وبلاگ
فرمول پنهان موفقیت هوش مصنوعی: قانون ۱۰-۲۰-۷۰
چرا اکثر سرمایه‌گذاری‌های هوش مصنوعی نتیجه نمی‌دهند؟
طی چند سال گذشته، سازمان‌ها میلیاردها دلار صرف پیاده‌سازی هوش مصنوعی کرده‌اند؛ از خرید ابزارهای مولد گرفته تا ساخت زیرساخت‌های داده و مدل‌های اختصاصی. اما نتیجه یک پژوهش تازه از گروه مشاوره بوستون (BCG) نشان می‌دهد که فقط حدود پنج درصد از سازمان‌ها توانسته‌اند از این سرمایه‌گذاری‌ها بازدهی مالی قابل‌توجه به دست بیاورند؛ بازدهی که به معنای افزایش واقعی درآمد یا جریان نقدی و بهبود محسوس در فرآیندهاست.
نکته جالب اینجاست که همین دسته کوچک از شرکت‌ها که BCG آن‌ها را «شرکت‌های آینده‌ساز» می‌نامد، عملکرد مالی قوی‌تری هم دارند؛ بازده سهامداران سه‌ساله‌شان به‌طور میانگین حدود چهار برابر بیشتر از رقبایی است که در استفاده از هوش مصنوعی عقب مانده‌اند. سوال اصلی این است: چه چیزی این شرکت‌ها را از بقیه متمایز می‌کند؟
پاسخ BCG ساده اما غیرمنتظره است: تفاوت اصلی نه در الگوریتم‌ها، نه در فناوری، بلکه در نحوه توانمندسازی کارکنان است.
قانون ۱۰-۲۰-۷۰: جایی که ارزش واقعی خلق می‌شود!
بر اساس تحلیل BCG از ده‌ها پروژه واقعی هوش مصنوعی در شرکت‌های مختلف، ارزش حاصل از این فناوری این‌گونه تقسیم می‌شود:
- ۱۰ درصد از ارزش، محصول مستقیم خود الگوریتم‌ها و مدل‌هاست
- ۲۰ درصد به فناوری و زیرساخت لازم برای پیاده‌سازی آن‌ها برمی‌گردد
- ۷۰ درصد باقی‌مانده — که سهم اصلی است — از بازطراحی نقش انسان‌ها در سازمان به دست می‌آید
این یعنی هر سازمانی که تصور می‌کند با خرید بهترین ابزار یا استخدام چند متخصص داده، مسئله هوش مصنوعی را حل کرده، احتمالاً بخش کوچکی از پازل را دیده است. بخش بزرگ‌تر و دشوارتر ماجرا این است که کارکنان چطور با این فناوری کار می‌کنند، چقدر به آن اعتماد دارند و چقدر مهارت لازم برای استفاده مؤثر از آن را دارند.
شرکت‌های آینده‌ساز این موضوع را جدی گرفته‌اند: آن‌ها قصد دارند بیش از ۵۰ درصد از کارکنان خود را در زمینه هوش مصنوعی ارتقای مهارت دهند، در حالی که این رقم برای شرکت‌های عقب‌مانده تنها ۲۰ درصد است. همچنین این شرکت‌ها چهار برابر بیشتر احتمال دارد که برنامه‌های یادگیری ساختاریافته داشته باشند و زمان مشخصی را برای یادگیری کارکنان کنار بگذارند.
چهار رکن تحول نیروی کار در عصر هوش مصنوعی
بر اساس این پژوهش، آن ۷۰ درصد سهم انسانی از ارزش هوش مصنوعی، خود از چهار جزء اصلی تشکیل شده است:
۱. همسویی استراتژیک از بالا به پایین
هر تحول موفق هوش مصنوعی با تعهد واقعی رهبری سازمان آغاز می‌شود، نه با یک پروژه فناوری جداگانه که به واحد فناوری اطلاعات سپرده شده باشد. شرکت‌های موفق به‌جای پراکنده‌کردن تلاش خود بین ده‌ها یا صدها کاربرد مختلف، روی تعداد کمی اولویت اصلی — معمولاً سه تا چهار مورد — تمرکز می‌کنند. این تمرکز باید با حاکمیت مشخص، شاخص‌های موفقیت روشن و مسئولیت‌پذیری همراه باشد تا برنامه تحول در زمان‌بندی و بودجه تعیین‌شده پیش برود.
۲. ایجاد پذیرش و تغییر رفتار
فناوری به‌تنهایی رفتار افراد را تغییر نمی‌دهد. برای اینکه کارکنان واقعاً هوش مصنوعی را در کار روزانه خود بپذیرند، سازمان باید یک روایت الهام‌بخش بسازد؛ روایتی که توضیح دهد این فناوری چگونه به بهبود عملکرد شرکت و تجربه کاری خود کارکنان کمک می‌کند.
آماری که در این پژوهش توجه را جلب می‌کند این است: در شرکت‌های آینده‌ساز، ۸۸ درصد از مدیران میانی خودشان به‌طور فعال از هوش مصنوعی در تصمیم‌گیری‌های روزانه استفاده می‌کنند، در حالی که این رقم در شرکت‌های عقب‌مانده تنها ۲۵ درصد است. این تفاوت بسیار مهم است، چون کارکنان معمولاً الگوی رفتاری خود را نه از بخشنامه‌های مدیریت ارشد، بلکه از رفتار روزمره سرپرست مستقیم‌شان می‌گیرند. وقتی مدیر یک تیم خودش کاربر واقعی هوش مصنوعی باشد، اعضای تیم هم آن را جدی می‌گیرند.
۳. ارزیابی دقیق تأثیر بر نیروی کار
پیش از هر برنامه آموزشی، سازمان‌ها باید بفهمند که هوش مصنوعی دقیقاً چه تأثیری بر نقش‌ها، افراد و مهارت‌های موجود خواهد داشت. این ارزیابی به شناسایی شکاف‌های مهارتی کمک می‌کند و مسیر را برای طراحی برنامه‌های هدفمند ارتقا و بازآموزی مهارت روشن می‌سازد.
نکته قابل‌توجه دیگر این است که شرکت‌های آینده‌ساز پنج برابر بیشتر از رقبای خود اقدام به برنامه‌ریزی استراتژیک نیروی کار می‌کنند؛ یعنی از قبل پیش‌بینی می‌کنند چه نیازهای استعدادی در آینده خواهند داشت و ساختار سازمانی و مسیر شغلی را بر همین اساس بازطراحی می‌کنند.
۴. طراحی مدل عملیاتی ترکیبی انسان و هوش مصنوعی
آخرین رکن، تعریف مدلی است که در آن نقش‌ها، حاکمیت و ساختار سازمانی به‌گونه‌ای طراحی شده باشد که انسان و هوش مصنوعی مکمل یکدیگر باشند، نه رقیب. این کار مستلزم بازطراحی گردش‌کارها و شیوه انجام وظایف است، نه فقط اضافه‌کردن یک ابزار جدید به فرآیندهای قدیمی.
چگونه مهارت‌آموزی واقعاً اثرگذار می‌شود؟
یکی از بخش‌های ارزشمند این پژوهش، توضیح شرایطی است که تحت آن، برنامه‌های ارتقای مهارت واقعاً به نتیجه می‌رسند. طبق این تحلیل، سه عنصر باید همزمان وجود داشته باشد:
- یادگیری باید در دل کار روزمره جا بگیرد. به‌جای کارگاه‌های آموزشی یک‌باره یا سالانه، بهترین یادگیری زمانی اتفاق می‌افتد که کارکنان از ابزارهای واقعی برای انجام وظایف واقعی استفاده کنند و بازخورد واقعی دریافت کنند. این رویکرد هم مهارت‌های فنی مرتبط با هوش مصنوعی و هم مهارت‌های انسانی مانند حل مسئله، ارتباط و خلاقیت را تقویت می‌کند.
- طراحی برنامه باید بر پایه علم رفتار انسان باشد. افراد باید ببینند که رهبران‌شان این تغییر را الگوسازی می‌کنند، دلیل تغییر را درک کنند و از همان ابتدا موفقیت‌های کوچک را تجربه کنند تا انگیزه ادامه مسیر را داشته باشند.
- پیگیری و سنجش دقیق باید در جای خود باشد. بدون اندازه‌گیری اثربخشی، هیچ سازمانی نمی‌تواند مطمئن شود برنامه آموزشی‌اش با اولویت‌های استراتژیک همسو مانده است. این سنجش نباید فقط به کسب مهارت‌های فنی هوش مصنوعی محدود شود، بلکه باید پیشرفت در شایستگی‌های محوری آینده را هم دربربگیرد.
- مهارت‌های پایه‌ای مانند نوشتن پرامپت مؤثر و سواد هوش مصنوعی نقطه شروع خوبی هستند، اما کافی نیستند. آنچه واقعاً تفاوت ایجاد می‌کند، مهارت‌های سطح بالاتری مانند قضاوت زمینه‌ای، تعریف درست مسئله و تفسیر نتایج است؛ مهارت‌هایی که به کارکنان اجازه می‌دهد از ابزارهای هوش مصنوعی در سطح کل فرآیند و نه فقط یک وظیفه مشخص، بهره ببرند.
سرمایه‌گذاری روی فناوری کافی نیست!
پیام اصلی این پژوهش روشن است: هوش مصنوعی فقط یک ابزار فناورانه نیست، بلکه یک پروژه تحول سازمانی است که محور آن انسان‌هاست. شرکت‌هایی که این نکته را درک کرده‌اند، نه‌تنها ارزش مالی بیشتری خلق می‌کنند، بلکه در بازار سرمایه هم عملکرد بهتری از خود نشان می‌دهند.
برای سازمان‌هایی که هنوز در مراحل اولیه پیاده‌سازی هوش مصنوعی هستند، درس این تحقیق ساده است: پیش از سرمایه‌گذاری بیشتر روی ابزار و فناوری، وقت بگذارید و از خودتان بپرسید که آیا برنامه‌ای واقعی برای همراه‌کردن کارکنان با این تغییر دارید یا نه. چون در نهایت، این افراد هستند — نه الگوریتم‌ها — که هفتاد درصد ارزش هوش مصنوعی را رقم می‌زنند.