چرا معیارهای سنتی سودآوری، مانع سرمایه‌گذاری واقعی شرکت‌ها در هوش مصنوعی می‌شوند؟

غول‌های ابری هم‌زمان در حال ساخت زیرساخت و «سرمایه شناختی» هستند

پیشنهاد مایکروسافت برای بازخرید اختیاری حدود ۶۰ هزار نفر از کارکنان خود، نشان می‌دهد که ورود به عصر هوش مصنوعی صرفاً یک شرط‌بندی روی زیرساخت نیست؛ بلکه نشانه‌ای آشکار از جایگزینی نیروی کار انسانی با دارایی‌های سرمایه‌ای به‌شمار می‌رود. تمامی غول‌های ابری در حال تبدیل‌شدن به شرکت‌های سرمایه‌محور هستند؛ بخشی از این اقدام برای افزایش ظرفیت پردازشی هوش مصنوعی است و بخشی دیگر برای تبدیل وظایفی که پیش‌تر توسط انسان‌ها انجام می‌شد به دارایی‌های پایدار شرکتی. این دارایی‌ها را می‌توان «سرمایه شناختی» (Cognitive Capital) نامید؛ مجموعه‌ای از الگوریتم‌ها، فرایندهای مستند‌سازی‌شده، قواعد تصمیم‌گیری و داده‌ها که در کنار یکدیگر ارزش‌آفرینی می‌کنند. شرکت‌هایی که ساختار انگیزشی مناسبی برای این تحول پیاده‌سازی کنند، می‌توانند بر مبنای تمایز شناختی خود به مزیتی رقابتی و پایدار دست یابند. با این حال، اگر پاداش مدیران صرفاً بر پایه سود قبل از بهره، مالیات و استهلاک (EBITDA) پرداخت شود، آن‌ها از سرمایه‌گذاری روی دارایی‌های شناختی اجتناب خواهند کرد، مگر اینکه جایگاه ویژه‌ای برای این طبقه جدید از دارایی‌ها در سازمان باز شود.

مدیری را تصور کنید که می‌خواهد فرایندی کلیدی را بازآفرینی کند؛ برای نمونه، مدیریت مطالبات معوق و اعتبارات پرریسک که در یک شرکت کارت‌های اعتباری تعیین می‌کند کسب‌وکار به سوددهی می‌رسد یا متضرر می‌شود. موسسه مکنزی یک الگوی عملیاتی مبتنی بر هوش مصنوعی برای این وظیفه ارائه کرده است. در شرکتی که تمام نگاه‌ها به شاخص EBITDA دوخته شده، مدیران بعید است دست به سرمایه‌گذاری چندساله برای توسعه سامانه‌ای نوین به‌منظور اخذ این تصمیم‌ها بزنند؛ چراکه چنین مخارجی بلافاصله EBITDA شرکت را کاهش می‌دهد و به کاهش پاداش سالانه خود مدیر منجر می‌شود. بسیاری از شرکت‌ها هزینه‌های هوش مصنوعی را به‌جای دارایی سرمایه‌ای، صرفاً هزینه‌کرد جاری دوره تلقی می‌کنند (این موضوع به ساختار انگیزشی و پاداش مدیران عملیاتی برمی‌گردد، نه نحوه گزارش‌گری طبق استانداردهای حسابداری GAAP یا IFRS).

اگر مدیران ارشد خواهان دگرگونی در فرایندهای کلیدی هستند، مدیریتی هوشمند اهداف شاخص EBITDA را متناسب با این تحول بازتنظیم خواهد کرد. البته ندیدن این مسئله برای بسیاری از سازمان‌ها قابل درک است، زیرا سرمایه شناختی در دست احداث، عمدتاً ناملموس و چندساله است و هیچ‌گاه پروژه‌ای کاملاً پایان‌یافته تلقی نمی‌شود. با این حال، هر شرکتی فرایندهایی وابسته به واژه‌ها، تصاویر، ارقام و اصوات دارد (همان‌طور که در مقاله نشریه Harvard Business Review تبیین شده است، شرکت‌هایی که عمده هزینه‌هایشان حول محتوای متنی، بصری، عددی و صوتی شکل گرفته و فعالیت‌هایشان از پیش دیجیتالی است، بیشترین اثرپذیری را از هوش مصنوعی دارند). در ساختارهای سنتی حسابداری، بخش عمده چنین مخارجی به محض وقوع، هزینه جاری قلمداد می‌شوند و سازوکار پاداش‌دهی کنونی دقیقاً در تقابل با مهم‌ترین تحولات استراتژیک سازمان قرار می‌گیرد.

سرمایه‌گذاری دوگانه غول‌های فناوری

مایکروسافت تنها شرکتی نیست که به سمت ساختاری سرمایه‌محورتر حرکت می‌کند. آمازون پیش‌بینی کرده که در سال ۲۰۲۶ حدود ۲۲۰ میلیارد دلار مخارج سرمایه‌ای خواهد داشت، رقمی که برای شرکت آلفابت تا ۲۰۵ میلیارد دلار و برای متا بین ۱۳۵ تا ۱۴۵ میلیارد دلار برآورد شده است. مجموع سرمایه‌گذاری‌های چهار غول بزرگ ابری به حدود ۷۲۵ میلیارد دلار می‌رسد. مایکروسافت که سال‌ها نماد شرکتی نرم‌افزاری با سرمایه فیزیکی محدود و سبک شناخته می‌شد، در سه‌ماهه چهارم سال مالی خود حدود ۴۱ میلیارد دلار سرمایه‌گذاری کرد که نسبت به سال گذشته رشد ۷۰ درصدی نشان می‌دهد.

بخشی از این ارقام سرسام‌آور به توسعه زیرساخت و ظرفیت‌های فیزیکی اختصاص دارد، اما بخش دیگری صرف تبدیل هزینه‌های مربوط به حقوق و دستمزد به دارایی‌های پایدار می‌شود؛ جایی که مهندسان با توسعه آزمون‌ها، ابزارها و ایجنت‌های هوش مصنوعی، کارهایی را انجام می‌دهند که تا پیش از این بر عهده لایه‌های گسترده‌ای از نیروی انسانی بود. اگرچه شرکت‌ها سهم دقیق این دو بخش را فاش نمی‌کنند، اما شواهد نشان می‌دهد سهم جایگزینی هوش مصنوعی با وظایف انسانی به‌طور چشمگیری در حال افزایش است.

اکنون از سایر ارکان اقتصاد و بخش‌های تجاری نیز خواسته می‌شود سرمایه‌گذاری مشابهی روی سرمایه شناختی انجام دهند، هرچند که بیشتر آن‌ها فاقد تجربه گسترده غول‌های فناوری در اجرای برنامه‌های کلان سرمایه‌گذاری هستند.

محاسبات ریاضی جایگزینی نیرو با سرمایه

اگر درآمد شرکتی را ثابت فرض کنیم و نیروی کار آن ۱۰ درصد کاهش یابد، شاخص درآمد به‌ازای هر کارمند ۱۱ درصد بالا می‌رود. در همین راستا، حدود ۶۰ هزار نفر از ۲۲۳ هزار نیروی کار مایکروسافت، یعنی نزدیک به ۲۷ درصد از کل کارکنان، مشمول طرح خروج اختیاری شده‌اند و این شرکت انتظار دارد متقاضیان کمتری نسبت به دوره قبلی ثبت‌نام کنند. با توجه به درآمد ۹۲٫۳ میلیارد دلاری گزارش‌شده در آخرین سه‌ماهه، درآمد سالانه مایکروسافت به ازای هر کارمند تقریباً ۱٫۷ میلیون دلار برآورد می‌شود.

این همان چیزی است که چارچوب تحلیلی WINS پیش‌بینی می‌کند. صنایعی هم‌چون تولید نرم‌افزار، خدمات حرفه‌ای و امور مالی در دسته‌ای قرار دارند که بخش عمده ساختار هزینه‌ای آن‌ها بر واژه‌ها، تصاویر، اعداد و صداها استوار است و پیشاپیش روندی دیجیتالی دارند. هنگامی که ماشین‌ها می‌توانند این وظایف را با کسری ناچیز از هزینه‌های دستمزد انسانی به سرانجام برسانند، شرکت ترجیح می‌دهد سرمایه را جایگزین نیروی کار کند. پرداخت‌های حقوق و دستمزد پس از تسویه هزینه‌های تعدیل، ظرف یک فصل کاهش می‌یابد؛ در حالی که دارایی‌های سرمایه‌ایِ توجیه‌کننده این جابه‌جایی، به سال‌ها زمان برای استقرار کامل نیازمندند.

بودجه‌ای که در هیچ شرکتی تعریف نشده است

در شرکت‌های بزرگ مالی و مشاوره‌ای مانند PwC، در عمل هیچ بودجه سرمایه‌ای مشخصی برای دارایی‌های دانشی در نظر گرفته نمی‌شد؛ چراکه سرمایه صرفاً به معنای اجاره دفاتر، ارتقای لپ‌تاپ‌ها یا تعریف پروژه‌های نرم‌افزاری مقطعی تعریف می‌شد. بسیاری از سازمان‌های مبتنی بر دانش هنوز با همین دست‌فرمان سنتی اداره می‌شوند؛ موسسات حقوقی سود سالانه را بی‌درنگ میان شرکا توزیع می‌کنند و حتی شرکت‌های نرم‌افزاری، بسیار ساده‌تر از لایه دانشی مستقر روی سرورها، برای ساخت مراکز داده بودجه کنار می‌گذارند.

مدیران در گذشته همواره طرح‌های نرم‌افزاری محدود با نقطه شروع، پایان و مسئول مشخص را به‌عنوان پروژه سرمایه‌ای می‌شناختند. در نقطه مقابل، دارایی جدید شناختی هیچ‌یک از این مرزهای سنتی را ندارد؛ این دارایی شامل فرایندهای کدنویسی‌شده، داده‌های پالایش‌شده، سامانه‌های ارزیابی و بستر استقرار ایجنت‌ها است که پیاده‌سازی کاربرد بعدی را ظرف چند روز میسر می‌سازد. توسعه این دارایی هرگز به نقطه پایانی نمی‌رسد، زیرا داده‌ها کهنه می‌شوند، مدل‌ها تغییر می‌یابند و فرایندها پیوسته نیازمند بازتنظیم هستند.

عملکرد شرکت DoorDash تصویری روشن از این دارایی ارائه می‌دهد. مهندسان این شرکت پلتفرمی از ایجنت‌ها ساخته‌اند که هر تغییر نرم‌افزاری را پیش از عرضه عمومی مورد آزمون قرار می‌دهد. بر اساس گزارش‌های منتشرشده، بازدهی آن‌ها از یک جلسه ارزیابی انسانی در روز، به حدود ۲ هزار سنجش کاملاً خودکار در روز رسیده است و راه‌اندازی سومین ایجنت هوش مصنوعی تنها یک هفته به درازا کشیده که ۱۰ برابر سریع‌تر از ایجنت نخست بوده است. مزیت رقابتی اصلی در سامانه هوشمندی است که مدل را در بر گرفته و حفظ چنین سامانه‌ای، هر ساله به تخصیص بودجه مستمر نیاز دارد.

چرا ساختار پاداش سازمانی مانع نوآوری می‌شود؟

افرادی که در بهترین موقعیت برای خلق این دارایی‌های شناختی هستند، طبق سیستم‌های پاداش فعلی تشویق می‌شوند که از آن دوری گزینند. به‌عنوان نمونه، درآمد شریک یک موسسه حقوقی به نسبت وکلای تازه‌کار به شرکا بستگی دارد؛ بنابراین ابزاری که ساعات کار ثبت‌شده وکلا را کاهش دهد، حوضچه سود تقسیمی میان شرکا را کوچک می‌کند. از سوی دیگر، مدیرعاملی که عملکردش صرفاً با شاخص EBITDA سال جاری سنجیده می‌شود، هزینه ساخت سیستم را در صورت‌های مالی دوره خود متحمل می‌شود، در حالی که ثمرات و منافع آن به دوران مدیر بعدی خواهد رسید.

راهکار چیست؟

نخست، بازنگری در نحوه تأثیرگذاری هزینه‌های هوش مصنوعی بر ساختار پاداش سازمان الزامی است؛ مدیران باید برای سرمایه شناختی، بودجه سرمایه‌ای مستقل و مشخصی پیش‌بینی کنند.

سپس باید ساختار پرداختی بازتنظیم شود. قوه قضاوت و قدرت تحلیلی که حیات روزمره کسب‌وکار به آن وابسته است، سرمایه شناختی به‌شمار می‌رود نه صرفاً هزینه دستمزد؛ بنابراین باید پاداش‌های بلندمدت و مبتنی بر سهام به آن تعلق گیرد، نه پاداش‌های مقطعی پایان سال. در نهایت، لازم است شاخص درآمد به‌ازای هر کارمند به‌طور هم‌زمان در کنار حجم سرمایه‌گذاری روی دارایی‌های شناختی پایش شود.

مایکروسافت مسیر تعدیل نیرو را پیش گرفته که گامی ساده‌تر محسوب می‌شود؛ اما دارایی‌هایی که بتوانند این جایگزینی را در درازمدت توجیه کنند به سال‌ها سرمایه‌گذاری نیاز دارند و سازمان‌ها باید بودجه لازم را به آن اختصاص دهند. غول‌های ابری میزان سهم سرمایه شناختی را از سرمایه‌گذاری‌های صدها میلیارد دلاری خود تفکیک نمی‌کنند، اما هر رهبر هوشمندی باید بداند چه سهمی از سرمایه‌اش صرف خلق این دارایی‌های بی‌بدیل می‌شود.