پیشبرد تحول سازمانی برای نوآوری کسب‌وکار

شرکت Dai Nippon Printing، تأسیس‌شده در سال 1876 (DNP) یکی از بزرگ‌ترین شرکت‌های چاپ جهان است که بیش از 37,000 نفر را در سراسر جهان به کار گرفته است. DNP با مجموعه‌ای از حوزه‌ها شامل ارتباطات هوشمند، علوم زیستی و بهداشت، و الکترونیک، با بیانیه برند خود، «خلق استانداردهای آینده» هدایت می‌شود. و تعهد به پیوند دادن مردم و جامعه، در عین پیشبرد پایداری.

در راستای این تعهد، DNP از دیرباز فناوری‌های نوظهور را پذیرفته است. در آوریل 2023، این شرکت تصمیمی راهبردی گرفت تا هوش مصنوعی را در سراسر سازمان به کار بگیرد. تا ماه مه، DNP محیطی امن برای استفاده در سطح کل سازمان ایجاد کرده بود. این شرکت در فوریه 2025، ChatGPT Enterprise را در ده بخش اصلی راه‌اندازی کرد. در عرض سه ماه، نتایج شامل موارد زیر بود:

• 90% از موارد استفاده از ChatGPT Enterprise نتایج قابل اندازه‌گیری داشتند.
• نرخ استفاده فعال هفتگی 100%
• نرخ اتوماسیون در کاهش زمان 87%
• نرخ استفاده مجدد از دانش 70% (GPTهای سفارشی)
• افزایش 10 برابری حجم پردازش

برای بهره‌گیری کامل از مزایای AI مولد، DNP ده بخشی را هدف قرار داد که بیشترین پتانسیل تأثیرگذاری را داشتند. شرکت معیارهای مشخصی تعیین کرد: هر کارمند باید حداقل 100 بار در هفته از ChatGPT استفاده کند، و نرخ خودکارسازی برای کاهش زمان انجام وظایف باید بیش از 50% باشد.

در نتیجه، بهبودهای فردی از طریق GPTهای سفارشی و موارد استفاده مشترک در سراسر تیم‌ها گسترش یافت و به الگوهای اصلی تحول کسب‌وکار تبدیل شد.

در بخش‌هایی که ChatGPT Enterprise در آن‌ها معرفی شد، بیشترین تأثیر در بخش تحقیق و توسعه فناوری اطلاعات و ارتباطات مشاهده شد. Yohei Ishida، مدیر کل واحد تحقیق و توسعه نوآوری P&I، مرکز کسب‌وکار پیشرفته، تیم خود را در خودکارسازی و بهبود راهبردهای پژوهش و ثبت اختراع و جایگزینی وظایف دستی هدایت کرد.

تیم او جریان‌های کاری زیر را با استفاده از ChatGPT Enterprise ایجاد کرد:

• پژوهش ثبت اختراع: جستجو، خلاصه‌سازی و دسته‌بندی خودکار، با کاهش 95% زمان و افزایش 10 برابری پوشش
• استراتژی ثبت: شناسایی تمایزهای کلیدی بین فناوری DNP و رقبا برای کاهش ریسک رد شدن و حداقل‌سازی اصلاحات
• تحلیل رقابتی: تولید خودکار پیش‌نویس گزارش‌ها و کاهش 80% زمان آماده‌سازی

با ارتقای استراتژی مالکیت فکری، DNP در حال تقویت بنیان‌های تمایز محصول و رقابت‌پذیری بلندمدت است.

بخش پژوهشی DNP با پیشبرد پیشرفت‌های فناوری تولید، نوآوری QCD (کیفیت، هزینه و تحویل) را برای افزایش ارزش محصولات و خدمات موجود تقویت می‌کند و توسعه محصولات و خدمات جدید را نیز دنبال می‌کند. در حوزه‌هایی که به تحلیل پیشرفته نیاز دارند، DNP با استفاده از ChatGPT Enterprise زمان انجام کارهایی مانند ارزیابی مواد، اندازه‌گیری و تحلیل را به طور قابل‌توجهی کاهش داده است.

نتایج کلیدی شامل موارد زیر است:

• ساختاردهی اطلاعات ثبت اختراع و اصول تجهیزات در سه روز، به جای چند ماه
• امکان تولید و اجرای کد برای کارکنان بدون تجربه Python از طریق ChatGPT Enterprise

یکی از موارد استفاده به ویژه قابل‌توجه، مربوط به کارمندانی بود که هیچ تجربه قبلی در پایتون نداشتند، اما توانستند بدون هیچ هزینه یادگیری، کد تولید کنند و داده‌ها را تحلیل کنند. کارهایی که قبلاً بیش از یک سال زمان می‌برد، اکنون در چند روز انجام می‌شود. با ترکیب این قابلیت‌ها با تخصص و دانش پژوهشگران، بینش‌های جدیدی کشف شد و تأثیر قابل توجهی در سراسر این بخش به همراه آورد.

DNP با ChatGPT Enterprise در حال نوسازی حاکمیت فناوری اطلاعات است. ماساهیرو کوبایاشی، مدیرکل بخش توسعهٔ زیرساخت سامانه، مرکز ICT، عملیات نوآوری اطلاعات، به بهبود وظایفی اشاره کرد که زمانی به صورت دستی و ناهماهنگ انجام می‌شدند:

• ممیزی امنیتی: کاهش زمان مقایسه از 30 دقیقه به 5 دقیقه و انتخاب رمزنگاری از 3 ساعت به 1 ساعت
• امنیت ابری: بررسی اولیه حدود 100 مورد CIS در 10 دقیقه به جای دو نفر-روز
• پشتیبانی بازبینی: کاهش زمان بررسی از 1 ساعت به 30 دقیقه با استفاده از سیاست‌ها و سوابق گذشته

او همچنین می‌افزاید که هوش مصنوعی جایگزین نظارت انسانی نمی‌شود: «بررسی و تأیید نهایی همچنان بر عهده انسان است.»

یکی از بزرگ‌ترین چالش‌های DNP، از دست رفتن دانش است. تخصص اغلب در ذهن کارکنان باتجربه یا در اسناد کاغذی باقی می‌ماند.

DNP تحت رهبری Isaku Osawa، مدیر کل توسعه فناوری در واحد توسعه کسب‌وکار هوش مصنوعی مرکز کسب‌وکار پیشرفته، اکنون از هوش مصنوعی برای پرداختن مستقیم به این مسئله استفاده می‌کند.

تیم او از ChatGPT Enterprise برای ساختاربندی و دیجیتالی‌سازی داده‌های بدون ساختار، از راهنماهای کاغذی گرفته تا گزارش‌های تاریخی کیفیت، استفاده می‌کند. پس از ورود، این داده‌ها به بخشی از یک پایگاه دانش داخلی تبدیل می‌شوند که از طریق GPTهای سفارشی در دسترس است. زمان لازم برای تعریف معماری داده 90% کاهش یافت. این تیم همچنین تعداد مقالات فنی را که می‌توانست بررسی کند دو برابر کرد.

Osawa می‌گوید: «هدف ما تبدیل دانش به نیروی کار دیجیتال است.» این تغییر نه تنها کمبود نیروی کار را جبران می‌کند، بلکه ظرفیت بلندمدت برای نوآوری ایجاد می‌کند.

• 90% از موارد استفاده نتایج قابل‌اندازه‌گیری نشان دادند
• نرخ استفاده فعال هفتگی 100%
• 95% کاهش در زمان پژوهش پتنت
• نرخ 87% خودکارسازی در کاهش زمان انجام وظایف
• افزایش 10 برابری حجم پردازش

Otake می‌گوید: «عوامل هوش مصنوعی به طور یکپارچه در موقعیت‌های مختلف ادغام خواهند شد و به همه امکان می‌دهند حتی بدون آنکه متوجه آن باشند، از هوش مصنوعی بهره‌مند شوند.» او آینده‌ای را متصور است که در آن بخش‌هایی از کسب‌وکار از طریق تعامل AI با AI اداره می‌شوند. با پیشرفت رباتیک، این روند شتاب خواهد گرفت و به آینده‌ای منجر می‌شود که در آن هوش مصنوعی فیزیکی در دنیای واقعی عمل می‌کند.

با نگاهی به آینده، اوتاکه تأکید می‌کند که حفظ دانش حیاتی خواهد بود: «ما باید اطلاعاتی را که برای انسان‌ها ایجاد شده است به اطلاعاتی تبدیل کنیم که هوش مصنوعی بتواند آن را درک کند و اطمینان حاصل کنیم که دانش حفظ و به اشتراک گذاشته می‌شود. هدف ما افزایش بهره‌وری در مواجهه با کاهش نیروی کار است.» هدف این است که دانش عملی خط مقدم و سوابق کیفیت در قالب داده‌های ساخت‌یافته مدون‌سازی شوند تا عامل‌های هوش مصنوعی و هوش مصنوعی فیزیکی آینده بتوانند آنها را بیاموزند و به کار گیرند؛ در نتیجه، وابستگی به تخصص فردی کاهش یابد و این دانش به یک مزیت رقابتی پایدار تبدیل شود.

DNP در راستای شعار «خلق استانداردهای آینده» به دنبال تقویت توانمندی‌های خود در چاپ و فناوری اطلاعات و تبدیل شدن به یک شرکت AI-native است که استانداردهای جدیدی برای جامعه ایجاد می‌کند.