معمای بازدهی هوش مصنوعی؛ چرا شرکت‌ها ارزش واقعی این فناوری را اشتباه اندازه می‌گیرند؟

بازدهی واقعی هوش مصنوعی به بازطراحی چندساله پیوند میان فرآیندهای کاری، نقش‌های سازمانی و فناوری وابسته است؛ سرمایه‌گذاری بزرگی که استانداردهای حسابداری فعلی بخش عمده آن را در ترازنامه‌ها نادیده می‌گیرند.

سرمایه‌گذاران وال‌استریت این روزها مدام می‌پرسند چه کسی قرار است هزینه سنگین توسعه زیرساخت‌های هوش مصنوعی را تأمین کند. این پرسش کاملاً به‌جاست، اما تنها نیمی از ماجرا را بازگو می‌کند؛ نیمه دیگر و تعیین‌کننده‌تر این است که این هزینه‌کردها باید در کنار چه عواملی قرار بگیرند تا بازدهی واقعی به بار بیاورند. پاسخ، ایجاد سازوکاری برای تبدیل کارهای پراکنده و ساختارنیافته سازمانی به «سرمایه شناختی» (Cognitive Capital) است؛ سرمایه‌گذاری بنیادینی که استانداردهای حسابداری معمولاً آن را صرفاً هزینه‌ای جاری در نظر می‌گیرند.

نگرانی از تأمین مالی زیرساخت‌ها کاملاً جدی است. انتشار آمارهای بالاتر از حد انتظار تورم در روز چهارشنبه باعث افت ۱٫۸۸ درصدی شاخص نزدک کامپوزیت شد. هاک تن، مدیرعامل برودکام (Broadcom)، پیش‌تر هشدار داده بود که چالش‌های تأمین مالی می‌تواند مانعی بزرگ‌تر از کمبود تراشه یا برق در مسیر گسترش هوش مصنوعی باشد. از سوی دیگر، شرکت کُوروِیو (CoreWeave) با ثبت حدود ۳۵٫۱ میلیارد دلار بدهی و ۱۶٫۵ میلیارد دلار تعهدات اجاره تا پایان ژوئن، به کانون نگرانی‌ها درباره شکل‌گیری حباب دیتاسنترها با تکیه بر استقراض تبدیل شد. همه این مسائل به دفتر کل سرمایه گره خورده‌اند: بدهی، نرخ بهره و این پرسش کلیدی که آیا درآمدها به‌موقع از راه می‌رسند یا خیر.

سود کوتاه‌مدت و آسان در برابر بازدهی دشوار و بنیادین

شرکت‌ها در گام اول معمولاً سراغ بازدهی‌های سریع و در دسترس می‌روند؛ یعنی فرآیندی موجود را برمی‌دارند و بخشی از آن را با هوش مصنوعی خودکارسازی می‌کنند. نتیجه این کار بلافاصله در آمار تعدیل نیرو خود را نشان می‌دهد که اندازه‌گیری‌اش برای حسابداران ساده است. بر اساس «کتاب بژ» (Beige Book) فدرال رزرو که در ۱۴ اکتبر منتشر شد، برخی شرکت‌ها در پنج منطقه از دوازده منطقه اقتصادی آمریکا با افزایش بهره‌وری ناشی از هوش مصنوعی، اقدام به تعدیل نیرو، توقف استخدام یا کند کردن روند جذب نیرو کرده‌اند. با این حال، فدرال رزرو اشاره می‌کند که در بیشتر مناطق، تغییر خالص چشمگیری در کل آمار اشتغال رخ نداده است. از سوی دیگر، داده‌های موسسه Challenger, Gray & Christmas نشان می‌دهد هوش مصنوعی عامل بیش از ۱۲۰ هزار مورد از تعدیل نیروهای اعلام‌شده در آمریکا تا پایان ماه سپتامبر بوده که حدود ۲۱ درصد از کل آمار تعدیل‌ها را تشکیل می‌دهد.

شواهد موجود نشان می‌دهد موفقیت‌های چشمگیرتر در استفاده از هوش مصنوعی مستقیماً به بازطراحی جریان‌های کاری وابسته است. در نظرسنجی سال ۲۰۲۵ موسسه مک‌کینزی (McKinsey)، تنها ۳۹ درصد از پاسخ‌دهندگان اعلام کردند هوش مصنوعی روی سود پیش از کسر بهره و مالیات (EBIT) سازمانشان اثرگذار بوده و بیشتر آن‌ها این تأثیر را کمتر از ۵ درصد برآورد کردند. در این میان، تنها حدود ۶ درصد از سازمان‌ها در دسته «پیشتازان» قرار گرفتند که حداقل ۵ درصد از سود EBIT خود را مدیون هوش مصنوعی می‌دانستند و از ارزش‌آفرینی چشمگیر آن خبر دادند. در نظرسنجی سال ۲۰۲۶ همین موسسه، نزدیک به سه‌چهارم سازمان‌های پیشتاز اعلام کردند جریان‌های کاری خود را به‌خاطر هوش مصنوعی از اساس بازطراحی کرده‌اند؛ در حالی که این رقم برای سایر شرکت‌ها تنها حدود یک‌چهارم بود. بررسی‌های موسسه دیلویت (Deloitte) نیز نشان می‌دهد ۳۷ درصد از سازمان‌ها از هوش مصنوعی صرفاً به شکلی سطحی و بدون هیچ تغییری در فرآیندهای قبلی خود استفاده می‌کنند.

نظرسنجی موسسه کریرمایندز (Careerminds) از ۶۰۰ مدیر منابع انسانی که تجربه تعدیل نیرو داشتند نشان می‌دهد حدود دوسوم از سازمان‌هایی که نیروهایشان را به‌دلیل به‌کارگیری هوش مصنوعی کنار گذاشته بودند، خیلی زود روند استخدام مجدد برای همان موقعیت‌ها را آغاز کرده‌اند. هرچند این آمار مبتنی بر خوداظهاری است و جذب مجدد نیرو لزوماً اشتباه بودن تعدیل‌های اولیه را اثبات نمی‌کند، اما این واقعیت را تأیید می‌کند که صرفاً افزایش سرعت یک فرآیند بدون تغییر ساختار آن، محدودیت‌های زیادی به‌همراه دارد.

دستیابی به بازدهی بنیادین چه الزاماتی دارد؟

سرمایه شناختی به معنای مجموعه‌ای از فرآیندها، الگوریتم‌ها و داده‌هایی تعریف می‌شود که برای خلق ارزش، مستندسازی و نظام‌مند شده‌اند (مفهومی که در نظریه سازمان‌های بایونیک نیز مطرح می‌شود). این دارایی ارزشمند از سه سرچشمه رشد می‌کند: نخست، دانش ضمنی انسان‌ها که به‌شکل مکتوب و آشکار درمی‌آید؛ دوم، دانش آشکاری که حجم آن بیش‌ازحد سنگین یا تغییراتش بسیار سریع است و انسان‌ها به‌تنهایی نمی‌توانند آن را در مقیاس وسیع استانداردسازی کنند؛ و سوم، الگوهایی که ماشین‌ها در دل داده‌ها کشف می‌کنند؛ الگوهایی که پیش از آن در ذهن هیچ انسانی شکل نگرفته بود.

مدیریت کارآمد همواره مرزهای آن‌چه را که می‌توان مدون و استاندارد کرد جلو برده است. جنبش کنترل کیفیت در گذشته دقیقاً چنین نقشی را در سالن‌های کارخانه‌ها ایفا می‌کرد. ادواردز دمینگ و پیروانش مهارت‌های شهودی کارگران متخصص را به رویه‌ها و کنترل‌های آماری تبدیل کردند. با این حال، آن ساختار بر سلسله‌مراتبی از افراد آموزش‌دیده متکی بود که وظیفه نگارش، آموزش و اجرای این استانداردها را به دوش می‌کشیدند.

دستیابی به بازدهی عمیق‌تر زمانی میسر می‌شود که آن سلسله‌مراتب سنتی با ساختاری متشکل از همکاری انسان و ماشین جایگزین شود. سازوکار پیوسته‌ای را تصور کنید که تمام جریان‌های کاری ساختارنیافته و نیمه‌ساختاریافته شرکت—مانند ایمیل‌ها، رویدادهای استثنایی، قضاوت‌های موردی و راه‌حل‌های موقت کارکنان—را دریافت کرده و به آن‌ها ساختار می‌بخشد. ماشین‌ها متونی با حجمی فراتر از توان خواندن هر انسانی را پردازش می‌کنند و الگوها را بیرون می‌کشند؛ در مقابل، انسان‌ها داوری نهایی را انجام می‌دهند و مشخص می‌کنند چه مواردی باید به استاندارد سازمانی بدل شوند. هر چرخه‌ای از این فرآیند، اندوخته سرمایه شناختی را افزایش می‌دهد و هر دارایی افزوده، هزینه چرخه بعدی را پایین‌تر می‌آورد. این فرآیند یک پروژه با تاریخ انقضای مشخص نیست، بلکه یک سیستم‌عامل دائمی برای سازمان است.

پیاده‌سازی چنین رویکردی مستلزم بازطراحی بنیادین فرآیندها و نقش‌ها است. علاوه بر این، پیوند میان بخش فناوری و هسته تجاری سازمان را دگرگون می‌کند. واحد فناوری دیگر نمی‌تواند صرفاً در نقش پیمانکاری ظاهر شود که طبق درخواست‌های ارائه‌شده ابزار می‌سازد؛ و بخش تجاری نیز دیگر مشتری منفعلی نیست که تنها نیازهایش را دیکته کند. هر دو بال سازمان باید مالکان مشترک این سیستم باشند.

تجربه دو غول غیرفناورانه: جی‌پی مورگان و والمارت

دو شرکت بزرگ سنتی در خارج از دنیای فناوری به‌خوبی ابعاد این رویکرد و دلیل دشواری ارزیابی آن را نشان می‌دهند.

بانک جی‌پی مورگان چیس (JPMorgan Chase) ابزارهای هوش مصنوعی را در سراسر ارکان خود پیاده‌سازی کرده است. جیمی دایمن، مدیرعامل این بانک، در نشست فوریه با سرمایه‌گذاران اعلام کرد حدود ۱۵۰ هزار کارمند هر هفته از پلتفرم هوش مصنوعی اختصاصی بانک استفاده می‌کنند و برآورد می‌شود این پلتفرم در هر هفته حدود ۴ ساعت از زمان کاری آن‌ها را آزاد می‌کند. او تأکید کرد که بانک این ساعات صرفه‌جویی‌شده را در محاسبات ارزش فعلی خالص (NPV) وارد نمی‌کند و آن را معادل کاهش تعداد کارکنان نمی‌داند. در سال ۲۰۲۵، تعداد کل نیروی کار بانک تقریباً بدون تغییر در محدوده ۳۱۸ هزار و ۵۰۰ نفر ثابت ماند، اما ترکیب پرسنل دگرگون شد: نیروهای بخش عملیات ۴ درصد و پرسنل پشتیبانی ۲ درصد کاهش یافتند، در حالی که جایگاه‌های درآمدزا و پشتیبانی دفاتر اصلی ۴ درصد رشد کردند. دایمن همچنین اذعان کرد که هوش مصنوعی باعث تغییر شغل برخی کارمندان شده، اما بانک فرصت‌های شغلی جایگزینی را در بخش‌های دیگر به آن‌ها پیشنهاد داده است.

فروشگاه‌های زنجیره‌ای والمارت (Walmart) نیز با داشتن ۲٫۱ میلیون پرسنل، ابزارهای متعددی را بر پایه فعالیت‌های نیمه‌ساختاریافته توسعه داده است. والمارت در سال گذشته اعلام کرد دستیار گفت‌وگومحور اختصاصی کارکنان فروشگاه بیش از ۹۰۰ هزار کاربر هفتگی دارد و روزانه به بیش از ۳ میلیون پرسش پاسخ می‌دهد. والمارت همچنین ارتقای جدیدی را معرفی کرد که دستورالعمل‌های طولانی کاری را به راهنماهای گام‌به‌گام و خلاصه تبدیل می‌کند. ابزار ترجمه آنی این شرکت با پشتیبانی از ۴۴ زبان، با دانش اختصاصی والمارت غنی شده و به‌طور مداوم از طریق چرخه‌های بازخورد تقویت می‌شود. دونا موریس، مدیر ارشد منابع انسانی والمارت، در ماه آوریل اظهار داشت که تعداد کارکنان این غول خرده‌فروشی با وجود افزایش چشمگیر درآمدها نسبت به شش سال گذشته تقریباً ثابت مانده و هیچ موقعیت شغلی به‌خاطر هوش مصنوعی حذف نشده است. او یادآور شد که هوش مصنوعی بیشتر شغل‌ها را شکل می‌دهد تا اینکه ماهیت آن‌ها را کاملاً زیرورو کند. بازطراحی در والمارت، مستقیماً نحوه انجام وظایف درون هر نقش سازمانی را متحول کرده است.

چرا استانداردهای حسابداری این دستاوردها را پنهان می‌کنند؟

به نکات مورد تأکید مدیران هر دو شرکت دقت کنید: دایمن ساعات صرفه‌جویی‌شده را مستقیماً به کاهش پرسنل تعمیم نمی‌دهد؛ موریس نیز هدف والمارت را آزاد شدن وقت کارکنان برای تعامل چهره‌به‌چهره با مشتریان می‌داند؛ مزیتی ناملموس که در صورت‌های مالی ردیف مجزایی ندارد. در واقع هیچ‌کدام از این دو گزاره، بازده مالی دقیق و قابل‌اندازه‌گیری در دفاتر ثبت نمی‌کنند.

قوانین حسابداری دفاع از چنین سرمایه‌گذاری‌های سازمانی را برای مدیران دشوار می‌سازد. بر اساس استانداردهای حسابداری ایالات متحده، هزینه‌های مهندسی مجدد فرآیندها و تجدید ساختار نیروی کار، حتی اگر همراه با یک پروژه نرم‌افزاری بزرگ باشند، در لحظه وقوع به‌عنوان «هزینه جاری» ثبت می‌شوند؛ در حالی که تنها هزینه‌های واجد شرایط توسعه نرم‌افزار را می‌توان به دارایی سرمایه‌ای تبدیل کرد. طبق استانداردهای بین‌المللی حسابداری (IFRS) نیز مخارج فاز پژوهشی پروژه‌های داخلی بلافاصله هزینه تلقی می‌شوند و تنها هزینه‌های فاز توسعه در صورت داشتن شرایط لازم به‌عنوان دارایی نامشهود سرمایه‌ای ثبت می‌گردند. در نتیجه، بخش عمده مخارج سنگین سازمانی برای خلق یک سیستم سرمایه شناختی، به‌سرعت سود صورت سود و زیان را کاهش می‌دهد، بدون اینکه ارزش توانمندی خلق‌شده جایی در ترازنامه به‌عنوان دارایی ثبت شود؛ در حالی که بازدهی واقعی این تحول ممکن است چندین سال بعد نمایان شود.

اکنون وضعیت یک مدیر ارشد مالی (CFO) را در بازار پرتنش امروزی مجسم کنید؛ جایی که وام‌دهندگان و سرمایه‌گذاران بازار بدهی خواهان جریان نقدی کوتاه‌مدت هستند. اقداماتی که در دفاتر حسابداری قابل‌سنجش و چشمگیر به نظر می‌رسند کاملاً مشخص‌اند: خرید تراشه‌های بیشتر و تعدیل دستمزدها. از قضا سرمایه‌گذاری اصلی که در بلندمدت رشدی تصاعدی و ارزش مرکب می‌آفریند، همان چیزی است که استانداردهای حسابداری دفاع از آن را غیرممکن می‌کنند؛ پارادوکسی که مشوق‌های مالی را دقیقاً در تضاد با اقدامات تحول‌آفرین قرار داده است.

سه پرسش حیاتی که هیئت‌مدیره‌ها و سرمایه‌گذاران باید بپرسند

هم‌زمان با انتشار گزارش‌های مالی شرکت‌های بزرگ فناوری در هفته‌های پیش‌رو، سرمایه‌گذاران و اعضای هیئت‌مدیره باید فراتر از ارقام خام هزینه‌های سرمایه‌ای (CapEx)، این سه پرسش کلیدی را مطرح کنند:

نخست اینکه چه سهمی از بودجه هوش مصنوعی صرف بازطراحی شیوه انجام کارها می‌شود و چه مقدار از آن صرفاً به خودکارسازی همان فرآیندهای قدیمی و ناقص موجود اختصاص یافته است؟

دوم، آیا سازوکار پیوسته‌ای تحت مالکیت مشترک تیم‌های فنی و تجاری وجود دارد که بتواند داده‌ها و جریان‌های کاری پراکنده را به دانشی ساختاریافته بدل کند؟ و اگر چنین است، پایداری و روند توسعه این سازوکار چگونه ارزیابی می‌شود؟

سوم، شرکت چگونه سرمایه‌گذاری‌های چندساله خود در هوش مصنوعی را پیگیری و مدیریت می‌کند؟ آیا این سرمایه‌گذاری‌ها به شیوه‌ای حسابرسی می‌شوند که به‌جای چیدن میوه‌های دم‌دستی، تحولی بنیادین و استراتژیک را در دستور کار سازمان محقق سازند؟

حساسیت وال‌استریت در موشکافی هزینه‌های سنگین زیرساخت هوش مصنوعی کاملاً به‌جاست، اما مدیران اجرایی باید توانمندی هوش مصنوعی را در تقویت اهرم‌های عملیاتی و خلق نوآوری ببینند. مدیران باید در قبال نتایج پاسخگو باشند، اما رویکرد ترسو و کوتاه‌مدت در تحول سازمانی به کار نمی‌آید؛ زیرا هوش مصنوعی ثابت کرده می‌تواند گونه‌های کاملاً نوینی از سازمان‌ها را خلق کند. در شرایطی که پستانداران چابک در حال تصاحب دنیای جدید هستند، ژاکت پوشاندن به تن دایناسورهای قدیمی هیچ فایده‌ای ندارد!