دنیای تجارت شاهد افزایش خارق‌العاده‌ای در پذیرش هوش مصنوعی (AI) – و به‌ویژه هوش مصنوعی مولد (Gen AI) بوده است. با توجه به برآوردهای دیلویتمخارج شرکت‌ها برای ژنرال هوش مصنوعی در سال 2024 نسبت به رقم 16 میلیارد دلاری سال 2023، 30 درصد افزایش می‌یابد. تنها در یک سال، این فناوری در صحنه منفجر شد تا نقشه راه استراتژیک سازمان ها را تغییر دهد. سیستم‌های هوش مصنوعی به اهرم‌های محاوره‌ای، شناختی و خلاق تبدیل شده‌اند تا کسب‌وکارها را قادر می‌سازد تا عملیات را ساده‌تر کنند، تجارب مشتری را بهبود بخشند و تصمیم‌گیری‌های مبتنی بر داده را هدایت کنند. به طور خلاصه، هوش مصنوعی Enterprise به یکی از اهرم‌های برتر CXO برای تقویت نوآوری و رشد تبدیل شده است.
با نزدیک شدن به سال 2025، انتظار داریم هوش مصنوعی سازمانی نقش مهم تری در شکل دادن به استراتژی ها و عملیات تجاری ایفا کند. با این حال، درک و رسیدگی موثر به چالش هایی که می توانند پتانسیل کامل هوش مصنوعی را مختل کنند، بسیار مهم است.
چالش شماره 1 – عدم آمادگی برای داده ها
موفقیت هوش مصنوعی به داده های ثابت، تمیز و به خوبی سازماندهی شده بستگی دارد. با این حال، شرکت ها در یکپارچه سازی داده های تکه تکه شده در سیستم ها و بخش ها با چالش هایی روبرو هستند. مقررات سخت‌گیرانه‌تر حفظ حریم خصوصی داده‌ها، نیازمند حکمرانی قوی، انطباق و حفاظت از اطلاعات حساس برای اطمینان از بینش‌های هوش مصنوعی قابل اعتماد است.
این امر مستلزم یک سیستم مدیریت داده جامع است که سیلوهای داده را تجزیه کند و داده هایی را که نیاز به مدرنیزه شدن دارند به شدت اولویت بندی کند. گودال‌های داده‌ای که بردهای سریع را به نمایش می‌گذارند به تضمین تعهد بلندمدت برای درست کردن اکوسیستم داده کمک می‌کنند. دریاچه های داده متمرکز یا انبارهای داده می توانند دسترسی ثابت به داده ها را در سراسر سازمان تضمین کنند. به علاوه، تکنیک‌های یادگیری ماشینی می‌توانند کیفیت داده‌ها را غنی و افزایش دهند و در عین حال نظارت و مدیریت چشم‌انداز داده را خودکار کنند.
چالش شماره 2 – مقیاس پذیری هوش مصنوعی
در سال 2024، زمانی که سازمان‌ها سفرهای پیاده‌سازی هوش مصنوعی سازمانی خود را آغاز کردند، بسیاری از آنها با مقیاس‌پذیری راه‌حل‌های خود – عمدتاً به دلیل کمبود معماری فنی و منابع، با مشکل مواجه شدند. ایجاد یک زیرساخت هوش مصنوعی مقیاس پذیر برای دستیابی به این هدف بسیار مهم خواهد بود.
پلتفرم‌های ابری، کارایی، انعطاف‌پذیری و مقیاس‌پذیری را برای پردازش مجموعه داده‌های بزرگ و آموزش مدل‌های هوش مصنوعی فراهم می‌کنند. استفاده از زیرساخت‌های هوش مصنوعی ارائه‌دهندگان خدمات ابری می‌تواند مقیاس سریع استقرار هوش مصنوعی را بدون نیاز به سرمایه‌گذاری‌های زیرساختی قابل توجه انجام دهد. پیاده‌سازی چارچوب‌های هوش مصنوعی مدولار برای پیکربندی و انطباق آسان در عملکردهای مختلف تجاری به شرکت‌ها این امکان را می‌دهد تا به تدریج ابتکارات هوش مصنوعی خود را گسترش دهند و در عین حال کنترل هزینه‌ها و ریسک‌ها را حفظ کنند.
چالش شماره 3 – شکاف استعداد و مهارت
الف نظرسنجی اخیر تفاوت نگران کننده بین علاقه متخصصان فناوری اطلاعات به هوش مصنوعی و قابلیت های واقعی آنها را برجسته می کند. در حالی که 81 درصد علاقه خود را به استفاده از هوش مصنوعی ابراز می کنند، تنها 12 درصد دارای مهارت های لازم هستند و 70 درصد از کارگران به ارتقاء مهارت های هوش مصنوعی نیاز دارند. این شکاف استعداد، موانع مهمی را برای شرکت‌هایی که به دنبال توسعه، استقرار و مدیریت ابتکارات هوش مصنوعی هستند، ایجاد می‌کند. جذب و حفظ متخصصان ماهر هوش مصنوعی یک چالش بزرگ است و ارتقای مهارت کارکنان موجود نیازمند سرمایه گذاری قابل توجهی است.
استراتژی آموزشی سازمان‌ها باید به سطح سواد هوش مصنوعی مورد نیاز گروه‌های مختلف بپردازد – سازندگانی که راه‌حل‌های هوش مصنوعی را توسعه می‌دهند، چک‌کننده‌هایی که خروجی هوش مصنوعی را تأیید می‌کنند و مصرف‌کنندگانی که از خروجی سیستم‌های هوش مصنوعی برای تصمیم‌گیری استفاده می‌کنند. علاوه بر این، رهبران کسب و کار باید برای درک بهتر و موثرتر مفاهیم استراتژیک هوش مصنوعی آموزش ببینند. با پرورش آگاهانه فرهنگ مبتنی بر داده و ادغام هوش مصنوعی در فرآیندهای تصمیم گیری در همه سطوح، می توان مقاومت در برابر هوش مصنوعی را مدیریت کرد که منجر به بهبود کیفیت تصمیم گیری می شود. را
چالش شماره 4 – حاکمیت هوش مصنوعی و نگرانی های اخلاقی
از آنجایی که شرکت‌ها هوش مصنوعی را در مقیاس پذیرفته‌اند، چالش الگوریتم‌های مغرضانه بزرگ به نظر می‌رسد. مدل های هوش مصنوعی که بر روی ناقص یا آموزش دیده اند داده های جانبدارانه ممکن است تعصبات موجود را تقویت کند و منجر به تصمیمات و نتایج تجاری ناعادلانه شود. با تکامل فناوری‌های هوش مصنوعی، دولت‌ها و نهادهای نظارتی دائماً مقررات جدیدی را برای هوش مصنوعی وارد می‌کنند تا شفافیت در تصمیم‌گیری و محافظت از مصرف‌کنندگان را فراهم کنند. برای مثال، اتحادیه اروپا خط‌مشی‌ها، چارچوب‌ها و اصول خود را در مورد استفاده از هوش مصنوعی از طریق قانون هوش مصنوعی اتحادیه اروپا در سال 2024 ترسیم کرده است.
با ایجاد چارچوب‌های حاکمیت هوش مصنوعی مناسب که بر شفافیت، انصاف و مسئولیت‌پذیری تمرکز دارد، سازمان‌ها می‌توانند از راه‌حل‌هایی استفاده کنند که قابلیت توضیح مدل‌های هوش مصنوعی آنها را امکان‌پذیر می‌کند – و اعتماد مصرف‌کنندگان نهایی را ایجاد می‌کنند. اینها باید شامل دستورالعمل‌های اخلاقی برای توسعه و استقرار مدل‌های هوش مصنوعی باشد و اطمینان حاصل کند که آنها با ارزش‌ها و الزامات قانونی شرکت همسو هستند.
چالش شماره 5 – متعادل کردن هزینه و بازگشت سرمایه
توسعه، آموزش و به کارگیری راه حل های هوش مصنوعی نیازمند تعهد مالی قابل توجهی از نظر زیرساخت، نرم افزار و استعدادهای ماهر است. بسیاری از شرکت ها در ایجاد تعادل این هزینه با بازده قابل اندازه گیری سرمایه (ROI) با چالش هایی روبرو هستند.
شناسایی موارد استفاده مناسب برای اجرای هوش مصنوعی حیاتی است. باید به خاطر داشته باشیم که هر راه حلی ممکن است لزوماً به هوش مصنوعی نیاز نداشته باشد. توافق بر روی معیارهای مناسب برای سنجش موفقیت در اوایل سفر مهم است. این به سازمان‌ها این امکان را می‌دهد که نظارت دقیقی بر RoI ارائه شده و بالقوه در موارد استفاده مختلف داشته باشند. از این اطلاعات می توان برای اولویت بندی دقیق و منطقی کردن موارد استفاده در تمام مراحل استفاده کرد تا هزینه را کنترل کند. سازمان‌ها می‌توانند با ارائه‌دهندگان خدمات تحلیلی و هوش مصنوعی که نتایج کسب‌وکار را با مدل‌های تجاری انعطاف‌پذیر ارائه می‌کنند، شریک شوند تا ریسک سرمایه‌گذاری‌های RoI را تضمین کنند.
