چالش بازگشت سرمایه در هوش مصنوعی؛ چرا هزینه‌ها از ارزش واقعی کسب‌وکارها پیشی می‌گیرد؟

سرمایه‌گذاری در حوزه هوش مصنوعی به یکی از اولویت‌های راهبردی کسب‌وکارهای بریتانیایی تبدیل شده است؛ به‌طوری‌که در جریان هفته فناوری لندن، بیش از ۶ میلیارد پوند سرمایه‌گذاری تازه در این بخش معرفی شد تا بریتانیا جایگاه خود را به‌عنوان بزرگ‌ترین زیست‌بوم هوش مصنوعی در اروپا و سومین در جهان حفظ کند.

از پشتیبانی مشتریان و مدیریت دانش گرفته تا توسعه نرم‌افزار و عملیات درون‌سازمانی، شرکت‌ها به‌دنبال نقاطی هستند که ابزارهای هوش مصنوعی بتوانند بهره‌وری، دقت تصمیم‌گیری و عملکرد کلی کسب‌وکار را بهبود بخشند.

با وجود شتاب خیره‌کننده سرمایه‌گذاری‌ها، شکاف عمیقی در این میان خودنمایی می‌کند: سازمان‌ها اغلب سریع‌تر از توانایی خود در پایش، اعمال حاکمیت سازمانی و تبیین ارزش اقتصادی، مقیاس استفاده از هوش مصنوعی را توسعه می‌دهند. این مسئله زمانی اهمیت مضاعف پیدا می‌کند که مدیران ارشد فناوری (CIO) و مالی (CFO) به‌جای پرسش‌های ساده درباره میزان به‌کارگیری فناوری، با این سوال مواجه می‌شوند که سازمان در ازای هزینه‌های انجام‌شده چه دستاورد ملموسی کسب کرده است.

با تغییر رویکرد کسب‌وکارها از ابزارهای کمکی ساده مانند Copilot به سمت ایجنت‌های مستقر در جریان‌های کاری پیچیده، معادلات اقتصادی به‌مراتب دشوارتر می‌شود. تحلیل هزینه‌های یک کاربر در حال ارسال یک پرامپت ساده کاری آسان است؛ اما یک ایجنت ممکن است برای تکمیل یک وظیفه منفرد، چندین فراخوانی مدل انجام دهد، اطلاعات را جست‌وجو و بازیابی کند، ابزارهای خارجی را فعال سازد و اقداماتی متوالی به انجام رساند.

بسته به زیرساخت پلتفرم و مدل قیمت‌گذاری، این فرآیندها هزینه‌های پیش‌بینی‌نشده‌ای در زمینه ترافیک مصرفی، زیرساخت محاسباتی و نظارت فنی تحمیل می‌کنند. از این رو، مدیران ارشد فناوری نه‌تنها باید بدانند هوش مصنوعی در کدام بخش‌ها پیاده‌سازی شده، بلکه باید کارکرد دقیق، هزینه‌های تحمیلی و توجیه‌پذیری اقتصادی نتایج آن را نیز بسنجند.

سرمایه‌گذاری روی هوش مصنوعی این روزها تحت همان نظارت‌های سخت‌گیرانه‌ای قرار می‌گیرد که پیش از این برای سایر فناوری‌های کلان سازمانی اعمال می‌شد؛ با این تفاوت که ارزیابی بازگشت سرمایه (ROI) در این زمینه پیچیدگی‌های به‌مراتب بیشتری دارد.

میزان استفاده از این فناوری ممکن است در بخش‌ها، نرم‌افزارها، مدل‌ها و جریان‌های کاری گوناگون پخش شده باشد و مزایای به‌دست‌آمده نیز طیفی از صرفه‌جویی در زمان تا ارتقای کیفیت، کاهش ریسک یا افزایش درآمد را در بر بگیرد. بدون تعریف دقیق و توافق‌شده از مفهوم «موفقیت»، سازمان‌ها در عمل تنها حجم فعالیت‌ها را اندازه‌گیری می‌کنند، نه ارزش واقعی خلق‌شده را.

این مشکل زمانی تشدید می‌شود که سازمان‌ها بدون تعیین جایگاه ابزار در جریان کاری، فرد پاسخگو برای نتایج نهایی، شاخص‌های موفقیت و نحوه سنجش هزینه‌ها، اقدام به توسعه سریع ابزارها می‌کنند. در چنین شرایطی، بودجه‌ها میان خرید مجوزها، مدل‌ها، زیرساخت‌ها، پلتفرم‌ها و خدمات مبتنی بر مصرف خرد و پراکنده می‌شوند و نگاه یکپارچه‌ای برای ارزیابی ارزش‌آفرینی آن‌ها وجود نخواهد داشت.

ابعاد این چالش روزبه‌روز شفاف‌تر می‌شود. پژوهش‌های انجام‌شده توسط موسسه Emergn برآورد می‌کند که کسب‌وکارهای بزرگ بریتانیا سالانه بالغ بر ۶۷ میلیارد پوند را به دلیل پروژه‌های تحول دیجیتال و ابتکارات ناموفق هوش مصنوعی هدر می‌دهند. در پژوهشی جداگانه از سوی Censuswide با حضور ۵۰۰ مدیر ارشد تصمیم‌گیر در بریتانیا مشخص شد که تنها ۳۱ درصد از شرکت‌های فعال در حوزه هوش مصنوعی، بازگشت سرمایه مثبت از این فناوری را گزارش کرده‌اند.

نظارت و حاکمیت داده، بخش اصلی این چالش ارزیابی به شمار می‌رود. بر اساس یک پیمایش جامع میان ۸۵۱ مدیر فناوری اطلاعات در هفت کشور، شفافیت هزینه‌ها با ۵۱ درصد آرا به‌عنوان رایج‌ترین مانع در ارزیابی بازگشت سرمایه هوش مصنوعی شناخته شد و پیچیدگی‌های حاکمیتی با ۴۷ درصد در رتبه دوم قرار گرفت. چالش پیش رو صرفاً دانستن بهای خام هوش مصنوعی نیست؛ بلکه اتصال مستقیم این هزینه به سناریوی استفاده، داده‌های مورد تعامل و خروجی نهایی حاصل‌شده است.

بخش عمده‌ای از مباحثات پیرامون هوش مصنوعی تاکنون روی انتخاب مدل‌ها، مهارت‌آموزی و افزایش بهره‌وری متمرکز بوده است؛ اما با فراگیرتر شدن استفاده از این ابزارها، شکاف تازه‌ای میان ادعا تا واقعیت شکل گرفته است: اعتماد به سازوکارهای حاکمیتی لزوماً با آنچه در صحنه عمل رخ می‌دهد همخوانی ندارد.

طبق نتایج همین مطالعه، در حالی که ۹۳ درصد از مدیران IT باور داشتند حاکمیت سازمانی آن‌ها روی Microsoft 365 برای پشتیبانی مسئولانه از هوش مصنوعی آمادگی کامل دارد، ۲۹ درصد گزارش دادند که ابزارهای هوش مصنوعی داده‌های محرمانه و حساس سازمانی را برای کاربرانی که نباید دسترسی می‌داشتند نمایان ساخته‌اند و ۸ درصد دیگر حتی از رخ دادن یا ندادن چنین رخدادی بی‌اطلاع بودند.

این شکاف‌های نظارتی هزینه‌های جانبی و خطرات امنیتی به همراه دارند. ابزارهای تکراری، اعتبارسنجی‌های مضاعف، نیاز به بازبینی مجدد نتایج، بررسی‌های امنیتی و صرف وقت برای اطمینان از قابلیت اعتماد یک خروجی، نوعی مالیات پنهان بر پذیرش هوش مصنوعی تحمیل می‌کنند. برای مدیرانی که در تلاش برای اثبات ارزش تجاری هستند، کاهش این اصطکاک‌ها با افزایش شفافیت، مسئولیت‌پذیری و سنجش‌پذیری استفاده از فناوری آغاز می‌شود.

راهکارهای سازمان‌ها برای بازپس‌گیری کنترل هوش مصنوعی

حاکمیت داده کارآمد با فرآیند خرید نرم‌افزار آغاز نمی‌شود و با اختصاص دادن لایسنس پایان نمی‌یابد. آگاهی از تعداد لایسنس‌های خریداری‌شده هرچند لازم است، اما بازپس‌گیری کنترل نیازمند دیدگاهی جامع‌تر است: اشراف کامل بر نحوه استفاده و هزینه‌های هوش مصنوعی، تعیین مالکیت مشخص برای نتایج و ایجاد بستر اطلاعاتی منسجم و هدایت‌شده برای فعالیت ابزارها.

شفافیت در پاسخگویی و مالکیت فرآیند نقشی تعیین‌کننده دارد. با تنیده شدن هوش مصنوعی در لایه‌های کسب‌وکار، مرزهای مسئولیت میان تیم‌های فناوری اطلاعات، امنیت، واحدهای تجاری و کارمندان مخدوش می‌شود. همین مسئله پاسخ به پرسش‌های بنیادین را دشوار می‌کند: چه کسی مالک نتایج نهایی است؟ چه کسی نوسانات هزینه را پایش می‌کند؟ و چه مرجعی باید درباره توسعه، تغییر ساختار یا توقف یک سناریوی استفاده تصمیم بگیرد؟

مدیریت هزینه‌ها تنها نیمی از معادله است. سازمان‌ها باید بستر داده‌ای و محیط اطلاعاتی فعالیت هوش مصنوعی را بهینه کنند. این امر مستلزم حذف داده‌های تکراری و منسوخ، مدیریت دقیق سطوح دسترسی و هدایت مدل‌ها و کارکنان به‌سوی منابع معتبر و مستند است.

وجود داده‌های تمیزتر و منسجم‌تر ضامن مصونیت کامل خروجی‌های هوش مصنوعی از خطا نیست، اما ابهام را به حداقل رسانده و اتصال ایمن مدل‌ها به داده‌های واقعی سازمانی را امکان‌پذیر می‌سازد؛ عاملی که اتلاف وقت برای بازبینی و اصلاح اشتباهات را به شکل چشمگیری کاهش می‌دهد.

کارکنان نیز در این زنجیره سهمی حیاتی دارند. جداسازی پیش‌نویس‌ها از اسناد مصوب، به‌روز نگه‌داشتن اولویت‌ها، ثبت مکتوب تصمیمات و نگهداری مستندات معتبر باعث می‌شود درک بافت سازمانی برای افراد و ایجنت‌ها بسیار ساده‌تر شود. همچنین ابزارهای مبتنی بر هوش مصنوعی مانند دستیاران جلسات که برای ثبت و خلاصه مباحث به‌کار می‌روند، باید مشمول همان قواعد محرمانگی، پالایش و محدودیت‌های دسترسی شوند که برای سایر داده‌های حساس سازمان تعریف شده است.

در این نقطه، پرسش محوری پیش روی مدیران ارشد این نیست که آیا سرمایه‌گذاری روی هوش مصنوعی ارزش دارد یا خیر؛ بلکه سوال اساسی این است که آیا آن‌ها تسلط و دید کافی برای تشخیص نقاط ارزش‌آفرین از کانون‌های هدررفت سرمایه را در اختیار دارند تا بر پایه آن جهت‌گیری‌های خود را بازنگری کنند؟ روند سرمایه‌گذاری روی هوش مصنوعی بی‌شک ادامه خواهد یافت، اما انتظارات حاکم بر بازار دگرگون شده است.

استقرار صرف ابزارها دلیلی بر ارزش‌آفرینی نیست و حاکمیت سازمانی اکنون از یک مقوله مدیریت ریسک به بخشی حیاتی از طرح توجیهی کسب‌وکارها تبدیل شده است. مدیران باید بدانند هوش مصنوعی چه هزینه‌ای در پی دارد، مسئولیت پیامدهای آن بر عهده کیست، داده‌های پشتیبان آن تا چه حد قابل اتکا هستند و این سیستم‌ها چه سود ملموس و قابل‌سنجشی برای سازمان خلق می‌کنند.

برندگان آینده در زمینه گسترش هوش مصنوعی سازمان‌هایی نخواهند بود که بیشترین تعداد ابزارها را به خدمت گرفته‌اند، بلکه مجموعه‌هایی هستند که کارکرد واقعی ابزارهایشان را درک کرده، هزینه‌ها را شفاف ساخته و با آگاهی کامل درباره جایگاه منطقی این فناوری در کسب‌وکار خود تصمیم می‌گیرند.