رهبران سازمانی و مدیران، با فشار فزایندهای برای اتخاذ تصمیمات درست در محیط کار مواجه اند. طبق پژوهشی که شرکت اوراکل و استفنز دیویدویتز، دانشمند داده انجام دادند، ۸۵ درصد از رهبران سازمانی استرس تصمیمگیری را تجربه کرده اند و سه چهارم شان متوجه شده اند که حجم تصمیمات روزانه شان در سه سال گذشته ۱۰ برابر بیشتر شده است. تخمین زده شده که بهای تصمیمگیری ضعیف در شرکتها سالانه حداقل ۳ درصد از سود شرکت باشد؛ یعنی یک شرکت ۵ میلیارد دلاری، سالانه حدود ۱۵۰ میلیون دلار به خاطر ضعف تصمیمگیری ضرر میکند و البته که هزینه تصمیمگیری ضعیف صرفا مالی نیست.
به گزار دنیای اقتصاد، تاخیر در ارسال برای یک تامین کننده مهم، خرابی سیستمهای آی تی یا برخورد اشتباه با مشتری ناراضی در رسانههای جمعی همه میتوانند به سرعت از کنترل خارج شوند و برای شرکتها بدنامی و خسارات سهمگینی در پی داشته باشد. به همین دلیل هر روز کسب وکارهای بیشتری به تکنولوژیهای مبتنی بر هوش مصنوعی روی میآورند تا به بستن شکاف بین داده و ادراک کمک کنند و توانایی تصمیمگیری شان در موقعیتهای پرفشار و فوری را بهبود ببخشند.
این تکنولوژیها طیف وسیعی از ابزارها را در بر میگیرند؛ از دستیار مجازی گرفته تا واقعیت افزوده و مجازی، ابزارهای کشف فرآیند و استخراج کار و طیفی از پلتفرمهای تحلیل داده و هوش کسب وکار. اخیرا هوش مصنوعی مولد و مدلهای زبانی بزرگ هم بسیار پرطرفدار شده اند؛ طبقه کاملا متفاوتی از الگوریتمها که این قابلیت را دارند که انبوهی از داده را جذب (مثل متن، عدد، کد نرم افزاری، تصویر، فیلم، فرمول و...)، ساختار احتمالی شان را کشف و خلاصه، پاسخ، شبیه سازی و سناریوهای جایگزین تولید کنند. مدلهای هوش مصنوعی مولد مشهور و شناخته شده، شامل چت جی پی تی شرکت اوپن ای آی، بارد گوگل (Bard)، لیاما ۲ متا (Llama ۲) و آنتروپیک (Anthropic) میشود، اما مدلهای بسیار بیشتری وجود دارند.
این نوشته به سه سوال مهم پیش روی تصمیمگیران برای استفاده از این تکنولوژیها میپردازد: ۱- تکنولوژیهای تصمیمگیری هوش مصنوعی در چه بستری میتوانند مفید باشند؟ ۲- چالشها و ریسکهای استفاده از این تکنولوژیها چیست؟ ۳- رهبران کسبوکارها چگونه میتوانند از این تکنولوژیها بهره ببرند و هم زمان ریسک هایشان را کاهش دهند؟
تکنولوژیهای مبتنی بر هوش مصنوعی میتوانند حداقل از سه راه مهم به تصمیمگیری بهتر و سریع تری منجر شوند: پیگیری لحظهای و پیش بینی بهتر توسعههای میدانی، تمرین مجازی برای آموزش سناریوهای کسب وکاری واقعی به کارکنان و ابزارهای هوش مصنوعی مولد نوظهور که میتوانند به سوالات پاسخ دهند و برای تصمیمگیران به عنوان مشاور و گروه ارزیابی مجازی عمل کنند.
از آنجا که دادههای حاصل از پیگیری فنی زنجیره تامین روزبه روز خوش ساختتر میشوند و ساختار مطلوب تری پیدا میکنند، حالا شرکتها میتوانند بفهمند که مواد خام و ورودیها از کجا میآیند، چه کسی آنها را تولید یا تامین کرده و آیا به شکل اخلاقی و طبیعت مداری تولید و تامین شده اند یا نه. غول کالاهای مصرفی بریتانیایی-هلندی یونیلیور را در نظر بگیرید. این شرکت مجموعهای از تکنولوژیهای پیشرفته را به کار گرفته تا نشانههای در حال شکل گیری جنگل زدایی را در زنجیره تولید روغن پالم گسترده و بی دروپیکرش کشف کند؛ به خصوص در حلقه اول زنجیره تامین بین مزرعه و کارخانه که غالبا ریسک تولید غیرمجاز و جنگل زدایی بیشتر است. برای تولیدکنندگان صنعتی روغن پالم – ماده اصلی در تولید مواد غذایی، لوازم آرایشی و سوخت - جنگل زدایی در قسمتهای پرت و دورافتاده از زنجیره تامین یک ریسک محیط زیستی همیشگی است.
شرکت برای اینکه دید بهتری نسبت به شرایط میدانی به دست بیاورد از تحلیلهای ناشناس سیگنالهای تلفن همراه استفاده میکند تا روند تولید روغن پالم را تعقیب کند و به این ترتیب بتواند منابع تامین غیرمجاز یا غیرعادی را شناسایی کند. همچنین تجزیه وتحلیلهای هوش مصنوعی از تصویربرداریهای ماهوارهای هم میتوانند تغییرات ناگهانی یا غیرمنتظره در پوشش جنگلی را مشخص کنند و خطرات جنگل زدایی احتمالی را به صورت لحظهای به مدیران هشدار دهند تا آنها بتوانند اقدامات پیشگیرانهای اتخاذ کنند.
اکنون صنایع بسیاری تکنولوژی هوش مصنوعی را برای تجهیز کارکنان و مدیران به مهارتهای تصمیمگیری در شرایط کسب و کاری متنوعی - هم معمول و پرتکرار و هم غیرمعمول و غیرمنتظره - به کار میگیرند. برای کارمندان جدید مرکز تماس، احتمالا سختترین تجربه سروکله زدن با مشتریان سخت، احساساتی یا مستاصل باشد. غول مخابراتی ورایزون آمریکا، با استفاده از تکنولوژی استرایورز ویآر (Strivr’s VR) اپراتورهای کارآموزش را در محیطهای مجازی قرار میدهد که در آن میتوانند در جایگاه مشتری قرار بگیرند و مشکلات را از دید آنها ببینند. این تجربه مسحورکننده به کارآموزان این امکان را میدهد که بتوانند تصمیماتی بگیرند که به کاهش تنش و افزایش شیوایی کلامشان - یکی از عوامل کلیدی بهبود تعامل با مشتری - در مکالمات کمک کند. اپلیکیشنهای واقعیت مجازی در حوزههای بسیاری برای آموزش تصمیمگیری به افراد در دسترس هستند؛ از امور پلیسی گرفته تا خدمات درمانی و طراحی مهندسی و نگهداری زیرساختهای خدماتی. به عنوان نمونه نیروی انتظامی فورت میرز فلوریدا از تکنولوژیهای فراگیر استفاده میکند تا به افسرانش کمک کند یاد بگیرند چگونه در شرایط اورژانسی یا موقعیتهای پرفشار تصمیمات حیاتی بگیرند نجواگر، کمک خلبان و گروه ارزیابی مجازی
سومین حوزهای که تکنولوژیهای هوش مصنوعی – به خصوص هوش مصنوعی مولد - میتوانند نقش مهمی در تصمیمگیری ایفا کنند، مشاوران مجازی و گروههای ارزیابی است. ما با کنستانتین میتسوپولوس، دانشمند محقق در موسسه «شناخت انسان و ماشین» (IHMC) در فلوریدا مصاحبه کردیم که به ما گفت: «در اصل سیستمهای هوش مصنوعی مولد میتوانند به بعضی از مشکلاتی غلبه کنند که بر تصمیمگیری انسان تاثیر میگذارند؛ مثل حافظه کاری محدود، دامنه توجه کوتاه و خستگی ناشی از تصمیمگیری، بهخصوص وقتی پای تصمیمگیری تحت فشار در میان باشد.
ابزارهای هوش مصنوعی مولد این قابلیت را دارند که به تصمیمگیران کمک کنند در زمان صرفه جویی کنند، انرژی ذخیره کنند و به مسائل یا سوالاتی بپردازند که بیشترین اهمیت را دارند.» به عنوان مثال سیستمهای هوش مصنوعی میتوانند در بخش خدمات درمانی با انجام اموری از قبیل غربال و تلفیق خودکار دادههای کلیدی موردنیاز برای تصمیمگیری موثر، کاهش حجم هشدارهای دارویی غیرضروری و فعال سازی خودکار کارها و ارتباطات لازم برای پیگیری وضعیت بیمار بار شناختی (به میزان تلاش ذهنی مورد نیاز برای پردازش اطلاعات گفته میشود) پزشکان را کاهش دهند.
اپلیکیشنهای دیگری هم در دسترس هستند، از تداوم کسب وکار و مدیریت واکنش به بحران گرفته تا ارزیابی ریسک در انواع سرمایه گذاریهای مالی. یکی از اپلیکیشنهای نوظهور هوش مصنوعی مولد، توسعه «کمک خلبان های» تصمیمگیری است که میتوانند در موقعیتهای پویا اطلاعات را ارزیابی کنند، گزینههای ممکن و بهترین گامهای بعدی را پیشنهاد دهند و کارها را کامل کنند. شرکت مدیریت ریسک «فیوژن» که برای مدیریت ریسک عملیاتی نرم افزار ارائه میدهد و مقرش در شیکاگوست، در حال توسعه دستیار مبتنی بر هوش مصنوعی مولدی به نام «رزیلینس کوپایلت» (Resilience Copilot، به معنای کمک خلبان تاب آور) است که برای غربال حجم انبوه داده، شناسایی عناصر مرتبط برای تصمیمگیران و تولید خلاصههای اجرایی، نظرات آنی و پیشنهادهای هوشمندانه و بهترین نمونههای پیشرفت از هوش مصنوعی استفاده میکند.
هوش مصنوعی مولد در حوزه مدیریت شهرت هم به کمک سازمانها میآید؛ مثلا از طریق ابزارهای «شنفت اجتماعی» (social listening به این معنی است که بحثها و گفتگوهای صورت گرفته در شبکههای اجتماعی را پیگیری و آنها را تبدیل به فرصتهایی کنیم تا کاربران بیشتری جذب کرده و آگاهی افراد را از برند خود افزایش دهیم.) که به بازاریابی کمک میکنند و مدیران رسانههای اجتماعی بازخوردها و نظرات آنلاین را به صورت زنده دنبال میکنند و درباره نحوه پاسخگویی، تصمیمات موثری میگیرند. «رپیوتیشن» که یک شرکت تولید نرم افزار مدیریت شهرت در کالیفرنیاست خدماتی همچون نظارت لحظهای نظرات آنلاین یک شرکت در شبکههای اجتماعی گوناگون را با هشدارهای لحظهای برای اطلاع رسانی امتیازات منفی، رصد رویدادهای بحرانی و توصیههای قراردادی برای مدیران رسانههای اجتماعی که با نظرات منفی سروکار دارند، فراهم میکند.
یکی از بزرگترین قابلیتهای بالقوه هوش مصنوعی مولد در کنترل و تست ایدهها و تامین یک جور گروه ارزیابی مجازی است. مت جانسون، یکی از دانشمندان ارشد موسسه شناخت انسان و ماشین و خلبان سابق نیروی دریایی آمریکا، میگوید: «هوش مصنوعی مولد اگر به درستی مورد استفاده قرار گیرد میتواند همچون یک هم تیمی واقعا خوب عمل کند. دقیقا مثل موقعیتی که شاید من بخواهم مفصل درباره مشکلی با همکارم صحبت کنم؛ حتی با اینکه فکر میکنم خودم راه حلش را میدانم. همچنین به صورت بالقوه حافظه سازمانی بلندی هم دارد که برای افرادی که ممکن است در یک سازمان تازه وارد باشند و میخواهند بدانند قبلا مشکلات چگونه رتق وفتق میشدند مفید باشد.» در حقیقت احتمالا «جنبه خلاق» هوش مصنوعی مولد در آینده برای تصمیمگیران بسیاری از حوزهها و صنایع گوناگون حتی مهمتر هم خواهد شد.
یک دلیلش قابلیت آن برای تولید حجم عظیم دادههای ساختگی است که میتواند ساختار احتمالی فرآیندها و رویدادهای جهان واقعی را اغلب از روی نمونههای بسیار کوچکی تقلید کند. از دادههای ساختگی میتوان برای ساخت مدلهای تصمیمگیری و سناریوی رویدادهای بسیار تاثیرگذار که به ندرت رخ میدهند - به عنوان نمونه کلاهبرداریهای فوقالعاده هوشمندانه در بیمه که ممکن است از چشم بازرسان انسانی دور بماند- استفاده کرد. همچنین هوش مصنوعی مولد میتواند مجموعههای بسیار عظیمی از دادههای مشتریان را به گونهای تعدیل کند که حریم خصوصی افراد حفظ شود و بدین ترتیب اطلاعات تعدیل شده را چه برای تصمیمگیریهای مبتنی بر هوش مصنوعی و چه برای تصمیمگیریهای انسانی میتوان با اطمینان و امنیت به اشتراک گذاشت.
با اینکه سیستمهای هوش مصنوعی به طور روزافزونی برای حمایت از تصمیمگیری انسانی به کار میروند و در برخی موارد حتی جایگزین آن هم میشوند، چالشها و ریسکها فراوان اند. این ریسکها شامل مشکلاتی همچون احتمال سوگیری، نقض اخلاق، نگرانیهای مربوط به منشأ داده و دقت و درستی میشوند و دقیقا همین ریسکها سوالات حساسی برای کسب وکارهایی که روی این قبیل تکنولوژیها سرمایه گذاری میکنند، به وجود میآورند. به عنوان یک تصمیمگیرنده، چه زمانی به ماشین بیش از انسان اعتماد میکنید؟ شرایط همکاری موثر انسان و ماشین چیست؟ تخصص و قضاوت انسانی موجود چگونه وارد معادله میشود؟
تحقیقات و تجربه ما چهار مورد ضروری را به رهبران کسبوکارها پیشنهاد میدهد:
بااینکه از نظر تئوری مدلهای هوش مصنوعی مولد میتوانند در طیف گستردهای از موقعیتهای تصمیمگیری مورد استفاده قرار گیرند، غالبا در مواقعی که با استفاده از دادههای سازمانی یا بازاری خوب و دقیق برای مسائل متمایز و جداگانه به کار میروند، بسیار موثرتر هستند.
تحقیقات نشان میدهد که مهارت و سابقه تجربی کارکنان - اینکه متخصص هستند یا مبتدی، یا جایی بین این دو - در چگونگی تعامل آنها با هوش مصنوعی بسیار تاثیرگذار است. به طور کلی، متخصصان تمایل دارند تا حد زیادی بر تجربه و شم درونی تکیه کنند و از ماشینها فقط برای بررسی درستی راهکارشان یا پیشنهاد گزینههای جایگزین استفاده کنند؛ همچنین اگر مدت زیادی در یک حوزه فعالیت داشته باشند، ممکن است مهارت کمتری در تکنولوژیهای جدید داشته باشند. کارکنان مبتدی میتوانند از هوش مصنوعی استفاده کنند تا چم وخم کار را یاد بگیرند و سریعتر با سناریوهای گوناگونی آشنا شوند؛ اما برای جلوگیری از اتکا بیش از حد به ماشین، به تمرینهای واقعی احتیاج دارند. سطح مهارت، تجربه، دانش سازمانی و مهارت در تعامل با تکنولوژی همه عواملی هستند که رهبران کسب وکارها باید در طراحی استراتژیها با دقت بسنجند و بررسی کنند.
هر چند ممکن است سازمانها وسوسه شوند هوش مصنوعی مولد را به چشم میان بر کوتاه مدتی به خودکارسازی و صرفه جویی در هزینهها ببینند؛ اما ریسکهای بلندمدتتر کاهش مهارتهای سازمان و کارکنان واقعی هستند.
مت جانسون با استناد به تجربه اش به عنوان خلبان نیروی دریایی ایالات متحده میگوید: «حتی خلبانها هم گاهی اوقات مجبور میشوند حالت پرواز خودکار را خاموش کنند و هواپیما را دستی فرود بیاورند. شبیه سازها برای تمرین چیزهایی که نمیخواهید در پرواز واقعی انجام دهید عالی هستند؛ اما شما نمیتوانید فقط با شبیه ساز مهارتتان را حفظ کنید. مجبورید خود کار را به صورت واقعی انجام دهید... استفاده از هوش مصنوعی در بستر کسب وکار و مدیریت برای تصمیمگیری هم دقیقا همین طور است.»
هوش مصنوعی مولد منجر به ظهور حوزه جدیدی به نام مهندسی دستور (prompt engineering) شده است - معنایش به طور خلاصه نحوه سازمان دهی سوالات و دستوراتی است که به سیستمهای هوش مصنوعی میدهیم تا بهترین پاسخهای ممکن را به دست بیاوریم. پژوهشگران نشان داده اند که متخصصان حوزههای مشخص بسیار بهتر از مبتدیان یا متخصصان حوزههای دیگر سوال طراحی میکنند.
با توجه به اینکه در حال حاضر بسیاری از سازمانها برنامههای «هوش مصنوعی شهروندی» (citizen AI) را اجرا میکنند تا استفاده از هوش مصنوعی را گسترش دهند، رهبران سازمانی باید سرمایه گذاری چشم گیری روی مهارتهای مهندسی دستور در جای جای سازمانشان داشته باشند. امروزه رهبران و مدیران کسبوکارها نسبت به هر زمان دیگری دادههای بیشتری دارند.
با این حال، عجیب اینکه این سیل داده فقط فشار روی مدیران را بیشتر کرده است. ابزارهای هوش مصنوعی میتوانند به چندین روش بار شناختی را کاهش دهند و کارآیی تصمیمگیری را بهبود ببخشند: پیگیری و شبیه سازی بهبودیافته، تمرین واقع گرایانه در محیطهای مجازی و توصیههای آنی تصمیمگیری مبتنی بر هوش مصنوعی. اما برای بهره مندی از این مزایا، سازمانها باید با چشم باز به همکاری انسان و ماشین بپردازند و به نقاط قوت، ضعف و محدودیتهای سیستمهای هوش مصنوعی توجه کنند. از همه مهمتر، تصمیمگیران انسانی باید همچنان مهارت، تخصص و قضاوت خود را به روز کنند تا بتوانند از هوش مصنوعی به درستی استفاده کنند و در عین حال ریسکها را کاهش دهند.
مترجم: منا اختیاری
منبع: HBR