هوش مصنوعی و آزمون تازه برای دانشکدههای کسب و کار
خطر اصلی، ناپدید شدن آموزش جدی نیست. خطر این است که خروجیهای ظاهری دانش و تخصص آسانتر از گذشته تقلید شوند. در چنین شرایطی، تمایز میان کسی که واقعا میفهمد و کسی که صرفا میتواند متنی متقاعدکننده تولید کند، دشوارتر میشود. بنابراین، کمیابی واقعی دیگر الزاما در توانایی تولید تحلیل یا ارائه پاسخ نیست، بلکه در توانایی تشخیص آن چیزی است که باید به آن اعتماد کرد، فهم سازوکارهای پشت یک مساله، ارزیابی شواهد، سنجش پیامدها و تبدیل دانش به تصمیم و اقدام موثر.
دانشکدههای کسب و کار پیش از این نیز دو تحول بزرگ را پشت سر گذاشتهاند. نسل نخست آنها با هدف حرفهایسازی مدیریت و تربیت مدیر برای سازمانهای پیچیده شکل گرفت. سپس، از دهه ۱۹۶۰، تحول پژوهشمحور باعث شد آموزش مدیریت از نظر علمی سختگیرانهتر و تحلیلیتر شود و بر اقتصاد، آمار، علوم رفتاری و علوم اجتماعی تکیه کند. این تحول کیفیت تفکر مدیریتی را افزایش داد و به شکلگیری چارچوبها و دانش گستردهای درباره شرکتها، بازارها و سازمانها کمک کرد. با این حال، هزینههایی نیز داشت: تمرکز بر مدلها، تحلیلها و چارچوبهای دانشگاهی گاه باعث شد فاصلهای میان تولید دانش و مسائل فوری سازمانها ایجاد شود.
هوش مصنوعی ممکن است آغازگر دوره سوم تحول آموزش مدیریت باشد. در جهانی که تولید زبان و تحلیل روان و قانعکننده بهسرعت فراگیر میشود، ارزش نهادهایی افزایش مییابد که بتوانند میان ادعا و واقعیت، نمایش و اثر واقعی، بهرهوری و مزیت رقابتی، خودکارسازی و خلق ارزش تمایز بگذارند. دانشکدههای کسب و کار باید دوباره به پرسش بنیادی خود بازگردند: چگونه میتوان به اداره بهتر کسب و کارها و سازمانها کمک کرد؟
این بازگشت به معنای افزودن چند درس تکنولوژی به برنامه درسی یا آموزش مدیران برای تبدیل شدن به تکنولوژیست نیست. مدیران به اندازهای از سواد فنی نیاز دارند که سادهلوحانه با هوش مصنوعی برخورد نکنند. اما مسائل اصلی همچنان مدیریتی و سازمانیاند. هوش مصنوعی ساختار کار، مرزهای شرکتها، جایگاه تخصص، نحوه توزیع مسوولیت، ماهیت رقابت و حتی شکل سازمانها را تغییر میدهد. آموزش مدیریت باید مدیران را برای فهم و هدایت این تغییرات آماده کند.
کلاس درس نیز باید تغییر کند. آموزش مبتنی بر مطالعه موردی، یکی از ارزشمندترین ابزارهای آموزش مدیریت است، زیرا دانشجویان را وادار میکند با اطلاعات ناقص تصمیم بگیرند، دیدگاههای دیگران را بشنوند و میان حوزههایی مانند مالی، استراتژی، قدرت، مشوقها و اجرا حرکت کنند. اما اگر خلاصه یک مورد، تشخیص استاندارد و فهرست گزینههای استراتژیک را بتوان در چند ثانیه با هوش مصنوعی تولید کرد، ارزش آموزشی کلاس باید در جایی عمیقتر قرار گیرد: در خود فرآیند قضاوت.
در آینده، باید بیش از پیش به این توجه شود که دانشجویان چگونه مساله را تعریف میکنند، شواهد را به چالش میکشند، با اختلافنظر کنار میآیند، فرضهای خود را بازبینی میکنند و از تحلیل به اقدام میرسند. یادگیری تجربی واقعی نیز باید دانشجویان و مدیران را با عدمقطعیت، تصمیمهای واقعی، بازخورد و پیامدهای انتخابهایشان روبهرو کند. هوش مصنوعی میتواند در این مسیر ابزار قدرتمندی باشد: برای تولید تفسیرهای جایگزین، ساخت سناریو، شبیهسازی واکنش ذینفعان، مقایسه گزینههای استراتژیک و آشکار کردن نقاط کور تصمیمگیرندگان. اما اگر درست طراحی نشود، میتواند به ابزاری برای تولید ظاهری مطمئن و سطحی تبدیل شود. هدف استفاده از هوش مصنوعی نباید صرفا بهرهگیری از یک تکنولوژی جدید باشد، بلکه باید آشکار کردن ضعفهای فکری و ارتقای کیفیت قضاوت باشد.
این تحول، نظام ارزیابی را نیز دگرگون میکند. در شرایطی که تولید یک تحلیل ظاهرا حرفهای آسان شده است، امتحان نباید فقط توانایی تولید پاسخ را بسنجد. دانشجویان باید بتوانند مساله را صورتبندی کنند، فرضهای خود را بیازمایند، از انتخابهایشان دفاع کنند، دیگران را متقاعد سازند و پیامدهای تصمیمهای خود را توضیح دهند. ارزیابی باید از سنجش صرف دانش به سمت سنجش قضاوت، استانداردهای حرفهای و مسوولیتپذیری حرکت کند.
دانشکدههای کسب و کار همچنین میتوانند نقش مهمی در پالایش دانش تولیدشده خارج از دانشگاه ایفا کنند. بخش بزرگی از دانش مربوط به هوش مصنوعی در شرکتهای تکنولوژی، استارتآپها، بانکها، بیمارستانها، نهادهای دولتی و شرکتهای مشاوره شکل میگیرد. دانشگاهها نمیتوانند همه این دانش را تولید کنند، اما میتوانند آن را با شواهد، نظریه و تجربه مدیریتی بسنجند. این نقش در فضایی که فروشندگان تکنولوژی، مشاوران و مدیران هر یک روایتهای متفاوتی درباره آینده ارائه میکنند، اهمیت زیادی دارد. دانشکدههای کسب و کار میتوانند محیطی فراهم کنند که در آن ادعاها آزموده شوند و پاسخهای مد روز پیش از پذیرش، مورد بررسی قرار گیرند.
پیامد این تغییر برای دانشجویان دوگانه است. تقلید از برخی مهارتهای سنتی که نشانه استعداد مدیریتی هستند، آسانتر شده است؛ مانند جمعبندی مطالب و ارائه مطمئن. اما تواناییهای عمیقتر، از جمله قضاوت در شرایط عدمقطعیت، تحمل اختلافنظر، درک پیامدها و مسوولیتپذیری، نهتنها همچنان ارزشمندند، بلکه احتمالا ارزش بیشتری پیدا میکنند. هوش مصنوعی میتواند دانشجویان را بهتر آماده کند و افق فکری آنها را گسترش دهد، اما نمیتواند بهجای آنها جدیت، هدفمندی و مسوولیتپذیری ایجاد کند.
برای استادان نیز این دوره مستلزم تغییر نقش است. آنها باید کمتر خود را صرفا ارائهدهنده محتوا بدانند و بیشتر طراح تجربههای یادگیری جدی باشند. پژوهش باید به عمل نزدیکتر شود، بدون آن که به حکایت تقلیل یابد؛ تکنولوژی باید جدی گرفته شود، بدون آنکه دانشگاهیان وانمود کنند تکنولوژیست هستند؛ و ارتباط با کسب و کار باید افزایش یابد، بدون آنکه دانشگاه به یک شرکت مشاوره تبدیل شود.
در نهایت، هوش مصنوعی آموزش مدیریت را منسوخ نکرده، بلکه برخی گریزهای راحت و مصلحتی آن را دشوارتر کرده است. آزمون اصلی برای دانشکدههای کسب و کار این نیست که آیا میتوانند با تکنولوژی جدید همگام شوند یا نه. پرسش اصلی این است که آیا میتوانند صادقانهتر درباره ارزش واقعی خود بیندیشند: آیا ناظران خوشبیان کسب و کار تربیت میکنند یا افرادی که در شرایط فشار، اختلافنظر و عدمقطعیت قادر به قضاوت و اقداماند؟ در جهانی که تولید محتوا و تحلیل آسانتر شده، مزیت واقعی در توانایی تولید پاسخ نیست؛ در تشخیص مساله درست، ارزیابی شواهد، انتخاب مسوولانه و تبدیل دانش به عمل نهفته است.
منبع: London Business School
