آینده هوش مصنوعی در مدیریت راهبردی سازمان

مقدمه

تغییر و تحولات فاوا (فناوری اطلاعات و ارتباطات)، در حال تجربه‌های انقلابی تازه و کاربردهای نوینی است. پیشرفت‌های اخیر و جاری در زمینه هوش مصنوعی و الگوریتم‌های پیشرفته در تلفیق با کلان داده‌ها، محاسبات ابری، رایانه‌های کوانتومی، اینترنت اشیاء و غیره در حال دگرگون‌سازی بسیاری از روش‌ها و ابزارهاست (Woolthuis et al., 2014). درعین‌حال، تغییر و تحولات فقط محدود به هوشمند سازی وسایل و تجهیزات نمی‌شود، بلکه انقلاب فناوری، مدل‌های کسب‌وکار را هم دگرگون ساخته و به تعریف مجدد دنیایی می‌پردازد که در آن، فضای حکمرانی، رهبری، مدیریت و اداره امور در آن تغییریافته و مفاهیم و ابزارهای جدیدی ارائه می‌شوند. در سطح سازمانی، هوش مصنوعی و کلان داده موجب بازتعریف اصول اساسی تصمیم‌گیری بوده و از این ظرفیت برخوردارند که سازمان‌ها را هرچه بیشتر سبک و چابک نموده و وظایف متعارف مدیریتی را تغییر دهند (Canals & Heukamp, 2020). به‌منظور ملموس‌تر شدن موضوع و تبیین پیوند این پیشرفت‌های فناوری با دغدغه‌های کلیدی مدیریتی، مبحث «مدیریت راهبردی^[1]» به‌عنوان یک موضوع مهم و جدید، در این مقاله موردمطالعه قرارگرفته است.

 

کلمات کلیدی: هوش مصنوعی، مدیریت شکست، زیست بوم،کلان داده،اینترنت اشیاء

 

 

 

هوش مصنوعی

  «هوشمندی^[2]» رکن اساسی و وجه تمایز انسان نسبت به سایر موجودات است. این واژه نخستین بار در میانه‌های قرن پانزدهم میلادی ثبت و ضبط‌شده به معنای درک، دانایی و زیرکی به‌کاررفته است. این واژه امروزه در کاربردهای روزمره، محافل علمی و رشته‌های گوناگون در معانی متفاوتی به کار می‌رود (اسپیگلر و همکاران، 1399). بیش از هفتاد معنی برای «هوش» شناسایی‌شده ولی به‌طور خلاصه هوش به‌عنوان «توانایی عامل برای رسیدن به اهداف در انواع مختلف محیط‌ها» تعریف‌شده (Legg & Hutter, 2007) و به‌طور خاص‌تر می‌توان آن را «بخش محاسباتی در توانایی رسیدن به اهداف در جهان» دانست (Yudkowsky, 2008). اما، در مورد هوش مصنوعی نیز تعاریف و گونه‌شناسی‌های زیادی وجود دارد، ولی به‌طور بسیار خلاصه، می‌توان هوش مصنوعی را «خودکارسازی رفتار هوشمندانه» دانست. هوش مصنوعی، به‌عنوان هوش غیرانسانی تعریف می‌شود که اندازه‌گیری و سنجش آن بر اساس توانایی تقلید یا همتاسازی مهارت‌های ذهنی انسان، مانند تشخیص الگوها، درک زبان طبیعی، یادگیری انطباقی از تجربه، راهبرد پردازی یا استدلال درباره دیگران، صورت می‌گیرد. هوش مصنوعی پس از جنگ جهانی دوم و طی دهه‌های اخیر پیشرفت‌های زیادی داشته و به‌عنوان یکی از حوزه‌های خوش آتیه فناوری محسوب می‌گردد که ظرفیت ایجاد تحول در ابعاد مختلفی زندگی انسان را دارد (اسپیگلر و همکاران، 1399).

انواع هوش مصنوعی

گونه شناسی هوش مصنوعی که متضمن تعارف و دیدگاه‌های مختلف نسبت به این پدیده است، در شکل بعد به نمایش درآمده است. باید توجه داشت اگرچه هوش انسانی معیار متداولی برای محک‌زنی یا ارزشیابی پیشرفت‌ها در توسعهٔ هوش مصنوعی بوده است، رویکردهایی نیز وجود دارد که به دنبال بازآفرینی هوش یا عملکرد انسانی نیستند، بلکه بیشتر بر روی سیستم‌هایی متمرکز هستند که به سمت نوعی عملکرد «عقلانی» ایده­آل حرکت می‌کنند. درنتیجه، بیشتر تعاریف عینی از هوش مصنوعی در چهار دسته جای می‌گیرند که در شکل 1 نمایش داده‌شده و نشان‌دهنده رویکردهایی متفاوت به دو بُعد مفهومی هستند:

• این‌که آیا بر دستیابی به فرایندهای فکری (ف) یا استدلالی خاص («هوشمندانه» یا «حس‌مند»^[3]) تأکید می‌کنند یا بر روی رفتار (ر) «هدفمند» و «اثربخش».
• 
  این‌که آیا بر سنجش موفقیت بر اساس عملکرد انسان (ع‌الف) یا بر اساس مفهومی ایده‌آل از هوش تأکید دارند که معمولاً از آن با عنوان عقلانیت (ع) یاد می‌شود.

شکل1. گونه شناسی تعاریف و رویکردها به هوش مصنوعی (اسپیگلر و همکاران، 1399)

 

گونه شناسی مذکور کمک می‌کند تا اهداف و کاربردهای هوش مصنوعی بهتر شناسایی و تعریف شود. به‌عنوان‌مثال یک‌گونه، هوش مصنوعی را عامل بهینه‌سازی عقلانی می‌داند که می‌تواند (انسان‌ها را قادر سازد) با کاردانی در جهان عمل کند (یعنی، زیرگونه رـ‌ع). بنابراین، استفاده از عملکرد انسان به‌عنوان معیار سنجش می‌تواند به ما کمک کند آستانه عملکرد بهتر سیستم‌های هوش مصنوعی (یا تیم‌های ترکیبی متشکل از انسان و هوش مصنوعی، مانند «قنطورس»^[4]) را تعیین کنیم، اما برای بیشتر اهداف راهبردی می‌توان بر فرایندهای فکری (ف) و به‌طور خاص، عملکرد رفتاری (ر) سیستم‌های هوش مصنوعی با میزان دقت، سرعت یا کیفیت تصمیم‌گیری برابر یا بهتر از انسان تمرکز کنیم. این تعریف معادل تعریف نیلز نیلسن است: هوش مصنوعی فعالیتی است که به هوشمند کردن ماشین‌ها می‌پردازد، و هوش ویژگی‌ای است که یک موجود را قادر به عمل کردن مناسب و با آینده‌نگری در محیطش می‌کند (اسپیگلر و همکاران، 1399).

شش موج توسعه هوش مصنوعی

هرچند هوش مصنوعی امروزه به سطح کاربردی قابل‌توجه و دارای ظرفیت تحول‌آفرینی رسیده، ولی طبعاً این میزان پیشرفت یک‌شبه حاصل نشده است. هوش مصنوعی چندین دهه است که به‌طورجدی در محافل تخصصی، کاربردی و عمومی مطرح‌شده و در مسیر پیشرفت، دچار افت‌وخیزهایی بوده است. به تعبیری می‌توان شش موج فرازوفرود هوش مصنوعی را طی چند دهه شناسایی نمود (اسپیگلر و همکاران، 1399):

• «جوشش اولیه» نخستین بهار هوش مصنوعی (1956 ـ 1975): دوران طلایی توقعات و انتظارات، ارائه نمونه‌های اولیه^[5] با قابلیت‌های محدود و خاص، شکل اولیه شبکه‌های عصبی پیوندگرا.
• «اهداف باشکوه» نخستین زمستان هوش مصنوعی (1974 ـ 1980): کاهش شتاب رشد اولیه، برآورده نشدن انتظارات و ناامیدی از این فناوری، روشن شدن بسیاری از محدودیت‌های علمی و فنی، کاهش بودجه‌های پژوهشی مربوط.
• «سیستم‌های خبره» دومین بهار هوش مصنوعی (1980 ـ 1987): توسعه نرم‌افزارهای پشتیبان تصمیم، ظهور برنامه‌های منطق‌گرا به‌عنوان سیستم‌های خبره، احیای مجدد شبکه‌های عصبی، باز شدن افق‌های تازه و افزایش بودجه‌های پژوهشی.
• «موج خفته» دومین زمستان هوش مصنوعی (1987 ـ 1993): عدم موفقیت‌ها و پرهزینه بودن سیستم‌های بزرگ، شکننده بودن سیستم‌های خبره و آشکار شدن نقاط ضعف آن‌ها، ظهور رایانه‌های شخصی و از میدان بیرون رفتن سیستم‌های هوش مصنوعی خاص و بزرگ.
• «هوش مصنوعی پایدار» و ظهور بهار سوم (1993 ـ 2011): ظهور شبکه‌های عصبی و الگوریتم‌های ژنتیکی جدید با خطای بسیار کمتر، پیشرفت‌های سخت‌افزاری، ارائه برخی کاربردهای عملی موفق (نظیر تشخیص گفتار، مدیریت ترافیک، کنترل ماهواره‌ها، تشخیص پزشکی، رباتیک و غیره)، افزایش بودجه‌های پژوهشی بخش خصوصی در این زمینه.
• «انقلاب هوش مصنوعی» داده‌های عظیم و یادگیری عمیق (2011 تاکنون): بهبود قابل‌توجه در الگوریتم‌ها، ابداع فنون جدید در شبکه‌های عصبی، ارتقای قدرت پردازش و پردازش ابری، توسعه شبکه‌های رایانه‌ای، رشد کلان داده و اینترنت اشیاء، توسعه یادگیری ماشینی، افزایش و تنوع منابع مالی و سرمایه‌گذاری روی این حوزه، رویکردهای جدید دسترسی باز و آزاد و استفاده از روش‌های مشارکت گسترده و جمع سپاری، پیشرفت‌های سخت‌افزاری، گذار از عصر محاسباتی و ورود به عصر شناختی.

 

 

مدیریت راهبردی

عنوانی که امروزه اغلب مدیران ارشد برای بیان جامع مسائل و دغدغه‌های اساسی سازمان استفاده می‌کنند، راهبرد (استراتژی) است. به اعتقاد مینتزبرگ، می‌توان راهبرد را به این شکل تعریف نمود: طرح، جهت‌گیری، راهنما، راهی به سمت آینده و یا مسیری که می‌خواهیم به سمت آن حرکت کنیم (McGee et al., 2005). اسکولز و جانسون معتقدند: راهبرد، جهت و محدوده فعالیت سازمان در بلندمدت است که از طریق سازمان‌دهی منابع و مدنظر قراردادن محیط غیرقابل‌پیش‌بینی و برای رفع انتظارات ذی‌نفعان، برای سازمان مزیت رقابتی ایجاد می‌کند (سیروس و صبورطینت، 1387). اصطلاح مدیریت استراتژیک مطرح می‌شود که اشاره به فرایندهای مدیریتی مرتبط با دو وظیفه اصلی دارد (Sanchez & Heene, 2004):

• تعریف اهداف سازمان به‌منظور خلق و توزیع ارزش
• طراحی راه و روشی برای سازمان که برای ایجاد، ساختاردهی و هماهنگی در تعقیب اهداف به‌منظور خلق و توزیع ارزش

می‌توان عناصر پایه مشترکی را که در همه فرایندهای مدیریت راهبردی هستند به ترتیب زیر شناسایی و ارائه نمود (Trainer, 2004):

 

شکل 2. عناصر پایه و مراحل اصلی در مدیریت و طرح‌ریزی راهبردی

بر اساس مطالعاتی که نشریه معتبر فورچون^[6] در دهه 90 میلادی به عمل‌آورده است، بیش از 90% از شرکت‌های بزرگ در دستیابی به اهداف مطرح در راهبرد خود ناکام می‌مانند (Carter, 1992). مطالعات ده‌ساله شرکت بین^[7] بر روی 2000 شرکت نیز نشان می‌دهد که تنها 14% از شرکت‌ها قادر بوده‌اند تا روند رشد خود را برای بیش از 5 سال حفظ کنند و این در حالی است که بیش از 40% آن‌ها در همان سال‌های نخستین با ناکامی مواجه شده‌اند (Zook and Allen, 1999). امروزه نیز همچنان مسئله شکست راهبرها مطرح است و بدین ترتیب ملاحظه می‌شود که هرچند راهبرد در مفهوم کلی خود، یک رویکرد سازنده، تحول بخش و ارتقادهنده درحرکت سازمان‌ها به سمت موفقیت است، ولی درعین‌حال مشاهده می‌شود که برخی از سازمان‌ها با استفاده از این رویکرد به موفقیت‌های قابل‌توجهی در عرصه کسب‌وکار دست‌یافته‌اند. ولی برخی دیگر از سازمان‌ها راهبرد را با شکست و ناکامی تجربه کرده‌اند.

مطالعه روی علل شکست و موفقیت راهبرد، بیانگر آن است که در هر یک از مراحل مدیریت و طرح‌ریزی راهبردی، ممکن است عوامل مختلفی در موفقیت و شکست یک راهبرد مؤثر واقع شوند (نظری‌زاده و میرشاه‌ولاتی: 1392). غفاریان دو نظریه را در خصوص علل شکست طرح‌ریزی راهبردی مطرح می‌سازد (غفاریان، 1381):

نظریه اول: ضعف رهبری مهم‌ترین علت شکست طرح‌ریزی راهبردی است که باهدف بقا و رشد در محیط رقابتی طراحی و اجرا می‌شود. این امر در قالب موارد زیر روی می‌دهد.

• فقدان شایستگی‌های کلیدی (ضعف رهبری گذشته)
• دیدگاه غلط (در تشخیص صحیح فرصت، گلوگاه‌ها و یا راهکار مناسب راهبردی)
• فلج سازمانی (ضعف در پیروی از راهبرد)

 نظریه دوم: تمرکز منابع بر روی یک یا چند هدف مهم سازمانی، چنان چه با فرصت همراه نباشد به شکست سازمان منجر خواهد شد.

با توجه به شکل 2 ممکن است علل شکست (یا موفقیت) ممکن است ناشی از عدم‌کفایت، نقص، فقدان کیفیت و غیره در هر یک از مراحل چهارگانه راهبرد (بررسی محیطی، تدوین راهبرد، پیاده‌سازی راهبرد، و ارزیابی و کنترل راهبرد) باشد. به‌این‌ترتیب، با توجه به قابلیت‌های بالقوه و بالفعل هوش مصنوعی، سؤال این است که آیا هوش مصنوعی قادر است در مدیریت و طرح‌ریزی راهبردی مؤثر واقع شود؟ در صورت پاسخ مثبت، نقاط تأثیرگذار کلیدی و اثرات و کمک‌های مهم آن چیست؟

کاربردهای هوش مصنوعی در مدیریت

امروزه هوش مصنوعی به‌سرعت در حال وارد شدن به عرصه‌های مختلف زندگی ازجمله زندگی سازمان‌ها و کسب‌وکارهای تجاری است. این امر تا حدی جدی است که برخی برای برجسته‌سازی این نقش و اهمیت می‌گویند: «یا از هوش مصنوعی در فرایندهای تجاری خود استفاده می‌کنید، یا از رقبای خود عقب می‌مانید!». ادعاشده که کاربرد هوش مصنوعی در مدیریت شرکت‌ها می‌تواند موفقیت‌های بزرگی برای مدیران به همراه داشته باشد. به‌عنوان نمونه، بخش عمده‌ای از فعالیت‌های روزانه هر مدیر به کارهای اداری اختصاص دارد؛ کارهای ضروری اما معمولی و تکراری که چیزی به مهارت‌های مدیر اضافه نمی‌کند. نظرسنجی نشریه معتبر «هاروارد بیزینس ریویو» در مورد مدیران پروژه نشان می‌دهد که 54% از وقت آن‌ها به امور عادی مدیریت تخصیص‌یافته است. البته ممکن است این رقم برای سایر مدیران کمتر یا بیشتر باشد، اما به‌هرحال کاری نیست که به توانایی‌های آن‌ها بیفزاید و مدیران را تقویت کند. پس بهتر است توسط هوش مصنوعی انجام شود.

 همچنین هوش مصنوعی در حال تبدیل‌شدن به موتور محرک تحول بزرگ در کسب‌وکار است تا اقتصاد جهانی را مولدتر و کارآمدتر کند. بااین‌حال، بسیاری از ابتکارات برای توسعه AI شکست می‌خورند. این یافته‌ها ناشی از تحقیقات (Sayyadi and Collina,2023) در میان بیش از 340 مدیر اجرایی و مدیران ارشد در المان، استرالیا، هنگ کنگ و تایوان است. این یافته‌ها نشان می‌دهد که موانع فرهنگی و ساختاری و رویکردی که مدیران ارشد به هوش مصنوعی اتخاذ می‌کنند، که در آن به‌جای بهبود مستمر، به دنبال تحول و جایگزینی سریع هستند، از مهم‌ترین موانع توسعه هوش مصنوعی در شرکت‌ها هستند. تحقیقات نشان می‌دهد که تنها 12 درصد از مدیران و مدیران ارشد شرکت‌کننده در این تحقیق ابتکارات هوش مصنوعی را در استراتژی‌های شرکت خود قرار داده‌اند. بسیاری از این شرکت‌کنندگان هوش مصنوعی را به‌جای یک عامل استراتژیک، یک عامل تاکتیکی در نظر گرفته‌اند و درنهایت نتوانسته‌اند آن را در شرکت‌های خود توسعه دهند. چهل‌وهشت درصد از این مدیران و مدیران ارشد بیان کرده‌اند که دلیل شکست پروژه‌ها رویکردی است که مدیران عامل نسبت به هوش مصنوعی اتخاذ کرده‌اند که در آن هوش مصنوعی را به‌عنوان یک تحول و جایگزینی سریع در نظر می‌گیرند، نه یک فرایند توسعه مداوم.

نقش هوش مصنوعی در تصمیم‌گیری‌های مدیریتی و کسب‌وکار بیشتر ازآنچه به چشم بیاید، حیاتی است. شاید بتوان چند مثال ملموس از کاربرد هوش مصنوعی در زندگی روزمره مثال زد (به‌عنوان نمونه: اتومبیل‌های خودران، اینترنت اشیا، تشخیص بیماری، تولید کمک ربات، خرید خودکار و غیره)، اما احتمالاً آوردن مثال برای نشان دادن جایگاه هوش مصنوعی در مدیریت سازمان‌ها، کار ساده‌ای نیست.

اما هوش مصنوعی چه‌کارهایی انجام می‌دهد که انسان‌ها قادر به انجام آن‌ها نیستند؟ واقعیت این است که هوش مصنوعی می‌تواند اعداد را تجزیه‌وتحلیل کند، الگوها را تشخیص دهد و تصمیم‌گیری‌های مبتنی بر داده را خیلی سریع‌تر از انسان بگیرد. از طرف دیگر، به خاطر قابلیت پردازش حجم انبوه داده‌ها و تفسیر مسیرها و توصیه‌های عملی، می‌تواند یک ابزار حیاتی برای مدیرانی باشد که در تصمیم‌گیری‌های خود به دنبال پشتیبانی‌های کمّی هستند.

بر اساس گزارش مک کنزی در مورد وضعیت هوش مصنوعی در سال 2020، نیمی از سازمان‌ها حداقل از یک نوع هوش مصنوعی در جریان کار استفاده کرده‌اند و این موضوع باعث تولید ارزش شده است. این ارزش خود را به‌صورت جریان‌های اضافی درآمدی و کاهش هزینه‌ها نشان می‌دهد. 22% از پاسخ‌دهندگان به نظرسنجی گفته‌اند حداقل 5% از درآمد خالص شرکت‌شان مربوط به هوش مصنوعی بوده، درحالی‌که 50% از شرکت‌ها ادعا می‌کنند که هوش مصنوعی به بهینه‌سازی هزینه‌های عملیاتی آن‌ها کمک می‌کند. به‌طورکلی هوش مصنوعی می‌تواند ارزش‌آفرینی را ارتقا دهد و معمولاً برای این امر، سه نیاز مهم تجاری را برای کسب‌وکارها را تأمین کند:

• خودکارسازی فرایندهای کسب‌وکار

رایج‌ترین نوع خودکارسازی وظایف، شامل فعالیت‌های اداری و مالی است. مانند به‌روزرسانی فایل‌های مربوط به مشتری یا اضافه شدن خدمات به سازمان.

• کسببینش به کمک تحلیل داده‌ها

در این نوع کاربرد هوش مصنوعی در تصمیم‌گیری‌های مدیریتی از الگوریتم‌ها برای شناسایی الگوها در حجم وسیع استفاده می‌شود. یادگیری ماشینی در این زمینه بسیار کاربرد دارد. به‌عنوان‌مثال کاربرد هوش مصنوعی در سازمان‌ها برای پیش‌بینی این‌که مشتری احتمالاً چه چیزی را خریداری خواهد کرد یا پیدا کردن داده‌های جعلی یا تحلیل داده‌های ثبت‌شده در گارانتی خودروها برای شناسایی مشکلات و غیره بسیار قابل‌توجه است.

• تعامل بهتر با مشتریان و کارمندان

پروژه‌های متعددی را در خصوص استفاده از ربات‌های چت (ربات‌های مکالمه کننده) که کارمندان و مشتریان با آن‌ها در تعامل هستند می‌توان یافت. شرکت‌هایی که خدمات مشتری 7/24 ارائه می‌دهند (24 ساعته و هفت روز هفته) معمولاً با مسائل مختلف و حتی بسیار ابتدایی مثل بازیابی رمز عبور و سؤالات مربوط به پشتیبانی فنی درگیر هستند. پس می‌توان از قابلیت هوش مصنوعی برای پاسخ دادن به سؤالات مشتریان و کارکنان در حوزه فناوری اطلاعات، خط‌مشی منابع انسانی و غیره استفاده کرد.

امروزه بعد از شغل «معمار داده‌ها» و «محاسبات ابری»، موقعیت شغلی «مهندسی داده» و «مهندسی یادگیری ماشین» در شرکت‌ها در حال افزایش است، دلیل آن‌هم افزایش تقاضای سازمان‌ها و شرکت‌ها برای این تخصص‌ها جهت استفاده از هوش مصنوعی به شکلی مؤثر است. در زمینه تصمیم‌گیری‌های مدیریتی در فرایندهای سازمانی نیز می‌توان کاربردهای مختلفی را شناسایی نمود. به‌عنوان‌مثال:

• قیمت‌گذاری هوشمند (قیمت‌گذاری پیشرفته بر اساس تحلیل عوامل مختلف مؤثر در قیمت)
• ارائه پیشنهاد‌های سفارشی/شخصی شده (ارائه پیشنهاد بر اساس اطلاعات، تحلیل رفتار خرید و نیاز احتمالی مشتری)
• استخدام خودکار (یافتن افراد مناسب از میان مجموعه‌ای از متقاضیان)
• پشتیبانی از مشتریان (رسیدگی و پاسخ‌دهی به سؤالات و درخواست‌های مشتریان)
• بهبود امنیت (شناسایی و مدیریت حفره‌های امنیتی و رفع خودکار مشکلات سایبری)
• انجام تحلیل به‌صورت برخط (تحلیل حجم عظیم داده به‌صورت فوری)
• و غیره.

در کنار این قابلیت‌ها و مزایای فوق‌العاده، چالش‌هایی نیز به وجود می‌آید. به‌عنوان‌مثال، هوش مصنوعی می‌تواند آن‌قدر خوب باشد که 40% از کارمندان بخش مالی شرکت‌ها اخراج و توسط هوش مصنوعی جایگزین شوند. به همین ترتیب، ممکن است هوش مصنوعی، اشتغال افراد در برخی مشاغل را به خطر بیندازد. درعین‌حال، این هشدار پیش‌دستانه را -به‌خصوص برای بعضی مشاغل- در خود دارد که هرچه سریع‌تر افراد باید دانش و مهارت‌های خود را ارتقا دهند. همچنین یادگیری کار باهوش مصنوعی، می‌تواند زمینه‌ها و گزینه‌های جدیدی برای اشتغال فراهم نماید.

ادغام هوش مصنوعی در شیوه‌های مدیریتی مزایای قابل‌توجهی را برای سازمان‌هایی ارائه می‌دهد که به دنبال ساده‌سازی عملیات، بهبود تصمیم‌گیری و ماندن در چشم‌انداز رقابتی هستند. فناوری‌های هوش مصنوعی ابزارهای قدرتمندی برای تجزیه‌وتحلیل داده‌های هوشمند، اتوماسیون، پشتیبانی تصمیم‌گیری، مدیریت زنجیره تأمین و مدیریت استعداد در اختیار مدیران قرار می‌دهند. با استفاده از پتانسیل هوش مصنوعی، سازمان‌ها می‌توانند فرآیندهای خود را بهینه کنند، کارایی را افزایش دهند و به رشد پایدار دست یابند. برای مدیران بسیار مهم است که از آخرین پیشرفت‌های هوش مصنوعی آگاه باشند و برنامه‌های کاربردی مناسبی را که با اهداف تجاری آن‌ها همسو باشد، اتخاذ کنند.

1. تجزیه‌وتحلیل هوشمند داده‌ها:

الگوریتم‌های هوش مصنوعی در پردازش و تجزیه‌وتحلیل حجم وسیعی از داده‌ها عالی هستند و مدیران را قادر می‌سازد تا بینش عمیق‌تری در مورد عملیات خود به دست آورند. تکنیک‌هایی مانند یادگیری ماشینی و پردازش زبان طبیعی می‌توانند الگوها، روندها و همبستگی‌های ارزشمندی را از مجموعه داده‌های پیچیده استخراج کنند. این امر با ارائه اطلاعات دقیق و به‌موقع، قابلیت‌های تصمیم‌گیری را افزایش می‌دهد. ابزارهای تجزیه‌وتحلیل داده‌های مبتنی بر هوش مصنوعی را می‌توان برای تقسیم‌بندی مشتری، تحقیقات بازار، بهینه‌سازی زنجیره تأمین، تشخیص تقلب و تجزیه‌وتحلیل پیش‌بینی کننده استفاده کرد. (Chen et al., 2018)

2. اتوماسیون هوشمند:

هوش مصنوعی پتانسیل قابل‌توجهی را برای خودکارسازی کارهای روتین و تکراری ارائه می‌دهد و زمان ارزشمندی را برای مدیران برای تمرکز بر فعالیت‌های استراتژیک تر آزاد می‌کند. اتوماسیون فرآیند رباتیک (RPA) از هوش مصنوعی و یادگیری ماشینی برای خودکارسازی گردش کار، ورود داده‌ها و پردازش اسناد استفاده می‌کند. ربات‌های چت و دستیارهای مجازی با پردازش زبان طبیعی، مدیران را قادر می‌سازد تا پشتیبانی مشتری را خودکار کنند، به سؤالات پاسخ دهند و سؤالات روتین را مدیریت کنند. اتوماسیون نه‌تنها هزینه‌ها را کاهش می‌دهد بلکه کارایی و دقت را نیز افزایش می‌دهد. (Kiron et al., 2017)

3. سیستم‌های پشتیبانی تصمیم:

سیستم‌های پشتیبانی تصمیم مبتنی بر هوش مصنوعی، مدیران را با بینش‌ها و توصیه‌های بلادرنگ توانمند می‌سازد و آن‌ها را قادر می‌سازد تا تصمیمات آگاهانه بگیرند. این سیستم‌ها می‌توانند سناریوهای پیچیده را تجزیه‌وتحلیل کنند، متغیرهای متعدد را در نظر بگیرند و پیش‌بینی‌هایی را بر اساس داده‌های تاریخی ارائه دهند. با ادغام الگوریتم‌های هوش مصنوعی در فرآیندهای تصمیم‌گیری، مدیران می‌توانند خطرات را کاهش دهند، تخصیص منابع را بهینه کنند و استراتژی‌های مؤثرتری توسعه دهند. سیستم‌های پشتیبانی تصمیم را می‌توان در تجزیه‌وتحلیل مالی، برنامه‌ریزی منابع، مدیریت پروژه و ارزیابی ریسک استفاده کرد (Wang et al, 2019).

4. مدیریت هوشمند زنجیره تأمین:

مدیریت زنجیره‌های تأمین پیچیده می‌تواند یک کار دلهره‌آور باشد. فناوری‌های مبتنی بر هوش مصنوعی با تجزیه‌وتحلیل مجموعه‌های داده بزرگ، پیش‌بینی الگوهای تقاضا و بهینه‌سازی سطوح موجودی، بهینه‌سازی عملیات زنجیره تأمین را تسهیل می‌کنند. الگوریتم‌های یادگیری ماشینی می‌توانند دقت پیش‌بینی تقاضا، شناسایی تنگناها و تکمیل خودکار موجودی را افزایش دهند. مدیریت زنجیره تأمین مبتنی بر هوش مصنوعی می‌تواند به سازمان‌ها در کاهش هزینه‌ها، بهبود پاسخگویی و افزایش رضایت مشتری کمک کند (Zhou et al, 2021).

5. مدیریت عملکرد و استعداد کارکنان:

برنامه‌های کاربردی هوش مصنوعی می‌توانند به مدیران در ارزیابی عملکرد کارکنان، شناسایی شکاف‌های مهارتی و بهینه‌سازی استراتژی‌های مدیریت استعداد کمک کنند. الگوریتم‌های یادگیری ماشینی می‌توانند داده‌های کارکنان، معیارهای عملکرد و بازخورد را تجزیه‌وتحلیل کنند تا توصیه‌های شخصی برای آموزش و توسعه شغلی ارائه دهند. ابزارهای مدیریت عملکرد مبتنی بر هوش مصنوعی، سازمان‌ها را قادر می‌سازد تا تعامل کارکنان را افزایش دهند، نامزدهای بالقوه را شناسایی کنند و برنامه‌های بهبود عملکرد هدفمند طراحی کنند (Haenlein et al, 2019).

 

هوش مصنوعی و مدیریت راهبردی

این یک سؤال کلیدی و چالشی است که «آیا هوش مصنوعی می‌تواند امر راهبرد پردازی را خودکار کند؟» بر اساس پیشرفت‌های فعلی هوش مصنوعی، در پاسخ کوتاه و صریح به این سؤال باید گفت «نه!». بااین‌حال حسب گزارش اخیر مکنزی باید اضافه کرد که جنبه‌های متعددی از فعالیت‌های راهبرد پردازان هست که در آن هوش مصنوعی و ابزارهای تحلیلی پیشرفته می‌توانند ارزش عظیمی ایجاد کند و روش‌ها و فناوری‌های جدید این حوزه، می‌تواند اصول اساسی راهبرد را حمایت و پشتیبانی نماید. بااین‌حال، حسب نظرسنجی‌های اخیر تنها 7 درصد از کسب‌وکارها نسبت به استفاده از هوش مصنوعی در راهبرد نظر مثبت داشته‌اند. درحالی‌که در زمینه‌هایی مانند بازاریابی، زنجیره تأمین و عملیات خدماتی نرخ استفاده از هوش مصنوعی حدود 25 تا 30 درصد است (Atsmon, 2023).

مدیران به دنبال دستیابی به راهبرد مناسب و اجرایی کردن آن هستند و در این مسیر، فعالیت‌های مختلفی را انجام می‌دهند. هوش مصنوعی می‌تواند در بخش‌های مختلف راهبرد کمک کند که آن را در شش سطح دسته‌بندی کرده‌ایم. دراین‌بین، سطوح تشخیص و پیش‌بینی حوزه‌هایی هستند که امروزه هوش مصنوعی می‌تواند تا حد زیادی آن‌ها بهبود دهد و ابزارهای هوش مصنوعی می‌توانند تجزیه‌وتحلیل مدیران را تقویت کنند. اما سطوح بالاتر خودکارسازی تحلیل و تصمیم، مواردی هستند که انتظار می‌رود در آینده و حسب میزان پیشرفت و بلوغ فناوری هوش مصنوعی، امکان‌پذیر شود.

• سطح اول تجزیه‌وتحلیل ساده: شامل تحلیل رقابتی یا مطالعه عملکرد در حوزه‌های مختلف کسب‌وکار.
• سطح دوم، هوش تشخیصی است: شامل توانایی پس‌نگری حوزه کسب‌وکار و درک علل اصلی و پیشران‌ها و محرک‌های عملکرد.
• سطح سوم، هوش پیش‌بینی: توانایی پیش‌بینی سناریوها یا گزینه‌های خاص و ارزش‌یابی پدیده‌ها در آینده بر اساس تحلیل روندهای گذشته و همچنین علائم برجستهٔ بازار.
• سطح چهارم، خلق ارزش: اقدامات توصیه‌ای و پیشنهادهای ارزش‌آفرین هوش مصنوعی برای مدیران مبتنی بر تحلیل.
• سطح پنجم، تفویض اختیار محدود: تفویض اختیار به هوش مصنوعی در تصمیم‌گیری‌های خاص و موارد محدود.
• سطح ششم، هوش مصنوعی خودکار: هوش مصنوعی کاملاً مستقل و بدون مداخله و تعامل انسانی دست به تجزیه‌وتحلیل و تصمیم می‌زند.

سطح پذیرش و به‌کارگیری هوش مصنوعی درزمینه راهبرد پردازی در صنایع و موقعیت‌های مختلف و جغرافیایی جهانی بسیار متفاوت است.

• توزیع جغرافیایی: به‌کارگیری هوش مصنوعی در مناطق پیشرفته و توسعه‌یافته بیشتر است. مثلاً شرکت‌های فناوری و مخابراتی در ایالات‌متحده، اروپای غربی و کشورهای پیشرفته آسیایی بیشتر از همه از هوش مصنوعی و یادگیری ماشین استفاده می‌کنند.
• دسترسی و اتکا به داده: همچنین شرکت‌هایی که داده‌های عمیقی در مورد سبد محصولات و فعالیت‌های خود دارند، طبعاً بهتر می‌توانند از ظرفیت‌های هوش مصنوعی استفاده کنند. در مقابل، شرکت‌هایی که راهبردهایشان به چند تصمیم بزرگ با داده‌های محدود متکی است، کمتر از هوش مصنوعی بهره می‌برند.
• محیط متغیر و ابهام: آن دسته شرکت‌هایی که با نوسانات و آسیب‌پذیری زیادی در برابر رویدادهای بیرونی مواجه‌اند، کمتر از شرکت‌هایی با سبدهای کنترل‌شده و نظام‌مند فعالیت می‌کنند، از هوش مصنوعی برخوردار می‌شوند، اگرچه آن‌ها نیز می‌توانند هوش مصنوعی را برای پیش‌بینی هرچه بهتر رویدادهای بیرونی و شناسایی آنچه می‌توانند و یا نمی‌توانند کنترل کنند، به کار بگیرند.
• سرعت تصمیم‌گیری: اکثر شرکت‌ها راهبردهایی خود را هر سه تا پنج سال یک‌بار توسعه می‌دهند و آن را به برنامه‌وبودجه سالانه تبدیل می‌نمایند. این شیوه از راهبرد پردازی کمتر متکی به هوش مصنوعی است.

L

ایتراچر

R

ایویو

 

2.

 

پیشرفت‌های فناوری باعث می‌شود که شرکت‌ها امروزه خود را در عصر تحولات دیجیتال و فناوری، از طریق گنجاندن سیستم‌های هوش مصنوعی در زندگی روزمره خود بیابند. امروزه شرکتی که از سیستم هوش مصنوعی استفاده نمی‌کند یا آن را در اختیار همکار خود قرار نمی‌دهد، مزیت رقابتی خود را نسبت به سایر شرکت‌های همان حوزه تجاری که از سیستم‌های هوش مصنوعی استفاده می‌کنند، از دست می‌دهد.

"رهبری در دنیای دیجیتال جدید مانند راه رفتن یک طناب بسیار نازک است" (Eyre, 2017).

مروین ایر، معاون اجرایی Fujitsu Americas، بیش از 25 سال تجربه فناوری اطلاعات دارد و دنیای دیجیتال فناوری را که ما در آن زندگی می‌کنیم به‌عنوان محرک اصلی "توانمندسازی و مشارکت انسانی در سراسر تجارت، جامعه و در هر جنبه‌ای از زندگی ما" پیشنهاد می‌کند. انقلاب دیجیتال موقعیتی را ایجاد کرده است که شرکت‌ها باید در بازار غالب شوند و تقریباً شرکت‌ها را مجبور می‌کند تا استراتژی‌های خود را به‌گونه‌ای تطبیق دهند که فناوری‌ها مانند بازیگران اصلی برای دستیابی به نتایج عمل کنند. فناوری پله‌ای برای آینده است (Karthikeyan & Soni, 2020).

نوآوری زمانی ظاهر می‌شود که منابع تکنولوژیکی را که شامل محاسبات، ارتباطات، تعامل و فناوری‌های اطلاعاتی هستند، ترکیب می‌کند. محصولات و خدمات جدید را می‌توان به سمت روندهای جدید ایجاد کرد که امروزه توسط عصر دیجیتالی که ما زندگی می‌کنیم تسلط یافته است. بعد مخرب فناوری‌های دیجیتال درب‌ها را به روی استراتژی‌های کسب‌وکار دیجیتال باز می‌کند. با توجه به (Groover & Kholi, 2013) و (Bharadwaj, Sawy, Pavlou, & Venkatraman, 2018) اصطلاح "استراتژی کسب‌وکار دیجیتال" به یک استراتژی سازمانی اشاره دارد که ارزش تجاری متمایز را با استفاده از فناوری‌های دیجیتال بر اساس ادغام افزایش می‌دهد. استراتژی‌های کسب‌وکار و سیستم‌های اطلاعاتی که هم از فناوری الهام گرفته‌شده و هم بر ارزش کسب‌وکار متمرکزشده‌اند.

پیاده‌سازی فناوری‌های دیجیتال جدید در مدل‌های کسب‌وکار شرکت‌ها، از فرصتی که آن‌ها در حال حاضر برای تغییر اساسی استراتژی خود و تلاش برای عدم تناسب با روندهای بازار در اختیارشان قرار داده‌اند، پشتیبانی می‌کند. بنابراین جامعه به دلیل این توسعه و اجرای گسترده آن‌ها در تمامی بازارها، درمجموع با یک تغییر اساسی نیز مواجه است. تمام این فرآیند تقریباً اجباری است. علاوه بر این، ما باید اعلام کنیم که برای افزایش علاقه مشتریان، سازمان‌ها به دلیل جهانی‌شدن و ایجاد فشار برای دیجیتالی شدن قبل از دیگران، با رقابت سخت‌تری روبرو هستند و به دنبال بقا و دستیابی به مزایای رقابتی هستند (Ziyadin et al, 2019). همان‌طور که گفته شد، توصیف دیجیتال در سازمان‌ها به این معنی است که آن‌ها در مورد سه رکن اساسی که لزوماً تحت تأثیر قرار می‌گیرند، توضیح دهند. اول، در داخل شرکت، ازآنجایی‌که اهداف کسب‌وکار، رهبری و ساختار سازمانی نیاز به تغییراتی برای تناسب با محیط فعلی دارند. دوم، از منظر ارزش‌افزوده برای مشتریان، با توجه به اینکه در خارج از شرکت تجربه بهبود خواهد یافت. در آخر و ترکیب این موضوع مهم است که بدانیم، به‌طورکلی، همه مشاغل و همچنین فرصت‌های آن تحت تأثیر قرار خواهند گرفت و منجر به مدل‌های تجاری کاملاً جدیدی می‌شوند. (Sebaa et al, 2019).

شاخص‌های قابل‌بررسی هوش مصنوعی در مدیریت راهبردی در ادامه آمده است:

تصمیم‌گیری پیشرفته:

هوش مصنوعی مدیران راهبردی را با افزایش توانایی‌های تصمیم‌گیری آن‌ها توانمند می‌کند. با دسترسی به حجم عظیمی از داده‌های ساختاریافته و بدون ساختار، سیستم‌های هوش مصنوعی می‌توانند به‌سرعت تجزیه‌وتحلیل، تفسیر، و بینش عملی را از اطلاعات پیچیده به دست آورند. این امر مدیران را قادر می‌سازد تا تصمیمات مبتنی برداده را با درجه بالاتری از دقت و کارایی اتخاذ کنند. با استفاده از الگوریتم‌های هوش مصنوعی، سازمان‌ها می‌توانند روندهای نوظهور را شناسایی کنند، تغییرات بازار را پیش‌بینی کنند و فرصت‌های استفاده‌نشده را شناسایی کنند و به آن‌ها مزیت رقابتی در بازار بدهند.

پیش‌بینی پیشرفته و برنامه‌ریزی سناریو:

برنامه‌ریزی استراتژیک بر پیش‌بینی دقیق و برنامه‌ریزی سناریو برای پیش‌بینی چالش‌های بالقوه و طراحی استراتژی‌های مؤثر متکی است. الگوریتم‌های هوش مصنوعی در مدل‌سازی پیش‌بینی برتر هستند و سازمان‌ها را قادر می‌سازند پیش‌بینی‌های دقیق‌تری تولید کنند و سناریوهای مختلف را بر اساس متغیرهای مختلف شبیه‌سازی کنند. با تجزیه‌وتحلیل داده‌های تاریخی، روندهای بازار و عوامل خارجی، هوش مصنوعی می‌تواند الگوها را شناسایی کند و بینش‌های ارزشمندی را برای مدیران استراتژیک برای بهینه‌سازی تخصیص منابع، کاهش خطرات و تصمیم‌گیری آگاهانه ارائه دهد.

اتوماسیون هوشمند:

اتوماسیون مبتنی بر هوش مصنوعی فرآیندهای عملیاتی را متحول می‌کند و منابع انسانی ارزشمند را برای تمرکز بر ابتکارات استراتژیک آزاد می‌کند. از طریق اتوماسیون فرآیند رباتیک (RPA) و اتوماسیون شناختی، هوش مصنوعی می‌تواند کارهای روتین را خودکار کند، گردش کار را ساده‌سازی کند و خطاهای انسانی را حذف کند. این به سازمان‌ها اجازه می‌دهد تا سرمایه انسانی را به وظایف پیچیده‌تر و خلاقانه‌تر، مانند برنامه‌ریزی استراتژیک، نوآوری و مدیریت روابط اختصاص دهند. با استقبال از اتوماسیون هوشمند، سازمان‌ها می‌توانند به بهره‌وری بالاتر، صرفه‌جویی در هزینه‌ها و بهبود تجربیات مشتری دست یابند.

تجارب شخصی مشتری:

در عصر شخصی‌سازی بیش‌ازحد، هوش مصنوعی سازمان‌ها را قادر می‌سازد تا تجربیات مشتری را در مقیاس مناسب ارائه دهند. با استفاده از الگوریتم‌های یادگیری ماشین، هوش مصنوعی می‌تواند داده‌ها، ترجیحات و رفتارهای مشتری را برای ایجاد توصیه‌ها، پیشنهاد‌ها و تعاملات شخصی‌سازی‌شده تجزیه‌وتحلیل کند. مدیران استراتژیک می‌توانند از سیستم‌های مدیریت ارتباط با مشتری (CRM) مبتنی بر هوش مصنوعی برای به دست آوردن درک عمیق‌تر از نیازهای مشتری، بهینه سازی کمپین‌های بازاریابی و پرورش وفاداری طولانی مدت مشتری استفاده کنند. این رویکرد مشتری محور می‌تواند شهرت برند را افزایش دهد، رضایت مشتری را افزایش دهد و باعث رشد درآمد شود.

راهبرد چابک:

در محیط تجاری پرشتاب و پویای امروزی، سازمان‌ها باید به‌سرعت خود را با تغییرات وفق دهند و از فرصت‌های نوظهور استفاده کنند. هوش مصنوعی با نظارت مستمر روندهای بازار، فعالیت‌های رقبا و رفتار مصرف‌کننده، سازگاری راهبرد چابک را تسهیل می‌کند. با استفاده از داده‌های بلادرنگ و تجزیه‌وتحلیل هوش مصنوعی، مدیران راهبردی می‌توانند تغییرات در چشم‌انداز کسب‌وکار را شناسایی کرده و راهبردهای خود را بر اساس آن تنظیم کنند. این رویکرد فعالانه، سازمان‌ها را قادر می‌سازد تا جلوتر از رقابت باقی بمانند، به‌سرعت نوآوری کنند و از روندهای نوظهور سرمایه‌گذاری کنند.

مدیریت راهبردی و اجتناب از شکست

یکی از اهداف اصلی آینده‌پژوهی، جلوگیری یا اجتناب از غافلگیری است. چراکه غافلگیری، می‌تواند حاوی تهدیدات و آسیب‌هایی بوده و که در صورت عدم آمادگی جهت مواجهه مؤثر، باعث شکست یک سیستم شود. اما، سؤال این است که «اجتناب از غافلگیری» چگونه محقق می‌شود؟ یک پاسخ رایج به این سؤال، «آگاهی پیش‌دستانه» است. به عبارتی، هر سیستمی برای جلوگیری از غافلگیر شدن، تلاش می‌کند تغییر و تحولات محیطی جاری و آتی را شناسایی و تحلیل کرده و تمهیداتی در مقابل آن‌ها داشته باشد. مشکل اینجاست که کسب آگاهی پیش‌دستانه همواره میسر نیست و یا مسیر دستیابی به آن سخت و دیریاب است. برای کسب آگاهی پیش‌دستانه، راه‌کار پیشنهادی آینده‌پژوهی، رصد و دیده‌بانی مستمر است که به‌طور خلاصه، جریانی پویا و پیش نگر را از تغییرات محیطی را فراهم کرده و آن را به سازمان منعکس می‌سازد. اما، برخی معتقدند در قبال شرایط ناشناخته، پدیده‌های نوظهور و رفتارهای پیچیده و غیرخطی، ممکن است تلاش‌هایی دیده‌بانی ازاین‌دست ممکن نبوده و یا قادر درک و انعکاس به‌موقع تغییر و تحولات نباشد. در این صورت، اگر تغییرات محیطی شامل تهدیدات مؤثر و پیامدهای بزرگ و ناگواری باشد، باید مدیریت شکست موردتوجه مدیریت سازمان قرار گیرد. اما، پویایی و نوآوری در سازمان‌های پیشرفته، زیست‌بوم‌های اجتماعی و سامانه‌های فنی، فضای پیچیده‌ای را ایجاد می‌کند که می‌تواند در متن خود حاوی پدیده‌های نوظهور و عدم قطعیت‌های ناشناخته‌ای باشد. در چنین شرایطی، مفاهیمی نظیر مدیرت ریسک، رصد پیش‌دستانه و اجتناب از غافلگیری و مدیریت بحران، همیشه مؤثر واقع نشده و بروز شکست در سیستم بعضاً ناگزیر است (Rouse, 2021). در قبال این شرایط، نیاز به رویکردهای جدیدتری احساس می‌شود که بتواند مدیریت شکست را با نگاه پیش‌دستانه عملی سازد. تحقق مفهوم مذکور، نیازمند مراقبت و کنترل پیش نگر است که به کمک فناوری‌های نوین اطلاعاتی و ارتباطی و هوش مصنوعی ممکن می‌شود. ترکیب فناوری‌های نوین اطلاعاتی نظیر هوش مصنوعی، کلان داده، اینترنت اشیاء، پردازش ابری و محاسبات کوانتومی، که در صنعت نسل آینده رواج می‌یابد، امکانات جدیدی را در اختیار قرار می‌دهد تا به‌صورت فعال و پویا با سیستم در ارتباط بوده و شکل‌گیری نقاط حادثه خیر و بحرانی را، نه بر اساس طراحی از قبل، بلکه به‌طور تعاملی و پیش نگر شناسایی کرده و قبل از وقوع رخداد شکست، آن را منعکس نماید.

شکست عبارت است از کژ کاردها و عیوبی که باعث می‌شوند منافع مورد انتظار حاصل نشده و نتایج ناخواسته‌ای به بار آید که آثار و تبعات منفی و غیرقابل‌قبول در پی خواهد داشت. به‌زعم بعضی از اندیشمندان، «شکست»‌ امری اجتناب‌ناپذیر برای سیستم‌های فیزیکی، انسانی، اقتصادی و اجتماعی است. شکست در هر سیستمی ممکن و گاهی اوقات ناگزیر است، به‌عنوان‌مثال: شکست سیستم سلامت در زیست‌بوم‌های اجتماعی، شکست بازار در عرصه اقتصاد، و یا شکست یک سامانه یا فناوری در سیستم‌های مهندسی یا دانش‌های نوظهور. دلیل چنین فرضی، آن است که همواره موارد ناشناخته و پیش‌بینی‌نشده‌ای در سیستم‌های پیچیده وجود دارد که بروز شکست را محتمل می‌سازد (Rouse, 2021). رویکردهای سنتی برای مواجهه با شکست، اغلب پسینی بوده به بازسازی و علت‌یابی شکست می‌پردازد. مثلاً پس از بروز حادثه، بررسی‌هایی صورت گرفته و فرضاً نقص در اجزای فنی، فرسودگی قطعات، شرایط محیطی غیرعادی و گاه قصور انسانی را به‌عنوان عامل بروز حادثه معرفی می‌کند.

در مدیریت شکست، باید میان «مدیریت ریسک و جلوگیری از بروز حادثه»، «مدیریت شکست» و «مدیریت بحران» تفاوت قائل شد. اجتناب از ریسک یا بروز حادثه، هدف بزرگی است که در جایی کاربرد می‌یابد که حادثه احتمالی از قبل قابل پیش‌بینی باشد. مدیریت بحران نیز معمولاً وقتی به کار گرفته می‌شود که مشکل بزرگ یا فاجعه‌ای روی‌داده، و باید مورد رسیدگی قرار گیرد. ولی همان‌طور که بیان شد- شکست بعضاً امری گریزناپذیر و غیرقابل پیشگیری است که در جریان کار شکل می‌گیرد و روی می‌دهد. همچنین، یکی از موضوعات مهم در تعریف و دسته‌بندی شکست‌ها، تمایز میان شکست‌های نقطه‌ای[8] و شکست‌های توزیع‌شده[9] است (Rouse, 2021). به‌طور خلاصه، سامانه‌های مهندسی هرچند معمولاً شکست‌های محتمل را پیش‌بینی می‌کنند (مثلاً خرابی یک پمپ)، ولی انتظار وقوع آن را ندارند. درنتیجه، پیامدهای کار از یک نقطهٔ متمرکز آغاز می‌شود. اما نظامات اجتماعی مانند نظام سلامت، هرچند بیماری‌های عفونی را پیش‌بینی می‌کنند، اما معمولاً نمی‌دانند که باید اساساً انتظار چه چیزی را داشته باشند (نظیر کووید 19، اعتیاد یا ایدز)، و چه‌بسا پیامدهای مربوط در طول زمان و سراسر نظام توزیع‌شده است.

شکست در سیستم‌های پیچیده (نظیر یک سازمان پیچیده یا یک زیست‌بوم کلان)، معمولاً ترکیبی از شکست‌های نقطه‌ای و توزیع‌شده هستند. موارد خاص و معینی ممکن است غلط باشد (مثلاً عرضه یک محصول ضعیف)؛ ولی، چنین موردهایی معمولاً در یک بافتار فرهنگ عمومی و در چارچوب قواعد بازی جاری در شرکت روی می‌دهد. درنتیجه، ممکن است پیش از شکل‌گیری و روی دادن یک شکست نقطه‌ای، تاریخچه‌ای خوابیده باشد و در چنین بستری، زمینه و آثار یک شکست در سراسر شرکت گسترش یابد.

به‌عنوان‌مثال، شاهدیم که مواردی از شکست در فناوری‌های جدید یا نوظهور مثل خودروهای بدون راننده، فضاپیماهای عظیم، ماهواره‌های پیشرفته و غیره روی می‌دهد. چنین موردی، نه یک حادثه از پیش شناخته‌شده است که بشود به‌طور کامل از آن جلوگیری کرد، و نه می‌شود منتظر ماند تا کار به بحران یا حادثه‌ای فاجعه‌بار بکشد و سپس مورد رسیدگی قرار گیرد. وقتی‌که شکست به‌خصوص از نوع غیرمترقبه امری محتمل محسوب شود، احتیاج به رویکردی خاص برای مدیریت شکست وجود دارد. البته، بخش زیادی از ادبیات موجود، بیشتر بر شناسایی و تشخیص شکست تأکید دارند، نه مدیریت شکست. پس لازم است به مفاهیم مرتبط توجه کنیم. شایستگی‌های اصلی در پرداختن به شکست‌ها، عبارت‌اند از: شناسایی، تشخیص، جبران و درمان شکست در تمام سطوح و همچنین در ادامه، مسائل کلیدی شامل در مدیریت شکست عبارت است از: مدیریتِ پیامدها، بهبود سرمایه‌گذاری، طراحی اجرایی و تجارب عملیاتی.

جدول 1. وظایف اصلی مدیریت شکست در قبال شکست‌های نقطه‌ای و توزیع‌شده

مفاهیم مدیریت شکست	شکست نقطه‌ای	شکست توزیع‌شده
شناسایی	تعیین وضعیت‌های خارج از قاعده یا وضع غیرعادی یک سیستم	مقایسه با طرح‌ها و اشکالی که فاقد ناهنجاری محسوب می‌شوند
تشخیص	شناسایی علل بروز وضعیت خارج از قاعده یا وضع غیرعادی یک سیستم	تعیین منشاء ناهنجاری
جبران	بازگرداندن سیستم به وضعیت قابل‌قبول در مقابل شکست	نگهداری و حفظ سیستم قابل‌قبول در مقبل ناهنجاری‌ها
درمان	اصلاح و یا بی‌اثر سازی شکست	اصلاح یا بی‌اثر سازی منشاء ناهنجاری‌ها

 

مدیریت شکست باید تعدیل پیامدها و ارتقای بینش ناشی از تجربه‌ها و عبرت‌ها را نیز در دستور کار قرار دهد و این‌ها باید توانمندی‌های سازمان را برای بهبود مدیریت شکست ارتقا بخشد. یکی از مفاهیم اصلی در این زمینه، مراقبت و کنترل شکست است. در مدیریت شکست، هدف تاب‌آوری سیستم است، ولی با همین هدف نیز می‌شود نگاه انفعالی، فعال یا پیش نگر داشت. در برابر سیستم‌ها، اغلب تمایل داریم سامانه‌ها، سازمان‌ها و زیست‌بوم‌هایی را طور طراحی کنیم که احتمال وقوع شکست در آن‌ها را پیش‌بینی کرده و سازوکارهای مدیریت آن را یکپارچه سازیم. البته، چنین تمایلی معمولاً در شکست‌های نقطه‌ای که تابع رویکردهای مهندسی و طراحی سیستم هستند ممکن است، ولی این رویکرد برای شکست‌های توزیع‌شده که چارچوب ثابت و الگوی مستندی ندارند، مفید واقع نمی‌شود. لذا در چنین مواردی، لازم است مراقبت و کنترل شکست در متن سیستم و همگام با آن، به شکلی فعال و کنشگرانه صورت گیرد. تحقیق چنین رویکردی، نیازمند طراحی و تلاش سازمانی است؛ درعین‌حال، همچنان که شکست‌ها پیچیده‌تر می‌شوند، فناوری‌ها نیز پیشرفت می‌کنند. امروزه فناوری‌های نوظهور نظیر هوش مصنوعی، اینترنت اشیاء، فضای ابری و غیره در عرصه‌های مختلف و ازجمله در زمینه مدیریت شکست به کمک آمده‌اند تا رویکردهای پیش نگر و پیش کنشگر در مدیریت شکست قابل به‌کارگیری شود.

مدیریت، شکست و هوش مصنوعی

انقلاب فناوری اطلاعات که هم‌اکنون شاهد آن هستیم، در حال تغییر شکل صنعت، مدل‌های کسب‌وکار، منسوخ کردن شرکت‌های سنتی و ایجاد تغییرات اجتماعی است. ظهور دنیای نوین داده‌های عظیم که هوش مصنوعی را توانمند می‌سازد، برخی قواعد پایهٔ تصمیم‌گیری در سازمان را نیز بازتعریف کرده و ظرفیت ایجاد تغییر در سازمان و وظایف مدیریتی را دارد. در پیمایشی که میان 1000 شرکت برتر (فهرست فورچون) در سال 2018 صورت گرفت، 97.2% تصمیم گیران ارشد عنوان داشته‌اند که شرکت متبوع ایشان شروع به سرمایه‌گذاری روی کلان داده و هوش مصنوعی کرده است. 76.5% از اقدامات عملی نیز بیانگر رشد و دسترس‌پذیری بیشتر داده‌هایی است که هوش مصنوعی و ابتکارات شناختی را ممکن می‌سازد.

عنوان‌شده که تحولات فناوری مذکور، در سطح جامعه موجب دگرگونی‌هایی در کار افراد، تحول در مشاغل، تغییر نیازهای آموزشی و غیره می‌شود. همچنین، فناوری‌های موردنظر سطح جدیدی از خودکارسازی را در بسیاری از فرایندهای کسب‌وکار موجب شده و به‌واسطه قدرت پیش‌بینی بیشتر، توسعه راهبردهای فروش، طراحی مدل‌های کسب‌وکار بهتر و غیره، موجبات تحول در صنایع مختلف را فراهم خواهد کرد. در کنار پیشرفت سریع فناوری‌ها، چالش‌هایی نیز برای سیستم‌ها، سازمان‌ها و زیست‌بوم‌های پیچیده کنونی ایجاد می‌شود: مدیریت سامانه‌های و محصولات پیچیده، همگام‌سازی دانش و مهارت کارکنان با فناوری‌های نوین، نحوه تعامل سازمان‌ها با جامعه مثلاً در امر حریم شخصی؛ نحوه استفاده شرکت‌ها از داده‌ها و رعایت حق و ایجاد اعتماد، نحوه استفاده از هوش مصنوعی در تکامل یادگیری ماشینی و بینش شناختی که الگوریتم‌های مربوطه ایجاد می‌کنند و غیره. البته، درنهایت این فناوری‌ها می‌توانند در نحوه اداره بهتر امور ایفای نقش مثبت و مؤثری داشته و به مدیریت مسائل و چالش‌ها و تصمیم‌گیری‌های خرد و کلان کمک بیشتری بنمایند. در این زمینه، برخی فناوری‌های جدید می‌تواند به کمک آمده و به‌عنوان‌مثال، سطوحی از مراقبت و کنترل نوین را محقق نماید. در این گزارش به‌عنوان نمونه، کاربردهای فناوری هوش مصنوعی در «مدیریت شکست» موردبررسی قرارگرفته است.

در مدیریت شکست، فرض می‌شود بروز ناهنجاری در برخی موارد امری اجتناب‌ناپذیر است. در نگاه سنتی، مدیریت شکست شامل تدابیری است که پس از رخداد شکست اتخاذ می‌شود، ولی پیشرفت‌های اخیر در رویکردهای مدل‌های محاسباتی و نیز تحولات جاری در زمینه فناوری اینترنت اشیاء، هوش مصنوعی، محاسبات ابری و فوق‌سریع و غیره، این امکان را فراهم کرده که رویکردهای نوینی در مدیریت شکست مطرح شود. البته مفاهیم و مضامین مطرح‌شده، نه‌تنها در مدیریت شکست، حتی در زمینه پویش و پایش آینده‌نگر نیز می‌تواند موردتوجه و استفاده قرار گیرد. در دورانی که صحبت از اتصال همه چیز-همه وقت به اینترنت مطرح است، الگوریتم‌های هوش مصنوعی گاه از پردازش‌های انسانی جلوتر هستند و سرعت و کیفیت ارتباطات و محاسبات به طرز سرسام‌آوری آوری در حال افزایش است و باید در انتظار تحولات شگرفی بود.

استفاده از هوش مصنوعی و فناوری‌های نوین در مدیریت شکست

برای مدیریت شکست‌ها، پیش از فناوری‌های جدید، باید الگو یا مدل مناسبی برای مواجهه با شکست در اختیار داشت. مدل‌ها کمک می‌کنند متغیرهای مهم مشخص‌شده و روابط میان آن‌ها تبیین شود. برای آن‌که متغیرهای مختلف مؤثر در بروز شکست‌ها را تعیین کرد و آن‌ها قابل پیش‌بینی نمود، باید آن‌ها تعریف و تعیین کرد. متغیرهای کلیدی، اساس پیش‌بینی‌ها هستند و پیش‌بینی‌هایی می‌تواند مبنایی برای مقایسه عملکردهایی باشد که منجر به شناسایی ناهنجاری‌ها شده و مدیریت شکست‌ها را میسر می‌سازند. متغیرهای مذکور را می‌توان مورد پایش قرارداد و در سیاست‌ها و سناریوهای مختلف وارد نمود. البته، در رویکردهای مبتنی بر کلان‌داده و هوش مصنوعی، پیش از هر چیز نیاز به مدل محاسباتی است. برای این کار، باید عرصه‌ها و سطوح تحلیل را برای مدل‌سازی محاسباتی مشخص نمود. مدیریت شکست را می‌توان در سه عرصه موردبررسی قرار داد:

• شکست سامانه‌های پیچیده:

نظیر شکست‌هایی که در مواردی از این قبیل روی داده: انفجار فضای پیمای چلنجر (ناسا)، انفجار فضاپیمای کلمبیا (ناسا)، حادثه نیروگاه چرنوبیل (روسیه)، فاجعه هورایزن (بریتیش پترولیوم) و ...

• شکست در سازمان‌های پیچیده:

نظیر شکست‌هایی که در مواردی از این قبیل روی‌داده: ورشکستگی شرکت کداک، افول شرکت زیراکس، افول شرکت نوکیا و ...

 

• شکست در زیست‌بوم‌های پیچیده:

نظیر شکست‌هایی که در مواردی از این قبیل روی‌داده: شیوع ایدز، اعتیاد، بحران مالی 2008، سوءتغذیه میلیونی در جهان و ...

سطح تحلیل شکست در هر یک از عرصه‌های مذکور می‌تواند متفاوت باشد، چراکه عوامل و مسائلی از سطح کلان نظیر جامعه و دولت گرفته تا مشکلاتی همچون اشتباهات فردی یا نقص فناوری می‌تواند منجر به شکست شود. برای تحلیل بهتر، سطوح تحلیل به چهار سطح کلان تا خرد تقسیم‌شده است:

• جامعه، دولت، صنعت
• سازمان، مدیریت، بازار
• فرایندها و عملیات
• افراد، محصولات، فناوری‌ها

جدول صفحه بعد فضای انواع شکست‌ها، و سطح تحلیل را روشن‌تر می‌سازد.

 

 

 

 

 

 

 

 

 

 

جدول 2. مضامین قابل انعکاس در مدل‌های محاسباتی بر اساس سطوح تحلیل و نوع شکست

سطح تحلیل	نوع شکست
	شکست در سیستم پیچیده	شکست در سازمان پیچیده	شکست در زیست‌بوم پیچیده
جامعه، دولت، صنعت	طراحی و وضعیت ایمنی، مقررات، نظارت، بازرسی، تنبیهات و جریمه‌ها	پویایی تغییرات فناوری و تحول در محصولات بازار	نظارت بر سلامت، اقتصاد، جمعیت، اقلیم (آب‌وهوا)، سیاست و مداخلات دولتی
سازمان، مدیریت، بازار	طراحی، آموزش، سیاست‌ها و تصمیمات عملیاتی، مشوق‌ها و پاداش‌ها	تصمیمات مربوط به راهبرد بازار و سرمایه‌گذاری روی فناوری، مدیریت تغییر	نظارت بر بخش عمومی، فرصت‌ها و استفاده‌ها از بخش خصوصی
فرایندها و عملیات	تجربیات طراحی و ارزشیابی، آموزش، اجرا، ایمنی، فرایندهای یادگیری و بازیابی	مدیریت ارزش، توسعه محصول، ازجمله نرم‌افزارها، راهبردهای همکاری و تجربیات برون‌سپاری	تعاملات اجتماعی، گسترش آلودگی، نگرانی بابت اپیدمی، رشد جمعیت، تغییرات آب و هوایی
افراد، محصولات، فناوری‌ها	عملیات انسانی، کشف و شناسایی، تشخیص رفتار و عملکرد	پویایی رقبا، پذیرش فناوری، تحول در محصولات مصرفی	انتخاب‌های انسانی در قبال رفتارهای اجتماعی، سرمایه‌گذاری، مصرف

 

با توجه مضامین مطرح‌شده و موضوعات کلیدی، مفاهیم و مدل‌های محاسباتی مشخصی قابل انتخاب است که در مدیریت شکست‌ها می‌تواند مفید واقع شود.

جدول 3. مثال‌ها، موضوعات و موارد مرتبط و مدل‌ها برای استفاده در مدل‌های محاسباتی

سطح	موضوعات و موارد مرتبط	مدل‌ها
جامعه، دولت، صنعت	جی.دی. پی (تولید ناخالص داخلی)، سیاست عرضه-تقاضا، چرخه‌های اقتصادی، روابط میان شرکت‌ها، سلامت جمعیت و اقلیم	اقتصاد کلان، پویایی سیستم، مدل‌های شبکه‌ای، مدل‌های آماری
سازمان، مدیریت، بازار	حداکثر سازی سود، رقابت، سرمایه‌گذاری، پذیرش فناوری	اقتصاد کلان، نظریه بازی، جریان نقدینگی تعدیل‌شده، انتخاب‌های واقعی
فرایندها و عملیات	طراحی و ارزشیابی، جریان مواد، کارایی فرایندها، جریان کار، ایمنی، سرایت بیماری، تبلیغ	معیارهای طراحی سیستم، مدل‌های رویدادهای مجزا، مدل‌های یادگیری، مدل‌های شبکه‌ای، مدل‌های آماری
افراد، محصولات، فناوری‌ها	رفتار کاربر، رفتار بیمار، پیشرفت بیماری، اجتناب از ریسک، انتخاب مشتری	مدل‌های عامل‌محور، مدل‌های کنترل دستی، مدل‌های مطلوبیت، مدل‌های بیزی، مدل‌های مارکوف

 

یکپارچگی فناوری‌های محاسبات ابری، کلان داده، هوش مصنوعی و اینترنت اشیاء، استفاده از مدل‌های کسب‌وکاری کارآمدتر و بهتر را فراهم کرده و درعین‌حال، مدیریت بهتر فضای کار را نیز میسر می‌سازد. یکی از این فناوری قابل‌استفاده در مدیریت شکست، اینترنت اشیاء^[10] است. در مراقبت انفعالی به کمک اینترنت اشیاء، وضعیت‌های خارج از قاعده پس از وقوع شناسایی‌شده و گزارش می‌شوند. ولی مراقبت فعال، به شکل پیش‌دستانه سیستم را مستمراً کاوش کرده و به دنبال موارد غیرعادیِ در حال شکل‌گیری می‌گردد. این کار، امکان گزارش دهی روندهایی را میسر می‌سازد که می‌توانند منجر به اخطار دهی پیش‌دستانه شوند. به عبارتی، مراقبت انفعالی و فعال آن چه را قبلاً رخ‌داده اندازه می‌گیرد، ولی مراقبت پیش نگر متمرکز بر آن چیزی است که ممکن است در ادامه روی دهد.

جدول 4. استفاده از فناوری اینترنت اشیاء در انواع شکست با توجه به نوع مداخله

نوع مداخله	شکست نقطه‌ای	شکست توزیع‌شده
مراقبت غیرفعال	اینترنت اشیاء (IoT)	معیارهای هشدار پیش‌دستانه (EWM)[11]
مراقبت فعال	اینترنت اشیاء بهینه‌شده (OIoT)[12]	معیارهای هشدار پیش‌دستانه بهینه‌شده (OEWM)[13]
مراقبت پیش نگر	اینترنت اشیاء بهینه‌شده و یک مدل	معیارهای هشدار پیش‌دستانه بهینه‌شده و یک مدل
کنترل پیش نگر	اینترنت اشیاء بهینه‌شده و دو مدل	معیارهای هشدار پیش‌دستانه بهینه‌شده و دو مدل

 

فناوری دیگری که در رویکرد پیش‌دستانه نسبت به مراقبت و کنترل شکست‌ها مفید و قابل‌استفاده است، هوش مصنوعی است. هوش مصنوعی می‌تواند در تشخیص شرایط غیرعادی مفید واقع شود. هوش مصنوعی می‌تواند بی‌طرفانه و با تمرکز و توجه به جزئیات و تفاوت‌ها، تفاوت الگوهای را شناسایی کرده و دچار تمایل طبیعی انسان در تطبیق الگوهای مشاهده‌شده به رویه‌های استاندارد نشود.

شکست بخشی ذاتی از چشم‌انداز کسب‌وکار است. خواه این‌یک اشتباه استراتژیک، ناکارآمدی عملیاتی یا محصولی باشد که در بازار طنین‌انداز نباشد، شکست و شکست‌ها قطعاً رخ خواهند داد. بااین‌حال، روشی که سازمان‌ها از شکست‌ها مدیریت می‌کنند و از آن‌ها درس می‌گیرند، می‌تواند در موفقیت بلندمدت آن‌ها تفاوت ایجاد کند. با ظهور هوش مصنوعی (AI)، پارادایم جدیدی در مدیریت در حال ظهور است که در آن سازمان‌ها می‌توانند از فناوری‌های هوش مصنوعی نه‌تنها برای کاهش شکست بلکه شکست‌ها را به فرصت‌هایی برای رشد و بهبود تبدیل کنند. در این بخش به بررسی تلاقی مدیریت، شکست و هوش مصنوعی پرداخته می‌شود و اینکه چگونه سازمان‌ها می‌توانند از هوش مصنوعی برای رسیدن به موفقیت استفاده کنند.

 

تجزیه‌وتحلیل شکست باهوش مصنوعی:

به‌طور سنتی، تجزیه‌وتحلیل شکست بر ارزیابی‌های پس از مرگ و تجزیه‌وتحلیل انسانی رویدادهای گذشته متکی است. بااین‌حال، هوش مصنوعی می‌تواند این فرآیند را با ارائه بینش‌های عمیق‌تر در مورد دلایل اصلی شکست تقویت کند. با استفاده از تجزیه‌وتحلیل پیشرفته، الگوریتم‌های یادگیری ماشین و تکنیک‌های داده کاوی، هوش مصنوعی می‌تواند حجم زیادی از داده‌ها را پردازش کند، الگوها را شناسایی کند، و همبستگی‌های پنهانی را که انسان‌ها ممکن است نادیده بگیرند، آشکار کند.

سیستم‌های هوش مصنوعی می‌توانند منابع داده‌های مختلف، مانند بازخورد مشتری، روند بازار، معیارهای عملیاتی و داده‌های مالی را تجزیه‌وتحلیل کنند تا عوامل مؤثر در شکست را شناسایی کنند. با خودکار کردن این تجزیه‌وتحلیل، سازمان‌ها می‌توانند درک جامعی از مسائل زیربنایی به دست آورند و اقدامات پیشگیرانه‌ای برای رسیدگی به آن‌ها انجام دهند. این رویکرد مبتنی بر داده، سازمان‌ها را قادر می‌سازد تا تصمیمات آگاهانه‌تری بگیرند، استراتژی‌ها را اصلاح کنند و فرآیندها را بهبود بخشند تا از تکرار شکست‌های گذشته جلوگیری کنند.

 

تجزیه‌وتحلیل پیش‌بینی کننده برای کاهش ریسک:

 

قابلیت‌های هوش مصنوعی فراتر از تجزیه‌وتحلیل شکست است و همچنین می‌تواند برای تجزیه‌وتحلیل پیش‌بینی کننده برای شناسایی خطرات بالقوه و کاهش آن‌ها به‌طور پیشگیرانه استفاده شود. الگوریتم‌های هوش مصنوعی می‌توانند داده‌های تاریخی، روندهای صنعت و پویایی بازار را برای پیش‌بینی چالش‌ها و فرصت‌های بالقوه تجزیه‌وتحلیل کنند. با شناسایی ریسک‌های نوظهور، سازمان‌ها می‌توانند اقدامات پیشگیرانه را برای کاهش یا اجتناب از آن‌ها انجام دهند.

برای مثال، الگوریتم‌های مبتنی بر هوش مصنوعی می‌توانند نوسانات تقاضای بازار را پیش‌بینی کنند و سازمان‌ها را قادر می‌سازند تا مدیریت موجودی و برنامه‌ریزی تولید را بهینه کنند. هوش مصنوعی همچنین می‌تواند تأثیر عوامل خارجی مانند تغییرات نظارتی یا تغییرات اقتصادی را بر عملیات تجاری ارزیابی کند و به سازمان‌ها اجازه می‌دهد تا استراتژی‌های خود را بر این اساس تطبیق دهند.

 

پشتیبانی تصمیم‌گیری با هوش مصنوعی:

اتخاذ تصمیمات مؤثر در مواجهه با عدم قطعیت و پیچیدگی جنبه حیاتی مدیریت است. هوش مصنوعی می‌تواند به‌عنوان یک ابزار پشتیبانی تصمیم‌گیری قدرتمند عمل کند و قضاوت انسان را با بینش‌های مبتنی بر داده تقویت کند. با تجزیه‌وتحلیل حجم وسیعی از داده‌های ساختاریافته و بدون ساختار، سیستم‌های هوش مصنوعی می‌توانند اطلاعات بلادرنگ، مدل‌سازی سناریو و توصیه‌هایی را برای کمک به تصمیم‌گیری ارائه دهند.

 

هوش مصنوعی می‌تواند روندهای بازار، رفتار مشتری و مناظر رقابتی را برای اطلاع‌رسانی تصمیمات استراتژیک تجزیه‌وتحلیل کند. می‌تواند سناریوها و نتایج مختلف را شبیه‌سازی کند و به مدیران کمک کند ریسک‌ها و پاداش‌های بالقوه مرتبط با دوره‌های عمل مختلف را ارزیابی کنند. با استفاده از هوش مصنوعی به‌عنوان یک ابزار پشتیبانی تصمیم، سازمان‌ها می‌توانند فرآیندهای تصمیم‌گیری خود را بهبود بخشند، سوگیری‌ها را کاهش دهند و احتمال نتایج موفقیت‌آمیز را افزایش دهند.

 

بهبود مستمر:

شکست نباید به‌عنوان پایان راه، بلکه به‌عنوان فرصتی برای یادگیری و بهبود در نظر گرفته شود. هوش مصنوعی می‌تواند با تسهیل فرهنگ آزمایش و تکرار، نقش مهمی در ایجاد بهبود مستمر داشته باشد. سازمان‌ها می‌توانند از سیستم‌های مجهز به هوش مصنوعی برای آزمایش و اصلاح فرضیه‌ها، انجام تست A/B و جمع‌آوری بازخورد در زمان واقعی استفاده کنند.

هوش مصنوعی می‌تواند داده‌های آزمایش‌ها را تجزیه‌وتحلیل کند و بینش‌هایی را در مورد اینکه چه چیزی کار می‌کند و چه چیزی مفید نیست، ارائه می‌کند. این رویکرد تکراری به سازمان‌ها اجازه می‌دهد تا تنظیمات مبتنی بر داده‌ها را انجام دهند، فرآیندها را بهینه کنند و به‌طور مؤثرتری نوآوری کنند. با پذیرش شکست به‌عنوان پله‌ای برای موفقیت و ادغام هوش مصنوعی در چرخه بهبود، سازمان‌ها می‌توانند فرهنگ نوآوری و سازگاری را پرورش دهند.

 

ملاحظات اخلاقی و همکاری انسانی:

درحالی‌که هوش مصنوعی پتانسیل بسیار زیادی در مدیریت شکست ارائه می‌دهد، سازمان‌ها باید با در نظر گرفتن ملاحظات اخلاقی به اجرای آن بپردازند. هنگام توسعه و استقرار سیستم‌های هوش مصنوعی باید شفافیت، پاسخگویی و انصاف را در اولویت قرار داد. نظارت و همکاری انسانی برای اطمینان از همسویی تصمیمات مبتنی بر هوش مصنوعی با ارزش‌ها و اهداف سازمانی ضروری است.

هوش مصنوعی را باید به‌عنوان یک ابزار دید

به‌جای جایگزین کردن توانایی‌های انسان. مدیران و کارکنان باید به مهارت‌هایی مجهز باشند تا بتوانند به‌طور مؤثر در کنار سیستم‌های هوش مصنوعی کار کنند. سازمان‌ها باید در برنامه‌های ارتقاء مهارت و مهارت‌های مجدد سرمایه‌گذاری کنند تا نیروی کاری را تقویت کنند که بتواند از فناوری‌های هوش مصنوعی استفاده کند، بینش‌های تولیدشده توسط هوش مصنوعی را تفسیر کند، و تصمیم‌گیری‌های متناسب با زمینه را بگیرد.

جمع‌بندی

پیشرفت‌های اخیر هوش مصنوعی، توجهات را به‌سوی خود جلب کرده و انتظارات را به شکلی هیجانی بالا برده است. واقعیت آن است که همگرایی و ترکیب هوش مصنوعی با بسیاری از فناوری‌ها جدید و آتی (ازجمله علم داده، محاسبات ابری، ذخیره‌سازی اطلاعات، الگوریتم‌های جدید، پردازش کوانتومی، و غیره) ظرفیت و قابلیت تحول‌آفرینی دارد. تجربه نشان داده پیشرفت فناوری سرعت فزاینده‌ای یافته و کاربردهای عملی، یکی از پس از دیگری ظاهر می‌شوند. در چنین شرایطی، هوش مصنوعی به‌مثابه یک فناوری مهم و تأثیرگذار جلوه‌ها و کاربردهای متعددی در حوزه‌های مختلف دارد و بیش از این خواهد داشت. ازجمله به‌کارگیری هوش مصنوعی در عرصه پرچانش مدیریت نیز امری دور از ذهن نبوده و چه‌بسا مصادیق و مواردی از آن هم‌اکنون نیز قابل‌مشاهده است. پیشرفت‌های کنونی و آینده هوش مصنوعی بیانگر آن است که هوش مصنوعی حتی در زمینه مدیریت راهبردی نیز کاربرد داشته و به طرز فزاینده‌ای تأثیرگذاری خود را نشان خواهد داد. هرچند قابلیت‌ها و استفاده‌های کنونی هوش مصنوعی، به‌صورت موضعی و محدود در زیر بخش‌های مختلف و فرایندهای برنامه‌ریزی، اجرای و نظارت و پایش راهبردی ملموس است، ولی انتظار می‌رود در آینده هوش مصنوعی در بسیاری از زمینه‌های خلاقانه راهبردی و بخصوص در زمینه تفکر راهبردی نیز بتواند به‌طور مؤثر ایفای نقش کند. به‌عنوان‌مثال، الگوبرداری از سبک خاص مدیران راهبردی و ترکیب آن‌ها یا به‌کارگیری اقتباسی این تجارب می‌تواند تراز بالاتری از ایفای نقش هوش مصنوعی در این عرصه باشد. بااین‌حال، کاربردهای در این سطح محدود نیست و چه‌بسا هوش مصنوعی در آینده در مدیریت راهبردی بتواند ایفای نقش بیشتری هم داشته باشد. البته، درحالی‌که امروزه صحبت از جابجایی «مدیریت کارکنان» به سمت «هدایت و رهبری افراد» به میان می‌آید و به نظر می‌رسد نقش رهبری راهبردی همچنان گزینه بدون جایگزینی خواهد بود.

شکست بخشی اجتناب‌ناپذیر از هر اقدامی است، اما نحوه واکنش سازمان‌ها و یادگیری از شکست می‌تواند موفقیت آینده آن‌ها را شکل دهد. هوش مصنوعی با ارائه تحلیل‌های پیشرفته، قابلیت‌های پیش‌بینی، پشتیبانی تصمیم‌گیری و فرصت‌های بهبود مستمر، رویکردی تحول‌آفرین برای مدیریت شکست ارائه می‌کند. با پذیرش هوش مصنوعی و گنجاندن آن در فرآیندهای مدیریتی، سازمان‌ها می‌توانند از شکست به‌عنوان کاتالیزوری برای رشد، نوآوری و موفقیت بلندمدت استفاده کنند. بااین‌حال، ملاحظات اخلاقی و همکاری بین انسان‌ها و هوش مصنوعی در استفاده مؤثر از قدرت هوش مصنوعی بسیار مهم است.

 

[1] strategic management

[2] intelligence

[3] Sentient

[4] موجود اسطوره‌ای که نیمی انسان و نیمی حیوان است (centaurus).

[5] prototype

[6] Fortune

[7] Bain and Co.

[8] Point failure

[9] Distributed failure

[10] Internet of Things (IoT)

[11] Early Warning Measures (EWM)

[12] Optimized Internet of Things (OIoT)

[13] Optimized Early Warning Measures (OEWM)

تعداد مشاهده مقاله: 785

تعداد دریافت فایل اصل مقاله: 359