از پیش بینی تا پیش نویس آینده: هوش مصنوعی و اقتصاد سناریو

عصرایران؛ سعید کیائی- اقتصاد قرن بیستم شاهد برآمدن اقتصاددانان و تحلیل‌گران مالی به‌عنوان پیشگوهای مدرن بود؛ افرادی که با اتکا به ابزارهای ریاضی و آماری، می‌کوشیدند مسیر آینده بازارها، قیمت‌ها و چرخه‌های تجاری را ترسیم کنند. پیش‌بینی در آن دوران نه فقط زیربنای سیاست‌گذاری اقتصادی، بلکه ابزار کلیدی تصمیم‌گیری‌های کلان در دولت‌ها و شرکت‌های بین‌المللی محسوب می‌شد. با این حال، در آستانه دهه سوم قرن بیست‌ویکم، این الگو زیر فشار فناوری‌های نوین به‌ویژه هوش مصنوعی و الگوریتم‌های سناریوساز دچار دگرگونی بنیادی شد. آینده، دیگر صرفاً مفهومی برای کشف شدن نیست؛ بلکه به «پیش‌نویسی» بدل شده که ماشین‌ها، داده‌های لحظه‌ای و حتی میدان‌های نبرد روایتی، به‌طور فعال آن را می‌سازند و بازنویسی می‌کنند. این تغییر، رسانه و اقتصاد دیجیتال را نیز به بازیگرانی هم‌سنگ با سیاست‌گذاران بدل کرده است؛ جایی که مرز میان پیش‌بینی و مهندسی آینده هر روز کمرنگ‌تر می‌شود.

جنگ ۱۲ روزه ایران و اسرائیل در خرداد و تیر ۱۴۰۴، فراتر از یک رویارویی نظامی یا مذاکره پنهان دیپلماتیک، به آزمایشگاهی زنده برای نبرد روایت‌ها بدل شد. این جدال نه‌تنها افکار عمومی جهانی را جهت داد، بلکه مسیر حرکت بازار انرژی، نوسان ارزهای دیجیتال و سطح اعتماد به نهادهای اقتصادی را نیز شکل داد. در کانون این منازعه، نقش الگوریتم‌های پلتفرم‌ها در طراحی و توزیع سناریوهای آینده به‌وضوح آشکار بود: نفت به کدام قیمت خواهد رسید؟ دلار چه مسیری را طی می‌کند؟ و آیا رمزارزها همچنان پناهگاه امن سرمایه‌ها خواهند ماند؟

پرسش محوری یادداشت حاضر این است: آیا آینده اقتصاد را همچنان اقتصاددانان و سیاست‌گذاران می‌نویسند یا اینکه الگوریتم‌های هوش مصنوعی به نویسندگان اصلی آینده بدل شده‌اند؟

سناریوسازی الگوریتمی در اقتصاد

هوش مصنوعی امروز تنها به پردازش و تحلیل داده‌های کلان اقتصادی بسنده نمی‌کند، بلکه به یکی از خلاق‌ترین «روایت‌سازان» عرصه مالی و رسانه‌ای بدل شده است. الگوریتم‌های یادگیری ماشینی و پردازش زبان طبیعی قادرند انبوهی از داده‌های تراکنش‌ها، شاخص‌های بورس، گزارش‌های فروش و حتی سیگنال‌های غیرساختاریافته مانند پست‌های شبکه‌های اجتماعی را به الگوهای معنادار تبدیل کنند (Hermida and Lewis 2021; Latour 2005). این فرایند نه‌فقط در قالب ارائه نمودار یا مدل پیش‌بینی، بلکه در شکل نگارش خودکار گزارش‌های مالی، تحلیل‌های تفسیری و سناریوهای روایی از آینده بازار جریان می‌یابد؛ روایت‌هایی که می‌توانند همزمان ارزش خبری، قدرت اقناع و اثرگذاری اقتصادی داشته باشند (McCombs and Shaw 1972; Sardar 2010).

برای نمونه، برخی سامانه‌های مبتنی بر هوش مصنوعی اکنون می‌توانند پیش از انتشار آمار رسمی، با تحلیل داده‌های خریدوفروش آنلاین و روندهای حمل‌ونقل، تغییرات تورم را پیش‌بینی و حتی «سناریوهای محتمل» را در قالب متونی شبیه مقالات تحلیلی در رسانه‌های مالی منتشر کنند (Berger and Luckmann 1966).

چنین ترکیبِ پردازش‌گر–راوی‌ای به تدریج مرز سنتی میان تحلیل علمی و بازنمایی رسانه‌ای را محو می‌کند و به قول مرتن (Merton 1948) می‌تواند به «پیش‌گویی‌های خودمحقق‌گر» بدل شود؛ یعنی پیش‌بینی‌هایی که صرف انتشارشان، رفتار کنش‌گران اقتصادی را تغییر می‌دهد و مسیر واقعی بازار را دگرگون می‌کند. در نتیجه، هوش مصنوعی نه‌فقط ابزاری برای درک آینده، بلکه عاملی مؤثر در ساختن و شتاب‌بخشیدن به آن شده است.

در بازار سرمایه ایران، گزارش‌های مبتنی بر داده به شکل گسترده در شبکه‌های اجتماعی بازنشر می‌شوند. یک نمودار ساده از روند نرخ ارز یا بورس می‌تواند با چند جمله تحلیل الگوریتمی، هزاران بار بازنشر شود و انتظارات جمعی را شکل دهد. همین مسئله در بازار جهانی رمزارزها نیز صادق است. توییتر مالی و پلتفرم‌هایی چون TradingView و Reddit در سال‌های اخیر به میدان‌های اصلی تولید و مصرف روایت‌های اقتصادی بدل شده‌اند.

نکته بنیادین در فهم نقش هوش مصنوعی در اقتصاد روایت‌محور این است که الگوریتم‌ها دیگر صرفاً به پیش‌بینی خطی آینده اکتفا نمی‌کنند؛ آن‌ها به صورت فعال، «سناریوهای احتمالی» را طراحی، تدوین و در معرض دید کاربران قرار می‌دهند. این سناریوسازی نه صرفاً محصول تحلیل داده، بلکه برآمده از رویکردی است که آینده را به مثابه متنی باز و قابل بازنویسی می‌بیند (Sardar2010; Bell 2003). برای نمونه، یک مدل زبانی پیشرفته از خانواده GPT می‌تواند بر اساس داده‌های لحظه‌ای بازار، سه مسیر کاملاً متفاوت برای قیمت نفت را در قالب روایت‌هایی ساختاریافته عرضه کند: سناریوی نخست، افزایش چشمگیر ارزش نفت به‌دلیل گسترش یک جنگ منطقه‌ای؛ سناریوی دوم، تداوم نسبی ثبات با اتکای به مداخله هماهنگ اوپک؛ و سناریوی سوم، کاهش ناگهانی قیمت‌ها به‌دلیل حصول یک توافق سیاسی پیش‌بینی‌نشده.

هر یک از این سناریوها، به محض انتشار در بسترهای خبری، شبکه‌های اجتماعی یا گزارش‌های اقتصادی، بخشی از جریان گفت‌وگوی عمومی و محیط تصمیم‌گیری اقتصادی می‌شوند (McCombs and Shaw 1972; Hermida and Lewis 2021). همین فرایند، آن‌گونه که نظریه‌پردازان «کنشگر–شبکه» توضیح می‌دهند، الگوریتم را از یک ابزار تحلیلی منفعل به کنشگری مؤثر در شبکه تعاملات انسانی–ماشینی ارتقا می‌دهد (Latour 2005). افزون بر این، چنین سناریوسازی می‌تواند موجب «موج‌زنی بازاری» (market rippling) شود؛ یعنی ترسیم مسیرهای احتمالی، انتظارات سرمایه‌گذاران و فعالان اقتصادی را تغییر داده و در عمل، بخشی از آینده پیش‌بینی‌شده را خلق کند (Merton 1948). به این ترتیب، هوش مصنوعی هم نویسنده آینده است و هم بازیگری که بر صحنه تحقق آن قدم می‌گذارد.

روایت‌های الگوریتمی خود به بخشی از واقعیت اقتصادی تبدیل می‌شوند. این همان چیزی است که می‌توان آن را «سناریوسازی الگوریتمی» نامید: فرآیندی که در آن، داده‌ها به روایت تبدیل می‌شوند و روایت‌ها بر کنش‌های واقعی تأثیر می‌گذارند.

نظریه‌های ارتباطات و آینده روایت‌های اقتصادی

برای فهم عمق این گذار ـ از پیش‌بینی منفعلانه به سناریوسازی فعال آینده ـ باید دوباره به چارچوب‌های بنیادین نظریه ارتباطات بازگشت. «ساخت اجتماعی واقعیت» برگر و لاکمن (Berger and Luckmann 1966) در اصل بر این تأکید دارد که «واقعیت» نه یک امر کشفی و بیرونی، بلکه محصول فرایند پیچیده میان‌کنشی بین کنشگران اجتماعی است. هر بازیگر در این میدان، با تولید و بازتولید روایت‌ها، سهمی در تعریف و تثبیت واقعیت دارد. هنگامی که الگوریتم‌ها به‌عنوان کنشگران شبه‌اجتماعی وارد این شبکه می‌شوند، نقشی مشابه به دست می‌آورند: پیش‌بینی‌ها، سناریوها و روایت‌هایی که تولید می‌کنند، بخشی از همان واقعیت اجتماعی را شکل می‌دهد که بعداً مبنای تصمیم‌های انسانی قرار می‌گیرد (Latour 2005). بدین‌سان، آینده نه به شکل منفعلانه «کشف»، بلکه در فرآیندی مشارکتی ـ که اکنون ماشین‌ها نیز در آن سهیم‌اند ــ «نوشته» می‌شود.

این پویایی با نظریه «اثر خودتحقق‌بخش» مرتن (Merton 1948) روشن‌تر می‌شود. در اقتصاد جهانی، بسیاری از روندها هنگامی به واقعیت بدل می‌شوند که کنشگران اصلی بازار به پیش‌بینی‌ها باور پیدا کنند و اقداماتشان را بر همان پایه بچینند. اگر یک مدل GPT‑محور سه مسیر آینده برای قیمت نفت ترسیم کند ــ جهش شدید ناشی از جنگ، ثبات تحت مدیریت اوپک، یا افت ناگهانی بر اثر توافق سیاسی ــ این سناریوها به‌سرعت در قالب خبرها، تحلیل‌ها و پست‌های شبکه‌ای بازنشر می‌شوند. این بازنشر نه‌تنها انتظارات، بلکه رفتار بازار را تغییر می‌دهد و گاهی همان پیش‌بینی را به واقعیت بدل می‌کند (Hermida and Lewis 2021).

افزون بر این، نظریه «مارپیچ سکوت» نوئله‑نویمان (Noelle-Neumann 1974) ظرفیت توضیح یک بعد سیاسی–رسانه‌ای را دارد: در میدان عمومی، سلطه روایی می‌تواند منجر به حذف یا حاشیه‌نشینی صداهای جایگزین شود. در جریان جنگ ۱۲ روزه ایران و اسرائیل، رسانه‌های غربی که روایتشان توسط الگوریتم‌های اولویت‌بندی محتوا تقویت می‌شد، دستورکار اقتصادی بحران را شکل دادند: از تأثیر جنگ بر بازار انرژی گرفته تا پیش‌بینی رکود یا رونق. در مقابل، روایت‌های اقتصادی رسانه‌های منطقه‌ای یا منابع مستقل، به دلیل وزن کمتر در معادلات الگوریتمی و چرخه توزیع توجه، آن‌قدر دیده نشدند که بتوانند به جریان اصلی بدل شوند.

این سه نظریه، در کنار هم نشان می‌دهند که در عصر سناریوسازی الگوریتمی، هوش مصنوعی دیگر در جایگاه یک «دستیار تحلیل‌گر» باقی نمی‌ماند، بلکه به کنشگری روایی تبدیل می‌شود. همین جایگاه فعال، به آن اجازه می‌دهد همزمان در سه حوزه اثر بگذارد: ساحت علمی (از طریق تولید مدل‌ها و سناریوها)، ساحت رسانه‌ای (با هدایت روایت‌ها و دستورکارها)، و ساحت اقتصادی–رفتاری (با جهت‌دهی به انتظارات و سیاست‌ها) (Sardar 2010; McCombs and Shaw 1972).

آینده‌پژوهی اقتصاد و نقش AI

یکی از تمایزهای کلیدی در ادبیات آینده‌پژوهی، تفاوت بنیادین میان «پیش‌بینی» (Forecasting)  و «سناریوسازی» (Scenario Building) است. در رویکرد پیش‌بینی، هدف آن است که با اتکا به داده‌های گذشته و حال و با استفاده از مدل‌های آماری یا یادگیری ماشین، مسیرِ محتمل آینده ترسیم شود؛ مسیری که بیشترین شانس رخداد را بر اساس روندهای موجود دارد (Armstrong 2001). این شیوه، گرچه برای برنامه‌ریزی کوتاه‌مدت و مدیریت ریسک ضروری است، ذاتاً به تداوم الگوهای جاری تمایل دارد و تغییرات ساختارشکن را کمتر در نظر می‌گیرد.

در مقابل، سناریوسازی از ابتدا بر این فرض استوار است که آینده، یگانه و قطعی نیست، بلکه مجموعه‌ای از «آینده‌های بدیل» است که ممکن است برخی از آن‌ها از نظر احتمال وقوع بسیار کم اما از نظر پیامد بسیار پراثر باشند (Schoemaker 1995.  در این رویکرد، تخیل راهبردی و سازه‌های روایی نقش محوری دارند: تحلیلگر یا الگوریتم نه صرفاً مسیر «محتمل‌ترین» آینده، بلکه طیفی از مسیرها را می‌سازد که شرایط، محرک‌ها و پیامدهای متفاوت دارند.

با حضور هوش مصنوعی در این میدان، مرز میان این دو رویکرد شکل تازه‌ای به خود می‌گیرد. در ساختارهای پیش‌بینی سنتی، مدل‌ها معمولاً «خارج از داستان» عمل می‌کنند؛ آن‌ها با داده کار دارند و نه با روایت. اما در سناریوسازی الگوریتمی، خودِ مدل هوش مصنوعی به یک روایت‌گر فعال تبدیل می‌شود که از داده‌های کلان نه فقط برای برآورد روندها، بلکه برای خلق داستان‌های منسجم درباره آینده استفاده می‌کند. این داستان‌ها می‌توانند، همان‌طور که نظریه «اثر خودتحقق‌بخش» توضیح می‌دهد (Merton 1948)، بر رفتار واقعی بازیگران اقتصادی اثر گذاشته و فراتر از یک ابزار تحلیلی، به یک محرک رویداد بدل شوند.

در پوشش رسانه‌ای جنگ ۱۲ روزه ایران و اسرائیل دیدیم که الگوریتم‌های خبر و تحلیل، علاوه بر پیش‌بینی‌های کوتاه‌مدت (مثلاً نوسان قیمت نفت در روزهای آینده)، سناریوهای متنوعی تولید می‌کردند؛ از آغاز یک رکود منطقه‌ای تا احیای مذاکرات سیاسی. این تنوع روایی، هرچند بر بستر داده‌ها ساخته شده بود، اما از نظر اثرگذاری بر بازارها و افکار عمومی، بسیار فراتر از «پیش‌بینی» صرف عمل کرد (Hermida and Lewis 2021; McCombs and Shaw 1972).

در نتیجه، فهم و تمایز دقیق این دو رویکرد نه‌تنها برای پژوهشگران آینده‌پژوهی، بلکه برای تحلیل‌گران داده، تصمیم‌گیران اقتصادی و حتی نهادهای نظارتی اهمیت دارد. چراکه در عصر سناریوسازی الگوریتمی، آینده دیگر تنها «پیش‌بینی» نمی‌شود، بلکه فعالانه «ساخته» و «روایت» می‌شود (Sardar 2010).

هوش مصنوعی با ظرفیت شگفت‌انگیز خود در پردازش انبوه داده‌ها، مدل‌سازی پیچیده و اجرای شبیه‌سازی‌های چندلایه، به موتور محرکه اصلی سناریوسازی آینده در اقتصاد بدل شده است. آنچه این فناوری را از ابزارهای تحلیلی کلاسیک متمایز می‌کند، توانایی آن در نه‌تنها شناسایی روندهای جاری، بلکه خلق مجموعه‌ای از آینده‌های بدیل است که هر یک بر پایه داده‌های واقعی اما با ترکیب تخیل تحلیلی ساخته می‌شوند (Schoemaker 1995; Armstrong 2001).

برای نمونه، در موضوع نرخ تورم ایران، یک مدل الگوریتمی می‌تواند سه مسیر روایی داده‌محور ترسیم کند:

سناریوی اول: تداوم رشد شتابان تورم، در صورتی که فشار تحریم‌ها افزایش یافته و سیاست‌های جبرانیِ دولت ناکارآمد باقی بمانند.

سناریوی دوم: دستیابی به ثبات نسبی، در صورت اصلاحات ساختاری در سیاست ارزی و بهبود کنترل نقدینگی.

سناریوی سوم: کاهش قابل توجه تورم، در پی ورود سرمایه خارجی ناشی از یک توافق دیپلماتیک گسترده.

با این حال، این خروجی‌ها در خلأ باقی نمی‌مانند. هنگامی که این سناریوها به‌واسطه رسانه‌ها، شبکه‌های اجتماعی و پلتفرم‌های تحلیلی به گردش درآیند، وارد عرصه‌ای می‌شوند که نظریه «اثر خودتحقق‌بخش» (Merton1948) به‌خوبی توضیح می‌دهد: پیش‌بینی‌هایی که خود به ایجاد شرایط تحققشان کمک می‌کنند. در این وضعیت، صرفِ بازنشر گسترده سناریوی «ثبات نسبی» می‌تواند نگرش فعالان اقتصادی را تغییر دهد، رفتار سرمایه‌گذاران را تعدیل کند، و حتی موقتاً انتظارات تورمی را کاهش دهد. بالعکس، برجسته‌سازی سناریوی «رشد تورم» ممکن است منجر به خریدهای هیجانی، خروج سرمایه و شتاب گرفتن همان روندی شود که پیش‌تر فقط «پیش‌بینی» شده بود.

اینجاست که مفهوم «سواد روایی داده‌ها» (Data Narrative Literacy) اهمیت حیاتی می‌یابد (Sardar2010). این سواد به معنای توانایی تشخیص کیفیت، انگیزه و سازوکار شکل‌گیری روایت‌های الگوریتمی است؛ قابلیتی که نه‌تنها برای جامعه و رسانه‌ها، بلکه برای نهادهای اقتصادی و حتی ناظران سیاست عمومی ضروری است. در غیاب آن، خطر گرفتار شدن در «مارپیچ روایت‌های مصنوعی» ـ که گاهی نه بازتاب دقیق واقعیت، بلکه بازتاب ترجیحات یا محدودیت‌های طراحی الگوریتم‌ها هستند ــ به شدت افزایش می‌یابد.

در خلال جنگ ۱۲ روزه جایی که خروجی الگوریتم‌ها درباره اثرات اقتصادی جنگ بر بازار انرژی، در قالب سناریوهای بدیل به گردش درآمد و در عرض چند روز، دستورکار رسانه‌ای و انتظار سرمایه‌گذاران جهانی را تغییر داد (Hermida and Lewis 2021; McCombs and Shaw 1972). این نمونه نشان می‌دهد که سناریوسازی الگوریتمی، اگرچه ابزار قدرتمندی برای آمادگی اقتصادی است، می‌تواند همزمان به محرکی برای شکل دادن به همان آینده‌ای بدل شود که قرار بوده فقط «توصیف» کند.

جنگ ۱۲ روزه ایران و اسرائیل به‌مثابه یک آزمایشگاه روایی

جنگ نشان داد که روایت‌های اقتصادی تا چه حد می‌توانند در میدان منازعات سیاسی و نظامی تعیین‌کننده باشند. در روزهای نخست جنگ، الگوریتم‌های خبری و تحلیلی در پلتفرم‌های جهانی موجی از تحلیل‌ها درباره آینده بازار نفت و انرژی منتشر کردند. برخی مدل‌ها افزایش شدید قیمت نفت را محتمل می‌دانستند، در حالی که دیگران بر ثبات بازار تأکید داشتند.

هم‌زمان با تحولات اخیر، بازار رمزارزها با واکنش تندی روبه‌رو شد. قیمت بیت‌کوین و اتریوم دستخوش نوسان‌های شدید گردید؛ بخشی تحت تأثیر نگرانی‌ها درباره اعمال احتمالی تحریم‌های جدید و بخشی دیگر برآمده از روایت‌های رسانه‌ای که این دارایی‌ها را به‌عنوان «پناهگاه امن دیجیتال» در شرایط بحران تصویر می‌کردند. در این میان، نقش الگوریتم‌ها در بزرگنمایی و اولویت‌بخشی به این روایت‌ها چشم‌گیر بود؛ به‌گونه‌ای که شبکه توییتر مالی و سامانه‌های توصیه‌گر یوتیوب و تیک‌تاک، برخی تحلیل‌ها و پیش‌بینی‌های خاص را ــ غالباً با بار احساسی یا سناریونویسی پرهیجان ــ به جای دیدگاه‌های متعادل‌تر، برجسته و فراگیر کردند.

در ایران نیز، رسانه‌های اقتصادی کوشیدند با طرح روایتی جایگزین، بر تاب‌آوری اقتصاد داخلی و نقش منطقه‌ای ایران در مدیریت بحران تأکید کنند. بااین‌حال، محدودیت‌های ساختاری در نظام رسانه‌ای و ضعف در شبکه‌سازی جهانی سبب شد این پیام‌ها دامنه نفوذ محدودی داشته باشند و در عرصه بین‌المللی چندان شنیده نشوند. در نتیجه، آنچه نهایتاً بر ذهنیت و رفتار بازارهای جهانی سایه انداخت، نه این روایت‌های محلی، بلکه روایت‌های غالبی بود که به‌واسطه الگوریتم‌های تقویت‌کننده محتوا در پلتفرم‌های بین‌المللی بازتولید و برجسته شدند.

این تجربه نشان داد که آینده اقتصاد منطقه‌ای و جهانی دیگر تنها در اتاق‌های فکر و وزارت‌خانه‌ها نوشته نمی‌شود؛ بلکه در میدان پلتفرم‌ها و با قلم هوش مصنوعی ترسیم می‌شود.

افق آینده و خطرات پیش‌رو

چالش اصلی پیش‌روی اقتصاد در عصر هوش مصنوعی، نه کمبود داده است و نه ضعف مدل‌ها؛ بلکه انحصار روایت است. اگر الگوریتم‌ها و پلتفرم‌ها به نویسندگان اصلی آینده بدل شوند، خطر آن وجود دارد که تنها یک روایت خاص از آینده غالب شود و دیگر صداها به حاشیه رانده شوند.

سه خطر کلیدی در این مسیر قابل‌تشخیص است، اقتصاد بدون جامعه، دستکاری روایی و ضعف نهادهای نظارتی.

وقتی سناریوهای آینده صرفاً توسط ماشین‌ها نوشته شوند، شکاف میان روایت‌های رسمی و تجربه زیسته مردم بیشتر می‌شود. نتیجه آن بی‌اعتمادی به سیاست‌گذاری و افزایش بی‌ثباتی است. اینجاست که ما به اقتصاد بدون جامعه می‌رسیم.

این مفهوم بیانگر شکاف فزاینده‌ای است که زمانی رخ می‌دهد که آینده‌نگاری اقتصادی، صرفاً بر پایه بروندادهای ماشین و داده‌های کلان کمّی‌سازی‌شده جلو می‌رود، بی‌آنکه تجربه زیسته و واقعیت اجتماعی مردم در نظر گرفته شود. نتیجه، شکل‌گیری روایت‌های رسمی سرد و انتزاعی است که با واقعیت روزمره بخش بزرگی از جامعه همخوانی ندارند (Berger and Luckmann 1966). این شکاف، بی‌اعتمادی به سیاست‌گذاری را عمق داده و زمینه بی‌ثباتی اقتصادی و حتی اعتراضات اجتماعی را فراهم می‌آورد. نمونه آن را می‌توان در پیش‌بینی‌های رسمی تورم ایران دید که در برخی دوره‌ها با روندهای محسوس قیمت در بازار فاصله آشکار داشتند و در نتیجه، نه‌تنها به آرام‌سازی انتظارات کمکی نکردند، بلکه به بدبینی عمومی دامن زدند.

در دست‌کاری روایی (Narrative Manipulation) پلتفرم‌ها می‌توانند آگاهانه یا ناآگاهانه سناریوهای خاصی را تقویت کنند تا منافع اقتصادی یا سیاسی گروهی خاص تأمین شود.

پلتفرم‌های دیجیتال، چه آگاهانه و چه غیربازاندیشانه، می‌توانند با بزرگ‌نمایی روایات خاص، روند شکل‌گیری انتظارات اقتصادی را در جهت منافع سیاسی یا مالی گروهی محدود هدایت کنند (Hermida and Lewis 2021). در این حالت، الگوریتم‌هایی که به‌ظاهر بی‌طرف هستند، با چینش و اولویت‌بخشی محتوا، عملاً در تعیین آینده محتمل نقش ایفا می‌کنند. این منطق را می‌توان در جریان نوسانات بازار رمزارزها در طول جنگ ۱۲ روزه دید؛ جایی که ویدئوها و تحلیل‌هایی با لحن بحران‌آفرین، به‌مراتب بیشتر از تحلیل‌های تحلیلی-آماری دیده شدند و احساسات بازار را هدایت کردند.

همان‌گونه که بازارهای مالی در سراسر جهان برای ایجاد شفافیت، قواعد و پروتکل‌های روشنی دارند، در حوزه روایت‌های الگوریتمی نیز نیاز به سازوکارهای شفاف‌سازی و بازبینی عمومی به‌شدت احساس می‌شود. نبود چنین چارچوب‌هایی در وضع موجود، عملاً میدان را برای بازیگران مسلط دیجیتال باز گذاشته تا بی‌مهابا مسیر جریان‌های روایی را تعیین کنند. ابتکاراتی مانند «دادگاه‌های سناریو» یا «صندوق‌های روایتی» ــ که در آن، پیش‌بینی‌ها و سناریوهای منتشرشده به همراه پیامدهای واقعی‌شان مورد تحلیل و ارزیابی قرار گیرند ــ می‌تواند نخستین گام برای پر کردن این شکاف دانشی و بازگرداندن حق پرسشگری به جامعه باشد (Sardar 2010).

آینده به‌مثابه روایت

اقتصاد دیگر تنها با اعداد، جداول و نمودارهای سرد آماری فهمیده نمی‌شود. در عصر هوش مصنوعی، آینده‌ی اقتصاد بیش از آنکه محصول یک «وضعیت موجود + تحلیل روندها» باشد، نتیجه‌ی فرآیند پیچیده‌ای است که در آن روایت‌ها ساخته، تقویت و بازتولید می‌شوند. الگوریتم‌های هوش مصنوعی، از دل داده‌های کلان، سناریوهایی استخراج می‌کنند که خود را در قالب روایت‌های جذاب و به‌یادماندنی به مخاطب عرضه می‌کنند. این روایت‌ها، وقتی به میزان کافی بازنشر و با شبکه‌ای از رسانه‌ها و کنشگران اجتماعی هم‌پوشانی پیدا کنند، از مرز «تصویر آینده» عبور کرده و به بخشی از واقعیت جاری بدل می‌شوند (Berger and Luckmann 1966؛ Merton 1948).

نمونه بارز این پویایی را می‌توان در جنگ ۱۲ روزه ایران و اسرائیل مشاهده کرد. میدان اصلی تنها شامل درگیری‌های نظامی و جغرافیای فیزیکی نبود، بلکه جبهه‌ی دوم و پرهیاهوی آن در فضای روایت‌ها شکل گرفت. آنچه بازارها، از نفت و طلا گرفته تا رمزارزها، را در روزهای بحران به لرزه درآورد، نه پیش‌بینی‌های سرد و منفرد، بلکه سناریوهایی بود که موتورهای سناریوسازی الگوریتمی نوشتند، رسانه‌ها بازنشر دادند و کاربران در شبکه‌های اجتماعی بازآفرینی کردند (Hermida and Lewis2021؛ McCombs and Shaw 1972).

در این چارچوب، سناریوسازی الگوریتمی دو کارکرد مکمل اما خطرناک دارد: هم می‌تواند رفتار کنشگران اقتصادی را هدایت کند و هم برداشت عمومی از آینده را شکل دهد. سناریویی که از احتمال قطع صادرات نفت سخن می‌گوید، اگر به اندازه کافی در جریان‌های خبری و شبکه‌های اجتماعی تکرار و برجسته شود، می‌تواند سرمایه‌گذاران را به تغییر پورتفوی خود وادارد، و این تغییرها خود، احتمال تحقق همان سناریو را افزایش دهد - مکانیزمی که به تعبیر مرتون (Merton 1948) «پیش‌بینی خودتحقق‌بخش» نامیده می‌شود.

بنابراین، پژوهشگران، سیاست‌گذاران و رسانه‌ها باید فراتر از مهارت‌های متعارف داده‌خوانی حرکت کنند و سواد روایی داده (Sardar 2010) را به‌عنوان یک ضرورت استراتژیک توسعه دهند. این سواد شامل توانایی تشخیص زنجیره ساخت روایت، شناسایی بازیگران و الگوریتم‌های مؤثر بر آن، و ارزیابی پیامدهای احتمالی سناریوها پیش از پذیرش و بازنشرشان است.

گام بعدی، طراحی مکانیسم‌هایی برای تنوع‌بخشی، نقدپذیری و شفاف‌سازی این سناریوهاست؛ سازوکاری که بتواند از تبدیل شدن یک برداشت منفرد به هژمونی روایی جلوگیری کند. زیرا آینده دیگر در انتظار پیش‌بینی‌های منفعل نمی‌ماند؛ آینده نوشته می‌شود، و پرسش واقعی ـ و شاید مهم‌ترین پرسش قرن بیست‌ویکم ـ این است که چه کسی قلم را در دست دارد و چه کسانی تنها خواننده خواهند بود؟

منابع: 

• Armstrong, J. Scott. 2001. Principles of Forecasting: A Handbook for Researchers and Practitioners. Boston: Kluwer Academic Publishers.

• ترجمه فارسی: آرمسترانگ، جِی. اسکات. ۱۳۸۵. اصول پیش‌بینی. ترجمه علی پارسائیان. تهران: دفتر پژوهش‌های فرهنگی.

• Berger, Peter L., and Thomas Luckmann. 1966. The Social Construction of Reality: A Treatise in the Sociology of Knowledge. New York: Anchor Books.

• ترجمه فارسی: برگر، پیتر، و توماس لاکمن. ۱۳۹۲. برساخت اجتماعی واقعیت. ترجمه بهرنگ رجبی. تهران: نشر نی.

• Hermida, Alfred, and Seth C. Lewis. 2021. Data Journalism and the Regeneration of News. New York: Routledge.

• Latour, Bruno. 2005. Reassembling the Social: An Introduction to Actor-Network-Theory. Oxford: Oxford University Press.

• ترجمه فارسی: لاتور، برونو. ۱۳۹۴. بازآرایی امر اجتماعی: درآمدی بر نظریه کنشگر ـ شبکه. ترجمه محمد بحرینیان. تهران: نشر علم.

• McCombs, Maxwell E., and Donald L. Shaw. 1972. “The Agenda-Setting Function of Mass Media.” Public Opinion Quarterly 36 (2): 176–187.

• Merton, Robert K. 1948. “The Self-Fulfilling Prophecy.” The Antioch Review 8 (2): 193–210.

• ترجمه فارسی: مرتون، رابرت کی. ۱۳۸۲. «پیش‌بینی خودتحقق‌بخش.» ترجمه عبدالحسین نیک‌گهر، نامه جامعه‌شناسی ۴ (۱): ۸–۲۷.

• Noelle‑Neumann, Elisabeth. 1974. “The Spiral of Silence: A Theory of Public Opinion.” Journal of Communication 24 (2): 43–51.

• ترجمه فارسی: نوئله‌-نویمان، الیزابت. ۱۳۹۲. مارپیچ سکوت. ترجمه مهدی خرم‌دل. تهران: انتشارات ثانیه.

• Sardar, Ziauddin. 2010. Welcome to Postnormal Times. Futures 42(5): 435–444.

• ترجمه فارسی: سردار، ضیاءالدین. ۱۳۹۷. «خوش آمدید به زمانه پساعادی.» ترجمه حسین امینی، آینده‌پژوهی ۵ (۲): ۲۳–۴۵.

• Schoemaker, Paul J.H. 1995. “Scenario Planning: A Tool for Strategic Thinking.” Sloan Management Review 36 (2): 25–40.

• ترجمه فارسی: شوماکر، پل. جی. اچ. ۱۳۸۶. «برنامه‌ریزی سناریو: ابزاری برای تفکر راهبردی.» ترجمه علی حاجی‌ها، مدیریت استراتژیک ۹ (۲): ۶۷–۸۸.

سرمایه‌گذاری کلان ترکیه در بخش آب

بیشتر بخوانید:

کدام مدل هوش مصنوعی «اوپن‌ای‌آی» بهتر است؟

پایان عصر طلایی مدرک دکترای هوش مصنوعی؛ فرصت از دست رفت؟

تماشاخانه

اجساد دو قربانی فوران آتشفشان وزوو / کشف غم انگیز در پمپئی/ غافلگیری در آخرین لحظه (فیلم)

قتل کودک ۹ ساله در رشت؛ هشدار جدی درباره امنیت کودکان (فیلم)

فیلم های دیگر