هوش مصنوعی در نیمه اول سال ۲۰۲۶ هم‌زمان سه تصویر متفاوت ساخته است. مدل‌ها در ارزیابی‌های فنی پیشرفت کرده‌اند، استفاده سازمانی گسترش یافته و سرمایه‌گذاری در زیرساخت و شرکت‌های هوش مصنوعی افزایش پیدا کرده است. بااین‌حال، این تحولات در همه سطوح اقتصاد اثر یکسانی ندارند.

برای یک کارشناس خدمات مشتری، برنامه‌نویس یا مدیر محصول، اثر هوش مصنوعی می‌تواند در زمان انجام یک وظیفه دیده شود. در سطح سازمان، تبدیل این صرفه‌جویی زمانی به درآمد یا کاهش هزینه به تغییر فرایند، داده مناسب و پذیرش کارکنان وابسته است. در سطح اقتصاد کلان نیز انتشار فناوری میان هزاران بنگاه و صنعت زمان بیشتری می‌خواهد.

فاصله میان آمارهای پذیرش، همین تفاوت مقیاس را نشان می‌دهد. در داده‌های رسمی OECD، در سال ۲۰۲۵ حدود ۲۰٫۲ درصد بنگاه‌های کشورهای عضو دارای داده قابل مقایسه از هوش مصنوعی استفاده کرده‌اند. در نظرسنجی جهانی مک‌کینزی، ۸۸ درصد پاسخ‌دهندگان گفته‌اند سازمانشان در دست‌کم یک حوزه کاری به‌طور منظم از هوش مصنوعی استفاده می‌کند. اولی آمار رسمی بنگاه‌ها در مجموعه‌ای از اقتصادهای OECD است؛ دومی پیمایش مدیریتی از ۱٬۹۹۳ پاسخ‌دهنده در ۱۰۵ کشور است که بر اساس سهم کشورها از تولید ناخالص داخلی وزن‌دهی شده است.

پرسش اصلی این گزارش از همین فاصله شکل می‌گیرد: اثر اقتصادی و کاربرد عملی هوش مصنوعی تا پایان نیمه اول ۲۰۲۶ در کدام سطح قابل مشاهده است؛ وظیفه، سازمان یا اقتصاد کلان؟

مرور سریع مقاله

سطح اثر	آنچه تا پایان ژوئن ۲۰۲۶ دیده می‌شود	محدودیت اصلی
وظیفه	کاهش زمان یا افزایش خروجی در برخی وظایف ساختاریافته و قابل‌اندازه‌گیری	نتیجه به نوع کار، تجربه فرد و شیوه استفاده وابسته است
سازمان	پذیرش گسترده و بازده مالی قابل مشاهده در گروهی از شرکت‌ها	بسیاری از سازمان‌ها در مرحله آزمایش یا پایلوت مانده‌اند
اقتصاد کلان	رشد سریع سرمایه‌گذاری و تغییر تدریجی ترکیب وظایف	اثر بر بهره‌وری، اشتغال و تولید در اقتصادهای مورد بررسی هنوز محدود است

نتیجه کلی گزارش چنین است: اثر هوش مصنوعی در سطح وظیفه آشکار شده، بازده سازمانی میان شرکت‌های کمتری متمرکز است و شواهد کلان هنوز از دوره‌ای انتقالی خبر می‌دهند.

نیمه اول ۲۰۲۶ را چگونه باید اندازه گرفت؟

گزارش حاضر رویدادها و منابع منتشرشده تا ۳۰ ژوئن ۲۰۲۶ را پوشش می‌دهد. بخشی از منابع در همین دوره منتشر شده‌اند، اما داده‌های آن‌ها به سال ۲۰۲۵ یا ماه‌های پیش از انتشار مربوط است. تاریخ انتشار گزارش با دوره جمع‌آوری داده یکسان نیست و در تفسیر هر عدد باید هر دو را دید.

منابع این مقاله نیز ماهیت یکسانی ندارند. آمار رسمی بنگاه‌ها، مقاله داوری‌شده، مقاله کاری، داده واقعی استفاده از محصول و پیمایش خوداظهاری مدیران هرکدام به پرسش متفاوتی پاسخ می‌دهند.

منبع	زمان انتشار و دوره داده	نوع شاهد و دامنه
OECD	۲۸ ژانویه ۲۰۲۶؛ داده‌های سال ۲۰۲۵	آمار رسمی بنگاه‌ها در کشورهای OECD دارای داده قابل مقایسه
McKinsey Global Survey	۵ نوامبر ۲۰۲۵؛ گردآوری از ۲۵ ژوئن تا ۲۹ ژوئیه ۲۰۲۵	پیمایش ۱٬۹۹۳ پاسخ‌دهنده در ۱۰۵ کشور؛ ۳۸ درصد از شرکت‌های با درآمد بیش از یک میلیارد دلار
Stanford AI Index 2026	نیمه اول ۲۰۲۶؛ عمدتاً داده‌های ۲۰۲۵ و برخی سنجش‌های مارس ۲۰۲۶	گزارش ترکیبی درباره عملکرد فنی، سرمایه‌گذاری، پذیرش و بازار کار
PwC Global CEO Survey	۱۹ ژانویه ۲۰۲۶	پیمایش ۴٬۴۵۴ مدیرعامل در ۹۵ کشور و قلمرو
PwC AI Performance Study	۱۳ آوریل ۲۰۲۶	پیمایش ۱٬۲۱۷ مدیر ارشد، عمدتاً از شرکت‌های بزرگ بورسی در ۲۵ صنعت و چند منطقه جهان
KPMG Global AI Pulse	۳۱ مارس ۲۰۲۶؛ گردآوری از ۱۷ فوریه تا ۱۷ مارس ۲۰۲۶	پیمایش ۲٬۱۱۰ مدیر ارشد در ۲۰ بازار؛ همه شرکت‌ها با درآمد حداقل ۱۰۰ میلیون دلار
Anthropic Economic Index	۲۶ ژوئن ۲۰۲۶؛ داده استفاده از ۱۰ آوریل تا ۱۰ ژوئن ۲۰۲۶	داده کاربران Claude و پیمایش حدود ۹٬۷۰۰ کاربر؛ نمونه نماینده بازار کار عمومی نیست

این ترکیب امکان مشاهده چند سطح را فراهم می‌کند. محدودیت آن نیز روشن است: برای بسیاری از اقتصادها، از جمله ایران، داده عمومی منظم و قابل مقایسه درباره استفاده سازمانی، بازده سرمایه‌گذاری و اثر بازار کار در دسترس نیست.

قابلیت‌های فنی چگونه به کاربرد عملی نزدیک شدند؟

گزارش عملکرد فنی AI Index دانشگاه استنفورد نشان می‌دهد رقابت میان مدل‌های پیشرو فشرده‌تر شده است. تا مارس ۲۰۲۶، چهار شرکت برتر در رتبه‌بندی Arena در فاصله ۲۵ امتیاز Elo از یکدیگر قرار داشتند. رتبه Arena از رأی و مقایسه کاربران میان پاسخ مدل‌ها ساخته می‌شود و کیفیت عمومی پاسخ را می‌سنجد؛ عملکرد یک مدل در فرایند خاص سازمانی ممکن است متفاوت باشد.

مدل‌های پیشرو در ارزیابی‌های مربوط به مالیات، پردازش وام مسکن، مالی شرکتی و استدلال حقوقی به دامنه عملکرد ۶۰ تا ۹۰ درصد رسیده‌اند. در هر یک از این ارزیابی‌ها، فاصله میان ۱۵ مدل برتر گاهی به سه واحد درصد کاهش پیدا می‌کند. چنین نتایجی نشان می‌دهد دسترسی به قابلیت پایه در حال فراگیرترشدن است و معیارهایی مانند هزینه، قابلیت اعتماد، امنیت داده و کیفیت عملکرد در حوزه تخصصی نقش پررنگ‌تری در انتخاب سازمانی پیدا می‌کنند.

پیشرفت مدل‌ها همچنان نامتوازن است. در همان گزارش، یک مدل توانست در المپیاد جهانی ریاضی ۲۰۲۵ امتیاز مدال طلا بگیرد؛ بهترین مدل در ClockBench فقط ۵۰٫۶ درصد ساعت‌های عقربه‌ای را درست خواند، در حالی که عملکرد انسان ۹۰٫۱ درصد بود. این الگو با مفهوم «هوش دندانه‌دار» توضیح داده می‌شود: توانایی بسیار بالا در یک دسته مسئله می‌تواند کنار ضعف در وظیفه‌ای ساده‌تر قرار بگیرد.

عامل‌های هوشمند نیز از پاسخ‌گویی به اجرای کار نزدیک‌تر شده‌اند. در OSWorld، بنچمارکی برای سنجش انجام وظایف رایانه‌ای در چند سیستم‌عامل، نرخ موفقیت از حدود ۱۲ درصد به ۶۶٫۳ درصد رسید. این عدد عملکرد در یک محیط ارزیابی ساختاریافته را نشان می‌دهد و نرخ موفقیت سامانه در محیط عملیاتی سازمان را اندازه نمی‌گیرد.
منبع: گزارش عملکرد فنی Stanford AI Index 2026

در نتیجه، قابلیت فنی برای تعدادی از کاربردهای واقعی به سطح مفیدی رسیده است. سنجش اثر اقتصادی به شواهد محیط کار نیاز دارد؛ جایی که کیفیت داده، پیچیدگی فرایند، تجربه کارکنان و هزینه خطا بر نتیجه اثر می‌گذارند.

اثر هوش مصنوعی در سطح وظیفه آشکارتر است

قوی‌ترین شواهد اقتصادی هوش مصنوعی تا نیمه اول ۲۰۲۶ از وظایف مشخص می‌آیند. این مطالعات معمولاً یک کار، گروهی از کارکنان و شاخص قابل‌اندازه‌گیری مانند زمان، کیفیت یا تعداد خروجی را بررسی می‌کنند.

مقاله داوری‌شده «هوش مصنوعی مولد در محیط کار» در نشریه Quarterly Journal of Economics، عملکرد ۵٬۱۷۲ کارشناس پشتیبانی مشتری را در یک شرکت فهرست Fortune 500 بررسی کرده است. ابزار هوش مصنوعی تعداد مسائل حل‌شده در هر ساعت را به‌طور متوسط ۱۵ درصد افزایش داد. این افزایش برای کارکنان کم‌تجربه‌تر حدود ۳۰ درصد بود. مطالعه به یک شرکت و یک شغل محدود است؛ ۸۹ درصد کارشناسان نمونه خارج از آمریکا و عمدتاً در فیلیپین کار می‌کردند و به مشتریان کسب‌وکارهای کوچک آمریکایی خدمات می‌دادند.
منبع: Generative AI at Work، سال ۲۰۲۵

در مقاله کاری «تغییر الگوهای کار با هوش مصنوعی مولد»، ۷٬۱۳۷ نیروی دانشی در ۶۶ شرکت به مدت شش ماه بررسی شدند. در نیمه دوم آزمایش، ۸۰ درصد کارکنان گروه دریافت‌کننده که واقعاً از ابزار استفاده کردند، هر هفته حدود دو ساعت کمتر برای ایمیل وقت گذاشتند و زمان کمتری خارج از ساعات معمول کار فعالیت کردند. پژوهشگران تغییر قابل تشخیصی در تعداد یا ترکیب وظایف پیدا نکردند. برخی نویسندگان هنگام انجام پژوهش در مایکروسافت، سازنده M365 Copilot، فعالیت داشتند؛ مقاله اعلام می‌کند که شرکت نتایج و برآوردها را تعیین نکرده است.
منبع: مقاله کاری NBER، بازبینی نوامبر ۲۰۲۵

آزمایش میدانی دیگری با ۷۷۶ متخصص Procter & Gamble نشان داد افرادی که با هوش مصنوعی کار می‌کردند، در توسعه راه‌حل محصول به کیفیتی قابل مقایسه با تیم‌های بدون هوش مصنوعی رسیدند. این نتیجه درباره یک محیط سازمانی و وظیفه نوآوری محصول است و به همه انواع کار تیمی تعمیم داده نمی‌شود.
منبع: The Cybernetic Teammate، سال ۲۰۲۵

اثر مثبت در همه وظایف تکرار نمی‌شود. METR در یک آزمایش تصادفی با ۱۶ توسعه‌دهنده باتجربه و ۲۴۶ مسئله واقعی از مخازن متن‌بازی که توسعه‌دهندگان سال‌ها با آن‌ها آشنا بودند، دریافت استفاده از ابزارهای ابتدای ۲۰۲۵ زمان انجام کار را ۱۹ درصد افزایش داده است. پژوهشگران تأکید می‌کنند که این نمونه نماینده کل برنامه‌نویسان نیست. در فوریه ۲۰۲۶، METR داده‌های آزمایش بعدی را به‌دلیل خودانتخابی مشارکت‌کنندگان، تغییر نرخ دستمزد و دشواری اندازه‌گیری زمان هنگام استفاده هم‌زمان از چند عامل، برای برآورد اثر روز غیرقابل اتکا دانست. این به‌روزرسانی نتیجه آزمایش اولیه را پس نگرفت.
منبع: مطالعه اولیه METR و یادداشت روش‌شناسی فوریه ۲۰۲۶

داده خوداظهاری کاربران نیز تصویری از تجربه روزمره ارائه می‌کند. در پیمایش Anthropic از حدود ۹٬۷۰۰ کاربر Claude، ۸۶ درصد بهبود سرعت، ۸۲ درصد گسترش دامنه کار و ۶۹ درصد بهبود کیفیت را گزارش کردند. این نمونه به کاربران فعال یک محصول محدود است؛ مشاغل رایانه‌ای و ریاضی حدود ۳۰ درصد و مدیران حدود ۲۳ درصد پاسخ‌دهندگان را تشکیل می‌دادند، در حالی که سهم این دو گروه در اشتغال آمریکا به‌ترتیب حدود ۴ و ۷ درصد بود.
منبع: Anthropic Economic Index، ژوئن ۲۰۲۶

کنار هم گذاشتن این شواهد یک نتیجه محتاطانه می‌دهد: هوش مصنوعی در وظایف ساختاریافته، دیجیتال و قابل ارزیابی می‌تواند زمان یا خروجی را تغییر دهد. اندازه و جهت اثر به نوع کار، تجربه فرد، کیفیت ابزار و زمینه استفاده وابسته است.

پذیرش سازمانی گسترده است؛ مقیاس آمارها متفاوت است

تا پایان نیمه اول ۲۰۲۶، استفاده سازمانی از هوش مصنوعی به صنایع و کشورها گسترش یافته بود. عمق استفاده در بنگاه‌ها تفاوت زیادی داشت؛ دسترسی کارکنان به ابزار، اجرای پایلوت در یک واحد و اتصال سامانه به فرایندهای اصلی، مراحل جداگانه‌ای هستند.

منبع	عدد پذیرش	این عدد چه چیزی را می‌سنجد؟
OECD، داده رسمی ۲۰۲۵	۲۰٫۲ درصد بنگاه‌ها	استفاده از هوش مصنوعی در کشورهای عضو دارای داده قابل مقایسه؛ ۵۲ درصد در بنگاه‌های بزرگ و ۱۷٫۴ درصد در بنگاه‌های کوچک
McKinsey، پیمایش جهانی ۲۰۲۵	۸۸ درصد پاسخ‌دهندگان	استفاده منظم سازمان در دست‌کم یک حوزه کاری؛ حدود یک‌سوم گسترش برنامه در سطح سازمان را گزارش کردند
KPMG، پیمایش سه‌ماهه اول ۲۰۲۶	نمونه‌ای از شرکت‌های بزرگ	تمام پاسخ‌دهندگان از شرکت‌های با حداقل ۱۰۰ میلیون دلار درآمد سالانه و ۷۵ درصد از شرکت‌های با درآمد بیش از یک میلیارد دلار بودند

منبع: داده رسمی OECD، پیمایش جهانی McKinsey و KPMG Global AI Pulse

اختلاف ارقام از سه عامل می‌آید. جامعه آماری پژوهش‌ها تفاوت دارد؛ آمار OECD بنگاه‌های کوچک، متوسط و بزرگ را پوشش می‌دهد و پیمایش‌های مشاوره‌ای حضور پررنگ‌تری از مدیران شرکت‌های بزرگ دارند. تعریف استفاده نیز تغییر می‌کند. یک مطالعه استفاده موردی کارکنان را ثبت می‌کند و مطالعه دیگر استقرار رسمی در یک حوزه کاری را می‌سنجد. روش جمع‌آوری داده هم متفاوت است؛ آمار رسمی، پیمایش مدیریتی و داده واقعی محصول هرکدام بخشی از تصویر را ثبت می‌کنند.

ازاین‌رو، عدد پذیرش باید همراه با چهار مشخصه خوانده شود: جغرافیا، دوره داده، نوع سازمان‌های نمونه و تعریف استفاده.

بازده سازمانی واقعی و متمرکز است

شواهد نیمه اول ۲۰۲۶ نشان می‌دهد برخی سازمان‌ها به نتیجه مالی قابل‌اندازه‌گیری رسیده‌اند. توزیع این بازده میان شرکت‌ها بسیار نابرابر است.

در پیمایش جهانی PwC از ۴٬۴۵۴ مدیرعامل در ۹۵ کشور و قلمرو، ۱۲ درصد پاسخ‌دهندگان گفتند هوش مصنوعی هم‌زمان کاهش هزینه و افزایش درآمد ایجاد کرده است. ۳۳ درصد در یکی از این دو حوزه منفعت گزارش کردند و ۵۶ درصد منفعت مالی معناداری گزارش نکردند. این ارقام پاسخ خوداظهاری مدیران درباره عملکرد شرکت است. منبع: PwC Global CEO Survey 2026

مطالعه دیگری از PwC، با ۱٬۲۱۷ مدیر ارشد عمدتاً از شرکت‌های بزرگ بورسی در ۲۵ صنعت و چند منطقه جهان، تمرکز بازده را نشان می‌دهد. بر اساس تحلیل پاسخ‌های مدیران، ۷۴ درصد ارزش اقتصادی گزارش‌شده برای هوش مصنوعی به ۲۰ درصد سازمان‌های نمونه تعلق داشت. این مطالعه ارزش اقتصادی را از افزایش درآمد و کارایی منتسب به هوش مصنوعی و پس از تعدیل نسبت به میانه صنعت محاسبه کرده است؛ ارقام آن داده حسابرسی‌شده مالی شرکت‌ها نیستند. منبع: PwC AI Performance Study، آوریل ۲۰۲۶

از صرفه‌جویی زمانی تا نتیجه مالی

هر ساعت صرفه‌جویی‌شده مستقیماً به سود سازمان تبدیل نمی‌شود. کارمند ممکن است زمان آزادشده را صرف بررسی خروجی مدل، افزایش کیفیت یا انجام فعالیت تازه کند. گلوگاه اصلی فرایند نیز گاهی در مرحله دیگری قرار دارد و سریع‌ترشدن یک وظیفه ظرفیت کل سیستم را تغییر نمی‌دهد.

تبدیل بهره‌وری وظیفه‌ای به نتیجه مالی به چهار حلقه وابسته است:

۱. ابزار در یک وظیفه پرتکرار و قابل‌اندازه‌گیری مفید باشد.
۲. کارکنان آن را به‌طور مستمر به کار بگیرند.
۳. ظرفیت آزادشده به کاهش هزینه، افزایش تولید، بهبود کیفیت یا درآمد تازه منجر شود.
۴. هزینه مدل، زیرساخت، یکپارچه‌سازی، کنترل و آموزش از منفعت ایجادشده کمتر باشد.

پیمایش مک‌کینزی این فاصله را در سطح سازمان نشان می‌دهد. ۳۹ درصد پاسخ‌دهندگان نوعی اثر هوش مصنوعی بر سود پیش از بهره و مالیات (EBIT) گزارش کردند؛ بیشتر این گروه سهم هوش مصنوعی را کمتر از ۵ درصد EBIT سازمان برآورد کردند. حدود ۶ درصد کل پاسخ‌دهندگان در گروه «عملکرد برتر در هوش مصنوعی» قرار گرفتند: سازمان‌هایی که دست‌کم ۵ درصد اثر بر EBIT و ارزش سازمانی قابل توجه گزارش کرده بودند. منبع: McKinsey Global Survey 2025

بازطراحی گردش‌کار چگونه نتیجه را تغییر می‌دهد؟

سازمان‌های دارای بازده بیشتر معمولاً هوش مصنوعی را داخل جریان اصلی کار قرار داده‌اند. ورودی داده، مسئولیت تصمیم‌گیری، مرحله کنترل انسانی و شاخص عملکرد در این سازمان‌ها تعریف روشن‌تری دارد.

در مطالعه PwC، شرکت‌های حاضر در ۲۰ درصد بالای عملکرد هوش مصنوعی دو برابر سایر شرکت‌ها احتمال داشت گردش‌کارهای خود را برای استفاده از هوش مصنوعی بازطراحی کرده باشند. مطالعه مک‌کینزی نیز نشان داد گروه دارای عملکرد برتر تقریباً سه برابر دیگران بازطراحی اساسی گردش‌کار را گزارش می‌کنند.

برای نمونه، تولید پیش‌نویس پاسخ مشتری با هوش مصنوعی ممکن است چند دقیقه از زمان کارشناس کم کند. اتصال همان سامانه به سابقه مشتری، قواعد خدمات، سطح اختیار و فرایند ارجاع می‌تواند زمان حل مسئله، نرخ خطا و رضایت مشتری را تغییر دهد. در این مرحله، مالکیت فرایند، کیفیت داده و حدود تصمیم‌گیری مدل به بخشی از طراحی راهکار تبدیل می‌شوند.

عامل‌های هوشمند در چه مرحله‌ای قرار دارند؟

عامل هوشمند (AI Agent) سامانه‌ای است که برای رسیدن به یک هدف چند مرحله را برنامه‌ریزی و اجرا می‌کند، از ابزارها یا داده‌ها کمک می‌گیرد و بر اساس نتیجه مرحله قبل مسیر خود را تغییر می‌دهد. این تعریف طیفی از دستیارهای محدود تا سامانه‌های دارای اختیار عملیاتی را در بر می‌گیرد.

تا پایان ژوئن ۲۰۲۶، عامل‌ها به یکی از محورهای سرمایه‌گذاری سازمانی تبدیل شده بودند. استقرار پایدار آن‌ها در فرایندهای متعدد همچنان به گروه کوچک‌تری از سازمان‌ها محدود بود.

اختلاف تعریف‌ها و آمارها

در پیمایش مک‌کینزی، ۲۳ درصد پاسخ‌دهندگان گفتند سازمانشان دست‌کم در یک حوزه در حال گسترش یک سامانه عامل‌محور است و ۳۹ درصد مرحله آزمایش را گزارش کردند. در هر حوزه کاری مشخص، سهم سازمان‌هایی که عامل‌ها را در مقیاس به کار گرفته بودند از ۱۰ درصد فراتر نمی‌رفت.

نظرسنجی KPMG که بین ۱۷ فوریه و ۱۷ مارس ۲۰۲۶ از ۲٬۱۱۰ مدیر ارشد در ۲۰ بازار انجام شد، ارقام بالاتری ارائه می‌کند: ۳۲ درصد استقرار یا گسترش عامل‌ها و ۲۷ درصد هماهنگ‌سازی چند عامل را گزارش کردند. KPMG فقط ۱۱ درصد پاسخ‌دهندگان را در گروه «رهبران هوش مصنوعی» قرار داد؛ سازمان‌هایی با بلوغ بالاتر که عامل‌ها را در حال گسترش یا بهره‌برداری عملیاتی معرفی کردند. ارقام ۳۲ و ۲۷ درصد مراحل و تعریف‌های متفاوتی دارند و نباید با یکدیگر جمع شوند. منبع: KPMG Global AI Pulse

نمونه KPMG کاملاً از شرکت‌های بزرگ تشکیل شده است. تعریف‌هایی مانند «استقرار»، «گسترش» و «هماهنگ‌سازی» نیز میان پژوهش‌ها یکسان نیستند. به همین دلیل، ارقام آن تصویر مناسبی از شرکت‌های بزرگ حاضر در ۲۰ بازار ارائه می‌کنند و نماینده همه بنگاه‌های جهان محسوب نمی‌شوند.

قابلیت اعتماد و نظارت انسانی

توانایی برنامه‌ریزی چندمرحله‌ای، دامنه پیامد خطا را افزایش می‌دهد. یک پاسخ نادرست در چت معمولاً پیش از استفاده بازبینی می‌شود. همان خطا در سامانه متصل به ایمیل، پایگاه داده، نرم‌افزار مالی یا زیرساخت عملیاتی می‌تواند چند اقدام بعدی را تحت تأثیر قرار دهد.

در پیمایش مک‌کینزی، ۵۱ درصد پاسخ‌دهندگان سازمان‌های استفاده‌کننده از هوش مصنوعی دست‌کم یک پیامد منفی را تجربه کرده بودند و نزدیک به یک‌سوم کل پاسخ‌دهندگان به پیامدهای ناشی از نادرستی خروجی اشاره کردند. این ارقام نیز خوداظهاری‌اند و نرخ رخداد فنی را اندازه نمی‌گیرند.

عامل‌ها در محیط سازمانی زمانی قابلیت اتکای بیشتری دارند که دامنه کار محدود و تعریف‌شده باشد، دسترسی‌ها بر اساس حداقل اختیار تنظیم شوند، اقدام‌ها ثبت و قابل بازگشت باشند و تصمیم‌های حساس پیش از اجرا به تأیید انسان برسند. اعتبارسنجی انسانی خروجی‌ها از ویژگی‌هایی بود که در مطالعه مک‌کینزی با عملکرد بهتر سازمانی ارتباط داشت.

سرمایه‌گذاری زودتر از بهره‌وری کلان دیده می‌شود

سرمایه‌گذاری را می‌توان سریع‌تر از بهره‌وری اندازه گرفت. تأمین مالی شرکت‌ها، خرید پردازنده، ساخت مرکز داده و تأمین انرژی از زمان انجام در آمار ظاهر می‌شوند. اثر آن‌ها بر تولید، قیمت، اشتغال و بهره‌وری به زمان بیشتری نیاز دارد.

جریان سرمایه به شرکت‌های هوش مصنوعی

گزارش AI Index دانشگاه استنفورد نشان می‌دهد سرمایه‌گذاری شرکتی جهانی در هوش مصنوعی طی سال ۲۰۲۵ بیش از دو برابر شده است. سرمایه‌گذاری خصوصی ۱۲۷٫۵ درصد رشد کرد و ۶۰ درصد کل سرمایه‌گذاری شرکتی را تشکیل داد. سرمایه‌گذاری خصوصی در هوش مصنوعی مولد نیز بیش از ۲۰۰ درصد افزایش یافت و نزدیک به نیمی از تأمین مالی خصوصی هوش مصنوعی را به خود اختصاص داد.

این ارقام عمدتاً جریان تأمین مالی، از جمله سرمایه‌گذاری خصوصی، را توصیف می‌کنند و با مخارج سرمایه‌ای شرکت‌ها برای مرکز داده و تجهیزات یکسان نیستند.

تمرکز جغرافیایی سرمایه بالاست. سرمایه‌گذاری خصوصی هوش مصنوعی در ایالات متحده طی سال ۲۰۲۵ به ۲۸۵٫۹ میلیارد دلار رسید؛ بیش از ۲۳ برابر رقم ۱۲٫۴ میلیارددلاری چین. گزارش استنفورد هشدار می‌دهد که مقایسه سرمایه‌گذاری خصوصی احتمالاً کل هزینه هوش مصنوعی چین را کمتر از واقع نشان می‌دهد، چون منابع دولتی و صندوق‌های هدایت‌شده حکومتی در آن منظور نشده‌اند. منبع: بخش اقتصاد Stanford AI Index 2026

اقتصاد زیرساخت هوش مصنوعی

رشد هوش مصنوعی به ظرفیت محاسباتی، تراشه، شبکه، مرکز داده، برق و سامانه‌های خنک‌کننده وابسته است. ارائه‌دهندگان بزرگ خدمات ابری در سال ۲۰۲۵ مخارج سرمایه‌ای خود را افزایش دادند و هزینه پردازش مدل‌های پیشرو نیز رشد کرد. این بخش از اقتصاد هوش مصنوعی با داده‌های تأمین مالی شرکت‌ها تفاوت دارد و باید جداگانه سنجیده شود.

وابستگی به زیرساخت، دو پیامد اقتصادی ایجاد می‌کند. بخشی از درآمد و قدرت بازار در تأمین‌کنندگان مدل، تراشه و خدمات ابری متمرکز می‌شود. سازمان استفاده‌کننده نیز باید بازده پروژه را پس از محاسبه هزینه کامل مالکیت بسنجد: هزینه مدل، ذخیره و انتقال داده، یکپارچه‌سازی، امنیت، نظارت و نیروی انسانی.

ارزش ایجادشده برای مصرف‌کننده همیشه به همان اندازه در درآمد شرکت یا تولید ناخالص داخلی ظاهر نمی‌شود. AI Index مازاد مصرف‌کننده سالانه ابزارهای هوش مصنوعی مولد در ایالات متحده را در ابتدای ۲۰۲۶ حدود ۱۷۲ میلیارد دلار برآورد کرده است؛ بسیاری از این ابزارها رایگان یا کم‌هزینه‌اند. این رقم یک برآورد اقتصادی برای آمریکا است و درآمد تحقق‌یافته شرکت‌ها را نشان نمی‌دهد.

در اقتصادهای مورد بررسی، اثر کلان هنوز محدود است

شواهد سطح بنگاه و بازار کار تا پایان نیمه اول ۲۰۲۶ از تغییر در شیوه انجام کار خبر می‌دهند. اثر تجمیعی بر اشتغال و بهره‌وری در اقتصادهای دارای داده هنوز کوچک یا از نظر آماری دشوار برای تشخیص است.

یک مقاله کاری بانک فدرال رزرو آتلانتا از نمونه‌های نماینده نزدیک به ۶ هزار مدیرعامل، مدیر مالی و مدیر ارشد در آمریکا، بریتانیا، آلمان و استرالیا استفاده کرده است. حدود ۷۰ درصد بنگاه‌ها فعالانه از هوش مصنوعی استفاده می‌کردند؛ بیش از ۸۰ درصد آن‌ها برای سه سال گذشته اثری بر اشتغال یا بهره‌وری گزارش نکردند. مدیران برای سه سال آینده به‌طور متوسط افزایش ۱٫۴ درصدی بهره‌وری، افزایش ۰٫۸ درصدی تولید و کاهش ۰٫۷ درصدی اشتغال را پیش‌بینی کردند. بخش آینده‌نگر این یافته‌ها انتظار مدیران است و نتیجه تحقق‌یافته اقتصادی محسوب نمی‌شود. منبع: مقاله کاری Federal Reserve Bank of Atlanta، مارس ۲۰۲۶

تغییر وظایف پیش از تغییر مشاغل

مطالعه بازار کار دانمارک تصویر دقیق‌تری از مسیر تغییر ارائه می‌کند. پژوهشگران داده‌های پذیرش چت‌بات را به سوابق اداری اشتغال و درآمد متصل کردند. در نسخه بازبینی‌شده مارس ۲۰۲۶، دو سال پس از عرضه ChatGPT اثر قابل تشخیصی بر درآمد یا ساعات ثبت‌شده کارکنان و محل‌های کار مشاهده نشد؛ طراحی آماری پژوهش امکان رد اثرهای بزرگ‌تر از ۲ درصد را فراهم می‌کرد.

در همان داده‌ها، ترکیب کار در حال تغییر بود. وظایف تازه‌ای در تولید محتوا، نظارت بر هوش مصنوعی و یکپارچه‌سازی سامانه‌ها شکل گرفت و بخشی از استفاده‌کنندگان به مشاغل پردرآمدتر و مرتبط‌تر با هوش مصنوعی منتقل شدند. تعداد این جابه‌جایی‌ها برای تغییر میانگین درآمد کافی نبود. این پژوهش یک مقاله کاری است و نتایج آن به بازار کار دانمارک مربوط می‌شود.
منبع: مقاله کاری NBER، بازبینی مارس ۲۰۲۶

نخستین نشانه‌های بازار کار در شرح وظایف، مهارت‌های موردنیاز، مسیر ورود نیروهای تازه‌کار و توزیع زمان کارکنان ظاهر می‌شوند. تغییر تعداد کل مشاغل ممکن است دیرتر و با تفاوت زیاد میان حرفه‌ها و صنایع رخ دهد.

چرا اثر کلان با تأخیر ظاهر می‌شود؟

تبدیل بهبود یک وظیفه به رشد بهره‌وری اقتصاد چند مرحله زمان‌بر دارد. سازمان‌ها باید کاربردهای مناسب را پیدا کنند، داده و زیرساخت را آماده سازند، فرایندها را بازطراحی کنند، کارکنان را آموزش دهند و پروژه‌های کم‌اثر را کنار بگذارند. هزینه سرمایه‌گذاری و اختلال دوره گذار نیز در حساب‌های اقتصادی ثبت می‌شود.

پراکندگی پذیرش اهمیت دارد. اثر کلان زمانی محسوس‌تر می‌شود که فناوری در بخش بزرگی از اقتصاد و میان بنگاه‌های متوسط و کوچک نفوذ کند. سهم بالای فعالیت‌های حضوری، فیزیکی یا دارای محدودیت مقرراتی می‌تواند سرعت انتقال را کاهش دهد.

اندازه‌گیری نیز دشوار است. بهبود کیفیت، پاسخ‌گویی سریع‌تر، دسترسی رایگان مصرف‌کننده و کاهش کارهای ناخوشایند همیشه به‌طور کامل در تولید ناخالص داخلی یا آمار ساعات کار منعکس نمی‌شود. صرفه‌جویی زمانی خوداظهاری نیز ممکن است با منفعت مالی تحقق‌یافته فاصله داشته باشد.

چه عواملی اثر اقتصادی را تعیین می‌کنند؟

از کنار هم گذاشتن شواهد نیمه اول ۲۰۲۶، هفت عامل بیشترین نقش را در تبدیل قابلیت فنی به نتیجه اقتصادی دارند:

۱. تناسب وظیفه: وظایف پرتکرار، دیجیتال، ساختاریافته و قابل ارزیابی معمولاً بازده روشن‌تری دارند.

۲. کیفیت داده: دسترسی کنترل‌شده به داده دقیق و به‌روز، کیفیت پاسخ و امکان اجرای فرایندهای سازمانی را تعیین می‌کند.

۳. بازطراحی فرایند: افزودن ابزار به گردش‌کار موجود اغلب صرفه‌جویی محدودی ایجاد می‌کند. بازتعریف مراحل، نقش‌ها و نقاط تصمیم‌گیری می‌تواند اثر را به سطح سازمان منتقل کند.

۴. پذیرش کارکنان و مهارت: آموزش، اعتماد، انگیزه استفاده و توانایی ارزیابی خروجی مدل بر میزان استفاده واقعی اثر می‌گذارد. در نظرسنجی KPMG از شرکت‌های بزرگ در ۲۰ بازار، ۷۷ درصد سازمان‌های مطمئن به مسیر تأمین و توسعه استعداد، ارزش معنادار گزارش کردند؛ این نسبت در گروه کم‌اطمینان ۲۰ درصد بود.

۵. سنجش عملکرد: سازمان باید خط مبنا، هزینه کامل، کیفیت، زمان چرخه، درآمد و خطا را پیش از گسترش پروژه اندازه بگیرد. تعداد کاربران یا درخواست‌ها به‌تنهایی بازده اقتصادی را نشان نمی‌دهد.

۶. حاکمیت و قابلیت اعتماد: سطح اختیار مدل، کنترل دسترسی، ثبت اقدام‌ها، حفاظت از داده و نقاط تأیید انسانی باید متناسب با پیامد خطا طراحی شود.

۷. هزینه و مقیاس: یک کاربرد مفید در نمونه آزمایشی ممکن است پس از افزودن هزینه محاسبات، یکپارچه‌سازی و نظارت توجیه اقتصادی خود را از دست بدهد. بازده باید در مقیاس واقعی بررسی شود.

این عوامل بخشی از تفاوت میان شرکت‌های پیشرو و سایر سازمان‌ها را توضیح می‌دهند. دسترسی به مدل پیشرفته فقط یکی از مؤلفه‌هاست. توان سازمان برای تغییر فرایند، مدیریت داده، جلب مشارکت کارکنان و سنجش نتیجه نیز مسیر دستیابی به ارزش اقتصادی را تعیین می‌کند.

جمع‌بندی؛ اثر آشکار در وظیفه، بازده متمرکز در سازمان

بر اساس شواهد منتشرشده تا پایان ژوئن ۲۰۲۶، اثر هوش مصنوعی در سه سطح با سرعت متفاوتی حرکت می‌کند.

در سطح وظیفه، مطالعات میدانی در خدمات مشتری، کار دانشی، توسعه نرم‌افزار و نوآوری محصول از کاهش زمان، افزایش خروجی یا افت عملکرد در شرایط مختلف خبر می‌دهند. نوع کار، تجربه فرد، کیفیت ابزار و امکان ارزیابی خروجی اندازه و جهت اثر را تعیین می‌کنند.

در سطح سازمان، بازده مالی شکل گرفته و میان گروه محدودتری از شرکت‌ها متمرکز است. سازمان‌های این گروه معمولاً هوش مصنوعی را به داده و گردش‌کار اصلی متصل کرده‌اند، فرایندها را بازطراحی می‌کنند و برای سنجش، مهارت و حاکمیت منابع بیشتری اختصاص می‌دهند. بخش بزرگی از سازمان‌ها همچنان میان پایلوت و استقرار محدود حرکت می‌کنند.

در اقتصادهای مورد بررسی، سرمایه‌گذاری و ساخت زیرساخت با سرعت بالایی پیش رفته و اثر بر بهره‌وری، اشتغال و تولید کل محدود و نامتوازن باقی مانده است. داده‌های دانمارک و پیمایش بنگاه‌ها در آمریکا، بریتانیا، آلمان و استرالیا نشان می‌دهند تغییر وظایف از تغییر شاخص‌های کلان جلوتر حرکت می‌کند.

پاسخ کوتاه به پرسش گزارش چنین است: اثر عملی هوش مصنوعی در سطح وظیفه آشکار شده، بازده سازمانی میان تعداد محدودی از شرکت‌ها تمرکز دارد و انتقال آن به بهره‌وری کل اقتصاد به انتشار گسترده‌تر فناوری و تغییرات مکمل سازمانی نیاز دارد.

برای سازمان‌های ایرانی، این شواهد نقش چارچوب مقایسه دارند. برآورد دقیق اثر در ایران به داده‌های محلی درباره هزینه زیرساخت، کیفیت داده، مهارت، مقررات، ساختار بنگاه‌ها و الگوی اشتغال نیاز دارد.

منابع اصلی

• OECD؛ داده استفاده افراد و بنگاه‌ها از هوش مصنوعی در سال ۲۰۲۵
• Stanford AI Index 2026؛ عملکرد فنی
• Stanford AI Index 2026؛ اقتصاد
• McKinsey؛ وضعیت هوش مصنوعی در سال ۲۰۲۵
• PwC؛ پیمایش جهانی مدیران عامل ۲۰۲۶
• PwC؛ مطالعه عملکرد هوش مصنوعی ۲۰۲۶
• KPMG؛ پیمایش جهانی هوش مصنوعی، سه‌ماهه اول ۲۰۲۶
• Quarterly Journal of Economics؛ هوش مصنوعی مولد در محیط کار
• NBER؛ تغییر الگوهای کار با هوش مصنوعی مولد
• NBER؛ تغییرات اولیه بازار کار دانمارک
• Federal Reserve Bank of Atlanta؛ داده بنگاه‌ها درباره هوش مصنوعی
• Anthropic Economic Index؛ ژوئن ۲۰۲۶
• METR؛ اثر ابزارهای ابتدای ۲۰۲۵ بر توسعه‌دهندگان متن‌باز