چرا شرکت‌های Fortune 500 پس از ساخت ۱۸ هزار ایجنت هوش مصنوعی، تقریباً هیچ‌کدام را نگه نمی‌دارند؟

به‌سختی می‌توان مدیری در شرکت‌های بزرگ Fortune 500 پیدا کرد که به‌صورت علنی اعتراف کند شرکتش در توسعه هوش مصنوعی با مشکل مواجه است. اما در محافل خصوصی، مشخص می‌شود که بیشتر آن‌ها دقیقاً در چنین وضعیتی قرار دارند.

بر اساس گزارش‌های منتشرشده از جلسات خصوصی مدیران ارشد، بحث اصلی آن‌ها این روزها درباره این نیست که کدام مدل زبانی بهتر است یا آیا فناوری می‌تواند نیازهایشان را برآورده کند. دغدغه اصلی، نحوه جذب و یکپارچه‌سازی است. محدودیت واقعی در توسعه هوش مصنوعی، همان «متابولیسم سازمانی» است.

پیاده‌سازی هوش مصنوعی در مقیاس بزرگ همچنان یک چالش است.

برخی از سازمان‌ها پروژه‌های موفقی داشته‌اند. به عنوان مثال، یک شرکت نرم‌افزاری موفق شد حدود ۲۵۰ داشبورد فروش را که توسط ۴ هزار فروشنده استفاده می‌شد، با یک ایجنت جایگزین کند که اکنون تا ۳۰ هزار پرامپت در هفته را پردازش می‌کند. بازنشسته کردن تنها یکی از این داشبوردها باعث صرفه‌جویی سالانه ۳ میلیون دلار شد. شرکتی دیگر با استقرار یک ایجنت برای بهینه‌سازی پرداخت‌های مالیاتی، صدها میلیون دلار در هزینه‌های خود صرفه‌جویی کرد.

در بخش بهداشت و درمان، سازمان دیگری با استفاده از هوش مصنوعی مولد ده‌ها میلیون تماس پشتیبانی مشتریان را خلاصه کرد تا پیام‌های موفق را شناسایی کند که این کار حاشیه سودی معادل ۱۷۰ میلیون دلار به همراه داشت. از سوی دیگر، در بررسی‌های انجام‌شده مشخص شده است که اگر ایجنت‌ها برای درک انطباق داده‌ها در سطح جهانی به کار گرفته شوند، علاوه بر صرفه‌جویی قابل‌توجه در زمان، توانمندی‌های سازمان نیز به میزان چشمگیری افزایش می‌یابد.

جولیو مارتینز، مدیرعامل Abacum، پلتفرم برنامه‌ریزی مالی کسب‌وکارها، در این زمینه می‌گوید: «بزرگ‌ترین اشتباه این است که تصور کنیم خودکارسازی کارهای مالی باعث ایجاد یک رویکرد استراتژیک‌تر می‌شود. این‌طور نیست. هوش مصنوعی می‌تواند فرآیندهای موجود را به میزان قابل‌توجهی تسریع کند، اما فرصت واقعی در این است که تصمیم بگیریم کدام‌یک از این فرآیندها باید کاملاً حذف شوند و تیم‌های مالی باید زمان خود را صرف چه کارهای جدیدی کنند.»

هنگامی که از مدیران Fortune 500 خواسته شد وضعیت سازمان خود را توصیف کنند، رایج‌ترین پاسخ این بود که اگرچه چند نمونه موفق و ارزش‌آفرین از کاربرد هوش مصنوعی دارند، اما این فناوری هنوز با محصولات و استراتژی اصلی آن‌ها عجین نشده است.

پس چرا هوش مصنوعی در مدل‌های عملیاتی زنده استفاده بیشتری ندارد؟

شرکت‌هایی که عامدانه پول هدر می‌دهند

برخی سازمان‌ها در تلاش‌اند تا با صرف هزینه‌های کلان این مشکل را حل کنند. یک شرکت نرم‌افزاری سازمانی تنها در یک فصل حدود ۱۸ هزار ایجنت توسعه داد، با این پیش‌بینی که شاید تنها چند صد مورد از آن‌ها واقعاً مفید باشند. آن‌ها بودجه رایانش ابری خود را پشت سر گذاشتند و این هزینه‌های مازاد را با این تئوری برنامه‌ریزی کرده بودند که آزمایش‌های گسترده بسیار سریع‌تر از یک پروژه پایلوت کنترل‌شده، باعث یادگیری سازمان می‌شود.

اینکه این رویکرد نشانه‌ای از جسارت سازمانی است یا زیاده‌روی، جای بحث دارد. اما شواهد نشان می‌دهد که برخی از شرکت‌های بزرگ در حال محدود کردن هزینه‌های خود در این زمینه هستند.

مشکل سخت‌تر، تغییر ذهنیت‌ها است. در یک شرکت خدمات درمانی که یک فرآیند عملیاتی با حدود ۲۰۰ مرحله مجزا داشت، مدیران پیشنهاد دادند که سه مرحله از آن خودکار شود. اما مدیریت ارشد استدلال کرد که با وجود هوش مصنوعی، اصلاً نیازی به وجود بیشتر این مراحل نیست. خودکارسازی فرآیندهای ناکارآمد باعث تحول شرکت‌ها نمی‌شود.

همه به مدیران ایجنت‌ها تبدیل می‌شوند

تعداد ایجنت‌ها می‌تواند در چند ثانیه چند برابر شود، اما انسان‌ها این‌گونه نیستند. فناوری هفته به هفته پیشرفت می‌کند، اما سرعت این تغییرات توسط رفتار، اعتمادبه‌نفس و مهارت‌های انسانی محدود می‌شود.

واکنش‌ها در بسیاری از سازمان‌ها، تلاش برای غلبه بر اینرسی و محدودیت‌های انسانی است. یکی از شرکت‌ها اکنون هدف‌گذاری مرتبط با هوش مصنوعی را در ارزیابی عملکرد همه کارمندانش الزامی کرده است. مدیر ارشد فناوری یک سازمان از مهندسان نرم‌افزار خود خواست تا تخصصی را که در طول ۱۰ سال به دست آورده بودند کنار بگذارند و به جای آن بر هماهنگی تیمی از ایجنت‌های کدنویس تمرکز کنند. شرکتی دیگر، کارآموزانی را که با ابزارهای هوش مصنوعی بزرگ شده بودند، با مهندسان باتجربه‌ای که شناخت دقیقی از کسب‌وکار داشتند همراه کرد، به این امید که از این همکاری دستاوردهای مفیدی حاصل شود.

بر اساس گزارش‌های منتشرشده، هیچ‌یک از این سازمان‌ها معتقد نبودند که یک تیم فناوری به‌تنهایی بتواند این تغییرات را پیش ببرد. نیاز به تغییر باید از بالاترین سطح سازمان هدایت شود. اگر رهبران فناوری تنها کسانی باشند که وظیفه دارند هوش مصنوعی را به داخل شرکت بیاورند، شانس موفقیت آن‌ها بسیار کم است. این موضوع دیگر تنها یک پروژه پیاده‌سازی ساده نیست، بلکه مسئله تغییر در مدل عملیاتی است؛ تغییری که بحث را از یک رویکرد صرفاً فناورانه به یک دغدغه استراتژیک (و در نتیجه وظیفه مدیرعامل) تبدیل می‌کند.

توصیه‌های ارائه‌شده به نیروهای کار جدید نیز در همین راستا است. با توجه به اینکه هوش مصنوعی محدود بخش عمده‌ای از کارهای تخصصی را بر عهده خواهد گرفت، افراد دارای دیدگاه جامع و چندوجهی مانند معماران سیستم، طراحان و ارزیاب‌ها دست بالا را خواهند داشت.

ماهیت کار در حال تغییر است؛ افراد از اجرای گام‌به‌گام فرآیندها، به سمت نظارت، اعتبارسنجی و بازطراحی فرآیندهایی می‌روند که ایجنت‌ها انجام می‌دهند. بسیاری از کارمندان در آینده به مدیران ایجنت‌ها تبدیل خواهند شد. اما آیا رهبران Fortune 500 می‌دانند چگونه کارمندان خود را برای این نظارت آموزش دهند؟ پاسخ به این سؤال تاکنون چندان امیدوارکننده نبوده است و برنامه‌های ارتقای مهارت در سازمان‌ها همچنان با ضعف روبه‌رو هستند.

سال‌هاست که کارشناسان بر این باورند که عامل محدودکننده در توسعه هوش مصنوعی، خود فناوری نیست، بلکه سازمان و ساختار پیرامون آن است. ساخت ۱۸ هزار ایجنت یکی از راه‌های پی بردن به این واقعیت است؛ راهی که البته اصلاً ارزان تمام نمی‌شود.