MIT گزارش جدیدی منتشر کرد که نشان می‌داد ۹۵٪ از سرمایه‌گذاری‌ها در هوش مصنوعی نسل اول هیچ بازده‌ای نداشته‌اند. این تیتر، جدیدترین تیتری است که موجی از شک و تردید را در مورد اینکه آیا هوش مصنوعی در مقیاس بزرگ واقعا نتیجه خواهد داد، دامن می‌زند. عرضه نه چندان امیدوارکننده GPT-5 شرکت OpenAI، این دیدگاه را تقویت کرده است که پیشرفت هوش مصنوعی در حال کند شدن است.
گارتنر اظهار داشته است که هوش مصنوعی مولد در حال ورود به دوران «سرخوردگی» خود است، یعنی سومین مرحله در چارچوب چرخه پنج مرحله‌ای این شرکت برای پذیرش فناوری.
مطمئناً، گزارش MIT در واقع کمی پیچیده‌تر از آن چیزی است که در عنوان مطلب نشان می‌دهد:
این گزارش استدلال می‌کند که اگرچه افراد با موفقیت ابزارهای هوش مصنوعی عمومی را که بهره‌وری آنها را افزایش می‌دهد، به کار می‌گیرند، اما چنین نتایجی در سطح سود و زیان قابل اندازه‌گیری نیستند و شرکت‌ها با استقرار گسترده این ابزارها در سطح سازمانی دست و پنجه نرم می‌کنند.
علاوه بر این، نویسندگان آن دریافتند که بیشتر هزینه‌های آزمایش‌های هوش مصنوعی صرف ابتکارات فروش و بازاریابی می‌شود، با وجود این واقعیت که تحولات بک‌اند معمولاً بیشترین نرخ بازگشت سرمایه (ROI) را ایجاد می‌کنند.
با این حال، تیترهایی از این دست رهبران را نگران می‌کند. اگر ۹۵٪ از ده‌ها میلیارد سرمایه‌گذاری انجام شده در آزمایش‌ها، ارزشی ایجاد نکرده باشد، آیا تلاش برای آزمایش با هوش مصنوعی کاملاً هدر رفته است؟ از سوی دیگر، شرکت‌ها چگونه یاد می‌گیرند که چطور بدون انجام آزمایش‌ها از این ابزارها استفاده کنند؟ رهبران چگونه قرار است این نتایج را تفسیر کنند؟
ما معتقدیم که بسیاری از رهبران در حال مرتکب شدن همان اشتباهی هستند که یک دهه پیش در زمینه تحول دیجیتال مرتکب شدند: تشویق به آزمایشگری که امری خوب است، اما در دام رها کردن بی‌قید و شرط آزمایش‌ها افتاده‌اند که نتیجه معکوس دارد.
برای روشن شدن موضوع: در موج قبلی تحول دیجیتال، زمانی که بسیاری از رهبران درباره تحول دیجیتال و مسیر پیش رو احساس سردرگمی می‌کردند، به نوآوری و آزمایش روی آوردند. رهبران رویکرد «بگذارید ده‌هزار گل بشکفند» را در پیش گرفتند، به این امید که برخی از این آزمایش‌ها به بازدهی در سطح شرکت‌های تک‌شاخ (Unicorn) منجر شود.
عدم تمرکز یک اشتباه فاحش بود. بدون ارتباط روشن با فرصت واقعی یک کسب و کار — یعنی روش ایجاد ارزش معنادار برای کاربران — نتیجه چیزی جز باتلاقی از تیم‌های نامتمرکز و کم‌بودجه نبود که نتایج مقیاس‌پذیر کمی تولید می‌کردند.
با مشاهده چنین بازدهی ناامیدکننده ای، بسیاری از رهبران به طور طبیعی نتیجه گرفتند که آزمایش‌های دیجیتال شکست خورده‌اند و آنها را متوقف کردند. در عوض، یا به روال عادی کسب و کار بازگشتند یا بر روی چند گزینه کم ریسک تر تمرکز کردند: شاید جایگزینی یک سیستم فناوری اطلاعات قدیمی یا یک بازده کوتاه‌مدت مانند یک سیستم مدیریت دارایی دیجیتال.
چه مشکلی پیش آمد؟ اگرچه آزمایش و نوآوری خوب است، اما بدون ارتباط با فرصت واقعی کسب‌وکار – مثلاً تحول هسته اصلی برای خدمت‌رسانی به مشتریان موجود و جدید – آزمایش‌ها ناگزیر از انتظارات و آرزوها عقب می‌مانند.
به نظر واضح می‌رسد، اما با قرار دادن هوش مصنوعی در قالب مفهومی انقلابی و مختل‌کننده، اغلب ارتباط آن با بنیادی‌ترین هدف کسب‌وکار را از دست می‌دهیم: حل مشکلات برای مشتریان.
راه خروج از این تله این است که:
- این لحظه هوش مصنوعی را در چارچوب گسترده‌تر تحول آفرینی درک کنیم،
- بر پتانسیل هوش مصنوعی برای خدمت رسانی بهتر به مشتریان تمرکز کنیم
- با مجموعه ای متمرکز از فرصت ها آزمایش کنیم تا آنها را محک بزنیم (با نگاهی به مقیاس پذیری)
- و سپس، آنها را گسترش دهیم.
در ادامه نحوه انجام این کار را شرح می دهیم.
درک هوش مصنوعی در چارچوب گسترده‌تر تحول آفرینی
با وجود اینکه جهان در حال حاضر از هوش مصنوعی صحبت می‌کند، تصویر را به عقب برگردانید تا به یاد آورید که هوش مصنوعی یک گفت‌وگوی جدید است که بخشی از تغییر بزرگ‌تر محسوب می‌شود.
تغییر واقعی که همه ما با آن دست و پنجه نرم می‌کنیم، یک تغییر اساسی از فناوری دیجیتال است که در حاشیه سازمان‌ها عمل می‌کند (به عنوان مثال، فناوری اطلاعات در مورد لپ‌تاپ‌ها، وای‌فای، چاپ و پایگاه‌های داده فناوری اطلاعات برای ثبت فعالیت‌های اصلی بود) به فناوری دیجیتال که در هسته اصلی سازمان‌ها است (به عنوان مثال، سازمانی که حول گردش‌های کاری دیجیتال و سفرهای مشتری ساخته شده است تا فعالیت‌های تولیدی خود).
به عبارت دیگر، از بسیاری جهات، هر شرکتی در حال تبدیل شدن به یک شرکت فناوری است. به جای اینکه افراد وظایف را بر اساس قضاوت و شهود انسانی انجام دهند، ما به دنیایی از تصمیمات مبتنی بر داده و هوش مصنوعی حرکت می‌کنیم که توسط انسان‌ها نظارت می‌شود اما لزوماً با انسان‌ها به عنوان موتور اصلی فعالیت نیست.
به عنوان مثال در نظر بگیرید که چگونه شرکت Ant Financial تصمیمات اعتباری می‌گیرد یا آمازون چگونه تصمیمات قیمت‌گذاری را با نظارت انسان‌ها (و نه انجام مستقیم توسط آنها) اتخاذ می‌کند.
این یک تغییر واقعاً عمیق است و ما تازه در میانه آن هستیم. اگرچه سال‌ها طول خواهد کشید، اما در نهایت شکل کاملاً جدیدی از سازمان‌ها را پدید خواهد آورد.
درک این تصویر کلی به رهبران یادآوری می‌کند که هدف، تغییر کسب‌وکار برای استفاده از فناوری به منظور خدمت‌رسانی بهتر، سریع‌تر، آسان‌تر، ارزان‌تر و غیره به مشتریان است.
همه اشکال هوش مصنوعی (از جمله هوش مصنوعی نسل جدید) تنها یک ابزار هستند که می‌توانند به تحقق این هدف کمک کنند. همانطور که اینترنت اساساً نحوه خدمت‌رسانی به مشتریان را متحول کرد اما دلیل خدمت‌رسانی به آنها را تغییر نداد، پذیرش هوش مصنوعی نیز باید با این تمرکز دقیق و خاص مورد توجه قرار گیرد تا موفقیت‌آمیز باشد.
تمرکز بر خدمت‌رسانی بهتر به مشتریان
درک این نکته که هدف هوش مصنوعی صرفاً خدمت‌رسانی بهتر به مشتریان است، می‌تواند به رهبران کمک کند تا بر آنچه می‌خواهند از طریق آزمایش به دست آورند، تمرکز کنند. آینده اساساً نامشخص است. هیچ‌کس دقیقاً نمی‌داند که به کجا می‌رویم و هیچ‌کس نمی‌تواند (علی‌رغم آنچه ممکن است ادعا کنند) یک کتاب راهنما به شما بدهد. از این رو، آزمایش برای فهمیدن چگونگی استفاده از هوش مصنوعی به منظور تحول شرکت در جهت خدمت‌رسانی بهتر به مشتریان ضروری است.
در این لحظات عدم قطعیت استراتژیک، که بسیاری فاقد تمرکز و جهت گیری هستند، اتخاذ رویکرد ده هزار گل وسوسه‌انگیز است. اما این رویکرد پراکنده معمولاً به نیاز اصلی نمی‌پردازد.
ما می‌بینیم که بسیاری از رهبران با انبوهی از تیترها درباره معجزات هوش مصنوعی غرق شده‌اند و درست به همان شکلی که نکته اصلی تحول دیجیتال را از دست دادند، پتانسیل واقعی تحول هوش مصنوعی را نیز نادیده می‌گیرند.
شرکت شما قرار نیست به متا، آمازون یا گوگل تبدیل شود و به هر حال این نباید هدف شما باشد. از استرس در مورد شرکتی که در موردش خوانده‌اید و ظاهراً ۸۰٪ از نیروی کار خود را برای آماده شدن برای هوش مصنوعی اخراج کرده است، دست بردارید.
فرصت واقعی، فرصتی که واقعاً بازده ایجاد می‌کند، این است که با دقت به عملیات داخلی و سفر مشتری خارجی خود نگاه کنید و با این شروع کنید که چگونه می‌توانید در کوتاه‌مدت با استفاده از ابزارهای هوش مصنوعی، ارزش واقعی ایجاد کنید.
این رویکرد را برای تمرکز آزمایش‌های خود در نظر بگیرید: از تدوین استراتژی‌تان آغاز کنید و فرصت‌هایی را برای خلق ارزش از طریق بهبود یک فعالیت اصلی یا ارائه خدمات بهتر به مشتریان جدید شناسایی کنید.
ما اغلب این فعالیت را “اسب تروای پیاده‌سازی هوش مصنوعی” می‌نامیم، زیرا امروز ارزش واقعی ایجاد می‌کند و در نتیجه چرخه مثبت یادگیری با عمل را راه می‌اندازد. سپس، آزمایش‌هایی را بررسی کنید که مؤثرترین روش برای اجرای این ایده را اثبات می‌کنند.
جالب است بدانید یکی از یافته‌های کلیدی و کمتر شنیده‌شده از پژوهش‌های MIT این است که رهبران در حالی که از تغییر هسته اصلی اجتناب می‌کنند، به دنبال کاربردهای ظاهری سطحی و ظاهری بیشتری در حوزه بازاریابی هستند.
اجرای آزمایش ها برای اثبات ارزش با نگاهی به مقیاس پذیری آینده
آزمایش‌ها چگونه باید انجام شوند؟ آنها باید سه مورد را بررسی کنند:
- مرتبط با خلق ارزش واقعی باشند
- تا حد امکان کم‌هزینه باشند تا چرخه‌های متعددی برای یادگیری و بهبود ایجاد کنند
- با هدف ارتباط نحوه مقیاس‌پذیری آنها برای خلق ارزش در آینده طراحی شوند.
اگرچه این مفهوم در ظاهر ساده است، اما اجرای موفق آن در عمل دشواری‌های خاص خود را دارد. از یک سو، برخی از رهبران بدون برنامه‌ریزی بلندمدت و در نظر گرفتن چگونگی گسترش و مقیاس‌بندی ایده‌ها، تنها به آزمایش‌های مقطعی می‌پردازند؛ از سوی دیگر، عده‌ای چنان درگیر جزئیات و نگرانی درباره آمادگی کامل سازمان از همان ابتدا هستند که در عمل دچار توقف و بی‌عملی می‌شوند.
جادوی کار در ایجاد تعادل است: آیا این مشکل به اندازه‌ای بزرگ هست که ارزش حل کردن داشته باشد؟ و اگر حل شود، برای مقیاس بندی راه‌حل چه چیزهایی لازم است؟
برای کمک به شما در ارزیابی اینکه از بین چالش های زیادی که ممکن است مطرح شود، کدام یک را باید حل کنید، ما اغلب از چارچوب IFD خود استفاده می‌کنیم:
- شدت Intensity (شدت مشکل چقدر است)
- فراوانی Density (تعداد دفعات وقوع آن)
- تراکم Frequency (تعداد کاربران یا نمونه‌های مشکل)
ما این چارچوب را با مطالعه شرکت‌های تثبیت‌شده در هنگام انتخاب ایده‌های قابل پیگیری توسعه دادیم.
به‌عنوان مثال، یک نوآور، ایده توسعه ابزارهای دیجیتال برای کمک به مدیران آپارتمان‌ها در سفارش خدمات تعمیراتی ارائه می‌دهد، درحالی‌که دیگری، ایده یک مانیتور کودک را مطرح می‌کند که هنگام توقف تنفس نوزاد به والدین هشدار می‌دهد.
مشتریان با چه فراوانی این مشکلات را تجربه می‌کنند؟
مدیران آپارتمان‌ها گاه‌به‌گاه، اما والدین هر شب می‌خواهند از ایمنی کودک خود مطمئن شوند.
شدت مشکل چقدر است؟
برای مدیران آپارتمان‌ها احتمالاً فقط در حد متوسط است، چراکه آنها از قبل ارائه‌دهندگان خدمات مورد اعتماد دارند، اما شدت مشکل برای والدین می‌تواند بسیار بالا باشد.
در نهایت، تراکم مشکل چقدر است؟
تعداد مدیران آپارتمان‌هایی که در مقیاس مناسب برای به‌کارگیری این ابزار هستند بسیار کمتر از والدین دارای فرزند است. این به شما روش خوبی برای سنجش ارزش ایده‌هایی می‌دهد که مشکلات مختلف را حل می‌کنند.
با یک تیم نینجا، مقیاس‌پذیری را افزایش دهید
هنگامی که ارزش آزمایش را اثبات کردید، می‌توانید آن را گسترش دهید، اما این کار نیازمند توجه دقیق به مقیاس‌گذاری است.
انتقال یک چیز از حالت آزمایشی به مقیاس بزرگ تقریباً همیشه با چالش‌های جدید و غیرمنتظره‌ای همراه است. فردی با قدرت ایجاد تغییر، باید مالکیت این ابتکار عمل را به عهده بگیرد و تیمی را رهبری کند که زمان و منابع لازم برای محقق کردن تغییر را داشته باشد.
این تیم‌های «نینجای» مقیاس پذیر باید دارای پشتیبانی رهبری ارشد (هواپوش)، ارتباطات سازمانی برای تأمین منابع و تمرکز لازم برای مقیاس پذیری باشند.
همانطور که به مقیاس مناسب برای پروژه می‌رسید، این فرآیند را تکرار کنید. البته، برای تحول در مقیاس سازمانی، موارد بیشتری وجود دارد که از جمله آنها ایجاد زیرساخت‌های دیجیتال مناسب است، تحولی که اکثر شرکت‌ها به‌طور واقعی آن را به پایان نرسانده‌اند.
اما این فرآیند، ماشین اصلی تحول را ترسیم می‌کند که می‌تواند به شرکت‌ها کمک کند از اتلاف جلوگیری کرده و به ارزش واقعی این تحول اساسی دست یابند.
…
با ورود به مرحله “موج پسا اشتیاق هوش مصنوعی”، بسیاری از رهبران در خطر تفسیر نادرست چالش‌های پیاده‌سازی هوش مصنوعی به عنوان نشانه‌ای از عدم امکان خلق ارزش با استفاده از این فناوری قرار دارند.
آنها در معرض خطر عقب ماندن از تحول هوش مصنوعی هستند، همان‌گونه که بسیاری از رهبران در تحول دیجیتال خود عقب افتادند (و اکنون در حال جبران این عقب‌ماندگی هستند). حقیقت این است که هوش مصنوعی می‌تواند ارزش آفرینی کند و ما شاهد پیشرفت‌های چشمگیری هستیم. برای مثال اینکه چگونه سیستم‌های چندعاملی می‌توانند عملیات بک اند را بهبود بخشند.
اما خلق ارزش همواره به لحظه اولیه طراحی آزمایش بازمی‌گردد، زمانی که یک تیم می‌تواند ببیند چگونه یک ابزار جدید می‌تواند برای مشتریان ارزش ایجاد کند، زیرا بدون توجه به اینکه چه ابزارهای جدیدی در آینده ظهور کنند، هدف کسب‌وکار همواره یکسان خواهد ماند: حل مسائل مهم برای مشتریان.
لینک کوتاه: womenito.com/upby
