چالش های پیاده سازی هوش مصنوعی در سازمان ها؛ ۸ مانع و راهکارهای مدیریتی

چرا بسیاری از پروژه های هوش مصنوعی به نتیجه تجاری مورد انتظار نمی رسند؟

در بسیاری از پروژه های فناوری، توجه مدیران ابتدا به قابلیت های محصول جلب می شود: تولید محتوا، پیش بینی، تحلیل مکالمه، پردازش اسناد یا خودکارسازی فعالیت ها. با این حال، قابلیت فنی به تنهایی تضمین نمی کند مسئله مهمی در سازمان حل شود.

فرض کنید واحد منابع انسانی با کمک یک ابزار جدید، زمان تهیه گزارش ماهانه خود را از هشت ساعت به دو ساعت کاهش دهد. این پیشرفت ارزشمند است؛ اما اگر گزارش همچنان در هیچ تصمیمی استفاده نشود، تاثیر آن بر عملکرد سازمان محدود می ماند.

موضوع اصلی آن است که بسیاری از پروژه ها با سوال «کدام ابزار را بخریم؟» آغاز می شوند، در حالی که باید ابتدا پرسید «کدام مشکل کسب و کار ارزش حل کردن دارد؟»

پروژه ای که مالک تجاری مشخص ندارد، داده مناسبی در اختیارش نیست یا کارکنان از نتیجه آن استفاده نمی کنند، حتی با بهترین فناوری نیز ممکن است متوقف شود. بنابراین شناخت موانع پیاده سازی هوش مصنوعی باید پیش از عقد قرارداد با تامین کننده آغاز شود.

در سطح راهبردی نیز لازم است روشن باشد فناوری قرار است کدام مزیت رقابتی یا قابلیت سازمانی را تقویت کند. برای آشنایی با مبانی این ارتباط، مقاله چگونگی شکل گیری استراتژی کسب و کار می تواند چارچوب اولیه مناسبی ارائه دهد.

۸ مانع اصلی پیاده سازی هوش مصنوعی در سازمان ها

چالش های هوش مصنوعی در سازمان به یک بخش خاص محدود نیستند. بعضی از آنها به زیرساخت و داده مربوط می شوند و برخی دیگر ریشه در ساختار مدیریتی، فرهنگ سازمانی یا اقتصاد پروژه دارند. تشخیص این تفاوت به انتخاب راهکار درست کمک می کند.

۱. کیفیت پایین داده ها و پراکندگی اطلاعات

یکی از جدی ترین موانع، داده هایی است که در سیستم های جداگانه نگهداری می شوند، تعریف مشترک ندارند یا مدت ها به روز نشده اند. ممکن است تعداد مشتریان فعال در گزارش فروش با اطلاعات واحد مالی متفاوت باشد. در چنین وضعیتی، مدل هوشمند نیز نمی تواند به تنهایی مشخص کند کدام عدد صحیح است.

برای مثال، اگر تاریخ قراردادها، وضعیت پرداخت و کد مشتریان به شکل یکسان ثبت نشده باشد، پیش بینی ریزش مشتری با خطا همراه خواهد بود.

۲. نبود هدف تجاری و اولویت بندی مشخص

عبارت هایی مانند «هوشمندسازی سازمان» یا «استفاده از جدیدترین فناوری» برای تعریف پروژه کافی نیستند. وقتی نتیجه مطلوب مشخص نباشد، تیم فنی به سمت قابلیت هایی می رود که نمایش آنها آسان است، نه لزوما مسئله ای که بیشترین ارزش را ایجاد می کند.

پروژه مناسب باید یک مالک کسب و کار، شاخص موفقیت و محدوده اجرایی روشن داشته باشد. مثلا هدف «کاهش زمان بررسی درخواست مشتری از ۴۸ ساعت به ۲۴ ساعت» بسیار قابل مدیریت تر از «هوشمندسازی خدمات مشتری» است.

۳. کمبود مهارت و ناآشنایی کارکنان

خرید اشتراک یک ابزار، به معنای شکل گیری توانایی استفاده از آن نیست. کارکنان باید بدانند چه کاری را می توان به سیستم سپرد، چگونه دستور مناسب نوشت، خروجی را راستی آزمایی کرد و چه داده هایی نباید در ابزار بارگذاری شوند.

همچنین تیم فناوری باید توانایی ارزیابی امنیت، اتصال سیستم ها، پایش کیفیت مدل و رفع خطا را داشته باشد. بدون این مهارت ها، وابستگی به تامین کننده افزایش پیدا می کند.

۴. مقاومت کارکنان و نگرانی درباره آینده شغلی

مقاومت کارکنان در برابر هوش مصنوعی همیشه ناشی از ناآگاهی نیست. گاهی کارکنان نگران حذف شغل، افزایش نظارت، ناعادلانه شدن ارزیابی عملکرد یا از دست رفتن اختیار حرفه ای خود هستند.

اگر مدیریت صرفا اعلام کند ابزار جدید از ماه آینده اجباری است، احتمال استفاده ظاهری و بازگشت به روش های قدیمی افزایش پیدا می کند. مشارکت کارکنان در طراحی فرایند جدید می تواند مشکلات عملی را زودتر آشکار کند.

۵. محدودیت بودجه و برآورد ناقص هزینه ها

هزینه هوش مصنوعی فقط مبلغ اشتراک نرم افزار نیست. آماده سازی داده، اتصال به سیستم های موجود، هزینه پردازش، امنیت، آموزش، پشتیبانی و نگهداری نیز بر اقتصاد پروژه تاثیر می گذارند.

برای نمونه، ابزاری که در آزمایش با صد درخواست عملکرد مناسبی دارد، ممکن است پس از افزایش کاربران به چند هزار نفر هزینه قابل توجهی ایجاد کند. اگر این موضوع از ابتدا بررسی نشده باشد، گسترش پروژه متوقف خواهد شد.

۶. امنیت اطلاعات، محرمانگی و الزامات حقوقی

اسناد مالی، اطلاعات کارکنان، قراردادهای مشتریان و داده های تجاری می توانند حساس باشند. بارگذاری این اطلاعات در سامانه ای که شرایط پردازش، نگهداری یا دسترسی به داده های آن مشخص نیست، سازمان را در معرض خطر قرار می دهد.

ریسک های هوش مصنوعی در سازمان همچنین شامل تولید پاسخ نادرست، افشای اطلاعات در خروجی، دسترسی بیش از حد کاربران و ناتوانی در توضیح تصمیم های خودکار است.

۷. ناسازگاری با سیستم ها و فرایندهای موجود

اگر یک مدل تحلیلی نتواند به داده های قابل اعتماد دسترسی داشته باشد یا خروجی آن در فرایند کاری روزانه استفاده نشود، ارزش تجاری محدودی ایجاد می کند. گاهی کارکنان مجبور می شوند اطلاعات را دستی میان چند سامانه انتقال دهند و همین موضوع زمان و احتمال خطا را افزایش می دهد.

برای مثال، پیش بینی احتمال ریزش مشتری زمانی برای تیم فروش مفید است که نتیجه در محیط کاری قابل دسترسی باشد و مسئول اقدام بعدی مشخص شود.

۸. نبود مالکیت پروژه و سازوکار نظارت

گاهی پروژه میان واحد فناوری، منابع انسانی، مالی و عملیات تقسیم می شود، اما هیچ فردی مسئول نتیجه نهایی نیست. در نتیجه، همه واحدها وظیفه ای انجام می دهند، ولی کسی پاسخ نمی دهد چرا شاخص تجاری بهبود نیافته است.

نبود برنامه پایش نیز مشکل ساز است. کیفیت یک مدل ممکن است با تغییر رفتار مشتریان، محصولات یا ساختار داده کاهش پیدا کند؛ حتی اگر هنگام راه اندازی عملکرد مطلوبی داشته باشد.

چرا استفاده از ابزار هوش مصنوعی با تحول سازمانی تفاوت دارد؟

یکی از مشکلات استفاده از هوش مصنوعی در کسب و کار این است که مدیران گاهی تغییر فناوری را با تغییر عملکرد سازمان یکسان فرض می کنند. در حالی که ممکن است ابزار جدید نصب شده باشد، اما مسئولیت ها، تصمیم ها، ارتباط میان واحدها و شاخص های عملکرد همچنان بدون تغییر مانده باشند.

فرض کنید شرکتی برای پاسخگویی به مشتریان از دستیار هوشمند استفاده می کند. اگر پاسخ های ساده سریع تر ارائه شوند، یک بهبود عملیاتی رخ داده است. اما تحول واقعی زمانی شکل می گیرد که سازمان از داده های مکالمات برای شناسایی مشکلات پرتکرار محصول استفاده کند، مسئول اصلاح آنها را تعیین کند و اثر اصلاحات را بر رضایت و حفظ مشتری بسنجد.

تحول نیازمند هماهنگی میان افراد، فرایندها، فناوری و ساختار سازمان است. زمانی که مانع اصلی در طراحی نقش ها یا همکاری میان واحدها باشد، بازبینی ساختار از خرید یک ابزار دیگر مفیدتر خواهد بود. برای بررسی این موضوع، راهنمای مشاوره توسعه و تحول سازمانی می تواند به روشن شدن ابعاد مدیریتی تغییر کمک کند.

نقشه راه مدیران برای اجرای موفق هوش مصنوعی

مدیریت پروژه هوش مصنوعی باید از مسئله شروع شود و به سنجش نتیجه برسد. مسیر زیر یک چارچوب پیشنهادی است و زمان اجرای هر مرحله باید متناسب با اندازه سازمان، پیچیدگی فرایند و حساسیت داده تعیین شود.

برای جلوگیری از تبدیل شدن پروژه به یک فعالیت مستقل و جدا از اهداف کلان، لازم است خروجی آن به شاخص های عملکرد و برنامه های اجرایی سازمان متصل شود. این ارتباط در مقاله جاری سازی استراتژی از سطح مدیریت تا تیم های اجرایی تشریح شده است.

چطور هزینه و بازگشت سرمایه پروژه هوش مصنوعی را بسنجیم؟

مدیران برای تصمیم درباره ادامه یا توقف یک پروژه به محاسبه اقتصادی نیاز دارند. این محاسبه باید هزینه واقعی استقرار را در برابر منافع قابل انتساب به پروژه قرار دهد؛ نه صرفا تعداد ساعات صرفه جویی شده را.

فرض کنید یک پروژه در سال نخست ۸۰۰ میلیون تومان هزینه دارد و صرفه جویی و منافع اقتصادی قابل اثبات آن به یک میلیارد تومان می رسد. در این حالت بازگشت سرمایه برابر ۲۵ درصد خواهد بود. این یک مثال فرضی است و مالیات، ارزش زمانی پول و هزینه های احتمالی آتی در آن لحاظ نشده اند.

نکته مهم در محاسبه منافع، جلوگیری از شمارش دوباره یک اثر است. اگر کاهش زمان انجام کار در قالب کاهش هزینه نیروی انسانی ثبت شده، نباید همان ساعات دوباره به عنوان منفعت مستقل محاسبه شوند؛ مگر اینکه ارزش اقتصادی اضافی و قابل اثباتی ایجاد کرده باشند.

چه شاخص هایی را اندازه گیری کنیم؟

انتخاب شاخص باید از مسئله تجاری شروع شود. برای پروژه پردازش فاکتور، نرخ خطا و هزینه هر سند اهمیت زیادی دارند؛ در حالی که برای تحلیل فروش، دقت پیش بینی و تاثیر آن بر تصمیم های تامین یا بودجه می تواند مهم تر باشد.

چک لیست آمادگی سازمان برای پذیرش هوش مصنوعی

این ابزار خودارزیابی برای غربالگری اولیه طراحی شده و یک استاندارد رسمی بلوغ هوش مصنوعی نیست. به هر سوال از صفر تا دو امتیاز بدهید: صفر برای وضعیت نامشخص یا فقدان سازوکار، یک برای وضعیت ناقص و دو برای شرایط قابل اتکا و مستند.

تفسیر امتیاز آمادگی

این بازه های امتیازی پیشنهادی هستند و به تنهایی مجوز شروع پروژه محسوب نمی شوند. ممکن است سازمانی امتیاز بالایی داشته باشد، اما به دلیل ضعف شدید امنیت اطلاعات یا نبود مبنای قانونی پردازش داده، هنوز برای اجرای یک کاربرد حساس آماده نباشد.

مهم تر از امتیاز نهایی، شناسایی معیارهایی است که پاسخ آنها میان مدیران متفاوت است. اختلاف برداشت درباره هدف، مالک پروژه یا کیفیت داده می تواند نشانه یک شکاف مدیریتی جدی باشد.

سه اشتباهی که بهتر است قبل از سرمایه گذاری تکرار نکنید

اول، شروع همزمان چندین پروژه بدون اولویت بندی. سازمانی که هنوز تجربه مدیریت یک پروژه آزمایشی را ندارد، با اجرای همزمان ده کاربرد مختلف، منابع و توجه مدیران خود را پراکنده می کند. بهتر است ابتدا یک نمونه ارزشمند را به نتیجه برساند و سپس تجربه به دست آمده را گسترش دهد.

دوم، انتخاب تامین کننده صرفا بر اساس نمایش محصول. یک دمو موفق لزوما نشان نمی دهد ابزار با داده های واقعی، محدودیت های امنیتی و زیرساخت سازمان عملکرد مشابهی خواهد داشت. آزمون در شرایط عملیاتی واقعی ضرورت دارد.

سوم، حذف هزینه مدیریت تغییر از بودجه. حتی اگر سامانه به درستی کار کند، کارکنان برای تغییر عادت ها، بازطراحی وظایف و یادگیری روش جدید به زمان نیاز دارند. نادیده گرفتن این بخش می تواند پذیرش فناوری را کاهش دهد.

سوالات متداول درباره پیاده سازی هوش مصنوعی

جمع بندی؛ موفقیت هوش مصنوعی از مدیریت تغییر آغاز می شود

هوش مصنوعی می تواند توان تحلیلی سازمان را تقویت کند، سرعت اجرای فعالیت ها را افزایش دهد و فرصت های جدیدی برای بهبود عملکرد ایجاد کند. با این حال، موفقیت آن به کیفیت انتخاب های مدیریتی و آمادگی سازمان بستگی دارد.

داده معتبر، مسئله روشن، مسئولیت مشخص، مهارت کارکنان و نظام ارزیابی، اجزای مکمل یک پروژه موفق هستند. حذف هرکدام ممکن است سازمان را به سمت سرمایه گذاری پرهزینه و کم اثر سوق دهد.

برای مدیران، بهترین نقطه شروع خرید گسترده ابزار نیست؛ بلکه انتخاب یک مسئله مهم، تعریف نتیجه مورد انتظار و اجرای آزمایشی قابل سنجش است. پس از اثبات ارزش، می توان درباره گسترش فناوری تصمیم گرفت.

استراتوس وایز با تمرکز بر مسائل استراتژیک و توسعه سازمانی، بر پیوند میان انتخاب های مدیریتی، ساختار اجرا و سنجش عملکرد تاکید دارد؛ پیوندی که برای استفاده اثربخش از فناوری های نوین نیز ضروری است.