در چند روز اخیر، گزارش تازهٔ مؤسسهٔ اقتصاد هوش مصنوعی مایکروسافت دربارهٔ گسترش استفاده از هوش مصنوعی در جهان، با خلاصهای در کانالهای فارسی منتشر شده است؛ خلاصهای که اعداد اصلی آن تا حد زیادی درستاند، اما خواندن آن بدون محدودیتهای گزارش ممکن است موجب سوءبرداشت شود. از جمله ممکن است سهم ۱۲٫۸ درصدی ایران را بهعنوان اندازهٔ قطعی استفاده از هوش مصنوعی در کشور بخوانیم، رشد اندک آن را مستقیماً به عملکرد سیاستگذار نسبت دهیم، یا سهم مدلهای وزنباز در یک سکوی مشخص را با سهم آنها از کل بازار جهان برابر بدانیم.
ارزش این گزارش فقط در جدول رتبهبندی کشورها نیست. پرسش مهمتر برای حکمرانی هوش مصنوعی این است: چه چیزی را اندازه میگیریم، چه چیزی از دید شاخص پنهان میماند و قرار است بر اساس نتیجهٔ اندازهگیری چه تصمیمی بگیریم؟
۱۲٫۸ درصد، سهم کدام استفادهکنندگان است؟
گزارش برآورد میکند که در ژوئن ۲۰۲۶، حدود ۱۸٫۸ درصد از جمعیت ۱۵ تا ۶۴ سال جهان از یک محصول هوش مصنوعی مولد استفاده کردهاند. رقم گزارششده برای ایران ۱۲٫۸ درصد است؛ در فصل قبل ۱۲٫۶ درصد بود. بنابراین رشد ثبتشدهٔ ایران ۰٫۲ واحد درصد است، در حالی که رقم جهانی یک واحد درصد افزایش یافته است.
اما این اعداد حاصل سرشماری کاربران همهٔ ابزارهای هوش مصنوعی نیستند. مایکروسافت شاخص خود را با تلهمتری تجمیعشده و ناشناسسازیشده تهیه میکند و برای تفاوت سهم سیستمعاملها و دستگاهها، نفوذ اینترنت و جمعیت کشورها تعدیل انجام میدهد. چنین روشی برای مقایسهٔ دورهای کشورها ارزشمند است، ولی پوشش آن به ابزارها و شیوههای استفادهای بستگی دارد که در اندازهگیری وارد شدهاند.
خود نویسندگان گزارش تصریح میکنند که در نسخهٔ بعدی، ابزارهای بیشتری را به شاخص اضافه خواهند کرد. انتظار دارند در نتیجه، سهم اندازهگیریشده در تقریباً همهٔ کشورها افزایش یابد و اثر این تغییر در چین بزرگتر باشد. گزارش تأکید میکند که چنین جهشی عمدتاً میتواند بازتاب دیدهشدن استفادهٔ موجود باشد، نه تغییر ناگهانی رفتار مردم.
پس رقم ایران را باید چنین بیان کرد: «سهم برآوردشدهٔ استفاده طبق تعریف و پوشش فعلی شاخص مایکروسافت ۱۲٫۸ درصد است.» این عدد برای طرح پرسش مفید است، اما بهتنهایی نه همهٔ استفادهٔ مردم و سازمانهای ایرانی را نشان میدهد و نه علت رشد آهستهٔ ثبتشده را مشخص میکند. برای نسبت دادن آن به کیفیت اینترنت، هزینهٔ دسترسی، مهارت، کیفیت فارسی یا تصمیمهای حکمرانی، دادهٔ مستقل بیشتری لازم است.
حتی «استفاده» نیز یک رفتار واحد نیست
گزارش تفاوت جالبی میان شمال و جنوب جهانی نشان میدهد. در بخشی از گفتوگوهای کاربران نسخهٔ مصرفکنندهٔ Copilot، سهم گفتوگوهای مربوط به یادگیری خودراهبر و توسعهٔ مهارت در جنوب جهانی، ۲۹٫۲ درصد بیش از سهم جهانی همین نوع گفتوگوهاست. برای تکالیف مدرسه و پشتیبانی دانشگاهی نیز این تفاوت ۳۲٫۳ درصد است. این اعداد به معنای آن نیستند که ۲۹٫۲ یا ۳۲٫۳ درصد مردم جنوب جهانی از هوش مصنوعی برای آموزش استفاده میکنند؛ آنها تفاوت سهم یک کاربرد در میان گفتوگوهای بررسیشده را نشان میدهند.
مایکروسافت دربارهٔ تفسیر این یافته احتیاط میکند. داده به استفادهکنندگان اولیهٔ Copilot مربوط است و لزوماً نمایندهٔ کل جمعیت نیست. جوانتر بودن جمعیت جنوب جهانی نیز ممکن است بخشی از تفاوت را توضیح دهد. از این داده نمیتوان نتیجه گرفت که استفادهٔ آموزشی الزاماً به یادگیری بهتر منجر شده است.
با این حال، برای سیاستگذاری سرنخ مهمی است. اگر یادگیری یکی از مسیرهای ورود مردم به هوش مصنوعی باشد، برنامهٔ عمومی نباید صرفاً با تعداد حسابهای ایجادشده یا تعداد درخواستهای ثبتشده ارزیابی شود. باید پرسید چه کسانی دسترسی پیدا کردهاند، از ابزار برای چه کاری استفاده کردهاند و آیا نتیجهٔ قابل سنجشی در یادگیری یا انجام کار حاصل شده است.
مدلهای وزنباز کجای تصویر قرار دارند؟
گزارش میگوید مدلهای وزنباز در برخی وظایف با فاصلهٔ زمانی چندماهه به سطح عملکردی میرسند که پیشتر در اختیار مدلهای بسته بوده است. این گزاره به معنای برابری همهٔ مدلهای وزنباز با بهترین مدل بستهٔ امروز نیست. عملکرد به وظیفه، معیار ارزیابی، هزینه و زمان انتشار مدل بستگی دارد.
نمونهٔ دیگر، رقم ۷۵ درصد است: طبق تحلیل مایکروسافت، مدلهای وزنباز اکنون حدود ۷۵ درصد حجم توکن مصرفی OpenRouter را تشکیل میدهند. OpenRouter پنجرهای مفید به انتخاب توسعهدهندگان است، اما نمونهٔ نمایندهای از کل بازار جهانی نیست. استفادهٔ مستقیم از بسیاری از خدمات مدلهای بسته و استفاده از مدلهای وزنبازِ نصبشده در زیرساخت داخلی، هر دو بیرون از این تصویر قرار میگیرند. بنابراین تبدیل «۷۵ درصد توکنهای OpenRouter» به «۷۵ درصد بازار هوش مصنوعی» خطاست.
اهمیت سیاستی مدلهای وزنباز جای دیگری است: سازمان میتواند در صورت مناسببودن مجوز و امکانات فنی، مدل را برای زبان یا حوزهٔ تخصصی خود ارزیابی و سازگار کند، میان ارائهدهندگان اجرا انتخاب داشته باشد یا آن را در زیرساخت خود اجرا کند. اما انتشار وزنها بهتنهایی مسئلهٔ برق، اتصال، نیروی متخصص، دادهٔ مناسب و هزینهٔ اجرا را حل نمیکند. حتی نمونهٔ «حدود ۱۲ درصد بهبود» که در گزارش آمده، حاصل ارزیابی رویکرد بومیسازی بر زبانهای چیچوا و مائوری در مجموعهای از آزمونهاست؛ نمیتوان همان میزان بهبود را برای فارسی مفروض گرفت.
در همین چارچوب، رشد Hugging Face Spaces از حدود ۷۹۷ هزار به ۱٫۴۶ میلیون نیز نشانهٔ گسترش فعالیت توسعهدهندگان و آزمایش کاربردهاست. گزارش هشدار میدهد که این رقم را نباید تعداد محصولات تجاری مستقل یا خدمات موفق تلقی کرد. ساخت نمونه، عرضهٔ خدمت پایدار و خلق ارزش قابل اندازهگیری، سه مرحلهٔ متفاوتاند.
برای ایران، کدام پرسشها ارزش پیگیری دارند؟
اگر هدف حکمرانی، بهرهمندی مردم و سازمانها از هوش مصنوعی باشد، یک رتبه یا یک شاخص برای تصمیمگیری کافی نیست. دستکم باید سه دسته پرسش را جداگانه دنبال کرد:
- دسترسی: افراد و کسبوکارها، در شهرها و گروههای درآمدی مختلف، با چه کیفیت و هزینهای به ابزارهای قابل استفاده دسترسی دارند؟
- توان اجرا و بومیسازی: برای کارهای مشخص فارسی و تخصصی، کدام مدل و روش اجرا با چه کیفیت، هزینه و محدودیت حقوقی مناسب است؟
- نتیجه: استفاده از ابزار در آموزش، خدمات عمومی و فعالیت اقتصادی چه تغییری در کیفیت، زمان، هزینه یا رضایت ایجاد کرده است؟
این سه دسته، چارچوب پیشنهادی برای خواندن سیاستی گزارشاند، نه شاخصهایی که مایکروسافت برای ایران محاسبه کرده باشد. اجرای آنها نیز به دادهٔ مستقل ایرانی نیاز دارد: پیمایش کاربران، ارزیابی کاربردهای واقعی و انتشار روش اندازهگیری، بهگونهای که تغییر یک عدد را بتوان از تغییر روش سنجش تشخیص داد.
گزارش مایکروسافت خبر مهمی دارد: استفاده از هوش مصنوعی در جهان گسترش مییابد، اما فرصت بهرهمندی از آن یکسان توزیع نشده است. برای ایران، پاسخ مفید به این خبر مسابقه بر سر یک رتبه نیست. باید معلوم شود کدام مانع دسترسی را محدود میکند، در کدام مسئله مدل موجود کفایت دارد، کجا بومیسازی ارزش میآفریند و کدام کاربرد واقعاً نتیجه داده است. حکمرانی خوب از خواندن دقیق شاخص آغاز میشود، اما باید به سنجش نتیجه برسد.
منبع اصلی: Microsoft AI Economy Institute, Global AI Diffusion: Q2 2026 Trends and Insights، سپتامبر ۲۰۲۶.