پذیرش هوش مصنوعی در سازمانها سریعتر از هر تحول فناورانه دیگری در تاریخ معاصر در حال گسترش است. هر جلسه مدیران در نهایت به یک انتظار مشترک میرسد: هوش مصنوعی باید در سراسر سازمان ارزش قابلاندازهگیری ایجاد کند. پس از انتشار ChatGPT، تیمهای مهندسی Copilot را به کار گرفتند، تحلیلگران به Perplexity روی آوردند و تیمهای عملیات خودکارسازی را آزمودند. بهرهوری تقریباً بلافاصله بهبود یافت.
با این حال، تنها چند ماه بعد، روند پذیرش کند شد. پروژههای آزمایشی از پیشرفت بازماندند. بازگشت سرمایه دیگر ثبات نداشت. این کندی نه ناشی از ضعف مدلهاست و نه از کمبود بلندپروازی مدیران ارشد. علت آن ناهماهنگی ساختاری میان قابلیتهای هوش مصنوعی و محیطهای سازمانی است.
اخیراً به تحلیلی از Caleb برخوردم؛ تولیدکننده محتوایی که اغلب جنبههای سازمانی پذیرش هوش مصنوعی را بررسی میکند. چارچوبی که او ارائه کرد مفهوم تازهای نداشت، اما تنشی را روشن کرد که بسیاری از رهبران سازمانها پیشتر احساس کرده بودند. این تحلیل توضیح میداد چرا هوش مصنوعی در کاربردهای مجزا میدرخشد، اما در ایجاد تحول در سطح کل سیستم با مشکل روبهرو میشود.
پذیرش هوش مصنوعی به قدرت مدل بستگی ندارد. به لایهای بستگی دارد که هوش مصنوعی در آن وارد سازمان میشود.
برای مدیران ارشد اطلاعات، مدیران ارشد فناوری و رهبران تحول که میپرسند چرا هوش مصنوعی در نمایشهای آزمایشی چشمگیر است اما هنگام استقرار از پیشرفت بازمیماند، این مقاله محدودیتهای پنهان و مسیرهای راهبردی لازم برای پذیرش پایدار در سراسر سازمان را ترسیم میکند.
از «آیا باید هوش مصنوعی را به کار بگیریم؟» تا «چرا پذیرش آن اینقدر کند است؟»
دو سال پیش، سازمانها درباره نیازشان به هوش مصنوعی بحث میکردند. امروز پرسش این است که چگونه آن را بهشکلی پایدار و امن در سازمان ادغام کنند. تحلیلگران پیشبینی میکنند که بهزودی ممکن است بخش قابلتوجهی از خروجی سازمانها را هوش مصنوعی تولید کند. روی کاغذ، این روند اجتنابناپذیر به نظر میرسد. در عمل، تأثیر آن همچنان یکدست نیست.
تیمهای مهندسی سریعتر پیش میروند، اما اجرای کارها میان واحدهای مختلف بهندرت بهبود مییابد. تیمهای فروش ارتباطگیری را خودکار میکنند، اما همچنان وقتشان در هماهنگیهای دستی هدر میرود. تیمهای عملیات بهسرعت به بینش میرسند، اما دادههای پراکنده را همچنان بهصورت دستی تطبیق میدهند.
سازمانها مانند ماشینهای خطی عمل نمیکنند. آنها سیستمهای پیچیدهای هستند که ساختارهای راهبری، مشوقها، فرهنگ و فناوریهای قدیمی به آنها شکل میدهند. هوش مصنوعی بهجای کاهش این پیچیدگی، آن را تشدید میکند.
یک چارچوب مفید، بررسی هوش مصنوعی سازمانی در سه سطح بلوغ است.
سطح 1. انجام وظایف با کمک هوش مصنوعی
مفید، اما اساساً محدود
بیشتر سازمانها از همینجا شروع میکنند. کارکنان از هوش مصنوعی مولد برای تحقیق، خلاصهسازی، پیشنهادهای کدنویسی و تولید محتوا استفاده میکنند. این ابزارها بلافاصله ارزش ایجاد میکنند.
اما سرعتبخشیدن به انجام وظایف، بهمعنای تحول در جریان کار نیست. فرایندهای پیرامونی، از تأییدها و تحویل کار گرفته تا لایههای گزارشدهی، بدون تغییر میمانند. در نتیجه، سرعت سازمان بهطور چشمگیری افزایش نمییابد.
سرعت انجام وظایف با سرعت سازمان یکی نیست.
این مرحله امن به نظر میرسد، چون به هیچ تغییر ساختاری نیاز ندارد. اما بازده سرمایهگذاری بلندمدت، بهدلیل ماهیت این رویکرد، سقف مشخصی دارد.
سطح 2. جریانهای کاری عاملمحور
ظرفیت بالا و مقاومت بالا
هوش مصنوعی عاملمحور، جریانهای کاری چندمرحلهای را بهصورت خودمختار اجرا میکند. عاملها فایلها را تغییر میدهند، خروجیها را بازبینی میکنند، وظایف را مدیریت میکنند یا عملیات را هماهنگ میکنند. چشماندازی که این فناوری نوید میدهد، بسیار گسترده است.
اما میزان پذیرش آن چنین نیست.
مانع، توانایی فنی نیست، بلکه آمادگی سازمانی است. سامانههای عاملمحور به اعتماد، نظارت، حاکمیت و پذیرش خودکارسازی نیاز دارند. آنها سلسلهمراتب تثبیتشده و روالهای رعایت مقررات را بر هم میزنند و ریسکهای عملیاتی ناآشنایی به همراه میآورند.
در نتیجه، بسیاری از ابزارهای عاملمحور به سطح دستیارهای نیمهخودمختار تنزل مییابند که فقط در محدودههای امن عمل میکنند.
سازمانها خودمختاری را از سر ترس رد نمیکنند. آن را بهدلیل نبود همراستایی رد میکنند.
سطح 3. سامانههای مبتنی بر هوش مصنوعی از پایه
مزیت بلندمدت
سامانههایی که از پایه بر هوش مصنوعی بنا شدهاند، بالاترین سطح بلوغ را نشان میدهند. این سامانهها از همان ابتدا با در نظر گرفتن مشارکت هوش مصنوعی طراحی میشوند. سازمانها بهجای بازطراحی جریانهای کاریِ بهینهشده برای انسان، ساختارهای عملیاتی تازهای میسازند که در آنها هوش مصنوعی جریان داده، توالی تصمیمها و آهنگ کار را هماهنگ میکند.
این رویکرد، عملیات پیشبینانه را ممکن میکند، گلوگاهها را کاهش میدهد و امکان تصمیمگیری پیوسته را فراهم میسازد.
مانع ورود بالاست. اما مزیت بلندمدت آن بسیار فراتر از بهبودهای تدریجی است.
با این حال، مسیر رسیدن به سامانههایی که از پایه بر هوش مصنوعی بنا شدهاند، طولانی است. خطر واقعی در این فاصله پدیدار میشود.
مسئلهٔ Ferrari
هوش مصنوعیِ مدیریتنشده، تهدیدی پرقدرت است
Caleb از استعارهای استفاده کرد که در فضای سازمانی حتی گویاتر میشود. فراهمکردن دسترسی کارکنان به ابزارهای قدرتمند هوش مصنوعی مانند ChatGPT یا Copilot، صرفاً بهمعنای دادن یک Ferrari به آنها نیست.
این مثل آن است که به آنها یک Ferrari بدهید بدون آموزش، بدون قوانین رانندگی، بدون بیمه و بدون اینکه بدانید خودرو واقعاً به کجا خواهد رفت.
موتور فوقالعاده است. اما در محیط پیچیدهٔ سازمانی، با دادههای حساس، الزامات انطباق با مقررات و سیستمهای قدیمی، این سطح از قدرتِ کنترلنشده یک تهدید ساختاری است.
هوش مصنوعیِ بدون ضابطه به نشت ناخواستهٔ دادهها، استفاده از فناوری اطلاعات سایه، خروجیهای غیرقابل راستیآزمایی، ورودیهای کنترلنشدهٔ مدل و از دست رفتن کامل قابلیت ممیزی منجر میشود.
Ferrari فقط سریع حرکت نمیکند. در مسیرهایی حرکت میکند که سازمان نمیتواند آنها را ببیند.
تا زمانی که گردشهای کاری، مرزهای حاکمیت، لایههای اعتبارسنجی و معماری یکپارچهسازی بازطراحی نشوند، هوش مصنوعیِ مدیریتنشده یک عامل خطر است، نه یک دارایی.
چرا مقیاس سازمانی اصطکاک سیستمی ایجاد میکند
با رشد سازمانها، پیچیدگی هماهنگی با سرعت بیشتری افزایش مییابد. دو برابر شدن اندازهٔ یک تیم، پیچیدگی را دو برابر نمیکند؛ آن را چند برابر میکند.
هوش مصنوعی عملکرد فردی را بهبود میدهد. اما سازمانها در سطح شبکه عمل میکنند. این ناهماهنگی بخش عمدهٔ تأثیر آن را خنثی میکند.
پژوهشها یک حقیقت اساسی را نشان میدهند.
هوش مصنوعی آنچه را از پیش وجود دارد تقویت میکند. همراستایی شتاب میگیرد. ازهمگسیختگی به فروپاشی میانجامد.
بدون بازطراحی گردشهای کاری و حاکمیت، هوش مصنوعی بهجای تحول در سراسر سیستم، بهبودهای پراکنده ایجاد میکند.
واقعیت سازمانها
امنیت، اعتماد، ریسک داده و مقاومت داخلی
سازمانها پیش از حرکت بهسوی خودمختاری یا گردشهای کاری بناشده بر پایهٔ هوش مصنوعی، با محدودیتهایی اجتنابناپذیر روبهرو هستند.
الزامات امنیتی اجازهٔ هیچگونه مصالحهای بر سر مرزهای داده یا انطباق با مقررات را نمیدهند.
غیرقابلاتکا بودن مدلهای زبانی بزرگ (LLM) تردید ایجاد میکند، زیرا توهمهای این مدلها قابلقبول نیستند.
فناوری اطلاعات سایه زمانی پدید میآید که ابزارهای رسمی از نیازهای کارکنان عقب میمانند.
دادههای راهبردی و شخصی ریسک حقوقی و آسیب به اعتبار ایجاد میکنند.
نبود حاکمیت متمرکز دربارهٔ اعتبارسنجی و نظارت ابهام ایجاد میکند.
اینها نشانهٔ محافظهکاری نیستند.
نشانهٔ مسئولیتپذیری نهادی هستند.
پذیرش هوش مصنوعی فقط زمانی شتاب میگیرد که این بنیانها رعایت شوند.
شکاف واقعی بازار
هر گردش کاری خواهان بازآفرینی نیست
برخی روایتهای هوش مصنوعی فرض را بر این میگذارند که کارکنان خواهان خودکارسازی هستند. در واقع، بسیاری از گردشهای کاری ثابت میمانند، چون قابل پیشبینی و از نظر فرهنگی امن به نظر میرسند.
فرصت واقعی جای دیگری است.
انتقال دستی دادهها.
مستندسازی تکراری.
جابهجایی بین زمینههای کاری.
پلتفرمهای جزیرهای.
گردشکارهای گسسته.
این اصطکاکها بیسروصدا بهرهوری را تحلیل میبرند.
اصطکاک نامرئی را از میان بردارید تا پذیرش بهطور طبیعی شکل بگیرد.
گامهای عملی برای تحول پایدار سازمانی
سازمانهای موفق رویههای مشترکی دارند.
گردشکارها را با دقت و جزئیات ممیزی کنید.
رفتار عاملمحور را بهتدریج و با نظارت وارد کار کنید.
پیش از بازطراحی فناوری، نقشها را بازطراحی کنید.
از حوزههایی شروع کنید که محدودیتهای ناشی از سامانههای قدیمی در آنها کمتر است.
سرعت حرکت سازمان را بسنجید، نه سرعت انجام وظایف را.
این گامها ساده به نظر میرسند. اما تأثیرشان نمایی است.
تأملی پایانی برای رهبران سازمانها
پذیرش هوش مصنوعی در سازمانها، چالشی در زمینه مدلها نیست؛ چالشی ساختاری و فرهنگی است. بیشتر سازمانها از بهبود در سطح وظایف فراتر نمیروند، زیرا گردشکارهایشان برای سامانههای خودمختار طراحی نشدهاند.
رهبرانی که این واقعیت را درک کنند و آگاهانه دست به بازطراحی بزنند، عصر بعدی بهرهوری سازمانی را شکل خواهند داد.
هوش مصنوعی سازمانهای همراستا را تقویت میکند و پراکندگی سازمانهای چندپاره را بیشتر میکند. ابتدا بنیان را تقویت کنید. سپس آن را گسترش دهید.
یک نکته عملی
نیاز به یک لایه سازمانی امن و یکپارچه
در گفتوگو با مدیران ارشد اطلاعات و تیمهای تحول، یک موضوع بارها تکرار میشود. سازمانها به یک دستیار مستقل دیگر نیاز ندارند. آنها به لایهای برای بهرهوری نیاز دارند که امن، قابل ممیزی و عمیقاً یکپارچه باشد؛ لایهای که برنامهها را به هم متصل کند، از دادهها محافظت کند، با چارچوب حاکمیت سازمان همراستا باشد و هوش مصنوعی را بدون بیثبات کردن سامانههای موجود وارد گردشکارها کند.
پلتفرمهایی که با یکپارچهسازیهای عمیق، معماری با اولویت حریم خصوصی و نظارت در سطح سازمانی ساخته شدهاند، هوش مصنوعی مدیریتنشده را از یک ریسک به یک مزیت راهبردی تبدیل میکنند. آنها همان شبکه جادهای مهندسیشدهای را فراهم میکنند که Ferrari هرگز نداشت.
این فلسفه پشت Dvina است. این محصول نه بهعنوان ابزاری برای انجام وظایف یا عاملی مجزا، بلکه بهعنوان یک لایه بهرهوری آگاه از گردشکار طراحی شده است که برنامهها را یکپارچه میکند، از دادههای حساس محافظت میکند و به تیمها امکان میدهد بدون از دست دادن کنترل، به تحول در سطح گردشکار دست یابند.
تأمل پایانی
آینده از آنِ سازمانهایی است که جادههای درست را میسازند
سازمانهایی که در گذار به هوش مصنوعی پیروز میشوند، آنهایی نیستند که بیشترین مدلها را دارند؛ بلکه آنهایی هستند که امنترین، روشنترین و انعطافپذیرترین مسیرها را برای فعالیت هوش مصنوعی میسازند.
وقتی گردشکارها، حاکمیت سازمان و جریانهای داده همراستا شوند، هوش مصنوعی دیگر مانند یک موتور آزمایشی عمل نمیکند و به زیرساختی واقعی برای سازمان تبدیل میشود.
آینده از آنِ سازمانهایی نیست که سریعترین موتورها را دارند؛ از آنِ سازمانهایی است که مستحکمترین جادهها را دارند.