چه زمانی هوش مصنوعی می‌تواند تصمیمات خوبی بگیرد؟

این سامانه‌های عامل‌محور صرفاً فقط وظایف را انجام نمی‌دهند بلکه «فکر» می‌کنند. آن‌ها در بازه‌های زمانی مختلف استدلال می‌کنند، از نتایج یاد می‌گیرند و با سایر عامل‌های هوش نیز همکاری می‌کنند تا عملکرد را به طور مداوم بهینه کنند. در نتیجه تصمیمات بهتر منجر به چرخه‌های سریع‌تر و کاهش چشمگیر هزینه‌ها به‌ازای هر واحد می‌شود. مؤسسه مک‌کنزی نیز در گزارشی بررسی می‌کند که چگونه سازمان‌ها می‌توانند در این فضای پیچیده مسیر خود را بیابند، ابزارها و رویه‌های مناسب را برای پیشی‌گرفتن از رقبا به کار گیرند و هم‌زمان با الزامات نظارتی در حال تحول همگام بمانند.

تغییر دیدگاه

دو مؤسسه مالی را تصور کنید. مؤسسه اول، فرایند اعطای وام را با مجموعه‌ای پراکنده از اتوماسیون‌های وظیفه‌محور و مدل‌های پیش‌بینی مدیریت می‌کند. این مؤسسه برای پردازش درخواست‌ها از امتیازهای اعتباری گذشته، قواعد سخت‌گیرانه اعتبارسنجی و پردازش دسته‌ای استفاده می‌کند و آن‌ها را گام‌به‌گام پیش می‌برد. هرچند بخش‌هایی از فرایند دیجیتالی شده، اما بسیاری از تصمیم‌ها چه به دلیل رسیدگی به استثناها، بررسی‌های انطباق مقررات یا شناسایی ریسک‌ها همچنان به دخالت انسانی نیاز دارند. این رویکرد باعث می‌شود روند تصمیم‌گیری کندتر شود، تجربه کاربری متقاضیان یکدست نباشد و با افزایش حجم درخواست‌ها، هزینه‌های عملیاتی بالا برود.

اکنون مؤسسه دوم را در نظر بگیرید. در اینجا، کل مسیر اعطای وام توسط شبکه‌ای از سامانه‌های هوش مصنوعی عامل‌محور هدایت می‌شود؛ یعنی عامل‌های خودمختار و استدلال‌گر که می‌توانند کل گردش کار را از ابتدا تا انتها اجرا کنند و تطبیق دهند. این سامانه‌ها مانند هوش مصنوعی سنتی، گردش کارهای از پیش تعریف‌شده را اجرا نمی‌کنند یا مثل هوش مصنوعی مولد، داده‌های بدون ساختار را به بینش یا محتوای جدید تبدیل نمی‌کنند؛ بلکه داده‌های لحظه‌ای را از ده‌ها منبع متفاوت از شاخص‌های کلان اقتصادی و رفتار دیجیتالی متقاضیان گرفته تا تغییرات مقررات و حتی تحلیل احساسات، دریافت می‌کنند تا تصمیم‌های پیچیده بگیرند. این عامل‌ها نه‌تنها اعتبار متقاضی را ارزیابی می‌کنند، بلکه فرایند قیمت‌گذاری را تنظیم، بسته‌های بهینه محصولات را پیشنهاد و موارد غیرعادی را به طور پیش‌دستانه برای بررسی انسانی شناسایی و پرچم‌گذاری می‌کنند. (تصویر ۱ را ببینید)

نکته مهم این است که عامل‌های هوش مصنوعی می‌توانند بینش‌هایی را آشکار کنند که انسان ممکن است از آن غافل شود. وقتی روند بازپرداخت وام‌ها در یک منطقه جغرافیایی به شکلی غیرمنتظره تغییر کند، یک عامل می‌تواند الگو را به‌سرعت تشخیص دهد، دلایل احتمالی را بررسی کند و پیش از آنکه مدیران متوجه شوند راهکارهای کاهش ریسک را پیشنهاد دهد. عامل‌های دیگر ممکن است گزارش‌دهی‌های نظارتی یا آزمون تنش سیستم بانکی (Bank Stress Test) را به طور خودکار انجام دهند و وقت و فرصت نیروی انسانی را برای نوآوری‌های راهبردی آزاد کنند.

پیامدها بسیار عمیق‌اند. هوش مصنوعی عامل‌محور فقط یک لایه فناوری جدید نیست، بلکه یک مدل عملیاتی تازه است و هرچند مزایای زیادی دارد ریسک‌های جدی‌ای هم نیز به همراه دارد. بدون حکمرانی، شفافیت و پاسخ‌گویی هدفمند، این سامانه‌ها می‌توانند سوگیری‌ها را تقویت کنند، مسئولیت‌پذیری را مبهم سازند یا باعث ناتوانی در انطباق مقررات شوند.

راه‌حل چیست؟ رفتار با عامل‌های هوش مصنوعی به‌عنوان «شهروندان سازمانی» (Corporate Citizens)؛ یعنی فراتر رفتن از ساخت فناوری‌های قدرتمند، بازنگری در کل فرایند تصمیم‌گیری از ابتدا تا انتها، ایجاد درکی تازه از این‌که کدام تصمیمات را می‌توان به هوش مصنوعی سپرد و مهم‌تر از همه، طراحی ساختارهای مدیریتی و هزینه‌ای نوین برای اطمینان از شکوفایی نیروی انسانی و عامل‌های هوش مصنوعی.

ظرفیت‌های هوش مصنوعی عامل‌محور

هوش مصنوعی عامل‌محور نقطه‌ای متمایز و تحول‌آفرین در مقایسه با سامانه‌های سنتی مبتنی بر معماری‌های قطعی و قاعده‌محور محسوب می‌شود. پیش‌تر، تصمیم‌گیری‌های سازمانی منطبق بر منطق‌های کدنویسی‌شده و گردش کارهای ایستا از اسکریپت‌های خدمات مشتری گرفته تا چک‌لیست‌های اعتبارسنجی یا محرک‌های زنجیره تأمین بودند. این رویکردها هرچند در محیط‌های قابل‌پیش‌بینی مفید بودند، اما در مواجهه با واقعیت‌های امروزی که پویا، حجیم و سرشار از زمینه‌های متغیر هستند، کافی نیستند.

اما سامانه‌های عامل‌محور متفاوت عمل می‌کنند. آن‌ها به‌جای اجرای دستورالعمل‌های ثابت، مانند یک همکار و با قابلیت استدلال، سازگاری و یادگیری در طول زمان رفتار می‌کنند. هسته اصلی این سامانه‌ها را «عامل‌های هوش مصنوعی» (AI agents) تشکیل می‌دهند؛ موجودیت‌های نرم‌افزاری که قادرند محیط را درک کنند، به طور خودمختار تصمیم بگیرند و برای دستیابی به اهداف مشخص اقدام کنند. به طور معمول، سامانه‌های عامل‌محور در یکی از دو قالب زیر ظاهر می‌شوند:

• سامانه‌های تک‌عاملی که می‌توانند یک فرایند را به طور کامل و مستقل انجام دهند؛ مانند تأیید یا رد وام، رسیدگی به شکایت مشتری یا تنظیم پویا موجودی انبار بر اساس سیگنال‌های تقاضای ورودی.
• سامانه‌های چندعاملی که به‌صورت شبکه‌های غیرمتمرکز از عامل‌های تعامل‌گر و همکار عمل می‌کنند. برای نمونه، در حوزه خدمات مالی، یک عامل ممکن است اعتبار متقاضی را ارزیابی کند، یک عامل دیگر ریسک را مدل‌سازی کند و عامل سوم بر انطباق مقررات نظارت داشته باشد و همه در کنار هم برای بهینه‌سازی تجربه مشتری و مدیریت فرایندها به‌صورت بلادرنگ عمل کنند.

ظرفیت بالقوه هوش مصنوعی عامل‌محور در توانایی این سامانه‌ها برای بازتعریف بنیادین نحوه عملکرد سازمان‌هاست. این سامانه‌ها می‌توانند جهش‌های بی‌سابقه‌ای در سرعت، مقیاس‌پذیری و دقت ایجاد کنند و به شرکت‌ها امکان دهند تأخیر زمانی تصمیم‌گیری را کاهش دهند، نیاز به انتقال کار بین بخش‌ها را حذف کنند و بهبود مستمر در نتایج ایجاد کنند. تصور کنید تصمیمات اعتبارسنجی در چند ثانیه صادر شوند، گزارش‌های انطباق مقررات به طور بلادرنگ به‌روزرسانی شوند یا تجربه مشتری در سطح انسانی اما با سرعت و هزینه ماشین ارائه شود. بهره‌وری بالاتر، تصمیمات بهتر و سازمانی چابک‌تر حاصل بهره‌گیری از عامل‌های هوش مصنوعی خواهد بود.

البته این چشم‌انداز جذاب، بهای بالایی نیز دارد و هیچ دگرگونی‌ای یک‌شبه رخ نمی‌دهد. پیاده‌سازی هوش مصنوعی عامل‌محور یک راهکار «اتصال و اجرا» (plug-and-play) نیست، بلکه تعهدی بلندمدت است که به زیرساخت قوی، اکوسیستم داده‌های قابل‌تعامل و یکپارچگی عمیق میان واحدها نیاز دارد. فراتر از فناوری، این مسیر مستلزم بازاندیشی کامل در حوزه مسئولیت‌پذیری، اخلاق و حکمرانی داده و فناوری است. مدیران باید در طراحی مجدد مدل عملیاتی سرمایه‌گذاری کنند، الگوهای جدیدی برای نیروی انسانی بسازند و سازوکارهایی برای اعتماد متقابل ایجاد کنند تا همکاری انسان و هوش مصنوعی در مقیاس گسترده، ایمن و اثربخش صورت پذیرد.

عامل‌های هوش مصنوعی به‌عنوان «شهروندان سازمانی» که نیازمند مدیریت‌اند

برای بهره‌برداری کامل از ارزش هوش مصنوعی عامل‌محور، سازمان‌ها نباید به این سامانه‌ها به‌عنوان ابزارهای آزمایشی نگاه کنند و می‌بایست آن‌ها را همانند نیروی انسانی مدیریت کنند. در سازمان آینده‌نگر، عامل‌های هوش مصنوعی به «شهروندان سازمانی» تبدیل می‌شوند؛ پاسخ‌گو، تحت حکمرانی و موظف به ارائه ارزش قابل‌سنجش. این تغییر دیدگاه یعنی بازاندیشی در نحوه تأمین مالی، ارزیابی و ادغام این عامل‌ها در سازمان به‌مانند کارکنان انسانی، به زیرساخت‌های زیر نیاز دارند:

• ساختار هزینه کامل: سازمان‌ها هزینه‌های نیروی انسانی مانند حقوق، مزایا، پاداش و آموزش را می‌شناسند. عامل‌های هوش مصنوعی هم شایسته همین دقت هستند. مدیران باید هزینه مالکیت کل از جمله سامانه‌های فناوری اطلاعات، بازآموزی مدل‌ها، لایه‌های هماهنگی، ابزارهای حکمرانی و انطباق را محاسبه کنند، و درست مانند کارکنان توانمند، این عامل‌ها باید بتوانند در حوزه‌ها و نقش‌های مختلف ارزش‌آفرینی، نه اینکه در ساختارها و سیلوهای سازمانی ثابت محبوس بمانند.
• اهداف مشخص: هر عامل به شرح وظایف نیاز دارد. چه حل‌وفصل دعاوی چه کشف تقلب یا بهینه‌سازی موجودی، وظایف باید با اولویت‌های کسب‌وکار همسو باشند و نتایج، مانند اهداف هر عضو تیم ردیابی، پیگیری و بازخورددهی شوند.
• مدیریت عملکرد: عملکرد انسان‌ها بر اساس کیفیت، سرعت و میزان تأثیر ارزیابی می‌شود. عامل‌های هوش مصنوعی نیز باید همین‌گونه سنجیده شوند. عملکرد آن‌ها در کارایی، دقت و رضایت کاربر باید پایش شود و بهبود یابد و در نهایت عامل‌های کم‌بازده می‌بایست بازآموزی یا کلاً حذف شوند.
• حکمرانی و نظارت: کارکنان انسانی تحت سیاست‌ها و هنجارهای فرهنگی عمل می‌کنند. عامل‌های هوش مصنوعی نیز به همین مرزها نیاز دارند؛ یعنی نیاز است به‌ویژه در بخش‌های تنظیم‌گرانه و رگولاتوری‌ها چارچوب‌های اخلاقی، شفافیت، قابلیت حسابرسی و سامانه‌های ایمنی برای تصمیمات حساس برای آن‌ها تعیین و تعریف شود. این موارد نه یک انتخاب، بلکه یک ضرورت حیاتی هستند.
• توانمندسازی میان‌وظیفه‌ای: کارکنان توانمند تنها یک کار را انجام نمی‌دهند؛ آن‌ها همکاری، سازش و رشد می‌کنند و عامل‌ها نیز باید چنین باشند. بهترین سامانه‌های هوش مصنوعی برای قابلیت تعامل‌پذیری طراحی می‌شوند تا بتوانند از چند حوزه مختلف پشتیبانی کنند، از کاربردهای مختلف بیاموزند و در سراسر سازمان مقیاس‌پذیر شوند.

با اعمال همان استانداردهایی که برای انسان‌ها استفاده می‌شود از هزینه و مسئولیت‌پذیری گرفته تا سازگاری؛ سازمان‌ها عامل‌های هوش مصنوعی را از ابزارهای تاکتیکی به دارایی‌های استراتژیک نیروی کار ارتقا می‌دهند. این عامل‌ها تنها کار انجام نمی‌دهند بلکه آرام‌آرام به بخشی جدایی‌ناپذیر از چگونگی انجام کار تبدیل می‌شوند.

بازاندیشی در تصمیم‌گیری با عملیات هوشمند

برای بهره‌برداری کامل از ظرفیت‌های هوش مصنوعی در عملیات خدماتی، سازمان‌ها باید فراتر از صرفاً استقرار فناوری حرکت کنند. سازمان‌ها می‌بایست نحوه تصمیم‌گیری و انجام کارها را با ایجاد ساختاری به نام «عملیات هوشمند» (Smart Ops) که در آن انسان و عامل‌های هوش مصنوعی به‌صورت هماهنگ و مکمل فعالیت کنند، بازطراحی کنند.

جایی که عامل‌های دیجیتال می‌درخشند

همه چیز از انتخاب ابزار مناسب برای کار مناسب آغاز می‌شود. پیش‌گامان هوش مصنوعی عامل‌محور نشان داده‌اند که ارزیابی فرصت‌ها باید در سطح کل مسیر خدمت و کل گردش کار انجام شود، نه به‌صورت جزیره‌ای. (تصویر ۲ را ببینید)

این رویکرد به چارچوبی ساده و عملی می‌انجامد که شامل انواع عامل‌های هوش مصنوعی است:

• عامل‌های وظیفه‌محور (Task-level agents): دقیقاً طبق دستورالعمل‌های ساده عمل می‌کنند تا کارهای تعریف‌شده و تکرارشونده را به‌صورت کامل اجرا کنند، مانند پردازش بازپرداخت یا تغییر زمان یک قرار ملاقات.
• عامل‌های حل مسئله خودکار (Autonomous problem-solver agents): این عامل‌ها چندین مرحله از یک گردش کار را انجام می‌دهند که نیازمند قضاوت ساده اما در محدوده‌ای تعریف‌شده است؛ مثل بررسی صلاحیت کاربر، ارسال یک درخواست یا پیگیری خدمات پس از فروش.
• عامل‌های هماهنگ‌کننده مدل (Model orchestrator agents): این عامل‌ها مانند مدیران دیجیتالی فرایند عمل می‌کنند، با انسان‌ها همکاری کرده و میان ابزارها، سیستم‌ها و سایر عامل‌ها هماهنگی ایجاد می‌کنند تا بینش‌ها را آشکار کنند، اقدامات را پیشنهاد دهند یا داده‌ها را به‌صورت لحظه‌ای تحلیل و خلاصه کنند.
• عامل‌های تخصصی حوزه‌محور (Domain-specific agents): برای عملکردهای حیاتی و اساسی کسب‌وکار مثل خدمات مشتری، فروش یا امور مالی طراحی و برای دستیابی به نتایج مشخص بهینه‌سازی شده‌اند.

این رویکرد ماژولار و مبتنی بر نقش، به سازمان‌ها امکان می‌دهد عامل‌ها را با دقت و در هماهنگی با ارزش کسب‌وکار، نیاز عملیاتی و زمینه کاربر مستقر کنند. اما استقرار عامل‌ها تنها نیمی از ماجرا هستند و برای ایجاد عملیات خدماتی واقعاً هوشمند، نقش‌های انسانی نیز باید هم‌زمان تحول پیدا کنند.

جایی که انسان‌ها پیشتازند

وقتی عامل‌ها وظایف پرتکرار یا تراکنشی را بر عهده می‌گیرند، نیروی انسانی به وظایفی مشغول می‌شوند که نیازمند نظارت، اخلاق و قضاوت بیشتری هستند، از جمله:

• متولیان (Custodians) که از سلامت داده‌ها، عملکرد مدل و کیفیت نتایج مشتری اطمینان حاصل می‌کنند.
• تصمیم‌گیران (Judgment holders) که با تصمیمات مبهم یا حساس روبه‌رو می‌شوند؛ یعنی جایی که زمینه، ظرافت و اعتماد حیاتی است.
• تأییدکنندگان و حسابرسان (Approvers and auditors) که استثناها را بررسی می‌کنند، موارد ارجاع‌شده را مدیریت کرده و مرزهای انطباق مقررات را وارسی می‌کنند.

این تغییر نیازمند رویکردی مبتنی بر طراحی نیروی کار است، نه صرفاً یک برنامه پیاده‌سازی فناوری. هر کارمند دیجیتال مانند هر کارمند انسانی باید نقش و هدفی روشن، تأثیرگذاری قابل‌سنجش بر عملکرد کسب‌وکار، سازوکار حکمرانی و نظارت و فرصت‌هایی برای رشد و یادگیری داشته باشد.

همچنین باید این واقعیت را پذیرفت که هر نیروی دیجیتال مانند هر کارمند انسانی، بازگشت سرمایه (ROI) فوری ایجاد نمی‌کند و آنچه اهمیت دارد، عملکرد کل سیستم «انسان + هوش مصنوعی» است.

بازطراحی فرایندها: نه اینکه چه چیزی را بلکه کدام تصمیم را خودکار کنیم

هرچند هوش مصنوعی عامل‌محور تقریباً در هر حوزه‌ای کاربردهای بالقوه دارد، اما عملیات خدماتی همچنان بهترین میدان آزمایش آن است. این محیط‌ها مملو از وظایف پرتکرار و داده‌های جزیره‌ای هستند که آن‌ها را برای خودکارسازی هوشمند ایده‌آل می‌کند. بااین‌حال، پرسش اصلی دیگر این نیست که «چه چیزی را می‌توان خودکار کرد»، بلکه این است که «کدام تصمیمات باید خودکار شوند» و در کجا همچنان قضاوت انسانی اهمیت دارد.

در اینجا، یک چارچوب تصمیم‌گیری بر اساس ریسک و پیچیدگی حیاتی می‌شود (تصویر ۳ را ببینید). به‌جای دنبال‌کردن خودکارسازی صرف، سازمان‌ها باید تصمیمات را بر اساس سطح ریسک ذاتی و میزان قضاوت انسانی موردنیاز طبقه‌بندی کنند. تصمیمات کم‌ریسک و کمتر پیچیده مثل تأیید جزئیات حساب یا بررسی وضعیت یک درخواست؛ برای اتوماسیون کامل مناسب‌اند. اما سناریوهای پرریسک و نیازمند قضاوت مانند حل پرونده‌های تقلب یا استثناهای پیچیده در سیاست‌ها ممکن است همچنان به نظارت انسانی، البته با کمک دستیاران هوش مصنوعی نیاز داشته باشند.

هوش مصنوعی عامل‌محور همین حالا هم می‌تواند طیف وسیعی از تعاملات اصلی را به طور خودکار مدیریت کند.

• در بهداشت و درمان، می‌تواند برنامه‌ریزی نوبت‌ها را به‌صورت پویا مدیریت کند، نرخ عدم حضور بیماران را پیش‌بینی کرده و ظرفیت درمانی را بهینه کند.
• در خدمات عمومی نیز می‌تواند عملکرد شبکه را پایش کرده، نگهداری‌های پیشگیرانه را انجام دهد و اطلاعات مشتریان را بدون نیاز به ارجاع به نیروی انسانی به‌روز نگه دارد.

اما ارزش واقعی زمانی به دست می‌آید که این سامانه‌ها نه‌تنها به مشتری، بلکه به کل سازمان خدمت کنند و هر تعامل خدماتی به یک نقطه داده تبدیل می‌شود. عامل‌های هوش مصنوعی می‌توانند شکایات در حال افزایش را شناسایی، نقاط ضعف فرایندهای بالادستی را پیدا و مشکلات سیستماتیک را قبل از بحرانی شدن پرچم‌گذاری کنند. این عمومی‌سازی داده‌های خدماتی باعث می‌شود بینش‌ها بدون هیچ مانعی از نقطه تماس مشتری به فرایندهای طراحی محصول، بازاریابی و عملیات جریان یابند و تصمیم‌گیری‌های سریع‌تر و یکپارچه‌تر در کل سازمان شکل گیرد.

سازمان‌های پیشرو می‌بایست از ذهنیت قدیمی که صرفاً بر کاهش حجم تماس‌ها متمرکز بود، عبور کنند. در مدل عملیات هوشمند، حجم بالای تماس‌ها دست‌انداز نیست؛ بلکه منبع داده و هوش است. اگر داده‌های خدماتی به‌درستی جمع‌آوری، تفسیر و مسیردهی شوند، حجم بیشتر به معنای سیگنال بیشتر، یادگیری سریع‌تر و ارزش‌آفرینی بیشتر است. چیزی که پیش‌تر هزینه تلقی می‌شد، اکنون می‌تواند به مزیت رقابتی بدل شود.

البته، تحقق این چشم‌انداز به سرمایه‌گذاری نیاز دارد. شرکت‌ها باید زیرساخت‌های خود را نوسازی کنند، بدهی‌های فنی را برطرف کنند و جریان امن و لحظه‌ای داده‌ها را در سراسر واحدهای کسب‌وکار برقرار کنند. اما آن‌هایی که زودتر حرکت کنند، تعریف تازه‌ای از نقش عملیات خدماتی در رشد سازمانی ارائه خواهند داد؛ آن هم نه فقط از مسیر بهبود بهره‌وری بلکه از طریق بینش‌های راهبردی و هماهنگی سازمانی.

شروع کار

با گسترش نقش ایجنت‌های هوش مصنوعی در انجام وظایف عملیاتی، سازمان‌ها می‌بایست روند طراحی کار، نحوه پشتیبانی از نیروی انسانی و معیارهای سنجش ارزش را بازنگری کنند. استقرار گسترده هوش مصنوعی عامل‌محور فقط یک تغییر فنی نیست؛ بلکه یک تحول سازمانی است. برای رسیدن به این هدف، شرکت‌ها می‌توانند با اقدامات زیر شروع کنند:

• پل زدن بین فناوری و کسب‌وکار با مسئولیت‌پذیری در سطح مدیریت. موفقیت در هوش مصنوعی وابسته به هماهنگی میان‌بخشی است. تیم‌های ترکیبی، شاخص‌های عملکرد مشترک و مدیران محصول هوش مصنوعی که هم بر کسب‌وکار و هم بر فناوری مسلط هستند، تضمین می‌کنند که ابتکارات نه تنها از نظر فنی امکان‌پذیر بلکه از نظر تجاری هم نیز راهبردی باشند. رهبران ارشد از مدیر ارشد عملیات (COO) گرفته تا مدیر ارشد اطلاعات (CIO) باید مالک نتایج باشند، ساختارهای پاسخگویی را تعریف کنند و الگوی ذهنی موردنیاز برای هوش مصنوعی را نشان دهند.
• بازطراحی نقش‌ها و سرمایه‌گذاری در مهارت‌آموزی مجدد. با تغییر مرز وظایف به واسطه‌ی خودکارسازی، نقش‌ها باید به سمت مدیریت استثناها، تصمیم‌گیری‌های مبتنی بر قضاوت، و بهبود تجربه مشتری حرکت کنند. سرمایه‌گذاری در سواد هوش مصنوعی، تحلیل داده و تفکر سیستمی، استعدادها را برای انجام کارهای جدید و باارزش‌تر آماده می‌کند.
• ارتقا فرهنگ و مدیریت تغییر. پذیرش هوش مصنوعی نیازمند هم‌سویی فرهنگی است. ارتباط شفاف، الگو بودن مدیران و مالکیت مشترک میان‌بخشی برای ایجاد اعتماد، کاهش مقاومت و پایداری در مقیاس‌پذیری اهمیت دارد.
• تقویت زیرساخت داده و معماری. اثربخشی هوش مصنوعی به داده‌های لحظه‌ای، منطبق با قوانین و به‌هم‌پیوسته وابسته است. سازمان‌ها می‌بایست زیرساخت داده خود را نوسازی کنند، حاکمیت داده را یکپارچه کنند و سیستم‌های مقیاس‌پذیری ایجاد کنند که به هوش مصنوعی امکان دهد به طور ایمن و مؤثر در تمام بخش‌ها فعالیت کند.

برای بهره‌برداری کامل از ارزش‌های هوش مصنوعی در عملیات خدماتی، شرکت‌ها باید از خودکارسازی وظایف به سمت طراحی تصمیمات حرکت کنند؛ یعنی تمرکز نه بر اینکه چه چیز را می‌توان خودکار کرد، بلکه بر اینکه کدام تصمیمات باید خودکار شوند. این رویکرد مستلزم برخورد با ایجنت‌های هوش مصنوعی همچون شهروندان شرکتی است؛ یعنی کارکنانی دیجیتال با نقش‌های مشخص، مسئولیت‌پذیری و معیارهای عملکردی که در مدل عملیاتی ادغام شده‌اند. مرز بعدی رقابت این نیست که چه کسی بیشترین تعداد ابزارهای هوش مصنوعی را دارد؛ بلکه این است که چه کسی هوشمندانه‌ترین تصمیمات را درباره چگونگی همکاری میان انسان و هوش مصنوعی می‌گیرد.