«معیار استفاده از هوش مصنوعی، بهبود ملموس فرایندهاست»: چرا کسب‌وکارها باید در کاربرد AI هوشمندانه‌تر عمل کنند؟

با تبدیل شدن هوش مصنوعی به یک عنصر همیشگی در بسیاری از کسب‌وکارها، اکنون بیشتر شرکت‌ها به دنبال تعیین این موضوع هستند که چه زمانی AI واقعاً می‌تواند تفاوت ایجاد کند و چه زمانی صرفاً هزینه و پیچیدگی به همراه دارد.

بنابراین، آیا واقعاً هر فرایند تجاری به هوش مصنوعی نیاز دارد، یا شرکت‌ها باید بر نیازهای خاصی تمرکز کنند که بیشترین کمک را به آن‌ها می‌کند؟

در همین رابطه، با گرگ آلدانا (Gregg Aldana)، معاون ارشد و رئیس مشاوره راهکارهای جهانی در شرکت Appian گفتگو کرده‌ایم تا اطلاعات بیشتری کسب کنیم.

• این پیش‌فرض در حال گسترش است که اگر بتوان هوش مصنوعی را در یک فرایند تجاری اعمال کرد، حتماً باید این کار را انجام داد. آیا این نقطه شروع اشتباهی است؟ کسب‌وکارها چگونه باید تصمیم بگیرند که هوش مصنوعی در کجا واقعاً ارزش می‌آفریند و در کجا صرفاً پیچیدگی اضافه می‌کند؟

نقطه شروع اشتباه این است که بپرسیم: «کجا می‌توانیم از AI استفاده کنیم؟» زیرا این رویکرد، فناوری را بر مشکل تجاری مقدم می‌داند. سازمان‌ها باید با این پرسش آغاز کنند که واقعاً قصد حل چه مشکلی را دارند و بزرگ‌ترین گلوگاه‌ها یا ناکارآمدی‌ها در کجا قرار دارند.

این بدان معناست که باید بررسی دقیقی انجام شود که قصد بهبود کدام تصمیمات را دارند، این تصمیمات به چه داده‌هایی وابسته هستند و نظارت انسانی در کجا باید اعمال شود. این کشف باید با مشارکت افرادی انجام شود که فرایند و چالش‌های آن را درک می‌کنند؛ از تیم‌های فناوری اطلاعات و کسب‌وکار گرفته تا مدیران اجرایی.

تنها در این صورت است که کسب‌وکارها می‌توانند قضاوت کنند که آیا AI واقعاً تفاوت ایجاد خواهد کرد یا خیر. معیار این نیست که آیا هوش مصنوعی می‌تواند کاری را انجام دهد یا خیر؛ بلکه پرسش این است که آیا می‌تواند فرایند را به شکل ملموسی بهبود بخشد.

• چگونه بین فرایندی که واقعاً به هوش مصنوعی نیاز دارد و فرایندی که می‌تواند با اتوماسیون سنتی، قواعد یا گردش کار به شکل موثرتری مدیریت شود، تمایز قائل می‌شوید؟

تمایز اصلی در این است که آیا وظیفه از قواعد قابل پیش‌بینی پیروی می‌کند و نتیجه کاملاً مشخصی دارد یا خیر. در این صورت، اتوماسیون سنتی یا قواعد تجاری اغلب می‌توانند شما را سریع‌تر و ارزان‌تر به هدف برسانند. در این موارد، افزودن AI ممکن است نتیجه را بهبود نبخشد و پیچیدگی‌هایی ایجاد کند که اصلاً نیازی به آن‌ها نیست.

برای مثال، یک شرکت بیمه برای بررسی و طبقه‌بندی ادعاهای خسارت آنلاین، بر اساس گزینه‌هایی که کاربر از یک لیست کشویی در فرم انتخاب کرده است، از قواعد تجاری استفاده می‌کند. خسارات خودرو به یک بخش و خسارات بیمه مسکن به بخش دیگری ارجاع داده می‌شود.

ایجنت‌های هوش مصنوعی زمانی ارزشمندتر می‌شوند که کار نیازمند استدلال تطبیقی، زمینه پیچیده یا مدیریت ورودی‌های متغیر باشد. در این حالت، یک ایجنت هوش مصنوعی می‌تواند ادعاهای مطرح‌شده در فرم‌های وب و موبایل با داده‌های ساختاریافته و همچنین ایمیل‌های دریافتی با محتوای بدون ساختار را تحلیل کند. بر اساس کلمات کلیدی مانند «بزرگراه»، «تصادف» و «سرنشین»، یک ایجنت آموزش‌دیده استنتاج می‌کند که ادعا احتمالاً مربوط به یک تصادف رانندگی است و آن را به بخش مربوطه ارجاع می‌دهد.

اشتباه این است که فرض کنیم صرفاً چون یک ایجنت هوش مصنوعی می‌تواند وظیفه‌ای را انجام دهد، پس باید این کار را بکنیم. کسب‌وکارها باید بررسی کنند که هر بخش از یک فرایند واقعاً چه نیازهایی دارد و از فناوری استفاده کنند که بهترین تناسب را با آن نیاز دارد، نه اینکه صرفاً به خاطر استفاده از AI، آن را جایگزین اتوماسیون رایج کنند. یک رویکرد پورتفولیوی متعادل ضروری است؛ برای منطق‌های تکرارپذیر و با حجم بالا از قواعد، و برای بررسی یا تریاژ پویا از ایجنت‌ها استفاده کنید.

• هزینه پنهان وارد کردن هوش مصنوعی به هر فرایندی چیست؟ فراتر از هزینه خود مدل، آیا کسب‌وکارها هزینه‌های مربوط به داده‌ها، یکپارچه‌سازی، نظارت، حاکمیت، امنیت و مدیریت استثناها را دست‌کم می‌گیرند؟

یکی از بالاترین هزینه‌های پنهان در زیرساخت‌های عملیاتی نهفته است که پیرامون مدل AI قرار می‌گیرد تا به شکل موثر و ایمن کار کند. هزینه فقط مربوط به مدل نیست. ایجنت‌ها به دسترسی به داده‌ها و سیستم‌های مناسب نیاز دارند، اما کسب‌وکارها نیز باید نظارت، امنیت و حاکمیت بر آنچه ایجنت‌ها می‌توانند به آن دسترسی داشته باشند و اقداماتی که می‌توانند انجام دهند، اعمال کنند.

سپس مسئله پاسخگویی مطرح می‌شود. سازمان‌ها باید درک کنند که چرا یک اقدام انجام شده است، اگر مشکلی پیش آمد بتوانند اتفاقات را ردیابی کنند و راهکار روشنی برای مقابله با موقعیت‌هایی که ایجنت نمی‌تواند با اطمینان مدیریت کند، داشته باشند. بدون یک پلتفرم یکپارچه برای هماهنگی داده‌ها و اجرای سیاست‌ها، بار اضافی مدیریت استثناها و سوابق حسابرسی از دستاوردهای بهره‌وری AI پیشی خواهد گرفت.

زمانی که AI ارزش معناداری ارائه می‌دهد، قطعاً ارزش تحمل این بار اضافی را دارد. اما هر ایجنت اضافی، پیچیدگی به همراه دارد، بنابراین کسب‌وکارها باید مطمئن شوند که بهبود فرایند ارزش این پیچیدگی را دارد.

• فکر می‌کنید در فرایندهای سازمانی - به‌ویژه زمانی که تصمیمات بر مشتریان، کارمندان، امور مالی یا نتایج قانونی تاثیر می‌گذارند - قضاوت انسانی در کجا غیرقابل‌جایگزین باقی می‌ماند؟ و سازمان‌ها چگونه باید تصمیم بگیرند که چه زمانی انسان باید در فرایند باقی بماند، نه اینکه صرفاً پس از اقدام ایجنت هوش مصنوعی به او اطلاع داده شود؟

قضاوت انسانی در مواردی که هزینه یا پیامد اشتباه بودن یک تصمیم بالا است، حیاتی باقی می‌ماند، به‌ویژه در صنایع قانون‌گذاری‌شده مانند خدمات مالی، بیمه، علوم زیستی و بخش عمومی. AI می‌تواند حوزه‌هایی مانند جذب مشتری، بیمه، ارزیابی ریسک یا آزمایش‌های بالینی را تسریع کند، اما هنوز هم تصمیماتی وجود خواهند داشت که پیامدهای آن‌ها ایجاب می‌کند یک انسان درگیر باشد.

این بدان معنا نیست که انسان باید تک‌تک اقدامات یک ایجنت هوش مصنوعی را تایید کند. نکته مهم درک سطح ریسک مرتبط با تصمیم است. فعالیت‌های روتین ممکن است به صورت مستقل پیش بروند، در حالی که وظایف و تصمیمات حساس، غیرمعمول یا دارای پیامدهای مهم باید برای بررسی انسانی ارجاع داده شوند.

این ارزیابی‌های ریسک و مرزبندی‌ها باید از همان ابتدا در فرایند طراحی شوند. سازمان‌ها باید بدانند که یک ایجنت مجاز است کدام تصمیمات را به تنهایی اتخاذ کند و کدام موارد پیش از اقدام نیازمند قضاوت انسانی است.

• آیا آینده واقع‌بینانه‌تر آینده‌ای است که در آن افراد، هوش مصنوعی و اتوماسیون سنتی در کنار هم کار می‌کنند، نه آینده‌ای که ایجنت‌های هوش مصنوعی در نهایت کنترل تمام فرایندهای سرتاسری را در دست بگیرند؟

اتوماسیون سرتاسری به معنای سپردن کل یک فرایند به یک ایجنت هوش مصنوعی نیست. آینده در گرو هماهنگ‌سازی (Orchestration) است. آینده واقع‌بینانه‌تر آن است که افراد، ایجنت‌های AI و اتوماسیون سنتی با هم کار کنند، زیرا وظایف درون یک فرایند متفاوت هستند و به مهارت‌های گوناگونی نیاز دارند.

فرایندهای پیچیده نیازمند ترکیبی از قواعد تجاری قابل پیش‌بینی، ایجنت‌های تطبیقی AI و تخصص انسانی هستند. هدف، ایجاد یک فرایند یکپارچه است که در آن هر بخش، کاری را که در آن بهترین است انجام دهد. نکته کلیدی درک این موضوع است که کدام بخش‌ها توسط یک ایجنت بهتر مدیریت می‌شوند، در کجا یک قاعده یا گردش کار ساده بهتر عمل می‌کند و در کجا باید یک انسان درگیر شود.

هدف این نیست که میزان استفاده از AI را به حداکثر برسانیم؛ بلکه ساخت موثرترین فرایند پیرامون نتیجه تجاری دلخواه شماست.

• آیا تلاش برای دستیابی به هوش مصنوعی خودمختار ممکن است واقعاً برخی فرایندهای تجاری را ناکارآمدتر کند؟ به عنوان مثال، اگر یک ایجنت AI را وارد فرایندی کنید که پیش از این با یک قاعده ساده مدیریت می‌شد، آیا ممکن است بدون ایجاد ارزش افزوده چندانی، تاخیر، عدم قطعیت و بار حاکمیتی ایجاد کنید؟

قطعاً. وارد کردن AI به بخش اشتباهی از یک فرایند می‌تواند آن را به جای کارآمدتر کردن، ناکارآمدتر کند. جایگزین کردن یک قاعده قطعی با یک مدل AI احتمالی، تاخیر، هزینه و غیرقابل پیش‌بینی بودن غیرضروری را معرفی می‌کند. اگر کاری در حال حاضر می‌تواند با یک قاعده ساده به سرعت و با اطمینان انجام شود، معرفی یک ایجن�� AI ممکن است نتیجه را به طور ملموسی بهبود نبخشد.

این بدان معنا نیست که کسب‌وکارها باید در مورد هوش مصنوعی بیش از حد محتاط باشند. بلکه به معنای انتخاب‌گر بودن است. ایجنت‌ها در مواردی که یک وظیفه نیازمند استدلال بدون ساختار، تحقیق گسترده یا سازگاری با اطلاعات متغیر است، فوق‌العاده ارزشمند هستند. اما آن‌ها نباید صرفاً به این دلیل که AI جدیدتر یا پیشرفته‌تر است، جایگزین اتوماسیون سنتی شوند.

گاهی هوشمندانه‌ترین تصمیم در مورد AI این است که تصمیم بگیریم اصلاً به AI نیازی نداریم. استفاده از آن‌ها در جایی که یک قاعده فرایندی ساده در حال حاضر با اطمینان کار می‌کند، بدهی فنی ایجاد می‌کند.

• یک کسب‌وکار پیش از وارد کردن هوش مصنوعی به یک فرایند باید چه سوالاتی از خود بپرسد؟ آیا به جای این پرسش که AI در کجا می‌تواند قرار گیرد، باید روی نتایج تجاری، ماهیت تصمیم، هزینه شکست و در دسترس بودن تخصص انسانی تمرکز کرد؟

مهم‌ترین پرسش بسیار ساده است: «تلاش می‌کنیم چه مشکلی را حل کنیم؟» خیلی اوقات، سازمان‌ها کار را با پرسش درباره محل استفاده از AI آغاز می‌کنند و سپس به دنبال فرایندهایی می‌گردند که آن را اعمال کنند. این کار، فناوری را بر نیاز تجاری مقدم می‌دارد.

در عوض، کسب‌وکارها باید بررسی کنند که بزرگ‌ترین چالش‌ها و گلوگاه‌هایشان واقعاً کجا هستند. کدام فرایندها بیش از حد طول می‌کشند؟ در کجا مداخلات دستی بیش از حد وجود دارد؟ کدام تصمیمات می‌توانند بهبود یابند، مبتنی بر چه داده‌هایی هستند و نظارت انسانی باید در کجا قرار گیرد؟

این اکتشاف باید در ابتدای کار انجام شود و افرادی را که فرایند را درک می‌کنند درگیر کند؛ از بخش فناوری اطلاعات گرفته تا کاربران تجاری و مدیران اجرایی. شناسایی کنید که فرایندها در کجا متوقف می‌شوند یا ارجاعات دستی باعث ایجاد خطا می‌گردند. داده‌ها و فرایندهای مورد نیاز، الزامات قانونی و پارامترهای ریسک را ترسیم کنید.

در نهایت، AI باید توسط تقاضای کسب‌وکار هدایت شود نه فشار فناوری. هنگامی که مشکل و نتیجه مطلوب را درک کردید، می‌توانید تصمیم بگیرید که آیا AI واقعاً بهترین راه برای دستیابی به آن است یا اینکه قواعد، اتوماسیون یا قضاوت انسانی با پشتیبانی AI بهتر عمل خواهند کرد.

• شرکت‌ها چگونه باید درباره ریسک در زمانی که یک سیستم هوش مصنوعی از ارائه توصیه‌ها به انجام اقدام واقعی حرکت می‌کند، فکر کنند؟

حرکت از توصیه یک اقدام به انجام واقعی آن، جایی است که استقلال محدود بسیار حیاتی می‌شود. هدف باید دادن آزادی به ایجنت‌های AI برای استدلال و عمل باشد، اما در چارچوب محافظ‌های مشخص فرایند و پارامترهای ریسک.

این بدان معناست که باید صراحتاً مشخص شود یک ایجنت اجازه انجام چه کارهایی را دارد، به چه اطلاعاتی می‌تواند دسترسی پیدا کند و چه زمانی باید موضوع را به یک شخص ارجاع دهد. یک ایجنت نباید در انزوا عمل کند؛ بلکه باید در درون فرایندهای عملیاتی کنترل‌شده با قواعد تجاری مرتبط و امنیت داده‌ها قرار گیرد. تمامی اقدامات ایجنت AI باید قابل ردیابی و حسابرسی در چارچوب حاکمیتی باشند.

نظارت انسانی به‌ویژه برای استثناها، داده‌های پرت و تصمیمات با ریسک بالاتر اهمیت ویژه‌ای دارد. در نهایت، کسب‌وکارها باید بدانند که یک ایجنت چه کاری انجام داده، چرا آن را انجام داده و چه کسی پاسخگوی نتیجه است.

• آیا فکر می‌کنید کسب‌وکارها در معرض این خطر قرار دارند که موفقیت هوش مصنوعی را با این معیار بسنجند که چه تعداد فرایند را «مبتنی بر AI» کرده‌اند، نه اینکه آیا این فرایندها واقعاً بهبود یافته‌اند؟ مدیران اجرایی باید از چه معیارهایی استفاده کنند؟

تعداد فرایندهایی که از AI استفاده می‌کنند، اطلاعات بسیار کمی درباره اینکه آیا سازمان واقعاً از آن ارزش کسب می‌کند، به شما می‌دهد. در واقع، تمرکز بر پذیرش AI به عنوان یک معیار، این خطر را به همراه دارد که دقیقاً رفتار اشتباه را تشویق کند؛ یعنی وارد کردن AI به فرایندها صرفاً برای اینکه بگویند مبتنی بر AI شده‌اند.

کسب‌وکارها باید AI را با همان روشی بسنجند که هر سرمایه‌گذاری عملیاتی و فناوری دیگری را ارزیابی می‌کنند: با نتایجی که ارائه می‌دهد. آیا زمان چرخه‌ها را کاهش داده است؟ آیا هزینه اجرای یک فرایند را پایین آورده است؟ آیا کیفیت تصمیمات را بهبود بخشیده است؟

ما دیده‌ایم که این دستاوردها چقدر می‌توانند چشمگیر باشند. فرایندهایی مانند جذب مشتری برای یک بانک که پیش از این تا دو هفته طول می‌کشید، تنها به چند دقیقه کاهش یافته است. (آن بانک همچنین ۹۶ درصد از فرایندهای جذب را خودکار کرد در حالی که مشتریان جدید خود را ۹۰۰ درصد افزایش داد.) هزینه اجرای یک فرایند سرتاسری می‌تواند به یک‌دهم یا حتی کمتر کاهش یابد. این معیاری است که اهمیت دارد. هدف این نیست که AI را در همه‌جا داشته باشیم، هدف این است که کسب‌وکار بهتر کار کند.

• اگر در حال مشاوره دادن به مدیرعاملی بودید که به او گفته شده برای هر بخش از سازمانش به یک «استراتژی AI» نیاز دارد، به او چه می‌گفتید که از انجام آن دست بکشد و در عوض اولویت را به چه چیزی بدهد؟

الزامی کردن AI در همه‌جا صرفاً به خاطر پذیرش آن را متوقف کنید. من به آن‌ها می‌گفتم که از پرسیدن این سوال که «کجا می‌توانیم از AI استفاده کنیم؟» دست بردارند و بپرسند «تلاش می‌کنیم چه مشکلاتی را حل کنیم؟» فشار برای داشتن یک استراتژی AI در همه‌جا می‌تواند به سرعت به استفاده از فناوری صرفاً به خاطر خود فناوری تبدیل شود.

با بزرگ‌ترین گلوگاه‌های سازمان شروع کنید. کدام فرایندها بیش از حد طول می‌کشند؟ در کجا مداخلات دستی بیش از حد وجود دارد؟ کدام تصمیمات می‌توانند بهبود یابند؟ سه گلوگاه عملیاتی با بالاترین ارزش خود را شناسایی کنید و ترکیب مناسبی از قواعد، ایجنت‌ها و قضاوت انسانی را برای رفع آن‌ها هماهنگ کنید.

نکته مهم این است که مدیران عامل باید ارزش تجاری را بر حجم استفاده از AI اولویت دهند. یک استراتژی موفق AI آن نیست که در هر فرایندی یک ایجنت قرار دهد؛ استراتژی موفق آن است که این فرایندها را به شکلی ملموس بهبود بخشد.