مدیرعامل مایکروسافت، ساتیا نادلا، در یک پست تحلیلی و طولانی در شبکه اجتماعی X (سابق توییتر)، مفهومی را معرفی کرد که میتواند نحوه تفکر مدیران ارشد در مورد سرمایهگذاری در هوش مصنوعی را ریشهبن değiştirد. او اینermost. نادلا استدلال میکند که سازمانها تنها با پول برای هوش مصنوعی هزینه نمیکنند، بلکه با دارایی ارزشمندتریشان: دانش و فرآیندهای اختصاصی نیز پرداخت میکنند.
پارادوکس معکوس اطلاعات: وقتی خریدار در معرض خطر قرار میگیرد
نادلا به نظریه کلاسیک اقتصاددان برنده جایزه نوبل، کنت آرو (Kenneth Arrow) در مورد «پارادوکس اطلاعات» اشاره میکند. آرو معتقد بود فروشنده اطلاعات با معمای دشواری روبروست: چگونه ارزش اطلاعات را بدون فاش کردن آن به خریدار ثابت کند؟
اما نادلا استدلال میکند که در عصر هوش مصنوعی سازمانی (Enterprise AI)، این پارادوکس برعکس شده است. در این مدل جدید، بار اثبات و ارائه ارزش بر دوش خریدار (سازمان) است. برای اینکه یک مدل زبان بزرگ (LLM) نتایج باکیفیت و مرتبط با کسبوکار تولید کند، سازمان باید «فرآیندهای اختصاصی»، «تخصص نهادی» و «دادههای حساس» خود را به مدل بدهد.
«شما در اصل دو بار برای هوش پرداخت میکنید: یک بار با پول، و بار دیگر با چیزی حتی ارزشمندتر — دانش اختصاصی که باید فاش کنید تا آن هوش مفید شود. هرچه بخواهید مدل بهتر عمل کند، بیشتر از آن دانش باید به آن بدهید.»
وقتی «دود» (Exhaust) به مزیت رقابتی غیرقابلخرید تبدیل میشود
نادلا از اصطلاح «دود» (Exhaust) برای توصیف محصول ثانویه تعاملات کارکنان با سیستمهای هوش مصنوعی استفاده میکند. هر تصحیح پرامپت، هر بازخورد، و هر ارزیابی (Evaluation) که کارمندان انجام میدهند، در سیستم نهفته شده و تدریجی «دانش نهادی» (Institutional Know-how) را شکل میدهد.
این دانش، برخلاف دادههای آموزشی عمومی، رقابتناپذیر است. رقیبی نمیتواند آن را بخرد، زیرا حاصل سالها تجربه، خطا و اصلاح در محیط خاص آن سازمان است. اما نادلا هشدار میدهد: این دانش «به نامحسوس و ردیابی به ردیابی» در مدلهای هوش مصنوعی نهفته شده و در صورت عدم کنترل، میتواند از دست برود.
تعریف مجدد مرز اعتماد: به سمت پشتههای بیطرف از مدل (Model-Agnostic)
این دیدگاه، فشار را بر سمت معماریهای جدید میآورد. نادلا پیشبینی میکند که شرکتها به سمت پشتههای هوش مصنوعی بیطرف از مدل (Model-Agnostic AI Stacks) حرکت خواهند کرد. در این معماری، «پرامپتها»، «حافظهها» و «تجربههای سازمانی» در کنترل کامل خود سازمان باقی میمانند، در حالی که مدلهای پایه (Foundation Models) قابل تعویض هستند.
وی همچنین به نکته ظریفی در مدلهای تجاری فعلی اشاره کرد: ارائهدهندگان مدل ادعا میکنند حق یادگیری از دادههای عمومی را دارند، اما محدود میکنند که مشتریان چگونه میتوانند بر دانشِ تولید شده در داخل سازمان خود سرمایهگذاری کنند یا آن را بازیابی کنند.
پارادوکس مایکروسافت: Copilot، Microsoft Graph و دامنۀ امنیت
برخی ناظران طنز را در سخنان نادلا میبینند. او از خطر از دست دادن دانش سازمانی به سیستمهای هوش مصنوعی هشدار میدهد، در حالی که مایکروسافت Copilot را میفروشد؛ محصولی که قدرت آن در دسترسی وسیع به دادههای سازمانی از طریق Microsoft Graph خلاصه میشود. Copilot بر روی اسناد، ایمیلها، چتها و دادههای دیگر که کاربر به آنها دسترسی دارد، استدلال میکند.
پژوهشهای امنیتی اخیر، این نگرانیها را تقویت کردهاند:
- تحقیقات Concentric AI نشان داد که Copilot در نیمه اول ۲۰۲۵ به نزدیک به ۳ میلیون رکورد محرمانه در هر سازمان دسترسی داشته است.
- حسابرسیهای EPC Group 드러 کرد که حدود ۸۰٪ از مستأجران Microsoft 365 ریسک اشتراکگذاری بیش از حد (Oversharing) داشتند، شامل اطلاعات حقوق، اسناد ادغام و دادههای مشتری.
- مجلس نمایندگان آمریکا موقتاً کارکنان خود را از استفاده از Copilot به دلایل امنیتی منع کرد (هرچند ممنوعیت بعداً برداشته شد).
تمایز مایکروسافت: بازیابی داده در برابر آموزش مدل
مایکروسافت در پاسخ به این انتقادات، تمایز کلیدی را مطرح میکند: دسترسی به داده برای پاسخ به کاربر (RAG) متفاوت از استفاده از داده برای آموزش مدل پایه است. شرکت تأکید میکند که اطلاعات بازیابی شده از طریق Microsoft Graph برای آموزش مدلهای هوش مصنوعی مایکروسافت استفاده نمیشود و Copilot از مجوزهای موجود، کنترلهای هویت (Identity) و برچسبهای حساسیت (Sensitivity Labels) احترام میگذارد.
با این حال، استراتژی «امنیت به طراحی» (Security by Design) و مدیریت دقیق حکمرانی داده (Data Governance) بر عهده خود سازمانهاست. همانطور که نادلا اشاره کرد، مرز اعتماد باید توسط مالک داده ترسیم شود، نه ارائهدهنده مدل.
نتیجهگیری: استراتژی داده، استراتژی هوش مصنوعی است
پیام نهایی نادلا برای رهبران دیجیتال روشن است: هوش مصنوعی تنها یک پروژه فناوری اطلاعات نیست، بلکه یک تصمیم استراتژیک در مورد داراییهای معنوی سازمان است. قبل از استقرار گسترده ابزارهای Generative AI، شرکتها باید از خود بپرسند: ما چه میدانیم که دیگران ندانند، و آیا حاضریم آن را برای «هوشِ اجارهای» فدا کنیم؟ آینده متعلق به سازمانهاست که داده و دانش خود را در معماریهای کنترلشده، قابلِ جستجو و मालکیتپذیر نگهداری میکنند.
