هاروارد بیزینس ریویو: اجازه ندهید هوش مصنوعی شکافهای سازمانی را تقویت کند
در اتاقهای هیئتمدیره و جلسات کاری در سراسر جهان، وعدههای هوش مصنوعی بیش از هر زمان دیگری شنیده میشود. رهبران سازمانها میشنوند که این فناوری قرار است عملیات را سادهتر، تصمیمگیری را بهبود و بهرهوری را متحول کند. اما در کنار این دستاوردها، روندی پنهانتر در جریان است: هوش مصنوعی در حال تقویت «جزیرهای شدن» واحدهاست؛ مشکلی قدیمی که دهههاست گریبان شرکتها را گرفته است.
نتیجه این میشود که در حالی که هر بخش بهطور جداگانه عملکرد خود را بهبود میدهد، کل سازمان در تحقق استراتژی مشترک ناتوانتر میشود.
وقتی هر بخش راه خودش را میرود
در بسیاری از شرکتها، مدیران واحدها ابتدا تصمیم میگیرند هوش مصنوعی را اجرا کنند و بعد به دنبال مسئلهای برای حلکردن با آن میگردند. ابزارهای آماده معمولاً قابلیت اتصال به دیگر بخشها را ندارند و تیمها هم انگیزهای برای عبور از داشبورد خود ندارند. فروشندگان این ابزارها هم اغلب محصولاتشان را بهصورت «راهکار مستقل» بازاریابی میکنند که همین انزوا را تقویت میکند.
نتیجه این رویکرد آن است که مسائل مهمی مانند تجربه مشتری، پایداری یا نوآوری ـ که ذاتاً چندبخشیاند ـ نادیده گرفته میشوند.
نمونه روشن، ایماکام (نام مستعار)، یک تولیدکننده استرالیایی است. بخش فناوری اطلاعات آن از هوش مصنوعی برای تعمیرات پیشبینانه استفاده کرد. زنجیره تأمین ابزار جداگانهای برای پیشبینی تقاضا به کار گرفت. فروش، سامانهای برای خدمات مشتری راه انداخت و منابع انسانی از غربالگری رزومه مبتنی بر هوش مصنوعی بهره گرفت. هر بخش جداگانه بهرهوری خود را بالا برد، اما مشکل اصلی ـ کاهش تأخیرها ـ حل نشد.
مرکز تعالی هوش مصنوعی
راهکار، ایجاد مرکز تعالی هوش مصنوعی (CoE) است؛ مرکزی که حاکمیت متمرکز را با اجرای غیرمتمرکز متعادل میکند. این مرکز نقش هاب مرکزی را دارد؛ جایی برای برترین متخصصان و رهبران استراتژیک که هدفش همراستاسازی تمام پروژههای هوش مصنوعی با اهداف کلان سازمان است. تیمهای توکار در هر بخش هم از منابع و استانداردهای مرکز استفاده میکنند تا مسائل تخصصی خود را سریعتر و در عین حال هماهنگتر حل کنند.
مثال: باثورست اینشورنس (نام مستعار)، یک شرکت استرالیایی بیمه. مرکز تعالی هوش مصنوعی در این شرکت فرصت یکپارچهسازی فروش و ارزیابی ریسک را شناسایی کرد. تیمهای تعبیهشده در این دو بخش، روی همان پلتفرم مشترک مدلی ساختند که بیمهنامهها را در لحظه پیشتأیید میکرد و مستقیماً به تیم فروش میفرستاد.
وقتی دادهها به تضاد میرسند
وقتی واحدهای مختلف از دادهها و مدلهای جداگانه استفاده میکنند، ممکن است به نتایج متناقض برسند. این فقط ناکارآمدی نیست؛ تهدیدی مستقیم برای استراتژی واحد سازمان است.
نمونه: وسترن پاسیفیک (نام مستعار)، یک بانک چندملیتی. بخش مالی با استفاده از دادههای سنتی و امتیاز اعتباری، بخشی از مشتریان را پرخطر معرفی کرد. در همان زمان، بخش بازاریابی با تحلیل دادههای دیجیتال همان گروه را بهترین هدف برای محصولات جدید یافت. این تضاد موجب تنش داخلی شد: آیا باید به این مشتریان محصول فروخت یا از آنها پرهیز کرد؟
از «فرآیند» به «هدف»
راهحل، ساختن یک مجموعه داده واحد نیست، بلکه تغییر ذهنیت است: بهجای شروع از فرآیند، از «هدف» آغاز کنید. ابتدا نتایج کلان سازمانی را تعریف کنید، سپس عقب برگردید و ببینید هوش مصنوعی چطور میتواند به تحقق آنها کمک کند.
مثال: نکسورا مارکت (نام مستعار)، یک خردهفروش آنلاین استرالیایی. این شرکت بهجای اینکه هر بخش را در بهینهسازی خودش رها کند، هدف مشترکی تعیین کرد: افزایش ارزش طول عمر مشتری. نتیجه، ایجاد یک موتور توصیهگر یکپارچه بود که هم بازاریابی، هم مدیریت موجودی، هم لجستیک و هم خدمات مشتری از آن استفاده کردند.
مشکل مقیاسپذیری
تحقیقات نشان میدهد ۷۰ درصد پروژههای هوش مصنوعی فراتر از اجرای اولیه مقیاس پیدا نمیکنند، چون در قالب جزیرهای پیاده میشوند.
مثال: ورا اند وایلد (نام مستعار)، یک خردهفروش بزرگ استرالیایی. هر بخش موفقیتهای جداگانهای ثبت کرد: موجودی ۱۵ درصد بهبود یافت، خدمات مشتری ۴۰ درصد سریعتر شد و بازاریابی نرخ باز شدن ایمیلها را ۲۵ درصد بالا برد. اما در مجموع، رضایت مشتری تغییر نکرد و رقبا جلو زدند. چون موفقیتها به جای نتایج مشترک، صرفاً بر شاخصهای بخشی تمرکز داشتند.
سنجش موفقیت مشترک
اگر خواهان همکاری بینبخشی در هوش مصنوعی هستید، باید آن را اندازهگیری و پاداشدهی کنید. طراحی شاخصهای کلیدی عملکرد مشترک (KPI) ضروری است؛ مثل رضایت نهایی مشتری، زمان چرخه عرضه محصول یا بهبود فرآیندهای بینبخشی.
مثال: کراپاِج ریسرچ (نام مستعار)، یک شرکت آزمایشهای کشاورزی. شاخصهای جداگانه میان واحدهای تحقیق، فروش و عملیات، موجب اصطکاک شد. مدیریت برای رفع مشکل، شاخصهای مشترکی مثل امتیاز رضایت مشتری و زمان اجرای آزمایشها را جایگزین کرد. نتیجه، هماهنگی بهتر واحدها و بهبود تجربه مشتری بود.
جمعبندی
هوش مصنوعی میتواند سازمانها را یکپارچه و توانمند کند، اما اگر بدون نگاه سیستمی پیاده شود، همان شکافهای قدیمی را عمیقتر خواهد کرد. مسئله تکنولوژی نیست؛ انتخابهای ما درباره ابزار، حاکمیت و فرهنگ است. بنابراین نباید صرفاً سیلوهای موجود را دیجیتالی کرد؛ بلکه باید از هوش مصنوعی بهعنوان محرکی برای تحول واقعی سازمانی بهره گرفت.
←لینک مقاله در هاروارد بیزینس ریویو
