اکنون زمان طراحی استراتژی آینده است

چکیده

این مقاله با پرسشی تند آغاز می شود که در گفت وگوهای مدیران، هر روز صریح تر مطرح می شود: در عصر ابرهوش مصنوعی (Superintelligence)، آیا مدیران انسانی اصلا باقی می مانند، یا فقط «مدیران هوش مصنوعی» خواهند بود؟ مقاله نشان می دهد که این پرسش، پیش از آنکه پاسخ داشته باشد، به تعریف نیاز دارد، زیرا «مدیر هوش مصنوعی» دست کم سه معنای متفاوت دارد که با هم خلط می شوند: عاملی که عامل های دیگر را مدیریت می کند، تصمیم گیرنده ای خودگردان که جای انسان می نشیند، و نقش انسانی بازتعریف شده به مثابه مدیر عامل ها. پس از جدا کردن این سه معنا و با تکیه بر دو مقاله پیشین این مجموعه — که مدیر را «نگهبان قضاوت» دانسته بودند — مقاله تز خود را چنین اصلاح و تکمیل می کند: مدیر آینده نه تصمیم گیرنده منفرد سنتی است و نه تماشاچی حذف شده؛ او مدیر ناوگان عامل هاست، یعنی طراح معماری اختیار، نگهبان قضاوت و مالک پاسخ گویی. این تز، بر پایه تجربه نویسنده در مدیریت راهبردی بازار (DBA) و نظام های بانکی، به چارچوبی عملی برای طراحی استراتژی اکنون تبدیل می شود: پنج کار هم زمان — نقشه قابلیت ها، معماری اختیار، سرمایه قضاوت، سنجه های حکمرانی و تاب آوری در برابر تمرکز فروشنده. همه گزاره های مربوط به آینده در این مقاله، سناریو یا استدلال اند، نه پیش بینی و نه گزارش واقعیت؛ ابرهوش امروز وجود ندارد و هیچ سامانه ای آزمون مورد توافقی برای هوش عمومی یا ابرهوش را نگذرانده است.

واژگان کلیدی: طراحی استراتژی، ابر هوش مصنوعی، مدیر عامل ها، مدیریت راهبردی، حکمرانی هوش مصنوعی، سرمایه قضاوت، معماری اختیار

۱. پرسش مرکزی: مدیر انسانی می ماند یا فقط مدیر هوش مصنوعی خواهد بود؟

۱۱. سه معنای متفاوت «مدیر هوش مصنوعی» را با هم خلط نکنیم

پیش از هر استدلالی، باید دید «مدیر هوش مصنوعی» دقیقا یعنی چه، زیرا هر یک از معناهای آن، نتیجه ای متفاوت دارد:

معنای اول: عامل مدیر عامل ها. سامانه ای هوشمند که کار عامل های دیگر را تقسیم، زمان بندی، پایش و گزارش می کند؛ مانند سرپرستی که وظیفه ها را میان چند دستیار دیجیتال توزیع می کند و گلوگاه ها را نشان می دهد. این معنا، امروز به صورت محدود وجود دارد: سامانه های ارکستراسیون (Orchestration) و «مدیران عامل» (Agent Managers) که مجله بازرگانی هاروارد در فوریه ۲۰۲۶ از آن ها به مثابه نقشی در حال ظهور سخن گفت، از همین جنس اند. این معنا، مدیریت انسانی را حذف نمی کند؛ ابزار مدیریت است.

معنای دوم: تصمیم گیرنده خودگردان جایگزین انسان. سامانه ای که بدون تایید انسانی، تصمیم های مدیریتی — تخصیص بودجه، تعدیل نیرو، قیمت گذاری، اعطای اعتبار — را بگیرد و اجرا کند. این معنا، امروز فقط در دامنه های بسیار محدود و کم ریسک، مانند تنظیم خودکار برخی قیمت ها یا تخصیص تبلیغات، وجود دارد و در تصمیم های پرمخاطره، هیچ مورد مستندی از جایگزینی کامل مدیر انسانی در دست نیست.

معنای سوم: نقش انسانی بازتعریف شده. انسانی که دیگر خودش هر تصمیم را از صفر نمی سازد، بلکه ناوگانی از عامل ها را هدایت می کند: هدف می گذارد، حدود اختیار تعیین می کند، پیشنهادها را راستی آزمایی می کند، استثناها را شخصا رسیدگی می کند و پاسخ گوی نتیجه است. این معنا، نه حذف انسان است و نه حفظ وضع موجود؛ تغییر جنس کار مدیر است.

خلط این سه معنا، منشا بیشتر ادعاهای شتاب زده است. وقتی کسی می گوید «مدیران هوش مصنوعی می آیند»، اگر منظورش معنای اول باشد، سخنی بدیهی می گوید؛ اگر منظورش معنای دوم در همه دامنه ها باشد، ادعایی اثبات نشده می کند؛ و اگر منظورش معنای سوم باشد، دقیقا همان چیزی را می گوید که این مقاله از آن دفاع می کند. پس پرسش درست این نیست که «مدیر می ماند یا نه؟»؛ پرسش درست این است که «کدام معنا، در کدام دامنه، با چه حدودی؟»

۱۲. چرا این پرسش، راهبردی است نه فنی؟

این پرسش را نباید به مهندسان واگذار کرد، زیرا پاسخ آن، سرنوشت سازمان را تعیین می کند. اگر مدیری باور کند که به زودی فقط مدیران هوش مصنوعی خواهند بود، منطقا سرمایه گذاری بر قضاوت انسانی، آموزش مدیران جوان و سازوکارهای پاسخ گویی را متوقف می کند؛ و اگر روزی برسد که آن باور نادرست از آب درآید، سازمان نه مدیر توانمند دارد و نه سازوکار حکمرانی. و برعکس، اگر مدیری تغییر جنس کار را نبیند و همچنان بخواهد همه تصمیم ها را شخصا و با گزارش های کاغذی بگیرد، در رقابت با سازمان هایی که ناوگان عامل ها را به خوبی اداره می کنند، کند می ماند. طراحی استراتژی آینده، یعنی همین جا ایستادن: نه انکار تغییر، نه تسلیم در برابر ادعای جایگزینی کامل.

۲. نخست تعریف کنیم: ابرهوش، عامل و مدیریت چیست؟

۲۱. ابرهوش: افقی که هنوز به آن نرسیده ایم

بنابر تعریف نیک باستروم در کتاب «ابرهوشمندی: مسیرها، خطرها، راهبردها» (انتشارات دانشگاه آکسفورد، ۲۰۱۴)، ابرهوشمندی یعنی «هر عقلی که در تقریبا همه حوزه های مورد توجه، به مراتب از عملکرد شناختی انسان ها فراتر رود». دو قید مهم اند: «به مراتب فراتر» و «تقریبا همه حوزه ها». آنچه امروز در شرکت ها و بانک ها به کار می رود، هوش محدود (Narrow AI) است: توانمندی برتر در یک کار یا چند کار مشخص، مانند امتیازدهی اعتباری، طبقه بندی تراکنش مشکوک یا پیش بینی خرابی دستگاه. هوش عمومی (AGI) نیز، درباره وجودش توافق نیست و برای سنجش آن، آزمون مورد توافقی وجود ندارد. پس هر گزاره ای در این مقاله درباره عصر ابرهوش، سناریو یا استدلال است، نه توصیف امروز و نه پیش بینی دارای احتمال.

۲۲. عامل امروز، مدیر فردا نیست

عامل های امروز، دستیارها و سامانه هایی اند که می توانند زنجیره ای از کارها را با دسترسی به ابزار انجام دهند: جست وجو در اسناد، پیش نویس نوشتن، صورت حساب خواندن، هشدار دادن. اما مدیریت، فقط زنجیره کارها نیست. مدیریت، تعیین هدف در شرایط ابهام، داوری میان ارزش های ناسازگار (سود و اعتماد، سرعت و عدالت، رشد و تاب آوری)، مذاکره، انگیزه بخشی و پذیرش مسئولیت در برابر پیامدهای ناخواسته است. هیچ یک از این ها، با «انجام سریع تر کارها» یکی نیست. به همین دلیل، مقاله دوم این مجموعه، مدیر را «نگهبان قضاوت» نامید و مقاله سوم، همان تز را در بانکداری با مدل پذیرنده (Acceptor) به کار بست: مالکیت و پاسخ گویی با بانک و پذیرنده می ماند و هوش مصنوعی فقط نقش سوئیچ مسیریابی را دارد؛ یعنی استعاره ای برای نقش مسیریابی است، نه سوئیچ واقعی بانک و نه مالک تصمیم. مقاله حاضر، آن تز را پس نمی گیرد؛ آن را یک گام جلو می برد: نگهبان قضاوت، در عمل، مدیر عامل هاست.

۳. سه سناریو برای آینده مدیریت (سناریو است، نه پیش بینی)

برچسب روشن: هر سه تصویر زیر، سناریوهایی برای اندیشیدن اند، نه پیش بینی و نه گزارش واقعیت. هدف آن ها، آزمودن تز مقاله در برابر بدیل هایش است.

۳۱. سناریوی اول: نگهبانی تقویت شده — مدیر عامل ها

در این سناریو، مدیر انسانی باقی می ماند و توانمندتر هم می شود. او ناوگانی از عامل ها را اداره می کند: هدف های راهبردی را به زبان قابل سنجش ترجمه می کند، حدود اختیار هر عامل را می نویسد، پیشنهادهای مهم را پیش از اجرا راستی آزمایی می کند و استثناها — مشتری عصبانی، پرونده مرزی تقلب، بحران رسانه ای — را شخصا رسیدگی می کند. عامل ها، سرعت و پوشش می دهند؛ انسان، جهت و قضاوت. این سناریو با تجربه امروز سازگار است: در مورگان استنلی، دستیار هوش مصنوعی (از سپتامبر ۲۰۲۳) به مشاوران امکان جست وجو در اسناد اختصاصی شرکت را می دهد و ابزار «دیبریف» (از ژوئن ۲۰۲۴) جلسات را با رضایت مشتری پیاده و پیش نویس می کند — با بازبینی مشاور پیش از آنکه چیزی به مشتری برسد. شرکت، پذیرش ۹۸ درصدی در تیم های مشاور را گزارش کرده است؛ این رقم، گزارش خود شرکت است، نه ارزیابی مستقل، و پذیرش با اثر اندازه گیری شده بر کیفیت یا سود یکی نیست. با همین قید، درس آن روشن است: ارزش دستیار در «آماده سازی» است، نه در «تصمیم نهایی».

۳۲. سناریوی دوم: جایگزینی جزئی در دامنه های محدود

در این سناریو، در برخی دامنه های پرقاعده و برگشت پذیر — تنظیم قیمت های خرد، تخصیص موجودی، زمان بندی تبلیغات — تصمیم گیری به طور کامل به عامل ها سپرده می شود و مدیر انسانی فقط بر سنجه های کلان نظارت می کند. این سناریو، تا حدی، امروز هم رخ داده است و گسترش آن محتمل است، زیرا در این دامنه ها، هدف روشن است، بازخورد سریع است و خطا قابل جبران است. اما مرز این سناریو روشن است: هر جا که هدف مبهم باشد، ارزش ها با هم درگیر شوند، یا خطا برگشت ناپذیر و پرهزینه باشد — استخدام، تعدیل، اعتبار، سلامت، امنیت — جایگزینی جزئی به حکمرانی انسانی نیاز دارد. خطای راهبردی، تعمیم دادن جایگزینی دامنه محدود به کل مدیریت است؛ همان خطایی که اصلاحیه کلارنا نشان داد: در فوریه ۲۰۲۴، دستیار این شرکت در ماه نخست حدود ۲٫۳ میلیون گفت وگو را انجام داد و معادل کار حدود ۷۰۰ کارمند تمام وقت معرفی شد، با پیش بینی بهبود سود سالانه حدود ۴۰ میلیون دلار؛ در مه ۲۰۲۵، مدیرعامل شرکت به بلومبرگ گفت که هزینه در ارزیابی، «عاملی بیش ازحد غالب» شده بود و کیفیت پایین تر آمده بود، و انسان ها برای موارد پیچیده بازگردانده شدند. در منابع در دسترس، رقم زیانی افشا نشده است. درس آن برای راهبرد، دقیق است: سنجه حجم، کیفیت موارد دشوار را پنهان می کند.

۳۳. سناریوی سوم: جایگزینی کامل — فقط مدیران هوش مصنوعی

در این سناریو، مدیر انسانی به طور کامل حذف می شود و سامانه ای ابرهوش، راهبرد را تعیین، اجرا و اصلاح می کند. این سناریو، جذابیت ادبی دارد، اما با پنج مانع جدی روبه روست که هیچ یک با «هوش بیشتر» به تنهایی رفع نمی شوند. یکم، پاسخ گویی حقوقی: قانون، از شخص حقوقی سازمان پاسخ می خواهد، نه از مدل؛ «مدل تصمیم گرفت» در برابر مشتری، حسابرس یا رگولاتور، پاسخ قابل قبولی نیست. دوم، مشروعیت و اعتماد: کارکنان و مشتریان، از نهادی پیروی می کنند که بتوانند با آن گفت وگو، اعتراض و مذاکره کنند؛ سامانه ای که فقط دستور می دهد، مشروعیت اجتماعی نمی سازد. سوم، قضاوت ارزشی: راهبرد، انتخاب میان ارزش های ناسازگار است و هیچ تابعی از داده، به تنهایی نمی گوید که سود بر اعتماد، یا رشد بر تاب آوری، ارجح است؛ این انتخاب، کار انسان پاسخ گوست. چهارم، دانش ضمنی (Tacit Knowledge): بخش بزرگی از دانش مدیریتی — خواندن اتاق مذاکره، فهم فرهنگ سازمان، حس زمان مناسب — در داده ثبت نشده است و مدلی که فقط از داده می آموزد، آن را ندارد. پنجم، مسئله کنترل: سامانه ای که از ناظرانش توانمندتر باشد، چگونه راستی آزمایی می شود؟ این، همان مسئله ای است که باستروم «مسئله کنترل» نامید و پژوهش های «همسوسازی» (Alignment) و «نظارت مقیاس پذیر» هنوز آن را در مقیاس فراانسانی حل نکرده اند. پس سناریوی سوم، به مثابه توصیف آینده ای محتمل، رد می شود؛ اما به مثابه هشدار، ارزشمند است: هر قدمی که اختیار بی حد به عامل ها بدهد، سازمان را به سمت آن سناریو می لغزاند، بی آنکه کسی چنین تصمیمی گرفته باشد.

۴. تز مقاله: مدیر آینده، مدیر عامل هاست (اصلاح تز نگهبان قضاوت)

تز این مقاله، در یک جمله چنین است: در عصر ابرهوش، مدیران انسانی باقی می مانند، اما نه به مثابه تصمیم گیرندگان منفرد سنتی و نه به مثابه تماشاچیان حذف شده، بلکه به مثابه مدیران ناوگان عامل ها و نگهبانان قضاوت و پاسخ گویی.

این تز، با دو مقاله پیشین در تنش نیست؛ اصلاح آن هاست. مقاله دوم گفت مدیر «نگهبان قضاوت» است؛ مقاله سوم گفت مالکیت با پذیرنده می ماند. مقاله حاضر می گوید نگهبانی، در عمل سازمانی، چه شکلی دارد: نگهبان، کسی است که معماری عامل ها را طراحی می کند، حدود اختیار را می نویسد، سنجه ها را می خواند و در لحظه های سرنوشت ساز، «نه» می گوید. تفاوت «نگهبان» با «مدیر عامل ها» در این است که نگهبان، تصویر ایستا و تدافعی دارد — کسی که جلوی خطا را می گیرد — اما مدیر عامل ها، تصویر سازنده دارد: کسی که آینده را طراحی می کند، ناوگان را می سازد، استعداد را می پرورد و راهبرد را با عامل ها اجرا می کند. به همین دلیل، عنوان مقاله «اکنون زمان طراحی استراتژی آینده است» است: طراحی، کار مدیر است و اکنون، زمان آن است؛ نه وقتی که ابرهوش آمد و نه وقتی که دیر شد.

سه دلیل برای دفاع از این تز، در برابر تز جایگزینی کامل، چنین است. نخست، دلیل حقوقی و نهادی: سازمان، شخص حقوقی است و پاسخ گویی اش قابل واگذاری به مدل نیست؛ مدیری که اختیار را واگذار کند ولی پاسخ گویی را نگه دارد، در واقع مدیر باقی مانده است، هرچند ابزارهایش عوض شده باشند. دوم، دلیل شناختی: راهبرد در شرایط ابهام، به قضاوت ارزشی و دانش ضمنی نیاز دارد که در داده ثبت نشده است؛ مدل، پیشنهاددهنده ای توانمند است، اما «تصمیم گیرنده نهایی» شدن آن، به معنای چشم پوشی از همین دانش است. سوم، دلیل تجربی: تا امروز، هیچ مورد مستندی از جایگزینی کامل مدیران انسانی به وسیله سامانه های هوش مصنوعی در دست نیست؛ آنچه مستند است، تقویت مدیران به وسیله دستیارها و عامل ها، و در مقابل، شکست هایی است که از واگذاری بی حد اختیار پدید آمده اند. این سه دلیل، با هم، تز را نه به مثابه خوش بینی، بلکه به مثابه نتیجه ای محتاطانه و قابل دفاع نگه می دارند.

و سرانجام، این تز ابطال پذیر است، و همین ابطال پذیری آن را علمی نگه می دارد: اگر روزی، مورد مستندی پدید آید که در آن سامانه ای هوش مصنوعی، در همه دامنه های مدیریت — راهبرد، استخدام، اعتبار، مذاکره و بحران — جانشین مدیر انسانی شده و پاسخ گویی حقوقی نیز به آن منتقل شده باشد، یا اگر آزمونی مورد توافق برای ابرهوش پدید آید و سامانه ای آن را بگذراند، این مقاله باید بازنویسی شود. تا آن روز، تز «مدیر عامل ها» محتاطانه ترین خوانش شواهد موجود است، نه خوش بینانه ترین آن ها.

۵. چارچوب عملی: پنج کار هم زمان برای طراحی استراتژی آینده (سنتز نویسنده)

این بخش، سهم اصیل مقاله است و از تجربه نویسنده در مدیریت راهبردی بازار و نظام های بانکی می آید؛ بنابراین آن را «سنتز نویسنده» می نامیم، نه یافته ای برگرفته از منابع. چارچوب، پنج کار هم زمان است که مدیر باید از اکنون آغاز کند؛ هیچ یک به تنهایی کافی نیست و ترتیب آن ها نیز مهم است: نخست جهت، سپس حدود، سپس انسان، سپس سنجه، سپس تاب آوری.

کار اول: نقشه قابلیت ها — چه چیزی را بسازیم، چه چیزی را اجاره کنیم. راهبرد، تا حدی، شرط بندی بر سر همین پرسش است: مدل های مرزی، محاسبه و داده، در دست چند آزمایشگاه و ارائه دهنده ابری متمرکزند. سازمانی که نمی تواند مدل مرزی آموزش دهد، باز هم باید تصمیم بگیرد: کدام توانایی، مزیت رقابتی ماندگار است و باید در داخل ساخته شود (مانند داده مشتری، دانش دامنه، قضاوت تخصصی)، و کدام توانایی، کالایی شده است و می توان اجاره اش کرد (مانند مدل عمومی زبان یا زیرساخت محاسبه). اشتباه رایج، وارونه کردن این دو است: اجاره کردن داده و دانش اختصاصی، و ساختن چیزی که بازار ارزان تر می دهد. نقشه قابلیت ها، هر سال یک بار بازنویسی می شود، زیرا مرز «بساز یا اجاره کن» با تغییر مدل ها جابه جا می شود.

کار دوم: معماری اختیار — حدود هر عامل را پیش از استقرار بنویسید. هر عامل، شناسنامه دارد: چه کاری می کند، بر چه داده ای، با چه حدودی، و چگونه متوقف می شود. عامل در خواندن و پیشنهاد دادن آزاد است؛ در نوشتن، جابه جایی پول، تماس با مشتری یا تغییر تعهد، تنها در چارچوب حدود ثبت شده عمل می کند. اقدامات برگشت ناپذیر، تایید انسانی می خواهند؛ اقدامات حساس، کنترل دوگانه (Dual Control) می خواهند؛ و برخی اقدامات — مانند تغییر مالکیت، بخشودگی بدهی یا اخراج — مطلقا بیرون از اختیار عامل اند. معماری اختیار، سند زنده سازمان است، نه ضمیمه ای که پس از حادثه نوشته شود. رویداد گزارش شده اکتبر ۲۰۲۶ درباره عامل های شخص ثالث در حساب های مشتریان بانک های آمریکایی — که بر پایه گزارش اکسیوس و رویترز در ۲۲ اکتبر ۲۰۲۶، بانک های بزرگ دسترسی آن ها را مسدود یا محدود کردند، هرچند به گفته منبعی آگاه، مورگان استنلی موردی از عامل سرکش در سکوهای خود مشاهده نکرده بود و زیان تاییدشده ای آشکار نشده بود — با همین قید «گزارش شده و حل نشده»، درس روشنی دارد: سازمانی که سیاست عامل های شخص ثالث و حدود دسترسی آن ها را پیشاپیش ننوشته باشد، در روز حادثه، فقط می تواند دسترسی را قطع کند، نه اینکه حکمرانی کرده باشد.

کار سوم: سرمایه قضاوت — مهارتی که باید عمدا زنده نگه داشته شود. قضاوت، مانند پول دستگاه پذیرنده، دارایی مالک است. سازمان باید به عمد، تمرین بدون کمک مدل را حفظ کند: روال «نخست خودت تصمیم بگیر، سپس با مدل مشورت کن»، تحلیل پرونده های تاریخی بدون دستیار برای کارشناسان جوان، و ارزیابی های بدون عامل برای مدیران آینده. پژوهش لی و همکاران (CHI 2025) بر پایه نظرسنجی از ۳۱۹ کارگر دانشی و ۹۳۶ مورد واقعی استفاده از هوش مصنوعی مولد نشان داد که اطمینان بیشتر به هوش مصنوعی مولد با تلاش تفکر انتقادی کمتر همراه بوده است؛ این همبستگی خودگزارشی است، نه اثبات افت دائمی مهارت، و دو سو دارد: راستی آزمایی خود مهارتی است، اما متفاوت از خلق قضاوت. پیام راهبردی: اگر نسل بعدی مدیران، فقط خروجی مدل را تایید کند و هرگز تصمیمی را از صفر نسازد، در روزی که مدل با مسئله ای نو روبه رو شود، کسی نیست که بفهمد مدل چه چیزی را نمی بیند.

کار چهارم: سنجه های حکمرانی — آنچه سنجیده نمی شود، حکمرانی نمی شود. چهار سنجه، ماهانه به کمیته راهبرد گزارش شود: نرخ لغو پیشنهادها (نشانه زنده بودن قضاوت انسانی)، نرخ خطا و هشدار کاذب در موارد دشوار (نه فقط میانگین کلی)، رانش مدل (Model Drift) نسبت به داده آموزش، و نرخ استثناهای رسیدگی شده به وسیله انسان. سنجه های حجم — شمار پیام ها، شمار تصمیم های خودکار، صرفه جویی ادعایی در نیرو — سنجه موفقیت نیستند؛ اصلاحیه کلارنا نشان داد که همین سنجه ها می توانند افت کیفیت را پنهان کنند. در راهبرد، سنجه خوب، سنجه ای است که وقتی بد می شود، کسی مجبور به اقدام شود.

کار پنجم: تاب آوری در برابر تمرکز — بیمه راهبردی. اگر موتور راهبرد، دستیار مشتری و ابزار تحلیل، هر سه از یک فروشنده بیایند، قطع سرویس، تغییر قیمت یا تغییر سیاست آن فروشنده، به ریسک عملیاتی سازمان تبدیل می شود. راه حل، چندفروشندگی، استانداردهای باز، قراردادهای خروج داده و توانایی بازگشت به فرایند انسانی است. در سناریوی ابرهوش، این ریسک به ریسکی سیاسی تبدیل می شود: چه کسی قواعد ابرهوش را می گذارد و چه کسی به آن دسترسی دارد. بانکی که معماری اش را طوری بسازد که بتواند مدل را عوض کند بی آنکه بانک را عوض کند، در هر سناریویی صاحب اختیار می ماند؛ و همین منطق، برای هر سازمان دیگری نیز برقرار است.

پیوند چارچوب با مدیریت راهبردی بازار (DBA). این چارچوب، در بازار business-to-business (B2B) معنایی دوچندان دارد، زیرا در بازار B2B، رابطه، اعتماد و قراردادهای بلندمدت، خود مزیت رقابتی اند. وقتی عامل ها وارد معامله B2B می شوند — استعلام قیمت، مقایسه پیشنهادها، پیگیری تحویل — سرعت معامله بالا می رود، اما دو چیز تغییر نمی کند: نخست، اعتماد؛ مشتری سازمانی، از فروشنده ای می خرد که در روز بحران، انسانی پاسخ گو داشته باشد، نه فقط عاملی سریع. دوم، تمایز؛ وقتی همه فروشندگان به عامل های مشابه دسترسی دارند، تمایز از «داشتن مدل» به «داشتن قضاوت، داده اختصاصی و رابطه» منتقل می شود. از دریچه DBA، راهبرد آینده یعنی همین جابه جایی کانون رقابت: از رقابت بر سر ابزار، به رقابت بر سر اعتماد، دانش دامنه و معماری حکمرانی. سازمانی که راهبردش را فقط بر «خودکارسازی بیشتر» بنا کند، در بازار B2B به کالایی شدن می رسد؛ و سازمانی که عامل ها را با مالکیت انسانی، شفافیت و پاسخ گویی به کار بگیرد، اعتماد را به مزیت رقابتی ماندگار تبدیل می کند. این، همان دلیلی است که طراحی استراتژی آینده، کار مدیر است، نه کار مدل: مدل، معامله را سریع می کند؛ مدیر، رابطه را ماندگار می کند.

۶. از چارچوب به اجرا: نقشه راه سه افق (پیشنهاد نویسنده، نه یافته تجربی)

نقشه راه زیر، پیشنهادی عملی است، نه نسخه ای اثبات شده؛ اما هر افق آن، خروجی قابل سنجش دارد تا «استراتژی آینده» به شعار تبدیل نشود.

افق ۹۰ روزه — دیدن آنچه هست. فهرست همه سامانه ها و عامل های هوش مصنوعی، از جمله آن هایی که درون محصولات خریداری شده پنهان اند («عامل های سایه»)؛ تعیین مالک، سطح اختیار و پرونده ریسک برای هر یک؛ و نوشتن سیاست عامل های شخص ثالث. خروجی: یک ثبت (Registry) زنده، نه گزارشی که در کشو بماند.

افق یک ساله — ساختن سازوکار. پیاده سازی معماری اختیار برای پرمخاطره ترین گردش کارها؛ راه اندازی داشبورد ماهانه چهار سنجه حکمرانی؛ برنامه حفظ مهارت برای مدیران جوان؛ و یک تمرین قطع اضطراری ناوگان عامل ها. خروجی: سازمانی که می تواند بگوید هر عامل دقیقا چه می کند و چگونه متوقف می شود.

افق سه ساله — طراحی آینده. بازنویسی نقشه قابلیت ها بر پایه تجربه یک ساله؛ قراردادهای چندفروشنده و خروج داده؛ بازطراحی نقش های مدیریتی به صورت «مدیر عامل ها» با شرح وظایف تازه (طراحی هدف، تعیین حدود، راستی آزمایی، رسیدگی به استثنا)؛ و پیوند دادن پاداش مدیران به سنجه های حکمرانی، نه فقط به سنجه های حجم و سود کوتاه مدت. خروجی: سازمانی که آماده است هر مدلی — از عامل های امروز تا هرچه فردا بیاید — را با مالکیت خودش به کار بگیرد.

۷. ریسک هایی که طراحی استراتژی باید از پیش ببیند

سوگیری اتوماسیون (Automation Bias). گرایش به اتکای بیش ازحد به پیشنهادهای خودکار و کم استفاده از اطلاعات مخالف، به ویژه وقتی سامانه معمولا درست می گوید و انسان تحت فشار زمان یا کم تخصص تر است. پژوهشی در نشریه پزشکی نیچر در سال ۲۰۲۶ درباره تشخیص پوستی نشان داد که هوش مصنوعی توضیح پذیر به برخی کاربران کمک کرد و برخی را گمراه کرد؛ بیشترین تبعیت کنندگان، بدون کمک هوش مصنوعی بدترین عملکرد را داشتند. این سازوکار عمومی است، اما بستر آن بالینی است؛ پس انتقال آن به اتاق هیئت مدیره باید با احتیاط انجام شود. با همین قید، درس راهبردی آن روشن است: قضاوت انسان باید پیش از نمایش پیشنهاد مدل خواسته شود، نه پس از آن.

مهارت زدایی (Deskilling) و وابستگی. سازمانی که قضاوت را به مدل بسپارد، در کوتاه مدت سریع تر می شود و در بلندمدت، توان فهمیدن خطای مدل را از دست می دهد. این ریسک، سرنوشت محتوم نیست؛ ریسکی مدیریتی است که با برنامه حفظ مهارت (کار سوم چارچوب) مهار می شود.

تمرکز قدرت و دست کاری. دستیاری که مشتری را «واقعا» بشناسد، می تواند مشاوره شخصی شده بدهد — و مرز میان راهنمایی و فروش دست کارانه را محو کند. راهبردی که اعتماد مشتری را سرمایه بداند، باید برای «قانع کنندگی بیش ازحد» مدل نیز حد بگذارد: شفافیت درباره اینکه پیشنهاد از مدل آمده است، و حق اعتراض آسان برای مشتری.

مسئله کنترل در مقیاس. وقتی ناوگان عامل ها سریع تر از چرخه های بازبینی عمل کنند، کنترل معنادار انسانی از دست می رود، حتی اگر انسانی به ظاهر «در حلقه» باشد. حضور بدون ظرفیت واقعی راستی آزمایی، نظارت نیست. به همین دلیل، معماری اختیار و کلید توقف، پیش شرط هر راهبرد عامل محور است، نه تزئین آن.

۸. حکمرانی و مقررات: سه ابزار را با هم خلط نکنیم

قانون هوش مصنوعی اروپا، مقرره (اتحادیه اروپا) ۲۰۲۴/۱۶۸۹. نخستین قانون جامع و مبتنی بر ریسک برای هوش مصنوعی است: روش های ممنوعه؛ سامانه های پرخطر (از جمله کاربردهای پیوست سوم مانند اشتغال، امتیازدهی اعتباری، زیرساخت حیاتی و زیست سنجی) با مدیریت ریسک چرخه عمر، حکمرانی داده، مستندات فنی، ثبت وقایع، نظارت انسانی و ارزیابی انطباق؛ تکالیف شفافیت؛ و لایه جداگانه ای برای مدل های همه منظوره. زمان بندی متن اصلی: لازم الاجرا شدن در ۱ اوت ۲۰۲۴؛ ممنوعیت ها و سواد هوش مصنوعی در ۲ فوریه ۲۰۲۵؛ تکالیف مدل های همه منظوره در ۲ اوت ۲۰۲۵؛ کاربرد عمومی در ۲ اوت ۲۰۲۶. بسته دیجیتال اومنیبوس سال ۲۰۲۶ (مقرره (اتحادیه اروپا) ۲۰۲۶/۱۷۴۴، لازم الاجرا از ۲۷ ژوئیه ۲۰۲۶) تکالیف پرخطر پیوست سوم را تا ۲ دسامبر ۲۰۲۷ و تکالیف پیوست اول را تا ۲ اوت ۲۰۲۸ به تعویق انداخت (ماده ۱۱۳ اصلاح شده؛ در روز انتشار مقاله دوم این مجموعه، ۵ آبان ۱۴۰۵، بازبینی و تایید شد). سازمانی که با بازار اروپا سروکار دارد، باید این تاریخ ها را در نقشه راه انطباق خود بگنجاند، نه اینکه تعویق را به معنای لغو بخواند.

چارچوب مدیریت ریسک هوش مصنوعی NIST، نسخه ۱٫۰ (NIST AI 100-1، ۲۶ ژانویه ۲۰۲۳). چارچوبی داوطلبانه، حافظ حقوق و فارغ از مورد کاربرد است، با چهار کارکرد: حکمرانی (Govern)، نقشه برداری (Map)، سنجش (Measure) و مدیریت (Manage). NIST گواهی نامه نیست و خود قانون نیست؛ اما در تدارکات ایالات متحده به آن ارجاع می شود، پس باید آن را انتظاری بالفعل دانست. این چارچوب، عملی ترین ستون فقرات بخش اجرایی این مقاله است.

اصول هوش مصنوعی OECD (توصیه شورا، مصوب ۲۲ مه ۲۰۱۹ و بازنگری شده در ۳ مه ۲۰۲۴). نخستین استاندارد بین دولتی در این حوزه است و الزام آور نیست. پنج اصل ارزشی آن: رشد فراگیر، توسعه پایدار و به زیستی؛ احترام به حاکمیت قانون، حقوق بشر و ارزش های دموکراتیک؛ شفافیت و توضیح پذیری؛ استحکام، امنیت و ایمنی؛ و پاسخ گویی. از OECD باید زبان ارزش ها را گرفت و از قانون اروپا و NIST تکالیف عملیاتی را؛ و نباید اصول OECD را الزام آور حقوقی جلوه داد.

نتیجه گیری

اکنون، زمان طراحی استراتژی آینده است — نه به این معنا که آینده رسیده باشد، بلکه به این معنا که سازمانی که طراحی را به فردا بسپارد، فردا چیزی برای حکمرانی کردن نخواهد داشت. مدیران انسانی، در عصر ابرهوش، حذف نمی شوند؛ اما مدیرانی که فقط تصمیم های منفرد می گیرند و از عامل ها می ترسند یا به آن ها دل می سپارند، جای خود را به مدیرانی می دهند که ناوگان عامل ها را طراحی، هدایت و پاسخ گو می کنند. این، همان نگاه متفاوت این مقاله است: آینده، به سازمان هایی تعلق دارد که آن را با مالکیت خودشان می سازند — با داده تمیز، معماری اختیار، سرمایه قضاوت، سنجه های حکمرانی و تاب آوری در برابر تمرکز. پاسخ گویی را نمی توان برون سپاری کرد؛ و آینده را هم نمی توان به انتظار نشست.

محدودیت ها

این مقاله بر پژوهشی در ۲۷ اکتبر ۲۰۲۶ بنا شده است و چند محدودیت روشن دارد. نخست، بسیاری از منابع کلیدی از راه خلاصه های ثانویه یا چکیده ها در دسترس بوده اند و متن های اصلی باستروم، آمودی، نامه کامل زاکربرگ و گزارش اصلی مک کنزی در این بررسی گشوده نشده اند؛ متن اصلی مقاله بازرگانی هاروارد درباره مدیران عامل نیز گشوده نشده است، هرچند وجود، تاریخ و نویسندگان آن با گزارش های ثانویه متعدد تایید شد؛ نقل قول های لفظی از این منابع پیش از چاپ باید سنجیده شود. دوم، داده های نظرسنجی مک کنزی خوداظهاری اند و تعریف «عامل» یکسان نیست؛ پس ارقام پذیرش را باید روند بخوانیم، نه اندازه دقیق. سوم، موارد شرکتی (مورگان استنلی، کلارنا) گزارش های شرکتی یا رسانه ای اند، نه ارزیابی های مستقل. چهارم، بخش سوم مقاله سناریوهایی برای اندیشیدن است و هیچ بخش آن، پیش بینی دارای احتمال نیست. پنجم، چارچوب پنج کاره بخش پنجم و نقشه راه بخش ششم، سنتز و پیشنهاد نویسنده اند و آزمون تجربی مستقلی ندارند. ششم، انتقال یافته های بالینی به اتاق هیئت مدیره، استنتاجی با احتیاط است، نه تعمیمی مستقیم.

خلاهایی که مقاله پر نمی کند

صداقت علمی ایجاب می کند که خلاها را به جای پر کردن با حدس، اعلام کنیم. هیچ مورد مستندی از جایگزینی کامل مدیران انسانی به وسیله سامانه های هوش مصنوعی وجود ندارد؛ زیرا نه ابرهوشی وجود دارد و نه مدیری هوش مصنوعی که در همه دامنه ها جانشین مدیر انسانی شده باشد. هیچ برآورد معتبری از «بهره وری مدیر هوش مصنوعی» در دست نیست و نباید بازده دستیارها و عامل ها را به «مدیر هوش مصنوعی» تعمیم داد. هیچ آزمون مورد توافقی برای هوش عمومی و ابرهوش وجود ندارد و هیچ تاریخ قابل اعتمادی برای آمدن ابرهوش نمی توان داد؛ هر تاریخی در این مقاله، منتسب است و با عدم قطعیت همراه است. تاریخ های قانون هوش مصنوعی اروپا با بسته اومنیبوس ۲۰۲۶ به روز شده است (پیوست سوم تا ۲ دسامبر ۲۰۲۷، پیوست اول تا ۲ اوت ۲۰۲۸؛ در روز انتشار مقاله دوم این مجموعه، ۵ آبان ۱۴۰۵، بازبینی و تایید شد). و سرانجام، در این بررسی هیچ منبع ویژه ایران یافت نشد؛ اگر مقاله بخواهد به سازمان های ایرانی بپردازد، آن بخش به پژوهشی جداگانه و اولیه نیاز دارد — از جمله درباره چارچوب های نظارتی داخلی، که در این مقاله بررسی نشده اند.

منابع

1. Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies. Oxford: Oxford University Press. ISBN 978-0199678112.

2. Altman, S. (2024, 23 September). "The Intelligence Age." https://ia.samaltman.com/ (cited via secondary summary; primary text to be verified before verbatim quotation).

3. Amodei, D. (2024, October). "Machines of Loving Grace." Anthropic essay (cited via secondary summary; primary text to be verified before verbatim quotation).

4. Grace, K., Stewart, H., Sandkühler, J. F., Thomas, S., Weinstein-Raun, B., Brauner, J., & Korzekwa, R. (2024). "Thousands of AI Authors on the Future of AI." arXiv:2401.02843. https://arxiv.org/abs/2401.02843

5. Kokotajlo, D., Lifland, E., et al. (2025, April). AI 2027. AI Futures Project. https://ai-2027.com/ (a scenario, not a probabilistic forecast).

6. European Parliament & Council (2024, 13 June). Regulation (EU) 2024/1689 (Artificial Intelligence Act). EUR-Lex consolidated text (27 July 2026): https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A02024R1689-20260727

7. Tabassi, E. (2023, 26 January). Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1. DOI: 10.6028/NIST.AI.100-1. https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10 — Companion: NIST AI 600-1, Generative AI Profile (July 2024).

8. OECD (2019, revised 3 May 2024). Recommendation of the Council on Artificial Intelligence, C/MIN(2024)16/FINAL. https://one.oecd.org/document/C/MIN(2024)16/FINAL/en/pdf

9. McKinsey & Company (2025). The State of AI 2025 (survey: 1,993 respondents, 105 countries; self-reported data, cited via corroborating summaries; primary report to be cited directly at publication).

10. Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). "The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers." Proceedings of CHI '25, ACM. DOI: 10.1145/3706598.3713778.

11. Xu, X. et al. (2026). "Divergent impacts of explainable AI for dermatological diagnosis on clinicians versus lay people." Nature Medicine. DOI: 10.1038/s41591-026-04553-w.

12. Srinivasan, S., & Wei, V. (2026, 12 February). "To Thrive in the AI Era, Companies Need Agent Managers." Harvard Business Review (existence, date, and authors corroborated by multiple secondary reports; primary text not opened in this review, so no verbatim quotation is used).

13. Morgan Stanley (2023–2024). Company announcements: AI @ Morgan Stanley Assistant (full rollout September 2023) and AI @ Morgan Stanley Debrief (June 2024, with client consent); the 98% advisor-team adoption figure is the company's own report, not an independent assessment; no verbatim quotation from the release texts is used.

14. Klarna (2024–2025). Company announcement (February 2024): 2.3 million conversations in the first month, work equivalent to about 700 full-time agents, projected annual profit improvement of about $40 million; CEO statement to Bloomberg (May 2025) that cost had become too predominant an evaluation factor and quality had fallen, with human agents brought back for complex cases; no loss figure disclosed in the sources available.

15. Axios (22 October 2026) and Reuters (22 October 2026) reports on third-party AI agents identified inside US bank customer accounts (Morgan Stanley, JPMorgan Chase, Bank of America, Wells Fargo, Citi restricting access). Reports rest on unnamed sources; Morgan Stanley blocked third-party agents but, according to a source familiar with the matter, had observed no rogue-agent instances on its platforms; no confirmed account losses surfaced in the reports available.

واژگان کلیدی: طراحی استراتژی، ابر هوش مصنوعی، مدیر عامل ها، مدیریت راهبردی، حکمرانی هوش مصنوعی، سرمایه قضاوت، معماری اختیار

هانی سعادتی اصل | پژوهشگر و متخصص هوش مصنوعی، مدیریت کسب وکار و سیستم های بانکی

نسخه PDF فارسی مقاله: https://hanisaadati.ir/wp-content/uploads/2026/10/article-04-strategy.pdf

نسخه PDF انگلیسی مقاله: https://hanisaadati.ir/wp-content/uploads/2026/10/article-04-strategy-en.pdf