پژوهش تازه مدیریت میگوید پیش از خرید ابزار AI باید نقشه جریان کار را ساخت
هوش مصنوعی را به فرایند وصل کنید؛ چرا ابزار تازه بهتنهایی سود نمیسازد؟
بسیاری از شرکتها نخستین پروژه هوش مصنوعی خود را با خرید ابزار آغاز میکنند. تیم فروش یک دستیار نوشتن پیام میگیرد، منابع انسانی سامانه غربال رزومه آزمایش میکند و پشتیبانی مشتری پاسخگوی خودکار راه میاندازد. چند ماه بعد، مدیرعامل با فهرستی بلند از ابزارها روبهروست اما هنوز نمیداند زمان تحویل کوتاهتر شده، فروش افزایش یافته یا خطای عملیات کمتر شده است. علت اغلب این نیست که فناوری توانایی ندارد؛ مسئله آن است که سازمان یک فعالیت را خودکار کرده، اما گلوگاه اصلی فرایند را تغییر نداده است.
در پژوهشی که در شماره نوامبر–دسامبر ۲۰۲۶ Harvard Business Review معرفی شد، دادههایی از ۵۱۵ شرکت برای بررسی اهمیت بازطراحی گردش کار در بهرهبرداری از هوش مصنوعی به کار رفته است. گزارش میگوید مشاهده نمونههای واقعی بازطراحی فرایند در سازمانهای دیگر میتواند شناسایی کاربردهای مفید و برخی شاخصهای عملکرد را بهبود دهد. این نتایج مربوط به چارچوب و نمونه پژوهشاند و نباید بهصورت وعده قطعی افزایش درآمد هر شرکت ایرانی خوانده شوند. نکته مدیریتی اصلی آن است که باید فرایند را از ابتدا تا انتها دید، نه فقط ابزاری را به یک مرحله افزود.
فرق خودکارسازی کار با اصلاح فرایند
فرض کنید یک شرکت پخش از هوش مصنوعی برای نوشتن پیشفاکتور استفاده میکند و زمان تهیه متن از بیست دقیقه به دو دقیقه میرسد. اگر تأیید اعتبار مشتری دو روز طول میکشد و موجودی انبار پس از ثبت سفارش مشخص میشود، سرعت تهیه متن تأثیر محدودی بر زمان تحویل خواهد داشت. در مقابل، اصلاح جریان داده بین فروش، اعتبارسنجی، انبار و حمل ممکن است حتی بدون خرید مدل گران، نتیجه تجاری بزرگتری ایجاد کند.
خودکارسازی یک فعالیت زمانی ارزش دارد که آن فعالیت واقعاً گلوگاه باشد یا خطای مهمی ایجاد کند. اگر کارکنان وقت آزادشده را صرف انتظار برای مرحله بعد کنند، صرفهجویی عملیاتی محقق نشده است. به همین دلیل اندازهگیری باید از «دقیقه انجام یک کار» به «زمان و هزینه تکمیل کل خدمت» منتقل شود.
نقشه فرایند در شش ستون
مدیر میتواند روی یک صفحه شش ستون بسازد: گام عملیات، مسئول، داده ورودی، زمان انتظار، خطای پرتکرار و خروجی قابل تأیید. از لحظه درخواست مشتری تا دریافت وجه یا تحویل خدمت، هیچ مرحله مهمی حذف نشود. سپس سه گلوگاه اصلی براساس زمان، هزینه و اثر بر مشتری رتبهبندی شوند. در شرکت خدماتی، ممکن است گلوگاه نه نوشتن پاسخ بلکه یافتن پرونده درست باشد؛ در کارخانه، نه تولید گزارش بلکه تأخیر در تصمیم خرید قطعه.
برای هر گلوگاه یک فرضیه بنویسید: «اگر داده محصول از سیستم انبار به فروش منتقل شود، تعداد سفارشهای لغوشده کاهش مییابد.» یا «اگر اسناد با کمک مدل طبقهبندی و توسط کارشناس تأیید شوند، زمان بررسی کاهش مییابد.» فرضیه باید قابل ابطال باشد. خرید ابزار بدون داشتن سنجه پیش و پس از اجرا، راه یادگیری را میبندد.
چه زمانی هوش مصنوعی انتخاب بدی است؟
اگر داده ورودی ناقص، مسئول تصمیم نامعلوم یا فرایند بهطور مداوم در حال تغییر است، افزودن مدل میتواند خطا را سریعتر تکثیر کند. پروژهای که در آن کاربر ناچار است خروجی را کامل بازنویسی کند، ممکن است در مجموع زمان بیشتری مصرف کند. همچنین داده حساس مشتری یا قرارداد نباید بدون مجوز و ارزیابی محرمانگی وارد سرویس بیرونی شود. انتخاب ابزار باید پس از سنجش حقوق داده، کیفیت خروجی و امکان نگهداری صورت گیرد.
در بعضی فرایندها قواعد ساده نرمافزاری، استانداردکردن فرم یا آموزش کارکنان بسیار مؤثرتر از مدل زبانی است. مدیر باید بتواند تصمیم «فعلاً هوش مصنوعی لازم نیست» را هم بهعنوان نتیجه موفق پژوهش ثبت کند. هدف پروژه حل مسئله اقتصادی است، نه افزایش تعداد ابزارهای فناورانه در سازمان.
شاخصهای فراتر از تعداد پاسخ
تعداد متنهای تولیدشده، پرسشهای پاسخدادهشده یا کاربران فعال یک ابزار، شاخص فعالیت است و بهتنهایی ارزش کسبوکار را نشان نمیدهد. شاخصهای نتیجه میتوانند زمان تکمیل سفارش، نرخ دوبارهکاری، نرخ تبدیل سرنخ به فروش، رضایت پس از حل مشکل و هزینه هر خدمت باشند. برای پروژه فروش، حاشیه سود و وصول مطالبات نیز باید بررسی شود؛ افزایش تعداد تماس بدون افزایش سفارش سودآور موفقیت نیست.
پایش کیفیت ضروری است. خروجی مدل ممکن است ظاهری مطمئن داشته باشد، اما عدد قیمت، مشخصات فنی یا مفاد قرارداد را اشتباه بیان کند. برای محتوای حساس، نمونهبرداری منظم و امکان رد یا اصلاح خروجی توسط انسان لازم است. مدل باید در محیطی با ثبت نسخه، سطح دسترسی و مسیر رسیدگی به اعتراض بهکار رود.
مدل آزمایش هشتهفتهای
در هفته نخست دو فرایند پرتکرار را انتخاب و نقشه انتها به انتهای آنها را رسم کنید. هفته دوم، وضعیت پایه سه شاخص را استخراج کنید: زمان خدمت، هزینه و خطا. هفته سوم، یک گلوگاه را با راهکار غیرهوشمصنوعی قابل مقایسه اصلاح کنید؛ مثلاً استانداردسازی فرم. هفته چهارم و پنجم، یک ابزار هوش مصنوعی را در دامنه محدود و با نظارت انسانی امتحان کنید. هفته ششم، کیفیت و هزینه بازبینی را بسنجید. در هفته هفتم، اثر بر کل فرایند را محاسبه و در هفته هشتم درباره توسعه، اصلاح یا توقف تصمیم بگیرید.
اگر کل زمان تحویل تغییر نکرده است، تحقیق کنید آیا گلوگاه به مرحله دیگری منتقل شده است. بهبود یک مرحله ممکن است صف مرحله بعد را طولانیتر کند. این نکته در شرکتهای تولیدی و خدماتی با منابع محدود اهمیت بالایی دارد. همه کارکنان نیز باید بدانند وظیفهشان پس از خودکارشدن بخشی از کار چیست؛ نبود طراحی نقش میتواند مقاومت و خطای جدید بسازد.
نمونه برای مدیر ایرانی
یک شرکت فروش B2B را تصور کنید که با هوش مصنوعی زمان آمادهسازی پیشنهاد را کاهش داده، اما همچنان اطلاعات موجودی با تأخیر روزانه بهروز میشود. راهکار شاید اتصال داده موجودی، تعیین سقف اعتبار مشتری و استانداردکردن تأییدهای داخلی باشد. سپس هوش مصنوعی میتواند برای پیشنهاد گزینههای سازگار با موجودی و پیشنویس توضیحات به کار رود. ترتیب اقدامات مهم است: ابتدا داده و مسئولیت، سپس مدل.
در شرکت خدمات حرفهای نیز میتوان اسناد ورودی را با مدل دستهبندی کرد، ولی تأیید تصمیم حقوقی یا مالی باید نزد فرد دارای صلاحیت بماند. صرفهجویی باید پس از محاسبه زمان نظارت و رفع خطا سنجیده شود. سرمایهگذاری در آموزش نیروی انسانی و مستندسازی فرایند، بخشی از هزینه واقعی پروژه است و نباید از محاسبه بازده حذف شود.
مدیران ایرانی برای بهرهبرداری از هوش مصنوعی نیاز ندارند همزمان در همه واحدها پروژه آغاز کنند. کافی است یک گلوگاه مهم، داده معتبر، مالک تصمیم و شاخص نتیجه مشخص شود. وقتی نتیجه در کل زنجیره خدمت دیده شد، توسعه به گلوگاه بعدی معنا پیدا میکند. در غیر این صورت شرکت فقط نسخه سریعتری از همان بینظمی گذشته ساخته است؛ بینظمیای که اکنون هزینه اشتراک و ریسک داده نیز به آن اضافه شده است.
اعتبار تصویر: Shixart1985، CC BY 2.0؛ منبع: Wikimedia Commons؛ تغییرات: برش به نسبت ۱۶:۹ و فشردهسازی برای انتشار.

نظرات کاربران
در حال حاضر امکان ثبت دیدگاه در این بخش فعال نیست.