گذار به خلق ارزش
مساله اصلی دیگر صرفا این نیست که سازمان‌ها هوش مصنوعی را به‌کار می‌گیرند یا خیر، بلکه این است که آیا می‌توانند آن را از مرحله استفاده پراکنده و آزمایش‌های اولیه به استقرار سازمانی، مقیاس‌پذیری و خلق ارزش اقتصادی و راهبردی برسانند. داده‌های گزارش شاخص هوش مصنوعی ایران ۱۴۰۴ که توسط مرکز استراتژی و تحول هوش مصنوعی شریف تهیه شده است، تصویری قابل تأمل از این وضعیت ارائه می‌کند. بر اساس این گزارش، نرخ پذیرش هوش مصنوعی در کسب‌وکارهای ایرانی حدود ۲۷درصد برآورد شده است. اگرچه این رقم نسبت به سال قبل افزایش یافته است، گزارش همچنان فاصله ایران با میانگین جهانی در پذیرش هوش مصنوعی را حدود هفت سال برآورد می‌کند. نکته مهم‌تر آن است که بخش قابل‌توجهی از این رشد پذیرش، به گسترش استفاده از ابزارهای هوش مصنوعی مولد بازمی‌گردد. بااین‌حال، افزایش دسترسی به این ابزارها و فراگیرشدن استفاده از آنها، لزوما به معنای شکل‌گیری قابلیت سازمانی برای خلق ارزش از هوش مصنوعی نیست. سازمان ممکن است استفاده از فناوری را آغاز کرده باشد، اما هنوز نتوانسته باشد آن را در فرآیندها، تصمیم‌ها و مدل خلق ارزش خود نهادینه کند. از همین‌جا، تمایز میان پذیرش هوش مصنوعی و خلق ارزش از هوش مصنوعی به نقطه آغاز بحث تبدیل می‌شود.
ممکن است سازمانی دوره‌های آموزشی برگزار کند، کارکنانش از ابزارهای هوش مصنوعی استفاده کنند، چند مورد کاربرد (Use Case) تعریف شود و حتی برخی پروژه‌های آزمایشی نیز با موفقیت به پایان برسند؛ اما همچنان نتواند به‌روشنی نشان دهد که هوش مصنوعی چه میزان درآمد ایجاد کرده، چه مقدار از هزینه‌ها کاسته، تا چه اندازه بهره‌وری را افزایش داده یا کیفیت کدام تصمیم مهم را بهبود بخشیده است.
چنین سازمانی، اگرچه هوش مصنوعی را پذیرفته و وارد مرحله تجربه و به‌کارگیری آن شده است، هنوز الزاما نتوانسته از این فناوری ارزشی پایدار و قابل‌اندازه‌گیری خلق کند. شواهد Gartner نیز نشان می‌دهد که پذیرش هوش مصنوعی را نمی‌توان صرفا یک پروژه فناورانه تلقی کرد. ابتکارات هوش مصنوعی، در مقایسه با استقرار فناوری‌های سنتی، به حدود ۲۵درصد آموزش بیشتر و تا ۲۰۰درصد تلاش بیشتر در حوزه مدیریت تغییر نیاز دارند. دلیل این تفاوت روشن است؛ هوش مصنوعی صرفا ابزاری برای سریع‌تر انجام دادن فعالیت‌های موجود نیست، بلکه می‌تواند ماهیت نقش‌ها، مهارت‌های موردنیاز، فرآیندهای کاری و حتی الگوهای تصمیم‌گیری را دگرگون کند. ازاین‌رو، چالش اصلی سازمان‌ها تنها دسترسی به فناوری نیست، بلکه توانایی ایجاد قابلیت‌های سازمانی لازم برای جذب، به‌کارگیری و نهادینه‌سازی موثر آن است.
چرا این گذار در ایران دشوارتر است؟
داده‌های گزارش شاخص هوش مصنوعی ایران ۱۴۰۴ نشان می‌دهد که مساله تنها میزان پذیرش نیست؛ محدودیت منابع نیز اهمیت زیادی دارد. حدود ۷۵درصد شرکت‌هایی که از هوش مصنوعی استفاده می‌کنند، طی سه‌سال اخیر کمتر از ۲میلیارد تومان برای این فناوری هزینه کرده‌اند و هزینه بالای توسعه هوش مصنوعی و فقدان مهارت کافی و نیروی انسانی باکیفیت را از مهم‌ترین موانع توسعه محصولات هوش مصنوعی دانسته‌اند. در سطح کلان نیز اندازه بازار هوش مصنوعی ایران در سال۱۴۰۳ حدود ۵.۵همت (هزار‌میلیارد تومان)، معادل تقریبی ۹۰میلیون دلار، برآورد شده است؛ بازاری که سهم آن حدود ۰.۰۲درصد تولید ناخالص داخلی عنوان شده است. سرمایه‌گذاری تجمیعی ایران در هوش مصنوعی نیز حدود ۸۲میلیون دلار تخمین زده شده است که بنا بر این گزارش، فاصله قابل‌توجهی با برخی کشورهای منطقه دارد. چنین شکافی نشان می‌دهد که سازمان‌های ایرانی نمی‌توانند راهبرد هوش مصنوعی خود را بر سرمایه‌گذاری‌های سنگین در توسعه مدل‌های پیشرفته، زیرساخت‌های پردازشی پرهزینه یا تقلید از الگوهای شرکت‌های بزرگ فناوری بنا کنند.
در محیطی با منابع محدود، انتخاب اهمیت بیشتری پیدا می‌کند؛ سرمایه محدود باید به مسائلی اختصاص یابد که بیشترین ارزش قابل تحقق را برای کسب‌وکار ایجاد می‌کنند. از سوی دیگر، سازمان‌ها همچنان با مسائل پایه‌ای داده و فناوری اطلاعات مواجهند. داده‌های پراکنده و کم‌کیفیت، سامانه‌های جزیره‌ای و مالکیت نامشخص داده می‌تواند حتی یک ایده مناسب هوش مصنوعی را در مرحله آزمایش متوقف کند. بنابراین پرسش مناسب این نیست که با هوش مصنوعی چه کاری می‌توان انجام داد؟ بلکه این است که هوش مصنوعی کدام مساله مهم کسب‌وکار را بهتر، سریع‌تر یا کم‌هزینه‌تر حل می‌کند؟ یکی از مهم‌ترین موضوعات اشاره‌شده در گزارش شاخص هوش مصنوعی ایران۱۴۰۴ به سرمایه انسانی مربوط است. در سال۲۰۲۴ حدود ۱۴هزار و ۱۶۴استعداد فعال حوزه هوش مصنوعی در ایران شناسایی شده‌اند.
در همین سال حدود ۱۲۶۲نفر از استعدادهای این حوزه از کشور خارج و تنها ۳۲۳نفر وارد کشور شده‌اند. در عین حال، با وجود رقابت بالاتر برای نیروی متخصص هوش مصنوعی و سطح بالای دستمزد این مشاغل در مقایسه با سایر مشاغل فناوری اطلاعات، رشد نسبی استخدام استعدادهای هوش مصنوعی تنها حدود یک‌درصد گزارش شده است. این ارقام نشان می‌دهد که مساله مهارت را نمی‌توان تنها از طریق استخدام حل کرد. سازمان‌ها ناچارند همزمان روی ارتقای مهارت کارکنان موجود، سواد هوش مصنوعی مدیران و طراحی الگوهای جدید همکاری انسان و ماشین سرمایه‌گذاری کنند. کارمندی که استفاده از یک ابزار هوش مصنوعی را آموخته است، لزوما برای کار در یک سازمان مبتنی بر هوش مصنوعی آماده نیست. او باید بداند چه زمانی به خروجی هوش مصنوعی اعتماد کند، چه زمانی آن را راستی‌آزمایی کند، مسوولیت تصمیم نهایی با چه کسی است و چگونه می‌توان از هوش مصنوعی برای افزایش کیفیت تصمیم استفاده کرد. در همین نقطه نقش مدیران ارشد اهمیت پیدا می‌کند. اینکه چه کاری را انسان انجام دهد، چه کاری به هوش مصنوعی واگذار شود و در کجا همکاری انسان و هوش مصنوعی بیشترین ارزش را ایجاد کند، صرفا یک تصمیم فناورانه نیست، بلکه یک تصمیم مدیریتی و راهبردی است.
از پروژه‌های پراکنده تا سبد ارزش‌آفرین
هر سازمان می‌تواند ده‌ها ایده برای استفاده از هوش مصنوعی تولید کند؛ اما منابع مالی، داده، زیرساخت و نیروی متخصص محدود است. بنابراین موارد کاربرد باید بر اساس اهمیت مساله، ارزش اقتصادی، امکان‌پذیری، آمادگی داده، ریسک، قابلیت مقیاس‌پذیری و تناسب با راهبرد سازمان اولویت‌بندی شوند. برای مثال، در یک شرکت صنعتی ممکن است هوش مصنوعی در پیش‌بینی خرابی تجهیزات، کنترل کیفیت، بهینه‌سازی تولید، مدیریت زنجیره تامین، پیش‌بینی تقاضا یا پشتیبانی تصمیم مدیران کاربرد داشته باشد. اما مورد کاربرد خوب صرفا موردی نیست که هوش مصنوعی بتواند در آن عملکرد مناسبی داشته باشد؛ موردی است که بهبود عملکرد به نتیجه بهتر کسب‌وکار منجر شود.
در چنین رویکردی، سازمان به جای داشتن مجموعه‌ای از پروژه‌های مستقل، یک سبد هوش مصنوعی ایجاد می‌کند که هر سرمایه‌گذاری در آن باید پاسخ روشنی به دو پرسش داشته باشد: امروز چه مساله‌ای را بهتر حل می‌کند و برای فردا چه قابلیت سازمانی ایجاد می‌کند؟ با گسترش استفاده از هوش مصنوعی، موضوعاتی مانند مالکیت داده، امنیت، محرمانگی، کیفیت خروجی، مسوولیت تصمیم و ریسک مدل نیز اهمیت بیشتری پیدا می‌کنند. گزارش شاخص هوش مصنوعی ایران در حوزه مشروعیت‌بخشی نیز نشان می‌دهد که متخصصان و فعالان این حوزه، در کنار آگاهی از مخاطرات هوش مصنوعی، بیشتر بر آموزش و ارتقای سواد دیجیتال تاکید دارند تا سازوکارهای نهادی و مقرراتی برای کنترل خروجی محصولات هوش مصنوعی. این یافته اهمیت ایجاد تعادل میان توانمندسازی و حاکمیت را برجسته می‌کند.
حاکمیت هوش مصنوعی نباید صرفا به معنای محدودسازی باشد، بلکه باید مشخص کند چه کسی در سازمان درباره کاربردهای هوش مصنوعی تصمیم می‌گیرد، چه پروژه‌هایی اولویت دارند، ارزش آنها چگونه سنجیده می‌شود، چه ریسک‌هایی قابل پذیرشند و مسوولیت خروجی‌ها بر عهده چه کسی است. برای سازمان‌های ایرانی، گذار از مرحله آزمایش هوش مصنوعی به خلق ارزش را می‌توان در منطقی نسبتا روشن ترسیم کرد: حرکت از مسائل و اولویت‌های واقعی کسب‌وکار، انتخاب موارد کاربرد بر مبنای ارزش‌آفرینی و امکان‌پذیری، آماده‌سازی داده و سرمایه انسانی، اجرای آزمایش‌های سنجش‌پذیر، استقرار سازوکارهای مناسب حاکمیت و در نهایت، مقیاس‌پذیر کردن موارد کاربردی که اثربخشی خود را در عمل نشان داده‌اند. در این مسیر، تعداد پروژه‌های هوش مصنوعی، شمار ابزارهای خریداری‌شده یا حتی تعداد کارکنان آموزش‌دیده، به‌تنهایی نشانه بلوغ سازمان نیست. معیار واقعی بلوغ، آن است که هوش مصنوعی تا چه اندازه توانسته است تغییری ملموس و قابل‌اندازه‌گیری در عملکرد سازمان ایجاد کند. سازمانی با ده‌ها پروژه آزمایشی که هیچ‌یک به دستاورد اقتصادی یا عملیاتی مشخصی نرسیده‌اند، لزوما بالغ‌تر از سازمانی نیست که تنها چند مورد کاربرد را به‌درستی انتخاب کرده و با موفقیت در فرایندهای اصلی خود به مقیاس رسانده است.
واقعیت‌های ایران نیز بر همین ضرورت تاکید دارند. در شرایطی که پذیرش هوش مصنوعی رو به افزایش است، اما دسترسی به سرمایه، زیرساخت‌های پردازشی و استعدادهای تخصصی در مقایسه با بسیاری از رقبا محدودتر است، مزیت سازمان‌های ایرانی نمی‌تواند صرفا در استفاده بیشتر از هوش مصنوعی جست‌وجو شود. مزیت واقعی در انتخاب هوشمندانه‌تر، اجرای اثربخش‌تر و توانایی تبدیل هوش مصنوعی از مجموعه‌ای از ابزارها و پروژه‌ها به یک قابلیت پایدار سازمانی نهفته است.
* کارشناس مدیریت استراتژی سازمانی
