چگونه هوش مصنوعی را در مقیاس سازمانی به کار بگیریم (HBR)

22 ساعت پیش

0 0 زمان تقریبی مطالعه 19 دقیقه

این مقاله در مجله کسب و کار هاروارد منتشر شده که منبعی معتبر و ارزشمند در حوزه کسب و کار است.

نویسندگان: تیم فانتین، برایان مک‌کارتی و تمیم صالح

ترجمه شده توسط تیم گیت (Git.ir)

ایده اصلی در یک نگاه

چالش

بیشتر شرکت‌ها هنوز نتوانسته‌اند از تمام ظرفیت هوش مصنوعی بهره‌مند شوند، زیرا آن را فقط در چند کاربرد محدود و مجزا به کار می‌گیرند. این رویکرد تنها به بهبودهای تدریجی منجر می‌شود و گسترش آن در سراسر سازمان نیز بسیار دشوار است.

راهکار

موفق‌ترین سازمان‌ها، به‌جای اجرای پروژه‌های پراکنده، یک فرایند، سفر مشتری یا حوزه کلیدی کسب‌وکار را از ابتدا تا انتها با کمک هوش مصنوعی بازطراحی می‌کنند. در این رویکرد، هر پروژه هوش مصنوعی پایه‌ای برای پروژه بعدی می‌شود و چرخه‌ای طبیعی از تحول و نوآوری را شکل می‌دهد.

چگونه این رویکرد را اجرا کنیم؟

رهبران سازمان باید حوزه‌هایی از کسب‌وکار را شناسایی کنند که هوش مصنوعی می‌تواند بیشترین ارزش را در آن‌ها ایجاد کند و سپس یک یا دو حوزه را برای تحول کامل انتخاب کنند. این تحول شامل به‌کارگیری فناوری‌های جدید، بازطراحی فرایندهای عملیاتی، تغییر شیوه همکاری کارکنان و حتی بازنگری اساسی در مدل کسب‌وکار خواهد بود.

امروزه بیشتر مدیران عامل به‌خوبی می‌دانند که هوش مصنوعی این ظرفیت را دارد که شیوه فعالیت سازمان‌ها را به‌طور کامل دگرگون کند. آن‌ها آینده‌ای را تصور می‌کنند که در آن، برای مثال، خرده‌فروشان بتوانند حتی پیش از آنکه مشتری سفارشی ثبت کند، محصولات شخصی‌سازی‌شده را تولید و همان روز به او تحویل دهند. شاید چنین سناریویی شبیه داستان‌های علمی‌تخیلی به نظر برسد، اما فناوری هوش مصنوعی موردنیاز برای تحقق آن، همین امروز نیز در دسترس است.

مانع اصلی رسیدن به چنین آینده‌ای، کمبود فناوری نیست؛ بلکه این است که شرکت‌ها هنوز نتوانسته‌اند خود را متناسب با آن متحول کنند. البته باید اذعان کرد که بسیاری از سازمان‌ها تلاش زیادی برای به‌کارگیری فناوری‌های دیجیتال انجام داده‌اند و در برخی موارد، واقعاً شیوه ارائه خدمات به مشتریان یا تولید محصولات خود را متحول کرده‌اند.

بااین‌حال، برای بهره‌برداری کامل از ظرفیت هوش مصنوعی، شرکت‌ها باید مدل کسب‌وکار و شیوه انجام کارها را از نو طراحی کنند. صرفاً افزودن هوش مصنوعی به یک فرایند موجود برای خودکارسازی یا استخراج بینش‌های بیشتر کافی نیست. همچنین اگر هوش مصنوعی فقط در قالب مجموعه‌ای از کاربردهای پراکنده و مستقل (Use Cases) در بخش‌های مختلف سازمان پیاده‌سازی شود، تغییر چشمگیری در عملکرد یا نتایج مالی شرکت ایجاد نخواهد کرد. افزون بر این، چنین رویکردی توسعه هوش مصنوعی در مقیاس سازمانی را دشوارتر و پرهزینه‌تر می‌کند، زیرا هر تیم باید به‌طور جداگانه فرایندهایی مانند جلب حمایت ذی‌نفعان، آموزش کارکنان، مدیریت تغییر، آماده‌سازی داده‌ها، ایجاد زیرساخت‌های فناوری و سایر الزامات را از ابتدا انجام دهد.

البته این به آن معنا نیست که شرکت‌ها باید کل سازمان را به‌طور هم‌زمان با هوش مصنوعی متحول کنند. چنین اقدامی تقریباً با شکست مواجه خواهد شد، زیرا بازطراحی کامل سازمان فرایندی بسیار پیچیده است که ذی‌نفعان، پروژه‌ها و اجزای متحرک فراوانی دارد و دستیابی سریع به نتایج ملموس را دشوار می‌کند.

براساس تجربه ما، بهترین رویکرد این است که ابتدا یک بخش حیاتی از کسب‌وکار را انتخاب کرده و آن را به‌صورت کامل بازطراحی کنید. ایجاد تحول در سراسر یک فرایند اصلی، سفر مشتری یا یک وظیفه کلیدی سازمانی، چیزی که ما آن را دامنه (Domain) می‌نامیم، بهبودی چشمگیر در عملکرد ایجاد می‌کند؛ بهبودی که هرگز با اجرای چند پروژه پراکنده و مستقل به دست نمی‌آید.

این رویکرد همچنین باعث می‌شود هر ابتکار جدید مبتنی بر هوش مصنوعی بر دستاوردهای پروژه‌های قبلی بنا شود؛ برای مثال، از داده‌های موجود دوباره استفاده کند یا قابلیت‌های مشترکی را برای گروهی از ذی‌نفعان توسعه دهد. ما بارها مشاهده کرده‌ایم که این شیوه، چرخه‌ای طبیعی از تحول در هر دامنه ایجاد می‌کند و در نهایت، با مشاهده نتایج موفق توسط مدیران و کارکنان، زمینه گسترش هوش مصنوعی در سراسر سازمان را فراهم می‌سازد.

از سوی دیگر، این رویکرد ذهنیت بهبود مستمر را در میان کارکنان تقویت می‌کند؛ موضوعی که اهمیت زیادی دارد، زیرا فناوری هوش مصنوعی با سرعت بسیار بالایی در حال پیشرفت است و سازمان‌ها باید تحول مبتنی بر هوش مصنوعی را نه یک پروژه مقطعی، بلکه فرایندی دائمی و مستمر بدانند.

در نهایت، شرکت‌هایی که نتوانند از ظرفیت کامل هوش مصنوعی استفاده کنند، به‌تدریج جای خود را به رقبایی خواهند داد که این توانایی را دارند؛ اتفاقی که هم‌اکنون نیز در صنایعی مانند خودروسازی و خدمات مالی در حال رخ دادن است.

خبر امیدوارکننده این است که طی یک سال گذشته، بسیاری از شرکت‌ها، حتی سازمان‌هایی که توانمندی محدودی در تحلیل داده داشتند، به دلیل بحران کووید-19 مجبور شدند تقریباً یک‌شبه شیوه فعالیت خود را تغییر دهند و در نتیجه، مهارت‌های لازم برای بهره‌گیری از فرصت‌های هوش مصنوعی را تا حد زیادی توسعه دهند. اکنون چالش اصلی، استفاده از این توانمندی‌ها برای اجرای پروژه‌های بزرگ‌تر و تحول‌آفرین است.

در ادامه این مقاله، با تکیه بر تجربه همکاری با صدها سازمان، از جمله برخی از بزرگ‌ترین شرکت‌های جهان، توضیح خواهیم داد که سازمان‌ها برای پیاده‌سازی هوش مصنوعی در مقیاس گسترده، باید چه اقداماتی انجام دهند.

گام اول: تعیین استراتژی

تعیین دامنه مناسب برای پروژه‌های هوش مصنوعی یکی از دشوارترین بخش‌های این مسیر است. توصیه ما به مدیران عامل این است که حوزه‌هایی از کسب‌وکار را انتخاب کنند که هوش مصنوعی بتواند در مدت‌زمانی معقول، تأثیر چشمگیری در آن‌ها ایجاد کند؛ حوزه‌هایی که یافتن حامی اجرایی برای آن‌ها نسبتاً آسان باشد، ذی‌نفعان از اجرای آن حمایت کنند، تشکیل تیم اجرایی با سهولت انجام شود و فعالیت‌های به‌هم‌پیوسته متعددی برای استفاده مجدد از داده‌ها و زیرساخت‌های فناوری وجود داشته باشد. (اگر مطمئن نیستید دامنه پروژه‌های هوش مصنوعی را به‌درستی انتخاب کرده‌اید یا نه، بخش «نشانه‌هایی که نشان می‌دهد درباره هوش مصنوعی بیش از حد گسترده یا بیش از حد محدود فکر می‌کنید» را مطالعه کنید.)

نشانه‌هایی که نشان می‌دهد درباره هوش مصنوعی بیش از حد گسترده یا بیش از حد محدود فکر می‌کنید

دامنه پروژه بیش از حد گسترده است اجرای فعالیت‌های تعریف‌شده در یک دامنه، حتی پس از 3 یا 4 مرحله اجرایی طی 12 تا 15 ماه نیز به پایان نمی‌رسد. بیش از 12 مدیر با اهداف متفاوت درباره تصمیم‌های بعدی اظهارنظر می‌کنند و هیچ مالک کسب‌وکاری با مسئولیت‌پذیری مشخص وجود ندارد. برای دستیابی به هرگونه ارزش، باید کل معماری داده و زیرساخت فناوری شرکت را از نو طراحی کنید.

دامنه پروژه بیش از حد گسترده است

اجرای فعالیت‌های تعریف‌شده در یک دامنه، حتی پس از 3 یا 4 مرحله اجرایی طی 12 تا 15 ماه نیز به پایان نمی‌رسد.

بیش از 12 مدیر با اهداف متفاوت درباره تصمیم‌های بعدی اظهارنظر می‌کنند و هیچ مالک کسب‌وکاری با مسئولیت‌پذیری مشخص وجود ندارد.

برای دستیابی به هرگونه ارزش، باید کل معماری داده و زیرساخت فناوری شرکت را از نو طراحی کنید.

دامنه پروژه بیش از حد محدود است فقط یک مشکل جزئی را حل می‌کنید، در حالی که ریشه مسائل یا ارتباط آن‌ها با سایر فرایندها نادیده گرفته شده است. مدیر حوزه کسب‌وکار احساس مالکیت نسبت به پروژه ندارد، زیرا این پروژه تأثیر قابل‌توجهی بر نتایج کسب‌وکار نخواهد داشت و همچنین مدیران سایر بخش‌های مرتبط در زنجیره ارزش نیز درگیر نشده‌اند. راهکاری طراحی کرده‌اید که با فرایندهای بالادستی و پایین‌دستی سازمان یکپارچه نیست.

دامنه پروژه بیش از حد محدود است

فقط یک مشکل جزئی را حل می‌کنید، در حالی که ریشه مسائل یا ارتباط آن‌ها با سایر فرایندها نادیده گرفته شده است.

مدیر حوزه کسب‌وکار احساس مالکیت نسبت به پروژه ندارد، زیرا این پروژه تأثیر قابل‌توجهی بر نتایج کسب‌وکار نخواهد داشت و همچنین مدیران سایر بخش‌های مرتبط در زنجیره ارزش نیز درگیر نشده‌اند.

راهکاری طراحی کرده‌اید که با فرایندهای بالادستی و پایین‌دستی سازمان یکپارچه نیست.

تأثیر بالقوه

دامنه‌های انتخاب‌شده باید به اندازه‌ای مهم باشند که بتوانند به‌طور محسوسی سودآوری شرکت یا تجربه مشتریان و کارکنان را بهبود دهند.

برای مثال، یکی از شرکت‌های هواپیمایی که با آن همکاری داشتیم، 10 دامنه اصلی کسب‌وکار را شناسایی کرد که چنین ویژگی‌ای داشتند: حمل بار، مدیریت خدمه پرواز، مدیریت درآمد، تجارت الکترونیک، خدمات مشتریان، فرودگاه‌ها، تعمیر و نگهداری، برنامه‌ریزی شبکه پروازی، عملیات و مدیریت استعدادها.

با این حال، این شرکت تصمیم گرفت کار را از حوزه حمل بار آغاز کند؛ زیرا مجموعه‌ای از پروژه‌های هوش مصنوعی را در آن شناسایی کرده بود که امکان اجرای آن‌ها طی حدود 18 هفته وجود داشت. نخستین پروژه با بهبود دقت پیش‌بینی حجم و وزن بار و همچنین افزایش بهره‌برداری از ظرفیت حمل‌ونقل، حدود 30 میلیون دلار سود اضافی برای شرکت ایجاد کرد.

در نمونه‌ای دیگر، یک شرکت ارائه‌دهنده خدمات مخابراتی تصمیم گرفت فرایند مدیریت ارزش مشتری را که تمام نقاط تعامل شرکت با مشتریان را در بر می‌گیرد، به‌طور کامل بازطراحی کند. این شرکت با استفاده از هوش مصنوعی توانست نیازهای منحصربه‌فرد هر مشتری را بهتر درک کرده و به آن‌ها پاسخ دهد.

نتیجه این تحول چشمگیر بود؛ زمان اجرای کمپین‌های بازاریابی 75 درصد کاهش یافت و نرخ ریزش مشتریان نیز 3 واحد درصد کمتر شد. شرکت برآورد کرد که این بهبودها تا پایان سال 2021 حدود 70 میلیون دلار به سود نهایی آن اضافه خواهند کرد.

فعالیت‌های به‌هم‌پیوسته

دامنه‌های مناسب برای اجرای هوش مصنوعی، مجموعه‌ای مشخص از فعالیت‌های کسب‌وکار را در بر می‌گیرند که بازطراحی آن‌ها می‌تواند مشکلات ریشه‌ای و ساختاری سازمان را برطرف کند؛ مشکلاتی مانند ناکارآمدی‌های مزمن (برای مثال، طولانی بودن فرایند تأیید وام)، نوسانات شدید (مانند تغییرات سریع تقاضای مشتریان) یا فرصت‌هایی که به‌طور مداوم از دست می‌روند (برای مثال، دشواری در رساندن محصولات به مشتریان).

در بسیاری از موارد، راهکارهای مبتنی بر هوش مصنوعی می‌توانند علت اصلی این مشکلات را برطرف کنند؛ بخشی از این اثر از طریق بینش‌هایی است که هوش مصنوعی ارائه می‌دهد و بخشی دیگر نیز به دلیل بهبود ساختارها و فرایندهای سازمانی حاصل می‌شود.

برای نمونه، شرکت هواپیمایی مورد بررسی ما، 6 فعالیت به‌شدت وابسته به یکدیگر را در حوزه حمل بار شناسایی کرد:

مذاکره درباره نرخ‌های حمل

تخصیص ظرفیت بار

ثبت و مدیریت رزروها

تهیه و مدیریت اسناد حمل

مدیریت عملیات زمینی و تحویل بار

صدور صورتحساب

رضایت مشتری و قیمت‌گذاری هر دو به عواملی مانند دسترسی سریع به ظرفیت حمل، امکان ردیابی لحظه‌ای محموله‌ها و سرعت تحویل وابسته بودند. زمانی که این 6 فعالیت به‌گونه‌ای بازطراحی شدند که بتوانند داده‌های خود را در یک پلتفرم مبتنی بر هوش مصنوعی به اشتراک بگذارند، شرکت توانست اتلاف منابع را به‌طور چشمگیری کاهش دهد و هم‌زمان تجربه مشتری را به میزان قابل‌توجهی بهبود بخشد؛ نتیجه این تحول، افزایش حاشیه سود و تقویت اعتبار برند شرکت بود.

حامی اجرایی و تیم پروژه

در یک دامنه مناسب برای تحول با هوش مصنوعی، معمولاً می‌توان افراد و نقش‌های زیر را به‌راحتی شناسایی کرد:

یک مدیر ارشد کسب‌وکار که مسئولیت کل زنجیره ارزش مرتبط را بر عهده دارد. (در مثال شرکت هواپیمایی، این نقش بر عهده معاون حمل بار بود.)

چند مدیر ارشد کسب‌وکار که به‌صورت اختصاصی روی پروژه کار می‌کنند. (در این شرکت، مدیر ارشد حمل بار و 2 نفر از مدیران زیرمجموعه او این نقش را ایفا می‌کردند.) این افراد مسئولیت‌هایی مانند مالک محصول (Product Owner) ، مترجم کسب‌وکار و تحلیل داده (Translator) و رهبر مدیریت تغییر (Change Lead) را بر عهده داشتند.

یک تیم متخصص هوش مصنوعی شامل دانشمندان داده، مهندسان، طراحان، تحلیلگران کسب‌وکار و اسکرام مستر (Scrum Master) . این متخصصان می‌توانند از تیم مرکزی سازمان نیز تأمین شوند.

گروهی از کاربران عملیاتی یا کارکنان دانشی که مسئول انجام فعالیت‌های روزمره هستند. (در این مثال، حدود 250 کارشناس فروش و رزرو در آمریکای شمالی، آسیا-اقیانوسیه و اروپا در پروژه مشارکت داشتند.)

زمانی که کارکنان از سراسر چرخه عمر یک دامنه، بدون توجه به جایگاه قبلی‌شان در ساختار سازمان، در یک تیم مشترک گرد هم می‌آیند و مسئولیت مستقیم پروژه را بر عهده می‌گیرند، میزان مشارکت، انگیزه و احساس مالکیت آن‌ها نسبت به پروژه به‌طور قابل‌توجهی افزایش می‌یابد. این عوامل باعث می‌شوند کارکنان فراتر از روش‌های سنتی فکر کنند، راهکارهای خلاقانه‌تری ارائه دهند و پروژه بتواند از موانع و چالش‌های پیش‌بینی‌نشده با موفقیت عبور کند.

فناوری و داده‌های قابل استفاده مجدد

همچنین بهتر است دامنه‌هایی انتخاب شوند که اجزای داده‌ای و فناوری موردنیاز برای اجرای مدل‌های هوش مصنوعی در آن‌ها قابل اشتراک‌گذاری باشد.

زمانی که تیم‌ها مجبور نباشند برای هر پروژه همه چیز را از ابتدا بسازند و بتوانند از داده‌ها، کدها یا اجزای آماده‌شده در پروژه‌های قبلی استفاده کنند، توسعه پروژه‌های جدید بسیار سریع‌تر و کم‌هزینه‌تر خواهد بود.

اگرچه ایجاد نخستین یک یا دو مدل هوش مصنوعی در هر دامنه معمولاً به سرمایه‌گذاری اولیه نیاز دارد، اما با گذشت زمان، پروژه‌های بعدی بر پایه همان زیرساخت‌ها توسعه می‌یابند و زمان و هزینه توسعه به شکل چشمگیری کاهش پیدا می‌کند.

منابع قابل استفاده مجدد معمولاً شامل موارد زیر هستند:

در حوزه داده: کتابخانه‌های داده مشترک و تعاریف استاندارد فراداده (Metadata).

در حوزه فناوری: اسکریپت‌های یادگیری ماشین، رابط‌های برنامه‌نویسی کاربردی (API) برای استخراج داده از سیستم‌های قدیمی و قابلیت‌های مصورسازی داده‌ها.

تیم‌های اجرایی معمولاً بین 8 تا 10 دامنه را شناسایی می‌کنند که هوش مصنوعی می‌تواند در آن‌ها تحول اساسی ایجاد کند. پس از این مرحله، پیشنهاد ما این است که بر اساس میزان امکان‌پذیری اجرا و ارزش تجاری، این فهرست به یک یا دو دامنه اولویت‌دار کاهش یابد.

در شرکت هواپیمایی مورد مطالعه، مدیرعامل و مدیران ارشد طی مجموعه‌ای از جلسات راهبردی که در طول 12 هفته برگزار شد، بررسی کردند که شرکت‌های مختلف در صنایع گوناگون چگونه از هوش مصنوعی برای نوآوری استفاده می‌کنند. سپس چشم‌اندازی تدوین کردند که هدف آن دستیابی به افزایش دو رقمی سود عملیاتی طی 15 ماه بود، دامنه‌های اولویت‌دار را مشخص کردند و منابع لازم برای اجرای پروژه‌ها را اختصاص دادند.

هر یک از مدیران نیز از متخصصان حوزه خود خواستند بررسی کنند که چگونه می‌توان با استفاده از هوش مصنوعی به هدف سودآوری تعیین‌شده دست یافت و همچنین ارزش بالقوه و امکان‌پذیری پیشنهادهای خود را از نظر دسترسی به داده، فناوری، نیروی انسانی متخصص و سایر منابع ارزیابی کنند.

برای مثال، در دامنه حمل بار، 3 مدیر ارشد کسب‌وکار به همراه کارشناسان فناوری اطلاعات و امور مالی، فرصت افزایش بهره‌برداری از ظرفیت خالی هواپیماها، میزان بازده مورد انتظار و امکان اجرای این طرح را از جنبه‌هایی مانند داده‌های موجود، فناوری، استعدادهای موردنیاز و سایر عوامل بررسی و ترسیم کردند.

گام دوم: ساختاردهی تیم

تیمی که مسئول اجرای پروژه‌های هوش مصنوعی در هر دامنه است، باید تمامی افراد موردنیاز از بخش‌های کسب‌وکار، تحول دیجیتال، تحلیل داده و فناوری اطلاعات را در خود جای دهد تا بتواند شیوه‌های جدید انجام کار را طراحی، پیاده‌سازی و پشتیبانی کند.

در اغلب موارد، پس از آنکه هدف هر دامنه مشخص شد و منابع لازم در اختیار تیم قرار گرفت، اعضا با استفاده از روش‌های چابک (Agile) خودشان نحوه انجام کار را سازمان‌دهی می‌کنند. در این شرایط، نقش مدیریت فراتر از تشکیل تیم‌ها نیست؛ بلکه باید اطمینان حاصل کند کارکنانی که از سایر بخش‌های سازمان به این تیم‌ها منتقل شده‌اند، به‌خوبی در تیم ادغام شوند و همچنین هرگونه مانع سازمانی که ممکن است بر موفقیت تیم تأثیر بگذارد، برطرف شود.

در بسیاری از شرکت‌هایی که بررسی کرده‌ایم، بیشتر اعضای موردنیاز از قبل در همان دامنه هدف فعالیت می‌کردند و مدیران تنها کافی بود آن‌ها را به پروژه اختصاص دهند و سپس متخصصان فنی موردنیاز را از سایر بخش‌های سازمان به تیم اضافه کنند.

برای مثال، در شرکت هواپیمایی مورد اشاره، کارکنان بخش‌های فروش، خدمات مشتریان، عملیات و امور مالی همگی در پروژه تحول حوزه حمل بار مشارکت داشتند و بیشتر آن‌ها از همان ابتدا زیر نظر واحد کسب‌وکار فعالیت می‌کردند. متخصصان هوش مصنوعی، از جمله دانشمندان داده و مهندسان داده، نیز تا پایان پروژه از مرکز تخصصی هوش مصنوعی شرکت (AI Center of Excellence) به این تیم مأمور شدند و مستقیماً به مدیر ارشد بخش حمل بار، که مالک محصول (Product Owner) پروژه هوش مصنوعی بود، گزارش می‌دادند.

در برخی سازمان‌ها، لازم است کارکنان غیر فنی نیز به‌صورت رسمی از بخش‌های مختلف به تیم پروژه منتقل شوند.

برای نمونه، یک شرکت خرده‌فروشی فعال در حوزه انرژی تصمیم گرفت با استفاده از هوش مصنوعی، فرایند مدیریت ارزش مشتری را بازطراحی کند؛ از جمله اینکه کدام مشتریان هدف قرار گیرند، چه پیشنهادهایی برای آن‌ها ارسال شود، از چه کانال‌هایی این ارتباط برقرار شود و چگونه ایده‌های جدید آزمایش شوند.

برای اجرای این تحول، شرکت ناچار شد متخصصان کمپین‌های بازاریابی را که پیش از آن در کانال‌ها و تیم‌های مختلف و به‌صورت جزیره‌ای فعالیت می‌کردند، زیر یک ساختار واحد گرد هم آورد. اگر این افراد همچنان در واحدهای جداگانه باقی می‌ماندند، هماهنگی میان آن‌ها با تأخیرهای فراوان، رفت‌وبرگشت مداوم درخواست‌ها و دریافت تأییدیه از بخش‌های مختلف همراه می‌شد. علاوه بر این، اعضای تیم مجبور بودند هم‌زمان به دو مجموعه مسئولیت متفاوت پاسخ دهند.

در بسیاری از پروژه‌های هوش مصنوعی، یک تیم واحد یا اسکواد (Squad) می‌تواند تمام فعالیت‌ها را به‌تنهایی انجام دهد. اما زمانی که دامنه پروژه گسترده‌تر باشد و اجرای آن به مشارکت بیش از 12 نفر نیاز داشته باشد، اداره یک تیم بزرگ دشوار خواهد شد.

در چنین شرایطی، بهتر است تیم به چند اسکواد تخصصی تقسیم شود و در کنار آن، یک اسکواد مشترک نیز برای ارائه خدمات و قابلیت‌های موردنیاز سایر تیم‌ها ایجاد شود.

برای مثال، شرکت مخابراتی مورد اشاره، تیم جدید مدیریت ارزش مشتری را به 4 اسکواد کسب‌وکار تقسیم کرد:

یک اسکواد برای مشتریان اعتباری (Prepaid)

یک اسکواد برای مشتریان دائمی (Postpaid)

یک اسکواد برای جذب مشتریان جدید

یک اسکواد برای حفظ مشتریان فعلی

برای هر یک از این اسکوادها، هدف مشخصی تعیین شد؛ کاهش 20 درصدی نرخ ریزش مشتریان یا افزایش 20 درصدی فروش متقابل (Cross-sell) تا پایان سال.

در کنار این 4 اسکواد، یک اسکواد پنجم با عنوان زیرساخت داده (Data Utility) تشکیل شد که از مهندسان داده و توسعه‌دهندگان نرم‌افزار تشکیل شده بود. وظیفه این تیم، توسعه فناوری‌ها و دارایی‌های مشترکی بود که همه اسکوادها بتوانند از آن‌ها استفاده کنند و همچنین طراحی مدل‌های تحلیلی جدید مبتنی بر هوش مصنوعی برای پشتیبانی از سایر تیم‌ها.

گام سوم: بازآفرینی شیوه معمول انجام کسب‌وکار

همان‌طور که پیش‌تر اشاره کردیم، بهره‌گیری حداکثری از هوش مصنوعی مستلزم بازطراحی مدل‌های کسب‌وکار، نقش‌ها و مسئولیت‌ها و همچنین فرایندهای عملیاتی است؛ آن هم با استفاده از شیوه‌های جدید تفکر و کار.

براساس تجربه ما، بهترین نتیجه زمانی حاصل می‌شود که شرکت‌ها از رویکرد تفکر بر پایه اصول اولیه (First Principles) یا تفکر طراحی (Design Thinking) استفاده کنند و طراحی راهکار را از هدف نهایی آغاز کرده و به عقب بازگردند. برای مثال، سازمان می‌تواند ابتدا تصور کند یک تجربه پنج‌ستاره برای مشتری چه ویژگی‌هایی دارد و سپس با جزئیات بررسی کند که برای دستیابی به چنین تجربه‌ای چه اقداماتی باید انجام شود.

در شرکت هواپیمایی، تیم حمل بار کار خود را با مصاحبه با کارشناسان فروش و رزرو آغاز کرد تا دریابد آن‌ها چگونه فضای بار هواپیماهای مسافربری را تخصیص می‌دهند و درباره پذیرش یا رد درخواست‌های حمل بار تصمیم می‌گیرند.

اعضای تیم سؤالاتی از این دست مطرح کردند:

کارشناسان چگونه ظرفیت خالی بخش بار را بررسی می‌کنند؟

برای تصمیم‌گیری از چه اطلاعات دیگری استفاده می‌کنند؟

هنگام ارزیابی اطلاعات، به هر عامل چه میزان اهمیت می‌دهند؟

بزرگ‌ترین نگرانی آن‌ها هنگام تصمیم‌گیری چیست؟

نتیجه بررسی‌ها نشان داد که فرایند سنتی با دو مشکل اساسی روبه‌رو است: پیش‌بینی‌های نادقیق و اتکای بیش از حد کارشناسان به حدس و گمان برای برآورد میزان لغو احتمالی سفارش‌ها.

برخلاف رزرو بلیت مسافر، در رزرو حمل بار معمولاً جریمه‌ای برای لغو وجود ندارد. به همین دلیل، بارها پیش می‌آید که یک پرواز روی کاغذ کاملاً رزرو شده به نظر برسد، اما در زمان پرواز بخشی از فضای بار خالی بماند، زیرا برخی مشتریان در آخرین لحظه محموله خود را ارسال نمی‌کنند.

از سوی دیگر، کارشناسان رزرو نگران بودند که در صورت رزرو بیش از ظرفیت، رضایت مشتریان آسیب ببیند. بنابراین، برای جلوگیری از بروز مشکل، اغلب تا روز پرواز منتظر می‌ماندند و سپس فضای بار را به مشتریان اختصاص می‌دادند. این رویکرد باعث استفاده غیربهینه از ظرفیت هواپیما و از دست رفتن فرصت‌های درآمدزایی می‌شد.

پس از شناسایی و درک کامل مشکلات موجود، تیم پروژه فرایند ایده‌آل را طراحی کرد. آن‌ها مشخص کردند کارشناسان برای تصمیم‌گیری درباره پذیرش سفارش به چه اطلاعاتی نیاز دارند، تا چه میزان می‌توان ظرفیت را با اطمینان بیش‌رزرو (Overbook) کرد، این کار باید چه مدت پیش از پرواز انجام شود و نقش‌ها و مسئولیت‌های کارکنان چگونه تغییر خواهد کرد.

سپس طی چند هفته، نمونه اولیه یک داشبورد مبتنی بر هوش مصنوعی طراحی شد که اطلاعات موردنیاز را در اختیار کارشناسان قرار می‌داد. توسعه این داشبورد به‌صورت اسپرینت‌های تکرارشونده انجام شد و بازخورد مستقیم کارشناسان به‌طور مداوم در آن اعمال می‌شد. هم‌زمان، مدل‌های پیش‌بینی هوش مصنوعی نیز به‌صورت موازی توسعه پیدا می‌کردند.

در مرحله آزمایش، داشبورد روی 12 مسیر پروازی که نماینده شبکه جهانی شرکت با بیش از 1,500 مسیر بودند، مورد استفاده قرار گرفت. عملکرد دو گروه با یکدیگر مقایسه شد:

کارشناسانی که از پیشنهادهای سیستم هوش مصنوعی استفاده می‌کردند.

گروه کنترل که همچنان با روش‌های سنتی تصمیم‌گیری می‌کردند.

شاخص‌هایی مانند میزان استفاده از ظرفیت حمل بار و سودآوری در هر دو گروه اندازه‌گیری شد.

برای جلب اعتماد کارکنان به سیستم جدید، مدیران شرکت تصمیم مهمی گرفتند: اگر به دلیل پیشنهادهای سیستم، ظرفیت یک پرواز تکمیل می‌شد و امکان پذیرش برخی محموله‌ها وجود نداشت، کارشناسان مسئول هیچ‌گونه پیامد یا جریمه‌ای را متحمل نمی‌شدند.

امروزه همه کارشناسان این شرکت به داشبوردهای ساده و بصری دسترسی دارند که به‌وضوح نشان می‌دهد کدام پروازها از ظرفیت بار خود به‌طور کامل استفاده نمی‌کنند. آن‌ها همچنین می‌توانند تنها با یک نگاه، اطلاعات درآمد حاصل از حمل بار در پروازهای اخیر را مشاهده کنند.

علاوه بر این، وجود چرخه‌های بازخورد یکپارچه باعث شده است سیستم‌های هوش مصنوعی به‌طور مداوم از تصمیم‌های کارشناسان یاد بگیرند. این سیستم‌ها از تجربه آن‌ها در زمینه اندازه و وزن محموله‌ها، تعادل بار هواپیما، تغییرات زنجیره تأمین مشتریان، مسیرهای تجاری و سایر عوامل مرتبط استفاده می‌کنند و مدل‌های خود را به‌مرور بهبود می‌بخشند.

این ابزارهای جدید اطلاعات دقیق و قابل اعتمادی در اختیار کارشناسان قرار می‌دهند و به آن‌ها اطمینان می‌دهند که می‌توانند ظرفیت حمل بار را مدت‌ها پیش از تاریخ پرواز با اطمینان بیشتری به فروش برسانند.

گام 4: سازگار شدن با تغییرات سازمانی و فناوری

در بیشتر موارد، برای پشتیبانی از فرایندها و مدل‌های جدید مبتنی بر هوش مصنوعی، سازمان‌ها باید تغییرات ساختاری قابل‌توجهی ایجاد کنند؛ از جمله گسترش همکاری‌های میان‌رشته‌ای و پذیرش طرز فکر چابک (Agile).

در واقع، پژوهش‌های ما نشان می‌دهد شرکت‌هایی که بیشترین بازده را از سرمایه‌گذاری در هوش مصنوعی به دست می‌آورند، بیش از سایر سازمان‌ها از شیوه‌های مؤثر مدیریت تغییر استفاده می‌کنند؛ برای مثال، مدیران ارشد با رفتار و عملکرد خود الگوی تغییرات مورد انتظار را به نمایش می‌گذارند. همچنین این اقدامات زمانی بیشترین اثربخشی را دارند که مدیرعامل و تیم ارشد اجرایی مستقیماً هدایت آن‌ها را بر عهده بگیرند.

برای نمونه، همان شرکت خرده‌فروشی خدمات انرژی که پیش‌تر به آن اشاره شد، سرمایه‌گذاری گسترده‌ای برای ارتقای مهارت کارکنان انجام داد تا آن‌ها بتوانند در ساختار جدید به‌صورت مؤثر با یکدیگر همکاری کنند و مسئولیت‌های مدیریتی تازه را بر عهده بگیرند. این شرکت همچنین اهداف و مشوق‌های اعضای تیم پروژه‌های هوش مصنوعی را با نقش‌های جدیدشان همسو کرد و برای جایگزینی وظایفی که این افراد پس از انتقال به تیم پروژه از واحدهای قبلی خود بر جای گذاشته بودند، نیروهای جدیدی اختصاص داد.

اگرچه شرکت‌ها برای پشتیبانی از هوش لیمو بلاگ مصنوعی باید زیرساخت‌های فناوری خود را به‌روزرسانی کنند، اما لازم نیست پیش از آغاز پروژه‌ها تغییرات اساسی و پرهزینه‌ای در زیرساخت فناوری اطلاعات یا معماری داده‌های خود ایجاد کنند.

در عوض، پیشنهاد ما این است که سازمان‌ها ابتدا روی فناوری‌هایی سرمایه‌گذاری کنند که توسعه هوش مصنوعی را ممکن و سریع‌تر می‌کنند و سپس سایر سرمایه‌گذاری‌های فناوری را بر اساس اولویت‌های تیم‌های پروژه به‌تدریج انجام دهند.

برای مثال، استفاده از پلتفرم‌های داده مبتنی بر رایانش ابری، رابط‌های برنامه‌نویسی کاربردی (API)، معماری میکروسرویس‌ها (Microservices) و سایر شیوه‌های نوین توسعه و عملیات نرم‌افزار (DevOps) می‌تواند سرعت ایجاد قابلیت‌های جدید کسب‌وکار را 2 تا 3 برابر افزایش دهد.

شرکت مخابراتی مورد مطالعه، یک پلتفرم ابری برای ذخیره داده‌های خام استخراج‌شده از سیستم‌های تراکنش و خدمات مشتری ایجاد کرد تا مهندسان داده و دانشمندان داده بتوانند بسیار ساده‌تر از گذشته به این اطلاعات دسترسی داشته باشند؛ زیرا داده‌های موجود در انبار داده (Data Warehouse) قدیمی، استفاده آسانی نداشت.

این شرکت همچنین یک محیط کاری جدید برای تحلیل داده‌ها (Analytics Workbench) پیاده‌سازی کرد که به دانشمندان داده اجازه می‌داد مدل‌های جدید را سریع‌تر آموزش داده و مستقر کنند. علاوه بر آن، ابزارهایی برای ساده‌سازی جمع‌آوری داده، تحلیل اطلاعات و ساخت مدل‌های موردنیاز سیستم مدیریت ارزش مشتری مبتنی بر هوش مصنوعی به کار گرفته شد.

این اقدامات باعث شد شرکت بتواند از داده‌های بدون ساختار نیز استفاده کند، روش‌های تحلیلی پیشرفته‌تری را به کار بگیرد و کل فرایند توسعه مدل‌های هوش مصنوعی را با بهره‌وری بیشتری انجام دهد.

هنگام اولویت‌بندی سرمایه‌گذاری‌های جدید فناوری، تیم‌ها باید ابتدا قابلیت‌ها، داده‌ها و منابع موردنیاز خود را مانند رباتیک، فناوری‌های بیومتریک، حسگرها و پلتفرم‌های اتصال شناسایی کنند، زمان موردنیاز برای هر یک را مشخص سازند و سپس به‌تدریج و بر اساس نیاز، هر بخش را توسعه دهند.

برای مثال، هنگام طراحی سیستم مدیریت ارزش مشتری، تیم شرکت مخابراتی متوجه شد که برای موفقیت پروژه به فناوری‌های جدیدی نیاز دارد که بتوانند ارسال خودکار پیام‌های مستقیم به مشتریان را انجام دهند و هم‌زمان به کارشناسان فروش، پیشنهادهای لحظه‌ای درباره مناسب‌ترین گفت‌وگوی بعدی با هر مشتری ارائه کنند.

تیم‌ها همچنین باید اثر پروژه‌های هوش مصنوعی بر فرایندهای بالادستی و پایین‌دستی را نیز بررسی کرده و از قبل برای مدیریت این پیامدها برنامه‌ریزی کنند.

برای نمونه، در شرکت هواپیمایی، تیم هوش مصنوعی ابزاری برای گزارش‌دهی مدیران مسئول بارگیری و تخلیه محموله‌ها طراحی کرد تا آن‌ها بتوانند افزایش حجم عملیات ناشی از فرایند جدید فروش و رزرو را به‌خوبی مدیریت و پشتیبانی کنند.

اثر دومینویی

وقتی توسعه هوش مصنوعی در نخستین دامنه کسب‌وکار به بلوغ برسد و سازمان‌ها در بازطراحی بخش‌های مختلف کسب‌وکار به یک روال منظم دست پیدا کنند، زمان گسترش این تحول فرا می‌رسد. زیرساخت فناوری که ایجاد کرده‌اند و مهارت‌هایی که در این مسیر آموخته‌اند، مانند شکستن سیلوهای سازمانی، تصمیم‌گیری در چند ساعت به‌جای چند هفته و ایجاد تیم‌هایی که بر پایه داده تصمیم می‌گیرند، باعث می‌شود اجرای پروژه‌های هوش مصنوعی در سایر دامنه‌ها با سرعت بیشتری پیش برود.

در این مرحله، شرکت‌ها می‌توانند چندین دامنه را به‌طور هم‌زمان دنبال کنند. باز هم اصل اساسی این است که هر پروژه بر دستاوردهای پروژه‌های قبلی بنا شود. برای مثال، ممکن است سازمان‌ها دامنه‌هایی را در اولویت قرار دهند که داده‌ها و مهارت‌های مشترکی دارند، مانند زنجیره تأمین و لجستیک. یا ممکن است همان دامنه را در واحدهای مختلف کسب‌وکار پیاده‌سازی کنند.

برای نمونه، شرکت خرده‌فروشی خدمات انرژی برآورد کرده است که نزدیک به 80٪ از فعالیت‌هایی که برای بهبود مدیریت ارزش مشتری در یکی از واحدهای محصول خود انجام داده است، قابل استفاده مجدد در چندین واحد کسب‌وکار دیگر نیز خواهد بود. این پروژه تنها طی چند ماه به رشد چشمگیری منجر شد؛ از جمله افزایش 12 درصدی سودآوری مشتریان و رشد 20 درصدی نرخ حفظ مشتری، و اکنون می‌تواند رشد سایر واحدها را نیز سرعت ببخشد.

شرکت‌هایی که در این مقاله معرفی شدند، همگی هنوز در مراحل ابتدایی مسیر تحول کامل مبتنی بر هوش مصنوعی قرار دارند؛ اما اکنون در آستانه ورود به دوره‌ای جدید هستند. آن‌ها تصویری واقعی از ظرفیت‌های هوش مصنوعی به دست آورده‌اند و تصمیم‌های جسورانه‌شان، علاوه بر ایجاد بازده قابل‌توجه در دامنه‌های منتخب، قابلیت‌هایی را برای سازمان ایجاد کرده که هرگز از طریق پروژه‌های پراکنده و موردی هوش مصنوعی به دست نمی‌آمد.

این شرکت‌ها اکنون مجموعه‌ای از روش‌ها، الگوها و دستورالعمل‌های اجرایی در اختیار دارند که می‌توانند بارها و بارها از آن‌ها استفاده کنند. هرچه دامنه‌های بیشتری را تحت پوشش قرار دهند، سرعت تحول آن‌ها بیشتر خواهد شد، قابلیت‌های هوش مصنوعی‌شان به‌صورت تصاعدی رشد خواهد کرد و آینده‌ای که زمانی دور از دسترس به نظر می‌رسید، بسیار نزدیک‌تر از قبل خواهد بود.

22 ساعت پیش

0 0 زمان تقریبی مطالعه 19 دقیقه

چگونه هوش مصنوعی را در مقیاس سازمانی به کار بگیریم (HBR)

ایده اصلی در یک نگاه