چهره نوین اقتصاد فناوری سازمان‌ها در عصر هوش مصنوعی

موسسه مک‌کنزی در یکی از جدید‌ترین گزارش‌های هوش مصنوعی خود به نام «The new economics of enterprise technology in an AI world» به بررسی روندها، شتاب‌دهنده‌ها و چالش‌های پیش روی تأثیرگذاری هوش مصنوعی در اقتصادسازمانی و نقش مدیران ارشد در آن می‌پردازد. در ادامه نیز به بررسی کامل این گزارش خواهیم پرداخت.

داده‌ها چه می‌گویند؟

مک‌کنزی در گزارش خود مدعی شده که هزینه‌های فناوری در سازمان‌ها در ایالات متحده از سال ۲۰۲۲ به طور متوسط سالانه ۸ درصد رشد داشته است. این افزایش قابل‌توجه، باتوجه‌به نقش روزافزون فناوری در بهره‌وری و خلق ارزش در کسب‌وکارها، چندان غافلگیرکننده نیست. هرچند ارتباط مستقیم میان هزینه‌کرد فناوری و بهره‌وری نیروی کار به‌سختی قابل‌اندازه‌گیری و به طور ذاتی پیچیده و غیردقیق است، اما داده‌ها نشان می‌دهند که بهره‌وری نیروی کار در همین بازه زمانی حدود ۲ درصد رشد داشته است. (نمودار ۱)

 از سوی دیگر، داده‌ها نشان می‌دهند که این نسبت‌ها در صنایع مختلف متفاوت است؛ مثلاً در بخش ارتباطات، رسانه و خدمات، بهره‌وری بیش از ۴ درصد رشد کرده و هزینه‌های فناوری نیز سالانه نزدیک به ۹ درصد افزایش یافته‌اند. در مقابل، در بخش خرده‌فروشی، بهره‌وری نزدیک به ۴ درصد رشد داشته؛ اما هزینه فناوری حتی بیش از ۱ درصد کاهش یافته است. (نمودار ۲)

این روندهای غالباً افزایشی از درصدهای رشد، به‌خوبی نشان می‌دهند که چرا مدیران ارشد سازمان‌ها معمولاً نسبت به درخواست‌های افزایش سرمایه‌گذاری در فناوری دیدی تردیدآمیز دارند. اما در اینجا یک نکته از اهمیت بسیار بالایی برخوردار است؛ فناوری عامل تعیین‌کننده‌ای در توان رقابتی شرکت‌هاست و اگر استراتژی‌های و روندهای اجرایی آن به‌درستی طراحی و پیاده‌سازی شوند، می‌تواند بازدهی فوق‌العاده‌ای به همراه داشته باشد. تحلیل‌ها نشان می‌دهند سازمان‌هایی با تیم‌های فناوری کارآمد، رشد درآمدی تا ۳۵ درصد بالاتر و حاشیه سودی تا ۱۰ درصد بیشتر از سایر رقبا دارند. از همین رو، مسئله بهره‌وری نه‌تنها برای CIO بلکه برای مدیرعامل (CEO) و مدیر مالی (CFO) نیز از اهمیت حیاتی برخوردار است.

برای پر کردن شکاف میان ظرفیت‌های فناوری و عملکرد واقعی آن، لزوم درک عمیق‌تری از ارزش افزوده فناوری وجود دارد. در غیر این صورت، شرکت‌ها به‌جای ایجاد ارزش واقعی، صرفاً هزینه‌هایی کم‌اثر انجام خواهند داد. باوجود پیشرفت‌های گسترده و روزافزون فناوری، درک و مدل‌سازی اقتصادی فناوری هنوز عقب‌تر از جریان و روند واقعی پیشرفت آن است.

چرا اکنون: قدرت تغییر

هرچند مسئله نرخ بازگشت سرمایه (ROI) و پاسخ‌گویی و مسئولیت‌پذیری در هزینه‌کرد فناوری، موضوعی قدیمی و دیرینه است، اما نوآوری‌های اخیر و مدل‌های جدید، پویایی هزینه‌کردهای فناوری را به طور بنیادین تغییر داده‌اند. (نمودار ۳)

به‌عنوان‌مثال، گسترش فناوری رایانش ابری و مدل‌های مبتنی بر سرویس یا خدمت (as-a-service models) سبب شده بسیاری از هزینه‌ها از سرمایه‌ای (خرید سخت‌افزار) به عملیاتی (پرداخت برای استفاده) تبدیل شوند. اکنون حدود ۷۹ درصد از هزینه‌کردهای حوزه فناوری اطلاعات در قالب هزینه‌های عملیاتی صرف می‌شوند. این تغییر، به‌همراه استفاده گسترده و رو به رشد از اعتبارت موسوم به «توکن‌» در مدل‌های زبانی بزرگ (LLM)، باعث شده شرکت‌ها دید روشن‌تری از هزینه‌های جاری فناوری در یک سطح واحد پیدا کنند. در همین راستا، نقش عملیات مالی (FinOps) نیز برای مدیریت دقیق‌تر هزینه‌ها در حال گسترش است. این فرایندها امکان خودکارسازی بودجه‌بندی، تخصیص منابع سریع‌تر و کنترل جزئی‌تر هزینه‌ها را فراهم کرده‌اند و الگویی مناسب برای مدیریت مشترک دو حوزه فناوری و مالی ارائه می‌دهند.

این تغییرات در نحوه مدیریت هزینه‌های فناوری با تغییرات و چالش‌های اساسی در شیوه‌های بودجه‌بندی ثابت و سنتی همراه است. به‌عنوان‌مثال، ادغام هوش مصنوعی مولد در نرم‌افزارهای سازمانی موجب افزایش هزینه (مانند پرداخت به‌ازای هر پرامپت) می‌شود و ظهور عامل‌های هوش مصنوعی مولد (GenAI Agents) نیز، مدیران فناوری و مدیران منابع انسانی را واداشته تا در راهبردهای منابع انسانی و الگوهای هزینه‌کرد بازنگری کنند.

این تحولات ابزارها و فرصت‌هایی نوین را در اختیار مدیران ارشد فناوری و مدیران ارشد مالی قرار داده تا در تصمیم‌گیری‌های مربوط به سرمایه‌گذاری و تخصیص فناوری، با رویکردی تحلیلی‌تر و هدفمندتر عمل کنند.

چالش‌های فناوری سازمانی

دلایل متعددی برای عملکرد ضعیف فناوری در ارتقای بهره‌وری در سازمان‌ها وجود دارد، اما تحلیل‌های مک‌کنزی نشان می‌دهند که چهار عامل زیر بیشترین اثر را دارند:

الزامات امنیت سایبری و تطابق مقررات

هزینه‌های فناوری برای کسب‌وکارها در دنیای مدرن (یعنی فعالیت قابل‌اعتماد و مسئولانه) به طور قابل‌توجهی افزایش یافته است. به‌عنوان‌مثال، رعایت مقررات عمومی حفاظت از داده‌ها در اروپا (Europe’s General Data Protection Regulation – GDPR)، حاشیه سود در بخش‌های داده‌محور (مانند اطلاعات و ارتباطات و خدمات مالی) را تا ۱.۹ درصد کاهش داده است. افزایش حملات سایبری (۲۸ درصد افزایش حملات به‌ازای هر سازمان در هفته در سه‌ماهه اول سال ۲۰۲۴) شرکت‌ها را مجبور کرده تا بودجه تأمین امنیت سایبری خود را در سال ۲۰۲۵ به میزان پیش‌بینی‌شده ۱۵ درصد افزایش دهند و سازمان‌ها می‌بایست برنامه‌های جدی برای تأمین مالی این اقدامات را در دستور کار خود قرار دهند.

نظام پاداش‌دهی متمرکز بر ارزش‌آفرینی فناوری به جای کسب‌وکار

در بسیاری از موارد، رهبران کسب‌وکار که سفارش‌دهنده محصولات یا خدمات فناوری هستند، مسئولیت هزینه‌های واقعی توسعه و نگه‌داری آن محصول را بر عهده ندارند. بر اساس گزارش مک‌کنزی، گاهی تا ۸۰ درصد از کل هزینه‌های یک محصول در چرخه عمر آن، صرف خدمات غیرمستقیم مانند امنیت، زیرساخت ابری یا  مجوز استفاده از ابزارها (لایسنس – License) می‌شود.

به‌طور مشابه نیز، صرفا اجرا و آزمایش پروژه‌های آزمایشی و یک‌بارمصرف یا به اصطلاح طرح‌های پایلوت، نسبت به پروژه‌های مقیاس‌پذیر و بزرگ، طرفدار بیشتری پیدا می‌کنند که این روندها، منجر به بازنگری‌های زیاد، اتلاف منابع، دوباره‌کاری‌ها و راه‌حل‌هایی می‌شود که نمی‌توانند به‌صورت گسترده کاربرد داشته‌باشند. این روند الگو در ابتکارات مبتنی بر هوش مصنوعی کاملا مشهود است. طبق گزارش مک‌کنزی، تنها ۱ درصد از مدیران شرکت‌ها، روند اجرا و پیاده‌سازی هوش مصنوعی مولد در سازمان خود را «بالغ» توصیف می‌کنند و تنها ۱۰ تا ۲۰ درصد از طرح‌های آزمایشی و انحصاری هوش مصنوعی در دو سال گذشته به مقیاس‌پذیر بوده و به خلق ارزش منجر شده‌اند. تحلیل مک‌کنزی از تأثیر برنامه‌های FinOps نشان می‌دهد که این عدم هم‌راستایی انگیزه‌ها منجر به تصمیم‌گیری‌های ضعیف در هزینه‌کردهای فناوری سازمانی می‌شود و سبب از بین رفتن ۲۰ تا ۳۰ درصد ارزش‌های سازمانی می‌شود.

بدهی فناوری (Tech Debt)

تمرکز بر راه‌حل‌های مقطعی و نداشتن درک از پیچیدگی‌های بلندمدت، سبب ایجاد چرخه‌های متوالی بدهی فناورانه می‌شود؛ بدهی‌ای که هنگام توسعه‌های آتی باید جبران شود. این بدهی هزینه اضافی ۱۰ تا ۲۰ درصدی به هر پروژه تحمیل کرده و مانعی جدی برای بهره‌وری است.

منفعت بهره‌وری ذی‌نفعان خارج از سازمان

برخی از طرحی فناورانه، منافعی را به همراه دارند که به جای خود کسب‌وکار، به ذی‌نفعان خارج از سازمان تعلق می‌گیرند. به عنوان مثال، حدود ۱۰ تا ۲۰ درصد از بهبود بهره‌وری سازمانی ناشی از سرمایه‌گذاری سازمان‌ها در مشاغلی با ماهیت دورکاری، صرفا فقط برای خود کارکنان دورکار (مانند بهبود شرایط کاری و آزاد شدن زمان برای فعالیت‌های شخصی) منفعت به همراه دارد. تحلیل‌های مک‌کنزی همچنین نشان می‌دهد که ۵ تا ۱۰ درصد از بهبودهای بهره‌وری فناوری اطلاعات در نهایت به ضرر فروشندگان تمام می‌شود. (مانند ارائه‌دهندگان خدمات ابری که از این طریق، کاهش هزینه‌های سخت‌افزاری را به مشتریان تحمیل نمی‌کنند) البته توجه داشته باشید که برخی از این سرمایه‌گذاری‌ها ممکن است بهره‌وری را تحت تأثیر قرار ندهند، اما درآمد را بهبود می‌بخشند (مانند تجربه مشتری که ممکن است تعداد مشتریان، درآمد به‌ازای هر مشتری و ارزش طول عمر و وفادرای مشتری را افزایش دهد).

عامل مشترک در سه مورد آخر، نبود شفافیت و درک صحیح از اقتصاد فناوری مدرن است. با استفاده از مدل‌سازی‌های اقتصادی دقیق‌تر، مدیران ارشد فناوری می‌تواند همراه با مدیران ارشد مالی و مدیران عامل، مسیر بهبود بهره‌وری را هموار کند.

مسیر افزایش بهره‌وری از طریق فناوری

برای دستیابی به بازدهی بهتر و حل مسئله بهره‌وری، مدیران فناوری باید اقتصاد فناوری را به‌درستی درک کرده و به پیشنهاد مک‌کنزی می‌توانند از چهار رویکرد زیر استفاده کنند.

حرکت به‌سوی مدل «مصرف‌سنجی» فناوری

انتقال دارایی‌های فناوری به مدل مصرف‌سنجی (metered consumption) به شرکت‌ها امکان می‌دهد تا هر فناوری استفاده‌شده را در سطح هزینه واحد ردیابی و شناسایی کنند. این شفافیت به شرکت‌ها کمک می‌کند تا تیم‌ها را برای هزینه‌های کل و بدهی فنی که ایجاد می‌کنند در مقام پاسخ‌گو و مسئول نگه دارند و انگیزه‌هایی برای کاهش این هزینه‌ها در تیم ایجاد کنند. این هدف برای بسیاری از کسب‌وکارها که در شناسایی موارد هزینه‌کرد با مشکل مواجه‌اند، کمی چالش‌برانگیز است و شرکت‌ها باید با دقت در مورد سیاست‌های داخلی شفافیت در هزینه‌کرد (مانند حاکمیت هزینه) اقدام کنند. اما مدل‌هایی مانند FinOps  که رفته‌رفته در حال ظهور هستند قابلیتی برای مدیریت هزینه‌های استفاده از خدمات ابری را در سطح هزینه واحد ردیابی می‌کند.

اما انجام این فرایند نیازمند تغییر همه خدمات و قابلیت‌های فناوری به‌عنوان محصولات قابل‌مصرف است. این تغییرات شامل مواردی مانند: ایجاد  APIهای استاندارد برای ارائه راهی آسان برای میزان مصرف هر محصول توسط افراد و سیستم‌ها، ایجاد قابلیت سنجش برای ردیابی هر گونه ارتباط با یک محصول، سامانه شناسایی و احراز کاربر نهایی در هر گونه ارتباط با یک محصول و الگوریتمی برای محاسبه هزینه واحد فناوری استفاده‌شده است.

هر محصول فناورانه می‌بایست یک ترازنامه داشته باشد که اندازه‌گیری واقعی بدهی فنی و هزینه‌های غیرمستقیم خود را ارائه دهد. به‌عنوان‌مثال، یک مؤسسه مالی پیشرو، یک مدل الگوریتمی ارائه کرد که داده‌های متنوعی از ابزارهایی مانند فهرست دارایی‌ها، مخازن کد و سیستم‌های درخواست پشتیبانی را دریافت کرده و تحلیل‌های خود را برای پرونده‌سازی و اندازه‌گیری خودکار عوامل بدهی فنی در سطح محصول محاسبه و اندازه‌گیری کرد.

ایجاد شفافیت نیازمند خودکارسازی فرایندها و مدیریت فناوری به کمک مفهوم عملیاتی ادغام مداوم/تحویل مداوم (CI/CD) است. این روش، تنها راهکار واقع‌بینانه برای جایگزینی شیوه‌های ردیابی سنتی است که به مدیران ارشد اجازه می‌دهد جزئیاتی مانند تخصیص منابع و تغییرات انجام‌شده در تمامی سطوح سازمانی را بررسی کنند. هوش مصنوعی مولد در حال حاضر تأثیرات گسترده‌ای در ایجاد شفافیت بیشتر و تصمیم‌گیری سریع‌تر و تغییرات قابل‌توجهی در روندهای FinOps ایجاد کرده است. به‌عنوان‌مثال، هوش مصنوعی مولد با توانایی خود در برچسب‌گذاری، پاک‌سازی داده‌ها، تخصیص‌دهی و توسعه قوانین در برخی حوزه‌ها به جایگزینی مناسب برای وظایفی مانند گفت‌وگوی تعاملی تبدیل شده است تا کاربران بتوانند به‌راحتی داده‌ها را بررسی کرده و الگوها را شناسایی کنند.

مدیریت همه چیز مانند یک محصول، نه فقط فناوری اطلاعات

در طی پنج تا هفت سال گذشته، سیاست‌گذاری‌های فناوری اطلاعات در سطح جهانی به سمت مدل عملیاتی محصول‌محور حرکت کرده است. باوجوداینکه صنعت فناوری مدل روشنی از عملکرد موفق مدل‌های عملیاتی محصول‌محور در سطح کل سازمان ارائه داده است اما این تغییرات چندان به سایر بخش‌های کسب‌وکارها راه نیافته است.

تغییری که شرکت‌ها دراین‌خصوص می‌بایست انجام دهند این است که تمام ابتکارات فناوری را به‌عنوان محصولاتی مدیریت کنند که توسط تیم‌های چندوظیفه‌ای هدایت می‌شوند. تحلیل‌های مک‌کنزی نشان می‌دهد که شرکت‌های برتر در بلوغ مدل عملیاتی محصول‌محور، در حدود ۶۰ درصد بازده کل بیشتری برای سهام‌داران خود نسبت به سایر شرکت‌های دارند و از ۱۶ درصد حاشیه سود عملیاتی بالاتر برخوردارند.

وقتی این تیم‌های مدیریت محصول به‌درستی ایجاد شوند، این تیم‌ها کاملاً مالک محصولات خود هستند. یعنی مسئولیت امور حساسی مانند نگهداری محصول،  بررسی عملکرد و هزینه‌های جانبی به طور کامل بر عهده خود تیم است که هم مسئولیت‌پذیری و هم انگیزه برای بهره‌برداری از ارزش بهره‌وری شناسایی‌شده برای هر محصول را افزایش می‌دهد و کاهش بدهی فنی را نیز به همراه دارد.

مهم‌ترین نقش در این مدل، مدیر محصول (Product Manager – PM) است که اساساً این اختیار تام را دارد که محصول را مانند یک کسب‌وکار اداره کند. به‌طور خاص، مدیر محصول، مسئول توسعه مالی محصول با محاسبه تمام هزینه‌های مستقیم و غیرمستقیم و همچنین مدل‌سازی تقاضا، درآمد و هزینه‌های آینده برنامه‌ریزی‌شده (مانند سرمایه‌گذاری‌ها برای حذف بدهی فنی و هزینه‌های  انتقال به پلتفرم جدید) است. یک مدیر محصول باید بتواند هزینه‌های سخت و نرم که بهره‌وری را خنثی می‌کنند، مانند میزان تقاضا، اینکه آیا نتایج واقعاً برای کسب‌وکار ارزش ایجاد می‌کنند و چه محصول چه نیازمندی‌هایی لازم دارد تا ارزش کامل خود را به دست آورد، شناسایی و برطرف کند و همچنین شاخص‌های کلیدی عملکرد (KPI) را به‌دقت شناسایی کند. به عنوان مثال تحقیقات مک‌کنزی نشان می‌دهد که برای راه‌حل‌های مبتنی هوش مصنوعی مولد، روش مقیاس‌بندی با بیشترین همبستگی با تأثیر نهایی، به عنوان یک  KPIمناسب در این حوزه کاربرد دارد.

تمرکز بر ارزش‌های بزرگ، نه دستاوردهای کوچک

مدیران فناوری می‌بایست منابع خود را در برنامه‌هایی با بیشترین تأثیر و بازده صرف کنند. در این مسیر شیوه‌های قوی مدیریت اقتصادی فناوری به تغییر فرایند تصمیم‌گیری از مدل‌های سنتی مبتنی بر تجربه به مدل‌های تحلیلی‌تر کمک می‌کند. به‌این‌ترتیب، شرکت‌ها می‌توانند از تله‌ی برنامه‌های آزمایشی بدون مقیاس‌پذیری و محدودشدن به برنامه‌های پایلوت و نرسیدن به مرحله اجرای رها شوند و منابع خود را بر نوآوری‌های متمرکز کنند که می‌توانند ارزش معناداری برای کسب‌وکار ایجاد کنند.

یک نقطه شروع خوب برای این مسیر، تمرکز سرمایه‌گذاری فناوری بر فرایندهای جامع و یکپارچه در یک حوزه (an end-to-end process or journey) به‌جای موارد استفاده منفرد است. در واقع، در حدود ۸۰ درصد از تغییرات موفقیت‌آمیز در مسیر تحولات دیجیتالی که درگیر چالش هستند، مبتنی بر بازتعریف دامنه و تمرکز مجدد بر یک حوزه مشخص صورت می‌گیرند تا تلاشی هماهنگ و هدفمند در آن زمینه شکل گیرد. نقش حیاتی مدیران ارشد فناوری نیز این است که اطمینان حاصل کند که این مسیر در سطح فرایندی تعریف شده است تا تمام وابستگی‌های مرتبط در نظر گرفته شوند. این تمرکز گسترده باید شامل شیوه‌های مدیریت تغییر نیز باشد، مانند آموزش، بهبود مستمر و تأمین منابع انسانی. این تنها راهی است که شرکت‌ها می‌توانند طیف کاملی از ارزش‌ها از کاهش زمان عرضه به بازار گرفته تا بهبود قابلیت اتکا و ایجاد جریان‌های جدید درآمدی را به دست آورند.

مدیران فناوری باید با دقت تحلیلی بالا، ظرفیت خلق ارزش برای هر مورد استفاده و فرایند موجود در نقشه راه خود را ارزیابی کنند. به‌عنوان‌مثال، آخرین نظرسنجی هوش مصنوعی مک‌کنزی در حوزه هوش مصنوعی مولد نشان می‌دهد که از بین ۲۵ ویژگی آزمایش‌شده، بازطراحی فرایندها و جریان‌های کاری بیشترین تأثیر را بر توانایی سازمان در تحقق سود عملیاتی (Earnings Before Interest and Taxes-EBIT) دارد. این دیدگاه ترازنامه محور به اولویت‌های کلیدی، برای ایجاد دیدگاهی شفاف نسبت به عملکرد هر گونه نوآوری جدید و بررسی کلی اینکه کدام در حال پیشرفت‌اند و کدام از مسیر منحرف شده‌اند، ضروری است. مدیر ارشد فناوری اطلاعات می‌تواند با همکاری مدیرعامل و مدیر ارشد مالی، به انجام بازنگری‌های فصلی برای تخصیص مجدد بودجه به محصولاتی که به اهداف ارزش‌آفرینی خود رسیده‌اند می‌رسند (و قطع بودجه برای برنامه‌های بی‌نتیجه) بپردازد.

این دیدگاه ترازنامه محور، بر یک بینش کلیدی در سرمایه‌گذاری‌های فناوری سازمانی تأکید دارد؛ یعنی بالاترین بازده زمانی حاصل می‌شود که برنامه‌های فناورانه مقیاس‌پذیر باشند. اما مقیاس‌پذیری خودبه‌خود رخ نمی‌دهند؛ بلکه نیازمند هدف‌گذاری آگاهانه و نظم در ساخت و طراحی و معماری کلی آن است که مقیاس‌پذیری را امکان‌پذیر سازد.

در زمینه طراحی و توسعه محصولات داده‌محور، اگر ساختار محصول به‌گونه‌ای طراحی شود که به‌راحتی قابل‌توسعه برای موارد استفاده جدید باشد و همچنین مجموعه‌ای از APIهای استاندارد برای اتصال به سایر سامانه‌ها ارائه دهد، هزینه استفاده از این محصول داده‌محور برای هر مورداستفاده دیگر، به‌شدت کاهش می‌یابد.

مزایای تمرکز بر مقیاس‌پذیری در یک شرکت بین‌المللی تولیدکننده محصولات مصرفی به‌وضوح قابل‌مشاهده است. زمانی که یک محصول داده‌محور فقط برای ۵ فعالیت مورد استفاده بود، هزینه پیش‌بینی‌شده آن حدود ۳۰ درصد کمتر از هزینه ساخت ۶ جریان و زنجیره پردازش داده جداگانه برای پنج راه‌حل تحلیلی مختلف بود. این صرفه‌جویی هزینه نه‌تنها ناشی از استفاده مجدد از محصول داده‌محور استاندارد بود، بلکه از تجربه‌ای نشئت می‌گرفت که تیم تولید آن محصول در طول زمان کسب کرده بود.

یکی از عوامل کلیدی برای مقیاس‌پذیری، نقش معمار سازمانی (Enterprise Architect – EA) است که طراحی و مدیریت زیرساخت‌های سازمانی برای محقق‌شدن مقیاس‌پذیری محصول و بهره‌وری را بر عهده دارد. به‌عنوان‌مثال، معمار سازمانی با بررسی ترازنامه محصول می‌تواند اولویت‌بندی‌هایی برای کاهش هزینه‌های مربوط به احراز هویت یکپارچه (single sign-on – SSO) و مدیریت دسترسی را انجام دهد. همچنین، معمار سازمانی با همکاری مدیران فناوری، مدیران کسب‌وکار و مدیران مالی، می‌تواند درباره ارتقا سامانه‌ها در زمان سررسید هزینه‌های بدهی فناورانه به یک سطح بحرانی و نقطه‌ای که در آن بازپرداخت بدهی فناوری منطقی و ضروری به نظر می‌رسد، تصمیم‌گیری‌های کلیدی و حیاتی انجام دهد.

تحول یا نوسازی تمامی جنبه‌های فناوری سازمانی کاری دشوار و طاقت‌فرساست. اما در عوض، انتخاب یک حوزه یا فرایند مشخص و تحول جامع آن از ابتدا تا انتها، مؤثرترین راه برای پیشبرد اهداف است.

بازنگری الگوی مدیریت استعداد برای جهانی مبتنی بر هوش مصنوعی

رشد فزاینده استفاده از هوش مصنوعی عامل‌محور (Agentic AI) در بخش‌های مختلف فناوری اطلاعات، درهای تحولاتی بنیادین را در نحوه مدیریت دارایی‌های فناورانه سازمان‌ها گشوده است. برنامه‌های ابتدایی در این حوزه نشان می‌دهند که این رویکرد می‌تواند زمان‌بندی برنامه‌های نوسازی فناوری را تا ۴۰ تا ۵۰ درصد تسریع کرده و هزینه‌های ناشی از بدهی فناورانه را تا ۴۰ درصد کاهش دهد.

این گذار به دنیای هوش مصنوعی عامل‌محور، به‌ویژه در حوزه نیروی انسانی متخصص فناوری می‌تواند بیشترین تاثیر را داشته باشند: یک مدل منابع انسانی قوی و تقویت‌شده برای استعدادها، این ظرفیت را دارد که به مسائل تجاری‌ای پاسخ دهد که پیش‌تر حل‌نشدنی (یا بسیار گران)  بودند. این مدل همچنین می‌تواند به‌طور اساسی نحوه توسعه نرم‌افزار، کاهش هزینه‌های عملیاتی، ایجاد جریان‌های درآمدی جدید و حتی پرداخت بدهی‌های فناوری را بازتعریف کند.

استراتژی‌های سنتی منابع انسانی و ساختاربندی تیم‌ها به‌طور اساسی تغییر خواهند کرد (برخی نقش‌ها احتمالاً مسئولیت‌های جدیدی خواهندداشت) و این موضوع منجر به بازنگری کامل در مدل‌های تأمین منابع فناوری در سطح سازمانی خواهد شد. سیستم‌های منابع انسانی ساختاریافته (که با نقش‌های به‌خوبی تعریف‌شده با شایستگی‌های مشخص، مسیرهای شغلی تثبیت‌شده و سطوح حقوقی ثابت شناخته می‌شوند) می‌بایست این تحول را بپذیرند تا بتوانند با پویایی‌های ناپایدار و غیرقابل‌پیش‌بینی ذاتی دنیای هوش مصنوعی مولد و موش مصنوعی عامل‌محور همگام شوند و تکامل یابند.

در یک‌کلام

تصمیم‌هایی که سازمان‌ها در دو سال آینده درباره فناوری سازمانی اتخاذ می‌کنند، عملکرد ده‌ساله آینده آن‌ها را رقم خواهد زد. اما پرسش اصلی برای مدیران عامل، مدیرانارشد فناوری و مدیران ارشد مالی این است چگونه از درک عمیق‌تر اقتصاد فناوری سازمانی برای فراتر رفتن از بودجه‌بندی‌های استاندارد و سنتی و شکل‌دهی به مسیر رشد سازمان‌های خود استفاده کنند.