چگونه ظرفیت هوش مصنوعی را به سودآوری سازمانی تبدیل کنیم

بین میزان استفاده شرکت‌ها از هوش مصنوعی و تبدیل این سرمایه‌گذاری‌ها به سود واقعی، شکاف قابل‌توجهی وجود دارد. چرا چنین وضعیتی پیش آمده و شرکت‌ها چه اقداماتی می‌بایست انجام دهند؟ «مجله کسب‌وکار اروپا» «The European Business Review» در جدیدترین نسخه خود (July-Aug 2025) در گزارشی با عنوان «How To Translate AI Potential Into Corporate Profitability» به بررسی این موضوع پرداخته است.

تأخیر در ارزش‌آفرینی

نشانه‌های استفاده شرکت‌ها از هوش مصنوعی هر روز بیشتر می‌شود؛ نسخه‌های جدید نرم‌افزارها مرتب منتشر می‌شوند، استارتاپ‌ها با شرکت‌های بیشتری قرارداد می‌بندند و ارائه‌دهندگان خدمات ابری رشد دورقمی را گزارش می‌دهند؛ تا جایی که دیگر نمی‌توان هوش مصنوعی را یک «فناوری نوظهور» نامید. گزارش «شاخص هوش مصنوعی ۲۰۲۵» (2025 AI Index Report) از مؤسسه هوش مصنوعی انسان‌محور دانشگاه استنفورد (Stanford Institute for Human-Centered AI) نیز نشان می‌دهد که ۷۸درصد سازمان‌ها از هوش مصنوعی استفاده می‌کنند که نسبت به مقدار ۵۵درصدی آن در سال ۲۰۲۳، پیشرفت چشمگیری است.

طبیعی است انتظار داشته باشیم این رشد سریع به افزایش سودآوری شرکت‌ها منجر شود. این موضوع در مورد شرکت‌هایی که ابزارها و زیرساخت‌های لازم برای رشد هوش مصنوعی را فراهم می‌کنند، صادق است. تولیدکنندگان پردازنده‌ها و ارائه‌دهندگان خدمات ابری سود هنگفتی به دست آورده‌اند و ارزش بازار آن‌ها به‌سرعت رشد کرده است. اما در طرف دیگر، شرکت‌هایی که از هوش مصنوعی استفاده می‌کنند، به این اندازه موفق نبوده‌اند. گزارش استنفورد تأکید می‌کند: «اغلب شرکت‌هایی که تأثیر مالی استفاده از هوش مصنوعی را در عملکرد خود گزارش داده‌اند، این منافع را در سطحی پایین ارزیابی می‌کنند.»

دلیل این تأخیر چیست؟

تأثیر فناوری بر بهره‌وری، دهه‌هاست که در موضوعی جذاب برای مطالعات اقتصادی بوده است؛ به‌ویژه در مورد فناوری‌هایی که به‌عنوان «فناوری‌های عام‌المنفعه» (General-Purpose Technologies) شناخته می‌شوند و تأثیرشان تمام صنایع، مناطق جغرافیایی و اندازه‌های مختلف شرکت‌ها را در بر می‌گیرد. برخی پژوهشگران معتقدند هوش مصنوعی تمام ویژگی‌های یک فناوری عمومی را دارد. پس می‌توان از نمونه‌های تاریخی چیزهایی آموخت.

در مورد برق، تحقیقات نشان داد که بین زمان پذیرش این فناوری و اثرگذاری آن بر بهره‌وری، چند دهه فاصله وجود داشت. این تأخیر ناشی از زمانی بود که شرکت‌ها نیاز داشتند تا فرایندهای خود را متناسب با فناوری جدید تغییر دهند. وقتی در اواخر قرن نوزدهم برق به کارخانه‌ها رسید، ابتدا برای روشن‌کردن لامپ‌ها به کار رفت تا کارگران بتوانند چند ساعت بیشتر کار کنند. اما جهش واقعی در بهره‌وری زمانی اتفاق افتاد که «هنری فورد» (Henry Ford)، بنیان‌گذار غول خودروسازی فورد، با استفاده از خط مونتاژ (Assembly Line) توانست فرایند تولید را بازطراحی کند. این مثال نشان می‌دهد که وقتی فناوری جدید صرفاً برای پشتیبانی از فرایندهای موجود به کار می‌رود، افزایش بهره‌وری محدود است؛ اما اگر از آن برای خلق روش‌های کاملاً نوین استفاده شود، می‌تواند اثرگذاری انقلابی داشته باشد.

در مورد هوش مصنوعی، بسیاری از شرکت‌ها هنوز در مرحله «لامپ برق» هستند؛ یعنی استفاده از فناوری برای تقویت فرایندهای فعلی، بدون اینکه در مورد چیستی محصول یا نحوه تولید آن بازنگری جدی داشته باشند. با اینکه نشانه‌هایی از افزایش استفاده از هوش مصنوعی دیده می‌شود، اما هنوز به نقطه‌ای نرسیده که صنایع یا شیوه‌های کاری را دگرگون کند.

سازمان‌ها جهت بهره‌گیری کامل از ظرفیت‌های هوش مصنوعی برای ارزش‌آفرینی چه کارهایی می‌توانند انجام دهند؟

۱. پذیرش فناوری برای کشف امکانات جدید و بنیادین

بسیاری از شرکت‌ها به هوش مصنوعی به چشم مکملی برای فعالیت‌های موجود نگاه می‌کنند؛ به‌عنوان راهی برای تولید سریع‌تر، ارزان‌تر یا بیشتر و تعامل بهتر با مشتریان. این نگرش همان رویکرد «لامپ برق» است و تنها به دستاوردهایی جزئی منتهی می‌شود. درحالی‌که هوش مصنوعی می‌تواند مسیرهایی کاملاً جدید باز کند و انجام کارهایی را ممکن سازد که تا پیش‌ازاین غیرممکن بود.

کشف این امکانات جدید، نیازمند رویکردی نوآورانه است. برای شرکت‌های قدیمی، این کار دشوار است؛ زیرا فرایندها، عملیات، مشتریان و کانال‌های توزیع تثبیت‌شده‌ای دارند که هرکدام مانعی برای تغییرات اساسی به شمار می‌روند. در مقابل، سازمان‌های نوپا چنین محدودیت‌هایی ندارند و می‌توانند مدل‌های کسب‌وکار جدید را از ابتدا و بر پایه قابلیت‌های هوش مصنوعی طراحی کنند.

یکی از راه‌های تحول اساسی برای شرکت‌های جاافتاده، ترکیب تخصص فنی با عملیات‌های کوچک‌مقیاسی است که در دل ساختار مدیریتی آن‌ها ایجاد می‌شود. دستیابی به تخصص فنی می‌تواند از طریق توسعه داخلی، همکاری با شرکت‌های فعال در حوزه هوش مصنوعی یا حتی خرید آن‌ها صورت گیرد. ایجاد فرایندها یا پیشنهادهای کاملاً جدید، معمولاً به استعدادهای متفاوتی نیاز دارد و در بسیاری مواقع با ایجاد همکاری‌های متقابل آسان‌تر می‌شود.

۲. تصمیم‌گیری راهبردی درباره تخصیص وظایف

یکی از پرسش‌های کلیدی برای سازمان‌ها این است که کجا باید از هوش مصنوعی برای اتوماسیون کامل استفاده کرد و کجا باید از آن برای تقویت عملکرد انسانی بهره گرفت. اتوماسیون یعنی واگذاری کامل یک وظیفه به هوش مصنوعی و در مقابل، تقویت (Augmentation) به معنای استفاده از هوش مصنوعی برای بهبود توانایی‌های انسانی و نه جایگزینی است. این مسئله بحث‌هایی پیچیده و وابسته به زمینه را ایجاد می‌کند؛ مثلاً اینکه هوش مصنوعی برای چه نوع کارهایی مناسب‌تر است؟

یک پروژه پژوهشی جدید، مروری نظام‌مند و فراتحلیلی (meta-analysis) بر ۱۰۶ مطالعه تجربی انجام داده است. در هر کدام از این مطالعات، آزمایشی با مشارکت واقعی انسان انجام شده بود که در آن عملکرد انسان، هوش مصنوعی و ترکیب انسان-هوش مصنوعی با هم مقایسه شده بود. در نتیجه این پژوهش، «نتایج به طور نسبی تقویت عملکرد انسانی با هوش مصنوعی را تأیید می‌کنند، چرا که انسان‌ها به طور متوسط با کمک هوش مصنوعی بهتر از حالت تنها عمل می‌کنند. اما این بدان معنا نیست که ترکیب انسان و هوش مصنوعی همیشه بهترین گزینه است؛ زیرا در برخی موارد، بهترین انسان یا بهترین هوش مصنوعی به‌تنهایی عملکرد بهتری دارد.»

این پژوهش همچنین تفاوت مهمی را بسته به نوع وظیفه نشان داد؛ ترکیب عملکرد انسان و هوش مصنوعی در تولید محتوا بهتر عمل می‌کند تا در تصمیم‌گیری. این موضوع دو دلیل اصلی دارد:

• وابستگی: زمانی که افراد بیش از اندازه به سیستم هوش مصنوعی تکیه می‌کنند و خود دیگر اطلاعات را جست‌وجو یا تحلیل نمی‌کنند.
• بی‌اعتمادی: زمانی که نگرش منفی نسبت به خودکارسازی باعث می‌شود افراد پیشنهادهای هوش مصنوعی را نادیده بگیرند.

پژوهش‌های دیگر نیز نشان داده‌اند که ظهور هوش مصنوعی مولد (Generative AI) نیز باعث تغییرات عمده‌ای در نقش‌های شغلی شده است. بنابراین، شناسایی تعادل مناسب بین نقش انسان و هوش مصنوعی برای افزایش کارایی و اثربخشی بسیار حیاتی است. لازم است مشخص شود که کدام وظایف را می‌توان به طور کامل خودکار کرد، کدام وظایف باید ترکیبی از انسان و هوش مصنوعی باشند و کدام وظایف باید همچنان در اختیار انسان باقی بمانند. تخصیص وظایف، تنها یک انتخاب فنی نیست؛ بلکه تصمیمی راهبردی است که باید باتوجه‌به وضعیت فناورانه، هزینه‌ها و موقعیت رقابتی سازمان اتخاذ شود.

در نهایت، نباید از اثر زیست‌محیطی مستقیم هوش مصنوعی غافل شد. مصرف برق و آب مراکز داده اکنون با مصارف خانگی مردم در رقابت است. بنابراین، انتخاب اینکه کدام وظیفه را با چه مدلی از هوش مصنوعی انجام دهیم، باید باتوجه‌به ردپای کربنی و زیست‌محیطی سیستم نیز انجام شود.

۳. سرمایه‌گذاری هم‌زمان در فناوری و نیروی انسانی

سازمان‌ها نباید هوش مصنوعی را صرفاً فقط یک «مسئله فناوری» بینند و بُعد انسانی آن را نیز می‌بایست جدی بگیرند. اما تعیین اینکه به چه نوع تخصص انسانی نیاز دارند و کدام وظایف را می‌توان به هوش مصنوعی واگذار کرد، امری دشوار است.

تأمین امنیت سایبری داده و زیرساخت کافی نیست؛ زیرا وقتی مدیران طرز کار سیستم‌های هوش مصنوعی یا نحوه استفاده از نتایج آن‌ها را بلد نباشند، بهره‌وری حاصل نخواهد شد. سرمایه‌گذاری در آموزش منجر به افزایش بازدهی سرمایه‌گذاری فناورانه می‌شود. آموزش کارکنان درباره نحوه کار و محدودیت‌های هوش مصنوعی می‌تواند وابستگی بیش از حد یا بی‌اعتمادی را کاهش دهد و اثربخشی سیستم را به حداکثر برساند. علاوه بر این، پرورش استعدادهای درون‌سازمانی و ارتقا فرایندها، موجب افزایش انحصار در منابع داخلی و در نتیجه تقویت مزیت رقابتی سازمان می‌شود.

طبق گزارشی از فایننشال تایمز (Financial Times)، باوجوداینکه پیش‌بینی می‌شود هوش مصنوعی مولد امسال ۱۵درصد از بودجه فناوری را به خود اختصاص دهد، کمتر از نیمی از سازمان‌ها آموزش‌های خود در زمینه مفاهیم بنیادی یا مهارت‌های فنی هوش مصنوعی را افزایش داده‌اند. آموزش روزبه‌روز اهمیت بیشتری می‌یابد، به‌ویژه برای ارتقا عملکرد کارکنان ضعیف‌تر. اما باید توجه داشت که فقط افراد ضعیف در معرض تأثیر هوش مصنوعی نیستند؛ بلکه متخصصان ماهر نیز ممکن است با جایگزینی مواجه شوند، زیرا هوش مصنوعی بخش‌هایی از «کار دانشی» (Knowledge Work) را به کالایی همگانی تبدیل می‌کند. برنامه‌های آموزشی جامع می‌توانند به کارکنان کمک کنند تا پیچیدگی‌ها و ظرافت‌های هوش مصنوعی از جمله محدودیت‌ها و بهترین روش‌های استفاده از آن را بهتر درک کنند.

در نهایت، هم‌افزایی بین دارایی‌های فنی و سرمایه انسانی، کلید دستیابی به ظرفیت کامل هوش مصنوعی است. موفقیت در این حوزه نه‌تنها به بازتعریف فرایندها وابسته است، بلکه مستلزم ایجاد فرهنگی سازمانی است که هوش مصنوعی را درک کرده و به آن اعتماد دارد.

۴. گفت‌وگو با ذی‌نفعان درباره استفاده و شرایط اتوماسیون و تقویت نیروی انسانی

برای اطمینان از درک کاربران نسبت به طراحی سیستم، باید تلاش‌های زیادی صورت گیرد. شفافیت در مورد داده‌های استفاده‌شده، مدل‌های به‌کاررفته، محدودیت‌های نتایج و دامنه کاربرد، به افزایش پذیرش هوش مصنوعی کمک می‌کند؛ زیرا شفافیت بیشتر، اعتماد بیشتر به دنبال دارد.

یکی دیگر از عوامل مهم در پذیرش هوش مصنوعی، درک مشترک درباره تقسیم وظایف میان انسان و ماشین، و هم‌نظر شدن بر سر مرز بین اتوماسیون (automation) و تقویت (augmentation) است. این گفت‌وگوها می‌تواند برای مشخص‌کردن جزئیات تقویت انسانی شکل بگیرد؛ مثلاً تعیین میزان مناسب شفافیت بسته به زمینه استفاده (برای نمونه، تشخیص چهره در تلفن هوشمند در مقابل کاربرد در رادیولوژی)، یا بر اساس هدف (تصمیم‌گیری در مقابل انجام یک وظیفه).

این مباحث نباید فقط محدود به تیم‌های داخلی باشند، بلکه ذی‌نفعان بیرونی همچون مشتریان و شرکا نیز می‌بایست در آن دخیل باشند. همچنین، اتحادیه‌ها و گروه‌های صنفی نیز باید در تصمیم‌گیری درباره دامنه و شیوه استفاده از هوش مصنوعی در زمینه‌های اتوماسیون و تقویت نقش داشته باشند. نمونه‌ای از چنین مشارکتی را می‌توان در ایالات متحده در سپتامبر ۲۰۲۳ دید؛ زمانی که توافقی بین نمایشنامه‌نویسان و استودیوهای تولید فیلم درباره استفاده از هوش مصنوعی برای نگارش یا ویرایش فیلمنامه حاصل شد.

چالش بعدی: تحول در مقیاس وسیع

بررسی چگونگی بهره‌گیری از هوش مصنوعی در سازمان‌ها، ممکن است به دو نوع فرصت کاملاً متفاوت منجر شود؛ فرصت‌های «لامپ برق» (Light Bulb) و فرصت‌های «خط مونتاژ» (Assembly Line).

چالش سازمان‌ها اکنون دو جنبه دارد:

1. چطور منابع کافی را به فرصت‌های نوع «خط تولید» اختصاص دهند تا آن‌ها را در مقیاس بزرگ اجرایی کنند؟
2. چطور با هر دو نوع فرصت برخورد کنند؟ آیا باید هر دو نوع فرصت حفظ شوند؟ اگر بله، چه تعادلی میان آن‌ها برقرار باشد؟ یا اینکه باید فرصت‌های «لامپ برق» کنار گذاشته شوند و تمام تمرکز سازمان روی فرصت‌های «خط تولید» قرار گیرد که در این صورت به سازمان‌دهی مجدد گسترده نیاز خواهد بود.

تصمیم‌گیری درباره نحوه پاسخ به این دو چالش، یکی از مهم‌ترین تصمیم‌های مدیریتی در چند سال آینده خواهد بود.