ثروت هوش

فصل تجارت - حمید کردبچه* اقتصاد کشور طی سال‌های اخیر منابع قابل‌توجهی را صرف دیجیتالی‌کردن فرآیندهای بانکی، تجاری و دولتی کرده است و اکنون که بخش مهمی از این زیرساخت‌ها شکل گرفته، پرسش تازه‌ای پیش روی سیاستگذاران قرار گرفته که با پرسش دهه گذشته تفاوت بنیادین دارد و آن هم اینکه وقتی توان تحلیل، پیش‌بینی و تصمیم‌گیری به شکل نرم‌افزاری تولید و با هزینه‌ای اندک تکثیر می‌شود، سهم کشور از ثروت حاصل از آن به چه عواملی بستگی دارد و کدام نهاد مسوول تضمین این سهم است.

اقتصاد دیجیتال عمدتا به انتقال فعالیت‌های موجود به بستر الکترونیک مربوط بود. فرم کاغذی جای خود را به فرم آنلاین داد و شعبه فیزیکی به برنامه موبایلی تبدیل شد؛ اما منطق تصمیم‌گیری در بیشتر بنگاه‌ها همچنان به قضاوت انسانی و ظرفیت محدود کارشناسان وابسته ماند. آنچه امروز با هوش مصنوعی در حال شکل‌گرفتن است این محدودیت را از جایی دیگر برمی‌دارد. یک سامانه می‌تواند حجم عظیمی از داده را در زمانی کوتاه بررسی کند، سناریوها را مقایسه کند و پیشنهاد تصمیم و ‌مسیر جدید بدهد. اگر همین سامانه به عاملی مستقل برای جمع‌آوری اطلاعات، مذاکره و اجرای بخشی از معامله تبدیل شود، می‌توان آن را در کنار نیروی کار و سرمایه یک عامل تولید دانست. اقتصاد هوش هنوز تعریف رسمی و واحدی در ادبیات اقتصادی ندارد و در این یادداشت صرفا به‌عنوان چارچوبی برای فهم این مرحله به‌کار می‌رود.
بهره‌وری بدون مالکیت
نخستین خطای تحلیلی در این بحث آن است که افزایش بهره‌وری را به افزایش ثروت ملی ارتباط دهیم. اگر بنگاهی با کمک هوش مصنوعی کاری را که پیش‌تر صد نفر انجام می‌دادند با پنجاه نفر انجام دهد، بهره‌وری بالا رفته است. اما اینکه منفعت حاصل به مصرف‌کننده، نیروی متخصص، سهامدار یا سرمایه‌گذاری جدید برسد یا بخش مهمی از آن به شکل هزینه خدمات به مالک خارجی مدل، تراشه، زیرساخت محاسباتی یا پلتفرم منتقل شود، به ساختار مالکیت و قراردادهای فناوری بستگی دارد. کشوری که تنها مصرف‌کننده مدل‌های دیگران باشد، می‌تواند بهره‌وری بیشتری داشته باشد و در عین حال سهم متناسبی از ثروت جدید را به‌دست نیاورد.
ارزش در این اقتصاد در یک نقطه خلق نمی‌شود و زنجیره‌ای از داده، محاسبات، مدل، تخصص، کاربرد و بازار شکل می‌گیرد که هر حلقه آن می‌تواند محل تمرکز قدرت اقتصادی باشد. کشوری که فقط در حلقه کاربرد قرار دارد بیشترین وابستگی را تجربه می‌کند. کشوری که داده باکیفیت، انرژی ارزان و پایدار، مراکز داده، نیروی انسانی متخصص، حقوق مالکیت فکری و بازار را در اختیار دارد، می‌تواند بخش بزرگ‌تری از ارزش را در داخل نگه دارد. به همین دلیل این موضوع به وزارت ارتباطات محدود نمی‌شود و به سیاست انرژی، سیاست صنعتی، نظام سرمایه‌گذاری، آموزش عالی، تجارت و قواعد رقابت نیز گره می‌خورد.
صنعت خدمات مالی نمونه روشنی از این مساله است. بانکی که سامانه‌ای برای اعتبارسنجی مشتریان بر پایه سابقه تراکنش، رفتار مالی، درآمد و بازپرداخت تسهیلات بسازد، زمان بررسی پرونده‌ها را کاهش می‌دهد، هزینه عملیاتی را پایین می‌آورد و با همان نیروی انسانی تعداد بیشتری پرونده را رسیدگی می‌کند. اگر این سامانه خدمتی خریداری‌شده باشد که داده‌های بانک را به یک پلتفرم بیرونی می‌سپارد، بخشی از ارزش ایجادشده به شکل هزینه استفاده از کشور خارج می‌شود و داده‌ای که ارزشمندترین دارایی بانک است از کنترل آن بیرون می‌رود. اما اگر بانک با متخصصان داخلی، داده‌های کیفی و زیرساخت محاسباتی مدل اختصاصی خود را توسعه دهد، همان سامانه به دارایی‌ تبدیل می‌شود که می‌توان آن را به بانک‌ها و نهادهای دیگر عرضه کرد. تفاوت این دو مسیر در صورت‌های مالی سال نخست شاید محسوس نباشد، ولی در بلندمدت مشخص می‌کند کدام بنگاه صرفا هزینه فناوری می‌پردازد و کدام بنگاه از آن دارایی و مزیت رقابتی می‌سازد. همین منطق درباره کارخانه‌ای که داده‌های نگهداری و تعمیرات خود را به مدل پیش‌بینی خرابی تبدیل می‌کند یا شرکت بیمه‌ای که مدل ریسک بومی می‌سازد نیز صادق است.
از این رو آزمون اصلی بیش از آنکه فنی باشد، حکمرانی است و چهار دامنه مشخص دارد؛ نخست، حکمرانی داده است. تا زمانی که قواعد روشنی برای دسترسی، اشتراک و امنیت داده‌های بانکی، سلامت، انرژی و صنعت وجود نداشته باشد، مدل داخلی با کیفیت کافی ساخته نمی‌شود و بنگاه‌ها ناچار می‌شوند داده خود را در اختیار خدمات خارجی بگذارند. دوم، تامین انرژی و ظرفیت محاسباتی است؛ چون هزینه‌برق و دسترسی به سخت‌افزار تعیین می‌کند آموزش و اجرای مدل‌ها در داخل مقرون‌به‌صرفه باشد یا نه و ناترازی انرژی که اکنون بر صنعت فشار می‌آورد بر این ظرفیت نیز اثر مستقیم دارد. سوم، نظام خرید فناوری در بانک‌ها و بنگاه‌های دولتی است. اگر معیار انتخاب کمترین قیمت و سریع‌ترین راه‌اندازی باشد، وابستگی به‌طور سیستماتیک تولید می‌شود، درحالی‌که می‌توان قراردادها را طوری طراحی کرد که مالکیت مدل‌های بومی‌سازی‌شده، حق دسترسی فنی و انتقال دانش به طرف ایرانی را دربرگیرد. چهارم، سرمایه انسانی است؛ زیرا مهاجرت متخصصان و شکاف میان دانشگاه و صنعت می‌تواند اثر هر طرح مالی و زیرساختی را خنثی کند.
حمایت از هر طرحی که برچسب هوش مصنوعی دارد پاسخ درستی نیست؛ چون چنین سیاستی منابع را به سمت پروژه‌هایی می‌برد که جذاب‌ترند و لزوما اثرگذارتر نیستند. معیار مناسب‌تر اثر اقتصادی قابل‌اندازه‌گیری است، مانند کاهش اتلاف انرژی و آب، کاهش تقلب، بهبود زنجیره تامین، افزایش بهره‌وری کشاورزی و توسعه صادرات خدمات تخصصی و هر حمایتی باید با شاخص‌های مشخص و بازه ارزیابی معین همراه باشد. پرسش بنگاه‌ها نیز باید تغییر کند. مدیران به جای اینکه بپرسند کدام فرآیند را دیجیتال کنند، باید بپرسند کدام تصمیم را می‌توانند بهتر، سریع‌تر و ارزان‌تر بگیرند و مالکیت کدام بخش از این ظرفیت را باید در اختیار داشته باشند. اقتصاد دیجیتال به ما آموخت که داده دارایی است و اقتصاد هوش احتمالا درس سخت‌تری خواهد داشت؛ زیرا هوشی که مالک آن نباشیم لزوما ثروت ما نخواهد بود. اگر سیاستگذاری در سال‌های پیش رو میان مصرف و مالکیت تفکیک قائل نشود، ممکن است با بهره‌وری بالاتر و ثروتی تقریبا ثابت روبه‌رو شویم. پرسشی که باید پاسخ آن را از امروز در سیاست‌ها و قراردادها جست این است که ایران در زنجیره ارزش هوش مصنوعی مصرف‌کننده خواهد ماند، تولیدکننده خواهد شد یا مالک بخشی از ثروت حاصل از آن خواهد بود.
* کارشناس اقتصاد دیجیتال