نگاهی به پشت‌پرده‌های اقتصاد هوش مصنوعی

در دو سال اخیر، بحث درباره مدل‌های هوش مصنوعی به موضوعی داغ تبدیل شده است. از GPT و Claude تا Gemini و Llama، رقابت برای ایجاد مدل‌های قوی‌تر به یکی از موضوعات اصلی رسانه‌های فناوری تبدیل شده است. هر هفته مدل جدیدی معرفی می‌شود، رکوردهای تازه‌ای ثبت می‌گردد و میلیاردها دلار سرمایه به سمت شرکت‌هایی سرازیر می‌شود که در این رقابت پیشتاز هستند. اما در پس این رقابت که هر روز در تیتر اخبار فناوری به چشم می‌خورد، نبردی پنهان در حال شکل‌گیری است؛ نبردی که می‌تواند تأثیر عمیق‌تری بر آینده کسب‌وکارها داشته باشد. برای درک اهمیت این نبرد، کافی است به تیتر رسانه‌ها توجه نکنیم و مسیر سرمایه را نیز دنبال کنیم.

در حالی که توجه عمومی بیشتر به سازندگان مدل‌های هوش مصنوعی معطوف شده، برخی از بزرگ‌ترین ارزش‌گذاری‌های سال‌های اخیر به شرکت‌هایی تعلق دارد که نه مدل زبانی معروفی توسعه می‌دهند و نه محصولی مشابه ChatGPT را به کاربران ارائه می‌دهند. رشد شرکت‌هایی مانند Databricks و Snowflake این سؤال را به وجود می‌آورد که ارزش واقعی در عصر هوش مصنوعی دقیقاً در کجای این زنجیره خلق می‌شود؟ این سؤال ما را به ارزشی می‌رساند که کمتر در مرکز توجه رسانه‌ای قرار دارد، اما بخش بزرگی از موفقیت یا شکست پروژه‌های هوش مصنوعی سازمانی به آن وابسته است؛ ارزشی به نام داده.

برای مشاهده کامل نمودار، روی دایره‌های رنگی کلیک کنید. نقطه عطف موج جدید هوش مصنوعی را می‌توان در انتشار ChatGPT در نوامبر ۲۰۲۲ مشاهده کرد. این محصول در مدت کوتاهی به بیش از ۱۰۰ میلیون کاربر دست یافت و توجه کاربران، مدیران و سرمایه‌گذاران را به خود جلب کرد. پس از آن، رقابت میان شرکت‌های فناوری برای توسعه مدل‌های قوی‌تر شدت گرفت. اوپن‌ ای‌آی، گوگل، آنتروپیک، متا و xAI نسل‌های جدیدی از مدل‌های خود را معرفی کردند و عملکرد آن‌ها با معیارهایی مانند دقت، توانایی استدلال، کیفیت پاسخ و قابلیت‌های چندوجهی سنجیده شد. این رقابت تنها به سطح نرم‌افزار محدود نماند. تقاضا برای پردازنده‌های گرافیکی، مراکز داده و ظرفیت محاسباتی نیز افزایش یافت و شرکت‌های فناوری میلیاردها دلار برای توسعه زیرساخت‌های پردازشی خود سرمایه‌گذاری کردند. طبیعی است که رسانه‌ها نیز بیشتر بر روی همین بخش از داستان تمرکز کنند. مدل‌ها ملموس‌ترین بخش هوش مصنوعی برای کاربران هستند. آنچه مردم می‌بینند، یک دستیار گفتگو، یک ابزار تولید تصویر یا یک سامانه پاسخ‌گویی هوشمند است. از سوی دیگر، معرفی هر مدل جدید می‌تواند بر انتظارات سرمایه‌گذاران و ارزش بازار شرکت‌های فناوری تأثیر بگذارد. بنابراین تمرکز رسانه‌ای بر مدل‌ها بی‌دلیل نیست. اما همین تمرکز گسترده، بخش دیگری از ماجرا را پنهان می‌کند.

پرسش اصلی بسیاری از سازمان‌ها این نیست که کدام مدل در آزمون‌های عمومی عملکرد بهتری دارد؛ پرسش مهم‌تر این است که چگونه می‌توان این مدل‌ها را به داده‌ها، فرایندها و تصمیم‌های واقعی کسب‌وکار متصل کرد.

اگر بخواهیم بفهمیم آینده هوش مصنوعی در کدام بخش از این صنعت رقم می‌خورد، شاید بهتر باشد فقط تیتر رسانه‌ها را دنبال نکنیم؛ باید دید مسیر سرمایه به کدام سمت رفته است. یکی از مهم‌ترین نمونه‌ها Databricks است؛ شرکتی که در سال ۲۰۲۶ با ارزش‌گذاری ۱۳۴ میلیارد دلاری به یکی از ارزشمندترین شرکت‌های خصوصی جهان تبدیل شد. رقیب اصلی آن، Snowflake نیز با بیش از ۱۳ هزار مشتری سازمانی، یکی از مهم‌ترین بازیگران بازار داده در جهان به شمار می‌رود. شتاب رشد این شرکت‌ها فقط در ارزش‌گذاری آن‌ها دیده نمی‌شود. Databricks در سال ۲۰۲۶ اعلام کرد نرخ درآمد سالانه آن از ۵.۴ میلیارد دلار عبور کرده است. این ارزش‌گذاری‌ها فقط بر پایه وعده‌های آینده شکل نگرفته‌اند. پشت آن‌ها بازاری قرار دارد که امروز هم مشتری سازمانی دارد و هم درآمد قابل توجه.

در نگاه اول، این موضوع ممکن است عجیب به نظر برسد. چرا شرکت‌هایی که مستقیماً در رقابت ساخت مدل‌های هوش مصنوعی حضور ندارند، چنین ارزشی پیدا کرده‌اند؟ پاسخ را باید در مسئله‌ای جست‌وجو کرد که تقریباً همه سازمان‌ها پس از موج فراگیر هوش مصنوعی با آن روبه‌رو شده‌اند. بسیاری از شرکت‌ها امروز می‌توانند به مدل‌های پیشرفته دسترسی داشته باشند. اما دسترسی به مدل، به تنهایی، به معنای توانایی استفاده مؤثر از هوش مصنوعی نیست. برای خلق ارزش، مدل باید به داده‌های درست، قابل اعتماد و مرتبط با کسب‌وکار متصل شود. همین نقطه، محل ظهور اهمیت شرکت‌هایی مانند Databricks و Snowflake است.

در سال‌های نخست موج هوش مصنوعی مولد، بسیاری از سازمان‌ها تصور می‌کردند مهم‌ترین تصمیم آن‌ها انتخاب مدل مناسب است. آیا باید از GPT استفاده کرد؟ Gemini انتخاب بهتری است؟ Claude عملکرد دقیق‌تری دارد؟ یا مدل‌های متن‌باز برای سازمان مناسب‌ترند؟ این پرسش‌ها مهم‌اند، اما بسیاری از سازمان‌ها پیش از آنکه به تفاوت مدل‌ها برسند، در مرحله آماده‌سازی داده متوقف می‌شوند. در بسیاری از کاربردهای سازمانی، تفاوت میان چند مدل برتر بازار به اندازه کیفیت داده‌ای که در اختیار آن‌ها قرار می‌گیرد تعیین‌کننده نیست. حتی بهترین مدل‌ها هم وقتی به داده ناقص یا پراکنده وصل شوند، خروجی قابل اعتمادی نمی‌دهند. سال‌هاست که تیم‌های داده با مسئله‌ای آشنا روبه‌رو هستند: بخش بزرگی از زمان پروژه‌ها صرف جمع‌آوری، پاک‌سازی، استانداردسازی و یکپارچه‌سازی داده‌ها می‌شود. در چنین شرایطی، انتخاب مدل هوش مصنوعی آخرین حلقه زنجیره‌ای است که مدت‌ها پیش از آن آغاز شده است.

در بسیاری از سازمان‌ها، داده‌ها در چندین نقطه پخش شده‌اند؛ از سامانه‌های عملیاتی و پایگاه‌های داده قدیمی گرفته تا فایل‌های اکسل، گزارش‌ها، ایمیل‌ها و اسناد متنی. حتی ممکن است یک مفهوم ساده، مانند «مشتری فعال» یا «ریسک اعتباری»، در واحدهای مختلف سازمان تعاریف متفاوتی داشته باشد. در چنین وضعیتی، مسئله اصلی سازمان فقط انتخاب مدل نیست؛ مسئله این است که آیا داده‌های سازمان برای استفاده هوشمند، تحلیلی و قابل اعتماد آماده‌اند یا نه. این موضوع با ظهور عامل‌های هوش مصنوعی اهمیت بیشتری پیدا می‌کند. عاملی که قرار است وضعیت مشتریان را تحلیل کند، تقلب را تشخیص دهد، فرایندی را خودکار کند یا پیشنهاد تجاری ارائه دهد، باید بر پایه داده‌هایی عمل کند که دقیق، به‌روز، یکپارچه و قابل اعتماد باشند. اگر این پایه درست نباشد، هوش مصنوعی به جای حل مسئله، همان خطاهای قدیمی را سریع‌تر و گسترده‌تر تکرار می‌کند.

در نگاه اول، ظهور ChatGPT باید بیش از هر شرکت دیگری به نفع سازندگان مدل‌های هوش مصنوعی تمام می‌شد. اما یکی از پیامدهای کمتر دیده‌شده این تحول، رشد شرکت‌هایی بود که در لایه‌ای پایین‌تر از مدل‌ها فعالیت می‌کردند؛ شرکت‌هایی که زیرساخت لازم برای آماده‌سازی، مدیریت و بهره‌برداری از داده‌های سازمانی را فراهم می‌کنند. دلیل این موضوع روشن است. مدل‌های عمومی می‌توانند متن تولید کنند، محتوا را خلاصه کنند یا به پرسش‌های عمومی پاسخ دهند. اما برای حل مسائل واقعی کسب‌وکار، به دانش اختصاصی هر سازمان نیاز دارند. یک بانک نمی‌تواند صرفاً با تکیه بر دانش عمومی اینترنت، اعتبار مشتریان را ارزیابی کند. یک شرکت بیمه بدون دسترسی به داده‌های خسارت و سوابق مشتریان تصمیم قابل اتکا نمی‌گیرد. یک خرده‌فروش نیز بدون داده‌های فروش، موجودی، زنجیره تأمین و رفتار مشتریان نمی‌تواند از هوش مصنوعی ارزش عملیاتی بگیرد. در واقع، ChatGPT مسئله داده را از صفر ایجاد نکرد؛ فقط آن را جلوی چشم مدیران آورد.

سال‌ها بود که سازمان‌ها با پراکندگی داده، کیفیت پایین اطلاعات و نبود یکپارچگی میان سامانه‌ها روبه‌رو بودند. پیش از موج هوش مصنوعی، این مشکلات معمولاً در قالب دشواری گزارش‌گیری یا کاهش بهره‌وری دیده می‌شدند. اما با ورود هوش مصنوعی، همان مسائل به مانعی مستقیم برای خلق ارزش تبدیل شدند. Databricks نمونه روشنی از شرکتی است که در این نقطه از بازار قرار گرفت. رشد این شرکت صرفاً نتیجه موج هوش مصنوعی نبود. Databricks طی سال‌های گذشته با توسعه معماری Lakehouse و همکاری نزدیک با Microsoft Azure توانست جایگاه خود را در میان سازمان‌های بزرگ تثبیت کند. وقتی موج هوش مصنوعی مولد آغاز شد، بسیاری از زیرساخت‌های مورد نیاز مشتریان از قبل روی این بستر شکل گرفته بود. Snowflake نیز از سوی دیگر، سال‌ها در حوزه داده‌های ساختاریافته و مدیریت داده‌های سازمانی جایگاه قدرتمندی ساخته بود و با رشد تقاضا برای هوش مصنوعی، تلاش کرد قابلیت‌های خود را به حوزه داده‌های بدون ساختار و کاربردهای هوش مصنوعی گسترش دهد.

فهرست مشتریان این دو شرکت نشان می‌دهد این بحث فقط به شرکت‌های فناوری محدود نیست. بسیاری از بزرگ‌ترین سازمان‌های جهان در صنایع مالی، انرژی، خرده‌فروشی، تولید، داروسازی و مخابرات برای مدیریت و بهره‌برداری از داده‌های خود به چنین زیرساخت‌هایی متکی هستند. این سازمان‌ها شامل Mastercard و Capital One در صنعت مالی، Adidas و Unilever در کالاهای مصرفی، Shell و Exxon Mobil در انرژی، Adobe و HP در فناوری و صنعت، Bayer و Novartis در داروسازی و سلامت، و ۷-Eleven و Nike در خرده‌فروشی هستند.

وجه مشترک این سازمان‌ها فقط اندازه یا شهرت آن‌ها نیست. همه آن‌ها هر روز حجم عظیمی از داده تولید می‌کنند؛ از تراکنش‌های مالی و رفتار مشتریان گرفته تا زنجیره تأمین، مدیریت موجودی، عملیات فروش و کنترل ریسک. این داده‌ها اگر پراکنده، خام یا غیرقابل اعتماد بمانند، فقط هزینه نگهداری ایجاد می‌کنند. اما اگر قابل استفاده شوند، می‌توانند پایه تحلیل، تصمیم‌گیری و هوش مصنوعی سازمانی باشند. به همین دلیل، Databricks و Snowflake را نمی‌توان صرفاً ارائه‌دهنده خدمات ذخیره‌سازی داده دانست. این شرکت‌ها در عمل به بخشی از ستون فقرات داده‌ای سازمان‌های بزرگ تبدیل شده‌اند.

وقتی ارزش‌گذاری شرکت‌های هوش مصنوعی و داده را مرور می‌کنیم، پرسش حباب اجتناب‌ناپذیر است. چگونه شرکتی مانند Databricks که هنوز وارد بورس نشده، به ارزش بیش از ۱۳۴ میلیارد دلار می‌رسد؟ آیا این ارقام یادآور حباب دات‌کام نیستند؟ این تردیدها بی‌دلیل نیستند. بازار فناوری بارها چنین صحنه‌ای را دیده است: یک موج بزرگ شکل می‌گیرد، سرمایه با سرعت وارد می‌شود و مرز میان فرصت واقعی و هیجان بازار مبهم می‌شود. بسیاری از شرکت‌های اینترنتی در دهه ۱۹۹۰ با وعده تغییر جهان سرمایه جذب کردند، اما نتوانستند مدل کسب‌وکار پایداری بسازند. در بازار هوش مصنوعی نیز بخشی از ارزش‌گذاری‌ها بر پایه انتظارات آینده شکل گرفته است. هنوز مشخص نیست همه پروژه‌های امروز به بازده اقتصادی پایدار برسند. همچنین روشن نیست کدام بازیگران فعلی، برندگان نهایی این موج خواهند بود. اما تفاوت مهمی نیز وجود دارد. شرکت‌هایی مانند Databricks و Snowflake فقط بر پایه وعده آینده رشد نکرده‌اند. آن‌ها مشتریان سازمانی بزرگ، درآمدهای چند میلیارد دلاری و کاربردهای عملیاتی دارند. ممکن است بخشی از تب امروز بازار فروکش کند، اما مسئله‌ای که پشت رشد این شرکت‌هاست از بین نمی‌رود. بانک‌ها همچنان باید داده‌های خود را یکپارچه کنند. شرکت‌های بیمه همچنان باید کیفیت داده‌های خود را ارتقا دهند. خرده‌فروشان همچنان باید داده‌های فروش، مشتریان و زنجیره تأمین را به هم متصل کنند. ممکن است بعضی ارزش‌گذاری‌ها تعدیل شود، اما نیاز سازمان‌ها به زیرساخت داده از بین نخواهد رفت.

اگر بسیاری از سازمان‌ها به مدل‌های مشابه دسترسی داشته باشند، مزیت رقابتی پایدار در کجا شکل خواهد گرفت؟ پاسخ را باید در چیزی جست‌وجو کرد که به سادگی قابل خریدن، کپی کردن یا جایگزین شدن نیست: داده سازمانی.