ابزارهای هوش مصنوعی از زمان راه‌اندازی ChatGPT در سال 2022 با استقبال گسترده‌ای روبرو شده‌اند. 98 درصد از مشاغل کوچک بررسی شده توسط اتاق بازرگانی ایالات متحده با استفاده از آنها. با این حال، با وجود موفقیت در زمینه هایی مانند تجزیه و تحلیل داده ها، خلاصه سازی، شخصی سازی و موارد دیگر، الف نظرسنجی اخیر از 2500 کارگر در سراسر ایالات متحده، بریتانیا، استرالیا و کانادا دریافتند که از هر 4 کارگر، 3 نفر گزارش دادند که هوش مصنوعی در واقع حجم کاری آنها را افزایش داده است. بنابراین، وعده هوش مصنوعی همچنان بالاست، اما واقعیت روی زمین تا کنون کمی ضعیف به نظر می رسد.
این اختلاف بر یک چالش حیاتی تأکید می کند: پل زدن بین وعده گسترده هوش مصنوعی و تأثیر عملی محدود فعلی آن بر عملیات سازمانی. بستن این شکاف برای سازمان‌ها ضروری است تا به طور کامل ارزش سرمایه‌گذاری‌های هوش مصنوعی خود را درک کنند و پذیرش را در بین کارگران و سهامداران خود افزایش دهند.
چشم انداز محصول برای سرمایه گذاری های هوش مصنوعی
در حالی که هوش مصنوعی پیشرفت‌های چشمگیری داشته است، بسیاری از راه‌حل‌های تجاری در مرحله اثبات مفهومی آزمایشی باقی می‌مانند و برای عملیات روزمره کاملاً مناسب نیستند. در یک نظرسنجی بین کشوری و صنعتی از 1000 CxOs و مدیران ارشد، BCG دریافت که 74٪ شرکت‌ها برای تحقق بخشیدن و افزایش ارزش در سرمایه‌گذاری‌های هوش مصنوعی خود تلاش می‌کنند. بخشی از دلیل این امر این است که امروزه، برجسته‌ترین رابط‌های کاربری هوش مصنوعی مبتنی بر زبان طبیعی هستند که از طریق الگوی چت بات ارائه می‌شوند. در حالی که این روش‌ها بدون شک برای کارهایی مانند خلاصه‌سازی و سایر زمینه‌های مبتنی بر متن مفید هستند، اما با نحوه انجام کار در بیشتر شرکت‌ها مطابقت ندارند.
برای به حداکثر رساندن تأثیر، طراحی ابزارهای هوش مصنوعی باید فراتر از رابط های متنی و ایزوله به برنامه های یکپارچه و بهبود دهنده گردش کار باشد که نیازهای عملیاتی سازمان های بزرگ را بهتر برآورده کند. مرحله بعدی تکامل هوش مصنوعی به طور فزاینده ای عاملی خواهد بود، و به طور یکپارچه با پس زمینه عملیات سازمانی ترکیب می شود و به تیم ها اجازه می دهد تا بر روی ایده ها و استراتژی های سطح بالا که منجر به عملیات خودکار می شود، تمرکز کنند، و اجرای دستی را دور بزنند، اما همچنان انسان در حلقه را حفظ کنند. کنترلی که هنوز بر قضاوت غیر خودکار انسان متکی است.
این انتقال از «تجربی» به «ضروری» نیازمند یک رویکرد تولیدی برای توسعه، استقرار و عملیات هوش مصنوعی است، شبیه به این که چگونه اپل صنعت فناوری را با راه‌اندازی آیفون متحول کرد – محصولی با طراحی متفکرانه و کاربرپسند که یکپارچه شده است. تکنولوژی روز و آن را با تجربه کاربری در سطح جهانی از همان روز اول پیوند داد.
بستن شکاف های داده ها و اطمینان از کارایی هزینه
به منظور حرکت به سمت این نسخه پیشرفته‌تر تولید شده از هوش مصنوعی، مقابله با شکاف‌های موجود در داده‌های سازمانی حیاتی است. علاقه روزافزون به استقرار هوش مصنوعی در شرکت‌ها، سیلوهای داده گسترده را در معرض دید قرار داده است که سازمان‌ها را از مقیاس‌گذاری هوش مصنوعی فراتر از نمونه‌های اولیه بازمی‌دارد.
البته، توجه به این نکته مهم است که موانع مالی همچنین می‌توانند سازمان‌ها را از گسترش استفاده از هوش مصنوعی از برنامه‌های آزمایشی به برنامه‌های کاربردی در سطح شرکت بازدارند. زیرساخت های مورد نیاز برای آموزش و نگهداری مدل های پیشرفته هوش مصنوعی – شامل قدرت محاسباتی، ذخیره سازی داده ها و هزینه های عملیاتی مداوم – می تواند به سرعت افزایش یابد. بدون نظارت دقیق، این پروژه ها در معرض خطر گران شدن ناپایدار قرار می گیرند که منعکس کننده چالش های اولیه ای است که در طول پذیرش فناوری های ابری دیده می شود.
تمرکز بر تضمین یکپارچگی، پاکیزگی و کیفیت داده ها در وهله اول می تواند به کاهش هزینه ها در دراز مدت کمک کند. اغلب، شرکت‌ها ابتدا بر روی هوش مصنوعی تمرکز می‌کنند و بعداً به چالش‌های داده‌ای خود می‌پردازند و ناکارآمدی‌ها و فرصت‌های از دست رفته را ایجاد می‌کنند.
کارایی هزینه ارتباط نزدیکی با سرمایه گذاری در سطح داده ها و لایه زیرساخت اصلی دارد. سرمایه گذاری در این بخش از پشته برای اطمینان از اجرای LLM ها در مقیاس کلیدی است. از نظر عملی، این به معنای استانداردسازی جمع‌آوری داده‌ها، اطمینان از دسترسی، و اجرای چارچوب‌های قوی حاکمیت داده است.
هوش مصنوعی مسئول
شرکت‌هایی که اصول هوش مصنوعی مسئولانه را بر پایه داده‌ای قوی و با مدیریت خوب تعبیه می‌کنند، در موقعیت بهتری قرار خواهند گرفت تا برنامه‌های کاربردی خود را به طور کارآمد و اخلاقی مقیاس‌بندی کنند. اصولی مانند انصاف، شفافیت و مسئولیت پذیری در ورودی ها و خروجی های هوش مصنوعی دیگر برای شرکت ها اختیاری نیستند – این اصول ضروری استراتژیک برای حفظ اعتماد با کارمندان و مشتریان و همچنین رعایت مقررات در حال ظهور هستند.
یکی از چارچوب های حیاتی این است قانون هوش مصنوعی اتحادیه اروپا، که مستندات شفاف، شفافیت و حاکمیت را برای سیستم های هوش مصنوعی پرخطر الزامی می کند. مطابقت با چنین چارچوب‌هایی، شرکت‌ها را ملزم می‌کند که فرآیندهایی را اجرا کنند که نه تنها مدل‌های هوش مصنوعی آنها را تأیید می‌کند، بلکه آنها را قابل تفسیر و پاسخگو می‌سازد، که به ویژه در برنامه‌های پرمخاطره مانند امتیازدهی اعتبار، تشخیص تقلب، و توصیه‌های سرمایه‌گذاری حیاتی است. شرکت‌هایی که این شیوه‌ها را در اولویت قرار می‌دهند، می‌توانند از خواسته‌های نظارتی جلوتر بمانند و از خطرات قانونی یا اعتباری پرهزینه اجتناب کنند.
علاوه بر این، با پیشرفت صنعت و گسترش سیستم‌های هوش مصنوعی که می‌توانند تصمیمات مستقلی بگیرند، ریسک اجرای مسئولانه بیشتر می‌شود. واگذاری اقدامات به ابزارهای هوش مصنوعی مستلزم اعتماد به قابلیت اطمینان و رفتار اخلاقی آنها است. برای دستیابی به این هدف، سازمان‌ها باید در چارچوب‌های ممیزی و نظارت مستمر سرمایه‌گذاری کنند تا اطمینان حاصل کنند که سیستم‌های هوش مصنوعی همانطور که در نظر گرفته شده عمل می‌کنند، و به طور عاقلانه در برابر سوگیری‌های نتیجه و تداوم نتایج ناعادلانه محافظت می‌کنند.
نگاه به جلو
پتانسیل تحول آفرین هوش مصنوعی در عملیات سازمانی غیرقابل انکار است، اما درک ارزش کامل آن مستلزم تغییر در نحوه رویکرد سازمان ها به توسعه و استقرار آن است. حرکت فراتر از برنامه‌های آزمایشی به سمت ابزارهای مقیاس‌پذیر و یکپارچه با گردش کار، مستلزم تمرکز جدی بر روی پرداختن به مسائل اساسی کیفیت، حاکمیت و دسترسی به داده‌ها و اتخاذ یک طرز فکر محصول است.
بستن شکاف‌های داده‌ها و تبدیل هوش مصنوعی مسئولیت‌پذیر به عنوان محوری از استراتژی، برای حفظ اعتماد با ذینفعان، تداوم رعایت الزامات انطباق استراتژیک، و اطمینان از اینکه سیستم‌های هوش مصنوعی نه تنها مقیاس‌پذیر، بلکه قابل اعتماد و مؤثر هستند، کلیدی خواهد بود. به این ترتیب، وعده هوش مصنوعی می تواند محقق شود و مبارزات پذیرش فعلی آن در سازمان ها با هر اندازه ای غلبه خواهد کرد.
