هوش مصنوعی حاکمیتی یعنی داشتن کنترل و اختیار واقعی بر داده، مدل و تصمیم‌های هوش مصنوعی در کسب‌وکار خودتان. «حاکمیتی» در اینجا معنای سیاسی یا دولتی ندارد؛ یعنی اگر فروشنده‌ای قیمت، شرایط یا دسترسی را عوض کرد، شما مجبور نباشید همه‌چیز را از صفر بسازید. همیشه این را در ذهن داشته باشیم که استقلال کامل برای یک کسب‌وکار کوچک یا متوسط تقریباً وجود ندارد. هدف واقع‌بینانه، کاهش وابستگی و داشتن راه خروج است.
این مقاله دو نوع مدیر را در نظر دارد: کسی که هنوز شروع نکرده و می‌خواهد از همان ابتدا درست انتخاب کند، و تیمی که در حال ساختن فرایند یا محصول با هوش مصنوعی است. برای هر دو، یک مسیر سه‌پله‌ای ارائه می‌کنیم؛ از ساده و ارزان تا پیشرفته.
هوش مصنوعی حاکمیتی یعنی چه؟
در سطح کشورها، «حاکمیت هوش مصنوعی» اصطلاحی مبهم اما پرکاربرد است. طبق بررسی و اعلام پژوهشگران دانشگاه استنفورد (HAI) حاکمیت هوش مصنوعی، هنوز از تعریف دقیقی برخوردار نیست؛ برای بعضی یعنی خودکفایی کامل، که عملاً غیرممکن است، و برای بعضی یعنی داشتن کنترل عملیاتی بیشتر بر اجزای زنجیره تأمین هوش مصنوعی و تضمین دسترسی مداوم به زیرساخت و مدل‌ها. برای کسب‌وکار شما، معنای دوم مفید است: نه «همه‌چیز را خودمان بسازیم»، بلکه «بدانیم به چه چیزی وابسته‌ایم و اگر لازم شد، بتوانیم جابه‌جا شویم».
همان گزارش یک هشدار نیز دارد؛ بخش بزرگی از محصولاتی که با برچسب «حاکمیتی» ارائه می‌شود، وابستگی را فقط بازآرایی می‌کند. مثلاً مدیرعامل انویدیا در ۲۰۲۳ گفته بود هر منطقه و کشوری باید هوش مصنوعی حاکمیتی خودش را بسازد، و طبق همان گزارش، بخش «حاکمیتی» حدود ۱۴ درصد درآمد این شرکت را تشکیل می‌دهد. اینبدان معناست که هر مجموعه ای که «استقلال» می‌فروشد، منفعتی هم دارد و باید با چشم باز انتخاب نمود.
وابستگی از کجا می‌آید؟
بیشتر مدیران فکر می‌کنند وابستگی یعنی وابستگی به یک مدل خاص. اما در عمل، تغییر مدل اغلب سخت‌ترین بخش نیست. به گفته ی تحلیل‌گران صنعت، وابستگی بیشتر در لایه‌های اطراف مدل شکل می‌گیرد؛ زمینه و حافظه‌ای که ابزار از کار شما نگه می‌دارد، مجوزها و هویت، اتصال‌ها و قواعد کسب‌وکار، و مجموعه‌های آزمونی که کیفیت را می‌سنجند. به عبارت ساده‌تر، اگر پرامپت‌ها، نمونه‌های آزمون و سابقه کارتان فقط داخل ابزار باشد، حتی مدل بهتر هم به‌راحتی جایگزین نمی‌شود.
این وابستگی ریسک عملیاتی نیز دارد. طبق نظرسنجی‌ای که اتحادیه امنیت ابری (CSA) انجام داده، ۷۴ درصد سازمان‌ها در صورت از دست دادن دسترسی به فروشنده اصلی هوش مصنوعی با اختلال جدی روبه‌رو می‌شوند. قیمت، شرایط استفاده، قوانین انتقال و تصمیم‌های سیاسی همگی می‌توانند روی دسترسی اثر بگذارند. این آمار مربوط به سازمان‌های بزرگ‌تر است، اما منطقش برای هر کسب‌وکاری که فرایندها را روی یک ابزار بنا کرده نیز صادق است.
واقعیت ایران؛ ریسک ها را بشناسیم
برای مخاطب ایرانی، یک لایه دیگر هم وجود دارد. OpenAI فهرست رسمی کشورهایی را که API در آن‌ها پشتیبانی می‌شود منتشر کرده و می‌گوید اگر مکانی در فهرست نباشد، پشتیبانی نمی‌شود؛ استفاده از خارج از فهرست ممکن است به مسدود یا تعلیق شدن حساب منجر شود. ایران در آن فهرست نیست. بنابراین یک ریسک جدی «دسترسی» وجود دارد که ربطی به کیفیت ابزار ندارد.
این مقاله راه دورزدن این محدودیت‌ها را پیشنهاد نمی‌کند، چون هم خطر حقوقی و امنیتی دارد و هم دسترسی شما را پایدار نمی‌کند. به‌جایش سه کار عملی می‌توانید انجام دهید: ابزارها را طوری انتخاب و ارزیابی کنید که اگر یکی به مشکل برخورد، جایگزین دیگری داشته باشید؛ داده‌های کاری را با احتیاط و گزینش در ابزار به کار ببرید؛ و درباره تعهدات حقوقی و تحریمی با مشاور حقوقی مشورت کنید. اگر از واسطه‌ها استفاده می‌کنید، حتماً بپرسید داده شما از چه لایه‌هایی عبور می‌کند و شرایط داده هر لایه چیست.
بخش زیادی از کاهش وابستگی به جغرافیای کسب و کار شما ربطی ندارد؛ به طراحی درست مربوط است. نردبان سه پله ای کاهش وابستگی دقیقا از همین جا معنا پیدا می کند.
نردبان سه‌پله‌ای کاهش وابستگی
| پله | مناسب چه کسی | اقدام اصلی | هزینه و پیچیدگی |
|---|---|---|---|
|
۱.مالکیت و راه خروج |
همه، به‌ویژه تازه‌کارها |
فهرست ابزارها و داده‌ها، حساب سازمانی، قرارداد، نگه‌داشتن نمونه‌های آزمون |
کم |
|
۲.طراحی برای جابه‌جایی |
تیم هایی که فرایند یا محصول می‌سازند |
لایه واسط، چند مدل، فال‌بک آزمون‌شده |
متوسط |
|
۳.میزبانی خصوصی مدل با وزن باز |
داده بسیار حساس یا حجم و تخصص کافی |
اجرای مدل روی زیرساخت خودتان |
بالا |
پله اول: مالکیت و راه خروج
این پله به تخصص فنی عمیق نیاز ندارد، اما به تصمیم مدیریتی نیاز دارد. هدف آن است که پیش از هر سرمایه‌گذاری بیشتر، روشن شود کدام بخش از کار شما به ابزار بیرونی وابسته است و اگر آن ابزار در دسترس نبود، چه اتفاقی می‌افتد. چهار اقدام، پایه این پله را می‌سازند:
ممیزی ابزارها و جریان داده: فهرست دقیق ابزارهای هوش مصنوعی در سازمان و نوع داده‌ای که وارد هر کدام می‌شود، تهیه کنید و برای هر ابزار یک مالک مشخص تعیین کنید.
انتقال از حساب شخصی به حساب سازمانی: تا زمانی که حساب‌ها شخصی‌اند، نه فهرست کاربران دست شماست و نه امکان قطع دسترسی یا تحویل داده.
بازبینی تعهدات قراردادی: شرایط هر ابزار درباره استفاده از داده، مدت نگهداری، حذف و خروج را بخوانید. این‌ها همان بندهایی هستند که در لحظه اختلاف یا تغییر شرایط، قدرت چانه‌زنی شما را مشخص می‌کنند.
ساخت یک دارایی ارزیابی: چند نمونه واقعی از کار روزمره‌تان (ورودی و خروجی مطلوب) را بیرون از ابزار و در اختیار خودتان نگه دارید. این مجموعه معیار شما برای سنجش هر جایگزینی است؛ بدون آن، نمی‌توانید بگویید ابزار تازه واقعاً هم‌سطح قبلی است یا نه. تحلیل‌گران صنعت هم تأکید می‌کنند همین مجموعه ارزیابی است که جابه‌جایی مدل یا پلتفرم را ممکن می سازد.
این اقدامات به‌صورت یک اصل حکمرانی هم قابل دفاع‌اند؛ چارچوب NIST برای هوش مصنوعی مولد، پایش و ارزیابی مستمر ابزارهای شخص ثالث را جزو اقدامات لازم می‌داند. به بیان مدیریتی، پیش از تمدید هر اشتراک یا گسترش هر استفاده، بپرسید: مالک این وابستگی کیست، و اگر فردا از دسترس خارج شود، جایگزین آن چیست؟
پله دوم: طراحی برای جابه‌جایی‌پذیری
اگر در حال ساخت یک فرایند یا محصول مبتنی بر هوش مصنوعی هستید، میزان وابستگی‌تان را همین حالا، در طراحی، تعیین می‌کنید. اصلاح این تصمیم‌ها بعد از استقرار، معمولاً بسیار پرهزینه‌تر است. هدف این پله آن است که تغییر فروشنده یا مدل، یک تصمیم مدیریتی با هزینه قابل‌پیش‌بینی باشد، نه یک پروژه بازسازی. پنج اقدام این پله را می‌سازند:
لایه واسط بین فرایند و مدل: منطق کسب‌وکار شما نباید مستقیم به یک مدل یا رابط خاص گره بخورد. با یک لایه واسط، تعویض مدل در حد پیکربندی می‌ماند. رویه‌های مرتبط با قفل‌شدن هم بر استفاده از رابط‌های انعطاف‌پذیر، چند مدل و گزینه جایگزین محلی تأکید می‌کنند.
مدیریت پرامپت‌ها و قواعد به‌عنوان دارایی سازمان: پرامپت‌ها، دستورالعمل‌ها و نمونه‌های مرجع را نسخه‌بندی و مستند کنید و در جایی نگه دارید که به حساب یک فروشنده وابسته نباشد.
قابل‌خروج بودن زمینه و حافظه: بپرسید آنچه سیستم درباره کار شما «یاد گرفته» یا ذخیره کرده، در صورت قطع همکاری، قابل بازیابی است؟
جایگزین آزمون‌شده، نه فقط نوشته‌شده: گزینه دوم باید واقعاً روی مجموعه ارزیابی خودتان اجرا شده باشد. سندی که می‌گوید «در صورت نیاز می‌توانیم عوض کنیم» تضمین نیست.
بازبینی دوره‌ای وابستگی: پیشنهاد عملی ما این است که وضعیت وابستگی را در بازه‌های ثابت و پس از هر تغییر مهم در قیمت یا شرایط فروشنده مرور کنید.
پله سوم: میزبانی خصوصی مدل با وزن باز
گزارش NTIA آمریکا نشان می‌دهد در دسترس بودن مدل ها به صورت اپن ویت (Open Weight)، می‌تواند کنترل بازار را از چند توسعه‌دهنده بزرگ خارج نموده و به سازمان‌ها اجازه دهد بدون سپردن داده به اشخاص ثالث از مدل بر بستر داخلی سازمان استفاده کنند. برای کسب‌وکاری با داده حساس، این مزیت راهبردی است. اما این پله سرمایه‌گذاری و مسئولیت می‌آورد، و پیش از تصمیم باید پنج مسئله را به دقت بسنجید:
«وزن باز (Open Weight)» با «متن‌باز» یکی نیست. طبق تعریف OSI، هوش مصنوعی متن‌باز علاوه بر وزن‌ها، کد و اطلاعات کافی درباره داده آموزشی را هم می‌خواهد؛ وزن باز معمولاً فقط یعنی خود وزن‌ها منتشر شده‌اند.
مجوز، تصمیم حقوقی است. تحلیل Practical Law (رویترز) نشان می‌دهد مجوزهای مدل‌های وزن‌باز اغلب محدودیت‌های حوزه کاربرد دارند و مفاهیم مجوز نرم‌افزار متن‌باز مستقیماً درباره آن‌ها صادق نیست. پیش از انتخاب مدل، مجوز را با مشاور حقوقی مرور کنید.
کیفیت باید با مجموعه ارزیابی خودتان سنجیده شود. CSA می‌نویسد مدل‌های وزن‌باز پیشرو از نظر تاریخی از مدل‌های بسته عقب‌تر بوده‌اند. اینکه فاصله امروز برای کار شما قابل‌قبول است یا نه، باید آزمون نشان دهد.
وابستگی صفر نمی‌شود. گزارش HAI نشان می‌دهد راه‌حل‌های به‌اصطلاح «حاکمیتی» اغلب وابستگی را بازآرایی می‌کنند، نه حذف.
مسئولیت امنیت و نگهداری با شماست. NTIA هم تأکید می‌کند دسترسی گسترده به وزن‌ها مجموعه‌ای از مزایا و ریسک‌های حاشیه‌ای دارد و چون مدل‌ها سریع تغییر می‌کنند، نتیجه‌گیری قطعی از وضعیت امروز ممکن نیست.
معیار تصمیم‌گیری روشن است؛ اگر داده‌تان بسیار حساس است، حجم استفاده توجیه کننده هزینه ابزار است و تخصص یا شریک فنی قابل‌اتکا دارید، این پله ارزش بررسی جدی دارد. در غیر این صورت، اجرای دقیق پله اول و دوم معمولاً بخش بزرگی از ریسک را کاهش می‌دهد.
هوش مصنوعی مسئولانه چیست و چرا برای کسب‌وکارهای کوچک مهم است؟
کدام پله برای شما مناسب است؟
یک راه ساده برای تصمیم، پاسخ به چهار پرسش است:
اگر فردا این ابزار قطع شود، کدام کار متوقف می‌شود و چقدر طول می‌کشد تا برگردد؟
حساس‌ترین داده‌ای که وارد ابزار می‌شود چیست؟
حجم استفاده چقدر است و آیا هزینه ثابت میزبانی خصوصی توجیه دارد؟
چه کسی در تیم می‌تواند نگهداری و امنیت را بپذیرد؟
اگر جواب پرسش اول «کار حیاتی» و جواب دوم «داده حساس» است، از پله دوم و در نهایت سوم جدی‌تر استفاده کنید. اگر هنوز شروع نکرده‌اید، از پله اول شروع کنید؛ هم ارزان است و هم نیاز به تخصص ندارد.
سؤالات متداول
آیا هوش مصنوعی حاکمیتی یعنی استفاده نکردن از ابزارهای خارجی؟
نه. یعنی استفاده آگاهانه، با داشتن راه خروج و کنترل بر داده و کار خودتان. گزارش HAI هم توصیه می‌کند استقلال را هدف نهایی ندانید و راه‌حل‌هایی را انتخاب کنید که انتخاب‌های راهبردی را بیشتر می‌کنند بدون آنکه دسترسی به توان‌های پیشرو را از دست بدهید.
مدل متن‌باز همیشه ارزان‌تر و امن‌تر است؟
لزوماً نه. هزینه سخت‌افزار، نگهداری، امنیت و تخصص انسانی را دارد و ممکن است توانایی‌اش از مدل‌های بسته کمتر باشد.
اگر دسترسی به یک ابزار قطع شود چه کنم؟
اگر پله اول را انجام داده باشید، داده، نمونه‌های آزمون و مستندات کارتان دست خودتان است و می‌توانید سریع‌تر جایگزین را امتحان کنید. اگر لایه واسط و فال‌بک آزمون‌شده هم دارید، جابه‌جایی ساده‌تر می‌شود.
آیا باید همین الان به مدل خصوصی مهاجرت کنم؟
معمولاً نه. اول وابستگی‌ها را شناسایی و پله اول و دوم را اجرا کنید؛ بعد اگر داده یا حجم کار توجیه کرد، پله سوم را بررسی کنید.
سخن آخر
هوش مصنوعی حاکمیتی یعنی داشتن کنترل واقعی بر داده، ابزارها و تصمیم‌های هوش مصنوعی در کسب‌وکار خودتان. هدف واقع‌بینانه برای کسب‌وکارهای کوچک و متوسط، نه استقلال کامل، بلکه کاهش وابستگی و داشتن راه خروج است.
وابستگی فقط به یک مدل یا ابزار محدود نمی‌شود. دستورالعمل‌ها و پرامپت‌هایی که نوشته‌اید، اطلاعاتی که ابزار از کار شما نگه می‌دارد، اتصال‌هایش به سیستم‌های دیگر و نمونه‌های سنجش کیفیت هم می‌توانند شما را به یک فروشنده گره بزنند.
مسیر سه‌پله‌ای را از ابتدا شروع کنید: اول مالکیت و راه خروج، بعد طراحی برای جابه‌جایی، و فقط در صورت توجیه‌پذیری (داده بسیار حساس، حجم بالای کار، تخصص فنی)، اجرای مدل روی زیرساخت خودتان.
ریسک دسترسی و تحریم را جدی بگیرید، اما انرژی‌تان را روی چیزهایی بگذارید که در کنترل شماست؛ ابزارهای قابل‌جایگزینی، داده‌ای که در اختیار خودتان است، و تصمیم‌هایی که مستند شده‌اند.