌بینی را باطل کند.این تفاوت بسیار مهم است. جمله‌ای مثل «به نظر می‌رسد احتمال جنگ بالا رفته است» یک ارزیابی ریسک است؛ اما جمله‌ای مثل «در سه ماه آینده احتمال درگیری مستقیم بیشتر از ۶۰ درصد است» یک پیش‌بینی قابل سنجش است. اولی می‌تواند تحلیل خوبی باشد، اما دومی را می‌توان بعداً با داده و نتیجه واقعی ارزیابی کرد. بنابراین در این پژوهش قرار نیست هر جمله‌ای را که با نتیجه نهایی سازگار بوده، به‌عنوان «پیش‌بینی موفق» ثبت کنیم.دفتر ثبت پیش‌بینی‌هابرای اینکه این بررسی از حالت سلیقه‌ای خارج شود، باید یک «دفتر ثبت پیش‌بینی» بسازیم. هر ادعای قابل آزمون به یک رکورد مستقل تبدیل می‌شود: تاریخ انتشار، محتوای دقیق ادعا، بازه زمانی پیش‌بینی، میزان اطمینان تحلیلگر در صورت وجود، موضوع پیش‌بینی، سازوکار یا استدلالی که برای آن ارائه شده، و در نهایت نتیجه واقعی.برای مثال، اگر قوام در تاریخ مشخصی گفته باشد که احتمال حمله اسرائیل به ایران در چند ماه آینده بالا رفته است، آن جمله جدا ثبت می‌شود. سپس یک تاریخ پایان برای آن تعیین می‌کنیم. اگر تا آن تاریخ رخداد موردنظر اتفاق افتاده باشد، پیش‌بینی می‌تواند درست ارزیابی شود؛ اگر رخ نداده باشد، خطا محسوب می‌شود؛ و اگر نتیجه بینابینی باشد، می‌توان آن را «نیمه‌موفق» یا «نتیجه ترکیبی» در نظر گرفت.این روش جلوی یکی از بزرگ‌ترین خطاهای ارزیابی تحلیلگران را می‌گیرد: انتخاب فقط پیش‌بینی‌های موفق و فراموش کردن بقیه.همه چیز پیش‌بینی نیستیکی از مهم‌ترین بخش‌های این پروژه همین تفکیک است. بخش بزرگی از محتوای یک تحلیلگر اصلاً پیش‌بینی نیست. مثلاً وقتی کسی می‌گوید «نظم جهانی در حال تغییر است»، در حال ارائه یک دیدگاه ساختاری است. این حرف را نمی‌توان مستقیماً با معیار برد و باخت یک پیش‌بینی کوتاه‌مدت سنجید.در این بررسی، بنابراین سه دسته را از هم جدا می‌کنیم. دسته نخست «پیش‌بینی صریح» است؛ یعنی ادعایی مشخص درباره رخدادی که در آینده قرار است اتفاق بیفتد. دسته دوم «پیش‌بینی مشروط» است؛ یعنی تحلیلگر می‌گوید اگر اتفاق خاصی رخ دهد، احتمال وقوع رخداد دیگری افزایش می‌یابد. دسته سوم «ادعای ساختاری» است؛ یعنی درباره روندهای بزرگ‌تر، مانند تغییر موازنه قدرت یا تحول نظم جهانی صحبت می‌شود. هر سه مهم‌اند، اما نمی‌توان آن‌ها را با یک متر اندازه گرفت.نقطه قوت مهم قوام: دیدن ساختار پشت رویدادیکی از ویژگی‌هایی که در مرور محتوای قوام خیلی زود به چشم می‌آید، تلاش او برای عبور از خبر روزمره و وصل کردن رخدادها به ساختار بزرگ‌تر قدرت است. یک حمله نظامی فقط یک حمله نظامی نیست؛ ممکن است به انرژی، بازار نفت، مذاکرات، موقعیت آمریکا در منطقه، روابط چین و روسیه و در نهایت تغییر موازنه قدرت مرتبط شود.این ویژگی را در بسیاری از موضوعات مورد علاقه قوام می‌توان دید: ایران و آمریکا، ایران و اسرائیل، روسیه، چین، خلیج فارس، تنگه هرمز، انرژی، مذاکرات و نظم جهانی. این نوع نگاه را می‌توان «تحلیل ساختاری» نامید؛ یعنی به جای اینکه فقط بپرسیم «امروز چه اتفاقی افتاد؟»، سعی کنیم بفهمیم «این اتفاق در چه ساختار بزرگ‌تری رخ می‌دهد و چه بازیگرانی از آن تأثیر می‌پذیرند؟»به نظرم این دقیقاً یکی از نقاطی است که قوام ارزش دنبال کردن پیدا می‌کند. بسیاری از تحلیل‌های روزمره گرفتار تمرکز بیش از حد بر یک خبر یا یک بازیگر هستند، در حالی که در ژئوپلیتیک، نتیجه نهایی اغلب حاصل برهم‌کنش چند متغیر است.اما همین نقطه قوت می‌تواند تبدیل به نقطه ضعف شودیک چارچوب ذهنی بسیار منسجم یک خطر هم دارد: ممکن است تقریباً هر اتفاق جدیدی را بتوان با همان چارچوب توضیح داد. اگر آمریکا حمله کند، می‌توان آن را نشانه تغییر نظم جهانی دانست؛ اگر مذاکره کند، باز هم می‌توان گفت بخشی از بازی تغییر موازنه قدرت است؛ اگر چین خرید نفت را افزایش دهد، می‌توان آن را به رقابت بر سر نظم اقتصادی نسبت داد؛ اگر روسیه وارد مذاکره شود، می‌توان آن را در قالب معامله قدرت‌ها توضیح داد.اینجا یک پرسش اساسی مطرح می‌شود: چه اتفاقی باید بیفتد تا این مدل تحلیلی را رد کنیم؟این پرسش، مفهوم مهمی در ارزیابی تحلیل‌هاست: «ابطال‌پذیری». یک مدل خوب باید شرایطی داشته باشد که در صورت رخ دادن آن شرایط، مجبور شویم بپذیریم مدل ما اشتباه بوده است. اگر هر نتیجه‌ای را بتوان به شکلی درون همان مدل توضیح داد، دیگر با یک مدل پیش‌بینی‌کننده مواجه نیستیم؛ بلکه با یک روایت بسیار منسجم مواجهیم.آیا قوام دچار سوگیری است؟https://www.aparat.com/ghavam.aparatپرهیز از تحلیل تک‌بعدی: او اقتصاد را جدا از سیاست، و سیاست را جدا از امنیت بررسی نمی‌کند. برای مثال، تحلیل او از تنگه هرمز همزمان متغیرهای «کنترل نفت»، «ثبات قیمت جهانی» و «فشار سیاسی» را درگیر می‌کند.استفاده از چارچوب‌های آکادمیک: ارجاع به لایه‌های شناختی، امنیتی و اقتصادی نشان می‌دهد که او با ادبیات علوم سیاسی و مطالعات استراتژیک آشنایی دارد و تحلیل‌هایش ریشه در «تئوری» دارد، نه صرفاً «حدس و گمان».شفافیت در هدف: تأکید مکرر بر «پژوهشی» بودن کانال و ارائه مسیر حمایت مالی شفاف، نشان‌دهنده حرفه‌ای‌گری و استقلال نسبی از جریان‌های رسانه‌ای سازمان‌یافته است.در اینجا باید بسیار محتاط باشیم. در عنوان و بسته‌بندی بخشی از ویدئوهای قوام، عباراتی مانند «پشت پرده»، «راز»، «نقشه پنهان»، «سناریوی نهایی» و «پازلی که همه چیز را به هم وصل می‌کند» دیده می‌شود. از نظر زبانی، این نوع بیان می‌تواند مخاطب را به سمت این برداشت ببرد که پشت رویدادهای آشکار، یک طراحی پنهان و هدفمند وجود دارد.اما این مشاهده به‌تنهایی برای نسبت دادن «سوگیری» کافی نیست. ممکن است بخشی از این زبان فقط برای جلب توجه مخاطب و افزایش دیده‌شدن ویدئو در یوتیوب استفاده شود و محتوای واقعی ویدئو بسیار محتاطانه‌تر از عنوان آن باشد. بنابراین ما باید میان «بسته‌بندی رسانه‌ای» و «منطق واقعی تحلیل» تفاوت بگذاریم.در مرحله بعد، دقیقاً همین موضوع را با متن ویدئوها بررسی خواهیم کرد. اگر ببینیم واژگان قطعی و روایت‌های پشت‌پرده صرفاً در عنوان‌ها هستند، نتیجه متفاوت خواهد بود. اگر ببینیم همان میزان قطعیت در استدلال داخل ویدئو نیز وجود دارد، آن وقت می‌توان درباره احتمال سوگیری روایتی یا اعتمادبه‌نفس بیش از اندازه صحبت کرد.آیا قوام تحلیلگر خوبی است یا پیش‌بینی‌کننده خوبی؟این دو سؤال را نباید یکی بدانیم.ممکن است فردی تحلیلگر بسیار خوبی باشد، روابط علّی را درست تشخیص دهد، متغیرهای مهم را ببیند و ساختار قدرت را به‌خوبی درک کند، اما در پیش‌بینی زمان دقیق اتفاقات عملکرد متوسطی داشته باشد. برعکس، ممکن است فردی در پیش‌بینی بعضی رخدادهای کوتاه‌مدت بسیار موفق باشد، بدون اینکه لزوماً یک مدل عمیق از ساختار سیاسی جهان داشته باشد.به همین دلیل، قوام را باید در دو مسابقه جداگانه ارزیابی کرد. مسابقه اول این است که آیا مدل تحلیلی او برای توضیح ساختارهای ژئوپلیتیک قدرتمند است؟ مسابقه دوم این است که آیا پیش‌بینی‌های قابل آزمون او واقعاً از شانس و حدس معمولی بهتر عمل می‌کنند؟این تفکیک برای نتیجه‌گیری نهایی مقاله بسیار مهم است.فقط درصد پیش‌بینی‌های درست کافی نیستفرض کنیم قوام ده پیش‌بینی انجام داده و هفت مورد درست از آب درآمده است. به‌ظاهر عملکرد ۷۰ درصدی بسیار خوب است. اما اگر در تمام این ده مورد گفته باشد «۹۵ درصد مطمئنم»، وضعیت کاملاً فرق می‌کند.برای همین در مرحله آماری، فقط «درصد موفقیت» را حساب نمی‌کنیم. باید ببینیم میزان اطمینان با واقعیت چقدر هماهنگ بوده است. در ادبیات پیش‌بینی، این مفهوم را «کالیبراسیون» می‌نامند. اگر تحلیلگری ده بار احتمال ۷۰ درصد بدهد، انتظار داریم در بلندمدت تقریباً در ۷ مورد نتیجه موردنظر اتفاق بیفتد، نه در ۲ مورد و نه در هر ۱۰ مورد.در ادامه می‌توان از معیارهایی مانند «امتیاز بریر» و «زیان لگاریتمی» هم استفاده کرد تا کیفیت پیش‌بینی‌های احتمالی با دقت بیشتری سنجیده شود. این بخش مهم است، چون ممکن است دو تحلیلگر هر دو ۶۰ درصد پیش‌بینی درست داشته باشند، اما یکی از آنها به‌شدت بیش از حد مطمئن بوده باشد و دیگری تقریباً کاملاً کالیبره عمل کرده باشد.چیزی که حتی از درصد موفقیت جذاب‌تر استمن می‌خواهم یک معیار دیگر هم داشته باشیم: نسبت «پیش‌بینی به روایت».یعنی از تمام حرف‌هایی که قوام در یک بازه زمانی زده، چند درصد واقعاً قابل آزمون بوده‌اند؟ اگر از صد ادعا، هشتاد مورد صرفاً تفسیر و روایت باشند و بیست مورد پیش‌بینی روشن، باید این موضوع را در ارزیابی لحاظ کنیم.این معیار کمک می‌کند بفهمیم با یک «تحلیلگر ژئوپلیتیک» طرفیم یا یک «پیش‌بینی‌کننده» یا ترکیبی از این دو.همچنین یک معیار بسیار مهم دیگر، کیفیت اصلاح تحلیل با ورود اطلاعات جدید است. اگر تحلیلگر در اسفند بگوید احتمال جنگ بالاست، در فروردین با انتشار اطلاعات جدید این احتمال را افزایش یا کاهش دهد و در اردیبهشت دوباره مدل خود را به‌روزرسانی کند، این نشانه‌ای مثبت است. اما اگر از ابتدا تا انتها با یک قطعیت ثابت روی یک نتیجه قفل شده باشد، احتمالاً با نوعی لنگرشدگی یا اعتماد بیش از حد روبه‌رو هستیم.مهم‌ترین آزمون؛ آیا این الگو در حوزه‌های مختلف تکرار می‌شود؟ممکن است قوام در یک موضوع خاص فوق‌العاده باشد، اما در موضوع دیگری عملکرد متوسطی داشته باشد. بنابراین در نسخه نهایی پژوهش قرار نیست فقط یک عدد کلی تولید کنیم.عملکرد او را در چند حوزه جداگانه بررسی خواهیم کرد: ایران و اسرائیل، ایران و آمریکا، انرژی و نفت، چین، روسیه، خلیج فارس و تغییرات نظم جهانی. برای هر حوزه، تعداد پیش‌بینی‌ها، درصد موفقیت، کیفیت کالیبراسیون و نوع خطاها را جداگانه بررسی می‌کنیم.این مرحله می‌تواند نتیجه بسیار جالبی به ما بدهد. شاید مشخص شود که قوام در تحلیل روندهای بلندمدت و تغییر موازنه قدرت عملکرد بسیار خوبی دارد، اما در پیش‌بینی‌های بسیار کوتاه‌مدت نظامی ضعیف‌تر است. یا شاید برعکس باشد. در حال حاضر هنوز نباید نتیجه را از قبل تعیین کنیم.چرا جنگ دوازده‌روزه نقطه شروع خوبی است؟به نظرم جنگ دوازده‌روزه بهترین نقطه برای شروع آزمون جدی قوام است، چون یک رخداد بزرگ و دارای تاریخ مشخص داریم و مهم‌تر اینکه قبل از آن، چندین ماه محتوای قابل بررسی وجود داشته است.اگر بتوانیم تمام پیش‌بینی‌های قبل از ۱۳ ژوئن ۲۰۲۵ را استخراج کنیم، می‌توانیم چیزی شبیه یک آزمایش طبیعی انجام دهیم: آنچه تحلیلگر قبل از وقوع بحران گفته است در برابر آنچه واقعاً اتفاق افتاده قرار می‌گیرد. در این حالت دیگر خطر «عقب‌نگری» یا همان بازسازی گذشته از روی نتیجه نهایی بسیار کمتر می‌شود.برای همین قرار است مهم‌ترین وزن را به محتوای پیش از رخداد بدهیم، نه ویدئوهایی که بعد از شروع جنگ منتشر شده‌اند.فرضیه اولیه من چیست؟تا این مرحله، بدون اینکه هنوز بخواهم حکم آماری نهایی صادر کنم، یک فرضیه برای من شکل گرفته است: به نظر می‌رسد ارزش اصلی قوام ممکن است بیش از آنکه در پیش‌بینی زمان دقیق رخدادها باشد، در «دیدن ساختار» باشد. یعنی توانایی او در کنار هم قرار دادن قدرت نظامی، انرژی، اقتصاد، سیاست داخلی، جغرافیا و رقابت قدرت‌های بزرگ.اگر داده‌ها این فرضیه را تأیید کنند، آن وقت ممکن است بتوان گفت قوام چیزی بیش از یک تولیدکننده محتوای سیاسی است؛ او تحلیلگری است که یک مدل نسبتاً منسجم از روابط قدرت دارد و بخشی از این مدل در پیش‌بینی‌هایش نیز خود را نشان می‌دهد.اما اگر بخشی از داده‌ها خلاف این فرضیه را نشان دهد، همان را هم باید بپذیریم. ارزش این تحقیق دقیقاً در همین است که نتیجه را قبل از دیدن داده تعیین نکنیم.آنچه در نهایت می‌خواهیم بفهمیمسؤال نهایی این مقاله قرار نیست این باشد که «قوام خوب است یا بد؟» سؤال دقیق‌تر این است:قوام در چه چیزی خوب است؟آیا پیش‌بینی‌کننده خوبی است؟ اگر بله، در چه حوزه‌ای؟ آیا پیش‌بینی‌هایش بیش از حد مطمئن هستند؟ آیا وقتی اطلاعات جدید وارد می‌شود، تحلیلش را اصلاح می‌کند؟ آیا موفقیت‌های او ناشی از تشخیص ساختارهای عمیق است یا صرفاً ناشی از تعداد زیادی پیش‌بینی؟ و آیا زبان هیجانی برخی از ویدئوها واقعاً با منطق تحلیلی داخل آنها همخوان است یا صرفاً محصول فضای رقابتی رسانه‌های دیجیتال است؟بهترین حالت این است که در پایان به جای یک قضاوت شخصی، یک پرونده داده‌ای داشته باشیم: تاریخ، پیش‌بینی، احتمال، مهلت، نتیجه و امتیاز.آن وقت دیگر نمی‌گوییم «من قوام را قبول دارم».می‌گوییم:«من محتوای قوام را بررسی کردم؛ این بخش‌ها را درست دید، اینجاها اشتباه کرد، اینجاها بیش از حد مطمئن بود و در مجموع، داده‌ها نشان می‌دهند که در بعضی از مهم‌ترین موضوعات ژئوپلیتیک، قدرت تحلیلی او بیشتر از چیزی است که صرفاً با چند ویدئوی پربازدید می‌توان فهمید.»و اگر داده‌ها خلاف این نتیجه را نشان دهند، باز هم همین مقاله باید همان را گزارش کند.محمدرضا معینی (قوام) یک تحلیلگر ساختارمند با نرخ دقت جهت‌دار بالا است که ارزش دنبال کردن دارد. او به جای موج‌سواری بر اخبار زرد، تلاش می‌کند الگوهای کلان (Macro Patterns) را شناسایی کند.کامیار بقاکامیار بقاFri, 28 Aug 2026 18:24:16 +0330https://virgool.ir/@kamibagha/چرا-آیندهٔ-ژئوپلیتیک-هم-زمان-قابل-مدل-سازی-و-غیرقابل-پیش-بینی-است-🧠-پارادوکس-کرونوس-hpbjghdvnk8wبرای فهمیدن ژئوپلیتیک، شاید سؤال درست این نباشه که «چه اتفاقی قراره بیفته؟» سؤال عمیق‌تر اینه: اگر کشورها خودشون در حال یادگیری، سازگاری و تغییر استراتژی باشن، اصلاً چقدر می‌تونیم رفتارشون رو پیش‌بینی کنیم؟و یه سؤال حتی جذاب‌تر: اگر فرضیات یک تحلیلگر ژئوپلیتیک رو به چند عامل یادگیرنده بدیم، چه چیزی از دل بازی بیرون میاد که خود تحلیلگر پیش‌بینی نکرده؟اینجاست که Jiang Xueqin برای من جالب می‌شه. او با ترکیب تاریخ، نظریه بازی‌ها و فلسفه، تلاش می‌کند چیزی فراتر از تحلیل روزمره بسازد: چارچوبی برای فهم اینکه چرا دولت‌ها در شرایط عدم‌قطعیت، اطلاعات ناقص و منافع متضاد، دست به انتخاب‌های خاصی می‌زنند.اما یه نکته مهم وجود داره. جذابیت یه چارچوب تحلیلی لزوماً به معنای اعتبار پیش‌بینی‌های آن نیست. محتوای ژئوپلیتیک وقتی وارد شبکه‌های اجتماعی می‌شه، با روایت‌پردازی، انتخاب مثال‌های جذاب و سوگیری‌های مخاطب ترکیب می‌شه. بنابراین باید بین قدرت توضیح یه مدل و دقت پیش‌بینی آن تفاوت قائل بشیم.مقدمه: اتاق تاریک هایزنبرگفرض کن تاریخ یک اتاق تاریکه. هر تحلیلگر یک نورافکن داره، اما نورش ناقصه. چیزی که می‌بینیم، به جایی که نور انداخته‌ایم بستگی داره.در ژئوپلیتیک، یک مشکل دیگر هم داریم: وقتی پیش‌بینی علنی می‌شود، ممکن است خودش بخشی از بازی شود.جیانگ (Jiang Xueqin) با کانال Predictive History سعی کرده تو این اتاق تاریک نقشه‌ای بکشه. معلم تاریخ و فلسفه تو Moonshot Academy پکنه، فارغ‌التحصیل Yale، و با ترکیب نظریه بازی‌ها، تاریخ و فلسفه چارچوبی به اسم «تاریخ پیش‌بینانه» ساخته. از یه طرف آموزگاره، از طرف دیگه متخصص غیررسمی و خبرنگار شبکه‌های اجتماعی. این دوگانگی هویتش هم جذابش می‌کنه هم ارزیابی اعتبار علمی‌ش رو پیچیده.اما سؤال اصلی این نیست که «آیا جیانگ درست می‌گه؟» سؤال اینه: آیا اصلاً می‌شه تو این اتاق نقشه‌ای کشید که خودش اتاق رو تخریب نکنه؟لایهٔ اول: ژئوپلیتیک به‌مثابهٔ اکوسیستم تکاملی 🧬کشورها بازیکنان شطرنج نیستند؛ آن‌ها عامل‌های یادگیرنده‌ای (Learning Agents) هستند که در یک بازی تکرارشونده و نامتقارن گیر افتاده‌اند. تفاوتشان با شطرنج در این است که:قوانین بازی ثابت نیست،تخته بازی بزرگ می‌شود،و هر بازیکن هم‌زمان هم قانون‌گذار است و هم قانون‌شکن.🇺🇸 آمریکا: بازیکنِ حفظ‌کنندهٔ وضع فعلیاگر در مدل، حفظ نظم موجود، اعتبار تعهدات، امنیت دریایی و نفوذ اقتصادی را وزن بالایی بدهیم، آمریکا به بازیکنی تبدیل می‌شود که برای عقب‌نشینی از تعهداتش هزینه می‌پردازد؛ چون از دست دادن اعتبار بازدارندگی می‌تواند هزینه‌های آینده را افزایش دهد.🇮🇷 ایران: بازیکن فرسایشی و نامتقارناگر تو مدل، بقا و افزایش هزینه طرف مقابل رو وزن بالایی بدیم، ایران به بازیکنی تبدیل می‌شه که نابرابری قدرت رو با افزایش زمان و هزینه بازی تا حدی جبران می‌کنه.🇷🇺 روسیه: بازیکنِ عمق استراتژیکاگر در مدل، عمق استراتژیک، کاهش نفوذ رقبای خارجی و حفظ حوزهٔ نفوذ پیرامونی را وزن بالایی بدهیم، روسیه به بازیکنی تبدیل می‌شود که افق زمانی بلندتری را دنبال می‌کند و برای حفظ گزینه‌های ژئوپلیتیکی آینده حاضر است هزینه‌های کوتاه‌مدت بیشتری بپردازد.در این مدل، ایران می‌تواند برای روسیه نه صرفاً یک متحد، بلکه بخشی از مسیرهای ارتباطی و موازنهٔ قدرت در جنوب باشد.🇨🇳 چین: بازیکنِ بیشینه‌ساز بلندمدتاگر در مدل، رشد اقتصادی، امنیت انرژی، ثبات محیط خارجی و افزایش تدریجی قدرت نسبی را وزن بالایی بدهیم، چین به بازیکنی تبدیل می‌شود که ترجیح می‌دهد بدون ایجاد شوک‌های بزرگ، فضای استراتژیک خود را در طول زمان گسترش دهد.وابستگی چین به انرژی وارداتی و اهمیت ثبات خاورمیانه نیز می‌تواند باعث شود که در بسیاری از سناریوها، حفظ یک تعادل ناپایدار را به یک بی‌ثباتی کنترل‌نشده ترجیح دهد.در این مدل، زمان خودش به یک منبع قدرت تبدیل می‌شود.۲. لایهٔ دوم: نظریهٔ بازی‌ها — فراتر از جدول امتیاز اینجا وارد متاگیم می‌شیم. بازی واقعی، بازی‌ایه که درباره بازی فکر می‌کنی.۱. بازی‌های بیزی با اطلاعات ناقص هر کشور نوع خودش رو می‌شناسه، اما نوع حریف رو فقط با احتمال پسین تخمین می‌زنه. وقتی چین به تایوان نگاه می‌کنه، نه به خود تایوان، بلکه به «باور آمریکا درباره باور چین درباره آمریکا» نگاه می‌کنه. این باورهای مرتبه بالاتر بحرانی می‌سازه.۲. تعادل نش با دست لرزان تو دنیای واقعی، حتی اگه بازیکنان تقریباً عقلانی باشن، خطا، نویز اطلاعاتی و اشتباه محاسباتی می‌تونه مسیر بازی رو تغییر بده. نظریه بازی ابزارهایی مثل تعادل دست‌لرزان رو برای بررسی پایداری تعادل‌ها در برابر خطاهای کوچک ارائه می‌ده.۳. نقاط شلینگ و تعهد استراتژیک تنگه هرمز یه نقطه شلینگ طبیعیه: همه می‌دونن که همه می‌دونن که کنترلش مهمه. اما تعهد (مثل استقرار ناوگان) یه حرکت غیرقابل‌برگشته که فضای استراتژیک رو عوض می‌کنه. گاهی باید خودت رو تو موقعیتی بذاری که عقب‌نشینی سخت‌تر از جنگ باشه.۴. بازی تکرارشونده و قضیه فولک تو بازی‌های تکرارشونده، اگه بازیکنان آینده رو به‌اندازه کافی مهم بدونن، مجموعه‌ای از نتایج پایدار می‌تونه از طریق تهدید به تنبیه، همکاری و اعتبار شکل بگیره. آمریکا اگه امروز از تعهدش بگذره، فردا هزینه‌اش رو تو هر میز مذاکره‌ای می‌پردازه. بازدارندگی نه فقط به خاطر قدرت، بلکه به خاطر باور به قدرت کار می‌کنه.فرمول سودمندی:۳. لایهٔ سوم: اپیدمیولوژی سوگیری — ویروس‌های شناختی 🦠پیش‌بینی‌گری یه بازاره و تو هر بازاری ناکارآمدی اطلاعاتی وجود داره. سوگیری‌ها ویروس‌هایی هستن که سیستم ایمنی شناختی ما رو فلج می‌کنن:سوگیری بقا: فقط برنده‌ها رو می‌بینیم.سوگیری پس‌نگری: بعد از وقوع همه چیز واضح به نظر می‌رسه.اعتمادبه‌نفس بیش از حد و انتخاب گزینشی شواهد.نادیده گرفتن احتمال‌های شرطی و سناریوهای جایگزین.پیش‌بینی خوب باید قبل از وقوع قابل ارزیابی باشه: با timestamp، احتمال مشخص و امتیازدهی خارجی (مثل Brier Score). پیش‌بینی‌کننده خوب کسیه که کالیبره باشه؛ وقتی می‌گه ۷۰٪، واقعاً ۷ بار از ۱۰ بار درست بگه.جیانگ چند تا پیش‌بینی درست درآورده، اما این «انتخاب موفق» خطرناکه. مدل معتبر باید بتونه ناموفقیت‌های خودش رو هم پیش‌بینی کنه.لایه چهارم: فرضیه‌های پنهان و آزمون با DRLهر تلاش پیش‌بینی روی سه فرضیه اصلی سوار می‌شه:عقلانیت عامل‌ها: بازیکنان اهدافشون رو بهینه می‌کنن. اما تو بحران‌ها ایدئولوژی و نفس‌طلبی غالب می‌شه.ثبات ساختارهای قدرت: چرخه‌ها و بازی‌های تکرارشونده وجود دارن. اما تو دوره‌های تغییر ساختاری (مثل پایان امپراتوری‌ها) قوانین عوض می‌شه.قابلیت مدل‌سازی: تعاملات پیچیده رو می‌شه تو یه بازی ساده‌شده مدل کرد. اما رفتارهای نوظهور و محدودیت‌های شناختی مرز ایجاد می‌کنن.اینجاست که یادگیری تقویتی عمیق (DRL) و شبیه‌سازی مبتنی بر عامل (ABM) وارد می‌شن. می‌تونیم کشورها رو Agent کنیم:هر Agent یه شبکه عصبی عمیق داره که تصمیم می‌گیره (اتحاد، تحریم، جنگ، مذاکره).محیط شامل قدرت پویا، اتحادها، منابع و اطلاعات ناقص می‌شه.توابع پاداش مستقیم فرضیه‌های جیانگ رو زنده می‌کنن: پاداش قدرت، امنیت، محدودیت (پرهیز از جنگ هسته‌ای)، ایدئولوژی و اطلاعات.الگوریتم‌هایی مثل Multi-Agent RL، Fictitious Play و Nash Q-Learning اجازه می‌دن Agentها در برابر هم یاد بگیرن.US / China / Russia / Iranو هرکدام فقط این پنج Action را دارند:Negotiate / Sanction / Escalate / Ally / De-escalateو هر Agent این‌ها را نمی‌داند:تابع مطلوبیت واقعی دیگریمیزان تحمل هزینه دیگریاطلاعات خصوصی دیگریاستراتژی یادگیری دیگری«۱۰هزار بار شبیه‌سازی می‌کنیم؛ نه برای اینکه آینده را پیدا کنیم، بلکه برای اینکه ببینیم تحت چه فرض‌هایی، الگوهای پایدار یا رفتارهای نوظهور ظاهر می‌شوند.»آیا روسیه و چین بدون اینکه ما به آن‌ها بگوییم متحد شوند، تحت برخی فرضیات به سمت یک تعادل همکاری پایدار حرکت می‌کنند؟ما نمی‌تونیم آینده رو «ببینیم». اما می‌تونیم فضای احتمالات رو فشرده‌تر کنیم. مدل‌سازی ژئوپلیتیک مثل هواشناسیه: نه برای پیش‌بینی دقیق بارش ساعت ۱۴:۳۲، بلکه برای هشدار طوفان.چالش‌های یادگیری:Non-stationarity: وقتی همه هم‌زمان یاد می‌گیرند، محیط ثابت نیست.Credit Assignment: در جنگ، کدام حرکت باعث پیروزی شد؟Explore vs. Exploit: آیا استراتژی جدید امتحان کنی یا از ثبات استفاده کنی؟نتیجه‌گیری: پارادوکس نهاییجیانگ نه پیش‌گو، بلکه مدل‌سازه. ارزش کارش نه تو «درستی مطلق»، بلکه تو ساختاردهی به ابهامه. اصول Superforecasting (تجزیه تحلیلی، به‌روزرسانی بیزی، تنوع شناختی و ارزیابی خارجی) هنوز بهترین راهنمان.پارادوکس نهایی اینه: هرچه مدل وارد حلقه تصمیم‌گیری عامل‌ها شود، پیش‌بینی سخت‌تر می‌شود؛ چون خودِ پیش‌بینی می‌تواند به بخشی از محیط تبدیل شود.«اگر فرضیات این مدل را به عامل‌های یادگیرنده بدهیم، چه رفتارهایی به‌صورت نوظهور ظاهر می‌شوند؟»پارادوکس نهایی: هرچه مدل‌سازی دقیق‌تر شود، عامل‌ها آگاه‌تر می‌شوند؛ و هرچه آگاه‌تر شوند، رفتارشان غیرقابل‌پیش‌بینی‌تر. مدل کامل، مدلی است که خودش را نابود کند.اگه این اپیزود رو ندیدی، حتماً ببین:[Professor Jiang: Is World War 3 Is About To Begin? – The Diary Of A CEO](https://www.youtube.com/watch?v=BTJGr78-zyw)این مقاله با کمک ابزارهای هوش مصنوعی زیر ساخته است:Gemini, Qwen studio, Kimi, Grok, ChatGPTکامیار بقاکامیار بقاThu, 27 Aug 2026 06:34:31 +0330https://virgool.ir/@kamibagha/از-شطرنج-تا-پوکر-ژئوپلتیکی-f4luxrb2k4moتا حالا به این فکر کرده‌اید که چرا هنوز مسائل پیچیده قرن بیست و یکم را با منطق و ابزارهای قرن بیستم حل می‌کنیم؟ فشار، تحریم، تهدید، مسابقه تسلیحاتی و تلاش بی‌پایان برای ایجاد اهرم و تسلیم کردن طرف مقابل.پشت تمام این استراتژی‌ها یه پیش‌فرض پنهان هست: این یک بازی با حاصل‌جمع صفر است. اگر من ببرم، تو می‌بازی.من به عنوان کسی که سال‌هاست با مدل‌های مالی، الگوریتم‌های هوش مصنوعی و تصمیم‌گیری در شرایط عدم قطعیت سروکار دارد، همیشه این سوال برام پررنگ بوده: ما امروز ابزارهایی در اختیار داریم که ده سال پیش وجود نداشتند. هوش مصنوعی کلان‌داده‌ها، ابررایانه‌ها، مدل‌سازی مالی پیشرفته و شبیه‌سازی‌های مونت‌کارلو.پس چرا هنوز تصمیم‌های کلان ژئوپلیتیک را عمدتاً با غریزه و منطق «شکست دادن حریف» می‌گیریم؟💡 چه می‌شد اگر به جای اینکه بپرسیم «چطور می‌توانیم طرف مقابل را شکست دهیم؟»، می‌پرسیدیم «کدام سیاست، بیشترین رفاه انسانی، ثبات اقتصادی و امنیت را با کمترین هزینه و ریسک ایجاد می‌کند؟»شبیه‌ساز هوش مصنوعی ژئوپلیتیکدر دنیای تحلیل‌های مالی و ترید الگوریتمی، ما اصلاً سعی نمی‌کنیم آینده را پیش‌بینی کنیم. ما می‌دانیم که آینده ذاتاً عدم قطعیت دارد. در عوض، همین عدم قطعیت را مدل‌سازی می‌کنیم. سناریوهای مختلف را می‌سازیم، پورتفولیوها را تحت فشار قرار می‌دهیم و Trade-offها را می‌سنجیم.حالا یک «شبیه‌ساز هوش مصنوعی ژئوپلیتیک» را تصور کنید. سیستمی که به جای تکیه بر شهود چند سیاستمدار در یک اتاق دربسته، میلیون‌ها نقطه داده را پردازش می‌کند و هزاران سناریوی کلان را شبیه‌سازی می‌کند.ورودی‌های این سیستم چه هستند؟ تولید ناخالص داخلی، تورم، بدهی، قیمت انرژی، جریان تجارت، سرمایه‌گذاری خارجی مستقیم، هزینه‌های نظامی، گلوگاه‌های زنجیره تامین، مسیرهای دریایی، دموگرافیک، ریسک‌های اقلیمی و حتی احساسات عمومی.حالا سیستم دو سناریو را با هم مقایسه می‌کند:سناریوی نخست: تشدید تنش و درگیری گستردهتحریم‌ها افزایش می‌یابد، تجارت کاهش پیدا می‌کند، اختلال در تامین انرژی بیشتر می‌شود، قیمت نفت بالا می‌رود، هزینه‌های نظامی رشد می‌کند، تورم تشدید می‌شود، سرمایه‌گذاری فرار می‌کند و در نهایت، رفاه جهانی تنزل پیدا می‌کند.سناریوی دوم: توافق بزرگ اقتصادیتحریم‌ها کاهش می‌یابد، عرضه انرژی و تجارت افزایش می‌یابد، سرمایه‌گذاری خارجی رشد می‌کند، تولید ناخالص داخلی منطقه‌ای بالا می‌رود، هزینه‌های نظامی کم می‌شود، قیمت انرژی تعدیل می‌گردد و رفاه جهانی رشد می‌کند.هدف از ساخت چنین مدلی این نیست که ادعا کنیم هوش مصنوعی می‌تواند آینده را با دقت صددرصد پیش‌بینی کند. هدف این است که Trade-offها را شفاف کنیم. می‌خواهیم فرآیند تصمیم‌گیری را از دالان‌های ایدئولوژیک بیرون بکشیم و به زمین داده‌ها و تفکر سیستمی بیاوریم.برای اینکه این موضوع ملموس‌تر شود، بیایید یک آزمایش فکری اقتصادی انجام دهیم. فرض کنید یک توافق بزرگ اقتصادی بین ایران، چین و آمریکا شکل بگیرد.در دنیای واقعی، دولت‌ها به دنبال منافع خودشان هستند. اما سوال اینجاست: آیا می‌توان ساختاری طراحی کرد که در آن، همکاری سودآورتر از تقابل باشد؟ایران ذخایر عظیم انرژی، موقعیت ژئوپلیتیک بی‌نظیر برای اتصال آسیای مرکزی به خلیج فارس، و یک بازار داخلی بزرگ دارد. چین ظرفیت تولید بی‌رقیب، سرمایه عظیم، و تقاضای سیراب‌نشدنی برای انرژی دارد. ایالات متحده پیشران فناوری‌های لبه، سرمایه جهانی، زیرساخت‌های مالی و دسترسی به بازارهای مصرفی دارد.اگر در مدل‌مان فرض کنیم که به جای رقابت مخرب، این دارایی‌های مکمل با هم یکپارچه شوند، خروجی‌ها چگونه تغییر می‌کنند؟برای ایران، تحریم‌ها برداشته می‌شود، صادرات رشد می‌کند، سرمایه‌گذاری خارجی وارد می‌شود و ثبات ارزی برقرار می‌گردد. برای چین، امنیت انرژی تضمین می‌شود و مسیرهای تجاری زمینی به شدت بهینه می‌گردند. برای آمریکا، هزینه‌های نظامی در منطقه کاهش می‌یابد، فشار تورمی ناشی از انرژی کم می‌شود و مصرف‌کننده آمریکایی از قیمت‌های پایین‌تر منتفع می‌گردد.می‌توانیم این شبیه‌سازی را به کل خاورمیانه تعمیم دهیم. امروز ما به زیرساخت‌های منطقه به چشم یک رقابت صفر و یکی نگاه می‌کنیم. کریدور IMEC در مقابل مسیرهای متمرکز بر ایران در مقابل کمربند-جاده چین. اما در یک شبکه اقتصادی بهینه‌سازی شده، ما به یک هژمون واحد نیاز نداریم؛ ما به گره‌های تخصصی نیاز داریم:🇮🇷 ایران می‌تواند قطب انرژی و ترانزیت باشد.🇹🇷 ترکیه پل لجستیک و تولید.🇦🇪 کشورهای حاشیه خلیج فارس تامین‌کننده سرمایه و لجستیک پیشرفته.🇪🇺 اروپا بازار مصرف و چارچوب رگولاتوری.🇺🇸 آمریکا لنگرگاه فناوری، سرمایه و امنیت.گلوگاه اصلی: تابع هدفاما اینجا یک محدودیت بسیار مهم و حیاتی وجود دارد. هوش مصنوعی در نهایت یک موتور ریاضی است. هوش مصنوعی فقط می‌تواند تابع هدفی را که ما به آن می‌دهیم بهینه کند. اما این هوش مصنوعی نیست که تعیین می‌کند بشریت باید چه چیزی را ارزشمند بداند.اگر تابع هدف برنامه‌ریزان ژئوپلیتیک «به حداکثر رساندن قدرت نسبی» یا «تضمین هژمونی مطلق» باشد، هوش مصنوعی از نظر منطقی تقابل و جنگ را پیشنهاد می‌دهد.اما اگر تابع هدف ما «به حداکثر رساندن رفاه انسانی، به حداقل رساندن ریسک سیستمیک و تضمین رشد اقتصادی پایدار» باشد، ریاضیات مستقیماً به ما اشاره می‌کند که باید به سمت همکاری برویم.بنابراین، گلوگاه اصلی ما تکنولوژی نیست؛ گلوگاه ارزش‌های ماست.در نهایت نباید فراموش کنیم که با چه چیزی سروکار داریم. مدل‌های ژئوپلیتیک با پوینت‌های پایه، بشکه‌های نفت و میلیاردها دلار سروکار دارند. اما پشت هر داده در این مدل‌ها، یک واقعیت انسانی نهفته است. پشت تورم، خانواده‌هایی هستند که برای تامین معیشت خود می‌جنگند. پشت درگیری‌ها، آوارگی، از دست رفتن نسل‌ها و زیرساخت‌های ویران شده است.بهینه‌سازی برای صلحما در تقاطع بی‌نظیری از تاریخ ایستاده‌ایم. ما قدرت محاسباتی لازم برای شبیه‌سازی پیامدهای جنگ و صلح را در مقیاسی بی‌سابقه در اختیار داریم. سوال اصلی این است که آیا خرد لازم برای استفاده از آن را هم داریم؟ما همین الان هم هوش مصنوعی‌هایی داریم که می‌توانند زنجیره تامین جهانی، سبدهای سهام و شبکه‌های پیچیده انرژی را بهینه کنند. شاید چالش مهندسی بعدی ما، ساختن سیستم‌هایی باشد که بتوانند سخت‌ترین چیز ممکن را بهینه کنند: صلح.شاید بزرگترین مسئله هوش مصنوعی در آینده، ساختن ماشین‌های باهوش‌تر نباشد. شاید چالش اصلی این باشد که چگونه به بشریت کمک کنیم تا تصمیمات خردمندانه‌تری بگیرد.#تفکر_سیستمی #ژئوپلیتیک #هوش_مصنوعی #اقتصاد_کلان #تصمیم_گیری #بهینه_سازی #صلح #آینده #مدل_سازی #tradeoffsکامیار بقاکامیار بقاThu, 27 Aug 2026 06:26:55 +0330https://virgool.ir/@kamibagha/از-جنگ-ایران-تا-اوراق-۱۰-ساله-آمریکا-rupfcdytjegkبرای من، جذاب‌ترین بخش صحبت‌های مجید شاکری در قسمت اخیر «به وقت ایران» نه یک پیش‌بینی مشخص درباره نتیجه جنگ بود و نه یک عدد خاص؛ بلکه روشی بود که با آن چند موضوع ظاهراً بی‌ربط را به یکدیگر وصل می‌کرد. وقتی درباره جنگ ایران و آمریکا صحبت می‌کرد، بحث خیلی زود از میدان نظامی به بازار نفت، از نفت به اوراق خزانه آمریکا، از اوراق به Term Premium و نرخ وام خانوارها، و بعد به ژاپن، چین، شرکت‌های هوش مصنوعی، دبی و حتی انتخابات میان‌دوره‌ای آمریکا می‌رسید.شاید برای مخاطبی که فقط دنبال این است بداند «آخرش چه می‌شود»، این مدل تحلیل کمی پیچیده به نظر برسد؛ اما اتفاقاً ارزش صحبت‌های شاکری همین‌جاست. او جنگ را یک اتفاق منفرد نمی‌بیند، بلکه آن را یک شوک به یک سیستم به‌هم‌پیوسته می‌داند؛ سیستمی که در آن تصمیم نظامی یک کشور می‌تواند چند ساعت یا چند هفته بعد خودش را در قیمت نفت، بازده اوراق آمریکا یا هزینه وام یک خانوار آمریکایی نشان دهد.چرا اوراق ۱۰ ساله آمریکا؟مرکز این تحلیل، به نظرم بازده اوراق ۱۰ ساله خزانه‌داری آمریکاست. دلیلش هم ساده است: این نرخ یکی از مهم‌ترین قیمت‌های پایه در اقتصاد جهانی است و تغییر آن خیلی سریع از بازارهای مالی به اقتصاد واقعی منتقل می‌شود. افزایش بازده ۱۰ ساله می‌تواند نرخ وام مسکن و سایر وام‌های خانوارها را بالا ببرد، هزینه تأمین مالی شرکت‌ها را افزایش دهد و ارزش‌گذاری دارایی‌های ریسکی، مخصوصاً شرکت‌های تکنولوژی و AI، را تحت فشار قرار دهد.اما مسئله برای دولت آمریکا حتی جدی‌تر است. بدهی دولت آمریکا اخیراً از ۴۰ تریلیون دلار عبور کرده و حدود ۱.۲ تریلیون دلار در مدت کوتاهی به آن اضافه شده است. در چنین سطحی از بدهی، افزایش هزینه تأمین مالی فقط یک عدد در بازار اوراق نیست؛ مستقیماً به هزینه بودجه دولت تبدیل می‌شود. بنابراین اگر بازده اوراق بلندمدت بالا بماند، آمریکا با یک مسئله دوطرفه روبه‌رو می‌شود: از یک طرف باید برای تأمین کسری بودجه حجم عظیمی اوراق بفروشد و از طرف دیگر، سرمایه‌گذاران برای خرید این اوراق ممکن است بازده بیشتری مطالبه کنند.اینجاست که Term Premium اهمیت پیدا می‌کند. ممکن است فدرال رزرو نرخ‌های کوتاه‌مدت را کاهش دهد، اما اگر سرمایه‌گذاران به دلیل افزایش ریسک تورم، بدهی یا حجم عرضه اوراق، برای نگهداری اوراق بلندمدت بازده بیشتری بخواهند، نرخ ۱۰ ساله همچنان بالا می‌ماند. در نتیجه، مسئله فقط سیاست پولی فدرال رزرو نیست؛ مسئله اعتماد و ظرفیت بازار برای جذب بدهی دولت آمریکا هم هست.جنگ ایران چگونه به Treasury وصل می‌شود؟اگر تنش میان ایران و آمریکا تشدید شود، یکی از اولین کانال‌های انتقال آن بازار انرژی است. افزایش ریسک در خاورمیانه می‌تواند قیمت نفت را بالا ببرد و افزایش قیمت انرژی در اقتصادی مثل آمریکا، خیلی سریع به تورم و انتظارات تورمی منتقل می‌شود. اگر این اتفاق همزمان با افزایش Term Premium رخ دهد، فشار روی بازده اوراق بلندمدت می‌تواند بیشتر شود.به همین دلیل است که در این چارچوب، جنگ ایران فقط یک مسئله نظامی نیست. زنجیره‌ای که باید دنبال شود این است: تشدید تنش می‌تواند نفت را بالا ببرد، نفت می‌تواند تورم را بالا ببرد، تورم و ریسک می‌تواند بازده اوراق بلندمدت را بالا ببرد و افزایش بازده اوراق می‌تواند هزینه سرمایه را برای دولت، شرکت‌ها و خانوارهای آمریکایی افزایش دهد.این دقیقاً جایی است که موضوع AI هم وارد داستان می‌شود. شرکت‌های هوش مصنوعی در حال حاضر یکی از بزرگ‌ترین مصرف‌کنندگان سرمایه در اقتصاد آمریکا هستند؛ از دیتاسنتر و انرژی گرفته تا تراشه و زیرساخت محاسباتی. اگر هزینه سرمایه بالا برود، تأمین مالی این حجم از سرمایه‌گذاری دشوارتر و گران‌تر می‌شود. بنابراین یک شوک ژئوپلیتیک می‌تواند از مسیر نفت و Treasury، به یکی از مهم‌ترین موتورهای سرمایه‌گذاری اقتصاد آمریکا یعنی AI هم منتقل شود.در نظرسنجی مطرح‌شده در برنامه نیز سه موضوع در کنار یکدیگر قرار گرفته بودند: جنگ با ایران، رشد سریع تقاضا و سرمایه‌گذاری در شرکت‌های AI و رشد سریع بدهی آمریکا تا حوالی ۴۰ تریلیون دلار. نکته جالب این بود که جنگ ایران در میان پاسخ‌دهندگان به‌عنوان عامل مهم‌تر انتخاب شده بود؛ یعنی ریسک ژئوپلیتیک در این نگاه می‌تواند از دو موضوع صرفاً اقتصادی و تکنولوژیک مهم‌تر شود.چرا ژاپن و چین مهم‌اند؟در اینجا تحلیل از آمریکا فراتر می‌رود. ژاپن سال‌ها یکی از منابع اصلی تأمین مالی ارزان در اقتصاد جهانی بوده است. سرمایه‌گذاران می‌توانستند با ین ارزان تأمین مالی کنند و سرمایه را به سمت دارایی‌هایی با بازده بالاتر در آمریکا و سایر کشورها ببرند؛ همان چیزی که به Carry Trade معروف است.اما با افزایش نرخ بهره ژاپن، این معامله جذابیت خود را از دست می‌دهد. هرچه هزینه تأمین مالی با ین بیشتر شود، احتمال کاهش Carry Trade و خروج بخشی از سرمایه از دارایی‌های پرریسک افزایش پیدا می‌کند. این موضوع به خودی خود می‌تواند روی جریان سرمایه جهانی و بازار Treasury اثر بگذارد.چین هم در طرف دیگر ماجرا قرار دارد. کاهش تدریجی ذخایر Treasury چین و فروش بخشی از اوراق پیش از سررسید، در شرایطی که دولت آمریکا همچنان نیاز به انتشار حجم عظیمی از بدهی دارد، اهمیت پیدا می‌کند. مسئله فقط مقدار اوراق فروخته‌شده نیست؛ مهم این است که در یک طرف، عرضه اوراق آمریکایی در حال افزایش است و در طرف دیگر، بخشی از خریداران سنتی خارجی ممکن است تمایل کمتری به نگهداری آنها داشته باشند.در همین چارچوب، اقداماتی که به Scott Bessent نسبت داده می‌شود برای مدیریت بازار ارز ژاپن و جلوگیری از اختلال در بازارهای جهانی نیز معنا پیدا می‌کند. اگر بحران ین باعث unwind شدن گسترده Carry Trade شود، می‌تواند به فروش همزمان دارایی‌ها و افزایش نوسان در بازارهای جهانی منجر شود. بنابراین Bessent فقط با مسئله کسری بودجه آمریکا روبه‌رو نیست؛ باید مراقب plumbing سیستم مالی جهانی هم باشد.چرا Bessent نمی‌خواهد اقتصاد جهان را منفجر کند؟این شاید یکی از کلیدی‌ترین بخش‌های بحث باشد. آمریکا می‌تواند فشار اقتصادی زیادی ایجاد کند، اما هر فشاری الزاماً به نفع آمریکا تمام نمی‌شود. اگر فشار بیش از حد باعث افزایش شدید نفت، تورم، بازده Treasury و هزینه تأمین مالی شود، بخشی از هزینه‌ای که قرار بود به طرف مقابل تحمیل شود، به خود اقتصاد آمریکا برمی‌گردد.به همین دلیل می‌توان رفتار Bessent را به‌عنوان تلاش برای پیدا کردن یک نقطه تعادل دید: فشار آن‌قدر زیاد باشد که طرف مقابل را وادار به تغییر رفتار کند، اما آن‌قدر زیاد نباشد که بازار Treasury و اقتصاد جهانی از کنترل خارج شود. این همان جایی است که تشبیه شاکری به D-Day جالب می‌شود؛ مسئله فقط آغاز عملیات نیست، بلکه مدیریت مراحلی است که بعد از آن اتفاق می‌افتد.ایران چه ابزارهایی دارد؟در طرف ایران، شاکری برخلاف تصویری که گاهی از اقتصاد ایران به‌عنوان اقتصادی کاملاً بدون ابزار ارائه می‌شود، روی ظرفیت‌های سیاست‌گذار تأکید دارد. افزایش ابزارهای بازار اسکناس دلار بانک مرکزی، بهبود سازوکارهای ارزی، عملکرد سیاست‌گذارانی مثل همتی و ابزارهایی که در اختیار مدنی‌زاده قرار گرفته، از نظر او می‌توانند در مدیریت شوک نقش داشته باشند.یک بخش مهم دیگر بحث هم کاهش وابستگی به دبی و شبکه تراستی‌هاست. دبی طی سال‌های گذشته یکی از مهم‌ترین مسیرهای تجارت و تسویه مالی ایران بوده و درهم نیز به دلیل پیوند نزدیکش با دلار، در قیمت‌گذاری و انتقال سیگنال‌های ارزی ایران نقش مهمی داشته است. بنابراین هرچه ایران بتواند وابستگی خود به این زیرساخت را کاهش دهد، بخشی از آسیب‌پذیری خود را در برابر فشار خارجی کم می‌کند.در این نگاه، موضوع بانک ملی در دبی هم صرفاً مسئله یک شعبه بانکی نیست؛ مسئله بزرگ‌تر، زیرساخت مالی‌ای است که تجارت، تسویه و قیمت‌گذاری ارز ایران را به شبکه مالی امارات متصل می‌کند. کاهش نفوذ تراستی‌ها و کاهش وابستگی به این شبکه، از منظر شاکری بخشی از فرآیند افزایش استقلال مالی ایران است.از طرف دیگر، همین موضوع امارات را در موقعیت پیچیده‌ای قرار می‌دهد. امارات همزمان به روابط مالی و امنیتی خود با غرب وابسته است و از طرف دیگر از تجارت با ایران منتفع می‌شود. هرچه فشار آمریکا بیشتر شود، این دو نقش بیشتر با یکدیگر در تضاد قرار می‌گیرند و امارات مجبور می‌شود بین منافع متفاوت خود تعادل برقرار کند.و در نهایت انتخابات آمریکامتغیر دیگری که در این مدل اهمیت زیادی دارد، انتخابات میان‌دوره‌ای آمریکا در نوامبر ۲۰۲۶ است. یک دولت آمریکایی که به انتخابات نزدیک می‌شود، نسبت به افزایش قیمت بنزین، تورم، نرخ وام مسکن، افت بورس و کاهش قدرت خرید خانوارها حساس‌تر است. رأی‌دهنده آمریکایی Term Premium را نمی‌بیند؛ نتیجه آن را در هزینه وام و قیمت کالاها می‌بیند.از این زاویه، زمان‌بندی تشدید تنش اهمیت پیدا می‌کند. ممکن است هزینه سیاسی یک بحران اقتصادی برای دولت آمریکا قبل از Midterm بیشتر از بعد از آن باشد. اگر دموکرات‌ها بتوانند مجلس نمایندگان را پس بگیرند و توازن سنا نیز تغییر کند، دولت ترامپ ممکن است با یک دولت دوپاره مواجه شود و فضای مانور سیاسی‌اش محدودتر شود.این البته یک پیش‌بینی است، نه یک واقعیت قطعی. اما همین عدم قطعیت بخش مهمی از مدل شاکری است: آینده را نمی‌توان با یک سناریوی خطی توضیح داد.چیزی که از شاکری می‌توان یاد گرفتشاید مهم‌ترین ارزش این تحلیل برای من، پیش‌بینی نتیجه جنگ نباشد. اتفاقاً ارزش اصلی در این است که نشان می‌دهد برای فهم یک اتفاق ژئوپلیتیک باید چند بازار و چند سیستم را همزمان دید.جنگ ایران یک مسئله نظامی است، اما همزمان مسئله نفت است. نفت مسئله تورم است. تورم به نرخ‌های بهره و Treasury وصل می‌شود. Treasury به Term Premium و هزینه تأمین مالی دولت و شرکت‌ها وصل است. هزینه سرمایه به سرمایه‌گذاری AI مربوط می‌شود. ژاپن از مسیر Carry Trade روی جریان سرمایه جهانی اثر می‌گذارد و چین از مسیر ذخایر Treasury. در طرف دیگر، دبی و درهم بخشی از plumbing مالی ایران هستند و انتخابات آمریکا هم سقف و کف سیاسی تصمیمات واشنگتن را تعیین می‌کند.به همین دلیل شاید بهترین راه برای فهم این تحلیل، نگاه کردن به جنگ به‌عنوان یک سیستم به‌هم‌پیوسته اقتصادی و ژئوپلیتیک باشد، نه مجموعه‌ای از اتفاقات جدا از هم.ممکن است با تمام برآوردهای شاکری موافق نباشیم و حتی بعضی از فرض‌هایش در آینده غلط از آب دربیاید. اما چیزی که تحلیل او را ارزشمند می‌کند، این است که ما را مجبور می‌کند از سؤال ساده «چه کسی در جنگ پیروز می‌شود؟» عبور کنیم و سؤال سخت‌تری بپرسیم:اگر تنش تشدید شود، کدام بخش از سیستم جهانی زودتر تحت فشار قرار می‌گیرد و این فشار چگونه به بخش‌های دیگر منتقل می‌شود؟شاید پاسخ این سؤال، خیلی بیشتر از پیش‌بینی نتیجه یک حمله نظامی، درباره آینده این درگیری به ما اطلاعات بدهد.کامیار بقاکامیار بقاThu, 27 Aug 2026 05:30:16 +0330