چالش ساختاری سازمان‌ها
پذیرش هوش مصنوعی، مدیران میانی را تحت‌فشار قرار می‌دهد
سید محمدجواد فیاض
- ۷ آبان ۱۴۰۵
بیشتر سازمان‌ها پذیرش هوش مصنوعی را یک چالش فناورانه تلقی می‌کنند؛ یعنی استقرار یک نرم‌افزار که باید توسط واحد فناوری اطلاعات مدیریت شود و مدیران ارشد نیز از موفقیت آن استقبال کنند. برخی حتی آن را مسیری سریع برای کاهش تعداد کارکنان می‌دانند.
مدرسه کسبوکار هاروارد برای درک اینکه پذیرش هوش مصنوعی در عمل چگونه پیش می‌رود، با ۱۸ نفر از شرکا، مدیران و مشاوران تازه‌کار در دو شرکت بزرگ مشاوره، مصاحبه‌های نیمه‌ساختاریافته انجام داد. به‌جای سنجش نگرش‌های کلی، از افراد در هر یک از این سطوح پرسیده شد که در عمل چگونه از هوش مصنوعی استفاده می‌کنند، چه حمایت‌هایی دریافت می‌کنند و در کجا با اصطکاک و دشواری مواجه می‌شوند.
یک روز کاری
آنچه آشکار شد، بیش از آنکه یک داستان فناورانه باشد، داستانی سازمانی بود. نقطه فشار در هر دو شرکت یکسان بود. پژوهش HBR نشان می‌دهد که موفقیت یا شکست واقعی در پذیرش هوش مصنوعی در «لایه میانی مدیریت» رقم می‌خورد.
برای درک بهتر، تصویری ترکیبی از یک مدیر معمولی در یک شرکت مشاوره را در نظر بگیرید:
- او روزش را با یادگیری تکنیک‌های جدید پرامپت‌نویسی، پیش از آنکه اعضای تیمش آنلاین شوند، آغاز می‌کند.
- سپس در جلسات با مشتریان شرکت می‌کند و به پرسش‌هایی درباره نحوه استفاده از هوش مصنوعی یا چگونگی استفاده تیمش از هوش مصنوعی برای تهیه خروجی‌های کاری پاسخ می‌دهد.
- تا میانه روز، باید خروجی‌های تولیدشده توسط هوش مصنوعی برای مشتریان را از نظر خطا بررسی کند، یک تحلیلگر تازه‌کار را که تاکنون حتی یک ارائه را از ابتدا تا انتها تهیه نکرده است آموزش دهد و درعین‌حال تلاش کند درخواست یک شریک برای تهیه یک یادداشت «تولیدشده با هوش مصنوعی» را تفسیر کند؛ آن هم در شرایطی که راهنمایی چندانی درباره معنای دقیق این عبارت دریافت نکرده است.
- در پایان روز، مستند می‌کند که چه چیزهایی مؤثر بوده‌اند تا تیم بتواند در دفعات بعد از آموخته‌های جدید خود درباره هوش مصنوعی مجدد استفاده کند.
در مصاحبه‌ها، نسخه‌های مختلفی از این داستان بارها تکرار شد. مدیر ترکیبی این پژوهش، فردی استثنایی نیست؛ شاید امروز حتی نمونه‌ای معمول باشد. اگرچه این پژوهش بر صنعت مشاوره متمرکز بود، اما الگوهایی که مشاهده شد؛ یعنی مدیرانی گرفتار میان جاه‌طلبی مدیران ارشد و واقعیت عملیاتی و بدون برخورداری از حمایت رسمی کافی، احتمالاً برای رهبران صنایع دانش‌بنیان نیز آشناست.
شکاف میان قابلیت و واقعیت
داده‌های نظرسنجی نشان‌دهنده پذیرش گسترده؛ اما سطحی هوش مصنوعی و خلق ارزش نابرابر هستند. در حال حاضر، حدود ۸۸ درصد سازمان‌ها در دست‌کم یکی از کارکردهای کسبوکار خود از هوش مصنوعی استفاده می‌کنند، اما تنها حدود یک‌چهارم آنها قابلیت‌های لازم برای ایجاد ارزش ملموس فراتر از پروژه‌های آزمایشی اولیه را توسعه داده‌اند.
پژوهش‌های مک‌کنزی بازطراحی گردش‌کار و نه پیچیدگی فناورانه را عامل اصلی تأثیرگذاری هوش مصنوعی می‌دانند و ابن مصاحبه‌ها کمک می‌کنند بفهمیم چرا چنین است. در سطح ارشد، مدیران در حال بهره‌گیری جدی از ظرفیت راهبردی هوش مصنوعی هستند، دامنه فعالیت‌ها را گسترش می‌دهند، با تیم‌های کوچک‌تر سرعت ارائه خدمات را افزایش می‌دهند و در حال بازطراحی خدمات خود هستند. در سطح کارکنان تازه‌کار، مشاوران از افزایش چشمگیر بهره‌وری خبر می‌دهند امور اداری رایانه‌ای که زمانی چند روز طول می‌کشید، اکنون در ۳۰ دقیقه انجام می‌شود، تحلیل‌هایی که پیش‌تر هفته‌ها زمان می‌بردند حالا تنها چند ساعت طول می‌کشند. کارکنان تازه‌کار که از بند انجام کارهای ابتدایی رها شده‌اند، زودتر از هر نسل قبلی به ترکیب و جمع‌بندی راهبردی اطلاعات می‌پردازند و در مراحل ابتدایی‌تر فعالیت حرفه‌ای خود در مصاحبه‌های کشف و شناخت نیازهای مشتری حضور پیدا می‌کنند.
اما دستاوردهای بهره‌وری در پایین‌ترین سطح و جاه‌طلبی‌های راهبردی در بالاترین سطح، در یک نقطه فشار مشترک به هم می‌رسند؛ یعنی مدیران میانی.
مصاحبه‌ها و پژوهش حاضر نشان می‌دهد که مدیران زیر بار مسئولیت شناسایی و اصلاح «هرزکاری» (Workslop) ناشی از هوش مصنوعی در حال غرق‌شدن هستند. هرزکاری یعنی محتوای تولیدشده توسط هوش مصنوعی که ظاهری حرفه‌ای دارد، اما فاقد محتوای اصولی و قائم به ذات است و به پیشبرد واقعی کار کمک نمی‌کند. از این مدیران میانی انتظار می‌رود خروجی‌های هوش مصنوعی را اعتبارسنجی کنند، خطاها را شناسایی کنند، مهارت‌های هوش مصنوعی و اصول پایه کار حرفه‌ای را به اعضای تیم آموزش دهند و استانداردهای کیفی را حفظ کنند؛ همه اینها در شرایطی که فشار برای تحویل کار ثابت مانده یا حتی افزایش یافته و ساختارهای حمایتی رسمی نیز در اختیارشان نیست.
این بار مضاعف، بحرانی را تشدید می‌کند که پیش از ظهور هوش مصنوعی نیز وجود داشت. مدیران میانی پیش از ظهور هوش مصنوعی نیز مسئولیت بیشتری نسبت به گذشته بر دوش داشتند؛ زیرا تعدیل نیرو و بازسازمان‌دهی‌ها لایه‌های حمایتی را حذف کرده و باعث شده بود افراد کمتری مسئول نظارت بر کارکنان بیشتری باشند. گارتنر در سال ۲۰۲۴ پیش‌بینی کرد که در سال ۲۰۲۶، در حدود ۲۰ درصد سازمان‌ها از هوش مصنوعی برای تخت‌تر کردن ساختار سازمانی خود استفاده خواهند کرد و بیش از نیمی از موقعیت‌های فعلی مدیریت میانی را حذف خواهند کرد. ازسوی‌دیگر، گالوپ نشان می‌دهد که میزان درگیری شغلی مدیران از ۳۰ درصد در سال ۲۰۲۳ به تنها ۲۲ درصد در سال ۲۰۲۵ کاهش یافته است که شدیدترین میزان افت در میان تمام گروه‌های کارکنان است. هوش مصنوعی بحران فرسودگی مدیران میانی را ایجاد نکرده است؛ اما آن را شتاب بخشیده است.
افزایش بیش از حد حجم کاری مدیران میانی یک ریسک ساختاری ایجاد می‌کند. پرسشی که رهبران باید با آن مواجه شوند، نباید این باشد که آیا باید این لایه را کوچک‌تر کنند یا خیر؛ بلکه باید این باشد که چگونه آن را تقویت کنند؛ زیرا زمانی که لایه میانی عملکرد مناسبی نداشته باشد، نه دستاوردهای بهره‌وری در سطح کارکنان تازه‌کار و نه جاه‌طلبی‌های راهبردی در سطح شرکا، هیچ‌کدام نمی‌توانند به ارزش واقعی برای مشتری تبدیل شوند.
گذار به هوش مصنوعی به سرمایه‌گذاری قابل‌توجه نیاز دارد
این ایده که هوش مصنوعی می‌تواند وقت کارکنان را برای انجام وظایف باارزش‌تر آزاد کند، به‌خوبی تثبیت شده است. اما آنچه در این پژوهش مشاهده شد، پدیده‌ای مشخص‌تر بود؛ الگویی که پژوهشگران آن را «ارتقای نقش» (Role Elevation) می‌نامند.
در تیم‌هایی که گذار به هوش مصنوعی در آنها به‌خوبی پیش می‌رفت، از هوش مصنوعی برای حذف نقش‌ها استفاده نمی‌شد؛ بلکه از آن برای انتقال کار به سطوح بالاتر استفاده می‌شد. کارکنان تازه‌کار وظایف باارزش‌تری مانند تفسیر داده‌ها و مشارکت در گفت‌وگوهای راهبردی را بر عهده می‌گرفتند؛ کارهایی که پیش‌تر معمولاً به کارکنان ارشد‌تر سپرده می‌شد. شرکا نیز از فروش روش‌شناسی به فروش قضاوت مبتنی بر هوش مصنوعی روی آورده بودند.
اما مدیران تجربه‌ای از ارتقای نقش نداشتند. مسئولیت‌های جدید آنها شامل نظارت، مربی‌گری و کنترل کیفیت مرتبط با هوش مصنوعی، صرفاً به کارهای قبلی‌شان اضافه شده بود. بدون حمایت سازمانی، مدیران ارتقا پیدا نمی‌کنند؛ زیر این بار دفن می‌شوند. مصاحبه‌های این پژوهش، سه شکل متمایز را آشکار کرد که در آنها لایه میانی سازمان زیر وزن پذیرش هوش مصنوعی در حال ازکارافتادن است.
اختلال اول: یادگیری غیررسمی است، اما فشار برای تحویل کار پیوسته ادامه دارد
در شرکت‌هایی که بررسی شد، در بسیاری از تیم‌ها زمانی که هوش مصنوعی ذخیره می‌کرد، بلافاصله توسط کار مشتری و فشار برای تحویل کار بلعیده می‌شد. از مدیران انتظار می‌رفت آزمایش کنند، یاد بگیرند و به دیگران آموزش دهند، اما مسئولیت‌های رسمی آنها تغییری نکرده بود. در نتیجه، تیم‌ها بارهاوبارها همان مسائل را از نو حل می‌کردند. پرامپت‌های مؤثر، گردش‌کارها و رویه‌های حاکمیتی به‌جای آنکه در سطح سازمان نهادینه شوند، در میان افراد به‌صورت پراکنده باقی می‌ماندند.
تیم‌هایی که این مسئله را بهتر مدیریت می‌کردند، به طور مداوم دو تغییر عملیاتی ایجاد کرده بودند:
- برای یادگیری زمان مشخص و محافظت‌شده‌ای در نظر گرفته بودند.
- یافتن و استفاده مجدد از آموخته‌های قبلی را برای سایر تیم‌ها آسان‌تر کرده بودند.
مدیریت ارشد در دوره‌های گذار به هوش مصنوعی، به طور موقت اهداف بهره‌برداری از نیروی انسانی را کاهش داده بود، زمان مشخصی را برای مشارکت و یادگیری رسمی کرده بود (برای مثال، جلسات هفتگی‌ای که در آنها مشاوران تازه‌کار آموخته‌های خود را با تیم‌هایشان به اشتراک می‌گذاشتند) و ارزیابی عملکرد را به میزان مستندسازی و به‌اشتراک‌گذاری موارد استفاده از هوش مصنوعی توسط کارکنان پیوند زده بود. زمانی که زمان یادگیری در تقویم رسمی سازمان جای گرفت، پذیرش هوش مصنوعی شروع به اثرگذاری انباشتی کرد.
تفاوت میان تیم‌های موردمطالعه در این نبود که به کدام ابزارهای هوش مصنوعی دسترسی داشتند. تفاوت در این بود که آیا تیم‌ها یک مرکز داخلی متمرکز ایجاد کرده بودند که ابزارها، موارد استفاده و راهنمایی‌های حاکمیتی را یکجا گردآوری کند و از یک قابلیت جست‌وجوی قدرتمند برخوردار باشد تا کارکنان دقیقاً بدانند برای یافتن اطلاعات باید به کجا مراجعه کنند یا خیر.
مؤثرترین رویه‌های هوش مصنوعی اغلب از سوی تیم‌های خط مقدم و در جریان حل مشکلات فوری پروژه‌ها شکل می‌گرفتند؛ اما تنها زمانی مقیاس‌پذیر می‌شدند که شرکت زیرساخت لازم برای ثبت و بازتوزیع آموخته‌های آنها را در اختیار داشت. در نتیجه، تیم‌ها آزمایش‌های تکراری کمتری انجام می‌دادند و استفاده مجدد از آموخته‌ها در پروژه‌های مختلف افزایش می‌یافت.
اختلال دوم: مشوق‌ها به رفتارهای اشتباه پاداش می‌دهند
هوش مصنوعی در حال بازتعریف معنای عملکرد خوب است، اما بیشتر نظام‌های ارزیابی هنوز خود را با این واقعیت تطبیق نداده‌اند. در شرکت‌های موردمطالعه، معیارهای سنتی همچنان به ساعات ثبت‌شده و خروجی فردی پاداش می‌دهند. در همین حال، رفتارهایی که پذیرش موفق هوش مصنوعی را پیش می‌برند (مانند به‌اشتراک‌گذاری پرامپت‌های مؤثر میان تیم‌ها، مربی‌گری دیگران و مشارکت در ابزارهای داخلی) نادیده گرفته می‌شوند. پژوهشگران در برخی موارد دریافتند که کارکنان حتی از اذعان به استفاده از هوش مصنوعی در کار خود اجتناب می‌کردند؛ مسئله‌ای که نشان می‌دهد ساختار مشوق‌ها همچنان تلاش شخصی را با ارزش حرفه‌ای یکسان می‌گیرد.
راه‌حل نیازمند تغییراتی در تمام سطوح است، اما این تغییر به‌ویژه برای مدیران اهمیت دارد. رهبران ارشد باید بپذیرند که مدیران اکنون سه بار سنگین را هم‌زمان بر دوش دارند:
- مدیریت آزمایش‌های هوش مصنوعی
- حفظ تحویل کار به مشتری
- توسعه توانایی افراد
بنابراین باید به مربی‌گری، توسعه تیم و انتقال دانش پاداش دهند، نه صرفاً به تحویل کار.
تا زمانی که ساختارهای مشوق این واقعیت را منعکس نکنند، مدیران به طور پیش‌فرض به سمت چیزهایی خواهند رفت که اندازه‌گیری می‌شوند؛ مانند درصد بهره‌برداری از نیروی انسانی. در نتیجه، مربی‌گری و دانش‌سازی که موجب انباشت و گسترش پذیرش هوش مصنوعی می‌شود، به حاشیه رانده خواهد شد.
اختلال سوم: رهبران و مدیران در دو واقعیت متفاوت فعالیت می‌کنند
داده‌های نظرسنجی BCG نشان می‌دهد مدیران اجرایی تقریباً دو برابر بیشتر از کارکنان احتمال دارد که نیروی انسانی را در قبال هوش مصنوعی مشتاق توصیف کنند. پژوهش حاضر نیز این شکاف ادراکی را تأیید کرد و نشان داد که این شکاف در «سطح مدیران» بیشترین آسیب را ایجاد می‌کند. شرکا معمولاً از نحوه تغییر کار عملیاتی در اثر هوش مصنوعی فاصله داشتند و همین مسئله میان چشم‌انداز راهبردی و واقعیت روزمره شکاف ایجاد می‌کرد. این شکاف اهمیت دارد و مدیران میانی تلاش می‌کنند به‌تنهایی آن را پر کنند.
این مدیران هستند که تصمیم می‌گیرند چه زمانی خروجی هوش مصنوعی به‌اندازه کافی خوب است، کارکنان تازه‌کار هنوز چه کارهایی را باید به‌صورت دستی یاد بگیرند، چه استانداردهایی باید برای کارهای ارائه‌شده به مشتری اعمال شود و چگونه باید با مشتری‌ای برخورد کرد که فرض می‌کند تمام کاری که دریافت کرده توسط هوش مصنوعی تولید شده است. زمانی که در این دوره گذار، هیچ جهت‌گیری یا استانداردی در سطح کل شرکت وجود نداشته باشد، این تصمیم‌ها به‌صورت جداگانه و تیم‌به‌تیم گرفته می‌شوند.
بستن این شکاف نیازمند مشارکت آشکار و قابل‌مشاهده رهبران است؛ مشارکتی که حول نیازهای مدیران شکل گرفته باشد. زمانی که رهبران در جلسات کاری حضور پیدا کردند، مدیران گزارش دادند که بار تفسیری‌ای که پیش‌تر به‌تنهایی بر دوش می‌کشیدند، شروع به کاهش کرد؛ جهت‌گیری در سطح شرکت جای حدس و گمان فردی را گرفت. رهبران نیز درک روشن‌تری از بده‌بستان‌های عملی‌ای پیدا کردند که مدیران با آنها مواجه بودند و همین امر به تنظیم دقیق‌تر انتظارات کمک کرد.
هم‌زمان، شرکت‌ها باید مستقیماً در آموزش اختصاصی هوش مصنوعی برای مدیران سرمایه‌گذاری کنند. آموزش هدفمند درباره نظارت بر هوش مصنوعی ارائه دهید؛ از جمله تشخیص توهمات هوش مصنوعی (Hallucination)، ارزیابی پرامپت‌ها و راستی‌آزمایی تحلیل‌های تولیدشده توسط هوش مصنوعی. انجمن‌های یادگیری مدیر به مدیر ایجاد کنید تا تکنیک‌های بازبینی میان تیم‌ها منتقل شوند، نه اینکه هر تیم آنها را به‌صورت مستقل ابداع کند و مهم‌تر از همه، انتظارات سازمان درباره نحوه استفاده از هوش مصنوعی را به‌صورت شفاف مشخص کنید تا هر مدیر مجبور نباشد قوانین را به‌تنهایی تفسیر کند.
حفاظت از مسیر پرورش مدیران آینده
در زیر فشار واردشده بر مدیران میانی، مسئله‌ای عمیق‌تر وجود دارد که نیازمند توجه است. اگر مدیران زمان بیشتری را صرف اعتبارسنجی خروجی‌های هوش مصنوعی و خاموش‌کردن آتش مشکلات کنند، چه کسی نسل بعدی رهبران را پرورش خواهد داد؟
در مشاوره سنتی، کارکنان تازه‌کار با مشاهده نزدیک مدیران یاد می‌گرفتند؛ کارهایی مانند اینکه چگونه یک برنامه کاری را ساختاربندی کنند، چگونه یک تحلیل را تحت‌فشار قرار دهند و اعتبار آن را بیازمایند و چگونه با گفت‌وگوهای دشوار با مشتریان برخورد کنند. کار ترکیبی بخشی از این الگوی شاگردی را تضعیف کرده است. هوش مصنوعی ممکن است با فشرده کردن وظایف فنی، پیش از آنکه قوه قضاوت شکل گرفته باشد، این روند را بیش‌ازپیش تضعیف کند.
یک کارمند تازه‌کار اکنون می‌تواند خیلی سریع یک خروجی کاری صیقل‌خورده و حرفه‌ای تولید کند. اما آنچه همچنان برای یادگیری به زمان نیاز دارد، این است که تشخیص دهد چه زمانی یک تحلیل ظاهراً منطقی اما در واقع ضعیف است، آیا توصیه‌های ارائه‌شده منطقی هستند یا خیر و چگونه می‌توان بدون ازدست‌دادن اعتماد مشتری، او را به چالش کشید.
این مسئله صرفاً یک مشکل در گردش‌کار نیست؛ مشکلی در مسیر پرورش رهبران سازمان است. اگر شرکت‌ها بتوانند زمانی را که مدیران صرف بررسی مجدد خروجی‌های هوش مصنوعی می‌کنند را کاهش دهند، می‌توانند بخشی از این ظرفیت را به مربی‌گری و توسعه افراد اختصاص دهند. شرکت‌هایی که راهی برای محافظت از این ظرفیت پیدا کنند، همان‌هایی خواهند بود که پنج سال دیگر همچنان یک مسیر پرورش رهبری قدرتمند خواهند داشت. شرکت‌هایی که موفق به انجام این کار نشوند، متوجه خواهند شد که هوش مصنوعی سرعت انجام کار کارکنان تازه‌کار را شتاب بخشیده، اما مسیر تبدیل‌شدن یک مشارکت‌کننده به یک رهبر را از درون تهی کرده است.
سرمایه‌گذاری در لایه میانی سازمان می‌تواند به پذیرش هوش مصنوعی‌ای منجر شود که در سراسر سازمان به‌صورت انباشتی رشد می‌کند. تیم‌ها کارهای جدید خود را بر کارهای یکدیگر بنا می‌کنند. با افزایش تسلط مدیران بر هوش مصنوعی، کیفیت بهبود می‌یابد. کارکنان تازه‌کار سریع‌تر رشد می‌کنند. شرکا نیز می‌توانند با اعتبار بیشتری درباره هوش مصنوعی با مشتریان صحبت کنند، زیرا دیده‌اند که این فناوری در تیم‌های خودشان چگونه کار می‌کند، نه صرفاً اینکه تصور می‌کنند در واقعیت چگونه ممکن است عمل کند.
تفاوت در پذیرش هوش مصنوعی به فناوری مربوط نیست. مسئله این است که آیا رهبری سازمان ساختار حمایتی لازم را پیرامون افرادی که در عمل هوش مصنوعی را به کار می‌اندازند، ایجاد کرده است یا خیر.
هر مدیر باید سه پرسش را از خود بپرسد:
- چه کسی در سازمان هزینه جاه‌طلبی‌های هوش مصنوعی را می‌پردازد؟
- آیا به‌اندازه کافی از آنها حمایت می‌کنید؟
- آیا ظرفیت موردنیاز مدیران خود برای پرورش رهبرانی که پس از آنها خواهند آمد را حفظ کرده‌اید؟
