نویسندگان: کریم لاخانی, مارکو یانسیتی
چگونه هوش ماشینی قوانین کسب‌وکار را تغییر می‌دهد.
در سال 2019 و تنها 5 سال پس از افتتاح گروه آنت فایننشال سرویسز، تعداد مشتریان بهرهمند از خدمات آن از مرز یک میلیارد نفر هم گذشت. آنت فایننشال که کاری از کمپانی علی‌بابا است، از هوش مصنوعی و داده‌های علی‌پی – یک پلتفرم اصلی پرداخت موبایلی – بهره میگیرد تا گسترهی گوناگونی از کسب‌وکارها ازجمله وام مصرفی، حساب تعاونی اوراق قرضهی کوتاهمدت، مدیریت دارایی، بیمهی سلامت، سرویس‌های اعتبارپژوهی و حتی یک بازی آنلاین با هدف تشویق مردم به کاهش میزان اتشار کربن را اداره کند. تعداد مشتریان این کمپانی، بیش از 10 برابر بیشتر از مشتری‌های بزرگ‌ترین بانکهای آمریکا است – و کارهای خود را با کمتر از یک‌دهم کارکنان آن‌ها پیش میبرد. در آخرین دوره‌ی جذب سرمایه‌ی کمپانی در سال 2018، ارزش 150 میلیارد دلار روی آن گذاشتند – تقریباً نصف قیمت جی‌پی‌مورگان چیس که ارزشمندترین کمپانی خدمات مالی دنیا است.
بر خلاف بانکهای سنتی، مؤسسات سرمایهگذاری و کمپانی‌های بیمه، آنت فایننشال بر یک پایهی دیجیتال بنا شده است. هیچ نیروی کاری در «مسیر حیاتی» فعالیتهای اجرایی آن جای ندارد. این هوش مصنوعی است که هدایت امور را در دست دارد. هیچ مدیر خاصی برای تایید وامها وجود ندارد، هیچ کارمندی نیست که توصیههای مالی ارائه دهد و هیچ نمایندهای ندارند که مجوز هزینه‌های پزشکی مصرفکننده را صادر کند. و بدون این محدودیت‌های عملیاتی که دست و پای شرکت‌های سنتی را بستهاند، آنت فایننشال می‌تواند با شیوه‌های منحصر به خودش رقابت کند و نوعی رشد و تاثیرگذاری بی‌انتها در گستره‌ای از صنایع کسب کند.
خلاصه‌ی ایده
تغییر بازار
شاهد ظهور نوع جدیدی از شرکت‌ها هستیم – شرکت‌هایی که هوش مصنوعی، اصلیترین منبع خلق و ارائهی ارزش‌هایشان است.
چالش
مدل اجرایی مبتنی بر هوش مصنوعی، مرز پیشین میان صنایع را کم‌رنگ و قوانین رقابت کسب‌وکارها را دگرگون می‌کند.
سرانجام
هر دو دستهی استارتاپهای دیجیتال و شرکت‌های سنتی، باید تحولات دگرگون‌کننده‌ی حاصل از هوش مصنوعی بر عملیات، استراتژی و رقابت کمپانی را درک کنند.
با ظهور این گونهی جدید از شرکت‌ها، عصر هوش مصنوعی آغاز شده است. غولهایی نظیر گوگل، فیس‌بوک، علی‌بابا و تنسنت و بسیاری از شرکت‌های سریع‌الرشد و کوچک‌‌تر از زیبرا مدیکال ویژن و وی‌فیر تا ایندیگو ایجی و اوکادو، ازجمله همتاهای آنت فایننشال هستند. در هر بار استفاده ما از سرویس‌های هر یک از این کمپانی‌ها، همان اتفاق تحسینبرانگیز رخ می‌دهد:
مدیرعامل مایکروسافت، ساتیا نادلا، هوش مصنوعی را «رانتایم» جدید شرکت میداند. هرچند مدیران و مهندسان هستند که این هوش مصنوعی و نرم‌افزار هدایتکنندهی الگوریتم‌ها را میسازند؛ اما در ادامه، این سیستم است که بدون اتکا به کمک انسانی و از طریق اتوماسیون دیجیتال یا با بهرهگیری از اکوسیستم تامینکنندههای خارج از شرکت، ارزش‌آفرینی می‌کند. همین هوش مصنوعی است که قیمتهای آمازون را تعیین می‌کند، آهنگهای اسپاتیفای را پیشنهاد می‌دهد، میان فروشندگان و خریداران مرتبط در ایندیگو ارتباط برقرار می‌کند و صلاحیت وام‌گیرندگان آنت فایننشال را تعیین می‌کند.
حذف محدودیت‌های سنتی، قوانین رقابت را متحول می‌کند. با تنیده شدن شبکه‌های دیجیتال و الگوریتم‌ها در بافت شرکت‌ها، به‌تدریج عملکرد صنایع تغییر کرد و مرزهای میانشان کم‌رنگ شد. این تحول صرفاً محدود به شرکت‌های دیجیتال مادرزاد نبود، کمااینکه سازمانهای سنتیتر نیز در مواجهه با رقبای جدید خود به سمت مدل‌های مبتنی بر هوش مصنوعی رفتند. هم‌اکنون والمارت، فیدلیتی، هانی‌ول و کامکست هم اتکای شدیدی به داده‌‌ها، الگوریتم‌ها و شبکه‌های دیجیتال دارند تا قادر به رقابت متقاعدکننده در این عصر جدید باشند. چه رهبر یک استارتاپ دیجیتال بوده و چه در تلاش برای احیای یک شرکت سنتی باشید، باید تاثیر دگرگون‌کننده‌ی هوش مصنوعی بر عملیات، استراتژی و رقابت خود را درک کنید.
کارخانه‌ی هوش مصنوعی
در محور این شرکت‌های جدید، یک کارخانه‌ی تصمیم‌گیری جای دارد – چیزی که ما آن را «کارخانه‌ی هوش مصنوعی» می‌نامیم. نرم‌افزاری که روزانه میلیونها مزایده در گوگل و بایدو اجرا می‌کند. الگوریتمهای آن تصمیم می‌گیرند که کدام‌یک از ماشینهای دیدی، گرب، لیفت و اوبر را پیشنهاد دهند. قیمت هدفونها و پولوشرتهای آمازون را تعیین و رباتهای مسئول تمیزکاری کف شعب والمارت را اداره می‌کند. بات‌های بخش خدمات مشتریان در فیدلیتی را فعال و عکس‌های رادیوگرافی زیبرا مدیکال را تفسیر می‌کند. کارخانه‌ی هوش مصنوعی در تک‌تک نمونه‌های فوق، تصمیم‌گیری را یک علم قلمداد می‌کند. تحلیلهای آن از یک قاعدهی معین بهره می‌گیرند و داده‌های داخلی و بیرونی را تبدیل به پیش‌بینی، تفسیر و انتخاب می‌کند که همین پیش‌بینی‌ها و تفاسیر، هدایتگر جریانهای عملیاتی سازمان و اتوماسیون وظایف هستند.
جالب اینجاست که:
در هوش مصنوعی ضعیف، کارخانه‌ی هوش مصنوعی می‌تواند گستره‌ای از تصمیمات کلیدی اتخاذ کند. در برخی از نمونه‌ها، کسب‌وکارهای اطلاعاتی (نظیر گوگل و فیس‌بوک) را مدیریت خواهد کرد. در سایر نمونه‌ها، می‌تواند نحوهی ساخت، تحویل یا عملکرد مصنوعات و محصولات فیزیکی کمپانی را هدایت کند (نظیر رباتهای مدیریت انبار آمازون یا ویمو که سرویس ماشینهای خودران گوگل است). اما در تمامی نمونه‌ها، کنترل بخشی از حیاتی‌ترین فرایندها و تصمیمات عملیاتی به این کارخانههای تصمیم‌گیری دیجیتال سپرده می‌شود. این نرم‌افزار است که هسته‌ی شرکت را می‌سازد و انسانها کارهای جزئی و حاشیه‌ای انجام می‌دهند.
این هوش مصنوعی که می‌تواند هدایتگر رشد سریع‌السیر یک شرکت دیجیتال باشد، عموماً آن‌قدرها هم پیچیده نیست. لزوماً نباید یک هوش مصنوعی در حد داستانهای علمی-تخیلی داشته باشیم.
در هر کارخانه، چهار المان کلیدی وجود دارند:
یک موتور جستجو نظیر گوگل یا بینگ را در نظر بگیرید. به‌محض تایپ چند حرف در کادر جستجو، الگوریتم‌ها تلاش می‌کنند تا بر اساس جستجوهای سایر کاربران و اقدامات گذشتهی همان کاربر، کل عبارت جستجوی او را حدس بزنند. این پیش‌بینی‌ها در قالب یک منوی کشویی («باکس پیشنهاد خودکار») عرضه می‌شوند تا کاربر بتواند سریعاً جستجوهای مرتبط را هدف‌گیری کند. هر فشردن کلید و کلیک، در قالب یک نقطه داده ذخیره می‌شود و تمامی این نقطه داده‌‌ها، کیفیت پیش‌بینی جستجوهای آینده را ارتقا می‌دهند. از دیگر قابلیت‌های هوش مصنوعی، ارائهی نتایج جستجوی سازمان‌یافته است که از ایندکس‌های پیشین وب استخراج شده و بر اساس کلیکهای انجام‌شده روی نتایج جستجوهای قبلی، بهینه‌سازی می‌شود. با وارد کردن هر عبارت تبلیغات حراج‌های اینترنتی مرتبط با جستجوی کاربر آغاز می‌شود. که نتایج آن از طریق آزمایشها و حلقههای یادگیری مضاعف تعیین شده‌اند. هر کلیک بر روی جستار یا نتایج جستجو یا کلیک نکردن روی آن‌ها، داده‌های مفیدی فراهم می‌کند. جستجوهای بیشتر موجب ارتقای پیش‌بینی‌ها می‌شوند و پیشبینیهای بهتر نیز مترادف با افزایش استفاده از آن موتور جستجو هستند.
حذف محدودیت‌های مرتبط با مقیاس، تنوع و یادگیری
حداقل از زمان آغاز انقلاب صنعتی، مفهوم مقیاس تبدیل به محور هر کسب‌وکار شده است. آلفرد چندلر کبیر اشاره کرد که چطور شرکت‌های صنعتی مدرن می‌توانند با هزینهی واحد کمتر، میزان تولید بیشتری داشته باشند و از این طریق، نوعی برتری رقابتی محسوسی نسبت به رقبای کوچک‌ترشان کسب کنند. او همچنین به مزایای این کمپانی‌ها اشاره کرد که می‌توانند با بهرهگیری از این توانایی، گستره یا تنوع تولید بالاتری هم داشته باشند. تلاش برای بهبود و نوآوری، یک لازمه‌ی سوم به این شرکت‌ها اضافه می‌کند: مقیاس، تنوع و یادگیری از جمله محرک‌های ضروری در عملکرد اجرایی یک شرکت انگاشته می‌شوند. و خیلی وقت است با بهرهگیری از فرایندهای کسب‌وکار معین و متکی بر نیروی کار و مدیریت، محصولات و خدماتشان را به مشتریان ارائه می‌دهند – و سیستمهای سنتی فناوری اطلاعات نیز کمک‌حال آن‌ها بودهاند.
پس از صدها سال بهبود تدریجی در این مدل صنعتی، هم‌اکنون شرکت‌های دیجیتال در حال خلق یک تحول اساسی در الگوهای مقیاس، تنوع و یادگیری هستند. سرعت مقیاس‌پذیری فرایندهای مبتنی بر هوش مصنوعی، بسیار بالاتر از پروسههای سنتی است؛ اجازهی تنوع بیشتر را می‌دهند، زیرا به‌سادگی به سایر کسب‌وکارهای دیجیتال متصل می‌شوند؛ و فرصتهای بسیار خوبی برای یادگیری و بهبود میسازند – نظیر قابلیت تولید مدل‌های بسیار دقیق‌تر و پیچیدهتر برای رفتار مشتریان و اصلاح سرویس‌های سازمان بر اساس این مدل‌های جدید.
در مدل‌های عملیاتی پیشین، مقیاس به یک نقطهی اوج میرسید و پس از آن، روند نزولی نتایج مشاهده می‌شدند. اما لزوماً نمی‌توان چنین نقطه‌ای برای مدل‌های مبتنی بر هوش مصنوعی قائل شد، به‌گونه‌ای که امکان صعود بیسابقهی بازده نسبت به مقیاس وجود دارد (کادر «چطور کمپانی‌های مبتنی بر هوش مصنوعی می‌توانند رقبای سنتیشان را پشت سر بگذارند» را ببینید). حال رقابت یک شرکت مبتنی بر هوش مصنوعی و همتای سنتی آن برای خدمترسانی به گروه مشترکی از مشتریان را در نظر بگیرید که شرکت مدرن، گزاره‌ی ارزش همسان (یا بهتر) و مدل عملیاتی مقیاس‌پذیرتری دارد. این نوع مواجهه را «تصادم» می‌نامیم. ازآنجایی‌که اثرات شبکه‌ای و آموزه‌های داده‌محور موجب افزایش تاثیر ابعاد یک شرکت بر ارزش‌آفرینی آن می‌شوند، شرکت‌های شکلگرفته بر بستر دیجیتال می‌توانند همتایان سنتیشان را تحت‌شعاع قرار دهند. تقابل آمازون با خردهفروشهای سنتی، آنت فایننشال با بانکهای سنتی، و دیدی و اوبر با شرکت‌های تاکسیرانی سنتی را در نظر بگیرید. همانطور که کلیتون کریستنسن، مایکل رینور و روری مک‌دانلد در مقاله‌ی «نوآوری دگرگونساز چیست؟» (مجلهی کسب‌وکار هاروارد، دسامبر 2015) گفتند، این شکستهای غیرمنتظره هیچ جایگاهی در مدل ساختارشکن ندارند. یک نوآوری بخصوص در فناوری یا مدل کسب‌وکار، چنین تصادم‌هایی ایجاد نخواهد کرد. بلکه آن‌ها حاصل ظهور یک نوع کاملاً متفاوت از شرکت‌ها هستند. و می‌توانند تحولات اساسی را در صنایع رقم بزنند و ماهیت برتری رقابتی را تغییر دهند.
چطور کمپانی‌های مبتنی بر هوش مصنوعی می‌توانند رقبای سنتیشان را پشت سر بگذارند
در مدل‌های عملیاتی سنتی، ارزش ناشی از مقیاس به نقطه‌ای می‌رسد که بالاخره درجا میزند و رشدی ندارد؛ اما امکان صعود مضاعف در مدل‌های عملیاتی دیجیتال وجود دارد.
توجه داشته باشید که باید مدتزمان زیادی بگذرد تا مدل‌های عملیاتی مبتنی بر هوش مصنوعی، ارزش اقتصادی همسان با همتایان سنتیشان کسب کنند. ابتدا باید اثرات شبکه‌ای به یک حجم معین برسند تا ارزش‌های مدنظر را خلق کنند و الگوریتم‌ها تنها زمانی راه میافتند که داده‌های کافی جمع کرده باشند. هرچند آنت فایننشال به‌سرعت رشد کرد، اما هسته‌ی این سازمان یعنی سرویس پرداخت علی‌پی، از محصولات علی‌بابا در سال 2004 بود و سالها طول کشید تا به ابعاد کنونی خود برسد. به همین دلیل است که مدیران جاافتاده در مدل‌های سنتی، به‌سختی تصور می‌کنند که مدل دیجیتال، قابلیت پیشی گرفتن از آن‌ها را داشته باشد. اما وقتی مدل اجرایی دیجیتال راه افتاد، می‌تواند ارزش‌های بسیار ممتازی خلق کند و سریعاً شرکت‌های سنتی را پشت سر بگذارد.
تصادم میان شرکت‌های سنتی و مبتنی بر هوش مصنوعی، در کلیهی صنایع رخ می‌دهد: نرم‌افزار، خدمات مالی، خردهفروشی، ارتباطات از راه دور، رسانهها، بهداشت و درمان، خودرو و حتی صنایع کشاورزی. به‌سختی می‌توان کسبوکاری پیدا کرد که نیاز مبرم به دیجیتالسازی مدل عملیاتی و پاسخگویی به تهدیدهای جدید را حس نکند.
بازسازی شرکت‌های سنتی
برای رهبران شرکت‌های سنتی، رقابت با رقبای دیجیتال چیزی فراتر از به‌کارگیری نرمافزارهای سازمانی یا حتی ساخت کانال‌های داده، شناسایی الگوریتم‌ها و آزمونگری است. آن‌ها باید سازمان‌دهی شرکت و مدل عملیاتی آن را بازسازی کنند. طی مدتزمان بسیار طولانی، کمپانی‌ها از تمرکز و تخصص مضاعف خود بهره گرفته و مقیاس، تنوع و یادگیری خود را بهینه‌سازی کرده‌اند که منجر به ساختار سیلویی در اکثر شرکت‌های امروزی شده است. طی چندین دهه، فناوری اطلاعات صرفاً برای ارتقای عملکرد برخی از واحدها و بخش‌های سازمان استفاده میشد. و سیستمهای سنتی شرکت‌ها نیز عموماً سیلوها و انفصال میان واحدها و محصولات مختلف سازمان را تقویت میکردند.
اما سیلوها دشمن رشد متکی بر هوش مصنوعی هستند. در واقع کسبوکارهایی نظیر گوگل ادز و مای‌بنک در آنت فایننشال، عامدانه این سیلوها را حذف می‌کنند و به‌گونه‌ای طراحی شده‌اند که از یک هسته‌ی دادهی یکپارچه و پایگاه کد یکسان در کل سازمان بهره بگیرند. داده و کد اختصاصی برای هر یک از سیلوهای شرکت، توسعه‌ی داخلی آن را پراکنده خواهد کرد و برقراری ارتباط میان سیلوها یا رابطه با شبکه‌های کسب‌وکار و اکوسیستم‌های بیرونی را تقریباً غیرممکن می‌کند. درک همه‌جانبه از مشتریان که از تک‌تک دپارتمانها و بخش‌های شرکت استخراج شود و به کار تمامی آن‌ها بیاید نیز تقریباً غیرممکن است. بنابراین شرکت‌ها باید حین برپایی یک هسته‌ی دیجیتال جدید، مانع شکلگیری انفصال سازمانی عمیق در میان بخش‌های گوناگون خود شوند.
علی‌رغم چالش‌های گذار به مدل مبتنی بر هوش مصنوعی، بسیاری از شرکت‌های سنتی این تحول را آغاز کرده‌اند – و با تعدادی از آن‌ها همکاری کردهایم. طی یک مطالعهی اخیر، بیش از 350 شرکت سنتی در بخش‌های خدمات و تولید را بررسی کردیم و متوجه شدیم اکثراً افزایش تمرکز بر داده و تحلیل در سازمانهای خود را در دستور کار قرار داده‌اند. بسیاری از آن‌ها – ازجمله نوردستروم، وودافون، کامکست و ویسا – پیشرفتهای مهمی انجام داده، عناصر کلیدی مدل‌های عملیاتیشان را دیجیتالی کرده و پلتفرمهای پیشرفتهی داده و توانمندیهای هوش مصنوعی ساختهاند. لزوماً نباید یک استارتاپ دیجیتال باشید تا المانهای کلیدی کسب‌وکارتان را دیجیتالی کنید – اما باید با سیستمهای سنتی منفصل و سیلوهای سازمانتان مواجه شوید، توانمندیهای جدیدی بیفزایید و فرهنگتان را اصلاح کنید (برای نگاه نزدیک‌تر به کلیدی‌ترین اصول هدایت این تحولات، کادر «گماردن هوش مصنوعی در محور شرکت» را ببینید).
فیدلیتی اینوستمنس هم در حال بهرهبرداری از هوش مصنوعی برای تعدادی از فرایندهای مهم خود ازجمله خدمات مشتریان، آگاهسازیهای مشتریان و توصیههای سرمایهگذاری است. طرحهای هوش مصنوعی این سازمان، حاصل یک تلاش چندساله برای یکپارچهسازی داده‌های موجود در قالب یک هسته‌ی دیجیتال و طراحی مجدد سازمان پیرامون آن هستند. هرچند کار آن‌ها به پایان نرسیده، اما هم‌اکنون هم می‌توان تاثیر هوش مصنوعی در بسیاری از ارزشمندترین نمونه‌های این کمپانی را مشاهده کرد. والمارت هم برای تقابل با آمازون، در حال بازسازی مدل عملیاتی خود پیرامون هوش مصنوعی و جایگزینی سیستمهای نرم‌افزاری سیلویی و سنتی شرکت با یک معماری یکپارچه و مبتنی بر فضای ابری است. بدین ترتیب والمارت می‌تواند از داده‌های منحصربه‌فرد خود در گستره‌ای از کاربردهای جدید و قدرتمند بهره بگیرد و با بهرهگیری از هوش مصنوعی و تحلیل، امکان اتوماسیون یا بهبود تعداد فزایندهای از وظایف اجرایی خود را به وجود بیاورد. در مایکروسافت نیز نادلا تلاش می‌کند تا با تحول کلی در مدل عملیاتی سازمان، آیندهی کمپانی را تضمین کند (کادر «تحول هوش مصنوعی مایکروسافت» را ببینید).
تجدیدنظر دربارهی استراتژی و توانمندیها
با توجه به تصادم میان شرکت‌های متکی بر هوش مصنوعی و کسب‌وکارهای سنتی، بیش‌ازپیش برتری رقابتی را در قابلیت ساخت و کنترل شبکه‌های دیجیتال میدانند (مقاله‌ی «چرا برخی از پلتفرمها رشد می‌کنند و سایرین رشدی ندارند»، مجلهی کسب‌وکار هاروارد، ژانویه-فوریهی 2019 را ببینید). سازمان‌هایی که توانایی برقراری ارتباط میان کسب‌وکارها، گردآوری داده‌های جاری در میان واحدهای گوناگون و استخراج ارزش این داده‌‌ها از طریق تحلیلشان را داشته باشند، دست بالا را خواهند داشت. اثرات شبکه‌ای مرسوم و منحنیهای یادگیری متکی بر هوش مصنوعی، همدیگر را تقویت می‌کنند و تاثیر یکدیگر را افزایش می‌دهند. می‌توانید این شرایط را در کمپانیهایی نظیر گوگل، فیس‌بوک، تنسنت و علی‌بابا ببینید که با انباشتهسازی داده از طریق ارتباطات شبکه‌ای فراوان و توسعه‌ی الگوریتمهای لازم برای تقویت برتریهای رقابتی در صنایع گوناگون، تبدیل به «قطب‌های» قدرتمند شده‌اند.
ضمناً روزبهروز شاهد افزایش ناکارآمدی رویکردهای سنتی استراتژی هستیم که تمرکزشان بر تحلیلهای صنعتی مرسوم است. کمپانی‌های خودرو را در نظر بگیرید. آن‌ها با گستره‌ای از تهدیدهای دیجیتال جدید از اوبر تا ویمو مواجه می‌شوند که هر کدام در خارج از مرزهای سنتی این صنعت شکل می‌گیرند. اما وقتی دیدگاه مدیران فراتر از چارچوب سنتی صنعت خود باشد و آن را یک سرویس بیش‌ارتباط و مبتنی بر هوش مصنوعی بدانند، نهتنها بهتر از خودشان دفاع خواهند کرد بلکه ارزش‌های جدیدی جاری می‌کنند – از طریق فرصتهای تجارت منطقهای، تبلیغات، اخبار و فیدهای سرگرمی، سرویس‌های مبتنی بر موقعیت مکانی و … .
گماردن هوش مصنوعی در محور شرکت
گذار از یک شرکت سنتی به یک سازمان متکی بر هوش مصنوعی، نمی‌تواند به‌صورت محرمانه یا توسط یک گروه مستقل و ایزولهی سازمان رخ دهد. بلکه نیازمند یک تلاش جامع است. طی تحقیق و همکاری با گستره‌ای از کمپانی‌ها، 5 اصل را شناسایی کردیم که (فراتر از بهترین رویکردهای متداول برای هدایت تغییرات) باید هدایتگر فرایند تحول سازمانها باشند:
استراتژی: بازسازی مدل عملیاتی کمپانی، به عبارت دیگر اصلاح هر واحد کسب‌وکار با محوریت یک پایگاه جدید و یکپارچه‌ی متشکل از داده، تحلیل و نرم‌افزار است. این مسئولیت چالشبرانگیز و زمانبر نیازمند تمرکز و دستورات مداوم از بالا به پایین سازمان است تا هماهنگی‌ها و انگیزههای لازم برای تلاشهای پایین به بالا ایجاد شوند.
معماری شفاف: یک رویکرد جدید که مبتنی بر داده، تحلیل و هوش مصنوعی است، به مقداری متمرکزسازی و هماهنگی سطح بالا نیاز دارد. باید دارایی‌های موجود در بخش‌های گوناگون سازمان را یکپارچه کنیم تا بیشترین تاثیر ممکن ایجاد شود. وقتی داده‌‌ها منفصل و تکه‌تکه باشند، حفاظت مداوم از آن‌ها عملاً غیرممکن خواهد شد، علی‌الخصوص با توجه به ملاحظات امنیتی و حریم شخصی که هم‌اکنون مطرح هستند. در صورت عدم استقرار تمامی داده‌‌ها در یک مخزن متمرکز، سازمان باید حداقل یک کاتالوگ دقیق از محل داده‌‌ها، دستورالعملهای صریح برای نحوهی کار با آن‌ها (و نحوهی حفاظتشان)، و استانداردهای مربوط به زمان و نحوهی نگهداری آن‌ها را تدوین کند و در اختیار گروه‌های مختلف بگذارد.
توانمندیهای صحیح: هرچند ساخت پایگاهی از نرم‌افزار، علم داده‌‌ها و توانمندیهای تحلیل پیشرفته به زمان زیادی نیاز دارد، اما با به‌کارگیری گروه کوچکی از افراد باانگیزه و آگاه، می‌توان کارهای بزرگی انجام داد. اما بسیاری از سازمانها نمیدانند که باید یک فرایند نظاممند برای گزینش نوع متفاوتی از استعدادها به کار بگیرند و مسیر حرفهای و سیستمهای انگیزشی مختص آن کارکنان را بسازند.
تمرکز چابک بر «محصول»: تدوین یک مدل عملیاتی متمرکز بر هوش مصنوعی، مترادف با گردآوری پروسههای سنتی و تبدیل آن‌ها به نرم‌افزار است. توسعه‌ی یک ذهنیت محصولمحور، از لازمههای موفقیت در این کار است. همانند مدیران محصول در تمامی پروژههای رده‌بالای توسعه‌ی نرم‌افزار، تیمهای فناوری اطلاعات نیز باید درک عمیقی از کاربردهای محصولاتشان داشته باشند – یک گرایش مدیریت محصول که فراتر از رویکردهای سنتی سازمانهای فناوری اطلاعات است. پیش‌تر عمدهی وظایف واحد فناوری اطلاعات شامل تضمین تداوم عملکرد سیستمهای قدیمی، بهروزرسانی نرم‌افزار، حفاظت در برابر حملات سایبری ومدیریت بخش پشتیبانی مشتریان بود. اما توسعه‌ی نرم‌افزار مدل عملیاتی، یک بازی کاملاً متفاوت است.
نظارت همه‌جانبه: اهمیت و پیچیدگی نظارت بر دارایی‌های دیجیتال، روزبهروز افزایش مییابد و نیازمند همکاری فکورانه در میان واحدها و بخش‌های مختلف است. چالش‌های مرتبط با حفظ حریم شخصی داده‌‌ها، سوگیریهای الگوریتمی و امنیت سایبری، ریسکهای موجود و احتمال مداخله‌ی دولتها و قانون‌گذاری از جانب آن‌ها را افزایش می‌دهند. فرایند نظارت باید با مداخله‌ی واحد حقوقی و امور شرکتی صورت گیرد و شاید نیاز باشد که حتی در زمینهی تصمیمات فناوری و محصول نیز اظهارنظر کنند. هوش مصنوعی نیازمند تفکر عمیق دربارهی چالش‌های حقوقی و اخلاقی ازجمله ملاحظهی دقیق داده‌‌ها و تصمیم‌گیری دربارهی ذخیرهسازی و نگهداری (یا عدم نگهداری) آن‌ها است
زمانی به مدیران توصیه میکردند تا با پایبندی به دانستههای خود، در همان صنعتی فعالیت کنند که به‌خوبی آن را میشناسند. اما هم‌افزایی حاصل از الگوریتم‌ها و جریانهای داده، هیچ اهمیتی به مرزهای یک صنعت نمی‌دهند. و سازمان‌هایی که قادر به تبادل داده و بهرهگیری از مشتریان خارج از مرزهای خود نباشند، عقب خواهند ماند. استراتژی سازمانها باید به‌جای تمرکز بر تحلیل صنعت و مدیریت منابع داخلی کمپانی‌ها، متمرکز بر روابط با صنایع گوناگون و برقراری جریان داده از طریق شبکه‌های مورد استفادهی شرکت باشد.
همهی این‌ها تاثیر شگرفی بر سازمانها و کارکنانشان دارند. صرفنظر از نوع، سطح درآمد یا تخصص هر شغل، یادگیری ماشینی می‌تواند ماهیت آن را متحول کند. بیتردید مدل‌های عملیاتی متکی بر هوش مصنوعی به نیروی کار انسانی ضرر می‌رسانند. تعدادی از مطالعات میگویند که شاید بتوان نیمی از فعالیتهای کاری کنونی را با سیستمهای هوش مصنوعی جایگزین کرد. نباید خیلی تعجب کنیم. به‌هرحال خیلی وقت است مدل‌های عملیاتی به‌گونه‌ای طراحی می‌شوند که بسیاری از وظایف را قابل پیش‌بینی و تکرارپذیر می‌کنند. فرضاً فرایندهایی نظیر اسکن بارکد محصولات در صندوق فروشگاههای زنجیرهای، درست کردن لاته و برداشتن فتق، عملیات استانداردی هستند که به خلاقیت انسانی زیادی نیاز ندارند. ازآنجایی‌که پیشرفت هوش مصنوعی موجب تقویت بسیاری از مشاغل و خلق گستره‌ای از فرصتهای جالب شده، ناگزیر به نظر می‌رسد که موجب نابسامانیهای گسترده در بسیاری از مشاغل نیز شود.
این نابسامانیها صرفاً محدود به تحول مشاغل نمیشوند؛ بلکه توانمندیهای سنتی را نیز منسوخ می‌کنند. در قریب‌به‌اتفاق بسترها، رقابت شرکت‌های متکی بر هوش مصنوعی با سازمانهای کاملاً تخصصی مشاهده میگردد. در یک دنیای مبتنی بر هوش مصنوعی، میزان اتکای رقابت‌طلبی به تخصص کاهش یافته و بیشتر به یک مجموعه توانمندی فراگیر در حوزه‌های منبعیابی داده، پردازش، تحلیل و توسعه‌ی الگوریتم بستگی دارد. این توانمندیهای جدید موجب تحول استراتژی‌ها، طرحهای کسب‌وکار و حتی رهبری سازمانها می‌شوند. هم‌اکنون استراتژیهای بسیاری از کسب‌وکارهای شبکه‌ای و دیجیتال در حوزه‌های گوناگون، کاملاً مشابه به نظر میرسند و عوامل هدایتکنندهی عملکردشان نیز یکسان هستند. تخصص صنعتی به‌اندازه‌ی گذشته اهمیت ندارد. وقتی اوبر به دنبال یک مدیرعامل جدید بود، هیئتمدیرهی آن‌ها نه صاحب یک کمپانی سرویس‌های لیموزین بلکه شخصی را استخدام کرد که سابقهی اداره‌ی یک شرکت دیجیتال – اکسپیدیا – را داشت.
از عصر تفاوت در تواناییهای محوری هر صنعت، وارد عصری میشویم که بنیانش از داده و تحلیل و الگوریتم شکل گرفته – که همگی در دل فضای ابری جای گرفتهاند تا هر کس بتواند از آن‌ها بهره بگیرند. به همین دلیل است که علی‌بابا و آمازون می‌توانند به‌طور هم‌زمان در صنایع ناهمگون همچون خردهفروشی، خدمات مالی، مراقبتهای بهداشتی و اعتبارپژوهی فعالیت کنند. هم‌اکنون بسیاری از مبانی فناوری این بخشها، مشابه هستند و ابزارها و روشهای مشترکی به کار می‌گیرند. روند تغییر استراتژی‌ها مشاهده می‌شود و وجوه تمایز سازمانها که پیش‌تر مبتنی بر هزینه، کیفیت، ارزش برند و تخصصهای انحصاری و عمودی کمپانی بودند، جای خود را به مزایایی همچون جایگاه در شبکهی کسب‌وکار، گردآوری داده‌های منحصربه‌فرد و به‌کارگیری تحلیلهای پیشرفته داده‌اند.
چالش رهبری
هرچند حذف موانع عملیاتی می‌تواند پتانسیل رشد خارقالعادهای را آزاد کند، اما نمی‌توان آن را یک امر همواره مثبت دانست. سیستمهای بدون اصطکاک در معرض خطر بی‌ثباتی قرار دارند و وقتی به حرکت بیفتند، توقفشان دشوار خواهد بود. ماشینی را تصور کنید که ترمز ندارد یا اسکی‌بازی که نمی‌تواند سرعتش را کم کند. هر سیگنال دیجیتال – مثل مطلبی که همه جا وایرال شده است – می‌تواند به‌سرعت از طریق شبکهها پخش شود و شاید امکان اینکه جلوی آن را بگیرید وجود نداشته باشد، حتی برای سازمان‌هایی که خودشان آن را پخش کرده‌اند یا نهادهایی که کنترل قطب‌های کلیدی شبکه را بر عهده دارند. وقتی اصطکاک نباشد، یک ویدئوی ترویج خشونت یا تیتر فریبدهنده و نادرست می‌تواند از طریق شبکه‌های گوناگون به دست میلیاردها نفر برسد و حتی خود را در قالب‌های دیگر نیز نشان دهد. وقتی قصد ارسال یک پیام دارید، هوش مصنوعی یک راهکار خارق‌العاده برای دستیابی به گستره‌ای از افراد و شخصیسازی آن پیام است. اما بهشت بازاریابها می‌تواند کابوس شهروندان باشد.
تحول هوش مصنوعی مایکروسافت
هرچند تحول مایکروسافت در قالب یک شرکت مبتنی بر هوش مصنوعی، حاصل سالها تحقیق بود. اما آنچه موجب تسریع این فرایند گردید، اصلاح سیستمهای فناوری اطلاعات و داده‌های داخل سازمان بود که پیش‌تر در واحدهای مختلف کمپانی پراکنده بودند. رهبری این پروژه بر عهدهی کرت دل‌بین، مدیر اسبق آفیس در کمپانی مایکروسافت بود که آنجا را ترک کرد تا کمک‌حال دولت آمریکا برای توسعه‌ی وب‌سایت HealthCare.gov باشد و سپس در سال 2015 مجدداً به مایکروسافت برگشت.
بنا به یک استدلال معین، نادلا فردی با تجربه‌ی تولید را در رأس فناوری اطلاعات و پروژهی «کارخانه‌ی هوش مصنوعی» سازمان گذاشت که قرار بود مبنای مدل عملیاتی جدید شرکت باشد. دل‌بین گفت:
او به‌منظور تقویت این گرایش در تیم، شخصاً رهبران و مهندسان واحدهای تولید را انتخاب کرد.
امروزه «مهندسی هسته» – که هم‌اکنون تحت عنوان عملیات فناوری اطلاعات شناخته می‌شود – نمودی از تحول کمپانی مایکروسافت است. با توجه به تلاشهای گروه، بسیاری از فرایندهای سنتی که پیش‌تر در سیلوهای منزوی صورت میگرفتند، هم‌اکنون در قالب یک پایگاه نرم‌افزاری هماهنگ واقع در فضای ابری مایکروسافت آژور انجام می‌شوند. همچنین گروه آن‌ها به دنبال برپایی یک معماری دادهی مشترک در کل کمپانی است. این پلتفرم جدید و مبتنی بر هوش مصنوعی، ارتباط این سازمان وسیع با مجموعه‌ای از نرم‌افزارها، معدن الگوریتم و کاتالوگ داده را برقرار می‌کند که هدف همگی آن‌ها، به‌کارگیری فرایندهای دیجیتال در خطوط گوناگون کسب‌وکار است.
جدای از افزایش بهرهوری و مقیاس‌پذیری، هوش مصنوعی به سازمان کمک می‌کند تا مشکلاتش را از بین ببرد. دل‌بین میگوید: «از هوش مصنوعی بهره میگیریم تا اتفاقات غیرمنتظره را پیش‌بینی کنیم. پیش‌تر نهایتاً می‌توانستیم سریع‌ترین واکنش ممکن را نشان دهیم. اما هم‌اکنون می‌توانیم مانع رخدادهای ناگوار آتی از قراردادهای نادرست تا حملات سایبری شویم».
مدل‌های عملیاتی دیجیتال می‌توانند مجموعهی توأمانی از آسیبها و ارزش‌ها باشند. حتی وقتی قصدتان بد نیست هم امکان بروز مشکل احتمالی وجود دارد. هر اشتباه می‌تواند یک شبکهی دیجیتال بزرگ را در معرض حملات سایبری مخرب قرار دهد. الگوریتمهای کنترلنشده می‌توانند موجب افزایش سوگیریها و اطلاعات نادرست شوند. امکان افزایش قابل توجه ریسکها وجود دارد. رویکرد بانکهای دیجیتال در زمینهی گردآوری پس‌اندازهای مصرفکنندگان به شیوه‌های نوین را در نظر بگیرید. آنت فایننشال که هم‌اکنون یکی از بزرگ‌ترین حسابهای تعاونی اوراق قرضهی کوتاهمدت در دنیا است، اعتماد صدها میلیون مصرفکنندهی چینی را جلب کرده است و سرمایه‌شان را در اختیار دارد. ریسکهای بزرگی وجود دارند، علی‌الخصوص برای موسسهای که هنوز نتوانسته خود را کاملاً اثبات کند.
مقیاس، تنوع و یادگیری دنیای دیجیتال، انبوهی از چالش‌های جدید می‌سازد – نه صرفاً مشکلات حریم خصوصی و امنیت سایبری، بلکه آشفتگی‌های اجتماعی که به‌واسطه‌ی تمرکز بازار، جابجاییها و افزایش نابرابری شکل می‌گیرند. مؤسساتی که هدفشان نظارت بر کسب‌وکارها است – مثلاً نهادهای حقوقی – در تقلا هستند تا خود را با این تغییرات سریع وفق دهند.
در یک دنیای مبتنی بر هوش مصنوعی، اطمینان از تطابق یک محصول با بازار، مترادف با افزایش قابل توجه تعداد کاربران، تعاملها و درآمدها است. بااینحال بیش‌ازپیش شاهد خطرات رشد افسارگسیخته‌ی آن هستیم. کسب‌وکارهای پذیرندهی مدل‌های عملیاتی دیجیتال، پتانسیل رشد خارقالعادهای دارند، اما باید ظرفیت آسیبرسانی گسترده‌ی آن را هم در نظر بگیرند. هدایت سازمان در دل این فرصتها و تهدیدها، یکی از آزمونهای حقیقی رهبران کسب‌وکارها و مؤسسات عمومی است.
مارکو یانسیتی، استاد دیوید سارنوف در حوزهی مدیریت کسب‌وکار از دانشکدهی کسب‌وکار هاروارد است که سرپرستی «واحد فناوری و مدیریت عملیات» و «ابتکار دیجیتال» آنجا را بر عهده دارد. او مشاور بسیاری از کمپانی‌های حوزهی فناوری ازجمله مایکروسافت، فیس‌بوک و آمازون بوده است.
کریم لاخانی، استاد چارلز ادوارد ویلسون در حوزهی مدریت کسب‌وکار و همکار دوروثی و مایکل هاینتزه در دانشکدهی کسب‌وکار هاروارد، و همچنین بنیانگذار و هماهنگکنندهی آزمایشگاه علم نوآوری در هاروارد است. آن‌ها کتاب «رقابت در عصر هوش مصنوعی» (انتشارات مجلهی کسب‌وکار هاروارد، 2020) را نوشتهاند.
این مقاله در شماره ی زیر منتشر شده است:
