اقتصاد هوش مصنوعی؛ کدام سرمایه‌گذاری‌ها واقعاً ارزش توسعه دارند؟

هوش مصنوعی اکنون به یکی از بزرگ‌ترین حوزه‌های هزینه در دنیای فناوری تبدیل شده است؛ با این حال طبق آمارها، تنها ۳۷ درصد از پروژه‌های هوش مصنوعی ارزش تجاری مورد انتظار را محقق می‌کنند. برای مدیران فناوری و مالی، چالش اصلی دیگر صرفاً شناسایی کاربردهای نویدبخش نیست، بلکه مسئله اساسی تشخیص این نکته است که کدام سرمایه‌گذاری‌ها ارزش اقتصادی کافی برای توجیه هزینه‌ها خلق می‌کنند و کدام پروژه‌ها را باید آغاز کرد، متوقف ساخت، بهبود بخشید یا به مقیاس بزرگ‌تر رساند.

تحقق این هدف نیازمند عبور از تصمیم‌گیری‌های مقطعی و پروژه‌محور و حرکت به‌سوی یک الگوی مدیریتی جامع است که به سرمایه‌گذاری‌های هوش مصنوعی به‌شکل یک سبد سرمایه‌گذاری متمرکز بر دستاوردهای واقعی کسب‌وکار نگاه می‌کند.

چگونه اقتصاد هوش مصنوعی ارزش تجاری را به استراتژی‌ها تزریق می‌کند؟

درک هزینه واقعی یک طرح هوش مصنوعی معمولاً بسیار پیچیده‌تر از بررسی ساده صورتحساب سرویس ابری، لایسنس نرم‌افزار یا کارمزد استفاده از مدل‌ها است. زیرساخت‌ها، میزان مصرف مدل‌ها مانند تعداد توکن‌ها، مدیریت داده‌ها، حاکمیت داده، امنیت، پشتیبانی عملیاتی و نیروی انسانی، همگی در بهای تمام‌شده واقعی مالکیت سهم دارند.

اقتصاد هوش مصنوعی، که به معنای سنجش پیوند میان بهای تمام‌شده مالکیت و ارزش تجاری حاصل از این سرمایه‌گذاری‌ها است، معیاری یکپارچه در اختیار مدیران فناوری و مالی قرار می‌دهد تا پروژه‌ها را با رویکردی منسجم ارزیابی کنند. سازمان‌ها به‌جای مقایسه سطحی هزینه‌ها، نرخ مصرف یا میزان پذیرش در پروژه‌های پراکنده، می‌توانند شاخص هزینه به ازای هر نتیجه عملیاتی را بسنجند و مشخص کنند که تخصیص سرمایه بیشتر در کدام بخش، بیشترین بازدهی را به ارمغان می‌آورد.

گذار از مدیریت پروژه به مدیریت سبد فناوری اطلاعات

ایجاد چنین شفافیتی زمانی اهمیت دوچندان می‌یابد که پروژه‌های هوش مصنوعی برای دریافت بودجه باید هم با یکدیگر و هم با حوزه‌های دیگر نظیر امنیت سایبری، تحلیل داده‌ها و هوش تجاری، خودکارسازی فرایندها، رایانش ابری عمومی، تحول دیجیتال و بدهی فنی رقابت کنند. داشتن دید فراگیر بر تمام ارکان این سبد فناوری، زمینه را برای تصمیم‌گیری‌های راهبردی‌تر و کلان‌تر در زمینه سرمایه‌گذاری هوش مصنوعی مهیا می‌سازد.

به‌طور سنتی، نظام حاکمیت فناوری همواره ارزیابی می‌کرد که آیا یک پروژه خاص طبق بودجه مصوب پیش می‌رود یا خیر؛ اما در چارچوب اقتصاد هوش مصنوعی، پرسش بنیادین این است که آیا این سبد سرمایه‌گذاری در حال خلق ارزش واقعی برای مجموعه هست یا خیر.

این نگرش به مدیران امکان می‌دهد تا به مجموعه‌ای از پرسش‌های اساسی و راهبردی پاسخ دهند:

• کسب‌وکار دقیقاً چه هزینه‌ای صرف می‌کند؟

• چه بخش‌هایی پیش‌برنده اصلی این هزینه‌ها هستند؟

• کدام طرح‌ها ارزش تجاری قابل‌اندازه‌گیری ایجاد می‌کنند؟

• سرمایه‌گذاری‌های بیشتر باید به کدام سمت هدایت شوند؟

• کدام پروژه‌ها نیازمند بازنگری و توقف احتمالی هستند؟

معمولاً هیچ مدیری به‌تنهایی تصویر کاملی از تمام این ابعاد در اختیار ندارد. مدیران ارشد فناوری اطلاعات (CIO) و مدیران ارشد فناوری (CTO) شفافیت لازم را درباره ظرفیت‌ها و الگوهای مصرف فناوری فراهم می‌کنند؛ مدیران ارشد مالی (CFO) انضباط سرمایه‌گذاری و پاسخگویی مالی را بر عهده دارند؛ و رهبران کسب‌وکار دستاوردها و نحوه تحقق ارزش نهایی را مشخص می‌سازند.

انجام چنین مقایسه‌هایی نیازمند یکپارچه‌سازی داده‌های مالی، عملیاتی، مصرف و سازمانی است؛ اطلاعاتی که معمولاً در سامانه‌های مستقل قرار دارند و بخش‌های مختلف تعبیرهای متفاوتی از آن‌ها ارائه می‌دهند. ایجاد این دیدگاه مشترک به مدیران کمک می‌کند گفتمان سازمانی را از پرسش «چقدر هزینه می‌کنیم؟» به‌سوی «چه ارزشی به کسب‌وکار اضافه می‌کنیم؟» هدایت نمایند.

سازمان فناوری اطلاعات شرکت IBM نمونه بارزی از اجرای عملی این رویکرد است. این مجموعه با بهره‌گیری از مجموعه یکپارچه راهکارهای Apptio برای پیوند زدن رویکردهای مالی، فناوری اطلاعات و کسب‌وکار، به شفافیت بسیار بالاتری در بهای تمام‌شده مالکیت نرم‌افزارها و نحوه همسویی منابع با اهداف راهبردی دست یافت. این دیدگاه مشترک به تیم‌ها کمک کرد درباره میزان اهمیت هر سامانه، نحوه مصرف و مدیریت مخارج آگاهانه‌تر عمل کنند و فرصت‌های مناسب برای سرمایه‌گذاری دوباره در اولویت‌های تحول‌آفرین را بازیابند.

تعیین معیارهای چهارگانه: آغاز، توقف، بهینه‌سازی و ارتقای مقیاس

یک چارچوب کاربردی، پروژه‌های هوش مصنوعی را با طرح دو پرسش مشخص دسته‌بندی می‌کند: آیا ارزش تجاری حاصل واقعی است و در مقایسه با یک خط مبنا سنجیده شده است؟ و آیا بهای تمام‌شده به ازای هر خروجی، کمتر از روش‌های پیشین انجام کار است یا خیر؟

پاسخ به این دو پرسش مشخص می‌کند که یک طرح باید آغاز شود، متوقف گردد، بهینه‌سازی شود یا در مقیاس وسیع‌تر توسعه پیدا کند.

آغاز (Start): پیش از تأمین بودجه برای یک طرح جدید، مدیران باید شاخص سنجش نتیجه، خط مبنایی برای ارزیابی و معیارهای روشنی برای توقف احتمالی پروژه تعریف کنند. هم‌چنین باید مشخص شود آیا ابزارها و قابلیت‌های موجود در سازمان توانایی حل همان مسئله را دارند یا خیر.

توقف (Stop): اگر دستاورد تجاری مورد انتظار در بازه زمانی توافق‌شده محقق نشود، پذیرش ابزار در بدنه سازمان با بن‌بست روبه‌رو گردد یا بهای تمام‌شده خروجی کمتر از خط مبنا نشود، زمان خاتمه دادن به پروژه فرارسیده است. توقف طرح‌های ناموفق و کم‌بازده، منابع ارزشمندی را برای سرمایه‌گذاری روی پروژه‌های پرپتانسیل آزاد می‌سازد.

بهینه‌سازی (Optimize): گاهی یک پروژه ارزش تجاری کاملاً روشنی تولید می‌کند، اما بهای تمام‌شده آن به ازای هر فرایند یا نتیجه بسیار سنگین است. در چنین شرایطی به‌جای حذف سریع پروژه، مدیران می‌توانند انتخاب مدل، الگوی استفاده، زیرساخت‌ها یا معماری طراحی را بازبینی کنند تا پیش از توسعه مقیاس، اقتصاد پروژه بهبود یابد. این تفکیک اهمیت فوق‌العاده‌ای دارد؛ چراکه بدون اشراف هم‌زمان بر هزینه و ارزش، سازمان‌ها ممکن است قابلیت‌های کارآمد هوش مصنوعی را صرفاً به این دلیل که هنوز اقتصاد آن‌ها بهینه‌سازی نشده است کنار بگذارند.

ارتقای مقیاس (Scale): طرح‌هایی که به‌طور مداوم ارزش ملموسی را همراه با توجیه پایدار اقتصادی نشان می‌دهند، گزینه‌های اصلی برای جذب سرمایه‌گذاری بیشتر و پشتیبانی سازمانی هستند. این ارزش تجاری می‌تواند در قالب ارتقای بهره‌وری، تحویل سریع‌تر خدمات، افزایش توان پردازشی، رضایت بیشتر مشتریان یا رشد درآمدها تجلی یابد.

پیوند این معیارها در کنار هم چرخه‌ای مداوم از بهینه‌سازی را شکل می‌دهد که به مدیران ارشد امکان می‌دهد بازتخصیص منابع را به‌جای تکیه بر هیجانات زودگذر، بر پایه شواهد و داده‌های مستند انجام دهند.

مدیریت هوش مصنوعی در قالب سبد سرمایه‌گذاری

هم‌گام با رشد سریع هزینه‌های هوش مصنوعی، مدیران باید نهتن‌ها میزان هزینه‌کردها را شفاف سازند، بلکه دقیقاً توضیح دهند که سازمان در قبال آن چه دستاوردی کسب می‌کند. ایجاد دیدگاهی مشترک نسبت به هزینه‌ها، الگوهای مصرف و نتایج کسب‌وکار، بستری یکپارچه میان مدیران فناوری، مالی و رهبران تجاری برای تصمیم‌گیری‌های حساس فراهم می‌آورد.

سازمان‌هایی که این قابلیت را توسعه می‌دهند، به‌خوبی تشخیص خواهند داد کدام سرمایه‌گذاری‌ها شایسته دریافت بودجه بیشترند، کدام بخش‌ها نیاز به بهینه‌سازی دارند و کدام پروژه‌ها باید متوقف شوند؛ روندی که در عین حال تصویری کاملاً شفاف از نحوه تبدیل هزینه‌های هوش مصنوعی به ارزش واقعی تجاری را در اختیار اعضای هیئت‌مدیره می‌گذارد.

این شیوه از تصمیم‌گیری در سطح سبد سرمایه‌گذاری، بر تجمیع اطلاعاتی استوار است که معمولاً میان سیستم‌های فناوری، مالی، عملیاتی، الگوهای مصرف و لایه‌های سازمانی پراکنده مانده‌اند. شرکت IBM این مسئله را از طریق پلتفرم IBM Apptio برطرف می‌کند و با بهره‌گیری از هوشمندی مالی در حوزه فناوری و بر پایه اصول FinOps و مدیریت مالی فناوری اطلاعات (ITFM)، بهای تمام‌شده، مالکیت، میزان مصرف و اقتصاد واحد را به ارزشی که پروژه خلق می‌کند متصل می‌سازد.

هدف نهایی صرفاً دستیابی به شفافیت آماری در مخارج هوش مصنوعی نیست، بلکه خلق چارچوبی مشترک میان مدیران فناوری، مالی و تجاری است تا با اطمینان درباره تخصیص بودجه بیشتر، اصلاح ساختار یا توقف نهایی طرح‌ها تصمیم بگیرند.

آینده رهبری در دنیای هوش مصنوعی متعلق به کسانی نخواهد بود که بیشترین ارقام را هزینه می‌کنند، بلکه از آنِ مدیرانی است که اقتصاد این سرمایه‌گذاری‌ها را به‌خوبی درک می‌کنند و می‌دانند بودجه بعدی باید دقیقاً در چه نقطه‌ای صرف شود.

مدیریت هوشمندانه سرمایه‌گذاری‌های هوش مصنوعی با راهکار Apptio.