هرم بلوغ هوش مصنوعی

 سطح ۱: ارتقای بهره‌وری فردی

در کف این هرم، هوش مصنوعی بهره‌وری فردی را افزایش می‌دهد. نیروها از هوش مصنوعی مولد برای انجام امور مختلف استفاده می‌کنند: از پیش‌نویس گزارش‌ها و خلاصه‌سازی اسناد گرفته تا تحلیل داده‌ها و تولید کد. مهندسان به دستیاران کدنویسی متکی می‌شوند، بازاریابان برای تولید محتواهای تبلیغاتی از هوش مصنوعی بهره می‌برند و تحلیلگران، فرآیند تحقیق اولیه را خودکارسازی می‌کنند.

هوش مصنوعی علاوه بر تسریع کارها، کیفیت خروجی را بهبود داده و خستگی ذهنی کاربران را کاهش می‌دهد. گرچه این تاثیرات واقعی هستند، اما دستاوردها محدود به همان مقیاس کوچکند. استفاده از هوش مصنوعی در این سطح، بهره‌وری را به صورت جزئی و محدود بهبود می‌بخشد، اما نحوه ارزش‌آفرینی سازمان را به طور بنیادی تغییر نمی‌دهد. از آنجا که این ابزارها در دسترس همگان هستند، رقبا نیز می‌توانند به سرعت آنها را به کار گیرند. نتیجه، صرفا یکسان‌سازی هزینه‌هاست، نه ایجاد تمایز.

سطح ۲: ارتقای بهره‌وری گروهی

در سطح دوم، با ادغام هوش مصنوعی در فرآیندهای کاری مشارکتی، تمرکز از فرد به گروه تغییر پیدا می‌کند. در این سطح، سیستم‌ها به صورت خودکار جلسات را خلاصه‌سازی می‌کنند، از فرآیند هم‌فکری و دستیابی به اجماع پشتیبانی می‌کنند، موارد اقدامی را پیگیری کرده، وظایف را میان بخش‌های مختلف توزیع می‌کنند و دانش سازمانی را در لحظه در اختیار افراد قرار می‌دهند. جریان اطلاعات روان‌تر شده و هماهنگی‌ها بهبود می‌یابد. در نتیجه، شتاب تیم‌ها افزایش می‌یابد.

اما درست مثل سطح اول، رقبا نیز می‌توانند راهکارهای مشابهی را پیاده‌سازی کنند. گرچه همکاری‌ها کارآمدتر و اثربخش‌تر می‌شوند، ولی مدل بنیادی کسب و کار دست‌نخورده باقی می‌ماند و سازمان اگرچه عملکرد بهتری پیدا می‌کند اما از نظر بنیادی، تغییری نکرده است.

 سطح ۳: کارآمدی فرآیندهای کسب و کار

در سطح سوم، هوش مصنوعی در فرآیندهای عملیاتی و محوری سازمان ادغام می‌شود، مثل بانک‌هایی که فرآیند اعتبارسنجی را خودکار می‌کنند، خرده‌فروشی‌هایی که از پیش‌بینی تقاضا استفاده می‌کنند و واحدهای تولیدی که سیستم‌های نگهداری و تعمیرات پیش‌بینی‌کننده را به کار می‌گیرند. این دستاوردها قابل‌توجهند، چرا که هزینه‌ها و خطاها کاهش می‌یابند، واکنش‌پذیری سازمان بهبود پیدا می‌کند و امکان مقیاس‌پذیری موثرتر فراهم می‌شود.

شرکت «یینسون»، فعال در حوزه زیرساخت‌های انرژی و تکنولوژی را در نظر بگیرید. این شرکت هسته دیجیتال قدرتمندی را در تمام بخش‌های عملیاتی خود گنجانده، داده‌های عملیاتی آنی را یکپارچه‌سازی و در فرآیندهای کاری مختلف، قابل استفاده کرده است. هوش مصنوعی با ارائه تحلیل‌های آنی در رابطه با نگهداری پیش‌بینانه، بهینه‌سازی مسیرها و مدیریت خودکار، به شرکت‌ها کمک می‌کند بهره‌وری را ارتقا داده و نرخ سوانح کاری را کاهش دهند. اما حتی این سطح نیز عمدتا حالت دفاعی دارد (نه برتری). این مرحله به شرکت‌ها این امکان را می‌دهد تا در ساختارهای موجود صنعت به شکلی موثرتر رقابت کنند، بدون اینکه نحوه درآمدزایی یا آنچه از نگاه مشتری ارزشمند است را تغییر داده باشند.

سطح ۴: دگرگونی مدل کسب و کار

گرچه موفقیت در سه سطح اول هرم، منبع مزایا محسوب می‌شود، اما این دستاوردها گذرا هستند، چون رقبا می‌توانند به راحتی آنها را کپی کنند. بالاترین سطح هرم کاملا متفاوت است. در این مرحله، هوش مصنوعی صرفا نحوه انجام کارها را بهبود نمی‌بخشد، بلکه شیوه خلق و دریافت ارزش را از اساس تغییر می‌دهد.

موسسه خدمات مالی و بانکداری «دی‌بی‌اس» را در نظر بگیرید. این بانک از سال ۲۰۱۴ به صورت سیستماتیک، قابلیت‌های هوش مصنوعی و داده را در هسته عملیاتی خود گنجاند. سپس یک تغییر بنیادین رخ داد؛ تغییری که نشات‌گرفته از قابلیت‌های داده‌ای و عملیاتی‌ بود که این شرکت صبورانه در طول سال‌ها ساخته بود. بانک شروع کرد به راه‌اندازی بازارهای دیجیتال برای مشتریان: از خودرو گرفته تا املاک و سفر. و به جای درآمدزایی صرف از محل تامین مالی، از طریق تسهیل معاملات بزرگ نیز به درآمد رسید. به این ترتیب، مدل کسب و کار و جایگاه رقابتی دی‌بی‌اس به شکل بنیادین دستخوش تغییر شد. مزیت رقابتی نه فقط بر الگوریتم‌ها (که هر روز قابل‌دسترس‌تر می‌شوند)، بلکه بر داده‌ها، فرآیندهای کاری بازطراحی‌شده، سرمایه انسانی و قابلیت‌های سازمانی استوار است که رقبا نمی‌توانند به راحتی آنها را کپی کنند. به همین دلیل است که سطح ۴ را نمی‌توان با یک دستور ساده، اجرایی کرد؛ بلکه نیازمند تسلط بر سطوح پایین‌تر است.

 چرا شرکت‌ها پیش از دگرگونی متوقف می‌شوند؟

بسیاری از مدیران وسوسه می‌شوند که مستقیما به سراغ دگرگونی بروند. اما، چشم‌انداز به تنهایی و در غیاب قابلیت‌های لازم، نمی‌تواند مدل کسب و کار را دگرگون کند. بدون تسلط گسترده بر هوش مصنوعی و یکپارچه‌سازی عملیاتی، این خطر وجود دارد که استراتژی‌های دستوری و بالا به پایین، از بدنه اجرایی جدا شوند. از همه مهم‌تر، بدون جلب همراهی کارکنان، هیچ طرح تغییری (که اعمال هوش مصنوعی نیز نمونه‌ای از آن است) به موفقیت نخواهد رسید.

رهبری شرکت یینسون با هوش مصنوعی مانند یک طرح آزمایشی یا مجموعه‌ای از آزمون و خطاهای پراکنده برخورد نکرد، بلکه آن را یک سفر سازمانی می‌دید: ابتدا تسلط عمومی و تقویت فرآیندهای کاری (سطوح ۱ و ۲)؛ سپس استفاده از این پایگاه برای بازطراحی فرآیندهای محوری (سطح ۳)؛ و تنها پس از آن، گزینش اقدامات ریسکی و بزرگ در تغییر مدل کسب و کار (سطح ۴). اگر رهبری مستقیما به سراغ یک دگرگونی بزرگ می‌رفت، احتمالا به دلیل عدم فراگیری هوش مصنوعی در تمام لایه‌ها، کار متوقف می‌شد.

در سطح ۱، تمرکز یینسون بر استفاده گسترده فردی و قابلیت‌سازی بود. در نظرسنجی ما از بیش از ۳۰۰ نیروی کار، شرکت‌کننده‌ها اعلام کردند که به طور متوسط از هوش مصنوعی در ۶ فعالیت از ۱۰ فعالیت کاری خود استفاده می‌کنند. این فراگیری اهمیت دارد، چون تسلط مشترک ایجاد کرده و آزمون و خطا را به عنوان یک روال کاری، عادی‌سازی می‌کند.

در سطح ۲، تمرکز از «من از هوش مصنوعی استفاده می‌کنم» به «ما در نحوه همکاری خود از هوش مصنوعی استفاده می‌کنیم» تغییر یافت. نمونه‌های ذکر شده توسط کارکنان شامل ادغام هوش مصنوعی در روال‌های تیمی، مثل لیست کردن اقدامات لازم پس از جلسات بود. تشخیص این الگوها و خودکارسازی کارهای تکراری، دستاوردهای پراکنده را به روش‌های هماهنگ و قابل اتکا تبدیل می‌کند.

با شکل‌گیری این زیربنا، شرکت توانست به سطح ۳ ورود کند، یعنی در دل فرآیندهای کاری و عملیاتی. این بنیان محکم، مسیر حرکت یینسون به سمت سطح ۴ را هموار می‌سازد؛ سطحی که در آن هوش مصنوعی با فراهم کردن امکان فعالیت‌های تمایز آفرین، نحوه خلق و دریافت ارزش را دگرگون می‌کند.

 پذیرش بالا به پایین یا پایین به بالا؟

یک بحث رایج در خصوص به‌کارگیری هوش مصنوعی این است که آیا این فرآیند باید از بالا به پایین باشد یا از پایین به بالا. اما این یک سوال نادرست است چون پاسخ، هر دوی آنهاست، البته با نقش‌هایی کاملا متفاوت. مشکل قلاب آسمانی این نیست که از بالا می‌آید، بلکه این است که جایی برای متصل شدن ندارد.

در واقع، ارزش هوش مصنوعی نیازمند یک لنگر است: تکیه‌گاهی ساخته‌شده بر اساس اختیارات تصمیم‌گیری شفاف، مسیرهای داده‌ای معتبر، مالکان مسوولیت‌پذیر فرآیندها و شاخص‌هایی که نوآوری واقعی را از هیجانات زودگذر جدا می‌کنند. وقتی این تکیه‌گاه‌ها وجود نداشته باشند، اقدامات بالا به پایین هوش مصنوعی تبدیل به یک تئاتر می‌شوند و تلاش‌های پایین به بالا نیز در حد آزمون و خطاهای محدود باقی می‌مانند و به قابلیت سازمانی تبدیل نمی‌شوند. رهبری سازمان باید بستر را فراهم کند، شامل سرمایه‌گذاری در آموزش عمومی هوش مصنوعی و زیرساخت‌ها، تعیین چارچوب‌ها و معیارهای موفقیت برای توسعه طرح‌ها. بدون این بستر، آزمون و خطاها پراکنده باقی می‌مانند. همزمان، نوآوری می‌تواند از پایین به بالا نیز جریان یابد. کارکنان با آزمون و خطا در سطح فردی، دانش تازه خلق می‌کنند و تیم‌ها با ادغام هوش مصنوعی در فرآیندهای روزمره، فرصت‌های بهبود را تشخیص می‌دهند. سوال اصلی این است که شرکت شما در حال حاضر در کدام سطح از هرم قرار دارد، برای رسیدن به سطح بعدی چه چیزهایی باید ساخته شوند و چه کسی هدایت و مسوولیت این فرآیند را بر عهده دارد.

 مزیت از بنیان‌های محکم نشأت می‌گیرد

شرکت «اکسنچر» را در نظر بگیرید. سفر هوش مصنوعی این شرکت با بیانیه‌های پرطمطراق درباره مدل‌های جدید مشاوره آغاز نشد. در عوض، شرکت اعلام کرد که تمام ۷۰۰ هزار کارمند آن باید بر هوش مصنوعی مسلط شوند. چرا؟ چون حتی برای شرکتی که به دیگران در مسیر دگرگونی کمک می‌کند، رسیدن به سطح ۴ بر سطوح ۱، ۲ و ۳ استوار است.

پیش از آنکه هوش مصنوعی بتواند خدمات قابل ارائه به مشتریان را دگرگون کند، باید نحوه کار مشاوران را تغییر دهد. پیش از آنکه بتواند نحوه دریافت ارزش را بازتعریف کند، باید در فرآیندهای کاری روزمره نهادینه شود. پیش از تغییر استراتژی، رفتارها باید تغییر کنند.

در هوش مصنوعی، درست مانند کوهنوردی، شما به قله پرش نمی‌کنید؛ بلکه صعود می‌کنید.

منبع: INSEAD