ج AI Fluency for Nonprofits

عنوان اصلی: AI Fluency for Nonprofits حجم: ۹ lecture (طولانی‌ترین دوره)، حدود ۵۴ دقیقه ویدیو هم‌توسعه با: GivingTuesday (اعلام رسمی ۲۰۲۵-۱۲-۰۲ هم‌زمان با لانچ Claude for Nonprofits) مخاطب: کارکنان حوزه‌ی fundraising، communications، program delivery، operations، و leadership. چرخه‌ی غالب: هر دو چرخه به‌طور مساوی — درس‌های ۳ تا ۵ روی Description-Discernment loop تمرکز دارند، درس‌های ۶ تا ۸ روی Delegation-Diligence loop.

چرا یک دوره‌ی جدا؟ چون nonprofitها سه قید دارند که در سایر صنف‌ها به این شدت جمع نمی‌شوند: (۱) کم‌بود منابع — تعداد کم کارمند با نقش‌های متعدد، (۲) پاسخگویی چندذی‌نفعی — به اهداکننده، ذی‌نفع، رگولاتور، هیات‌امنا، و ماموریت، (۳) ماموریت به‌عنوان قید — ارزش‌ها به‌گونه‌ای غیر قابل مذاکره‌اند که در شرکت انتفاعی نیستند.

درس ۷.ج.۱ — معرفی و مرور چارچوب

AI یک ضریب‌افزای ظرفیت است فقط زمانی که اعتماد با اهداکننده و ذی‌نفع را حفظ کند. nonprofitها بیش از همه به دو چیز اهمیت می‌دهند: Delegation (چه چیزی برای واگذاری امن است وقتی داده حساس است؟) و Diligence (شفافیت با اهداکننده و رگولاتور).

درس ۷.ج.۲ — مرور 4D با زبان ماموریت

فرمول کلیدی Feller برای nonprofit: «از Diligence شروع کن». ابتدا مرز اخلاقی را بنشان، سپس به سراغ Delegation برو. این برعکس آموزشی است که برای dev یا student می‌دهیم.

درس ۷.ج.۳ — Description-Discernment loop در nonprofit

کاربردهای ارتباط‌محور: شخصی‌سازی ایمیل اهداکننده (متناسب با سطح کمک، تاریخچه، و وضعیت lapsed)؛ روایت گزارش سالانه؛ مواد جلسه‌ی هیات‌امنا.

درس ۷.ج.۴ — تحقیق با AI (Researching)

مثال عملی ایرانی: موسسه‌ی خیریه‌ی فارسی‌زبان در حال نوشتن گزارش grant

تصور کنید موسسه‌ی خیریه‌ای در ایران در حال آماده‌سازی پروپوزال grant برای یک بنیاد بین‌المللی است.

• Description: «پروفایل grantهای اخیر بنیاد X در بازه‌ی ۵۰ تا ۲۵۰ هزار دلار، متمرکز بر بهداشت روستایی، در ۲۴ ماه اخیر را به من بده».
• Discernment: قبل از تطبیق پروپوزال، خروجی را در برابر Candid و فرم‌های 990 راستی‌آزمایی کن.
• Diligence: متن RFP محرمانه‌ی بنیاد را در یک ابزار AI عمومی paste نکن.

اکوسیستم Claude for Nonprofits (مرتبط با محتوا، بیرون از خود دوره): این محصول کانکتورهایی به Candid (داده‌ی grant)، Blackbaud (داده‌ی Raiser's Edge اهداکننده)، و Benevity (registry اعتبارسنجی‌شده‌ی nonprofitها) دارد.

درس ۷.ج.۵ — نوشتن با AI (Writing)

مثال عملی گسترده: «تدوین گزارش grant با ملاحظات حریم خصوصی»

1. Delegation: AI بخش‌های روایی را پیش‌نویس می‌کند؛ انسان‌ها جدول مالی، روایت ذی‌نفع، و تایید نهایی را انجام می‌دهند.
2. Description: قالب گزارش‌دهی بنیاد + logic model برنامه + متریک‌های اثر anonymized + راهنمای صدا و لحن را بده.
3. Discernment: هر ادعا را در برابر داده‌ی واقعی برنامه چک کن. AI گاهی متریک‌های چشم‌گیر می‌سازد — هرگز یکی از آن‌ها رد نشود.
4. Diligence: PII را از روایت ذی‌نفع پاک کن قبل از هر input به AI. از کیس‌های composite/anonymized استفاده کن. اگر سیاست بنیاد لازم می‌داند، استفاده از AI را افشا کن.

درس ۷.ج.۶ — Delegation-Diligence loop به‌عنوان چرخه‌ی حاکمیت

جایی که چرخه‌ی توصیف-تمییز درباره‌ی کیفیت است، این چرخه درباره‌ی حاکمیت (governance) است. nonprofit این چرخه را عملاً برای هر تسک جدید اجرا می‌کند: «آیا قابل واگذاری است، و چگونه اجرای اخلاقی را راستی‌آزمایی کنم؟»

درس ۷.ج.۷ — حریم خصوصی و داده (Privacy & Data)

دسته‌بندی داده برای nonprofit:

• داده‌ی اهداکننده — نام، مبلغ کمک، فراوانی، ترجیحات ارتباطی. اغلب تابع قانون charitable solicitation و bill of rights اهداکننده است.
• داده‌ی ذی‌نفع — گاه جمعیت آسیب‌پذیر (کودک، پناهنده، بازمانده‌ی خشونت، بیمار). آستانه‌ی آسیب re-identification بسیار بالاتر از داده‌ی مصرف‌کننده‌ی عمومی است.
• داده‌ی برنامه — یادداشت کیس، اندازه‌گیری outcome، داده‌ی شریک تحت MOU.
• جریان داده با vendor — vendor AI با prompt شما چه می‌کند؟ آیا تحت data-protection agreement شما پوشش دارد؟

best practiceها از لانچ Claude for Nonprofits + دوره:

• از طرح‌های Team / Enterprise استفاده کن تا prompt برای training مدل به کار نرود. Anthropic Team و Enterprise برای training استفاده نمی‌شوند؛ گواهی‌های SOC 2 Type II / ISO 27001 / ISO 42001 / CSA STAR در دسترس‌اند.
• قبل از input، anonymize کن — persona composite، یادداشت کیس redacted.
• حساسیت داده را به سطح مدل نگاشت کن — تحقیق وب عمومی روی هر ابزاری ok است؛ تحلیل رکورد اهداکننده باید در CRM شما با کانکتور اعتبارسنجی‌شده (Blackbaud، Candid) بماند.
• workflow را مستند کن — چه کسی review کرد، چه input داده شد، چه output آمد، چه چیزی افشا شد.

درس ۷.ج.۸ — تحلیل داده (Data Analysis)

AI به‌عنوان دستیار تحلیلی برای ارزیابی برنامه، segmentation اهداکننده، یا یافتن الگوی مالی — با حفظ انسان در حلقه‌ی تفسیر.

نمونه‌ها: segmentation RFM (recency-frequency-monetary) اهداکننده؛ مقایسه‌ی outcome برنامه سال‌به‌سال؛ کدگذاری متن آزاد نظرسنجی با راستی‌آزمایی.

نگرانی: AI به اندازه‌ی کافی روان است که correlation کاذب را علّت‌مانند جلوه دهد. برنامه‌ها و کمک‌ها سرشار از selection bias هستند. Discernment اینجا high-stakes است.

درس ۷.ج.۹ — augmentation workflow و گام‌های بعدی

از تسک یک‌بارمصرف به workflow تکرارپذیر و قابل audit حرکت کن:

• با یک تیم و یک workflow شروع کن؛ زمان صرفه‌جویی‌شده را اندازه بگیر.
• قالب داخلی بساز (prompt library) که صدای سازمان و سیاست disclosure را در خود pre-bake کرده باشد.
• اگر ظرفیت داخلی نداری، از partnerهای اکوسیستم (Bridgespan، Idealist Consulting، Vera Solutions، Slalom) برای rollout استفاده کن.

فهرست واگذارناپذیر nonprofit (تکراری در سراسر دوره): Decisions, Direction, Mission, Values. AI ماموریت را تعیین نمی‌کند، ذی‌نفع را انتخاب نمی‌کند، و مالک رابطه با اهداکننده نیست.