از زمان ظهور ChatGPT، جهان وارد چرخه رونق هوش مصنوعی شده است. اما چیزی که بیشتر مردم متوجه نمی شوند این است که هوش مصنوعی دقیقاً جدید نیست – مدتی است که وجود داشته است. حتی در روزهای اولیه موتور جستجوی پرکاربرد گوگل، اتوماسیون در قلب نتایج قرار داشت. اکنون، جهان شروع به بیدار شدن می کند و متوجه می شود که چقدر هوش مصنوعی در زندگی روزمره ما ریشه دوانده است و هنوز چقدر پتانسیل استفاده نشده دارد.
سرعت پذیرش و نوآوری هوش مصنوعی بسیار سریع در حال حرکت است – به حدود 1 تریلیون دلار در هزینه ها رسیده است – که بسیاری در تعجبند که آیا می‌توانیم توسعه مدل‌های آینده را حتی دو سال بعد به‌طور دقیق پیش‌بینی کنیم. این امر حتی بیشتر تقویت می‌شود زیرا شرکت‌های فناوری مانند متا، آلفابت، مایکروسافت، اوراکل و OpenAI از پیشرفت‌ها و مدل‌های جدید هوش مصنوعی رونمایی می‌کنند تا تلاش کنند تا با تقاضای صنعت مطابقت داشته باشند. سازنده تراشه های هوش مصنوعی انویدیا به سرعت در حال رشد است، حتی نمی توان کسب و کارش را به درستی ارزیابی کرد.
آنچه که ما در مورد سرعت هوش مصنوعی می دانیم این است که با افزایش کمیت داده ها و بهبود کیفیت داده ها، توانایی هوش مصنوعی برای هدایت نوآوری برای فعالیت های تجاری، برنامه ها و فرآیندها در هر صنعت نیز افزایش می یابد. برای اینکه تخمین بزنیم که هوش مصنوعی در چند سال آینده کجا خواهد بود، ابتدا باید درک کنیم که موارد استفاده از هوش مصنوعی دو برابر است. اولین مورد این است که این یک فناوری است فعال کننده، بهبود راه حل های موجود برای کارآمدتر، دقیق تر و تاثیرگذارتر کردن آنها. دوم این که هوش مصنوعی پتانسیل تبدیل شدن به یک فناوری را دارد مبتکر با ملموس کردن پیشرفت ها یا راه حل های غیرقابل تصور.
بازنگری سرعت هوش مصنوعی در طول تاریخ
اگرچه به نظر می رسد که سر و صدای پشت هوش مصنوعی زمانی آغاز شد که OpenAI ChatGPT را در سال 2022 راه اندازی کرد، منشا هوش مصنوعی و پردازش زبان طبیعی (NLPs) قدمت چند دهه قبل دارد. الگوریتم ها که پایه و اساس هوش مصنوعی هستند، برای اولین بار در دهه 1940 توسعه یافتند و زمینه را برای یادگیری ماشینی و تجزیه و تحلیل داده ها استفاده های اولیه از هوش مصنوعی در صنایعی مانند مدیریت زنجیره تامین (SCM) به دهه 1950 باز می گردد، با استفاده از اتوماسیون برای حل مشکلات در لجستیک و مدیریت موجودی. در دهه 1990، رویکردهای مبتنی بر داده و یادگیری ماشین قبلاً در تجارت رایج بود. با پیشرفت دهه 2000، فناوری هایی مانند اتوماسیون فرآیند رباتیک (RPA) وظایف ساده را در بسیاری از عملکردهای تجاری پیچیده و اداری ساده کرد.
سپس ChatGPT آمد. بسیار واضح است که درک هوش مصنوعی به دلیل هوش مصنوعی مولد تغییر کرده است. قبل از شروع GenAI، مصرف کنندگان مکانیزم اتوماسیون را درک نمی کردند، چه رسد به قدرت اتوماسیون برای مشاغل. هوش مصنوعی زیربنای بسیاری از فناوری های مدرن ما مانند موتور جستجوی گوگل است. اکثر مصرف کنندگان به گوگل برای ارائه پاسخ های دقیق به سوالات بی شمار اعتماد دارند، آنها به ندرت فرآیندها و الگوریتم های پیچیده ای را در نظر می گیرند که چگونه این نتایج بر روی صفحه نمایش رایانه خود ظاهر می شوند. اما دیدن باور کردن است – با ChatGPT، جهان شروع به دیدن موارد استفاده واقعی در زندگی کرد. با این حال، تصور اشتباهی از یکپارچه‌سازی هوش مصنوعی در زندگی روزمره ما وجود دارد – حتی در دنیای تجارت. همانطور که در بالا ذکر شد، هوش مصنوعی فناوری موجود را قادر می‌سازد تا بهتر شود و درست مانند ریزتراشه‌های اینتل، هوش مصنوعی در پس‌زمینه فناوری‌هایی قرار می‌گیرد که ما هر روز استفاده می‌کنیم.
اگر رهبران نمی توانند بزرگی هوش مصنوعی را درک کنند، چگونه می توان از آنها انتظار داشت که هوش مصنوعی را با موفقیت در فعالیت های تجاری روزانه خود بکار گیرند؟ دقیقا مشکل همینه
چالش های پذیرش و رشد
اگر کسی بخواهد از یک ابزار GPT بپرسد، “آنچه که متخصصان زنجیره تامین و تدارکات احتمالاً در مورد هوش مصنوعی می گویند” احتمالاً شکاف های دانش مربوط به پذیرش هوش مصنوعی را برجسته می کند. در سطح جهانی، پذیرش هوش مصنوعی در سال گذشته پس از رشد محدود در سال‌های قبل به طور تصاعدی افزایش یافت. در شش سال گذشته، تنها 50 درصد از رهبران کسب و کار گفت که آنها در سراسر عملیات خود در فناوری هوش مصنوعی سرمایه گذاری می کنند. در سال 2024، نرخ پذیرش به 72 درصد افزایش یافت که نشان می‌دهد رهبران کسب‌وکار به تازگی از پتانسیل هوش مصنوعی برای ارتقای سازمان خود در همه مشاغل آگاه هستند.
با این حال، درک ارزش کامل هوش مصنوعی به چیزی بیش از به کارگیری راه حل های پیشرفته نیاز دارد. این امر مستلزم دسترسی به داده‌های مناسب است – داده‌هایی که زمینه غنی را در مورد الگوهای هزینه‌های واقعی کسب‌وکار، عملکرد تامین‌کننده، پویایی بازار و محدودیت‌های دنیای واقعی فراهم می‌کند. دسترسی ناکافی به داده ها به معنای زندگی یا مرگ برای نوآوری هوش مصنوعی در سازمان است. حداقل انتظار می رود 30 درصد از تمام پروژه های GenAI رها شود به دلیل کیفیت پایین داده ها، در میان چالش های دیگر مانند کنترل ناکافی ریسک، افزایش هزینه ها یا ارزش تجاری نامشخص. اما بسیاری از چالش‌های دیگر نیز وجود دارد که کسب‌وکارها هنگام استفاده از هوش مصنوعی و افزایش آن با آن مواجه هستند.
در سازمان‌های بزرگ، متأسفانه وجود سیلوهایی که می‌توانند کسب‌وکارها را در معرض خطرات عمده قرار دهند، رایج است. به عنوان مثال، صنعت زنجیره تامین را در نظر بگیرید. زنجیره تامین نقش مهمی در استراتژی کسب و کار ایفا می کند و برای سازمان های بزرگ و جهانی، مقیاس به هم پیوسته این بخش تقریبا غیرقابل تصور است. اگر یکی از جنبه های کسب و کار در یک سیلو فعالیت کند، می تواند کل سازمان را در معرض خطر بزرگی قرار دهد. اگر تیم های زنجیره تامین تغییرات در تقاضا را به تامین کنندگان خود منتقل نمی کنند، چگونه می توان از رهبران انتظار داشت که پیش بینی های دقیقی ایجاد کنند؟ اگر تیم فروش پیش‌بینی‌های به‌روزرسانی شده را برای تدارکات ارسال نکند، ممکن است قراردادهای بلندمدت را بر اساس اطلاعات قدیمی تضمین کند، و در قراردادهایی که ممکن است با تقاضای فعلی مشتری همخوانی نداشته باشد، قفل شوند.
چه یک سیلو سازمانی یا اطلاعاتی باشد، فقدان ارتباطات می تواند منجر به شکست در خدمات مشتری، ایجاد ناکارآمدی و توقف کلی نوآوری شود. هوش مصنوعی می تواند ارزش خود را در پرداختن به این سیلوها ثابت کند: اگر فناوری آنها به طور موثری به هم متصل باشد، کارمندان و تامین کنندگان آنها نیز می توانند.
رهبران کسب‌وکار به طور فعال در راه‌حل‌های مبتنی بر هوش مصنوعی سرمایه‌گذاری می‌کنند تا اتوماسیون فرآیند، قابلیت‌های منابع استراتژیک، دید و کنترل هزینه‌ها و سودآوری کلی را هدایت کنند. برای دستیابی به موفقیت با این قابلیت‌های هوش مصنوعی و دستیابی به اهداف مدیریت کل هزینه‌های خود، شرکت‌ها باید با یکدیگر همکاری کنند تا شفافیت را تقویت کنند و برای رسیدن به یک هدف مشترک تلاش کنند.
تکامل بعدی برای هوش مصنوعی
در حال حاضر، بهترین مورد استفاده از هوش مصنوعی که در واقع باعث کارایی و رشد کسب و کار می شود، خودکار کردن وظایف ساده و اداری است. چه کارایی گردش کار، استخراج و تجزیه و تحلیل داده ها، مدیریت موجودی یا نگهداری پیش بینی شده باشد، رهبران متوجه شده اند که هوش مصنوعی می تواند کارهای یکنواخت و وقت گیر را با نرخ های بی سابقه و با دقت بسیار بالا سرعت بخشد. اگرچه ساده به نظر می رسد، اما زمانی که در صنایعی مانند زنجیره تامین یا تدارکات مورد استفاده قرار می گیرد، استفاده از مواردی مانند این می تواند باعث صرفه جویی در ساعات بی شماری و میلیاردها دلار در کسب و کار شود.
ما هوش مصنوعی را به عنوان یک توانمندکننده فناوری مورد بحث قرار داده ایم – اما هنوز پتانسیل استفاده نشده ای برای تبدیل شدن هوش مصنوعی به یک فناوری وجود دارد. مبتکر. از آنجایی که در آستانه سال جدید هستیم، پیشرفت‌های هوش مصنوعی زیادی وجود دارد که رهبران کسب‌وکار باید دقیقاً در افق به دنبال آن باشند.
به طور خاص برای مدیریت زنجیره تامین و تدارکات، یکی از این پیشرفت‌ها، پیشرفت در منبع‌یابی مستقل خواهد بود. با استفاده از هوش مصنوعی و سایر فناوری‌های پیشرفته، کسب‌وکارها می‌توانند وظایفی را که به طور سنتی توسط انسان‌ها به آن تکیه می‌کردند، مانند منبع‌یابی و قرارداد، به منظور افزایش کارایی و آزاد کردن منابع با اجازه دادن به هوش مصنوعی برای تجزیه و تحلیل حجم وسیعی از داده‌ها، شناسایی روندها و تصمیمات منبع آگاهانه در زمان واقعی منبع یابی کاملاً مستقل نه تنها با صرفه جویی در وقت کارکنان، ارتقای کارایی و کاهش خطاها، صرفه جویی بی نظیری در هزینه ها ارائه می دهد، بلکه می تواند با اطمینان از رعایت مداوم استانداردهای اخلاقی و پایداری، خطر تقلب و جعل را کاهش دهد.
با این حال، حتی قبل از معرفی منبع مستقل، شرکت‌ها باید بر ارائه تجربه کاربری (UX) متمرکز شوند که برای تیم‌های تدارکات و تامین‌کنندگان آسان، کارآمد و آسان باشد. هنگامی که یک UX بیش از حد شخصی ایجاد می شود، کسب و کارها می توانند به طور منسجم راه حل های مستقل را پیاده سازی کنند.
نتیجه هوش مصنوعی فقط بهبود بازگشت سرمایه (ROI) کسب‌وکارها نیست، بلکه بهبود تصمیم‌گیری، پیش‌بینی الگوهای آینده و ایجاد انعطاف‌پذیری است. مدیران سطح C در سراسر بخش‌ها به‌طور فزاینده‌ای پذیرش فناوری‌های هوش مصنوعی را برای تغییر و تصحیح عملیات‌های خود از طریق اتوماسیون ضروری می‌دانند. با گذشت زمان، مانند هر فناوری دیگری که پیش از آن بود، هوش مصنوعی به طور فزاینده‌ای ارزان‌تر می‌شود در حالی که ارزش خروجی آن همچنان در حال افزایش است. این به ما دلایل زیادی برای خوش بین بودن در مورد آینده هوش مصنوعی و نقش متعادلی که در زندگی ما ایفا خواهد کرد – چه تجاری و چه شخصی- می دهد.
