فراتر از کد: یکپارچه‌سازی هوش مصنوعی مولد در قلب استراتژی کسب‌وکار
چکیده: در عصر کنونی که تحولات فناورانه با سرعتی بی‌سابقه در حال وقوع است، هوش مصنوعی مولد به عنوان یکی از قدرتمندترین ابزارهای نوآوری، توجه رهبران کسب‌وکار را به خود جلب کرده است. این مقاله، با استناد به دیدگاه‌های دکتر جورج وسترمن، دانشمند اصلی پژوهشی در مدرسه مدیریت اسلون MIT، به بررسی چگونگی یکپارچه‌سازی هوش مصنوعی مولد در استراتژی کسب‌وکار می‌پردازد. تأکید اصلی بر این است که چالش واقعی نه در پذیرش فناوری، بلکه در تحول سازمانی و رهبری آن نهفته است. مقاله به تشریح دسته‌بندی‌های مختلف هوش مصنوعی، کاربردهای تحول‌آفرین هوش مصنوعی مولد، ملاحظات حیاتی در پیاده‌سازی آن از جمله مدیریت ریسک و سوگیری داده، اهمیت فرهنگ سازمانی و توسعه مهارت‌ها می‌پردازد و مسیر گام به گام برای آغاز تحولات هوش مصنوعی را ترسیم می‌کند. هدف نهایی، زدودن ترس از فناوری و افزایش شایستگی رهبران در مواجهه با این ابزار قدرتمند است.
مقدمه: هدایت کسب‌وکار در عصر هوش مصنوعی
ما در دورانی زندگی می‌کنیم که نوآوری‌های فناورانه، به ویژه در حوزه هوش مصنوعی (AI)، با سرعتی سرسام‌آور پیش می‌روند. این سرعت و پیچیدگی می‌تواند برای رهبران کسب‌وکار ترسناک باشد. دکتر جورج وسترمن، دانشمند اصلی پژوهشی در مدرسه مدیریت اسلون MIT و یکی از پیشروان فکری در زمینه تحول و مزیت رقابتی از طریق نوآوری فناورانه، دیدگاهی روشن و کاربردی برای هدایت سازمان‌ها در این مسیر ارائه می‌دهد. او بر این باور است که نقش او، ابهام‌زدایی از فناوری‌ها برای کمک به رهبران در درک آنچه اتفاق می‌افتد و تفکر درباره چگونگی طراحی سازمان و هدایت تحول است.
دکتر وسترمن تجربه گسترده‌ای در زمینه تحول دیجیتال دارد، حوزه‌ای که او ۱۵ سال پیش پیشگام تحقیق در آن بود، زمانی که حتی اصطلاح “تحول دیجیتال” رایج نبود. او همچنین در حوزه‌های سازمان‌های فناوری اطلاعات، مهارت‌ها و مشاغل فعالیت کرده است. اکنون، تمامی این حوزه‌ها تحت تأثیر هوش مصنوعی قرار گرفته‌اند. در همین راستا، هدف اصلی او این است که به رهبران کمک کند تا هوش مصنوعی مولد را در استراتژی خود بگنجانند و فرآیندهای تصمیم‌گیری سازمانی خود را با وضوح بیشتری انجام دهند. او تأکید می‌کند که کار او این است که هوش مصنوعی را کمتر ترسناک و بیشتر قابل مدیریت جلوه دهد تا رهبران احساس شایستگی بیشتری در برخورد با آن داشته باشند.
یکی از مهم‌ترین قوانینی که دکتر وسترمن مطرح می‌کند، “قانون وسترمن” است: “فناوری به سرعت تغییر می‌کند، اما سازمان‌ها بسیار کندتر تغییر می‌کنند.” این قانون، یادآوری کلیدی است که چالش اصلی در پذیرش فناوری، خود فناوری نیست، بلکه تغییر شیوه کسب‌وکار است. به عبارت دیگر، “دیجیتال بخش آسان است، تحول بخش سخت است.” این بدان معناست که مشکل نه تنها فنی، بلکه عمیقاً یک مشکل رهبری است. فناوری به تنهایی هیچ ارزشی برای یک شرکت ایجاد نمی‌کند؛ بلکه آنچه با فناوری انجام می‌شود، ارزشمند است. هوش مصنوعی، به تعبیر او، مرحله بعدی تحول دیجیتال است که همان اصول اساسی را شامل می‌شود، اما فرصت‌های قدرتمندتر و گسترده‌تری را فراهم می‌آورد.
درک هوش مصنوعی: طبقه‌بندی و ویژگی‌ها
تعریف هوش مصنوعی کاری دشوار است و مفاهیم آن به سرعت در حال تکامل هستند. برای مثال، چیزی که ۱۰ سال پیش “یادگیری عمیق” نامیده می‌شد و بسیار ترسناک و هیجان‌انگیز بود، اکنون “هوش مصنوعی سنتی” نامیده می‌شود. دکتر وسترمن، برای کمک به رهبران در درک این پدیده متغیر، چهار دسته اصلی از هوش مصنوعی را معرفی می‌کند که به آنها کمک می‌کند تا این “آشفتگی” را درک کنند.
“قانون وسترمن”: فناوری در برابر تحول سازمانی
پیش از ورود به دسته‌بندی‌ها، لازم است که قانون بنیادین دکتر وسترمن را مجدداً یادآور شویم: فناوری به سرعت تغییر می‌کند، اما سازمان‌ها بسیار کندتر تغییر می‌کنند. این یک واقعیت مسلم است که غالباً توسط متخصصان فناوری و فروشندگان فناوری فراموش می‌شود. چالش اصلی نه در پذیرش فناوری، بلکه در تغییر روش کسب‌وکار نهفته است. تحول، بخش دشوار کار است. این به معنای آن است که مشکل عمدتاً فنی نیست، بلکه یک مشکل رهبری است. ما باید هر دو جنبه را در نظر بگیریم. ارزش واقعی فناوری تنها زمانی ایجاد می‌شود که با آن کسب‌وکار یا محصولات را تغییر دهیم تا عملکرد بهتری داشته باشند.
برای مثال، شرکت‌هایی مانند ایرباس که از هوش مصنوعی برای فرآیندهای تولید استفاده می‌کند، یا هوم دیپو که با هوش مصنوعی تجربه مشتری را بهبود بخشیده، مستقیماً در هوش مصنوعی سرمایه‌گذاری نمی‌کنند؛ بلکه همیشه در حال سرمایه‌گذاری برای حل یک مشکل کسب‌وکار هستند. هدف اصلی آنها ایجاد تجربیات فوق‌العاده و “لذت بردن کاربر” است؛ فناوری در این میان ثانویه است.
هوش مصنوعی، نه هوشمند واقعی
نکته اول و مهمی که از منظر مدیریت باید درباره هوش مصنوعی بدانیم این است: هوش مصنوعی هوشمند نیست. همانطور که اریک نیز اشاره کرده بود، هوش مصنوعی اساساً یک برنامه است که دستورات را اجرا می‌کند. این برنامه فاقد دانش زمینه‌ای (context knowledge) است. هوش مصنوعی صرفاً فرمولی را اجرا می‌کند که برای آن برنامه‌ریزی شده یا آموخته است. به گفته اولیوا، یکی از باهوش‌ترین افرادی که وسترمن می‌شناسد و هوش مصنوعی را ساخته است که می‌تواند افکار را از اسکن مغز بخواند، “هوش مصنوعی باید احمق مصنوعی نامیده شود”. با این حال، نکته مهم این است که می‌تواند بسیار هوشمندانه عمل کند و این بسیار مفید است، به شرطی که با احتیاط و به شیوه صحیح از آن استفاده کنیم.
فرصت‌های استفاده از هوش مصنوعی، مانند سایر فناوری‌های تحول دیجیتال (مانند موبایل و اینترنت اشیا)، در چهار حوزه اصلی قرار می‌گیرند:
- ایجاد تجربه مشتری جذاب و شخصی‌سازی شده: تجربیاتی که از نظر احساسی درگیرکننده و هدفمند باشند.
- عملیات: نه فقط اتوماسیون، بلکه توانایی انطباق و تنظیم مستمر (Industry 4.0).
- مدل‌های کسب‌وکار: فراتر از صرفاً “علی‌بابا یا آمازون صنعت خود بودن”؛ استفاده از اطلاعات برای ایجاد فرصت‌های جدید مانند تبدیل محصولات به خدمات.
- تجربه کارمند: یک بخش حیاتی؛ کارمندان راضی منجر به مشتریان راضی می‌شوند و تجربه بد کارمند نشانه‌ای از مشکلات سیستمی، فرآیندی یا انگیزشی است.
این فرصت‌ها بر روی سیستم‌ها و داده‌های موجود سازمان سوار می‌شوند. اگر داده‌ها نامرتب باشند، اجرای هوش مصنوعی دشوار خواهد بود، اگرچه هوش مصنوعی می‌تواند تا حدی به مرتب کردن داده‌ها کمک کند.
چهار دسته هوش مصنوعی از دید وسترمن
دکتر وسترمن تأکید می‌کند که هیچ توافق جهانی بر سر دسته‌بندی‌های هوش مصنوعی وجود ندارد، اما او چهار دسته خود را برای کمک به درک شهودی ارائه می‌دهد:
۱. سیستم‌های مبتنی بر قانون (Rule-based Systems)
این سیستم‌ها که اریک (سخنران قبلی) آنها را “سیستم‌های خبره” نامید، بر اساس مجموعه‌ای از دستورات “اگر-آنگاه” عمل می‌کنند. دکتر وسترمن اشاره می‌کند که در سال ۱۹۸۴، یکی از اولین کارهای او ساختن یک موتور برای سیستم مبتنی بر قانون بوده است. این سیستم‌ها، فراتر از مشکلات بسیار ساده، کار نمی‌کنند. با این حال، نسخه‌های جدیدتر این موتورهای قوانین، بهتر عمل می‌کنند و در محیط‌های مناسبی مانند تجویز دارو یا اعطای وام، در محدوده‌های خود مفید هستند.
نحوه برنامه‌ریزی: برای برنامه‌ریزی این سیستم‌ها، باید با یک متخصص صحبت کرد. اینجاست که یک پارادوکس جالب مطرح می‌شود: “ما بیشتر از آنچه بتوانیم بگوییم، می‌دانیم.” حتی یک کودک دو ساله فیزیک را درک می‌کند اما نمی‌تواند آن را توضیح دهد. داده: نیازی به داده ندارند. پاسخ: پاسخ‌های دقیق و یکسان در هر بار ارائه می‌دهند. انطباق: اما نکته مهم این است که این سیستم‌ها انطباق‌پذیر نیستند. اضافه کردن یک قانون جدید می‌تواند کل سیستم را پیچیده کند.
۲. اقتصادسنجی (Econometrics) یا آمار
این همان آماری است که بسیاری از ما در مدرسه آموخته‌ایم و هنوز هم به طور گسترده از آن استفاده می‌شود. زمانی که داده‌های ساختاریافته دارید، یعنی داده‌هایی که می‌توان آنها را در یک صفحه گسترده (اسپردشیت) قرار داد و معمولاً عددی هستند، این سیستم‌ها فوق‌العاده خوب کار می‌کنند.
مزایا: برنامه‌ریزی آنها نسبتاً ارزان است و در پیدا کردن فرمول برای دو بعد (مثلاً تشخیص آبی یا سبز بودن یک چیز) و همچنین در تحلیل روند (رگرسیون) بسیار خوب عمل می‌کنند. آنها تمایل به دقت بالایی دارند، هرچند ممکن است خطا (مثبت کاذب یا منفی کاذب) داشته باشند. پیچیدگی: می‌توانند با ابعاد چندگانه نیز کار کنند. مثلاً، یک تیم در حال حاضر در حال بررسی ۱۰۰ میلیون رزومه CVS برای ردیابی مسیرهای شغلی است که بدون تحلیل چند بعدی امکان‌پذیر نیست. داده: عمدتاً با داده‌های عددی سروکار دارند. پاسخ: پاسخ‌های دقیق و یکسان در هر بار ارائه می‌دهند.
۳. یادگیری عمیق (Deep Learning)
یادگیری عمیق ۱۵ سال پیش “جالب‌ترین چیز” بود و هنوز هم هست. اریک ۵۰ نسخه مختلف از آن را نشان داده بود، اما وسترمن یک نمونه اصلی را توضیح می‌دهد: شبکه‌های عصبی. او اذعان می‌کند که تصویر شبکه‌های عصبی معمولاً برای ترساندن افراد استفاده می‌شود، زیرا پیچیده به نظر می‌رسد و “کمی جادو” در آن نهفته است.
نحوه کار: این سیستم‌ها ورودی‌ها را می‌گیرند و آنها را از طریق مجموعه‌ای از میانگین‌های وزنی عبور می‌دهند تا در نهایت پیش‌بینی‌ای از چندین حالت مختلف ارائه دهند. این فرآیند به سرعت از توانایی درک انسان فراتر می‌رود. آموزش: آموزش با داده‌های برچسب‌گذاری شده انجام می‌شود. هر بار که برای اثبات “انسان بودن” خود، ماشین یا دوچرخه را در تصاویر مشخص می‌کنید، یا در چالش‌های شبکه‌های اجتماعی عکس‌های “جوانی و پیری” خود را آپلود می‌کنید، در حال برچسب‌گذاری داده برای آموزش این سیستم‌ها هستید. خروجی: خروجی‌ها قابل تکرار هستند، اما به هیچ وجه قابل توضیح (explainable) نیستند. حتی باهوش‌ترین افراد ما تازه در حال فهمیدن چگونگی قابل توضیح کردن این سیستم‌ها هستند. مثال (تشخیص اعداد دست‌نویس): یک تصویر ۲۸ در ۲۸ پیکسلی (دو بعدی) به ۷۸۴ پیکسل (یک بعدی) تبدیل می‌شود. الگوریتم به روابط فضایی اهمیتی نمی‌دهد. اعداد به عنوان ورودی داده می‌شوند و سیستم ۱۰ تخمین (۰ تا ۹) از احتمال عدد بودن آن را ارائه می‌دهد. اگر پاسخ اشتباه باشد (مثلاً سیستم عدد را ۲ تشخیص دهد در حالی که ۹ است)، سیستم به عقب برمی‌گردد و “پیچ‌ها” را تنظیم می‌کند. هیچ کس نمی‌داند چقدر هر پیچ را تنظیم کند، اما با تکرار ۱۰ هزار بار، پیچ‌ها در جای درست قرار می‌گیرند. این “جادوی اعداد بزرگ و الگوریتم‌های خوب” است. نکات کلیدی برای یادگیری عمیق:
- نیاز به داده‌های برچسب‌گذاری شده دارید.
- نیاز به تقویت و تنظیم مکرر دارید.
- سوگیری داده (Data Bias): اگر داده‌ها سوگیرانه باشند (مثلاً فقط داده‌های مردان وجود داشته باشد نه زنان)، نتایج نیز سوگیرانه خواهند بود. آمازون متوجه این موضوع شد، زمانی که سیستم بررسی رزومه‌های آنها به طور معمول زنان را رد می‌کرد، زیرا سیستم بر اساس داده‌های مهندسان مرد قبلی آموزش دیده بود. اگر کسی کاپیتان تیم شنای زنان بود، هرگز شغل پیدا نمی‌کرد. باید این سوگیری‌ها را آزمایش و برطرف کرد.
۴. هوش مصنوعی مولد (Generative AI)
هوش مصنوعی مولد بر پایه الگوریتم‌های مشابه یادگیری عمیق بنا شده است، اما توانایی اختراع و خلق دارد. این سیستم بر اساس آنچه به آن گفته شده و تمام دانشی که دارد، “بهترین کلمه یا جفت کلمه بعدی” را پیش‌بینی می‌کند. سپس این فرآیند تکرار می‌شود تا محتوای جدیدی تولید شود.
ویژگی‌ها:
- تصادفی بودن: به همین دلیل است که هر بار پاسخ متفاوتی دریافت می‌کنید.
- خلق محتوای جدید: بر خلاف سیستم‌های طبقه‌بندی‌کننده، این سیستم‌ها چیزهای جدیدی خلق می‌کنند.
- کاربردهای متنوع: می‌تواند برای اهداف خوب یا بد، برای محتوای خسته‌کننده یا خلاقانه استفاده شود.
- توهمات (Hallucinations): این سیستم‌ها می‌توانند اطلاعات نادرست یا غیرواقعی تولید کنند، که به آن “توهم” گفته می‌شود. یک مثال معروف، وکیلی است که اسناد دادگاه خود را با ChatGPT تهیه کرده بود و متأسفانه برخی از پرونده‌هایی که به عنوان سابقه ذکر کرده بود، واقعی نبودند و باعث خشم قاضی شد.
- مدیریت ریسک توهمات: دکتر وسترمن اشاره می‌کند که ما بیش از حد نگران این توهمات هستیم، در حالی که “چند نفر از ما یک کارمند بی‌نقص می‌شناسیم؟ افراد هم اشتباه می‌کنند.” ایده اصلی این نیست که انتظار یک پاسخ بی‌نقص را از هوش مصنوعی داشته باشیم، بلکه باید کنترل‌های لازم را در نظر بگیریم تا در صورت اشتباه بودن پاسخ، آن را مدیریت کنیم، درست مانند کاری که با انسان‌ها انجام می‌دهیم.
- نیاز به داده و انرژی: این سیستم‌ها به حجم عظیمی از داده‌های آموزشی و مقادیر بسیار زیادی انرژی نیاز دارند.
هوش مصنوعی مولد در عمل: کاربردها و مزایای تحول‌آفرین
هوش مصنوعی مولد نه تنها قدرتمند است، بلکه با ریسک‌های قابل توجهی نیز همراه است. با این حال، شرکت‌ها در حال حاضر از آن برای نوآوری به شیوه‌های مختلفی استفاده می‌کنند.
مثال‌های کاربردی هوش مصنوعی مولد در صنایع مختلف
کاربردهای هوش مصنوعی مولد طیف وسیعی از صنایع و وظایف را در بر می‌گیرد:
- تولید محتوا و آموزش:
- تولید ویدئو و محتوای شرکتی: به جای اینکه دکتر وسترمن برای ضبط دوره‌های آموزشی در استودیو حضور یابد، اکنون می‌تواند متن را تایپ کند و هوش مصنوعی آن را به گفتار تبدیل کند. اگر ظاهر سخنران مصنوعی را دوست نداشته باشد، فردی با ظاهر متفاوت می‌تواند این کار را انجام دهد، و حتی می‌تواند به زبان‌های مختلف صحبت کند. این شامل تولید “دیپ‌فیک” نیز می‌شود.
- ادبیات شرکتی چندزبانه: هر سند شرکتی می‌تواند فوراً با فشار یک دکمه به هر زبانی ترجمه شود.
- معلمان و مربیان شخصی‌سازی شده: دکتر وسترمن در حال حاضر بر روی پروژه‌ای با Media Lab کار می‌کند که یک معلم خصوصی شخصی‌سازی شده برای کلاس برنامه‌نویسی پایتون برای مؤسسات آموزشی اقلیت‌ها ایجاد کند. هدف این است که با کمک یک معلم خصوصی، افراد بتوانند از این کلاس عبور کرده و وارد حرفه‌ای شوند که در غیر این صورت برایشان ممکن نبود.
- برنامه‌نویسی (Coding):
- بسیاری از برنامه‌نویسان در حال حاضر از ابزارهایی مانند “co-pilots” استفاده می‌کنند. این ابزارها به کدنویسی، اعمال استانداردها و ایجاد مستندات (کاری که برنامه‌نویسان از آن متنفرند) کمک می‌کنند.
- این فناوری هم برای افراد ارشد و هم برای افراد تازه‌کار مفید است، اما یک فرآیند یادگیری درگیر است.
- مراکز تماس:
- Cresta یک ابزار مرکز تماس، به ویژه برای فروش است. در یک آزمایش تصادفی در MIT، مشخص شد که همه کسانی که از این ابزار استفاده می‌کنند، بهتر عمل کرده‌اند؛ افراد ارشد ۱۴% و افراد تازه‌کار ۳۴% بهتر شدند.
- عملکرد Cresta: این ابزار به مکالمات گوش می‌دهد و در حین صحبت به کاربر نکات و راهنمایی‌ها را ارائه می‌دهد، مانند “آن شخص گیج شده است، محصول را بهتر توضیح دهید” یا “آن شخص عصبانی شده است، این را امتحان کنید تا آرامش کند.” در پایان مکالمه نیز بازخورد می‌دهد، مثلاً “شما به اندازه کافی سریع معامله را نمی‌بندید، سعی کنید سریع‌تر به فروش برسید.” این ابزار مانند یک سرپرست خوب عمل می‌کند که همیشه در کنار شماست.
- یکپارچه‌سازی در محصولات موجود:
- شرکت‌هایی مانند SAP، Workday و Adobe، هوش مصنوعی را در تمام محصولات خود ادغام می‌کنند. این نشان می‌دهد که هوش مصنوعی در همه جا در حال وقوع است.
ترکیب هوش مصنوعی مولد با سایر فناوری‌ها
نکته مهم این است که بهترین راه‌حل‌های هوش مصنوعی مولد معمولاً ترکیبی از هوش مصنوعی مولد، هوش مصنوعی سنتی، فناوری اطلاعات “قدیمی و خسته‌کننده” و همچنین عوامل انسانی و فرآیندها هستند.
- Lemonade (شرکت بیمه): این شرکت دارای یک حوزه خاص در بازار بیمه است و ۹۸% از سیاست‌ها و ۹۸% از اعلامیه‌های اولیه خسارت را می‌نویسد و ۵۰% از خسارات را به صورت خودکار از طریق ترکیبی از هوش مصنوعی‌های مختلف و سیستم‌های سنتی مدیریت می‌کند. در مورد ۵۰% باقیمانده، کارهای آسان توسط رایانه انجام می‌شود و کارهای دشوار به یک فرد سپرده می‌شود تا تصمیم‌گیری کند.
- Cisco (ارائه‌دهنده خدمات غذایی): این شرکت، که یکی از بزرگترین ناوگان کامیون در جهان را دارد و رستوران‌ها را در سراسر جهان تأمین می‌کند، به طور گسترده‌ای از هوش مصنوعی استفاده می‌کند. این یک شرکت “های‌تک” نیست، اما هوش مصنوعی را در جنبه‌های مختلف تجربه مشتری و پشتیبانی داخلی (back office) به کار می‌گیرد، از جمله کمک به فروشندگان برای برنامه‌ریزی تماس‌ها، مسیریابی اقلام در انبار، یا یافتن محصول جایگزین. این “مغزهای کوچک” نشان‌دهنده فرصت‌هایی هستند که هوش مصنوعی مولد می‌تواند به آنها کمک کند.
چالش‌ها و ملاحظات حیاتی در پیاده‌سازی هوش مصنوعی
پیاده‌سازی هوش مصنوعی، به ویژه هوش مصنوعی مولد، نیازمند درک عمیق از چالش‌ها و ملاحظات حیاتی است. این فناوری قدرتمند است، اما با ریسک‌های خاص خود همراه است.
مسائل مهم برای رهبران
هنگام بررسی یک مشکل برای حل آن با هوش مصنوعی، مهم است که از مشکل شروع کنید، نه فناوری، و سپس تکنیک مناسب را پیدا کنید. سوالاتی که رهبران باید از خود یا تیم‌های فنی بپرسند، شامل موارد زیر است:
- دقت مورد نیاز: چقدر دقیق باید باشم؟ هزینه اشتباه چقدر است؟ (مثلاً، یک تصادف رانندگی در مقابل ارسال یک پیام بازاریابی اشتباه).
- قابلیت توضیح (Explainability): آیا پاسخ باید قابل توضیح باشد؟ اگر بله، سیستم‌های مبتنی بر قانون و اقتصادسنجی مفید هستند، اما یادگیری عمیق و هوش مصنوعی مولد قابل توضیح نیستند.
- تکرارپذیری پاسخ: آیا پاسخ‌ها باید هر بار یکسان باشند؟ این با هوش مصنوعی مولد تضمین نمی‌شود.
- محرمانگی (Confidentiality): آیا محرمانگی داده‌ها مسئله‌ای است؟ امروزه فروشندگان قول می‌دهند که در این زمینه ایمن باشند، اما همچنان باید در نظر گرفته شود.
ملاحظات داده
کیفیت و ماهیت داده‌ها نیز بسیار مهم است:
- منبع حقیقت: آیا منبع معتبری برای داده‌های خود دارید؟ این داده‌ها چقدر معتبر هستند؟
- تعمیم‌پذیری (Generalizability): آیا داده‌ها قابل تعمیم هستند؟ یا مثلاً مانند مثال آمازون، تمام زنان متقاضی را رد خواهید کرد؟
این سوالات به رهبران کمک می‌کند تا مکالمات بهتری با تیم‌های فنی خود داشته باشند و تصمیمات آگاهانه‌تری بگیرند.
ریسک‌ها و راهبردهای مدیریت آنها
هوش مصنوعی مولد بسیار قدرتمند است، اما بسیار پرخطر نیز هست. یکی از بزرگترین نگرانی‌ها، توهمات (hallucinations) است که قبلاً به آن اشاره شد. دکتر وسترمن تأکید می‌کند که نگرانی ما در مورد این توهمات زیاد است، در حالی که کارمندان هم اشتباه می‌کنند. هدف نباید انتظار یک پاسخ بی‌نقص باشد، بلکه باید کنترل‌های درستی را برای مواقعی که هوش مصنوعی اشتباه می‌کند، در نظر گرفت، درست همانطور که برای انسان‌ها انجام می‌دهیم. علاوه بر این، هوش مصنوعی مولد به حجم عظیمی از داده‌های آموزشی و مقادیر زیادی انرژی نیاز دارد که خود می‌تواند چالش‌هایی را به همراه داشته باشد.
رهبری تحول هوش مصنوعی: حاکمیت، فرهنگ و مهارت‌ها
چالش اصلی در یکپارچه‌سازی هوش مصنوعی مولد در استراتژی کسب‌وکار این است که چگونه آن را به صورت پایدار در سازمان جاری کنیم. این نیازمند ایجاد فرآیندها، سیاست‌ها و قابلیت‌ها است تا کارها به شیوه صحیح انجام شوند.
مدیریت ریسک و اولویت‌بندی
سه چالش اصلی در زمینه اجرای هوش مصنوعی مولد در سازمان‌ها عبارتند از:
- اولویت‌بندی: چه کاری را اول، چه کاری را دوم، و چه کاری را هرگز انجام ندهیم.
- مدیریت ریسک: چه می‌شود اگر اشتباه کنیم؟ اگر مشکل حریم خصوصی پیش آید؟
- قابلیت‌ها: سازمان چه قابلیت‌هایی برای پیاده‌سازی و مدیریت هوش مصنوعی نیاز دارد؟
رویکردهای حاکمیتی
در حاکمیت هوش مصنوعی، دو رویکرد اصلی دیده می‌شود:
- رویکرد از بالا به پایین (Top-down): این رویکرد بسیار محتاطانه، ایمن، و پرهزینه است و همه چیز را کنترل می‌کند. مزیت آن این است که از اشتباهات و هدر رفتن پول جلوگیری می‌کند و احتمالاً خطر جانی به همراه ندارد. اما عیب آن این است که نوآوری را کند می‌کند، زیرا بخش مرکزی سازمان‌های بزرگ همیشه بهترین فرصت‌ها را نمی‌شناسد.
- رویکرد غیرمتمرکز (Decentralized): این رویکرد تشویق به نوآوری آزادانه می‌کند، با چند قانون کلی (مثلاً “دزدی نکنید، با مردم بد رفتار نکنید”). این یک راه عالی برای کشف ایده‌های بسیار جالب در لبه‌های سازمان است، اما راهی عالی برای هدر دادن پول و حتی احتمالاً نقض قوانین است.
برخی شرکت‌ها سعی در ایجاد پلی بین این دو رویکرد دارند:
- Société Générale (بانک فرانسوی): این بانک با رویکردی متمرکز، از همه خواست تا موارد استفاده هوش مصنوعی را پیشنهاد دهند و ۷۰۰ مورد استفاده به دست آمد. آنها تصمیم گرفتند که برخی از این موارد را فوراً انجام دهند، اما بقیه را به تعویق انداختند تا قابلیت‌های لازم را فراهم کنند.
- Cisco (تحویل خدمات غذایی): آنها هوش مصنوعی را “فقط یک فناوری دیگر” می‌دانند. اولین سوال آنها این است که آیا می‌توانند آن را بخرند به جای اینکه خودشان بسازند. اگر نه، آیا می‌توانند آن را با سیستم‌های خبره یا آمار (که ارزان‌تر و آسان‌تر هستند) پیاده‌سازی کنند. تنها پس از پاسخ به این سوالات است که به سراغ هوش مصنوعی مولد پیشرفته می‌روند.
آمادگی فرهنگ سازمانی
آمادگی فرهنگ سازمانی برای پذیرش هوش مصنوعی حیاتی است:
- پذیرش در برابر مقاومت: چه اتفاقی می‌افتد وقتی رایانه به اندازه یک متخصص انسانی باهوش می‌شود؟ (مثلاً در بانک‌ها، رایانه‌ها در ارزیابی وام‌ها به خوبی انسان‌ها عمل می‌کردند). این باعث می‌شود افراد احساس تهدید کنند. مثال “مانی‌بال” در بیسبال نشان می‌دهد که چگونه کامپیوتر می‌تواند در انتخاب بازیکنان بهتر از انسان عمل کند و این موضوع برای افراد ناخوشایند است.
- فروتنی و اخلاق: آیا ما فروتنی لازم را برای کار با هوش مصنوعی داریم یا در برابر آن مقاومت می‌کنیم؟ آیا اخلاق لازم را برای انجام کار درست داریم؟
- روحیه آزمایش و شکست سریع: چقدر در آزمایش و امتحان کردن چیزها و شکست سریع خوب عمل می‌کنیم، به جای اینکه بخواهیم اولین پاسخ حتماً پاسخ درست باشد؟
رهبران باید به افراد کمک کنند تا با این تغییرات راحت باشند، نه فقط مدل را “وصل کنند”.
مهارت‌ها و آینده مشاغل در عصر هوش مصنوعی
یکی از بزرگترین نگرانی‌ها، تأثیر هوش مصنوعی بر مشاغل است.
- تأثیر بر وظایف شغلی: تحقیقات نشان می‌دهد که ۴۶% از کل مشاغل ممکن است ۵۰% از وظایفشان توسط هوش مصنوعی در طول زمان جایگزین شود.
- هوش مصنوعی به عنوان ابزار توانمندساز: با این حال، هوش مصنوعی لزوماً به معنای جایگزینی نیست. چگونه می‌تواند کار را آسان‌تر کند و بار شناختی را کاهش دهد؟ (مثلاً، دکتر وسترمن از هوش مصنوعی برای تولید عناوین جذاب یا هیجان‌انگیزتر کردن متن‌هایش استفاده می‌کند).
- یادگیری با هوش مصنوعی: هوش مصنوعی یک ابزار آموزشی فوق‌العاده است. افراد می‌توانند با کمک هوش مصنوعی، یاد بگیرند و فکر کنند.
- گفت‌وگو با کارمندان: بسیار مهم است که با کارمندان در مورد اینکه چگونه هوش مصنوعی می‌تواند به آنها کمک کند، صحبت کنید، نه اینکه فقط بگویید “شما را آزار نخواهیم داد”، زیرا کسی باور نخواهد کرد.
مثال Dentsu Creative (شرکت تبلیغاتی): این شرکت، که ممکن است انتظار داشته باشید از هوش مصنوعی نگران باشد، به طور سیستماتیک آن را معرفی کرده است:
- اتوماسیون کارهای خسته‌کننده: هوش مصنوعی کارهای خسته‌کننده مانند برنامه‌ریزی و پیشنهادات را انجام می‌دهد.
- سرعت بخشیدن به خلاقیت: به طور غیرمنتظره‌ای، آنها متوجه شدند که به جای یک هفته انتظار برای یک طرح، اکنون می‌توانند در پنج دقیقه یک طرح داشته باشند و آن را با مشتری تکرار کنند.
- اشتراک‌گذاری و یادگیری جمعی: آنها به جای اجبار، همه را تشویق به استفاده از هوش مصنوعی می‌کنند و از طریق “ساعت‌های اداری” ایده‌ها و نکات را به اشتراک می‌گذارند. این باعث شده که افراد به صورت گروهی در بهتر شدن سرمایه‌گذاری کنند.
- آزادسازی زمان برای خلاقیت: این رویکرد زمان خلاقیت را آزاد کرده و کارکنان نمی‌توانند خود را به حالت قبلی بازگردانند. آنها با کمک به افراد برای درک مزایا و مشارکت دادن آنها، از مقاومت جلوگیری کردند.
مهارت‌های انسانی کلیدی: در مورد آماده‌سازی جوانان برای مشاغل آینده، مهم است که آنها را برای یادگیری و رشد فکری تربیت کنیم. مهارت‌هایی مانند خلاقیت، همکاری با دیگران، تفکر انتقادی، مدیریت خود و رهبری دیگران بعید است که از بین بروند.
پیشرفت گام به گام: تحولات کوچک برای دگرگونی‌های بزرگ
مطالعات اخیر نشان می‌دهد که شرکت‌ها به دنبال تحولات بزرگ (Big T Transformations) (مانند تغییر کامل فرآیند بیمه یا سپردن تمام فروش و خدمات مشتری به رایانه) نیستند. در عوض، شاهد تعداد زیادی از تحولات کوچکتر (small t transformations) هستیم که به صورت سیستماتیک انجام می‌شوند و ارزش زیادی ایجاد می‌کنند و شرکت‌ها را برای تحولات بزرگتر در آینده آماده می‌کنند.
این تحولات را می‌توان در سه سطح طبقه‌بندی کرد:
- سطح ۱: بهره‌وری فردی (Individual Productivity):
- بیشتر شرکت‌ها در این مرحله قرار دارند.
- شامل استفاده از مدل‌های زبان بزرگ (LLM) ایمن و داخلی (مانند LLM مک‌کنزی که اسلایدهای داخلی را بررسی می‌کند).
- ریسک پایین و راه خوبی برای شروع و آگاهی‌رسانی به افراد است.
- مثال‌ها: خلاصه‌سازی اسناد، فهمیدن گزارش‌های مالی فصلی.
- سطح ۲: نقش‌ها و وظایف تخصصی (Specialized Roles and Tasks):
- در مراکز تماس، کدنویسی و برخی حوزه‌های دیگر مشاهده می‌شود.
- معمولاً انسان همچنان در حلقه تصمیم‌گیری باقی می‌ماند، اما در کارهای کم‌خطر، کامپیوتر می‌تواند کنترل را در دست بگیرد (مانند پردازش ۵۰% خودکار خسارات در Lemonade).
- مثال‌ها: پشتیبانی مشتری (با انسان در حلقه).
- سطح ۳: تأثیر مستقیم بر مشتری (Direct Customer Impact):
- کمتر دیده می‌شود، مگر در شرکت‌های فناوری.
- شامل شخصی‌سازی رویکردهای مکالمه‌ای آنلاین (مثلاً برندهای لوکس مانند Coach و Kate Spade که تجربه خرید حضوری را آنلاین بازسازی می‌کنند).
- مدیریت خدمات مشتری در لایه اول یا دوم.
- ریسک نسبتاً پایین در این موارد اولیه.
تحول فرآیندهای بزرگ کمتر دیده می‌شود. آنچه اتفاق خواهد افتاد، ترکیبی از هوش مصنوعی مولد و سایر سیستم‌ها خواهد بود. مثلاً هوش مصنوعی فرم‌ها را به داده تبدیل می‌کند و سپس آن را به حالت مکالمه‌ای برمی‌گرداند.
شیب ریسک (Risk Slope): همانطور که سازمان‌ها رشد می‌کنند و توانایی‌های مدیریت ریسک خود را افزایش می‌دهند، می‌توانند کارهای بزرگتر و بیشتری را انجام دهند. چالش‌های مقیاس‌پذیری: انجام اثبات مفهوم (Proof of Concept) آسان است، اما مقیاس‌پذیری آن به گروه بزرگی از کاربران یا مشتریان بسیار دشوار است. هر چه بیشتر کار کنید، خطاهای بیشتری برای حل پیدا خواهید کرد. قیاس تعویض تایر: مانند تعویض تایر خودرو، که باید پیچ‌ها را ذره ذره سفت کرد تا رینگ کج نشود، توانایی هوش مصنوعی خود را در شرکت‌ها گام به گام بسازید؛ هر بار کمی پیش بروید، از آن یاد بگیرید و برای مرحله بعدی بهتر شوید.
نتیجه‌گیری: گام‌های کلیدی برای رهبران
در پایان، در دنیای پویای هوش مصنوعی، رهبران کسب‌وکار باید با هوشمندی و استراتژی عمل کنند. خلاصه‌ی نکات کلیدی دکتر جورج وسترمن برای موفقیت در یکپارچه‌سازی هوش مصنوعی مولد در استراتژی کسب‌وکار عبارتند از:
- هوشمندانه از هوش مصنوعی استفاده کنید: هوش مصنوعی ممکن است هوشمند به نظر برسد، اما باید در نحوه استفاده از آن هوشمندانه عمل کنید. به یاد داشته باشید که فقط به دلیل اینکه کامل نیست، بد نیست؛ کارمندان شما نیز اشتباه می‌کنند. فرآیندها و کنترل‌های مناسب را برای مقابله با خطاهای احتمالی هوش مصنوعی در نظر بگیرید، درست مانند انسان‌ها.
- از مشکل شروع کنید، نه فناوری: همیشه با مشکلی که می‌خواهید حل کنید آغاز کنید. بسیاری اوقات، راه‌حل، ترکیبی از رویکردها و نه صرفاً یکی از آنها خواهد بود. به وظیفه‌ای که باید انجام شود، نگاه کنید.
- همین حالا شروع کنید: باید شروع کنید، زیرا اگر می‌خواهید مانند سفت کردن تایر خودرو، آرام آرام پیشرفت کنید و “شیب ریسک” را طی کنید، هر بار که کاری انجام می‌دهید، بیشتر یاد می‌گیرید. این بهبود مستمر از طریق تجربه اتفاق می‌افتد.
- کارمندان خود را آماده کنید: اگر افراد شما آماده نباشند، با شما مبارزه خواهند کرد، چه فعالانه و چه به احتمال زیاد، با گفتن “این سخت است، نمی‌دانم چه کار کنم.” باید با آنها صحبت کنید که چگونه هوش مصنوعی می‌تواند کار آنها را آسان‌تر کند، نه اینکه جایگزینشان شود.
- بهبود مستمر: بر روی تحولات “t” کوچک (Small T Transformations) تمرکز کنید تا به تدریج برای تحولات “T” بزرگ (Large T Transformations) آماده شوید. این رویکرد گام به گام، سازمان را برای دگرگونی‌های عمیق‌تر و پایدارتر در آینده تجهیز می‌کند.
با پیروی از این اصول، رهبران می‌توانند از پتانسیل عظیم هوش مصنوعی مولد بهره‌برداری کنند، در حالی که چالش‌ها را مدیریت کرده و سازمان‌های خود را برای موفقیت در آینده‌ای که به سرعت در حال تغییر است، آماده می‌سازند. این مسیر، سفری برای نوآوری مستمر، یادگیری سازمانی و توسعه مهارت‌های انسانی در کنار پیشرفت‌های فنی است.
بدون نظر