سازمان‌ها چگونه می‌توانند فاصله میان ظرفیت‌های هوش مصنوعی و تأثیر واقعی آن بر کسب‌وکار را کاهش دهند؟
نویسنده: سب موری (Seb Murray)
منبع: MIT Sloan, Ideas Made to Matter | آوریل ۲۰۲۶
آنچه باید بدانید:
-برای ایجاد ارزش قابل‌اندازه‌گیری، باید هوش مصنوعی را نه مجموعه‌ای از ابزارها، بلکه بخشی از زیرساخت عملیاتی سازمان در نظر گرفت.
-پس از ورود هوش مصنوعی به محیط کار، دیگر نمی‌توان صرفاً عنوان شغلی را واحد تحلیل کار قرار داد؛ لازم است فعالیت‌های هر شغل به‌صورت جداگانه بررسی و بازطراحی شوند.
-برای تبدیل ظرفیت‌های هوش مصنوعی به نتایج واقعی، باید شاخص‌های عملکرد جدید تعریف کرد، کاربران را در فرایند طراحی مشارکت داد و رویکرد آزمون و توسعه تدریجی را در پیش گرفت.
چرا بسیاری از سازمان‌ها هنوز از هوش مصنوعی ارزش کافی به دست نمی‌آورند؟
با گسترش استفاده از هوش مصنوعی، بسیاری از وظایف تکراری خودکار شده‌اند و بخشی از فعالیت‌هایی که پیش‌تر توسط انسان انجام می‌شدند، اکنون به سامانه‌های هوشمند سپرده می‌شوند. بااین‌حال، بسیاری از شرکت‌ها هنوز نتوانسته‌اند بازده مورد انتظار از سرمایه‌گذاری‌های خود در این فناوری را محقق کنند.
به گفته پل مک‌دوناگ-اسمیت (Paul McDonagh-Smith)، مدرس ارشد مدعو دانشکده مدیریت اسلون MIT، مشکل صرفاً به پذیرش فناوری مربوط نیست؛ مسئله اصلی این است که سازمان‌ها تا چه اندازه شیوه انجام کار خود را برای بهره‌گیری از این فناوری تغییر می‌دهند.
او بر وابستگی متقابل سه مؤلفه تأکید می‌کند: خودِ کار، نیروی کار و محیط کار. اگر سازمان نتواند این سه مؤلفه را با یکدیگر هماهنگ کند، دستیابی به نتایج قابل‌اندازه‌گیری در بازه زمانی معقول دشوار خواهد بود.
مک‌دوناگ-اسمیت در دوره آموزش مدیران اجرایی MIT با عنوان «مبانی هوش مصنوعی: شتاب‌دهی به پذیرش اثربخش» (AI Essentials: Accelerating Impactful Adoption) به مدیران کمک می‌کند تا با بازطراحی فعالیت‌ها و تدوین شاخص‌های مناسب، ظرفیت‌های هوش مصنوعی را به نتایج ملموس تبدیل کنند.
او در گفت‌وگویی با MIT Sloan، چند راهکار برای کاهش فاصله میان ظرفیت بالقوه هوش مصنوعی و تأثیر واقعی آن بر کسب‌وکار ارائه کرده است.
۱. هوش مصنوعی را یک زیرساخت عملیاتی بدانید، نه مجموعه‌ای از ابزارها
بسیاری از شرکت‌ها هنوز هوش مصنوعی را ابزاری می‌دانند که می‌توان آن را به فرایندهای موجود اضافه کرد تا بهره‌وری افزایش یابد. اما این رویکرد، دامنه ارزش‌آفرینی هوش مصنوعی را محدود می‌کند.
مک‌دوناگ-اسمیت معتقد است سازمان‌ها بیش از اندازه به هوش مصنوعی به چشم مجموعه‌ای از ابزارها نگاه می‌کنند و هنوز آن را به‌عنوان یک زیرساخت عملیاتی درک نکرده‌اند.
این تمایز اهمیت زیادی دارد. هنگامی که هوش مصنوعی صرفاً یک ابزار تلقی می‌شود، معمولاً به فرایندهای موجود افزوده می‌شود و عملکرد آن با شاخص‌های قدیمی سنجیده می‌شود. در چنین شرایطی، حتی اگر ارزش جدیدی ایجاد شده باشد، اندازه‌گیری دقیق آن دشوار خواهد بود.
نتیجه این رویکرد، استفاده پراکنده از هوش مصنوعی است؛ به‌جای آنکه این فناوری به بخشی منسجم از شیوه عملکرد سازمان تبدیل شود.
نگاه زیرساختی به هوش مصنوعی مستلزم آن است که سازمان‌ها فرایندها، نقش‌ها، گردش اطلاعات و سازوکارهای تصمیم‌گیری خود را نیز متناسب با قابلیت‌های این فناوری بازطراحی کنند.
۲. به‌جای تمرکز صرف بر مدل‌ها، فرهنگ اکتشاف و تکامل را توسعه دهید
شناخت مدل‌های هوش مصنوعی همچنان ضروری است، اما به‌تنهایی کافی نیست.
مک‌دوناگ-اسمیت توضیح می‌دهد که هوش مصنوعی در چند مرحله تکامل یافته است و هر نسل از این فناوری، بخشی از محدودیت‌های نسل قبلی را برطرف کرده است.
سامانه‌های اولیه بر قواعد ثابتی متکی بودند که انسان‌ها آن‌ها را تعریف می‌کردند. پس از آن، مدل‌های یادگیری ماشین پدید آمدند که می‌توانستند از داده‌ها الگو بیاموزند. نسل‌های جدیدتر هوش مصنوعی مولد نیز قادرند با زبان، تصاویر و انواع دیگری از اطلاعات پیچیده کار کنند.
هر پیشرفت، مسئله‌ای را حل می‌کند؛ بنابراین، شناخت محدودیت‌های فناوری‌های کنونی، از جمله وابستگی آن‌ها به حجم زیادی از داده و توان محاسباتی، به سازمان‌ها کمک می‌کند مسیر تحولات آینده را بهتر درک کنند.
بااین‌حال، به گفته مک‌دوناگ-اسمیت، سازمان‌ها باید از دانش فنی صرف فراتر بروند و به سمت فرهنگ اکتشاف و تکامل حرکت کنند.
این رویکرد به معنای استفاده عملی از هوش مصنوعی است: سازمان‌ها باید این فناوری را در مسائل واقعی به کار بگیرند، نتایج را بسنجند و از طریق تجربه بیاموزند که چه کاربردهایی مؤثرند.
۳. شیوه انجام کار را از نو طراحی کنید
پذیرش هوش مصنوعی پیامدهای مهمی برای ساختار و نحوه انجام فعالیت‌های شغلی دارد.
از دیدگاه مک‌دوناگ-اسمیت، دیگر نمی‌توان عنوان شغلی را به‌تنهایی واحد مناسبی برای تحلیل کار دانست. هر شغل از مجموعه‌ای از فعالیت‌های مختلف تشکیل شده است و ممکن است حدود ۱۵ تا ۲۰ فعالیت اصلی داشته باشد.
هوش مصنوعی بر هر یک از این فعالیت‌ها تأثیر متفاوتی می‌گذارد: برخی را به‌طور کامل خودکار می‌کند و در برخی دیگر توانایی انسان را افزایش می‌دهد. در نتیجه، تقسیم کار میان انسان و سامانه‌های هوشمند تغییر می‌کند.
به همین دلیل، سازمان‌ها باید به‌جای افزودن هوش مصنوعی به نقش‌های شغلی موجود، گردش کار را بر اساس وظایف واقعی بازطراحی کنند.
مدیران لازم است بررسی کنند کارها در عمل چگونه انجام می‌شوند، کدام فعالیت‌ها قابلیت خودکارسازی دارند، در کدام بخش‌ها همکاری انسان و هوش مصنوعی مناسب‌تر است و چه مسئولیت‌هایی باید همچنان بر عهده انسان باقی بماند.
۴. شاخص‌های جدیدی برای سنجش عملکرد تعریف کنید
شاخص‌های سنتی عملکرد همیشه نمی‌توانند ارزش ایجادشده از طریق هوش مصنوعی را به‌درستی نشان دهند.
به گفته مک‌دوناگ-اسمیت، معیارهای ارزش‌آفرینی و واحدهای اندازه‌گیری که سازمان‌ها در گذشته به آن‌ها متکی بوده‌اند، لزوماً برای آینده مناسب نخواهند بود.
سازمان‌ها باید روش‌های جدیدی برای ارزیابی عملکرد ایجاد کنند. این روش‌ها می‌توانند مواردی مانند سرعت تصمیم‌گیری، کیفیت همکاری میان انسان و هوش مصنوعی و سرعت انتقال بینش‌های به‌دست‌آمده به فعالیت‌های کسب‌وکار را در بر بگیرند.
برخی شاخص‌ها نیز باید مستقیماً بر نتایج تمرکز کنند؛ برای مثال:
-
میزان بهبود کیفیت تصمیم‌گیری؛
-
سطح استقلال و خودمختاری سامانه‌های هوش مصنوعی؛
-
میزان توانایی سامانه‌ها در درک زمینه و شرایط خاص سازمان؛
-
سرعت تبدیل اطلاعات و تحلیل‌ها به اقدام عملی.
یک نقطه شروع مناسب، انتخاب تعداد محدودی از شاخص‌های اختصاصی هوش مصنوعی در فرایندهای کلیدی سازمان است. سپس می‌توان با استفاده از این شاخص‌ها، مشخص کرد که ارزش واقعی در کدام بخش‌ها ایجاد می‌شود.
۵. فاصله میان ظرفیت بالقوه هوش مصنوعی و اثر واقعی آن را از بین ببرید
از دیدگاه مک‌دوناگ-اسمیت، یکی از چالش‌های اساسی در پذیرش هوش مصنوعی در مرحله‌ای رخ می‌دهد که او آن را «آخرین گام» یا Last Mile می‌نامد؛ یعنی مرحله‌ای که در آن، قابلیت‌های فنی هوش مصنوعی هنوز به ارزش واقعی برای کسب‌وکار تبدیل نشده‌اند.
در بسیاری از سازمان‌ها، پروژه‌های هوش مصنوعی متوقف می‌شوند، زیرا با وجود عملکرد مناسب مدل، خروجی آن در تصمیم‌گیری‌های روزمره و گردش کار سازمان به کار گرفته نمی‌شود.
برای رفع این مشکل، شرکت‌ها باید رویکردی ساختاریافته اتخاذ کنند:
-مسئله‌ای مشخص را برای حل‌کردن انتخاب کنید
نقطه شروع باید تعریف روشن مسئله باشد. سازمان باید بداند دقیقاً چه مشکلی را می‌خواهد با کمک هوش مصنوعی حل کند و چه نتیجه‌ای از این اقدام انتظار دارد.
-کاربران را در طراحی مشارکت دهید
سامانه‌ها باید با مشارکت افرادی طراحی شوند که در عمل از آن‌ها استفاده خواهند کرد؛ نه اینکه صرفاً از سوی مدیریت یا واحد فناوری اطلاعات به کارکنان تحمیل شوند.
-بر زمینه واقعی کار تمرکز کنید
درک نحوه انجام فعالیت‌ها و شرایط واقعی محیط کار اهمیت بیشتری از تمرکز صرف بر توان محاسباتی دارد. یک مدل قدرتمند، بدون شناخت درست از فرایندها و نیازهای سازمان، لزوماً نتیجه مطلوبی ایجاد نمی‌کند.
-ابتدا آزمایش کنید و سپس توسعه دهید
پیشرفت از طریق آزمودن کاربردهای کوچک، اندازه‌گیری نتایج و گسترش راهکارهای موفق حاصل می‌شود. مک‌دوناگ-اسمیت این رویکرد را چنین خلاصه می‌کند: «کوچک عرضه کنید و سریع یاد بگیرید» (Ship small, learn fast).
-اعتماد کاربران را از ابتدا بسازید
اعتماد نباید به مرحله پایانی پروژه موکول شود. حاکمیت مناسب، نظارت مستمر و توجه به نگرانی‌های کاربران باید از همان ابتدای طراحی و پیاده‌سازی در نظر گرفته شوند.
جمع‌بندی
پیام اصلی مقاله این است که تحول هوش مصنوعی بیش از آنکه مسئله انتخاب فناوری باشد، مسئله بازطراحی سازمان است. سازمان‌ها زمانی می‌توانند از این فناوری ارزش واقعی به دست آورند که فعالیت‌های کاری را به‌صورت جزئی بررسی کنند، نقش انسان و ماشین را دوباره تعریف کنند، شاخص‌های مناسب برای سنجش نتایج داشته باشند و کاربران را در مسیر پیاده‌سازی مشارکت دهند.
به‌جای اجرای پروژه‌های بزرگ و یکباره، بهتر است سازمان‌ها از مسائل مشخص و کاربردهای محدود شروع کنند، نتایج را با شاخص‌های روشن بسنجند و سپس راهکارهای موفق را گسترش دهند. چنین رویکردی می‌تواند فاصله میان توانایی‌های فنی هوش مصنوعی و تأثیر واقعی آن بر عملکرد سازمان را کاهش دهد.
