مدل عملیاتی کسبوکار در عصر هوش مصنوعی چگونه باید بازطراحی شود؟
تحلیل پژوهشمحور درباره بازطراحی مدل عملیاتی سازمان، ساختار تصمیمگیری، فرایندها، مهارتها و حاکمیت برای همکاری مؤثر انسان و هوش مصنوعی.
مقدمه
هوش مصنوعی میتواند زمان انجام بعضی وظایف را کاهش دهد، کیفیت برخی خروجیها را بهتر کند و دسترسی کارکنان به دانش سازمانی را افزایش دهد. اما اضافهکردن چند ابزار هوشمند به ساختار موجود، بهتنهایی یک سازمان هوشمندتر ایجاد نمیکند.
مدل عملیاتی (Operating Model) مشخص میکند استراتژی چگونه به تصمیم، فرایند، نقش، داده، فناوری و نتیجه تبدیل میشود. وقتی هوش مصنوعی وارد این زنجیره میشود، فقط روش اجرای یک وظیفه تغییر نمیکند؛ ممکن است محل تصمیمگیری، سرعت گردش اطلاعات، حدود اختیار کارکنان و حتی تعریف مسئولیت مدیریتی نیز تغییر کند.
مسئله اصلی این است که توانایی هوش مصنوعی در همه وظایف یکسان نیست. یک سیستم ممکن است در تحلیل، تولید گزینه و آمادهسازی گزارش عملکرد مناسبی داشته باشد، اما در همان فرایند، هنگام مواجهه با اطلاعات ناقص، استثنا یا تصمیم خارج از محدوده توان خود، خروجی نادرستی تولید کند.
بنابراین پرسش مدیریتی نباید فقط این باشد که «کدام کارها را میتوان با هوش مصنوعی انجام داد؟» پرسش دقیقتر این است که سازمان چگونه باید فرایند، حقوق تصمیم، نظارت انسانی، مهارتها و نظام سنجش خود را بازطراحی کند تا از توان فناوری استفاده کند، بدون اینکه کنترل، یادگیری و مسئولیتپذیری تضعیف شوند.
خلاصه پژوهش
شواهد پژوهشی نشان میدهند هوش مصنوعی میتواند بهرهوری کارکنان دانشی را افزایش دهد، اما اثر آن به نوع وظیفه، سطح مهارت کاربر، کیفیت داده، نحوه ادغام فناوری در فرایند و تناسب مسئله با قابلیت سیستم وابسته است.
در آزمایش میدانی Dell’Acqua و همکاران، استفاده از GPT-4 در وظایفی که داخل محدوده قابلیت فناوری قرار داشتند، سرعت، نرخ تکمیل و کیفیت عملکرد مشاوران را افزایش داد. اما در یک وظیفه پیچیده خارج از این محدوده، کاربران هوش مصنوعی با احتمال کمتری به پاسخ درست رسیدند؛ حتی زمانی که خروجی آنها منسجم و متقاعدکننده به نظر میرسید.
پژوهشهای سازمانی نیز میان دو منطق متفاوت تمایز میگذارند: خودکارسازی، که در آن فناوری بخشی از کار انسان را بر عهده میگیرد؛ و تقویت توان انسانی، که در آن انسان و سیستم برای انجام بهتر کار با یکدیگر همکاری میکنند. شواهد موجود از این نتیجه حمایت نمیکنند که یکی از این دو منطق باید در تمام فرایندهای سازمان حاکم باشد.
مدل عملیاتی مناسب برای عصر هوش مصنوعی، مدلی نیست که بیشترین تعداد وظایف را خودکار کند؛ بلکه مدلی است که برای هر تصمیم، ترکیب مناسبی از توان محاسباتی، قضاوت انسانی، کنترل و پاسخگویی را طراحی کند.
مرز پژوهش و تحلیل در این پرونده اهمیت دارد. مطالعات موجود اثر فناوری را در وظایف، تیمها یا محیطهای مشخص بررسی کردهاند. پیشنهاد بازطراحی یک مدل عملیاتی یکپارچه، برداشت تحلیلی از مجموعه این شواهد است و نباید بهعنوان نتیجه مستقیم یک مطالعه واحد معرفی شود.
خلاصه علمی
مشخصات پژوهش
پژوهش محوری این پرونده:
Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality
نویسندگان:
Fabrizio Dell’Acqua، Edward McFowland III، Ethan Mollick، Hila Lifshitz، Katherine C. Kellogg، Saran Rajendran، Lisa Krayer، François Candelon و Karim R. Lakhani
ژورنال:
Organization Science
سال انتشار:
۲۰۲۶
DOI:
https://doi.org/10.1287/orsc.2025.21838
این مقاله در ۱۱ مارس ۲۰۲۶ بهصورت آنلاین در Organization Science منتشر شد. پژوهش با همکاری Boston Consulting Group انجام شده است.
سؤال پژوهش
پژوهش بررسی میکند استفاده از هوش مصنوعی مولد چگونه بر بهرهوری، سرعت، کیفیت و صحت عملکرد کارکنان دانشی در وظایف حرفهای پیچیده اثر میگذارد.
نویسندگان مفهوم «مرز ناهموار فناوری» را مطرح میکنند. براساس این مفهوم، قابلیت هوش مصنوعی میان وظایفی که ظاهراً از نظر دشواری به یکدیگر نزدیکاند، یکسان نیست. فناوری ممکن است در بخشی از یک گردش کار عملکرد انسان را بهتر کند و در بخش دیگری از همان گردش کار، احتمال خطا را افزایش دهد.
روش تحقیق
پژوهش بهصورت یک آزمایش میدانی پیشثبتشده انجام شد.
شرکتکنندگان پس از انجام یک ارزیابی پایه، بهصورت تصادفی در یکی از سه گروه قرار گرفتند:
- انجام وظایف بدون دسترسی به هوش مصنوعی؛
- دسترسی به GPT-4؛
- دسترسی به GPT-4 همراه با یک مرور آموزشی درباره نحوه استفاده و مهندسی دستور.
وظایف شامل فعالیتهای واقعی و نزدیک به کار مشاوره مدیریت بودند؛ از تحلیل و ایدهپردازی تا نوشتن، متقاعدسازی و ارائه پیشنهاد مدیریتی.
پژوهش دو نوع موقعیت را بررسی کرد:
- مجموعهای از وظایف داخل محدوده قابلیت هوش مصنوعی؛
- یک وظیفه پیچیده خارج از محدوده قابلیت فناوری.
جامعه آماری
آزمایش شامل ۷۵۸ مشاور دانشی بود.
برای بخش داخل محدوده قابلیت فناوری، شرکتکنندگان مجموعهای شامل ۱۸ وظیفه حرفهای واقعگرایانه را انجام دادند. این وظایف ترکیبی از تحلیل، خلاقیت، نگارش و متقاعدسازی بودند.
در بخش خارج از محدوده، شرکتکنندگان باید یک مسئله مدیریتی پیچیده را تحلیل میکردند که دارای پاسخ صحیح قابلارزیابی بود.
این نمونه از کارکنان یک شرکت مشاوره مدیریت تشکیل شده است؛ بنابراین نتایج را نمیتوان بدون بررسی بیشتر به تمام صنایع، مشاغل یا سطوح سازمانی تعمیم داد.
متغیرهای بررسیشده
متغیر مستقل اصلی:
- دسترسی یا نبود دسترسی به GPT-4؛
- دریافت یا دریافتنکردن آموزش اولیه استفاده از ابزار.
متغیرهای وابسته:
- تعداد وظایف تکمیلشده؛
- زمان انجام وظیفه؛
- کیفیت خروجی؛
- صحت تصمیم؛
- انسجام و متقاعدکنندگی پاسخ.
پژوهش همچنین تفاوت اثر فناوری را براساس سطح عملکرد پایه شرکتکنندگان بررسی کرد.
نوع وظیفه نیز یک عامل تعیینکننده بود:
- وظیفه داخل مرز قابلیت فناوری؛
- وظیفه خارج از مرز قابلیت فناوری.
یافتههای اصلی
در وظایف داخل محدوده قابلیت هوش مصنوعی، شرکتکنندگان دارای دسترسی به GPT-4 عملکرد بهتری از گروه بدون هوش مصنوعی داشتند.
آنها:
- تعداد بیشتری از وظایف را تکمیل کردند؛
- وظایف را سریعتر به پایان رساندند؛
- و خروجیهایی با کیفیت بالاتر ارائه کردند.
بهبود عملکرد در کارکنانی که در ارزیابی پایه در نیمه پایینتر قرار داشتند بیشتر بود، هرچند کارکنان نیمه بالاتر نیز بهبود معناداری نشان دادند.
در وظیفه خارج از محدوده قابلیت فناوری، نتیجه معکوس شد. شرکتکنندگان دارای دسترسی به هوش مصنوعی با احتمال کمتری پاسخ صحیح ارائه کردند.
نکته مهم این بود که بعضی پاسخهای نادرست کاربران هوش مصنوعی همچنان منسجمتر و متقاعدکنندهتر از پاسخهای گروه کنترل ارزیابی شدند. این نتیجه نشان میدهد کیفیت ظاهری خروجی نمیتواند بهتنهایی معیار صحت تصمیم باشد.
پژوهش مکمل Brynjolfsson، Li و Raymond نیز اثر یک دستیار هوش مصنوعی را بر ۵۱۷۲ کارشناس پشتیبانی مشتری بررسی کرد. دسترسی به دستیار، تعداد مسائل حلشده در هر ساعت را بهطور متوسط افزایش داد، اما اثر آن میان کارکنان یکسان نبود. کارکنان کمتجربهتر و کممهارتتر بهبود بیشتری داشتند، درحالیکه کارکنان باتجربهتر افزایش محدودتری در سرعت و در برخی موارد افت جزئی کیفیت نشان دادند.
مقاله Hillebrand، Raisch و Schad نیز با مرور دو جریان پژوهشی «همکاری انسان و هوش مصنوعی» و «مدیریت الگوریتمی» نشان میدهد بررسی اثر هوش مصنوعی فقط در سطح یک وظیفه کافی نیست. پیامدهای آن باید در سطح زمینه سازمانی، عاملیت جمعی، تعامل سیستماتیک و نتایج چندسطحی بررسی شوند.
آمارهای مهم
در پژوهش Dell’Acqua و همکاران:
- تعداد شرکتکنندگان: ۷۵۸ نفر
- تعداد وظایف داخل محدوده قابلیت فناوری: ۱۸ وظیفه
- افزایش متوسط نرخ تکمیل وظایف: ۱۲٫۲ درصد
- کاهش متوسط زمان انجام وظایف: ۲۵٫۱ درصد
- افزایش کیفیت در گروه GPT-4 همراه با آموزش: ۳۳٫۹ درصد نسبت به میانگین گروه کنترل
- افزایش کیفیت در گروه GPT-4 بدون آموزش: ۲۹٫۹ درصد نسبت به میانگین گروه کنترل
- نرخ پاسخ صحیح در وظیفه خارج از محدوده برای گروه کنترل: حدود ۸۴٫۵ درصد
- نرخ پاسخ صحیح در دو گروه هوش مصنوعی: ۶۰ درصد و ۷۰٫۶ درصد
- کاهش متوسط صحت در گروههای هوش مصنوعی: ۱۹ واحد درصد
در پژوهش Brynjolfsson، Li و Raymond:
- تعداد کارکنان بررسیشده: ۵۱۷۲ کارشناس پشتیبانی
- افزایش متوسط مسائل حلشده در هر ساعت: ۱۵ درصد
در پیمایش McKinsey که با ۱۴۹۱ پاسخدهنده از ۱۰۱ کشور انجام شد:
- ۷۸ درصد پاسخدهندگان گفتند سازمانشان در حداقل یک واحد از هوش مصنوعی استفاده میکند؛
- ۷۱ درصد استفاده منظم از هوش مصنوعی مولد را در حداقل یک واحد گزارش کردند؛
- بیش از ۸۰ درصد پاسخدهندگان هنوز اثر ملموسی بر سود عملیاتی کل سازمان گزارش نکردند.
دادههای McKinsey خوداظهاری و مقطعی هستند و رابطه علّی میان اقدامات سازمانی و عملکرد مالی را اثبات نمیکنند.
تحلیل روان شناسی مصرف کننده
مکانیزم روانشناختی
یافته علمی مستقیم:
پژوهش محوری، روانشناسی مصرفکننده را مستقیماً اندازهگیری نکرده است. تمرکز آن بر عملکرد کارکنان دانشی و تفاوت میان وظایف داخل و خارج از محدوده قابلیت فناوری بود.
تحلیل کاربردی:
هنگامی که هوش مصنوعی در مدل عملیاتی سازمان ادغام میشود، اعتماد کارکنان و مشتریان فقط به دقت یک پاسخ وابسته نیست. آنها باید بدانند سیستم چه نقشی دارد، چه میزان اختیار گرفته، چه زمانی انسان مداخله میکند و مسئولیت نتیجه بر عهده چه کسی است.
اگر خروجیهای ظاهراً حرفهای بدون بررسی پذیرفته شوند، سازمان ممکن است دچار اعتماد بیشازحد شود. در مقابل، اگر کارکنان پس از مشاهده چند خطا تمام پیشنهادهای سیستم را نادیده بگیرند، ظرفیت واقعی فناوری نیز استفاده نخواهد شد.
هدف باید ایجاد اعتماد کالیبرهشده باشد؛ یعنی میزان اتکای کاربر با توان واقعی سیستم، نوع وظیفه و پیامد خطا متناسب باشد.
کیفیت ظاهری و صحت تصمیم
یافته علمی مستقیم:
در وظیفه خارج از محدوده قابلیت فناوری، استفادهکنندگان هوش مصنوعی با وجود ارائه پاسخهایی منسجم و متقاعدکننده، احتمال کمتری برای رسیدن به پاسخ صحیح داشتند.
تحلیل کاربردی:
این یافته برای طراحی تصمیمهای سازمانی اهمیت زیادی دارد. انسانها ممکن است کیفیت نگارش، سرعت تولید یا انسجام استدلال را با صحت نتیجه اشتباه بگیرند.
در مدل عملیاتی جدید، خروجی حرفهای نباید بهطور خودکار «تصمیم معتبر» تلقی شود. برای تصمیمهای مهم باید معیارهای مستقل صحت، داده مرجع، منبع قابلردیابی و مرحله تأیید وجود داشته باشد.
احساس کنترل و حقوق تصمیم
مقاومت کارکنان در برابر هوش مصنوعی همیشه ناشی از ناآگاهی یا ترس از فناوری نیست. گاهی مسئله اصلی این است که نقش آنها، حدود اختیار سیستم یا معیار ارزیابی عملکردشان روشن نیست.
یک کارمند باید بداند:
- آیا هوش مصنوعی فقط اطلاعات را آماده میکند؟
- آیا پیشنهاد تصمیم میدهد؟
- آیا میتواند اقدام را اجرا کند؟
- آیا انسان حق رد یا اصلاح پیشنهاد را دارد؟
- آیا استفادهنکردن از پیشنهاد ثبت یا ارزیابی میشود؟
- مسئولیت خطا میان چه نقشهایی تقسیم شده است؟
نبود پاسخ روشن میتواند احساس کنترل را کاهش دهد و به استفاده نمایشی، مقاومت پنهان یا پذیرش بدون بررسی منجر شود.
یادگیری و توزیع مهارت
یافته علمی مستقیم:
در مطالعه پشتیبانی مشتری، کارکنان کمتجربهتر از دستیار هوش مصنوعی سود بیشتری بردند. پژوهش شواهدی ارائه کرد که فناوری میتواند بخشی از دانش و رفتار کارکنان باتجربهتر را در اختیار دیگران قرار دهد.
تحلیل کاربردی:
هوش مصنوعی میتواند فاصله دسترسی به دانش را کاهش دهد، اما این موضوع به معنای بیاهمیتشدن تخصص نیست.
اگر کارکنان فقط خروجی سیستم را اجرا کنند، ممکن است مهارت تشخیص خطا، ساخت فرضیه و قضاوت مستقل بهتدریج ضعیف شود. در مقابل، اگر فناوری برای توضیح گزینهها، ارائه شواهد و بازخورد استفاده شود، میتواند یادگیری را تقویت کند.
مدل عملیاتی باید میان «کاهش زمان انجام کار» و «حفظ ظرفیت یادگیری سازمان» تعادل ایجاد کند.
اعتماد مشتری و مسئولیت برند
از دید مشتری، استفاده از هوش مصنوعی مسئولیت برند را حذف نمیکند.
اگر یک پیشنهاد، قیمت، پاسخ، اولویتبندی یا تصمیم خودکار به مشتری آسیب بزند، توضیح اینکه «سیستم این نتیجه را تولید کرده است» جایگزین پاسخگویی سازمان نمیشود.
در فرایندهای مشتریمحور باید مشخص باشد:
- کدام تصمیمها خودکار هستند؛
- چه دادهای در تصمیم نقش دارد؛
- چگونه میتوان خطا را گزارش کرد؛
- چه زمانی انسان وارد فرایند میشود؛
- و چگونه نتیجه اشتباه اصلاح خواهد شد.
اعتماد پایدار زمانی شکل میگیرد که سرعت و شخصیسازی با قابلیت توضیح، امکان اعتراض و مسئولیت انسانی همراه باشند.
تفسیر کسب وکاری
برای مدیر کسبوکار
تحلیل کاربردی:
نقطه شروع، خرید یک ابزار عمومی نیست. مدیر ابتدا باید مشخص کند کدام جریان ارزش، فرایند یا تصمیم مانع رشد، سرعت یا کیفیت سازمان است.
برای هر فرایند این پرسشها باید پاسخ داده شوند:
- هدف تجاری فرایند چیست؟
- کدام مرحله تکراری و قابل پیشبینی است؟
- کدام مرحله نیازمند قضاوت، مذاکره یا مسئولیت انسانی است؟
- چه دادهای برای تصمیم لازم است؟
- خطای سیستم چه هزینهای دارد؟
- نتیجه چگونه سنجیده میشود؟
- چه کسی مالک نهایی فرایند است؟
فرایندهای مناسب برای شروع معمولاً دارای حجم بالا، داده دیجیتال، معیار موفقیت روشن و امکان اصلاح خطا هستند.
تصمیمهای مبهم، راهبردی، حساس یا دارای پیامد غیرقابلبازگشت باید با سطح بالاتری از کنترل انسانی طراحی شوند.
برای مدیر بازاریابی
مدل عملیاتی بازاریابی در بسیاری از سازمانها میان ابزارهای متعدد، دادههای پراکنده و گزارشهای دستی تقسیم شده است. اضافهکردن هوش مصنوعی به این ساختار، بدون اصلاح جریان داده و حقوق تصمیم، ممکن است فقط حجم خروجی را افزایش دهد.
هوش مصنوعی میتواند در عملیات بازاریابی برای این فعالیتها استفاده شود:
- پاکسازی و دستهبندی دادههای کمپین؛
- شناسایی تغییرات غیرعادی؛
- آمادهسازی گزارش اولیه؛
- تولید گزینههای آزمایش؛
- تحلیل بازخورد مشتری؛
- کنترل کاملبودن پارامترهای رهگیری؛
- و هماهنگی مراحل تکراری انتشار.
تصمیمهایی مانند تغییر گسترده بودجه، توقف کمپین، تعریف جایگاه برند یا تأیید ادعاهای حساس باید با نظارت انسانی باقی بمانند.
برای افزایش سرعت یادگیری، تیم بازاریابی باید چرخه زیر را کوتاهتر کند:
داده → تشخیص مسئله → فرضیه → آزمایش → ارزیابی → تصمیم
هوش مصنوعی میتواند در چند مرحله از این چرخه ظرفیت تیم را افزایش دهد، اما تعریف سؤال و تفسیر اثر کسبوکاری همچنان به قضاوت انسانی نیاز دارد.
برای رهبران سازمانی
رهبران باید از تمرکز صرف بر پذیرش ابزار به سمت طراحی قابلیت سازمانی حرکت کنند.
قابلیتهای اصلی شامل موارد زیر هستند:
- سواد داده و هوش مصنوعی؛
- توانایی تعریف مسئله؛
- ارزیابی انتقادی خروجی؛
- طراحی فرایند؛
- مدیریت ریسک؛
- همکاری میان واحدهای کسبوکار، داده، فناوری و حقوقی؛
- و توانایی اندازهگیری ارزش.
ساختار تیمها نیز ممکن است تغییر کند. سازمان الزاماً به تیمهای بزرگتر نیاز ندارد، اما به نقشهای شفافتر و همکاری میان تخصصهای متفاوت نیاز خواهد داشت.
ممکن است بعضی نقشها از اجرای مستقیم به سمت طراحی، نظارت، ارزیابی و مدیریت استثنا حرکت کنند. این تغییر باید با آموزش، بازطراحی مسئولیت و مسیر پیشرفت شغلی همراه باشد؛ نه اینکه صرفاً وظایف جدید به حجم کار قبلی اضافه شوند.
برای متخصص دیجیتال مارکتینگ و رشد
متخصص رشد باید میان سه نوع استفاده تفاوت بگذارد:
- تولید خروجی سریعتر؛
- خودکارسازی یک فعالیت؛
- بازطراحی یک سیستم تصمیمگیری.
بیشترین ارزش بلندمدت معمولاً در سطح سوم ایجاد میشود.
برای مثال، تولید خودکار گزارش هفتگی ممکن است زمان را کاهش دهد. اما یک سیستم رشد دیجیتال مبتنی بر داده زمانی شکل میگیرد که دادههای قابلاعتماد، معیارهای تصمیم، فرایند آزمایش و مسئولیت اقدام نیز به یکدیگر متصل باشند.
متخصص رشد باید علاوه بر زمان صرفهجوییشده، این شاخصها را بررسی کند:
- نرخ تصمیمهای صحیح؛
- سرعت تبدیل داده به اقدام؛
- تعداد اصلاحات انسانی؛
- نرخ خطا؛
- هزینه هر آزمایش؛
- زمان یادگیری؛
- و اثر نهایی بر شاخص کسبوکار.
بدون زیرساخت مناسب تحلیل داده، هوش مصنوعی ممکن است گزارشهای سریعتری تولید کند، اما الزاماً تصمیم بهتری ایجاد نمیکند.
چارچوب پیشنهادی
این چارچوب یک مدل پیشنهادی تحلیلی است و مستقیماً در پژوهش اصلی ارائه نشده است.
نام چارچوب
مدل آمادگی پنجلایه سازمان تقویتشده با هوش مصنوعی
تعریف
سازمان تقویتشده با هوش مصنوعی (AI-Augmented Organization) سازمانی است که فناوری را بهعنوان جایگزین عمومی انسان در نظر نمیگیرد؛ بلکه برای هر فرایند، نقش مناسب داده، الگوریتم، کارکنان و مدیران را طراحی میکند.
این مدل برای ارزیابی آمادگی سازمان پیش از ادغام گسترده هوش مصنوعی در مدل عملیاتی پیشنهاد میشود.
اجزای چارچوب
۱. جهتگیری استراتژیک و ارزش
سازمان باید روشن کند هوش مصنوعی قرار است کدام نتیجه را بهبود دهد.
پرسشهای اصلی:
- مسئله کسبوکار چیست؟
- فناوری چه ارزشی برای مشتری یا سازمان ایجاد میکند؟
- کدام شاخص باید تغییر کند؟
- آیا هدف افزایش ظرفیت است، کاهش اصطکاک، بهبود کیفیت یا ایجاد خدمت جدید؟
- آیا استفاده از هوش مصنوعی با استراتژی رشد هماهنگ است؟
تمرکز بر تعداد ابزارها یا پروژهها، جایگزین تعریف ارزش نمیشود.
۲. آمادگی داده و زیرساخت
هوش مصنوعی براساس داده، زمینه و ابزارهایی که در اختیار آن قرار میگیرند عمل میکند.
سازمان باید بررسی کند:
- دادهها کامل و بهروز هستند؟
- تعاریف شاخصها میان واحدها یکسان است؟
- مالکیت داده مشخص است؟
- سطح دسترسی کنترل شده است؟
- منبع داده قابلردیابی است؟
- سامانهها امکان یکپارچهسازی پایدار دارند؟
- داده حساس از داده عمومی تفکیک شده است؟
داده ضعیف با مدل قوی به تصمیم قابلاعتماد تبدیل نمیشود.
۳. طراحی فرایند و حقوق تصمیم
هر فرایند باید به مراحل قابلمشاهده و قابلارزیابی تقسیم شود.
برای هر مرحله مشخص شود:
- انسان چه کاری انجام میدهد؟
- هوش مصنوعی چه کاری انجام میدهد؟
- چه کسی پیشنهاد میدهد؟
- چه کسی تصمیم میگیرد؟
- چه کسی اقدام را اجرا میکند؟
- چه زمانی تأیید انسانی لازم است؟
- چگونه میتوان تصمیم را متوقف یا اصلاح کرد؟
اختیار سیستم باید با هزینه خطا و قابلیت بازگشت اقدام متناسب باشد.
۴. مهارتها و همکاری انسان و هوش مصنوعی
کارکنان فقط به مهارت استفاده از ابزار نیاز ندارند.
آنها باید بتوانند:
- مسئله را دقیق تعریف کنند؛
- کیفیت داده را بررسی کنند؛
- خروجی را نقد کنند؛
- محدودیت فناوری را تشخیص دهند؛
- موارد مبهم را ارجاع دهند؛
- و مسئولیت تصمیم را بپذیرند.
مدیران نیز باید یاد بگیرند عملکرد تیمهای ترکیبی را ارزیابی کنند. ارزیابی فقط براساس سرعت یا حجم خروجی میتواند استفاده سطحی یا پرریسک را تشویق کند.
۵. حاکمیت، کنترل و سنجش ارزش
سازمان باید پیش از گسترش استفاده، کنترلهای لازم را تعیین کند.
این کنترلها میتوانند شامل موارد زیر باشند:
- ثبت مسیر تصمیم و اقدام؛
- محدودیت دسترسی؛
- تأیید انسانی برای اقدامات حساس؛
- آزمون امنیت و حریم خصوصی؛
- تعریف مالک مسئول؛
- مسیر گزارش خطا؛
- توقف اضطراری؛
- و بررسی دورهای عملکرد.
سنجش باید به نتیجه کسبوکار متصل باشد:
- آیا کیفیت بهتر شده است؟
- آیا تصمیم سریعتر و دقیقتر شده است؟
- آیا هزینه کاهش یافته است؟
- آیا تجربه مشتری بهبود پیدا کرده است؟
- آیا نرخ خطا یا اصلاح انسانی قابلقبول است؟
- آیا کارکنان در حال یادگیری هستند؟
- آیا ارزش ایجادشده از هزینه کل سیستم بیشتر است؟
نحوه عملکرد
فرایند بازطراحی در پنج مرحله انجام میشود:
۱. یک مسئله مشخص و ارزش مورد انتظار تعریف میشود. ۲. جریان فعلی کار، داده و تصمیم مستند میشود. ۳. نقش انسان و هوش مصنوعی برای هر مرحله تعیین میشود. ۴. فرایند در مقیاس محدود و با کنترل مشخص آزمایش میشود. ۵. براساس داده عملکرد، سطح استفاده افزایش، اصلاح یا متوقف میشود.
وجود ضعف جدی در هر لایه باید باعث کاهش سطح استقلال سیستم یا توقف توسعه شود.
مثال کسبوکاری
فرض کنید تیم بازاریابی هر هفته دادههای چند کانال را جمعآوری و گزارش عملکرد تهیه میکند.
در مدل سنتی:
- دادهها بهصورت دستی استخراج میشوند؛
- گزارش با تأخیر ساخته میشود؛
- تحلیل به چند شاخص ثابت محدود میماند؛
- و پیگیری تصمیمها به حافظه افراد وابسته است.
در مدل تقویتشده با هوش مصنوعی:
- دادهها از منابع تأییدشده جمعآوری میشوند؛
- کیفیت و کاملبودن آنها بررسی میشود؛
- تغییرات غیرعادی علامتگذاری میشوند؛
- فرضیههای اولیه همراه با شواهد آماده میشوند؛
- مدیر تحلیل را بررسی و تصمیم را تأیید میکند؛
- و نتیجه اقدام برای یادگیری دوره بعد ثبت میشود.
هوش مصنوعی سرعت مشاهده و آمادهسازی را افزایش میدهد. انسان مسئله را تفسیر میکند، اثر تجاری را میسنجد و مسئولیت تصمیم را میپذیرد.
مزایا
- اتصال استفاده از هوش مصنوعی به ارزش واقعی کسبوکار؛
- جلوگیری از خودکارسازی فرایندهای نامناسب؛
- روشنشدن مسئولیت و حقوق تصمیم؛
- کاهش ریسک اعتماد بیشازحد؛
- ایجاد مسیر تدریجی برای گسترش استفاده؛
- و حفظ یادگیری و قضاوت انسانی.
محدودیتهای چارچوب
این مدل در یک پژوهش تجربی مستقل اعتبارسنجی نشده است.
اهمیت هر لایه به صنعت، اندازه سازمان، سطح ریسک و نوع تصمیم وابسته است. سازمانهای مالی، درمانی یا حقوقی به کنترلهای شدیدتری نسبت به فرایندهای داخلی کمریسک نیاز دارند.
این چارچوب جایگزین ارزیابی حقوقی، امنیتی، حریم خصوصی یا معماری فنی نیست.
همچنین آمادگی یک سازمان به معنای مناسببودن همه فرایندهای آن برای هوش مصنوعی نیست. ارزیابی باید در سطح هر جریان کار و تصمیم انجام شود.
چک لیست اجرایی
- یک مسئله مشخص کسبوکاری را پیش از انتخاب ابزار تعریف کنید.
- شاخص ارزش مورد انتظار را پیش از اجرای پروژه ثبت کنید.
- جریان فعلی داده، فرایند و تصمیم را مستند کنید.
- وظایف داخل و خارج از محدوده قابلیت فناوری را از یکدیگر جدا کنید.
- برای هر مرحله، نقش انسان و هوش مصنوعی را مشخص کنید.
- تصمیمهای حساس و غیرقابلبازگشت را نیازمند تأیید انسانی کنید.
- کیفیت، مالکیت و سطح دسترسی دادهها را بررسی کنید.
- یک نمونه عملکرد انسانی را بهعنوان خط پایه اندازهگیری کنید.
- پروژه را ابتدا در یک فرایند محدود و قابلبازگشت آزمایش کنید.
- صحت، سرعت، کیفیت، هزینه و نرخ اصلاح انسانی را همزمان بسنجید.
- مسیر تصمیمها، منابع داده و اقدامات سیستم را ثبت کنید.
- کارکنان را برای ارزیابی انتقادی خروجی و تشخیص خطا آموزش دهید.
- مسئول نهایی هر فرایند و هر تصمیم را بهصورت رسمی تعیین کنید.
- سطح اختیار سیستم را فقط پس از رسیدن به معیارهای ازپیشتعیینشده افزایش دهید.
- اثر پروژه را بر یادگیری کارکنان و تجربه مشتری نیز بررسی کنید.
محدودیت های پژوهش
محدودیت گزارششده در پژوهش:
پژوهش Dell’Acqua و همکاران در محیط یک شرکت مشاوره مدیریت انجام شده است. ساختار وظایف، سطح تحصیلات شرکتکنندگان و نظام ارزیابی این محیط ممکن است با سایر صنایع متفاوت باشد.
بخش خارج از محدوده قابلیت فناوری فقط شامل یک وظیفه پیچیده بود. بنابراین اندازه و شکل دقیق این اثر در انواع دیگر وظایف هنوز به پژوهش بیشتری نیاز دارد.
کیفیت بعضی خروجیهای داخل محدوده با معیارهای ارزیابی انسانی سنجیده شد. هرچند این روش به ارزیابی واقعی کار مشاوره نزدیک بود، قضاوت ذهنی ارزیابان میتواند محدودیت ایجاد کند.
نتایج به قابلیتهای GPT-4 و شرایط زمان اجرای آزمایش وابستهاند. مرز قابلیت فناوری با تغییر مدل، داده، ابزار و طراحی فرایند جابهجا میشود.
پژوهش Brynjolfsson، Li و Raymond در محیط پشتیبانی مشتری انجام شده است. نتایج آن را نمیتوان مستقیماً به تصمیمهای راهبردی، بازاریابی، مالی یا مدیریتی تعمیم داد.
محدودیت تحلیلی این مقاله:
هیچ پژوهش واحدی یک مدل عملیاتی کامل برای سازمانهای عصر هوش مصنوعی را آزمایش و اعتبارسنجی نکرده است.
مقالههای Hillebrand، Raisch و Schad؛ Raisch و Krakowski؛ و Shrestha و همکاران، چارچوبهای نظری و مروری ارائه میکنند. آنها به روشنشدن ساختار همکاری انسان و هوش مصنوعی کمک میکنند، اما اثر مالی یک مدل عملیاتی مشخص را اثبات نمیکنند.
پیمایشهای حرفهای مانند گزارش McKinsey براساس پاسخ مدیران و کارکنان هستند. این دادهها وضعیت پذیرش و برداشت سازمانها را نشان میدهند، اما رابطه علّی میان بازطراحی فرایند و سودآوری را ثابت نمیکنند.
برای نتیجهگیری قویتر به مطالعات طولی در سطح سازمان نیاز است که این موارد را بررسی کنند:
- اثر بازطراحی فرایند بر سودآوری؛
- کیفیت تصمیمهای مدیریتی؛
- سرعت یادگیری سازمان؛
- رضایت و مهارت کارکنان؛
- تجربه مشتری؛
- نرخ خطا؛
- و پایداری مزیت رقابتی.
برداشت من
برداشت استراتژیک:
هوش مصنوعی بهخودی خود یک مدل عملیاتی جدید ایجاد نمیکند. اگر فناوری به فرایندهای پراکنده، دادههای نامطمئن و مسئولیتهای مبهم اضافه شود، سازمان فقط همان مشکلات قبلی را سریعتر و در مقیاس بزرگتر تکرار خواهد کرد.
تغییر اصلی زمانی رخ میدهد که سازمان جریان تصمیم را بازطراحی کند.
در مدل سنتی، اطلاعات از چند لایه عبور میکند، گزارشها با تأخیر ساخته میشوند و بخش مهمی از زمان مدیران صرف جمعآوری و هماهنگی میشود. هوش مصنوعی میتواند بخشی از این اصطکاک را کاهش دهد، اما کاهش اصطکاک فقط زمانی ارزشمند است که کیفیت تصمیم و نتیجه نهایی نیز بهتر شوند.
مزیت رقابتی پایدار از دسترسی به یک ابزار عمومی ایجاد نخواهد شد. ابزارها بهسرعت در دسترس رقبا قرار میگیرند.
تمایز واقعی در این قابلیتها شکل میگیرد:
- تعریف مسئله بهتر؛
- داده قابلاعتمادتر؛
- فرایند روشنتر؛
- چرخه یادگیری سریعتر؛
- قضاوت انسانی قویتر؛
- و توانایی گسترش فناوری بدون ازدستدادن کنترل.
سازمان آینده الزاماً سازمانی با تعداد کارکنان کمتر نیست. ممکن است سازمانی باشد که ظرفیت بیشتری برای تحلیل، آزمایش و اجرا دارد و کارکنان آن زمان کمتری برای جابهجایی اطلاعات و زمان بیشتری برای تصمیم، ارتباط و نوآوری صرف میکنند.
ریسک اصلی، حذف کامل انسان نیست؛ ریسک مهمتر میتواند حذف تدریجی قضاوت باشد. وقتی کارکنان به دریافت پاسخ آماده عادت کنند، توانایی تشخیص مسئله، نقد فرضیه و پذیرش مسئولیت ممکن است تضعیف شود.
به همین دلیل، سازمان تقویتشده با هوش مصنوعی باید همزمان دو هدف را دنبال کند:
افزایش ظرفیت فناوری برای مشاهده، تحلیل و اجرا؛ افزایش ظرفیت انسانی برای هدفگذاری، قضاوت و مسئولیت.
مدل عملیاتی موفق، مرز میان این دو را یکبار برای همیشه تعیین نمیکند. این مرز باید براساس داده عملکرد، تغییر قابلیت فناوری و پیامدهای واقعی کسبوکار بهطور مستمر بازبینی شود.
منابع
-
Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science. DOI رسمی
-
Hillebrand, L., Raisch, S., & Schad, J. (2025). Managing with Artificial Intelligence: An Integrative Framework. Academy of Management Annals, 19(1), 343–375. DOI رسمی
-
Raisch, S., & Krakowski, S. (2021). Artificial Intelligence and Management: The Automation–Augmentation Paradox. Academy of Management Review, 46(1), 192–210. DOI رسمی
-
Shrestha, Y. R., Ben-Menahem, S. M., & von Krogh, G. (2019). Organizational Decision-Making Structures in the Age of Artificial Intelligence. California Management Review, 61(4), 66–83. DOI رسمی
-
Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. DOI رسمی
-
Glikson, E., & Woolley, A. W. (2020). Human Trust in Artificial Intelligence: Review of Empirical Research. Academy of Management Annals, 14(2), 627–660. DOI رسمی
-
McKinsey & Company. (2025). The State of AI: How Organizations Are Rewiring to Capture Value. گزارش رسمی
کتابخانه پژوهش
پژوهشهای مرتبط
فرهنگ آزمایش در کسبوکار چیست و چگونه کیفیت تصمیمها را افزایش میدهد؟
تحلیل پژوهشمحور فرهنگ آزمایش، فرضیهسازی، سنجش علّی و یادگیری سازمانی برای بهبود تصمیمهای بازاریابی و ساخت سیستم رشد پایدار.
حلقه رشد چیست و چرا قیف بازاریابی بهتنهایی برای رشد پایدار کافی نیست؟
تحلیل پژوهشمحور تفاوت قیف بازاریابی و حلقه رشد و نقش نگهداشت، ارجاع، داده و آزمایش مستمر در ساخت یک سیستم رشد قابلاندازهگیری.
عامل هوش مصنوعی چیست و چگونه اتوماسیون کسبوکار را تغییر میدهد؟
تحلیل پژوهشمحور عاملهای هوش مصنوعی، تفاوت آنها با اتوماسیون سنتی و الزامات داده، نظارت انسانی، حاکمیت و سنجش عملکرد.
آزمایشگاه پژوهش
تحلیلهای پژوهشی جدید را دنبال کنید
پژوهشهای علمی درباره هوش مصنوعی، روانشناسی مصرفکننده، بازاریابی دیجیتال و استراتژی رشد کسبوکار.