کسب‌وکار هوش مصنوعی موج دوم؛ چطور بسازیمش؟

بیشتر داستان‌های موفق هوش مصنوعی تا امروز یک چیز را می‌فروشند: «با آدم کمتر، کار بیشتر». اما اگر می‌خواهید یک کسب‌وکار هوش مصنوعی بسازید که با اولین رقیبِ ارزان‌تر از میدان خارج نشود، باید جور دیگری فکر کنید. ست گادین در Seth's Blog یادداشتی بلند نوشته و خودش اسمش را «غُر طولانی» گذاشته. موضوعش فرصتِ استارتاپ‌های بدون سرمایه‌گذار بزرگ (bootstrapped) است که می‌خواهند با هوش مصنوعی ارزش بسازند، نه فقط هزینه کم کنند. این مقاله ترجمهٔ کامل و ویرایش‌شدهٔ ایده‌های آن است، با نگاهی به فضای کسب‌وکار ایرانی.

موج اول: کاهش هزینه و سرعت

بیشتر استارتاپ‌های هوش مصنوعی به کسب‌وکارها می‌گویند: «با ما کار را با نفرات کمتر انجام بدهید.» مثلاً تیم پشتیبانی یا برنامه‌نویسی را با ربات عوض می‌کنند.

این مدل یک مزیت بزرگ دارد: فروشش آسان است. نمونهٔ رایگان می‌دهید، مشتری نتیجه را می‌بیند و فایده‌اش همان لحظه روشن است.

اما دو ضعف جدی دارد:

• مسابقهٔ قیمت‌شکنی: همیشه کسی پیدا می‌شود که قول صرفه‌جویی بیشتری بدهد. برندهٔ این مسابقه کسی نیست که بهتر است، کسی است که ارزان‌تر است.
• سقف محدود: صرفه‌جویی یک بار اتفاق می‌افتد. بعد از آن، ارزش تازه‌ای برای ساختن نمانده است.

کسب‌وکار هوش مصنوعی موج دوم چیست؟

گادین فرصت را در چیزی «مولد» (generative) می‌بیند. یعنی کاربردی از هوش مصنوعی که هزینه را کم نمی‌کند، ارزش تازه می‌سازد. فرصت جدید باز می‌کند و به رشد، ارتباط و کارایی می‌رسد.

سراغ مشتری‌ای بروید که پرداخت را جدی می‌گیرد

بیشتر استارتاپ‌های کوچک سراغ مشتریِ حساس به قیمت می‌روند و بعد تعجب می‌کنند که چرا رشد سخت است. گادین می‌گوید آدم‌ها و سازمان‌هایی که مشکل گران دارند و منابع واقعی هم دارند، فقط تحمل نمی‌کنند که بیشتر پول بدهند؛ ترجیح هم می‌دهند. قیمت بالا نشانهٔ جدیت است.

پس بازاری را پیدا کنید که سه شرط دارد: مشکل واقعی است، بودجه وجود دارد و راه‌حل شما چیزی می‌دهد که جای دیگر پیدا نمی‌شود.

مردم واقعاً برای چه چیزی پول می‌دهند؟

زیر تقریباً هر خرید گران‌قیمت، سه انگیزهٔ پایه هست:

• جایگاه: برای من مهم است و آدم‌های مثل من مرا مهم می‌دانند.
• تعلق: جایی هستم که آدم‌های شبیه من در آن‌اند و مرا می‌پذیرند.
• رهایی از ترس: امن هستم و خطر در راه نیست.

گادین می‌گوید «رهایی از ترس» ابتدایی‌ترین انگیزه است. وقتی در حالت بقا هستید، دنبال جایگاه یا تعلق نمی‌روید. به نظر او بیشتر خریدهای لوکس در واقع جست‌وجوی رهایی از ترس‌اند که لباس چیز دیگری پوشیده‌اند.

روی این ریشه‌ها یک لایهٔ میانی ساخته می‌شود: مشروعیت، دگرگونی، تعلق به یک روایت، کنترل، اطمینان، محافظت، اعتماد، سلامت و عمر طولانی، و اهرم (leverage).

لایهٔ بیرونی هم چیزهایی است که راحت‌تر اندازه می‌گیریم و مردم برای رسیدن به لایهٔ میانی می‌خرند: دسترسی، سرمایه، زمان، توجه، راحتی، کارایی، لذت، تجربهٔ تازه و زیبایی.

کالاهای پایه مثل غذا و سرپناه و مواد اعتیادآور معمولاً بیرون از این سلسله‌مراتب‌اند. آن‌ها به این سه ریشه نمی‌رسند؛ فقط بقا را ممکن می‌کنند یا اضطرابِ نداشتنشان را موقتاً ساکت می‌کنند.

نتیجه برای ما: یک کسب‌وکار هوش مصنوعی ارزشمند، چیزی از لایهٔ میانی تحویل می‌دهد و با لایهٔ بیرونی توجیهش می‌کند. هیچ‌کس نمی‌رود «دگرگونی» بخرد؛ ولی برای زمان، دسترسی و اطمینان پول می‌دهد.

سازمان‌ها برای چه چیزی پول می‌دهند؟

در فروش سازمانی (B2B) همه‌چیز فرق می‌کند، چون مشتری پولِ شخص دیگری را خرج می‌کند. سؤال اصلی ذهنش این است: «به مدیرم چه بگویم؟» سه خواستهٔ پایه پشت تقریباً هر تصمیم خرید سازمانی است:

• فرار از سرزنش: اگر خراب شد، تقصیر من نباشد. گادین به «اصل آی‌بی‌ام» اشاره می‌کند: هیچ‌کس به‌خاطر خرید از رهبر بازار اخراج نشده. حامیِ داخلیِ خرید معمولاً پیش از اقدام، به یک روایتِ قابل‌دفاع نیاز دارد.
• گرفتن اعتبار: چیزی آوردم که کار کرد و دیگران دیدند. این روی دیگرِ فرار از سرزنش است و موتور حامی داخلی. اگر راه‌حل شما کسی را خوب نشان بدهد، خودش آن را به همکارانش می‌فروشد و شما لازم نیست.
• کاهش ابهام: می‌شود روی این برنامه ریخت و آشفتگی کم می‌شود. سازمان‌ها برای پیش‌بینی‌پذیری و خیال راحت، پول قابل‌توجهی می‌دهند.

روی این ریشه‌ها، لایهٔ میانیِ خرج‌های همیشگی سازمان‌ها قرار دارد: رشد، کارایی، رعایت قوانین، مزیت رقابتی، جذب استعداد، روحیه، تاب‌آوری، داشتن گزینه‌های بیشتر، سرعت، مشروعیت و روابط. لایهٔ بیرونی هم توجیه‌کنندهٔ آن است: صرفه‌جویی در هزینه و زمان، داده، دسترسی، راحتی، یکپارچگی، گزارش‌دهی و پشتیبانی.

جملهٔ مهم گادین این است: مکانیک بدون داستان یعنی مسابقهٔ قیمت‌شکنی، و ارزان‌ترین بودن بهترین مصرف وقت شما نیست.

خرید جدید و خرید تکراری، دو بازی متفاوت

• خرید تکراری: با هزینهٔ جابه‌جایی، رابطه و پیشرفتِ پله‌پله برنده می‌شوید. چون کسی را جایگزین می‌کنید، باید ارزان‌تر، ساده‌تر یا دارای داستان و تیم فروش بهتر باشید.
• خرید جدید: باید کسی داخل سازمان حامی شما شود. او داستانی لازم دارد که به کارنامهٔ خودش کمک کند، نه فقط به منافع شرکت.

همهٔ مسائل به یک اندازه جذاب نیستند

بعضی خریدها آشفته و جذاب‌اند، مثل گرفتن سهم بازار یا ورود به یک دستهٔ جدید. اینجا جا برای روایت و جاه‌طلبی هست. بعضی دیگر مثل مواد اولیهٔ ارزان‌تر یا پردازش سریع‌تر، «کالایی» و فرساینده‌اند و تنها داستانشان قیمت است. خریدار کالایی از گران خریدن می‌ترسد. خریدار در فضای آشفته از انتخاب اشتباه می‌ترسد.

نیروی اجبار: چرا شرکت‌ها بدون بحران خرید نمی‌کنند

سازمان‌ها بدون بحران، به‌ندرت پیشگام خرید جدید می‌شوند. بدون عامل اجبار (forcing function)، حتی راه‌حل بی‌نقص هم برای همیشه در لولهٔ فروش می‌ماند: کمیته تشکیل می‌شود، آزمایش‌ها می‌خوابد و حامی داخلی به پروژهٔ دیگری منتقل می‌شود.

سه نوع بحران این اجبار را می‌سازد:

• بحران رقابتی: رقیب کاری کرده و حالا فوریت ایجاد شده. جملهٔ «آن‌ها دارند و ما نداریم» بحث را تمام و فرایند خرید را شروع می‌کند.
• بحران فناوری: روش قدیم دیگر جواب نمی‌دهد یا قابلیت تازه‌ای روش قدیم را بی‌احتیاط جلوه می‌دهد. هوش مصنوعی همین حالا برای صنایع زیادی همزمان این وضع را ساخته. این بار، عامل اجبار و راه‌حل یکی هستند.
• تلاطم عمومی یا بازار: تغییر مقررات، تغییر فرهنگی، فروپاشی قیمت مواد اولیه یا یک همه‌گیری. این‌ها قدرتمندترین و کم‌پیش‌بینی‌ترین‌اند و دستهٔ کاملاً تازه‌ای از خریداران می‌سازند.

توصیهٔ گادین به استارتاپ‌های کوچک روشن است: به یک عامل اجبارِ موجود بفروشید و سعی نکنید خودتان آن را بسازید. سازمانی که بحران را حس می‌کند، نیاز به متقاعدشدن ندارد. به راه‌حلی نیاز دارد که حامیِ داخلی‌اش بتواند بگوید «من پیدایش کردم».

چهار دام و هشدار

• هوش مصنوعیِ لخت یک تله است. اگر فقط دروازه‌ای به Anthropic یا ChatGPT می‌سازید، هزینهٔ توکن (هزینهٔ پردازش به‌ازای هر درخواست) بخش بزرگی از درآمدتان را می‌خورد و جایگاه قابل‌دفاعی هم ندارید.
• پرامپت پنهان کافی نیست. پرامپت‌نویسی خلاقانه می‌تواند ارزش واقعی بسازد، اما راه قابل‌اتکا و قابل‌حفاظتی برای فروش آن به‌عنوان کسب‌وکار نیست.
• اثر شبکه‌ای مهم است. فروش فایده به یک نفر در هر نوبت، به‌شدت گران تمام می‌شود. جهش‌ها از پروژه‌هایی می‌آید که شبکه در ذاتشان هست؛ یعنی وقتی همکارانتان هم از آن‌ها استفاده کنند بهتر کار می‌کنند.
• اطلاعات نامتقارن ارزش جست‌وجو دارد. بعضی از ماندگارترین مزیت‌ها از اثر شبکه‌ای نمی‌آید؛ از دانستنِ چیزی می‌آید که دیگران نمی‌دانند، یا از کمک به یک گروه تا دانسته‌هایشان را جمع کنند، در برابر طرفی که الان مزیت اطلاعاتی ساختاری دارد. گادین مثال می‌زند: همهٔ تأمین‌کنندگان والمارت (زنجیرهٔ بزرگ فروشگاهی آمریکایی) اطلاعاتی را ببینند که الان فقط خریدار نزد خود نگه می‌دارد. در فضای ما می‌شود آن را به رابطهٔ فروشندگان با یک پلتفرم یا فروشگاه بزرگ تشبیه کرد.

نظریهٔ سود برای کسب‌وکار هوش مصنوعی

گادین چارچوبی چهارجزئی برای پروژه‌ای می‌دهد که می‌تواند کسب‌وکار شود:

• داده‌ای مفید می‌سازد. داده لازم نیست حجیم باشد؛ باید دقیق و مورد اعتماد باشد. با گذر زمان، هوش مصنوعی را بهتر می‌کند. مال کاربران و پروژه است، نه مال Anthropic یا رقبا. و طوری ساخته می‌شود که به نفع کاربر کار کند، نه اینکه او را گرفتار کند.
• اثر شبکه‌ای دارد. یا یک جامعهٔ همتا‌به‌همتای فعال است که کاربران همدیگر را می‌بینند، نه فقط پلتفرم را؛ یا فایدهٔ روشنی برای معرفی به دیگران دارد.
• مشکل گران آدم‌های دارای منابع را حل می‌کند. ارزش فراتر از صرفه‌جویی در زمان و پول است: آموزش، کاهش ترس، لذت، اطمینان، ارتباط یا گسترش توانایی. و قیمتش هم متناسب با همین است.
• بدون سرمایهٔ سنگین شروع می‌شود. مشخص و مفهومی است، نه زیرساختی. برای شروع به دیتاسنتر یا تیم هزارنفره نیاز ندارد.

واقعیتِ ساختن «پشتهٔ داده»

پشتهٔ داده (data stack) یعنی مجموعه‌ای از داده‌های اختصاصی که خودِ پروژه می‌سازد و به مرور ارزشمند می‌شود. شبکه‌ای که روی داده‌های کاربران ساخته می‌شود، فقط به اندازهٔ تمایل کاربران به پر کردنش ارزش دارد. این تمایل دو شرط دارد: آن‌قدر بی‌اصطکاک باشد که کسی لازم نباشد به آن فکر کند، و آن‌قدر امن باشد که کسی نگرانش نشود.

این دو شرط تقریباً همیشه با هم در تنش‌اند. هرچه جمع‌آوری خودکارتر، حس نظارت بیشتر. هرچه کنترل بیشتر به کاربر بدهید، اصطکاک بیشتر.

امیدوارکننده‌ترین پشته‌ها آن‌هایی‌اند که مردم همین حالا داده را تولید می‌کنند، از وجودش در یک جا ناراحت نیستند و نوآوری فقط این است که دسترسی بهتری به چیزی بدهد که از قبل مال خودشان است. عامل اجبار در اشتراک داده برای مصرف‌کننده شاید ساده‌ترین باشد: «من که همین حالا حس می‌کنم تحت نظرم؛ پس بهتر است چیزی هم پس بگیرم.»

نمونهٔ هشداردهنده، ابزار نظارت بر ایمیل است: شرکتی همهٔ ایمیل‌های داخلی را می‌خواند و گزارش می‌دهد چه کسی مفید است، چه کسی سمی و چه کسی دنبال کار جدید. ارزشش واقعی و آشکار است؛ ترسش هم همین‌طور. و در بیشتر سازمان‌ها ترس برنده می‌شود. هر کسب‌وکار مبتنی بر داده باید جواب بدهد: چه کسی این را کنترل می‌کند و اگر خراب شد چه می‌شود؟ اگر جواب فوراً اطمینان‌بخش نیست، آن کسب‌وکار ساخته نمی‌شود.

مدل حمایت‌شده: وقتی کاربر پول نمی‌دهد

هر کسب‌وکار هوش مصنوعی ارزشمندی لازم نیست از کاربر نهایی پول بگیرد. وقتی مشکل واقعی است اما جمعیت درگیر منابع ندارد، یک بنیاد، برند یا نهاد با منافع همسو می‌تواند هزینه را بدهد. اقتصاد کاملاً برعکس می‌شود: به‌جای جذب هزارانمشتری، یکی‌یکی، با یک نهاد قرارداد می‌بندید که توزیع، مأموریت و بودجه را از قبل دارد. کاربر معجزه را رایگان می‌گیرد و حامی، تأثیر یا داده یا وفاداری می‌گیرد.

این مدل وقتی جواب می‌دهد که سه شرط برقرار باشد: جمعیت هدف بزرگ و کم‌برخوردار باشد، ارزشِ ساخته‌شده برای نهادی که به آن اهمیت می‌دهد قابل‌فهم باشد، و داده‌ای که تولید می‌شود هم به فرد کمک کند و هم به مأموریت حامی.

نمونه‌ای از گادین: بنیادی ۲٬۰۰۰٬۰۰۰ دلار می‌پردازد و ۴۰٬۰۰۰ خانوادهٔ زندانیان به ابزاری دسترسی پیدا می‌کنند که به‌جای انبوهی کاغذ پراکنده، یک سند حقوقی ده‌صفحه‌ای تولید می‌کند. داده‌های مشترک هم الگوهایی را در سیستم نشان می‌دهد، مثل افراد بدنام یا مدارک معیوب، که هیچ پروندهٔ تکی به‌تنهایی آشکارشان نمی‌کرد.

نمونه‌های دیگر: بانکی که ابزار مدیریت مالی شخصی را برای مشتریان خودش تأمین می‌کند، یا برند سلامتی که مربی تناسب اندام را برای جمعیتی کم‌برخوردار پرداخت می‌کند. مشکل ویروسی‌شدن هم آسان‌تر حل می‌شود: وقتی خدمت رایگان است، لازم نیست کاربران را سخت متقاعد کنید همدیگر را بیاورند؛ فقط یک نهاد با توزیع موجود باید بله بگوید.

مدل استنتاج ارزان

استنتاج (inference) یعنی همان لحظه‌ای که مدل هوش مصنوعی به ورودی شما جواب می‌دهد. هر کاربرد هوش مصنوعی به مدل‌های پیشرفته و گران نیاز ندارد. مسائلی که اینجا باید دنبالشان گشت، آن‌هایی نیستند که استدلال یا ظرافت می‌خواهند. دنبال ساختار، تشخیص الگو، تجمیع و سازمان‌دهی در مقیاس بزرگ باشید:

• پر کردن فرم‌ها
• سازمان‌دهی اسناد
• تبدیل گفتار به متن و خلاصه‌سازی
• تطبیق رکوردهای مشابه در مجموعه‌داده‌های بزرگ

این مسائل جذابیت ظاهری ندارند، اما حجمشان عظیم است و بیشترشان بی‌پاسخ مانده.

قانون مور (روند ارزان‌تر و قوی‌تر شدن توان محاسباتی) به نفع شماست. مدل‌هایی که امروز محدود به نظر می‌رسند، طی هجده ماه به سطح کافی می‌رسند. اگر روی استنتاج ارزانِ متن‌باز بسازید، حاشیهٔ سودتان با پیشرفت فناوری بهتر می‌شود، بی‌آنکه محصولتان را تغییر دهید؛ چون محصول شما همان پشتهٔ داده و شبکه است.

«بزرگ» هم لزوماً بزرگ نیست. گادین می‌گوید فارغ‌التحصیلان یک دورهٔ مدرسهٔ کسب‌وکار برای ساختن یک سرشماری معنادار از اینکه شغل‌ها واقعاً به کجا می‌رسند کافی است. پشتهٔ داده لازم نیست بزرگ باشد؛ باید مشخص، قابل‌اعتماد و جلوتر از هر چیزی باشد که دیگران جمع کرده‌اند.

نکات کاربردی برای کسب‌وکارها

این‌ها تحلیل و پیشنهاد من برای مخاطب ایرانی است، نه ادعای منبع:

• از «ربات پشتیبان ارزان» فاصله بگیرید. اگر فقط قول می‌دهید هزینهٔ تیم پاسخ‌گویی دایرکت اینستاگرام یا تلگرام را کم کنید، فردا یک نفر ارزان‌تر می‌آید. به‌جایش بپرسید چه ارزش تازه‌ای می‌سازید.
• مشتریِ دارای مشکل گران را پیدا کنید. برای مثال صاحبان کسب‌وکارهایی که اشتباه در تصمیم برایشان گران تمام می‌شود. قیمت را با ارزشی که از لایهٔ میانی (اطمینان، اعتماد، کنترل) می‌دهید بسنجید، نه با ساعت کار صرفه‌جویی‌شده.
• به روایت حامی داخلی فکر کنید. در فروش به شرکت‌ها، مدیر خریدار باید بتواند جلوی مدیرعامل از انتخابش دفاع کند و اعتبارش را بگیرد. بروشور و نمونهٔ موفق ایرانی کنار قیمت بگذارید.
• بحران موجود را بشناسید. رقیبی که تازه ابزاری راه انداخته یا تغییری که بازار را به هم زده، موقعیت فروش شماست. منتظر نمانید مشتری خودش نیاز را کشف کند.
• دادهٔ اختصاصی بسازید. مثلاً یک فروشگاه آنلاین یا برند ایرانی می‌تواند به‌جای صرفاً وصل شدن به یک مدل آماده، دادهٔ دقیق و مورد اعتماد صنف خودش را جمع کند. حجم زیاد لازم نیست؛ دقت و اعتماد لازم است.
• اثر شبکه‌ای را در طراحی بگنجانید. محصولی که با استفادهٔ همکاران یا هم‌صنفی‌ها بهتر می‌شود، بازاریابی را تا حدی خودش انجام می‌دهد.
• مدل حمایت‌شده را جدی بگیرید. اگر مخاطبتان منابع کم دارد، به نهادی فکر کنید که توزیع و بودجه دارد، مثل بانک، برند یا مجموعه‌ای با مأموریت اجتماعی.
• هزینهٔ توکن و دسترسی را در محاسبه بیاورید. محاسبه کنید چه سهمی از درآمد صرف هزینهٔ پردازش می‌شود. کارهای ساده و ساختارمند را با مدل‌های ارزان‌تر، از جمله متن‌باز، انجام دهید.

چک‌لیست اجرایی

• آیا فقط هزینهٔ مشتری را کم می‌کنم یا ارزش تازه می‌سازم؟
• مشتری من منابع و مشکل گران دارد؟
• محصولم به اطمینان، اعتماد یا کنترل می‌رسد؟
• بحران یا عامل اجبارِ موجودی که به آن می‌فروشم کدام است؟
• داده‌ام مشخص، قابل‌اعتماد و مال کاربران است؟
• اثر شبکه‌ای یا دلیلی برای معرفی به دیگران دارد؟
• اگر داده به‌هم ریخت، جواب «چه کسی کنترل می‌کند؟» اطمینان‌بخش است؟
• بدون زیرساخت سنگین شروع می‌شود؟

پرسش‌های متداول

چرا کاهش هزینه برای ساختن کسب‌وکار هوش مصنوعی کافی نیست؟

چون در مسابقهٔ قیمت‌شکنی همیشه کسی هست که صرفه‌جویی بیشتری وعده بدهد. ضمناً صرفه‌جویی محدود است و بعد از انجام شدن، ارزش تازه‌ای برای ساختن نمی‌ماند.

«هوش مصنوعی لخت» یعنی چه و چرا تله است؟

یعنی فقط دروازه‌ای به یک مدل آماده مثل ChatGPT بسازید. هزینهٔ توکن بخش مهمی از درآمدتان را می‌بلعد و هیچ جایگاه قابل‌دفاعی هم ندارید.

مدل حمایت‌شده چه فرقی با فروش عادی دارد؟

به‌جای جذب تک‌تک مشتری‌ها، با یک نهاد صاحب بودجه و توزیع قرارداد می‌بندید. کاربر خدمت را رایگان می‌گیرد و حامی، تأثیر، داده یا وفاداری به دست می‌آورد.

جمع‌بندی

پیام گادین ساده است: موج اول هوش مصنوعی دربارهٔ ارزان‌تر و سریع‌تر بود. یک کسب‌وکار هوش مصنوعی ماندگار، مشکل گران را برای کسانی حل می‌کند که منابع دارند. داده‌ای دقیق و مورد اعتماد می‌سازد، اثر شبکه‌ای در ذاتش دارد و بدون زیرساخت سنگین شروع می‌شود. به یک بحران موجود می‌فروشد و برای حامی داخلی داستانی می‌سازد که بتواند از آن دفاع کند. اگر می‌خواهید از رقابت قیمتی فاصله بگیرید، همین حالا پروژه‌تان را با این چارچوب چهارجزئی بسنجید.