هوش مصنوعی هزینه‌ها را کاهش می‌دهد، اما برای پیشی گرفتن از رقبا کافی نیست

مزیت رقابتی بزرگ‌تر از تبدیل تفکر ارزان‌تر به آزمایش‌ها، تصمیم‌گیری‌ها و بهبودهای سریع‌تری به دست می‌آید که برای مشتریان ارزشمند است.

یک مدیرعامل می‌تواند با استفاده از هوش مصنوعی برای کاهش هزینه‌های نیروی کار، پول زیادی پس‌انداز کند. پیش از بحث درباره اتفاقات بعدی، باید به این موضوع اذعان کنیم.

در ژوئن ۲۰۲۵، C.H. Robinson گزارش داد که ایجنت هوش مصنوعی سفارشات این شرکت، درخواست‌های حمل‌ونقل ارسال‌شده از طریق ایمیل را تفسیر کرده و سفارش‌ها را در حدود ۹۰ ثانیه ثبت می‌کند. این شرکت اعلام کرد که این ایجنت روزانه ۵۵۰۰ سفارش بار کامیون را پردازش کرده و باعث صرفه‌جویی ۶۰۰ ساعت کار روزانه می‌شود. این‌ها برآوردهای شرکت از کارِ صرفه‌جویی‌شده است، اما فرصت اقتصادی به‌وضوح قابل مشاهده است.

حالا تصور کنید دو رقیب به صرفه‌جویی مشابهی دست پیدا کنند. یکی حاشیه‌سود خود را بهبود می‌بخشد، اما دیگری این صرفه‌جویی را روی درک مشکلات مشتری، آزمایش راه‌حل‌ها و تغییر نحوه کارکرد کسب‌وکار سرمایه‌گذاری می‌کند. در طول چرخه‌های متوالیِ بهبود، قابلیت‌های آن‌ها حتی اگر از مدل‌های یکسانی استفاده کنند، می‌تواند از هم فاصله بگیرد.

این همان مسئله استراتژیکی است که نویسنده در کتاب The Generative Organization به بررسی آن می‌پردازد. هوش مصنوعی به شرکت‌ها این فرصت را می‌دهد که در زمینه‌هایی که برای مشتریان اهمیت دارد، سریع‌تر از رقبا یاد بگیرند. صرفه‌جویی در نیروی کار می‌تواند به تأمین مالی این مزیت کمک کند.

تفکر ارزان‌تر، کارهایی را که یک کسب‌وکار می‌تواند انجام دهد تغییر می‌دهد

هزینه پردازش‌های کامپیوتری دهه‌هاست که در حال کاهش است. اما آنچه این دوره را متفاوت می‌کند، گستره‌ای از تفکر است که اکنون از نظر اقتصادی مقرون‌به‌صرفه شده است.

افراد می‌توانند نیازهای خود را با زبان خودشان توصیف کنند، یک نتیجه را بررسی کرده و در حالی که جزئیات هنوز در ذهنشان تازه است، آن را اصلاح کنند. دانش یک متخصص مسیر کوتاه‌تری برای تبدیل شدن به یک محصول نهایی طی می‌کند. مدل‌ها همچنین می‌توانند کلمات، تصاویر و دیگر اشکال اطلاعاتی را که پیش‌تر تجزیه‌وتحلیل هم‌زمان آن‌ها گران تمام می‌شد، به یکدیگر متصل کنند. آن‌ها می‌توانند به اندازه کافی گزینه‌های جایگزین را بررسی کنند تا آزمایش‌های غیرعملیِ گذشته، ارزش امتحان کردن پیدا کنند.

یک آزمایش میدانی در Procter & Gamble این پتانسیل را به‌خوبی نشان می‌دهد. محققان ۷۷۶ متخصص باتجربه را به وظایف نوآوری محصول، به‌صورت فردی یا دو نفره، با یا بدون هوش مصنوعی اختصاص دادند. افرادی که از هوش مصنوعی استفاده می‌کردند عملکردی مشابه تیم‌های بدون هوش مصنوعی داشتند. متخصصان تحقیق و توسعه و بخش تجاری با استفاده از هوش مصنوعی پیشنهادهایی ارائه دادند که ملاحظات فنی و تجاری را به‌طور متوازن‌تری ترکیب می‌کرد. این مطالعه بر روی وظایف نوآوری محدود متمرکز بود و ثابت نمی‌کند که همه تیم‌ها قابل جایگزینی هستند.

برای یک مدیرعامل، امکانِ جذاب این است که افراد بیشتری می‌توانند یک مشکل را فراتر از مرزهای عملکردی خود بررسی کنند. وارد کردن تخصص‌های مفید به فرایند تصمیم‌گیری آسان‌تر می‌شود.

شرکت FM Logistic نیز فرصت مشابهی را در عملیات انبارداری دنبال کرد. این شرکت یک الگوریتم مسیریابی موجود و یک ارزیابی مبتنی بر تورهای جمع‌آوریِ واقعی را در اختیار AlphaEvolve از Google قرار داد. این سیستم گزینه‌های جایگزینی تولید کرد و آن‌ها را در برابر محدودیت‌های عملیاتی سنجید. FM Logistic و Google گزارش دادند که در بهره‌وری مسیریابی، ۱۰.۴ درصد بهبود نسبت به بهترین راه‌حل قبلی به دست آمده است و این طرح آزمایشی متعاقباً به مرحله تولید رسید.

روش انجام کارِ یک شرکت نیز می‌تواند به موضوع آزمایش‌های منظم تبدیل شود. به خط آزمایش در یک کارخانه تولیدی فکر کنید: مکانی برای بهبود عملیات هسته‌ای. مشاوره، خدمات مشتری، خرید و دیگر فعالیت‌های مبتنی بر اطلاعات نیز به چنین ظرفیتی نیاز دارند.

چرخه مدیریت نیز باید شتاب بگیرد

تجزیه‌وتحلیل سریع‌تر به‌تنهایی یک شرکت سریع‌تر نمی‌سازد. در آموزش سیستم‌های اطلاعات مدیریت، بین چرخه عملیاتی و چرخه مدیریت تمایز قائل می‌شویم.

چرخه عملیاتی نحوه انجام کار است: پردازش یک سفارش، ارائه خدمت به یک مشتری، ساخت یک محصول. چرخه مدیریت نحوه تشخیص نیاز به تغییر، تصمیم‌گیری، تخصیص منابع و صدور مجوز برای واکنش از سوی سازمان است.

اگر شکایات مشتریان روزانه تحلیل شود، اما تغییر سیاست‌ها نیازمند یک جلسه سه‌ماهه باشد، در واقع تأخیر فقط از جایی به جای دیگر منتقل شده است. اگر مدیریت سریع‌تر تصمیم بگیرد اما عملیات نتواند آن‌ها را اجرا کند، تصمیمات صرفاً روی هم انباشته می‌شوند. هر دو چرخه باید خود را تطبیق دهند.

شرکت Hapag-Lloyd یک مثال کاربردی ارائه می‌دهد. سیستم هوش مصنوعی این شرکت، بازخورد مشتریان را به‌صورت روزانه دریافت کرده و گزارش‌هایی برای برنامه‌ریزی دوهفته‌ای تیم‌ها تولید می‌کند. درخواست‌های مکرر برای عملکرد «پیش‌نمایش» در دستورالعمل‌های حمل‌ونقل، به تیم کمک کرد تا این ویژگی را در اولویت قرار داده و منتشر کند. بازخوردهای بعدی نشان داد که به این درخواستِ خاص رسیدگی شده است. این تنها گزارش شرکت از یک بهبود است، نه یک مطالعه کنترل‌شده درباره درآمد یا حفظ مشتری.

اهمیت این موضوع در ارتباط بین گوش دادن و تغییر خدمات است. یک داشبورد به‌تنهایی نمی‌تواند چنین ارتباطی برقرار کند.

به گفته نویسندگان، شرکت‌هایی وجود دارند که از جزیره‌های اتوماسیون استقبال می‌کنند، اما انتظار دارند افرادی که آن‌ها را ایجاد کرده‌اند، طراحی مجددِ گسترده‌تری را در حاشیه کارهای اصلی‌شان انجام دهند. تیم فرصتی پیدا کرده است، اما مسیر روشنی برای تأمین بودجه، تخصص یا اختیار تصمیم‌گیری وجود ندارد.

تحولات بزرگ نمی‌توانند تا ابد به‌عنوان کار فوق‌العاده و در حاشیه انجام شوند.

یک کارمندِ نزدیک به مشتری باید بتواند فرایند بهبود را کلید بزند و درخواست پشتیبانی کند. ریشه مشکل ممکن است در چند بخش آن‌طرف‌تر باشد. هوش مصنوعی می‌تواند به بررسی آن کمک کند؛ اما مدیریت باید امکان اقدام و اجرای راه‌حل را فراهم سازد.

بودجه‌بندی برای یادگیری و سنجش کل مسیر

باید بخشی از بودجه هوش مصنوعی به آزمایش‌هایی اختصاص یابد که کسب‌وکار را بهبود می‌بخشد. برای آزمایش‌های عملیاتی، یک هدف منطقی داشتن مجموعه‌ای است که هزینه خودش را تأمین کند. برخی تلاش‌ها با شکست مواجه خواهند شد؛ بقیه باید آن‌قدر ارزش تولید کنند که هزینه آن شکست‌ها و هزینه یادگیری را پوشش دهند.

ارزیابی، زمان صرف‌شده توسط متخصصان، یکپارچه‌سازی و پیاده‌سازی را نیز در کنار صورت‌حساب مدل‌های هوش مصنوعی محاسبه کنید. یک دموی امیدبخش، تازه آغاز یک آزمون اقتصادی است.

تحقیق و توسعه بلندمدت به منطق سرمایه‌گذاری متفاوتی نیاز دارد. آزمایش یک مرکز تماس ممکن است در عرض چند روز نتیجه دهد، اما تبدیل یک کشف علمی به یک محصول تجاری ممکن است سال‌ها طول بکشد. هر یک را با توجه به تأثیر بالقوه آن در کسب‌وکار و زمانی که برای بروز آن ارزش نیاز است، قضاوت کنید.

در نهایت، مسیر از سیگنال مشتری تا بهبود پیاده‌سازی‌شده را بسنجید. چقدر طول می‌کشد تا اطلاعات قابل استفاده شوند؟ چقدر طول می‌کشد تا کسی تصمیم بگیرد؟ چقدر طول می‌کشد تا تغییرات در میدان عمل پیاده شوند؟ آیا واقعاً به مشتری کمک کرد؟ میزان حفظ مشتری، سهم از سبد خرید مشتری، درآمد سرانه هر کارمند و بهره‌وری دارایی‌ها می‌تواند نشان دهد که آیا این بهبودها به نتایج تجاری تبدیل شده‌اند یا خیر.

در آخر، از تخصصی که باعث کارایی سیستم می‌شود محافظت کنید. متخصصان باید در به‌روزرسانی دانشِ سیستم مشارکت داشته باشند و افراد تازه‌کار نیز برای توسعه قدرت قضاوت به زمان نیاز دارند. یکی از رویکردهای پیشنهادی، استفاده از «حالت سقراطی» است: از مدل بخواهید تا از فرد یادگیرنده سؤال بپرسد، استثناها را مطرح کند و از او بخواهد که استدلال خود را در برابر استانداردهای تخصصی دفاع کند. برای این کار زمان اختصاص دهید؛ افرادی که به مشتریان خدمت می‌کنند نباید مجبور شوند هر تراکنش را به یک جلسه آموزشی تبدیل کنند.

مزیت رقابتی در کاری نهفته است که یک شرکت با ظرفیت‌های آزادشده توسط هوش مصنوعی انجام می‌دهد. رقیبی که مدام راه‌های بهتری برای خدمت به مشتریان کشف می‌کند، می‌تواند به نوع کاملاً متفاوتی از رقیب تبدیل شود.

شما می‌توانید هوش و نبوغ زیادی را صرف بهینه‌سازی یک کشتی بادبانی در عصر کشتی‌های بخار کنید. اما مطمئن شوید که بخشی از سرمایه‌گذاری شما در هوش مصنوعی، کمک می‌کند تا کشف کنید مشتری در آینده به چه چیزی نیاز خواهد داشت و سازمان شما را برای ساخت آن آماده کند.