در طول دو سال گذشته، از زمان عرضه ChatGPT، یک عبارت رایج در بین شرکت‌ها و سازمان‌ها در هر اندازه‌ای وجود داشته است: ما به یک استراتژی هوش مصنوعی نیاز داریم!
این تب و تاب قابل درک است. هیچ‌کس نمی‌خواهد عقب بماند و فرصت «رخداد بزرگ بعدی» را از دست بدهد. بنابراین، بسیاری از شرکت‌ها با عجله در حال پیشروی هستند - برخی حتی "مراکز تعالی" هوش مصنوعی ایجاد می‌کنند تا تخصص و منابع هوش مصنوعی را متمرکز کنند، و مدیران ارشد هوش مصنوعی را در سطح C-suite منصوب می‌کنند.
متاسفم که این را می‌گویم، اما بیشتر آن‌ها دچار اشتباه می‌شوند. برداشت من از کار با سازمان‌ها در هنگام دست و پنجه نرم کردن با هوش مصنوعی این است که نه تنها اکثر شرکت‌ها به یک استراتژی هوش مصنوعی *نیاز ندارند*، بلکه نباید اصلاً آن را داشته باشند. رفتن به این مسیر، در بهترین حالت، یک عامل مزاحم خواهد بود.
این ممکن است رادیکال و حتی بی‌معنی به نظر برسد. مگر اینکه شرکت‌ها *اکنون* یک استراتژی هوش مصنوعی داشته باشند، آیا خطر عقب افتادن از رقبا را ندارند؟ پاسخ من به دلایل مختلف این است: خیر.
اکثر شرکت‌ها آماده نیستند
حتی اگر یک استراتژی هوش مصنوعی خوب طراحی شده به طور جادویی در صندوق ورودی ایمیل مدیرعامل قرار گیرد، احتمالاً سازمان قادر به اجرای آن نخواهد بود. اکثر آن‌ها کار اساسی مورد نیاز را انجام نداده‌اند.
بخش عمده‌ای از آن مربوط به داده‌ها است. کیفیت پایین داده‌ها - ناقص، مغرضانه یا بدون ساختار - بر عملکرد هوش مصنوعی به همان شکلی تأثیر می‌گذارد که می‌تواند بر هر فناوری دیگری تأثیر بگذارد. اگر داده‌های خوبی ندارید، می‌توانید قصد استراتژیک عالی داشته باشید، اما نمی‌توانید آن را اجرا کنید. این استراتژی به سادگی توجه را از کاری که شرکت واقعاً باید انجام دهد منحرف می‌کند.
فرض کنید یک تولیدکننده می‌خواهد از هوش مصنوعی برای انجام تعمیر و نگهداری پیش‌بینی‌کننده استفاده کند تا زمان خرابی در یک خط تولید را کاهش دهد. برای انجام این کار، باید پیش‌بینی کند که چه زمانی احتمالاً خطا در ماشین‌های خط تولید رخ می‌دهد، بر اساس نظارت بر شرایط بلادرنگ، و سپس اقدامات مناسب را تعیین کند.
برای انجام این کار، به داده‌های تاریخی نیاز دارد تا انواع مختلف خطاهایی که ممکن است با آن‌ها مواجه شود را شناسایی کند، و "اثر انگشت‌ها" - الگوهای خاص، روندها یا ناهنجاری‌ها در داده‌ها - که نشانه‌های هشدار اولیه خرابی را شناسایی می‌کنند. فناوری هوش مصنوعی، احتمالاً در قالب یادگیری ماشین (Machine Learning)، برای ساخت یک الگوریتم برای این منظور استفاده خواهد شد.
این همه عالی به نظر می‌رسد، به جز اینکه اکثر شرکت‌ها داده‌هایی را که برای آموزش مدل‌های هوش مصنوعی نیاز دارند، جمع‌آوری نکرده‌اند. این می‌تواند زمان قابل توجهی طول بکشد، گاهی حتی سال‌ها، تا مقدار داده با کیفیتی که برای اطمینان از اینکه الگوریتم‌هایی که ایجاد می‌کنند دقیق خواهند بود، نیاز دارند، به دست آورند.
هوش مصنوعی یک جزیره نیست
هوش مصنوعی یک فناوری است، درست مانند بلاک چین (Blockchain)، اینترنت اشیا (Internet of Things)، متاورس (Metaverse) و غیره. چرا یک سازمان باید یک استراتژی جداگانه هوش مصنوعی داشته باشد؟
در واقع، هوش مصنوعی یک فناوری خاص نیست، بلکه چتری فراگیر برای فناوری‌هایی است که چیزی را نشان می‌دهند که ممکن است هوش شبیه به انسان در نظر گرفته شود. این‌ها شامل یادگیری ماشین، دید رایانه‌ای، رباتیک، پردازش تصویر و، البته، هوش مصنوعی مولد در قالب مدل‌های زبانی بزرگ است.
اگر به نحوه استقرار هوش مصنوعی توسط سازمان‌ها در حال حاضر برای ارزش تجاری قابل توجه نگاه کنید، معمولاً در ترکیب با سایر فناوری‌ها و ادغام شده در گردش کار است.
مثال قبلی شرکت تولیدی را در نظر بگیرید که به دنبال استفاده از هوش مصنوعی برای پیش‌بینی نیازهای تعمیر و نگهداری ماشین‌آلات است. فرض کنید که شرکت در واقع داده‌های مورد نیاز برای ایجاد الگوریتم را دارد. پس از انجام این کار، این راه حل شامل حسگرهایی برای جمع‌آوری داده‌ها به صورت بلادرنگ از ماشین‌ها، اتصال بلوتوث برای انتقال این داده‌ها و محاسبات ابری برای ذخیره این داده‌ها و میزبانی پلتفرم داده - جایی که الگوریتم عملکرد ماشین را نظارت می‌کند و در صورت تشخیص ناهنجاری‌ها هشدار می‌دهد - خواهد بود.
معنی همه این‌ها چیست؟ به جای یک استراتژی جداگانه هوش مصنوعی، سازمان‌ها به استراتژی نیاز دارند که همه فناوری‌ها را در نظر بگیرد. داشتن یک استراتژی متمرکز بر هوش مصنوعی به تنهایی، باز هم، در بهترین حالت یک عامل مزاحم خواهد بود.
بنابراین، دوباره می‌پرسم: چه چیزی در مورد هوش مصنوعی بسیار متفاوت است که به یک استراتژی جداگانه نیاز دارد؟ هیچ چیز!
نیروی کار نابالغ هوش مصنوعی
مطالعات نشان می‌دهد که اکثر سازمان‌ها در هنگام صحبت از هوش مصنوعی نابالغ هستند. منظورم از این حرف این است که در سرتاسر رده‌ها - از مدیران ارشد گرفته تا کارکنان - دانش و تجربه کمی در مورد هوش مصنوعی و قابلیت‌های آن وجود دارد، و تمایلی به پذیرش تصمیم‌گیری مبتنی بر داده وجود ندارد. همه این‌ها به این معنی است که هر استراتژی هوش مصنوعی گمراه‌کننده و غیرقابل اجرا خواهد بود.
اگر شما تیم رهبری هستید و با هوش مصنوعی آشنا نیستید، چگونه می‌خواهید یک استراتژی برای هوش مصنوعی بسازید؟ نمی‌توانید.
با توجه به جایی که اکثر شرکت‌ها از آن شروع می‌کنند، اولویت نباید ساختن یک استراتژی فراگیر از بالا به پایین هوش مصنوعی باشد. این می‌تواند بعداً اتفاق بیفتد. موضوع این است که کارکنان را تشویق کنیم تا از ابزارهای هوش مصنوعی استفاده کنند، آزمایش کنند و چیزهایی را امتحان کنند، و ایده‌ها را به جای پیروی از "دستورالعمل مدیریت" به طور ارگانیک دنبال کنند. همچنین مهم است که حفاظ‌هایی وجود داشته باشد تا اطمینان حاصل شود که هر ابزاری به درستی، مسئولانه و به گونه‌ای استفاده می‌شود که سازمان را در معرض خطر قرار ندهد. بهترین ایده‌ها به احتمال زیاد از پایین به بالا، توسط کسانی که در کار روزمره خود مشغول هستند و از مشتریان پشتیبانی می‌کنند، به دست می‌آیند. فناوری تغییر ایجاد نمی‌کند، بلکه مردم این کار را انجام می‌دهند.
دستیابی به سطح معینی از بلوغ دیجیتال در یک سازمان می‌تواند سال‌ها طول بکشد، به ویژه اگر تغییر فرهنگی نیز مورد نیاز باشد. فکر کردن به اینکه یک استراتژی دیجیتال جادویی آن بلوغ را تحمیل می‌کند، مانند این است که فکر کنیم پوشاندن کت و شلوار به یک کودک ۲ ساله او را به یک فرد بالغ تبدیل می‌کند. این‌طور نخواهد شد.
این تصمیم‌گیری را تحریف می‌کند
تلاش برای ایجاد یک استراتژی هوش مصنوعی احتمالاً کارکنان را مجبور می‌کند تا به همه چیز از دریچه هوش مصنوعی نگاه کنند. در حال حاضر، به نظر می‌رسد که هوش مصنوعی به عنوان راه حل دیده می‌شود، هر مشکلی که وجود داشته باشد.
اما صرفاً به این دلیل که امروز تمام توجهات را به خود جلب کرده است، به این معنی نیست که این روند ادامه خواهد داشت. فناوری‌های دیگری نیز در راه هستند، و تمرکز بیش از حد بر روی هوش مصنوعی راه‌حل‌های دیگر را برای سایر مشکلاتی که یک شرکت ممکن است داشته باشد، از بین می‌برد.
این نباید یک مکالمه در مورد چگونگی استفاده از هوش مصنوعی، چه برای بهبود سود و زیان یا در حمایت از یک مدل کسب و کار جدید باشد. بلکه، باید یک مکالمه مداوم در سازمان در مورد چگونگی استفاده ما به عنوان یک کسب و کار از فناوری‌های دیجیتال برای اهداف عملیاتی و استراتژیک باشد. هوش مصنوعی تنها یکی از این فناوری‌ها است. چالش واقعی با هوش مصنوعی، مانند هر فناوری دیگری، شناسایی و سپس ارائه ارزش تجاری از هر سرمایه‌گذاری انجام شده است.
این شبیه به موردی است که من در یک <a href="#">مقاله قبلی</a> مطرح کردم، و استدلال کردم که شرکت‌ها حتی نباید یک بخش جداگانه فناوری اطلاعات داشته باشند. اگر فناوری - و حتی بدتر از آن، نوع خاصی از فناوری، مانند هوش مصنوعی - را از واحدهای تجاری جدا کنید، افرادی را که مسئول بهبود بهره‌وری و سود و زیان شرکت هستند، از افرادی که مسئول اجرای فناوری هستند، جدا خواهید کرد. این قطع ارتباط به ناچار منجر به عدم استفاده از فناوری به گونه‌ای می‌شود که نتایج یک شرکت را بهبود بخشد. اگر راه حل هر مشکلی هوش مصنوعی باشد، پس بهترین راه‌حل‌ها را برای اکثر مشکلات پیدا نخواهید کرد.
تاریخ مهم است
تحقیقات من نشان می‌دهد که چگونه مجموعه تصمیمات و گزینه‌های ممکن در هر نقطه از زمان توسط تصمیماتی که در گذشته گرفته شده است، محدود می‌شود، حتی اگر شرایط گذشته دیگر مرتبط نباشد. تاریخ مهم است.
این امر به ویژه در مورد فناوری صادق است: تصمیمی برای مدرن نکردن برخی از سیستم‌های قدیمی یا سرمایه‌گذاری در یک برنامه خاص ممکن است ۱۰ سال پیش منطقی بوده باشد، اما اکنون ممکن است گزینه‌های موجود را در هنگام اجرای هوش مصنوعی محدود کند.
معنای این امر این است که رهبران ممکن است در مورد یک کاربرد عالی از هوش مصنوعی بخوانند و بخواهند کار مشابهی را در سازمان‌های خود انجام دهند. اما به دلیل تصمیمات گذشته قادر به انجام این کار نخواهند بود. اصلاح این وضعیت نیاز به سرمایه‌گذاری، منابع و زمان دارد. اغلب، مقدار قابل توجهی زمان.
شرکت‌هایی که داده‌های خود را پاکسازی کردند. زیرساخت فناوری خود را مدرن کردند. بدهی فنی را کاهش دادند. فرآیندها را ساده، استاندارد و خودکار کردند. حاکمیت داده‌ها را ایجاد کردند. سواد دیجیتال را افزایش دادند. و حفاظ‌هایی را با تمرکز بر استفاده مسئولانه قرار دادند، در موقعیتی قرار دارند که از آنچه هوش مصنوعی ارائه می‌دهد، استفاده کنند. اما اکثر شرکت‌ها این کار را نکرده‌اند.
در پایان، اگر یک شرکت مانند اکثر شرکت‌ها باشد و در پذیرش تغییراتی که در یک دنیای دیجیتال اولویت‌دار ضروری هستند، کند بوده است، صرفاً به این دلیل که یک استراتژی هوش مصنوعی دارد، از سایر شرکت‌ها پیشی نخواهد گرفت. این شرکت مجبور خواهد بود قدم‌های کوچک بردارد. و هیچ استراتژی هوش مصنوعی - هر چقدر هم که نیت خوبی داشته باشد، هر چقدر هم که زیبا به نظر برسد - ذره‌ای تفاوت ایجاد نخواهد کرد.
<strong>جو پپارد</strong> استاد و مدیر آکادمیک در دانشکده تجارت فارغ‌التحصیل مایکل اسمورفیت UCD در دوبلین، ایرلند است. او را می‌توان از طریق [email protected] پیدا کرد.