رقابت در عصر هوش مصنوعی

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:

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *