پاسخ کوتاه: ممکن است در لایههای خاصی - به ویژه برنامههای تقلیدی، ارزشگذاریهای مبتنی بر داستان و شرطبندیهای سنگین روی زیرساختها - یک «حباب هوش مصنوعی» وجود داشته باشد، حتی اگر پذیرش هوش مصنوعی در حال حاضر گسترده باشد. اگر استفاده از آن به درآمد پایدار و بهبود اقتصاد واحد منجر نشود، انتظار یک سقوط را داشته باشید. اگر قراردادها، جریان نقدی و حفظ سرمایه حفظ شوند، بیشتر شبیه یک تغییر ساختاری است تا یک شیدایی.
یک نشانهی گویا: استفاده از هوش مصنوعی همین حالا هم گسترده است (مثلاً، شاخص هوش مصنوعی استنفورد گزارش میدهد که ۷۸٪ سازمانها گفتهاند که در سال ۲۰۲۴ از هوش مصنوعی استفاده کردهاند ، که نسبت به ۵۵٪ سال قبل افزایش یافته است) - اما استفادهی گسترده به طور خودکار معادل سود پایدار نیست. [1]
نکات کلیدی:
وضوح لایهها : مشخص کنید که آیا منظورتان ارزشگذاری، تأمین مالی، روایت، زیرساخت یا محصول نهایی است یا خیر.
شکاف درآمدزایی : میزان پذیرش را در مقابل درآمد پیگیری کنید؛ استفاده گسترده، سودآوری را تضمین نمیکند.
اقتصاد واحد : هزینه استنتاج، حاشیه سود، نرخ حفظ مشتری، بازگشت سرمایه و بار اصلاح انسانی را اندازهگیری کنید.
ریسک تأمین مالی : فرضیات مربوط به استفاده از آزمون استرس؛ اهرم مالی به علاوه بازگشت سرمایه بلندمدت میتواند به سرعت اتفاق بیفتد.
بار مدیریتی : کارهای مربوط به قابلیت اطمینان، انطباق، ثبت وقایع و پاسخگویی، جدول زمانی «از نسخه آزمایشی تا تولید» را کند میکند.
مقالاتی که شاید بعد از این مطلب دوست داشته باشید بخوانید:
🔗 آیا آشکارسازهای هوش مصنوعی برای تشخیص نوشتههای هوش مصنوعی قابل اعتماد هستند؟
بیاموزید که آشکارسازهای هوش مصنوعی چقدر دقیق هستند و در چه مواردی شکست میخورند.
🔗 چگونه میتوانم روزانه از هوش مصنوعی در گوشیام استفاده کنم؟
روشهای ساده برای استفاده از برنامههای هوش مصنوعی برای کارهای روزمره.
🔗 آیا تبدیل متن به گفتار هوش مصنوعی است و چگونه کار میکند؟
فناوری TTS، مزایا و موارد استفاده رایج در دنیای واقعی را درک کنید.
🔗 آیا هوش مصنوعی میتواند دستخطهای شکسته را از روی یادداشتهای اسکنشده بخواند؟
ببینید هوش مصنوعی چگونه با خط شکسته برخورد میکند و چه چیزی نتایج تشخیص را بهبود میبخشد.
منظور مردم از گفتن «حباب هوش مصنوعی» چیست؟ 🧠🫧
معمولاً یکی (یا چند) از این موارد است:
-
حباب ارزشگذاری: قیمتها حاکی از اجرای تقریباً بینقص برای مدت طولانی هستند
-
حباب تأمین مالی: پول زیاد برای تعقیب استارتاپهای مشابه زیاد
-
حباب روایت: «هوش مصنوعی همه چیز را تغییر میدهد» تبدیل به «هوش مصنوعی همه چیز را فردا درست میکند» میشود
-
حباب زیرساخت: مراکز داده عظیم و نیروگاههای برق با فرضیات خوشبینانه تأمین مالی میشوند
-
حباب محصول: تعداد زیادی نسخه نمایشی، تعداد کمتری از محصولات چسبنده و قابل استفاده روزانه
بنابراین وقتی کسی میپرسد «آیا حباب هوش مصنوعی وجود دارد؟»، سوال اصلی این میشود: در مورد کدام لایه صحبت میکنیم.
یک گزارش کوتاه از واقعیت: چه اتفاقی دارد میافتد 📌
چند نقطه دادهی مبتنی بر شواهد به تفکیک «کف» از «تغییر ساختاری» کمک میکنند:
-
سرمایهگذاری بسیار زیاد است (بهویژه در هوش مصنوعی نسل اول): سرمایهگذاری خصوصی جهانی در هوش مصنوعی مولد در سال 2024 به 33.9 میلیارد دلار (شاخص هوش مصنوعی استنفورد). [1]
-
انرژی دیگر یک پاورقی نیست: آژانس بینالمللی انرژی تخمین میزند که مراکز داده در سال 2024 حدود 415 تراوات ساعت (حدود 1.5٪ از برق جهانی) و حدود 945 تراوات ساعت را تا سال 2030 (کمی کمتر از 3٪ از برق جهانی). این یک واقعی - و همچنین اگر پذیرش یا بهرهوری دنبال نشود، یک ریسک پیشبینی/تامین مالی واقعی
-
«پول واقعی» در زیرساختهای اصلی جریان دارد: انویدیا درآمد ۱۳۰.۵ میلیارد دلاری را برای سال مالی ۲۰۲۵ و درآمد ۱۱۵.۲ میلیارد دلاری از مرکز داده در کل سال - که تقریباً به هیچ وجه «بدون پشتوانه» نیست. [3]
-
پذیرش ≠ درآمد (بهویژه در شرکتهای کوچکتر): یک نظرسنجی OECD نشان داد که هوش مصنوعی نسل جدید در 31 درصد از شرکتهای کوچک و متوسط و در میان شرکتهای کوچک و متوسطی که از هوش مصنوعی نسل جدید استفاده میکنند، 65 درصد بهبود عملکرد کارکنان را گزارش کردهاند ، در حالی که 26 درصد افزایش درآمد را گزارش کردهاند . بله، ارزشمند است - اما همچنین فریاد میزند که «کسب درآمد ناهموار است.» [4]
چه چیزی یک نسخه خوب از تست حباب هوش مصنوعی را میسازد؟ ✅🫧
یک تست حباب مناسب فقط ارتعاشات را بررسی نمیکند. مواردی مانند موارد زیر را بررسی میکند:
۱) پذیرش در مقابل کسب درآمد
اینکه مردم از هوش مصنوعی استفاده میکنند، لزوماً به این معنی نیست که به اندازه کافی (یا به مدت ) برای آن هزینه میکنند تا قیمتهای امروز را توجیه کند.
۲) اقتصاد واحد (حقیقت غیرجذاب)
جستجو برای:
-
حاشیه سود ناخالص
-
هزینه استنتاج به ازای هر مشتری (هزینهای که برای تولید خروجی مورد نظر آنها صرف میکنید)
-
حفظ و گسترش
-
دوره بازگشت سرمایه
یک تعریف سریع و مهم: هزینه استنتاج «هزینه ابری» نیست. این هزینه نهایی ارائه ارزش - توکنها، تأخیر، زمان GPU، گاردریلها، حضور انسان در حلقه، تضمین کیفیت، اجرای مجدد و تمام کارهای پنهان «قابل اعتماد کردن» آن.
۳) ابزار در مقابل برنامهها
حتی اگر تعداد زیادی از برنامهها از رده خارج شوند، زیرساخت میتواند برنده باشد، زیرا همه هنوز به محاسبات نیاز دارند. (به همین دلیل است که برداشت «همه چیز حباب است» معمولاً نادیده گرفته میشود.)
۴) اهرم مالی و تأمین مالی شکننده
بدهی + چرخههای طولانی بازپرداخت + هیجان روایی جایی است که اوضاع از هم میپاشد - به خصوص در زیرساختها که فرضیات مربوط به میزان استفاده، کل بازی را تشکیل میدهند. آژانس بینالمللی انرژی (IEA) به صراحت از سناریو/موارد حساسیت استفاده میکند زیرا عدم قطعیت واقعی است. [2]
۵) ادعایی ابطالپذیر
نه اینکه «هوش مصنوعی بزرگ خواهد شد»، بلکه «این جریانهای نقدی این قیمت را توجیه میکنند»
مورد «بله»: نشانههایی از حباب هوش مصنوعی 🫧📈
۱) تأمین مالی به شدت متمرکز است 💸
مقادیر عظیمی از سرمایه در هر چیزی که با عنوان «هوش مصنوعی» شناخته میشود، انباشته شده است. تمرکز میتواند به معنای اعتقاد راسخ یا اشتیاق بیش از حد باشد. دادههای شاخص هوش مصنوعی استنفورد نشان میدهد که موج سرمایهگذاری، به ویژه در هوش مصنوعی مولد، چقدر بزرگ و سریع بوده است. [1]
۲) «روایت ممتاز» خیلی داره کار میکنه 🗣️✨
خواهید دید:
-
استارتاپها قبل از تطابق محصول با بازار، به سرعت جذب سرمایه میکنند
-
ارائههای «هوش مصنوعی» (همان محصول، با اصطلاحات جدید)
-
ارزشگذاریهای توجیهشده توسط داستانسرایی استراتژیک
۳) عرضههای سازمانی پرمخاطرهتر از بازاریابی هستند 🧯
شکاف بین نسخه نمایشی و تولید واقعی است:
-
مسائل مربوط به قابلیت اطمینان
-
توهم (کلمه ای شیک برای "با اطمینان اشتباه کردن")
-
سردردهای مربوط به انطباق و مدیریت دادهها
-
چرخههای تدارکات کند
این فقط یک «FUD» نیست. چارچوبهای ریسک مانند AI RMF مربوط به NIST صراحتاً بر معتبر و قابل اعتماد ، ایمن ، مطمئن ، پاسخگو ، شفاف و با حریم خصوصی بهبود یافته - یعنی، کار با چک لیست که خیالپردازی «فردا آن را ارسال کن» را کند میکند. [5]
یک الگوی انتشار ترکیبی (نه یک شرکت واحد، فقط یک فیلم معمولی):
هفته ۱: تیمها عاشق نسخه آزمایشی میشوند.
هفته ۴: بخش حقوقی/امنیتی درخواستهایی برای مدیریت، ثبت وقایع و کنترل دادهها دارد.
هفته ۸: دقت به یک گلوگاه تبدیل میشود، بنابراین انسانها «موقتاً» اضافه میشوند.
هفته ۱۲: ارزش واقعی است - اما محدودتر از ارائه اولیه است و ساختار هزینه بسیار متفاوت از حد انتظار است.
۴) ریسک ساخت زیرساختها واقعی است 🏗️⚡
هزینهها بسیار زیاد است: مراکز داده، تراشهها، برق، خنککننده. پیشبینی آژانس بینالمللی انرژی مبنی بر اینکه تقاضای جهانی برق مراکز داده میتواند تا سال 2030 تقریباً دو برابر شود ، یک سیگنال قوی مبنی بر اینکه «این اتفاق در حال رخ دادن است» است - و همچنین یادآوری میکند که عدم در نظر گرفتن فرضیات مربوط به بهرهبرداری میتواند داراییهای گرانقیمت را به پشیمانی تبدیل کند. [2]
۵) تم هوش مصنوعی در همه چیز وجود دارد 🌶️
شرکتهای برق، تجهیزات شبکه، خنککنندهها، املاک و مستغلات - داستان در همه جا پخش میشود. گاهی اوقات این منطقی است (محدودیتهای انرژی واقعی هستند). گاهی اوقات هم موجسواری موضوعی است.
مورد «نه»: چرا این یک حباب تمامعیار کلاسیک نیست 🧊📊
۱) بعضی از بازیکنان اصلی درآمد واقعی دارند (نه فقط روایت) 💰
یکی از ویژگیهای بارز حبابهای خالص، «وعدههای بزرگ، اصول اولیه کوچک» است. در زیرساخت هوش مصنوعی، تقاضای واقعی زیادی با پول واقعی در پشت آن وجود دارد - مقیاس گزارش شده NVIDIA یکی از نمونههای بارز آن است. [3]
۲) هوش مصنوعی از قبل در گردشهای کاری روزمره تعبیه شده است (کار روزانه خوب است) 🧲
پشتیبانی مشتری، کدنویسی، جستجو، تجزیه و تحلیل، اتوماسیون عملیات - بسیاری از ارزشهای هوش مصنوعی، نه پر زرق و برق، بلکه کاربردی هستند. این نوع الگوی پذیرشی است که معمولاً حبابها ندارند .
۳) کمبود محاسبات خیالی نیست 🧱
حتی افراد بدبین هم معمولاً اعتراف میکنند: مردم از این چیزها در مقیاس بزرگ استفاده میکنند. و استفاده در مقیاس بزرگ به سختافزار و قدرت نیاز دارد - که در سرمایهگذاری واقعی و برنامهریزی انرژی واقعی خود را نشان میدهد. [2]
جایی که خطر حباب بالاترین (و پایینترین) به نظر میرسد 🎯🫧
بالاترین خطر کف کردن 🫧🔥
-
برنامههای کپیرایت بدون هیچ مانعی و هزینههای تعویض تقریباً صفر
-
بدون اثبات حفظ مشتری، بر «تسلط بر آینده» قیمتگذاری میکنند
-
شرطبندیهای زیرساختی با اهرم بیش از حد و با بازگشت سرمایه طولانی و فرضیات شکننده
-
«عامل کاملاً خودمختار» ادعا میکند که گردشهای کاری واقعاً شکنندهای با اطمینان دارند.
خطر کف کمتر (هنوز بدون خطر نیست) 🧊✅
-
زیرساختهای مرتبط با قراردادها و کاربردهای واقعی
-
ابزارهای سازمانی با بازگشت سرمایه قابل اندازهگیری (صرفهجویی در زمان، حل تیکتها، کاهش زمان چرخه)
-
سیستمهای ترکیبی: هوش مصنوعی + قوانین + انسان در حلقه (کمتر جذاب، قابل اعتمادتر) - و بیشتر با چارچوبهای ریسکی که تیمها را به سمت ساخت آنها سوق میدهند، همسو هستند. [5]
جدول مقایسه: لنزهای بررسی سریع واقعیت 🧰🫧
| لنز | بهترین برای | هزینه | چرا کار میکند (و نکتهی جالب) |
|---|---|---|---|
| تمرکز بودجه | سرمایهگذاران، بنیانگذاران | متغیر است | اگر پول به یک موضوع سرازیر شود، میتواند کف ایجاد کند... اما بودجه به تنهایی حباب را ثابت نمیکند |
| بررسی اقتصاد واحد | اپراتورها، خریداران | زمان-هزینه | به سوال «آیا این هزینه دارد؟» دامن میزند - همچنین نشان میدهد که هزینهها کجا پنهان میشوند |
| حفظ + گسترش | تیمهای محصول | داخلی | اگر کاربران برنگردند، این یک مد زودگذر است، متاسفم |
| بررسی تامین مالی زیرساختها | ماکرو، تخصیصدهندهها | متغیر است | برای تشخیص ریسک اهرم مالی عالی است، اما مدلسازی کامل آن دشوار است (سناریوها مهم هستند) [2] |
| امور مالی عمومی و حاشیه سود | همه | رایگان | تکیهگاههایی به واقعیت - هنوز هم میتواند بیش از حد تهاجمی قیمتگذاری شود |
(بله، کمی ناهموار است. تصمیمگیری واقعی همین حس را دارد.)
یک چک لیست حباب هوش مصنوعی کاربردی 📝🤖
برای محصولات هوش مصنوعی (اپلیکیشنها، کمک خلبانها، ایجنتها) 🧩
-
آیا کاربران بدون اینکه تشویق شوند، هر هفته برمیگردند؟
-
آیا شرکت میتواند بدون افزایش شدید نرخ ریزش مشتری، قیمتها را افزایش دهد؟
-
چه مقدار از خروجی نیاز به اصلاح انسانی دارد؟
-
آیا دادههای اختصاصی، قفل گردش کار یا توزیع وجود دارد؟
-
آیا هزینههای استنتاج سریعتر از قیمتها کاهش مییابند؟
برای زیرساختها 🏗️
-
آیا تعهدات امضا شدهای وجود دارد یا فقط «منافع استراتژیک» مطرح است؟
-
اگر میزان استفاده کمتر از حد انتظار باشد چه اتفاقی میافتد؟ (یک حالت «مقابله با بادهای مخالف» را مدلسازی کنید، نه فقط حالت پایه را.) [2]
-
آیا با بدهی سنگین تأمین مالی میشود؟
-
آیا در صورت تغییر ترجیحات سختافزاری، برنامهای وجود دارد؟
برای «رهبران هوش مصنوعی» در بازار عمومی 📈
-
آیا جریان نقدی در حال افزایش است، یا فقط داستان همین است؟
-
آیا حاشیهها در حال افزایش یا کاهش هستند؟
-
آیا رشد به تعداد کمی از مشتریان وابسته است؟
-
آیا این ارزیابی با فرض تسلط دائمی انجام میشود؟
غذاهای آمادهی اختتامیه 🧠✨
آیا حباب هوش مصنوعی وجود دارد؟ بخشهایی از اکوسیستم رفتار حبابی از خود نشان میدهند - به خصوص در برنامههای تقلیدی، ارزشگذاریهای مبتنی بر داستان و هرگونه ساختار به شدت اهرمی.
اما خود هوش مصنوعی «جعلی» یا «فقط بازاریابی» نیست. این فناوری واقعی است. پذیرش آن واقعی است - و میتوانیم به سرمایهگذاری واقعی، پیشبینیهای تقاضای واقعی انرژی و درآمد واقعی در زیرساختهای اصلی اشاره کنیم. [1][2][3]
خلاصه: انتظار یک تغییر ناگهانی در گوشههای ضعیفتر یا بیش از حد اهرمی را داشته باشید. تغییر اساسی همچنان در حال حرکت است - فقط با توهمات کمتر و صفحات گسترده بیشتر 😅📊
سوالات متداول
آیا در حال حاضر حباب هوش مصنوعی وجود دارد؟
ممکن است یک «حباب هوش مصنوعی» در لایههای خاصی وجود داشته باشد، نه در کل اکوسیستم هوش مصنوعی. این حباب تمایل دارد در برنامههای تقلیدی، ارزشگذاریهای مبتنی بر داستان و شرطبندیهای سنگین زیرساختی که بر اساس فرضیات خوشبینانه در مورد استفاده تأمین مالی میشوند، جمع شود. در عین حال، پذیرش در حال حاضر گسترده است و برخی از بازیگران اصلی زیرساخت در حال کسب درآمد ملموس هستند. نتیجه به این بستگی دارد که آیا استفاده به جریانهای نقدی پایدار و حفظ [سرمایه] تبدیل میشود یا خیر.
منظور مردم از «حباب هوش مصنوعی» چیست؟
منظور اکثر مردم یک یا چند مورد از پنج مورد زیر است: حباب ارزشگذاری، حباب تأمین مالی، حباب روایت، حباب زیرساخت یا حباب محصول. سردرگمی این است که «هوش مصنوعی» همه این لایهها را در یک عنوان ترکیب میکند. اگر این لایه را تعریف نکنید، ممکن است در نهایت با هم بحث کنید. سوال واضحتر این است که کدام بخش بیش از حد داغ به نظر میرسد و چرا.
آیا پذیرش گسترده هوش مصنوعی ثابت میکند که بازار حبابی نیست؟
لزوماً نه. استفاده گسترده واقعی است، اما پذیرش به طور خودکار به سود پایدار منجر نمیشود. سازمانها میتوانند از هوش مصنوعی به روشهایی که تجربی، کمهزینه یا دشوار برای کسب درآمد در مقیاس بزرگ هستند، استفاده کنند. آزمون کلیدی این است که آیا پذیرش به درآمد مکرر، افزایش حاشیه سود و حفظ قوی تبدیل میشود یا خیر. اگر این موارد رعایت نشود، حتی با استفاده زیاد، هنوز هم میتوانید متزلزل شوید.
چگونه میتوانم تشخیص دهم که آیا پذیرش هوش مصنوعی به درآمد واقعی تبدیل میشود؟
یک رویکرد عملی، پیگیری میزان پذیرش در مقابل درآمدزایی در طول زمان است، نه فقط آمار استفادهی یکباره. به دنبال شواهدی باشید که نشان دهد مشتریان به اندازهی کافی هزینه میکنند، به اندازهی کافی به پرداخت ادامه میدهند و با افزایش استفاده، هزینهها را افزایش میدهند. درآمدزایی ناهموار میتواند به وضوح در شرکتهای کوچکتر که افزایش بهرهوری بلافاصله به درآمد تبدیل نمیشود، خود را نشان دهد. اگر افزایش درآمد ناپایدار باشد، ارزشگذاریها میتوانند از اصول اولیه فراتر روند.
کدام واحد اقتصادی برای محصولات هوش مصنوعی بیشترین اهمیت را دارد؟
اقتصاد واحد اهمیت دارد زیرا استنتاج میتواند هزینههای زیادی را فراتر از «هزینههای ابری» پنهان کند. یک دیدگاه مفید، هزینه نهایی برای ارائه ارزش است: توکنها، زمان GPU، محدودیتهای تأخیر، گاردریلها، تکرارها، تضمین کیفیت و حضور انسان در حلقه برای اصلاحات. سپس آن را به حاشیه سود ناخالص، حفظ، توسعه و دوره بازگشت سرمایه متصل کنید. اگر اصلاح انسانی سنگین باشد، هزینهها میتوانند سرسختانه بالا بمانند.
چرا فاصلهی «از نسخه آزمایشی تا تولید» اینقدر مهم است؟
نسخه آزمایشی اغلب بخش آسان کار است؛ تولید نیازمند قابلیت اطمینان، انطباق، ثبت وقایع و پاسخگویی است. توهمات، الزامات نظارتی و چرخههای تدارکات، جدول زمانی را کند میکنند و میتوانند دامنه عملی آنچه ارسال میشود را محدود کنند. بسیاری از راهاندازیها، نیروی انسانی را «موقتاً» در حلقه اضافه میکنند، سپس متوجه میشوند که این نیرو برای کنترل کیفیت و ریسک، نقشی محوری دارد. این امر هم شکل محصول و هم ساختار هزینه را تغییر میدهد.
امروزه ریسک حباب هوش مصنوعی در کجا بیشتر است؟
ریسک حباب در برنامههای تقلیدی با هزینههای تغییر تقریباً صفر، استارتآپهایی که بدون حفظ مشتری ثابتشده، بر «تسلط آینده» قیمتگذاری میشوند و ادعاهای مربوط به کارگزاران کاملاً مستقل که گردشهای کاری شکنندهای دارند، بیشترین میزان را نشان میدهد. این حوزهها به شدت به حق روایت وابسته هستند و در صورت ناامید شدن از نتایج، میتوانند به سرعت از بین بروند. الگویی که باید مراقب آن بود، ریزش کاربران است: اگر کاربران بدون تشویق، هفتگی برنگردند، ممکن است محصول بیارزش شود.
آیا زیرساخت هوش مصنوعی (تراشهها و مراکز داده) کم و بیش مستعد حباب است؟
وقتی تقاضا به قراردادها و استفاده پایدار وابسته باشد، میتواند کمتر مستعد حباب باشد، اما نوع متفاوتی از ریسک را به همراه دارد. خطر بزرگ، تامین مالی است: اگر استفاده به اندازه کافی نباشد، اهرم مالی به علاوه چرخههای طولانی بازگشت سرمایه میتوانند از بین بروند. شرطبندیهای زیرساختی به شدت به فرضیات پیشبینی حساس هستند و برنامهریزی سناریو اهمیت دارد زیرا عدم قطعیت واقعی است. تقاضای قوی قراردادی، ریسک را کاهش میدهد، اما آن را از بین نمیبرد.
یک چک لیست عملی برای آزمایش ادعاهای «حباب هوش مصنوعی» چیست؟
از یک ادعای ابطالپذیر استفاده کنید: «آیا این جریانهای نقدی، این قیمت را توجیه میکنند؟» برای محصولات، میزان حفظ هفتگی، قدرت قیمتگذاری، بار اصلاح و اینکه آیا هزینههای استنتاج سریعتر از قیمتها کاهش مییابند را بررسی کنید. برای زیرساختها، به دنبال تعهدات امضا شده، مدلسازی استفاده از موارد مخالف و اینکه آیا بدهی سنگین وجود دارد، باشید. اگر قراردادها، جریان نقدی و میزان حفظ حفظ شوند، بیشتر شبیه یک تغییر ساختاری به نظر میرسد تا یک جنون.
منابع
[1] Stanford HAI - گزارش شاخص هوش مصنوعی 2025 - ادامه مطلب
[2] آژانس بینالمللی انرژی - تقاضای انرژی از هوش مصنوعی (گزارش انرژی و هوش مصنوعی) - ادامه مطلب
[3] NVIDIA Newsroom - نتایج مالی برای سهماهه چهارم و سال مالی 2025 (26 فوریه 2025) - ادامه مطلب
[4] OECD - هوش مصنوعی مولد و نیروی کار SME (نظرسنجی 2024؛ منتشر شده در نوامبر 2025) - ادامه مطلب
[5] NIST - چارچوب مدیریت ریسک هوش مصنوعی (AI RMF 1.0) (PDF) - ادامه مطلب