پنج مدل ارزش هوش مصنوعی که بازآفرینی کسب‌وکار را پیش می‌برند

بیشتر سازمان‌ها هنوز هوش مصنوعی را به‌صورت مجموعه‌ای از موارد استفاده مدیریت می‌کنند: یک پایلوت اینجا، یک گردش‌کار آنجا، یک ابزار امیدوارکننده در داخل یک واحد. آن رویکرد می‌تواند پیروزی‌های محلی ایجاد کند، اما به‌ندرت نحوه‌ای را که یک کسب‌وکار ارزش خلق می‌کند، دگرگون می‌کند.

این مانند ایجاد بنرهای تعاملی و کمپین‌های ایمیل قطره‌ای با ظهور اینترنت است و نادیده گرفتن مفهوم انقلاب تجارت الکترونیک.

سازمان‌هایی که در حال جلو افتادن هستند از یک منطق متفاوت و بلندپروازانه‌تر استفاده می‌کنند. آن‌ها هوش مصنوعی را نه به عنوان مجموعه‌ای از آزمایش‌های پراکنده و بی‌ارتباط، بلکه به عنوان یک مجموعه‌ای از مدل‌های خلق ارزش تلقی می‌کنند. هرکدام الزامات اقتصادی، زمان تا دستیابی به ارزش، و حاکمیتیِ خاص خود را دارند و هرکدام مقیاس‌پذیر کردن مورد بعدی را آسان‌تر می‌کند.

به همین دلیل، شرکت‌هایی که بیشترین بهره را از هوش مصنوعی می‌برند، آن‌هایی نخواهند بود که بیشترین برنامه‌های آزمایشی را اجرا می‌کنند. آن‌ها کسانی خواهند بود که درک می‌کنند برای بازآفرینی کسب‌وکار خود، چه مدل‌های ارزش‌آفرینی را با چه ترتیبی و بر پایه چه زیرساخت‌هایی باید بسازند.

پنج مدل ارزش هوش مصنوعی به وضوح در سطح سازمانی در حال ظهور هستند. هر یک به شکلی متفاوت ارزش ایجاد می‌کند. هر کدام اقتصاد، افق زمانی و حکمرانی خاص خود را دارند. و هرکدام می‌تواند شرایط لازم را فراهم کند تا مدل بعدی گسترش یابد.

توانمندسازی نیروی کار، تسلط ایجاد می‌کند. تسلط، حاکمیت را قابل‌اجرا می‌کند. حاکمیت امکان یکپارچگی عمیق‌تر سیستم را فراهم می‌کند. یکپارچه‌سازی امکان مدیریت وابستگی‌ها را فراهم می‌کند. مدیریت وابستگی‌ها، عملیات مبتنی بر عامل را ایمن می‌کند.

این‌گونه است که سازمان‌ها از موفقیت‌های پراکنده هوش مصنوعی به بازآفرینی گسترده‌تر کسب و کار می‌رسند. پرسش راهبردی این نیست که کدام مدل انتخاب شود. این‌که از کدام باید شروع کرد، چه زیرساختی ایجاد می‌کند و در گام بعد چه چیزی را ممکن می‌سازد.

این سریع‌ترین مدل خلق ارزش برای فعال‌سازی است. این کار قابلیت عملی هوش مصنوعی را در سراسر نیروی کار گسترش می‌دهد و دستاوردهای بهره‌وری کوتاه‌مدت ایجاد می‌کند، در حالی که تسلط لازم برای تحول عمیق‌تر را می‌سازد. مزیت بزرگ‌تر نه تهیه پیش‌نویس، تلفیق یا تحلیل سریع‌تر، بلکه آمادگی سازمانی است. منابع انسانی می‌تواند توانمندسازی کند، حقوقی می‌تواند حکمرانی کند، مالی می‌تواند تأمین مالی کند و تیم‌های کسب‌وکار می‌توانند با درک مشترکی از اینکه هوش مصنوعی کجا کار می‌کند و چگونه از آن به طور ایمن استفاده کنند، همکاری کنند.

• استفاده تکراری بر اساس نقش و سطح مهارت
• پرامپت‌ها، جریان‌های کاری و دارایی‌های قابل استفاده مجدد میان تیم‌ها
• شواهد توانمندسازی بین‌بخشی
• ظهور روش‌های جدید کار

نیروی کار دو سطحی: گروه کوچکی از کاربران حرفه‌ای جلو می‌افتند، در حالی که بقیه سازمان متوقف می‌ماند.

یک شبکه از پیشگامان و جریان‌های کاری اولیه، مانند ارزیابی عملکرد، مدیریت قرارداد و فرآیند خرید تا پرداخت، ایجاد کنید که بهترین شیوه‌ها را قابل درک و الهام‌بخش می‌سازند.

این مدل اهمیت دارد زیرا هوش مصنوعی در حال تغییر نحوه کشف، ارزیابی و انتخاب محصولات و خدمات توسط مشتریان با سطح کاملاً جدیدی از تعامل است. در کانال‌های بومیِ هوش مصنوعی، تبدیل به طور فزاینده‌ای درون یک مکالمه رخ می‌دهد. این موضوع، پرسشِ رشد را از دامنه دسترسی به اعتماد و حضور در لحظه‌های قصد و تصمیم تغییر می‌دهد. برندگان صرفاً کسانی نخواهند بود که بیشترین قابلیت مشاهده را دارند. آن‌ها زمانی که تصمیمی در حال اتخاذ است، مفیدترین، معتبرترین و به‌موقع‌ترین خواهند بود.

• نیت مشخص و تعداد دفعات تکرار پیش از تعهد کاربر
• کیفیت تبدیل، شامل نگهداشت، فروش مکمل و ارزش طول عمر
• سیگنال‌های اعتماد مانند رفتار بازگشت، تعامل مجدد و ارجاع
• فعال‌سازیِ اتصال‌دهنده‌های اختصاصی داده یا برنامه‌های مرتبط با کسب‌وکار شما

برخورد با توزیع بومیِ هوش مصنوعی مانند یک قیف سنتیِ جذب تقاضا و بهینه‌سازی برای حجم، به بهای کاهش ارتباط‌مندی و اعتماد پایدار.

یک بستر را انتخاب کنید، مثلاً یک تجربه تخصصی عمودی، یک اپلیکیشن تعبیه‌شده یا یک هدف مشخص تبلیغاتی و پیش از گسترش سرمایه‌گذاری خود، کیفیت تبدیل را تعریف کنید.

این مدل قابلیت تخصصی هوش مصنوعی را در کارهای پژوهشی، خلاقانه و حوزه‌محور وارد می‌کند. در کوتاه‌مدت، گلوگاه‌های تخصصی را فشرده و کمتر می‌کند. با گذشت زمان، این موضوع مدل عملیاتی را تغییر می‌دهد: تیم‌ها از تولید پیش‌نویس‌های اولیه توسط خودشان به هدایت، بازبینی و یکپارچه‌سازی خروجی‌های باکیفیتِ تولیدشده به صورت لحظه‌ای تغییر مسیر می‌دهند. ارزش از گسترش آنچه تیم می‌تواند بررسی، آزمایش یا تولید کند در محیطی می‌آید که امکان می‌دهد هر بینشی با برنامه‌های عملیاتی و پتانسیل ROI بررسی شود، به‌جای این‌که در بالادست صرفاً بر اساس شهود اولویت‌بندی شود.

• کاهش زمان چرخه در گلوگاه‌های تخصصی
• بهبود کیفیت، شامل امتیازهای ارزیابان، نرخ خطا و دوباره‌کاری
• گسترش دامنه، مانند اجرای آزمایش‌های بیشتر یا آزمودن گونه‌های خلاقانه بیشتر
• جریان‌های درآمدی خالص جدید که بر اساس فرضیات امکان‌سنجی کنار گذاشته می‌شدند

در نظر گرفتن قابلیت کارشناسی مانند یک دموی نمایشی، به جای اینکه آن را در یک گردش‌کارِ واقعی با مسئولیت‌پذیری شفاف تعبیه کنید.

یک گلوگاه تخصصی را انتخاب کنید و ارزش پیشنهادی را بر تصمیم‌گیرندگانی متمرکز کنید که تأیید نهایی را امضا می‌کنند، با توافقی روشن درباره اینکه چه شواهدی لازم است تا یک مفهوم جدید به بلوک ساختمانی بعدی کسب و کار شما تبدیل شود.

عامل‌های کدنویسی روشن‌ترین نمونهٔ فعلی هستند، اما ارزش بزرگ‌تر این مدل در ارتقای ایمن در سراسر سامانه‌های به‌هم‌پیوستهٔ کاری نهفته است. با گذشت زمان، سازمان‌ها خواهند خواست همین قابلیت نه‌فقط برای کد، بلکه برای SOPها، قراردادها، اسناد سیاست‌گذاری، روایت‌های مشتری، جریان‌های ورود کاربران و سایر مصنوعات نیز به کار گرفته شود، مواردی که باید همزمان با تکامل خود، سازگار باقی بمانند. این کمتر درباره تولید است و بیشتر درباره کنترل: به‌روزرسانی‌های سریع‌تر، خرابی‌های کمتر در مراحل پایین‌دست، انطباق قوی‌تر و قابلیت ممیزی بهتر.

• مدت زمان لازم برای اعمال تغییرات ایمن در میان مصنوعات مرتبط و حل تعارض‌های نسخه
• آمادگی برای ممیزی، شامل قابلیت ردیابی ویرایش‌ها، تأییدها و شواهد
• سازگاری در سراسر اسناد، سیستم‌ها و مراحل بعدی جریان‌های کاری
• قابلیت اطمینان در سراسر اکوسیستم‌های گسترده فرایندهای به‌هم‌وابسته

مقیاس‌دهی محتوا یا تولید کد سریع‌تر از حاکمیت، بدهیِ نظام‌مندی ایجاد می‌کند که در ادامه به حل‌وفصل طاقت‌فرسا نیاز خواهد داشت.

با یک دامنهٔ با وابستگی بالا شروع کنید و پیش از خودکارسازی تغییرات با یک لایهٔ کنترل هوش مصنوعی، گراف وابستگی، مسیر تأیید و الزامات شواهد را تعریف کنید.

این کندترین و اغلب تحول‌آفرین‌ترین مدل برای مقیاس‌گذاری است. در اینجا، عامل‌ها گردش‌های کاری سرتاسری را درون و میان کارکردها هماهنگ‌سازی می‌کنند: تدارکات تا پرداخت، رسیدگی به خسارت‌ها، کنترل تغییرات تولید، عملیات بالینی و موارد دیگر. مزیت آن به صورت نمایی است، اما فقط زمانی که پایه‌ها واقعی باشند: کنترل‌های هویت و دسترسی، مجوزهای پاکیزه روی مجموعه‌داده‌ها و زیرمولفه‌ها، قابلیت مشاهده‌پذیری در مقیاس، مدیریت استثناها با شاخص‌های اطمینان و مالکیت روشن. بدون آن‌ها، اتوماسیون سریع‌تر از ارزش، ریسک ایجاد می‌کند.

سودِ حاصل بار دیگر بسیار بزرگ‌تر از صرفاً بهره‌وری است. مهندسیِ مجددِ یک جریان کاری سازمان شما را وادار می‌کند دوباره بررسی کند که این فرایند برای چه منظوری است، قضاوت در کجا جای می‌گیرد و در کجا می‌توان ارزش جدید ایجاد کرد. این درِ پنهان جایی است که تغییر مدل کسب‌وکار از آنجا آغاز می‌شود.

• زمان چرخهٔ سرتاسری
• نرخ موارد استثنا و زمان حل مشکل
• نتایج انطباق و ممیزی
• خروجی‌های نوآوری، مانند فرصت‌های جدیدِ شناسایی‌شده یا فرضیه‌های جدیدی که آزمایش شده‌اند

تلاش برای خودکارسازی گردش‌های کاری از ابتدا تا انتها پیش از آنکه مجوزها، کنترل‌ها و پاسخگویی به بلوغ برسند.

یک گردش کاری را انتخاب کنید و یک ارزیابی آمادگی را در سراسر هویت، استحقاق‌ها، یکپارچه‌سازی ابزار، ثبت رویدادها، رسیدگی به موارد استثنا و مالکیت اجرا کنید.

نقطه شکست در استراتژی هوش مصنوعی فقط آزمایش‌های جداگانه نیست، بلکه این هم هست که با تحول مثل یک جهش ایمانی رفتار شود: همین حالا سرمایه‌گذاری کنید، مدت زیادی منتظر بمانید و امیدوار باشید که ارزش بعداً در مقیاس بزرگ ظاهر شود. رویکرد قوی‌تر منضبط‌تر و بلندپروازانه‌تر است. این کار ارزش را در یک توالی پیوسته بازگشت سرمایه (ROI) انباشته می‌کند.

آن توالی با توانمندسازی گسترده آغاز می‌شود که شرطِ امکان‌بخش برای همهٔ مدل‌های ارزشی دیگر است. جنگلِ تسلط در سراسر سازمان، درختانِ موارد کاربردِ با ارزش بالا را می‌سازد. وقتی افراد بیشتری بفهمند هوش مصنوعی چگونه کار می‌کند، کجا ارزش ایجاد می‌کند و چگونه می‌توان از آن به‌طور ایمن استفاده کرد، فرصت‌های بهتر سریع‌تر پدیدار می‌شوند. حکمرانی عملی‌تر می‌شود. یکپارچه‌سازی امکان‌پذیرتر می‌شود. و سیستم‌های با ارزش بالاتر به‌عنوان نمونه‌های شاخص و نشانگرهای هویت، تاب‌آور می‌شوند و میان کارکردها به اشتراک گذاشته می‌شوند.

این‌گونه است که سازمان‌ها از مدل‌های کسب‌وکار بهتر به مدل‌های کسب‌وکار متفاوت حرکت می‌کنند. هوش مصنوعی ابتدا وظایف را بهبود می‌بخشد. سپس جریان‌های کاری را بازطراحی می‌کند. سپس لایه‌های کنترل، مدل‌های عملیاتی و در نهایت مدل‌های کسب‌وکار را تغییر می‌دهد. خرده‌فروشی با کمی کارآمدتر کردن فروشگاه‌ها به تجارت الکترونیک تبدیل نشد. وقتی رهبران یاد گرفتند یک پیشنهاد ارزش کاملاً جدید بسازند که فروشگاه‌ها را به کلی دور بزند و بازاریابی را در یک حرکت واحدِ کاربرمحور با لجستیک پیوند دهد، همه چیز تغییر کرد. هوش مصنوعی نیز از همان الگو پیروی خواهد کرد.

چند نمونه:

• یک خرده‌فروش با پذیرش گسترده توسط کارکنان شروع می‌کند، سپس کشف بومیِ هوش مصنوعی و تجارت مکالمه‌ای را بهبود می‌دهد و در نهایت یک کانال جدید برای فروش شخصی‌سازی‌شده ایجاد می‌کند.
• یک شرکت داروسازی با تسلط نیروی کار و قابلیت‌های تخصصی در R&D و عملیات بالینی آغاز می‌کند، سپس جریان‌های کاری پژوهشیِ دارای حاکمیت را ایجاد می‌کند که نشانه‌های جدید را برای تأییدیه‌های مرحله پایانی آشکار می‌سازند و اقتصاد خط لوله را بازشکل می‌دهند.
• یک تولیدکننده با کوپایلوت‌ها در سراسر کارکردها شروع می‌کند، سپس هوش مصنوعی را برای اعمال تغییرات در کنترل تغییر، SOPها و گردش‌کارهای کیفیت به کار می‌گیرد تا زمانی که عملیات بتواند به عنوان یک سیستم تطبیقی مدیریت شود که به‌جای یک سیستم ایستا، اقتصاد بازار را بازتعریف کند.
• یک بیمه‌گر با ابزارهای کمک‌رسانی به رسیدگی به خسارت آغاز می‌کند، سپس بازبینی تخصصی حکمرانی‌شده و ارکستراسیون گردش‌های کاری را ایجاد می‌کند، و در نهایت رسیدگی به خسارت‌ها را بر اساس تصمیم‌گیری سریع‌تر، استثناهای کمتر و نتایج بهتر برای مشتری بازطراحی می‌کند.

اگر امروز رهبری راهبرد هوش مصنوعی را بر عهده دارید، آن را با سه مرحله ساده نگه دارید.

• نیروی کار گسترده را با گردش‌کارهای مبتنی بر نقش و یک شبکه از افراد برجسته توانمند کنید.
• مبانی حاکمیت را تعیین کنید: چه مواردی مجاز است، چه مواردی بررسی می‌شود، چه مواردی ثبت می‌شود و چه کسی مسئول پذیرش است.
• سنجش استفادهٔ تکراری، میزان مهارت، جریان‌های کاریِ قابل استفادهٔ مجدد و توانمندسازی بین‌وظیفه‌ای.

• تعداد کمی از اقدامات باارزش را انتخاب کنید: یک اقدام توزیع، یک گلوگاه تخصصی و یک گردش‌کار با بازگشت سرمایه قابل مشاهده.
• ارزش را با معیارهای کسب‌وکاری بسنجید: کیفیت تبدیل، کاهش زمان چرخه، ارتقای کیفیت، کاهش ریسک و پتانسیل درآمد جدید.
• این موفقیت‌ها را دوباره در لایه بعدیِ زیرساخت‌ها سرمایه‌گذاری کنید: کیفیت داده، هویت، یکپارچه‌سازی، قابلیت مشاهده و کنترل.

• فقط زمانی هوش مصنوعی را به سیستم‌های با وابستگی بالا و جریان‌های کاری سرتاسری گسترش دهید که مجوزها، قابلیت ممیزی و مدیریت موارد استثنا واقعی باشند.
• از آن زیرساخت‌ها استفاده کنید تا مدل عملیاتی را بازطراحی کنید، نه اینکه فقط مدل قدیمی را تسریع کنید.
• بپرسید که هوش مصنوعی کجا می‌تواند ارزش‌های کاملاً جدیدی ایجاد کند، نه فقط اجرای ارزان‌تر.

لازم نیست دعوت به اقدام این باشد که هوش مصنوعی در مدل سنتی کجا می‌تواند کمک کند. بپرسید ابتدا کدام مدلِ خلق ارزش را باید بسازید، چه زیربنایی ایجاد می‌کند و در گام بعد چه چیزی را امکان‌پذیر می‌کند. برای ایجاد تسلط، از دامنه‌ای به قدر کافی گسترده شروع کنید. به اندازهٔ کافی منضبط باشید تا در هر گام ارزش را محقق کنید. سپس با اطمینان کافی مقیاس بگیرید تا از نسخه‌ای بهتر از وضعیت کنونی به آینده‌ای کاملاً متفاوت گذر کنید.