سازمان‌هایی که به‌دنبال موفقیت در بهکارگیری هوش مصنوعی هستند، باید بدانند که این تکنولوژی پایان داستان نیست
هوش مصنوعی و سرزمین موعود جدید
چشم‌‌‌انداز اولیه این چرخه جدید کندراتیف را می‌توان در تعداد زیادی از بخش‌‌‌ها مشاهده کرد. هوش مصنوعی بازدیدها در پلت‌فرم نتفلیکس را تا ۸۰درصد افزایش داد. همچنین کشف واکسن کرونا مبتنی بر تکنولوژی ARN توسط شرکت مدرنا را تسهیل کرد. پلت‌فرم‌‌‌های هوش مصنوعی مولد مانند Copilot مبتنی بر Open AI’s Codex، ظرفیت کدگذاری برنامه‌‌‌نویسان را بیش از ۵۰درصد افزایش می‌‌‌دهند. بنابراین از دیدگاه اقتصادی و مدیریتی، پیش‌بینی می‌شود که هوش مصنوعی به‌‌‌عنوان یک دارایی رقابتی محوری عمل کند. توماس داونپورت، نویسنده کتاب «انسان و ماشین‌‌‌ها» ادعا می‌‌‌کند که هوش مصنوعی مهم‌ترین فناوری عصر ماست و بر ظرفیت آن برای تاثیر‌‌‌گذاری عمیق بر حوزه‌‌‌های متعدد و شکل دادن به آینده جمعی ما تاکید دارد. اسپیروس ماکریداکیس محقق و استاد دانشگاه نیکاسیا، معتقد است که انقلاب هوش مصنوعی می‌تواند از تاثیر هر دو انقلاب صنعتی و دیجیتال پیشی بگیرد.
زمان برای تحول هوش مصنوعی
اما یک مساله کوچک وجود دارد: با وجود هیاهویی که پیرامون هوش مصنوعی وجود دارد، بازگشت سرمایه برای اکثر شرکت‌هایی که طرح‌‌‌های سرمایه‌گذاری هوش مصنوعی خود را راه‌‌‌اندازی می‌‌‌کنند نزدیک به صفر بوده است. دلایلی برای تفسیر این پدیده ارائه شده است. محققان مدیریت مانند «فونتین» و همکارانش، در مجله کسب و کار هاروارد، از لزوم طراحی مجدد سازمان به منظور غلبه بر موانع فرهنگی و سازمانی مربوط به پیاده‌سازی هوش مصنوعی پرده برداشتند. در واقع، یکی از اصلی‌‌‌ترین اشتباهاتی که رهبران سازمانی مرتکب می‌‌‌شوند، این است که هوش مصنوعی را به عنوان یک تکنولوژی با مزایای سریع در نظر می‌‌‌گیرند. اشتباه آنها این است که این تکنولوژی را بزرگ‌ترین چالش می‌‌‌دانند، در حالی که در واقع این فرهنگ است که بزرگ‌ترین چالش محسوب می‌شود.
برخی دیگر مانند «لنسیتی» و «لکانی»، استادان دانشگاه، به این واقعیت اشاره می‌‌‌کنند که شرکت‌ها باید خود را از یک کارخانه معمولی با دارایی‌‌‌های ثابت و فرآیندهای ملموس، به یک کارخانه جدید و عمدتا نرم‌‌‌افزار محور با هوش مصنوعی تبدیل کنند. دیدگاه ما این است که هوش مصنوعی انقلابی خواهد بود، اما برای بهره بردن از پتانسیل آن، باید تلاش‌‌‌های روشنی در جهت تحول هوش مصنوعی صورت بگیرد. اخیرا تحقیقاتی برای تجزیه و تحلیل این ادعا آغاز شده است. شرکت خدمات حرفه‌‌‌ای «اکسنچر» هم در سال ۲۰۲۱ مقاله‌‌‌ای با عنوان «هنر بلوغ هوش مصنوعی» منتشر کرده که در آن به این نکته اشاره کرده که هوش مصنوعی باید بخشی از یک تحول بزرگ باشد تا بتوان از پتانسیل آن بهره‌‌‌برداری کرد.
سطح پتانسیل تحول‌‌‌آفرین را می‌توان با سطح بلوغ هوش مصنوعی شرکت اندازه‌‌‌گیری کرد که میزان تسلط سازمان‌ها بر قابلیت‌‌‌های مرتبط با هوش مصنوعی را در ترکیبی درست اندازه‌‌‌گیری می‌‌‌کند تا بتوان امیدوار بود که سازمان به عملکرد بالا دست می‌‌‌یابد. این در عمل، به معنای دو چیز مهم است. نخست اینکه، شرکت‌ها باید در سه دامنه قابلیت که مکمل هم هستند، هم‌‌‌افزایی گسترده‌ای داشته باشند: قابلیت‌‌‌های بنیادی (داده، تکنولوژی)، قابلیت‌‌‌های افزوده (نوآوری و استعداد)، و قابلیت‌‌‌های سازمانی.
دوم، زمان تغییر، از تحول دیجیتال به تحول هوش مصنوعی فرا رسیده است. دلیل آن این است که اساسا هوش مصنوعی باید متکی به تغییرات تحول‌‌‌آفرین باشد و لایه تقویتی گسترده‌‌‌تری داشته باشد که بتواند مزیت هوش مصنوعی را افزایش دهد. در واقع، سه دامنه از قابلیت‌‌‌های هوش مصنوعی را می‌توان به شرح زیر توصیف و توجیه کرد.
قابلیت‌‌‌های بنیادی
با توجه به قابلیت‌‌‌های بنیادی و مبتنی بر تکنولوژی اطلاعات و ارتباطات (ICT)، داده‌‌‌ها در فعال کردن پتانسیل عصبی هوش مصنوعی نقش مهمی ایفا می‌‌‌کنند. البته هیچ چیز جدیدی در این مورد وجود ندارد. نشریه اکونومیست زمانی داده‌‌‌ها را «نفت جدید» نامیده بود. اما آنچه باید به رسمیت شناخته شود این است که با توجه به ماهیت سیستم‌‌‌های هوش مصنوعی و بر اساس کمیت داده‌‌‌های موجود برای آموزش و تقویت اعتبار و دقت الگوریتم‌‌‌ها، پتانسیل آنها به میزان زیادی به کیفیت و قابل اعتماد بودنشان بستگی دارد. زیرساخت‌‌‌های تکنولوژیک یک ویژگی حیاتی هستند که به سازمان‌ها امکان می‌‌‌دهند داده‌‌‌ها را به شکل موثری اهرم قرار دهند و راه‌حل‌‌‌های یادگیری ماشین را پیاده‌سازی کنند. سازمان‌ها برای اجرای الگوریتم‌‌‌های پیچیده نیازمند ذخیره‌‌‌سازی داده در مقیاس بزرگ و قدرت پردازش بالا هستند.
نکته بسیار مهم، در دسترس بودن ابزارها و کتابخانه‌‌‌های نرم‌‌‌افزاری قوی برای ساخت و آموزش مدل‌‌‌های هوش مصنوعی است. «عملیات یادگیری ماشینی» (MLOps)، مجموعه‌‌‌ای از روش‌‌‌ها و ابزارها برای مدیریت و مقیاس‌‌‌دهی سیستم‌‌‌های یادگیری ماشینی، یک مولفه حیاتی از عملکرد هوش مصنوعی در کسب و کار است که ادغام مدل‌‌‌های یادگیری ماشینی با چرخه عمر توسعه نرم‌‌‌افزار و ایجاد بهترین روش‌‌‌ها برای استقرار و نگهداری را شامل می‌شود و می‌تواند قابلیت اطمینان و مقیاس‌‌‌پذیری آنها را به طور قابل‌توجهی بهبود بخشد.
قابلیت‌‌‌های افزوده
بحث اصلی در مورد هوش مصنوعی، کارآیی آن است؛ به‌‌‌خصوص زمانی که در راستای تغییر و از بین رفتن مشاغل باشد. این آینده بدون کار ترسناک است، اما به خودی خود تصویر مناسبی از آینده با هوش مصنوعی نیست. پتانسیل اصلی و پیچیده هوش مصنوعی، قابلیت افزوده و تکمیلی آن برای پشتیبانی از ایده‌‌‌های نوآورانه‌‌‌تر و کارهای قوی‌‌‌تر است. شرکت دانمارکی «یونیورسال روباتز» از هوش مصنوعی برای طراحی اشکال جدیدی از روبات‌‌‌های مشارکت‌‌‌کننده استفاده کرده است که کیفیت و سرعت تولید محصول را تا بیش از ۵۰درصد افزایش می‌‌‌دهند و در عین حال نیروی کار را تقویت می‌‌‌کنند. شرکت «ایداک»(Aidoc) از الگوریتم‌‌‌های یادگیری عمیق برای تجزیه و تحلیل تصاویر پزشکی و پشتیبانی از دیدگاه‌‌‌های رادیولوژیست‌‌‌ها استفاده می‌‌‌کند و دقت تشخیص‌‌‌های رادیولوژیست‌‌‌ها را نزدیک به ۴۰درصد افزایش می‌‌‌دهد. NVIDIA GauGAN یک مدل هوش مصنوعی مولد است که می‌تواند طرح‌‌‌های ساده کاربران را بگیرد و تصاویر زنده‌‌‌ای را در کاربردهای قدرتمندی مانند معماری، برنامه‌‌‌ریزی شهری و صنعت سرگرمی ایجاد کند.
از آنجا که ماهیت اصلی هوش مصنوعی نوآوری است، آن دسته از سازمان‌هایی که در هوش مصنوعی برتری دارند، معمولا باید روش‌‌‌های مدیریت استعدادیابی قوی و تکمیلی، شامل یک استراتژی استعدادیابی شفاف، یک مسیر استعدادیابی قوی، و برنامه‌‌‌های موثر توسعه استعدادیابی موثر نیز داشته باشند. سازمان‌ها همچنین باید در ایجاد مهارت‌‌‌ها و قابلیت‌‌‌های نیروی کار موجود خود سرمایه‌گذاری لازم را انجام دهند تا اطمینان پیدا کنند که می‌توانند به طور موثری با هوش مصنوعی کار کنند. این امر نیازمند ترکیبی از برنامه‌‌‌های ارتقای مهارت و بازآموزی مهارت و همچنین شیوه‌‌‌های جدید استخدام برای جذب و حفظ استعدادها با ترکیب مناسبی از مهارت‌‌‌های فنی و مهارت‌‌‌های کسب و کار است.
قابلیت‌‌‌های سازمانی
یکپارچگی سازمانی در مورد هوش مصنوعی، به میزان همکاری متخصصان داده و هوش مصنوعی با کسب و کار برای پیشبرد برنامه استراتژیک سازمان اشاره دارد. در این مرحله، حمایت مدیرعامل باید فراگیر باشد، زیرا پیامی واضح به کل سازمان ارسال می‌‌‌کند که هوش مصنوعی تنها یک ابتکار تکنولوژیک نیست، بلکه یک مدل عملیاتی جدید و نوآورانه است.
ارائه شواهد
موارد بالا نشان می‌‌‌دهند که موفقیت هوش مصنوعی در گرو تسلط بر هر سه نوع قابلیتی است که دستاوردهای هم‌‌‌افزایی را برای هوش مصنوعی به حداکثر می‌‌‌رساند تا به عنوان یک مزیت رقابتی، مقیاس‌‌‌پذیری قابل‌توجهی داشته باشد. مطالعات موردی نیز می‌توانند موارد بالا را نشان دهند، اما فاقد قدرت اثبات سیستماتیک هستند. شواهد باید بسیار گسترده‌‌‌تر و از نظر آماری قوی باشند. بنابراین ما یک الگوریتم یادگیری ماشینی را روی نمونه‌‌‌ای برگرفته از تحقیق شرکت اکسنچر در مورد بلوغ هوش مصنوعی توسعه داده‌‌‌ایم که چند‌هزار شرکت بزرگ جهانی را که شروع به آزمایش هوش مصنوعی کرده‌‌‌اند، پوشش می‌‌‌دهد.
ما سه یافته مهم و آماری قوی را کشف کردیم (شکل).
یافته اول: گستره عظیمی از تجربه هوش مصنوعی
سطح تحول شرکت‌ها با هوش مصنوعی، به بهترین وجه از چهار خوشه قابل مشاهده است که میزان سرمایه‌گذاری آنها در هر سه دامنه از قابلیت‌‌‌ها را منعکس می‌‌‌کند. تفاوت بین خوشه‌‌‌ها نسبتا زیاد است و یکی از خوشه‌‌‌ها در حال حاضر در تسلط بر مجموعه قابلیت‌‌‌های مبتنی بر هوش مصنوعی نسبت به سایر خوشه‌‌‌ها پیشگام است، در حالی که خوشه دیگر به سختی هوش مصنوعی را آزمایش می‌‌‌کند و احتمالا آن دسته از شرکت‌های ناکام را دربرمی‌گیرد که نمی‌‌‌دانند هوش‌مصنوعی چگونه تفاوت ایجاد می‌‌‌کند.
یافته دوم: قابلیت تحول هوش‌مصنوعی فراتر از مرزهاست
دو خوشه بسیار ضعیف هستند و تمرکز منفی بر قابلیت‌‌‌ها دارند، به این معنی که سرمایه‌گذاری‌‌‌های آنها به سمت اجزای قابلیت‌‌‌هاست که ضعیف‌‌‌ترین تاثیر را بر پتانسیل تحول‌‌‌آفرین هوش مصنوعی دارند (به عنوان مثال، مجموعه‌‌‌های داده خوب، اما بدون برچسب دارند؛ روی مهارت‌‌‌های انسانی خوب سرمایه‌گذاری کرده‌‌‌اند، اما فاقد مهارت‌‌‌های دیجیتال، داده‌‌‌محور و... هستند). در حالی که دو خوشه مبنای محکمی برای قابلیت‌‌‌ها دارند، تنها یک خوشه (و در ضمن، کوچک‌ترین خوشه که ۱۳درصد از شرکت‌ها را شامل می‌شود) دارای حداقل مقیاس در هر سه دامنه است. با این حال، این خوشه تقریبا ۵۰درصد از کل پتانسیل تحول هوش مصنوعی را به خود اختصاص می‌‌‌دهد، یا به طور کامل از کل مجموعه قابلیت‌‌‌ها برای مقیاس‌‌‌دهی به هوش مصنوعی بهره‌‌‌برداری نمی‌‌‌کند.
یافته سوم: هوش مصنوعی حتی اگر خارج از مرز باشد، در حال تغییر بازی است
حتی اگر بهترین خوشه‌‌‌ها از حداکثر پتانسیل هم استفاده نکنند، باز هم هوش مصنوعی عامل 30درصد درآمدزایی آنهاست و این تاثیر از نظر آماری بزرگ‌تر از هر تاثیر دیگری است که توسط خوشه‌‌‌های دیگر به‌‌‌دست می‌‌‌آید. رشد در بالاترین سهم هوش مصنوعی از خوشه‌‌‌ای که بهترین عملکرد را دارد، حداقل دو برابر شرکت‌های دیگر است که نشان‌دهنده اهمیت بالای مقیاس در هوش مصنوعی است.
سفر تحول جدید هوش مصنوعی
علاوه بر شواهد مطالعه موردی، تحلیل بالا شواهد آماری پتانسیل هوش مصنوعی را نیز به آن می‌‌‌افزاید. اما نشان می‌‌‌دهد که این پتانسیل تنها با یک تحول جدید که سه حوزه معماری تکنولوژی، تغییر سازمانی و افزایش قابلیت‌‌‌ها را ادغام می‌‌‌کند، قابل دستیابی است. اهمیت تحول هوش مصنوعی این است که:
1- هر دامنه پیچیده‌‌‌تر از تحول دیجیتال است (به عنوان مثال، لایه داده و معماری جدید امنیت سایبری برای قابلیت‌‌‌های بنیادی؛ نوآوری مبتنی بر نرم‌‌‌افزار، و افزایش مهارت کاری برای قابلیت‌‌‌های افزوده؛ و یک مدیرعامل که فعالانه در این تغییر جدید قرار گرفته است).
2- همه قابلیت‌‌‌ها باید به یکدیگر متصل شوند تا هر یک از پتانسیل‌‌‌های هوش مصنوعی محقق شود.
3- باید به سرعت به مقیاس برسد تا به آستانه مهمی برسد که به طور کامل از مزایای هوش مصنوعی بهره‌‌‌مند شود.
از این رو، ، زمان آن رسیده که برای مهار کامل پتانسیل هوش مصنوعی برای اهداف کسب و کار، به دنبال یک رویکرد جامع و فعال مبتنی بر هوش مصنوعی باشیم. به عبارت دیگر، قدرت هوش مصنوعی تنها زمانی می‌تواند آزاد شود که به طور همزمان در تمام قابلیت‌‌‌های هوش مصنوعی به برتری برسد.
پی‌‌‌نوشت:
1- Kondratieff، یک چرخه اقتصادی است که شرایط متغیر بازار، بورس و قیمت کالاها را توصیف می‌‌‌کند. تا به‌حال شش چرخه اینچنینی مشاهده شده که هر مرحله بیش از 40 تا 60 سال طول کشیده است. نام این تئوری در سال 1925 از اقتصاددان و جامعه‌‌‌شناس، نیکولای دی. کندراتیف گرفته شد که آن را در کتابش با عنوان «چرخه‌‌‌های بزرگ اقتصادی» معرفی کرد.
