به گزارش اکوایران- بر اساس نظرسنجی جدید انجام شده توسط IBM از دو هزار مدیر ارشد درباره انتظاراتشان از هوش مصنوعی در سال ۲۰۳۰، یک نکته قابلتوجه به چشم میخورد. مدیران، همانطور که قابل انتظار است، پیشبینی کردهاند که سرمایهگذاری در هوش مصنوعی از سطح فعلی هم فراتر خواهد رفت و ۷۹ درصد آنها معتقدند هوش مصنوعی سهم مهمی در درآمد شرکتشان خواهد داشت. با این حال، نکته شگفتانگیز اینجاست که تنها ۲۴ درصد از آنها «بهروشنی میدانند» این درآمد دقیقاً از کجا ایجاد خواهد شد.
ابهام در این وضعیت طبیعی است
در نگاه اول، این ابهام ممکن است نشانهای منفی به نظر برسد؛ بهویژه با توجه به اینکه بسیاری از پروژههای هوش مصنوعی تاکنون بازده سرمایهگذاری مشخصی نداشتهاند. اما در واقع، این وضعیت کاملاً طبیعی است و دقیقاً همان چیزی است که از یک نوآوری واقعاً تحولآفرین انتظار میرود. همین موضوع نشان میدهد که چالشهای اصلی هوش مصنوعی برای کسبوکارها، بیش از آنکه فناورانه باشند، مدیریتی خواهند بود.
نوآوریهای بزرگ و انقلابی معمولاً از ابتدا با مدل کسبوکار مشخص یا حتی کاربردهای کاملاً روشن وارد بازار نمیشوند. آنها اغلب با جایگزینی ساده شروع میکنند؛ یعنی راهی بهتر یا ارزانتر برای انجام کاری که شرکتها از قبل انجام میدادند. اما بهمرور زمان، کاربران متوجه میشوند که این فناوریها قابلیتهای تازه و قدرتمندتری در اختیارشان میگذارند. دقیقاً در همین مرحله است که اثر واقعی نوآوری آشکار میشود. به همین دلیل، در همان نظرسنجی IBM نیز مدیران پیشبینی کردهاند که تمرکز هزینهکرد آنها در حوزه هوش مصنوعی، بهتدریج از افزایش بهرهوری به سمت نوآوری در محصولات و خدمات تغییر خواهد کرد.
با این حال، استفاده مؤثر از این قابلیتهای جدید معمولاً مستلزم بازسازماندهی عمیق کسبوکارها در ابعاد مختلف است. همین تغییرات ساختاری، اغلب بزرگترین مانع در مسیر تحقق کامل وعدههای یک فناوری جدید به شمار میروند.
چرا نوآوریهای بزرگ در ابتدا ناامیدکننده هستند؟
این وضعیت در گذشته هم وجود داشته است. زمانی که برق در اواخر قرن نوزدهم و اوایل قرن بیستم وارد کارخانههای آمریکا شد، بازده اقتصادی آن در ابتدا ناامیدکننده بود. هرچند توماس ادیسون لامپ برق را در دهه ۱۸۷۰ اختراع کرد، اما تا سال ۱۹۰۰ کمتر از ۵ درصد انرژی مصرفی کارخانههای آمریکایی از موتورهای الکتریکی تأمین میشد. در آن زمان، بیشتر کارخانهها همچنان به موتورهای بخار متکی بودند؛ موتورهایی که گاهی بهصورت مشترک بین چند کارخانه استفاده میشد. اگرچه روشنایی الکتریکی امکان کارایی بیشتر در ساعات شب را فراهم کرد، اما هسته اصلی شیوه تولید در کارخانهها همچنان بدون تغییر باقی مانده بود.
تحول واقعی زمانی رخ داد که موتورهای الکتریکی کوچکتر و ارزانتر امکان کنار گذاشتن سیستمهای متمرکز تأمین نیرو را فراهم کردند. در نتیجه، ماشینآلات میتوانستند با انعطاف بیشتری در کارخانه توزیع شوند و جریان کار بر اساس منطق واقعی تولید بازطراحی شود. به همان اندازه مهم، این فرایندهای جدید تنها زمانی بهدرستی عمل میکردند که نیروی کار نیز آموزش متفاوتی ببیند، اختیار عمل بیشتری داشته باشد و در نهایت دستمزد بالاتری دریافت کند. همین بازسازماندهی بود که راه را برای خط مونتاژ متحرک هموار کرد و تولید انبوه را به سطحی کاملاً جدید رساند. از همین نقطه بود که برق به یک نوآوری واقعاً انقلابی تبدیل شد؛ نوآوریای که نه تنها هزینه اداره کارخانهها را کاهش داد، بلکه تعیین کرد کارخانهها چه چیزی تولید کنند، با چه سرعتی خود را تطبیق دهند و کدام شرکتها در بازار باقی بمانند. در ادامه، صنایع کامل نیز ناگزیر از پیروی از این تحول شدند.
امروز میتوان گفت هوش مصنوعی نیز بهتدریج در حال عبور از مرحله «جایگزینی» و ورود به مرحله «بازطراحی ساختارها» است. خودکارسازی وظایف تکراری و بهینهسازی فرایندها، شباهت زیادی به جایگزینی موتورهای بخار با موتورهای الکتریکی دارد: اقدامی مفید و ضروری، اما با دامنه اثر محدود. بخش دشوارتر و سرنوشتساز ماجرا، بازطراحی فرایندها، محصولات و نظام تصمیمگیری است؛ آن هم در شرایطی که ماشینها میتوانند محتوا تولید کنند، اطلاعات نامنظم را تفسیر کنند و در چارچوبهای مشخص، بهصورت مستقل اقدام کنند.
چنین بازطراحیای معمولاً سخت و پرهزینه است چون این تغییرات بهراحتی در چارتهای سازمانی موجود یا بودجههای سرمایهای رایج جا نمیگیرند. علاوه بر این، اغلب در کوتاهمدت باعث افت ظاهری بهرهوری میشوند؛ چراکه شرکتها ناچارند آزمایش کنند، شکست بخورند و دوباره یاد بگیرند که کارها چگونه باید انجام شود. تجربه توسعه فناوری اطلاعات در دهههای ۱۹۷۰ و ۱۹۸۰ چنان بیانگر این اثر بود که رابرت سولو با طعنه گفت: «عصر کامپیوتر را همهجا میبینید، جز در آمار بهرهوری.» ترکیب همین دشواری بازطراحی و ندانستن اینکه این قابلیتهای جدید دقیقاً در چه مسیری به کار گرفته خواهند شد، باعث میشود مدیران نتوانند به پرسش بهظاهر ساده اما حیاتی پاسخ دهند: درآمد دقیقاً از کجا قرار است ایجاد شود؟
مدیرانی که منتظر قطعیت ماندند شکست خوردند
تجربه تاریخی نشان میدهد که اصرار بر دریافت پاسخهای کاملاً دقیق در مراحل ابتدایی، یک اشتباه راهبردی است. مدیرانی که در سال ۱۹۰۵ موتورهای الکتریکی را وارد کارخانههای خود کردند، هیچ تصوری نداشتند که بهزودی خط مونتاژ، صنعت تولید را متحول خواهد کرد یا اینکه کارخانههایشان محصولاتی را تولید خواهند کرد که هنوز اساساً وجود خارجی نداشتند. آن دسته از مدیرانی که پیش از هرگونه بازسازماندهی، خواهان پیشبینیهای کاملاً جزئی و دقیق بودند، بیش از دیگران در معرض عقبماندن از رقابت قرار گرفتند.
امروز نیز همین خطر وجود دارد. اگر هوش مصنوعی صرفاً بهعنوان ابزاری برای کاهش هزینهها دیده شود، ممکن است در کوتاهمدت حاشیه سود حفظ شود، اما در عوض شرکتها در نسخههای بهینهشدهای از مدلهای کسبوکار رو به زوال گرفتار خواهند شد. زمانی که رقبا شروع به بازطراحی محصولات، قیمتگذاری و روابط با مشتریان بر پایه قابلیتهای هوش مصنوعی کنند، بهبودهای تدریجی در بهرهوری دیگر کافی نخواهد بود.
و البته هیچکدام از این موارد تضمین نمیکند که سرمایهگذاریهای امروز در هوش مصنوعی الزاماً به نتیجه برسند. همانطور که بسیاری از کارخانههایی که در ابتدای قرن بیستم به برق مجهز شدند، شکست خوردند، بسیاری از ابتکارهای مبتنی بر هوش مصنوعی نیز ــ و احتمالاً اکثریت آنها ــ به موفقیت نخواهند رسید. با این حال، نقطه آغاز هوشمندی آن است که بپذیریم همه چیز را نمیدانیم. از این منظر، مدیرانی که صراحتاً اعتراف میکنند هنوز نمیدانند هوش مصنوعی دقیقاً چگونه قرار است درآمد ایجاد کند، درک درستی از شرایط دارند؛ زیرا میدانند مرحله بعدی این فناوری، نه اجرای بهتر در چارچوبهای شناختهشده، بلکه کشف چارچوبها و مرزهای کاملاً جدید است.
واقعیت این است که وقتی مقصد کاملاً روشن و بدیهی شود، کسی دیگر پیش از شما به آن رسیده است.
