با وجود شتاب چشمگیر شرکتها در افزایش سرمایهگذاری روی هوش مصنوعی، دستیابی به بازدهی سازمانی همچنان هدفی دور از دسترس است. بر اساس گزارش رادار هوش مصنوعی بیسیجی در ژانویه ۲۰۲۶ که حاصل نظرسنجی از ۶۴۰ مدیرعامل در ۱۶ بازار است، پیشبینی میشود مخارج مرتبط با هوش مصنوعی در سال جاری با رشدی نزدیک به دو برابر، از ۰.۸ درصد به حدود ۱.۷ درصد از کل درآمد شرکتها برسد.
با اینحال، نظرسنجی جهانی مدیران عامل پیدبلیوسی در سال ۲۰۲۶ نشان میدهد فقط ۱۲ درصد میگویند همزمان از افزایش درآمد و کاهش هزینهها بهرهمند شدهاند.
در همین حال، تحلیل آوریل ۲۰۲۶ مؤسسه مککینزی کوانتومبلک نشان میدهد ۶۰ درصد سازمانها هنوز هیچ اثری از هوش مصنوعی بر سود در سطح کل سازمان نمیبینند؛ حتی با اینکه تقریباً هشت سازمان از هر ۱۰ سازمان از هوش مصنوعی مولد در دستکم یک حوزه کسبوکار استفاده میکنند.
این نوع شکاف میان انتظارات از فناوری و بازدهی سرمایهگذاری روی آن، پدیده تازهای نیست.
در سال ۱۹۹۰، مایکل همر هشدار داد که شرکتهای باسابقه فرصتهای ناشی از فناوری اطلاعات را از دست میدهند؛ زیرا بهجای بازطراحی فرایندها برای بهرهگیری از قابلیتهای این فناوری، صرفا آن را بر ساختارهای پیشین اعمال میکنند.
سه دهه بعد، هشدار او همچنان بهاندازه گذشته جدی است.
ویویان لی، لیندا مانتیا و جان مکنیل در مقالهای تازه در هاروارد بیزنس ریویو، آنچه در ادامه رخ میدهد را مستند کردهاند: کسبوکارهای نوپایی که از ابتدا بر پایه هوش مصنوعی مولد بنیان نهاده شدهاند، زمان و سرمایه لازم برای ورود به بازار را به کمتر از نیاز شرکتهای باسابقه رساندهاند.
توصیه آنها به شرکتهای باسابقه مبنی بر بازطراحی معماری فرایندها پیش از اقدام به خودکارسازی، کاملا درست و بجاست؛ اما پرسش دشوارتر، چگونگی اجرای آن است.
توصیه اساسی این است که بهجای وظایف فردی، گردشکار مبنای بازطراحی قرار گیرد. بر پایه این رویکرد، مدیران باید درباره سه موضوع تصمیم بگیرند: چه مواردی نیازمند تغییر است؟ اختیار و مسئولیت انسانی در کجا باید پابرجا بماند؟ و هنگام بروز خطا یا نااطمینانیِ مدل، فرایند کاری چگونه باید واکنش نشان دهد؟
این نشریه چارچوب مدنظر را طی سه سال گذشته با دهها شرکت و صدها شرکتکننده دورههای آموزش مدیران در مؤسسات خود ایجاد و اصلاح کرده و از آنها خواسته این رویکرد را روی فرایندهای داخل شرکتهایشان اجرا کنند و نتایج را مستند سازند.
گردشکار را بازطراحی کنید، نه وظیفه را
شرکت دیلویت استرالیا در سال ۲۰۲۵ پذیرفت بخشی از دستمزد دریافتی خود را به دولت استرالیا بازگرداند؛ این اقدام پس از آن صورت گرفت که مشخص شد گزارش ارائهشده به وزارت اشتغال و روابط محل کار، حاوی ارجاعات جعلی، مقالات دانشگاهی ناموجود و یک نقلقول حقوقی ساختگی بوده است.
در نسخه اصلاحشده گزارش اعلام شد که در آمادهسازی آن از اوپنایآی استفاده شده است. درس ماجرا این نیست که شرکتهای خدمات حرفهای هرگز نباید از هوش مصنوعی مولد استفاده کنند. مسئله این است که شرکت، هوش مصنوعی مولد را بدون یک مرحله راستیآزماییِ بهاندازه کافی قدرتمند، وارد فرایندی کرده بود که به پاسخگویی بالایی نیاز داشت.
گزارش رسمی فقط متن نیست. گزارش رسمی، خروجی قابلمشاهده یک زنجیره شواهد است. ارزش آن در تولید سریعتر صفحات نیست؛ در ارائه یافتههایی قابلدفاع است که منابع قابلراستیآزمایی از آنها پشتیبانی کنند.
وقتی این نتیجه بهدرستی تعریف شود، الزام عملیاتی هم تغییر میکند: هوش مصنوعی میتواند پیشنویس تهیه کند، خلاصهسازی کند یا کاملبودن گزارش را بررسی کند؛ اما هر استناد حقوقی، ادعای تجربی و گزاره وابسته به منبع، پیش از رسمیشدن به یک مرحله راستیآزمایی نیاز دارد.
در سوی دیگر، شرکت ویفیر قرار دارد که در فهرست آن نزدیک به ۳۰ میلیون قلم کالا ثبت شده است؛ از این رو، هرگونه ناهمخوانی در مشخصات محصولات میتواند فرایندهای جستوجو، پیشنهاددهی، عرضه و چیدمان کالا و سازوکار مرجوعی را با اختلال مواجه کند.
ویفیر با همکاری اوپنایآی، مدلها را در کاتالوگ و پشتیبانی از تأمینکنندگان خود به کار گرفت، ۲.۵ میلیون برچسب محصول را اصلاح کرد و هر ماه ۴۱ هزار درخواست پشتیبانی تأمینکنندگان را خودکارسازی کرد.
هرچند این آمار ابعاد فرایند بازطراحی شده را نشان میدهد، اما بهتنهایی گویای ارزش تجاری آن نیست؛ چرا که این ارزش در نهایت باید با معیارهایی چون دقت کاتالوگ، کارایی جستوجوی مشتریان، نرخ تبدیل، کیفیت رسیدگی به مشکلات تامینکنندگان و حجم کالاهای مرجوعی سنجیده شود.
موضوع کلیدی نه انتخاب ارائهدهنده فناوری، بلکه بازطراحی فرایند عملیاتی توسط شرکت ویفیر است؛ رویکردی که مواردی چون برچسبگذاری، استخراج ویژگیها، تعیین آستانههای اطمینان، ارجاع دادههای کماطمینان به نیروی انسانی یا تامینکننده برای بازبینی و فراهم ساختن امکان یادگیری سیستم بر پایه این اصلاحات را شامل میشود.
تفاوت دیلویت و ویفیر درباره این نیست که چه کسی از هوش مصنوعی استفاده کرد و چه کسی نکرد. هر دو از هوش مصنوعی استفاده کردند. تفاوت در شکل استفاده است.
درس ساده است: گردشکار را بازطراحی کنید، نه فقط وظیفه را.
خودکارسازی یک وظیفه بدون بازطراحی گردش کار پیرامون آن، معمولا شرکتها را با چهار نوع شکستِ پیشبینیپذیر مواجه میکند:
۱.شتاببخشی باید در خدمت خلق ارزش باشد، نه صرفا انجام سریعتر وظایف. در مورد دیلویت، هرچند تسریع در تدوین پیشنویس گزارش کار آسانی بود، اما ارزش و خروجیِ واقعی از راستیآزمایی منابع به دست میآمد. از این رو، گزارشی که سریعتر آماده شود اما زنجیره شواهد را تضعیف کند، به جای آنکه دستاوردی در بهرهوری باشد، شکستی کیفی محسوب میشود که نتیجهای جز بازپرداخت وجه نخواهد داشت.
۲.نادیدهگرفتن پیامدهای ناخواسته دشوار بود: خلاصهسازی اعلانهای خبری اپل در سال ۲۰۲۵ در آغاز قابلیتی ساده به نظر میرسید، تا اینکه خلاصههای نادرستی از اخبار حساس با نام تجاری ناشران منتشر شد. چالش اصلی در عرضه این سرویس، صرفا خلاصهسازی با هوش مصنوعی نبود؛ بلکه مسئله نحوه برخورد در شرایطی بود که مدل از درستی خروجی اطمینان ندارد، خبر حساس است یا اصلاح اشتباه بیش از سکوت خسارت به بار میآورد.
۳.در صورت نادیدهگرفتن فرایند سرتاسری، هرچند ابزارهای کدنویسی حجم کدهای تولیدشده را بهطور چشمگیری افزایش میدهند، اما همزمان گلوگاه کاری را به مراحلی مانند بازبینی کد، آزمون یکپارچهسازی، بررسی امنیتی یا استقرار منتقل میکنند.
پرسش فقط این نیست که آیا عامل هوش مصنوعی میتواند کد بنویسد یا نه. پرسش این است که آیا گردشکار پیرامون آن میتواند خروجی تولیدشده را جذب، راستیآزمایی، یکپارچه و با ایمنی مستقر کند یا نه.
۴. بهینهسازی معیارهای نادرست میتواند گمراهکننده باشد؛ یک کارشناس خدمات مشتریان میتواند با پایاندادن سریع به مکالمات و حلنشده رها کردن مشکلات اساسی، آمار مختومهشدن پروندهها را بالا ببرد، در حالی که این اقدام تنها موجب افزایش تماسهای تکراری میشود.
معیارهای وسوسهکننده برای عوامل هوش مصنوعی اغلب معیارهای مربوط به حجم عملیات هستند: تعداد درخواستهای بسته شده، کد تولید شده، گزارشهای پیشنویسشده و دفعات انتقال کاری که حذف شدهاند.
اگر یک پروژه آزمایشی نتواند مشخص کند چه کنترلها و ضوابط ایمنی باعث میشوند شاخص کلیدی عملکرد اصلی آن ایمن باشد، برای گسترش مقیاس آماده نیست.