طوفان AGI در راه است: سوالات کلیدی که هر بنیان‌گذار استارتاپ هوش مصنوعی باید بپرسد

مقدمه: گیج‌تر از همیشه

در دنیای فناوری، ما همیشه به بنیان‌گذاران و رهبران به عنوان افرادی نگاه می‌کنیم که آینده را می‌بینند. آن‌ها کسانی هستند که با اعتماد به نفس، نقشه‌ی راه پنج یا ده ساله ارائه می‌دهند. اما جردن فیشر، هم‌بنیان‌گذار Standard AI و رهبر فعلی تیم همسوسازی (Alignment) هوش مصنوعی در شرکت Anthropic، سخنرانی خود در مدرسه‌ی استارتاپ هوش مصنوعی Y Combinator را با اعترافی تکان‌دهنده آغاز می‌کند: «من به شدت گیج هستم. شاید بیشتر از هر زمان دیگری در زندگی‌ام.»

این گیجی، نشانه‌ی ضعف نیست؛ بلکه صادقانه‌ترین واکنش به لحظه‌ی کنونی تاریخ است. فیشر می‌گوید در گذشته می‌توانست آینده‌ی پنج تا ده ساله را ببیند و بر اساس آن شرکت تاسیس کند یا مسیر شغلی‌اش را بچیند. اما اکنون؟ «من به سختی می‌توانم سه هفته‌ی آینده را ببینم.»

ما در آستانه‌ی یک تغییر پارادایم هستیم: ظهور هوش مصنوعی عمومی (AGI)، هوشی که می‌تواند در تمام زمینه‌ها با انسان برابری کند یا از او پیشی بگیرد. این اتفاق، که شاید تنها دو تا سه سال با آن فاصله داشته باشیم، تمام قواعدی را که بر اساس آن استارتاپ می‌ساختیم، زیر و رو می‌کند. این مقاله، ترجمه و کاوشی عمیق بر اساس سوالات کلیدی است که جردن فیشر مطرح می‌کند؛ سوالاتی که دیگر نمی‌توانیم از آن‌ها فرار کنیم.

بخش اول: پایان برنامه‌ریزی‌های بلندمدت

اولین قربانی این انقلاب، «برنامه‌ی پنج ساله» است. در گذشته، بنیان‌گذاران بر اساس یک روند خطی و قابل پیش‌بینی، استراتژی می‌چیدند. اما سرعت پیشرفت هوش مصنوعی، به‌خصوص مدل‌های زبانی بزرگ (LLM)، این خطی بودن را از بین برده است.

پارادوکسی که فیشر به آن اشاره می‌کند، این است که به استارتاپ‌ها همیشه گفته می‌شود: «تمرکز همه چیز است.» این مزیت شما در برابر شرکت‌های بزرگ و کند است. اما در عین حال، بنیان‌گذار مجبور است «روی همه چیز تمرکز کند»؛ از استخدام تا فروش، از محصول تا بحران‌های ناگهانی تیم.

حالا، یک متغیر جدید به این معادله‌ی پرآشوب اضافه شده است: خودِ هوش مصنوعی. این فناوری فقط یک ابزار جدید نیست؛ یک نیروی خارجی است که در حال تغییر دادن خودِ زمین بازی است. فیشر هشدار می‌دهد که برنامه‌ریزی بر اساس قابلیت‌های مدل کنونی (مثلاً GPT-4o یا Claude 3) اشتباهی مرگبار است.

شما نباید برای شش ماه آینده برنامه‌ریزی کنید؛ شما باید برای دو تا سه سال آینده، یعنی برای دنیایی که در آن AGI وجود دارد، برنامه‌ریزی کنید.

این سوال اساسی را پیش می‌کشد: آیا در چنین محیطی، اصلاً باید استارتاپ جدیدی راه‌اندازی کرد؟ اگر پاسخ مثبت است، چگونه باید استراتژی، محصول و تیم خود را در حالی بسازید که نمی‌دانید قابلیت‌های محوری شش ماه آینده چه خواهد بود؟

بخش دوم: آیا نرم‌افزار به یک «کالا» تبدیل می‌شود؟

یکی از ترسناک‌ترین سوالات برای هر شرکت SaaS (نرم‌افزار به عنوان سرویس) این است: چه اتفاقی می‌افتد وقتی نرم‌افزار به یک کالای مصرفی (Commoditized) تبدیل شود؟

تا به امروز، ساختن نرم‌افزار خوب، پیچیده، زمان‌بر و پرهزینه بود. این پیچیدگی، خود یک «خندق» یا مزیت رقابتی (Moat) بود. اما ما به سمتی می‌رویم که یک کاربر (یا یک مدیر محصول در یک شرکت بزرگ) می‌تواند با یک پرامپت ساده به یک مدل هوش مصنوعی پیشرفته بگوید: «من یک نرم‌افزار مدیریت ارتباط با مشتری (CRM) با این ویژگی‌ها می‌خواهم.» و هوش مصنوعی آن را در لحظه تولید کند.

در چنین دنیایی، ارزش یک شرکت نرم‌افزاری که ماه‌ها برای ساختن همان محصول وقت صرف کرده، چقدر است؟

فیشر دو سناریو را مطرح می‌کند:

1. سناریوی مرگ SaaS: شرکت‌های بزرگ (Enterprise) دیگر نیازی به خرید نرم‌افزارهای گران‌قیمت از استارتاپ‌ها ندارند. آن‌ها به سادگی با استفاده از هوش مصنوعی، ابزارهای مورد نیاز خود را «در لحظه» و «درون‌سازمانی» می‌سازند.
   

2. سناریوی ارتقای کیفیت: شاید این قابلیت، فقط سطح کیفی بازی را بالاتر ببرد. بله، هر کسی می‌تواند یک CRM «معمولی» بسازد، اما آیا می‌تواند یک CRM «فوق‌العاده» بسازد؟ شاید مزیت رقابتی آینده، نه در توانایی ساختن، بلکه در سلیقه، تجربه‌ی کاربری (UX) و عمق درک نیاز مشتری باشد که توسط تیم‌های انسانی-هوش مصنوعی بسیار ماهر هدایت می‌شود.
   

علاوه بر این، هوش مصنوعی فقط سمت «فروشنده» (استارTAپ‌ها) را متحول نمی‌کند، بلکه سمت «خریدار» (شرکت‌های بزرگ) را نیز هوشمند می‌سازد. به زودی، ایجنت‌های هوش مصنوعی در شرکت‌های بزرگ مسئول تصمیم‌گیری برای خرید نرم‌افزار خواهند بود و این چرخه‌های فروش سنتی را کاملاً دگرگون می‌کند.

بخش سوم: نبرد تیم‌های بومی-هوشمند (AI-Native) و غول‌های بازسازی‌شده

سوال کلیدی دیگر در مورد ساختار تیم‌هاست. آیا اندازه‌ی تیم‌ها کوچک‌تر خواهد شد؟ پاسخ پیش‌فرض «بله» است. اما سوال عمیق‌تر این است که چه نوع تیمی برنده خواهد شد؟

۱. غول‌های بازسازی‌شده (Retrofitting): این‌ها شرکت‌های بزرگی مانند مایکروسافت، گوگل یا ادوبی هستند. آن‌ها محصولات جاافتاده با میلیون‌ها کاربر (مانند آفیس یا فتوشاپ) و کانال‌های توزیع عظیم دارند. استراتژی آن‌ها «بازسازی» یا «وصله زدن» (Retrofitting) هوش مصنوعی به این محصولات است. مزیت آن‌ها «توزیع» است.

۲. تیم‌های بومی هوش مصنوعی (AI-Native): این‌ها استارتاپ‌های جدیدی هستند که از روز اول، با ساختاری مبتنی بر هوش مصنوعی متولد می‌شوند. آن‌ها تیم‌های بسیار کوچک (شاید ۲ تا ۵ نفر) هستند که در آن، هر انسان توسط چندین ایجنت هوش مصنوعی پشتیبانی می‌شود. آن‌ها بارِ محصولات قدیمی و کدهای کهنه را به دوش نمی‌کشند. مزیت آن‌ها «چابکی» و «اصالت» است.

جردن فیشر می‌پرسد: آیا محصولی که از ابتدا به صورت AI-Native طراحی شده، تجربه‌ی کاربری برتری خلق خواهد کرد، یا محصولی که هوش مصنوعی به آن اضافه شده اما از مزیت توزیع گسترده بهره می‌برد، برنده خواهد شد؟ پاسخ، احتمالاً در صنایع مختلف، متفاوت خواهد بود، اما هر بنیان‌گذاري باید بداند در کدام جبهه می‌جنگد.

بخش چهارم: بحران اعتماد؛ هسته‌ی اصلی چالش AGI

مهم‌ترین و طولانی‌ترین بخش صحبت‌های فیشر، به «اعتماد» اختصاص دارد. او استدلال می‌کند که با قدرتمندتر شدن هوش مصنوعی و خودکار شدن تیم‌ها، ما با بحران اعتماد چندلایه‌ای روبرو خواهیم شد.

لایه اول: اعتماد به قابلیت (Trust in Capability) آیا می‌توانیم به هوش مصنوعی اعتماد کنیم که کار را درست انجام دهد؟ در حال حاضر، ما از مدل‌ها برای نوشتن متن یا کد استفاده می‌کنیم و خودمان آن را بازبینی می‌کنیم. اما در آینده، آیا به یک ایجنت هوش مصنوعی اعتماد می‌کنیم که به پایگاه داده‌ی اصلی شرکت دسترسی داشته باشد و تغییراتی را «در لحظه» برای یک کاربر خاص اعمال کند؟ اگر ایجنت اشتباه کند، فاجعه رخ می‌دهد. در حال حاضر، مدل‌ها به اندازه‌ی کافی قابل اعتماد نیستند.

لایه دوم: اعتماد به عامل (Trust in the Agent) ما به سمت دنیایی از ایجنت‌های شخصی می‌رویم. یک ایجنت شخصی در محل کار و یک ایجنت شخصی در زندگی خصوصی. آیا این دو با هم صحبت می‌کنند؟ فیشر می‌گوید: «من به عنوان یک کاربر، می‌خواهم که ایجنت کاری و شخصی‌ام با هم همکاری کنند تا زندگی‌ام بهینه شود.» اما بلافاصله این سوال پیش می‌آید: «آیا ایجنت کاری من، اطلاعات شخصی من را (مثلاً اینکه دیشب تا دیروقت بیدار بوده‌ام) به نفع کارفرما استفاده خواهد کرد؟» این نگرانی‌ها در مورد تفکیک اطلاعات (Information Segregation) بسیار جدی است.

لایه سوم: اعتماد به شرکت سازنده (Trust in the Company) این، عمیق‌ترین لایه‌ی بحران است. حتی اگر یک مدل هوش مصنوعی «کاملاً همسو و امن» (Perfectly Aligned) بسازیم، آن مدل توسط یک «شرکت» (استارتاپ یا غول فناوری) مورد استفاده قرار می‌گیرد تا یک «محصول» یا «ای جنت» بسازد.

سوال این است: آیا می‌توانیم به شرکت اعتماد کنیم؟ آیا ایجنتی که توسط یک شرکت مبتنی بر تبلیغات ساخته شده، واقعاً به نفع من (کاربر) عمل می‌کند، یا به نفع تبلیغ‌دهنده؟ وقتی از ایجنت خود می‌پرسم «بهترین کفش برای دویدن چیست؟»، آیا پاسخی را می‌گیرم که برای من بهترین است، یا پاسخی که اسپانسر به ایجنت پول داده تا بگوید؟

بخش پنجم: گاردریل‌های انسانی فرو می‌ریزند؛ نیاز به حسابرسی با AI

تا امروز، یکی از گاردریل‌ها و محافظ‌های اصلی ما در برابر رفتارهای غیراخلاقی شرکت‌ها، «انسان‌ها» بوده‌اند. اگر مدیری در یک شرکت بزرگ تصمیم وحشتناکی بگیرد، این احتمال وجود دارد که کارمندان خوب و اخلاق‌مدار در آن شرکت مقاومت کنند، افشاگری (Whistleblow) کنند، یا دسته‌جمعی استعفا دهند. این اهرم فشار انسانی، شرکت‌ها را تا حدی کنترل می‌کرد.

اما در دنیای تیم‌های «نیمه‌خودکار» (Semi-Automated) که یک بنیان‌گذار با کمک ۱۰ ایجنت هوش مصنوعی کار می‌کند، این گاردریل انسانی از بین می‌رود. یک فرد به تنهایی می‌تواند تصمیمی بگیرد که بر میلیون‌ها کاربر تاثیر بگذارد، بدون اینکه هیچ ناظر انسانی دیگری وجود داشته باشد.

راه‌حل پیشنهادی فیشر چیست؟ ما به گاردریل‌های جدید نیاز داریم. او ایده‌ی «حسابرسی توسط هوش مصنوعی» (AI-Powered Auditing) را مطرح می‌کند.

تصور کنید یک شرکت به صورت عمومی متعهد می‌شود که «ما هرگز اطلاعات کاربران را به شخص ثالث نمی‌فروشیم.» برای اثبات این ادعا، آن‌ها به یک «حسابرس هوش مصنوعی» بی‌طرف اجازه می‌دهند که به تمام سیستم‌ها، کدها و حتی پیام‌های داخلی آن‌ها (مانند اسلک) دسترسی داشته باشد. این حسابرس هوش مصنوعی بررسی می‌کند که آیا شرکت واقعاً به ماموریت خود پایبند بوده است یا خیر.

مزیت چنین حسابرسی نسبت به حسابرس انسانی چیست؟ ۱. بی‌طرفی کامل. ۲. مقیاس‌پذیری. ۳. و مهم‌تر از همه: قابلیت «فراموشی». حسابرس هوش مصنوعی می‌تواند پس از اتمام بررسی و تایید، تمام حافظه‌ی خود را پاک کند تا هیچ اطلاعات محرمانه‌ای (IP) از شرکت به بیرون درز نکند. فیشر معتقد است که شرکت‌هایی که داوطلبانه به چنین شفافیتی تن دهند، می‌توانند «اعتماد» را که ارزشمندترین کالای آینده خواهد بود، به دست آورند.

بخش ششم: مزیت رقابتی (Moat) شما در دنیای پسا-AGI چیست؟

اگر یک AGI بتواند استارتاپ شما را با یک پرامپت ساده بازسازی کند، مزیت رقابتی پایدار شما یا «خندق» (Moat) شما چه خواهد بود؟ جردن فیشر معتقد است که بسیاری از خندق‌های سنتی (مانند پیچیدگی فنی نرم‌افزار) در حال از بین رفتن هستند. او به دو مزیت رقابتی پایدار اشاره می‌کند:

۱. داده‌های اختصاصی (Proprietary Data): مدل‌های زبانی بزرگ بر روی «اینترنت عمومی» آموزش دیده‌اند. آن‌ها دانش فوق‌العاده‌ای دارند، اما این دانش عمومی است. آن‌ها به دانش «ضمنی» (Tacit Knowledge) که در دیتابیس‌های اختصاصی شرکت‌ها قفل شده است، دسترسی ندارند. مثال او شرکت‌هایی مانند TSMC (سازنده‌ی تراشه) یا شرکت‌های پیشرفته‌ی علوم مواد (Material Science) است. این شرکت‌ها دهه‌ها داده‌ی آزمایشی بسیار تخصصی دارند که هرگز در اینترنت منتشر نشده است. یک LLM نمی‌تواند یک کارخانه‌ی پیشرفته‌ی نیمه‌هادی بسازد. اگر استارتاپ شما در حوزه‌ای فعالیت می‌کند که می‌تواند داده‌های اختصاصی و منحصربفردی تولید کند که در اینترنت وجود ندارد، شما یک مزیت رقابتی قوی دارید.

۲. حل مسائل «سخت» در دنیای فیزیکی: نرم‌افزار در حال آسان شدن است. اما «سخت‌افزار» و تعامل با دنیای فیزیکی همچنان بسیار «سخت» است. فیشر اشاره می‌کند که پیشرفت در رباتیک به مراتب کندتر از پیشرفت در هوش مصنوعی دیجیتال بوده است. بنابراین، اگر شجاعت رفتن به سراغ مسائل «سخت» را دارید، می‌توانید یک مزیت رقابتی پایدار بسازید. این مسائل شامل چیست؟ زیرساخت‌ها، انرژی، تولید پیشرفته، رباتیک، ساخت‌وساز و هر چیزی که با «اتم‌ها» سروکار دارد، نه فقط با «بیت‌ها».

بخش هفتم و نتیجه‌گیری: پول یا ماموریت؟ آخرین فرصت برای تغییر جهان

فیشر سخنرانی خود را با یک دغدغه‌ی شخصی و اخلاقی به پایان می‌رساند. او می‌گوید وقتی با مردم عادی در مورد تحولات شگفت‌انگیز و تکان‌دهنده‌ی هوش مصنوعی صحبت می‌کند و می‌بیند که آن‌ها متوجه اهمیت تاریخی این لحظه می‌شوند، اغلب در نهایت یک سوال می‌پرسند: «خب، چگونه می‌توانیم از این راه پول در بیاوریم؟»

او می‌گوید این سوال را درک می‌کند. ترس از دست دادن شغل، ترس از تغییر بنیادین اقتصاد، و ترس از جا ماندن، همه را به سمت این سوال سوق می‌دهد.

اما او هشدار می‌دهد: «این ممکن است آخرین فرصت ما باشد. این ممکن است آخرین شرکتی باشد که می‌سازید. این ممکن است آخرین محصولی باشد که طراحی می‌کنید.» در آستانه‌ی ظهور هوشی برتر از انسان، ما به عنوان بنیان‌گذاران، مسئولیتی فراتر از «پول درآوردن» داریم.

شعار معروف Y Combinator این است: «چیزی بسازید که مردم می‌خواهند.» (Build something people want).

جردن فیشر این شعار را اینگونه تکمیل می‌کند: در این لحظه‌ی تاریخی، ما باید فراتر برویم. ما باید «چیزی بسازیم که جامعه به آن نیاز دارد.» (Build something society needs).

مردم به «سرگرمی» می‌خواهند، اما به «اعتماد» نیاز دارند. آن‌ها محصولی می‌خواهند که برای ۲۰ ثانیه آن‌ها را به وجد بیاورد، اما به محصولی نیاز دارند که برای سلامت روان آن‌ها و فرزندانشان در ۲۰ سال آینده خوب باشد.

پیام نهایی او به بنیان‌گذاران این است: بله، در این راه پول هم دربیاورید. اما اگر چیزی برایتان اهمیت دارد، اگر ماموریتی دارید که می‌خواهید دنیا را حتی ذره‌ای تغییر دهید، «اکنون» زمان انجام آن است. بنیان‌گذاران، به دلیل ماهیت کارشان که پاسخ دادن به سوالات سخت است، در بهترین موقعیت برای هدایت این گذار تاریخی هستند. چالش پیش رو، نه فقط یک چالش فنی یا اقتصادی، بلکه یک چالش عمیقاً اخلاقی و انسانی است.