آیا هوش مصنوعی باعث افول اعتبار تخصص شده است؟
هوش مصنوعی شیوه کار کردن، یادگیری و تصمیم‌گیری افراد را تغییر می‌دهد و به‌تدریج بر نگاه آن‌ها به متخصصان نیز اثر می‌گذارد. نتایج نظرسنجی جدیدی که پلتفرم هوش مصنوعی Use.AI انجام داده است، نشان می‌دهد افراد بیشتری پس از استفاده از ابزارهای هوش مصنوعی تمایل دارند توصیه‌های متخصصان را زیر سؤال ببرند؛ روندی که پرسش‌های مهمی درباره اعتماد، تخصص و تصمیم‌گیری در عصر دیجیتال مطرح می‌کند.
بر اساس نظرسنجی انجام‌شده از ۱۵٬۴۲۸ بزرگسال، ۶۴ درصد از پاسخ‌دهندگان گفته‌اند پس از استفاده از هوش مصنوعی، برای به چالش کشیدن توصیه‌های متخصصان اعتمادبه‌نفس بیشتری دارند. بیش از نیمی از شرکت‌کنندگان، معادل ۵۳ درصد، نیز اعلام کرده‌اند که پیش از تصمیم‌گیری درباره پذیرش یا رد توضیحات یک متخصص، از هوش مصنوعی برای بررسی آن‌ها استفاده می‌کنند. در همین حال، ۴۶ درصد گفته‌اند مدارک و صلاحیت‌های حرفه‌ای به‌تنهایی دیگر به اندازه گذشته اعتبار ندارند. این تغییر در میان جوانان پررنگ‌تر است: ۷۰ درصد از افراد ۱۸ تا ۳۴ ساله گفته‌اند پس از استفاده از هوش مصنوعی راحت‌تر توصیه‌های متخصصان را زیر سؤال می‌برند؛ در حالی که این رقم در میان افراد ۴۵ ساله و بالاتر ۴۹ درصد است. Use.AI این پدیده را «رکود تخصص» نامیده است؛ اصطلاحی که به کاهش پذیرش خودکار اقتدار متخصصان اشاره دارد.
دموکراتیک شدن دسترسی به اطلاعات
برای قرن‌ها، تخصص تا حد زیادی به دسترسی نابرابر به اطلاعات وابسته بود. پزشکان دانش تخصصی پزشکی داشتند، وکلا با نظام‌های حقوقی آشنا بودند و دانشمندان و مهندسان به اطلاعات فنی‌ای دسترسی داشتند که برای بیشتر مردم در دسترس نبود. فناوری‌های دیجیتال با ظهور موتورهای جست‌وجو و پایگاه‌های اطلاعاتی آنلاین، به‌تدریج این رابطه را تغییر دادند و هوش مصنوعی اکنون ممکن است این روند را سرعت ببخشد. مدل‌های زبانی بزرگ مانند ChatGPT، Claude و Google Gemini به کاربران امکان می‌دهند پرسش‌های پیچیده مطرح کنند و بلافاصله توضیح بگیرند. موضوعاتی که پیش‌تر به ساعت‌ها تحقیق نیاز داشتند، اکنون در چند ثانیه خلاصه می‌شوند.
ایهور هراسی‌موف، هم‌بنیان‌گذار و مدیرعامل Use.AI، می‌گوید: «هوش مصنوعی اعتمادبه‌نفس را سریع‌تر از آنچه دانش را دموکراتیک کرده، در دسترس همگان قرار داده است.» این تمایز اهمیت زیادی دارد؛ زیرا دسترسی به اطلاعات لزوماً به معنای درک آن‌ها نیست.
یکی از نکات کلیدی این نظرسنجی آن است که اعتمادبه‌نفس افراد را می‌سنجد، نه توانایی آن‌ها را. کسی که پیش از مراجعه به پزشک، حسابدار یا مهندس از یک ابزار هوش مصنوعی کمک می‌گیرد، ممکن است احساس کند اطلاعات بیشتری در اختیار دارد. اما اینکه چنین فردی واقعاً دانش کافی برای ارزیابی یک قضاوت تخصصی پیچیده را داشته باشد، مسئله‌ای کاملاً متفاوت است. این موضوع با پدیده روان‌شناختی شناخته‌شده‌ای به نام «اثر دانینگ–کروگر» ارتباط دارد؛ پدیده‌ای که در آن افراد دارای دانش محدود ممکن است میزان درک خود از یک موضوع را بیش از حد برآورد کنند.
سامانه‌های هوش مصنوعی می‌توانند این چالش را تشدید کنند. برای مثال، هوش مصنوعی مولد اغلب پاسخ‌ها را با لحنی بسیار مطمئن ارائه می‌دهد. این پاسخ‌ها معمولاً روان، منسجم و متقاعدکننده‌اند، حتی اگر اطلاعاتشان کاملاً درست نباشد. در نتیجه، کاربران ممکن است به ارزیابی خود از یک موضوع اطمینان بیشتری پیدا کنند، حتی اگر آموزش تخصصی ندیده باشند. این وضعیت تناقضی را ایجاد می‌کند: هوش مصنوعی واقعاً می‌تواند به افراد در درک مسائل پیچیده کمک کند، اما هم‌زمان ممکن است این تصور را به وجود آورد که آن‌ها در موضوعی تخصص دارند که در واقع دانش کافی درباره‌اش ندارند.
این نظرسنجی همچنین شکاف نسلی قابل‌توجهی را نشان می‌دهد. احتمال اینکه جوانان پس از استفاده از هوش مصنوعی برای زیر سؤال بردن توصیه‌های متخصصان احساس راحتی کنند، به‌مراتب بیشتر است. عوامل مختلفی ممکن است در این تفاوت نقش داشته باشند. نخست اینکه نسل‌های جوان‌تر معمولاً با فناوری‌های دیجیتال آشنایی بیشتری دارند. آن‌ها به یافتن اطلاعات در اینترنت، مقایسه منابع و انجام تحقیقات مستقل عادت کرده‌اند. دوم اینکه این نسل‌ها در دوره‌ای رشد کرده‌اند که اعتماد به نهادهای سنتی رو به کاهش بوده است. شبکه‌های اجتماعی افراد را به ارزیابی دیدگاه‌های مختلف به‌جای پذیرش اطلاعات از یک منبع معتبر واحد سوق داده‌اند. هوش مصنوعی نیز به‌خوبی با این فضای فکری سازگار است. کاربران به‌جای مشورت با تنها یک متخصص، می‌توانند به‌سرعت توضیحات جایگزین تولید کنند، دیدگاه‌های مختلف را مقایسه کنند و اطلاعات بیشتری درباره زمینه موضوع به دست آورند. در نتیجه، برداشت آن‌ها از اقتدار و مرجعیت تغییر می‌کند.
مزایای پرسشگری
زیر سؤال بردن توصیه‌های متخصصان ذاتاً کار نادرستی نیست. در بسیاری از موقعیت‌ها، پرسشگری آگاهانه می‌تواند به نتایج بهتری منجر شود. بیمارانی که درمان‌های پزشکی خود را بهتر درک می‌کنند، ممکن است مشارکت فعال‌تری در تصمیم‌گیری‌های مربوط به مراقبت از خود داشته باشند. مصرف‌کنندگانی که محصولات مالی را با دقت بررسی می‌کنند، می‌توانند از سرمایه‌گذاری‌های نامناسب دوری کنند. سازمان‌هایی نیز که فرضیات خود را به چالش می‌کشند، ممکن است تصمیم‌های راهبردی بهتری بگیرند. هوش مصنوعی می‌تواند با کمک به کاربران برای طرح پرسش‌های دقیق‌تر، درک اصطلاحات و شناسایی موارد نیازمند توضیح بیشتر، این فرایند را تسهیل کند.
پرسشگری انتقادی در حوزه‌های علمی نیز ضروری است. علم از طریق آزمودن فرضیه‌ها و بررسی شواهد پیشرفت می‌کند، نه با پذیرفتن بی‌چون‌وچرای ادعاها. از این منظر، هوش مصنوعی می‌تواند به پرورش افرادی آگاه‌تر و مشارکت‌جوتر کمک کند.
خطر زمانی پدید می‌آید که اعتمادبه‌نفس از تخصص فاصله بگیرد. فعالیت در بسیاری از حرفه‌ها به سال‌ها تحصیل، آموزش و تجربه عملی نیاز دارد. جراح، دانشمند علوم دارویی یا مهندس سازه، قضاوت حرفه‌ای خود را نه‌فقط از طریق کسب دانش، بلکه با مواجهه مکرر با موقعیت‌های پیچیده در دنیای واقعی پرورش می‌دهد. هوش مصنوعی نمی‌تواند این تجربه حرفه‌ای انباشته را یک‌شبه در اختیار کاربران قرار دهد.
افزون بر این، سامانه‌های هوش مصنوعی گاهی اطلاعات نادرست تولید می‌کنند؛ پدیده‌ای که معمولاً از آن با عنوان «توهم» هوش مصنوعی یاد می‌شود. هرچند مدل‌های جدیدتر پیوسته در حال بهبود هستند، همچنان امکان بروز خطا وجود دارد. کاربری که بر پایه اطلاعات نادرست تولیدشده به‌وسیله هوش مصنوعی توصیه یک متخصص را رد می‌کند، ممکن است در نهایت تصمیم بدتری بگیرد.
حوزه سلامت نمونه‌ای مهم از این مسئله است. ابزارهای هوش مصنوعی می‌توانند به بیماران در فهم اصطلاحات پزشکی و آماده کردن پرسش‌هایشان برای جلسات مشاوره کمک کنند. با این حال، این ابزارها جایگزین معاینه بالینی، آزمایش‌های تشخیصی یا تصمیم‌گیری تخصصی پزشکی نیستند. همین اصل در حقوق، امور مالی، مهندسی و دیگر رشته‌های بسیار تخصصی نیز صدق می‌کند.
متخصصان به‌جای آنکه هوش مصنوعی را تهدیدی برای خود بدانند، ممکن است ناچار شوند با فضای اطلاعاتی در حال تغییر سازگار شوند. مراجعان، بیماران و مشتریان بیش از گذشته با اطلاعاتی که از پلتفرم‌های هوش مصنوعی به دست آورده‌اند، به جلسات مشاوره مراجعه می‌کنند. متخصصانی که این منابع را به‌کلی نادیده می‌گیرند، ممکن است در ایجاد ارتباط مؤثر با مخاطبان خود با مشکل روبه‌رو شوند. در مقابل، کسانی که به افراد کمک می‌کنند بفهمند هوش مصنوعی در چه مواردی مفید است و چه محدودیت‌هایی دارد، ممکن است اعتماد آن‌ها را تقویت کنند. این تغییر احتمالاً به بازنگری در شیوه‌های ارتباطی نیز نیاز دارد.
متخصصان دیگر نمی‌توانند فرض کنند که صرفاً به دلیل داشتن مدارک و صلاحیت‌های حرفه‌ای، دیگران نتیجه‌گیری‌های آن‌ها را می‌پذیرند. در عوض، ممکن است لازم باشد استدلال‌های خود را شفاف‌تر توضیح دهند و فعالانه‌تر به پرسش‌هایی پاسخ دهند که از تحقیقات با کمک هوش مصنوعی شکل گرفته‌اند. از بسیاری جهات، ممکن است تخصص بیش از گذشته آشکار و قابل‌ارزیابی شود، نه اینکه اهمیت خود را از دست بدهد.