پژوهش هاروارد بیزنس ریویو نشان می‌دهد هراس مدیران از تغییر ساختار و قیمت‌گذاری، مانع اصلی پیاده‌سازی راهبردهای هوش مصنوعی است.
بسیاری از شرکت‌ها وقتی در سازگارشدن با هوش مصنوعی شکست می‌خورند، کارکنان را مقصر می‌دانند؛ اما بررسی سه‌ساله روی ۱۱ شرکت خدمات فناوری اطلاعات در اروپا نشان می‌دهد مانع اصلی، اغلب خود مدیران هستند.
مقاله‌ای تازه در هاروارد بیزنس ریویو می گوید مدیران در گفت‌وگوهای خصوصی معمولاً به‌خوبی می‌دانند هوش مصنوعی چه تغییراتی را ضروری کرده؛ اما در جلسات گروهی، از دفاع علنی از این تغییرات عقب می‌نشینند، چون اجرای آن‌ها می‌تواند قیمت‌گذاری، ساختار نیروی انسانی و جایگاه خودشان را تحت تأثیر قرار دهد.
این فاصله میان آگاهی فردی و تصمیم جمعی، «سرگردانی مدیریتی در مواجهه با هوش مصنوعی» نامیده می‌شود. در این وضعیت، هیچ‌کس آشکارا با هوش مصنوعی مخالفت نمی‌کند؛ اما تیم مدیریتی هم تصمیم مهمی درباره آن نمی‌گیرد.
در نتیجه، روایت‌های آرامش‌بخش جای راهبرد واقعی را می‌گیرند.
بر اساس دیدگاه نخست، «مشتریان هنوز اهمیتی نمی‌دهند»، زیرا تاکنون خواستار کاهش هزینه‌ها یا ارتقای سطح خدمات نشده‌اند.
دیدگاه دوم با تکیه بر این فرض که «پیش‌تر نیز چنین تغییراتی را دیده‌ایم»، هوش مصنوعی را هم‌رده پدیده‌هایی مانند اینترنت یا ماشین‌حساب در نظر می‌گیرد.
دیدگاه سوم نیز با شعار «واگذاری مسیر به خود کارکنان»، تدوین راهبرد در شرکت را کنار می‌گذارد و تصمیم‌گیری را به آزمایش‌های پراکنده نیروها واگذار می‌کند.
بررسی جلسات مدیریتی نشان داد حتی داده‌های واقعی هم به‌تنهایی نمی‌توانند این سکون را از بین ببرند. مدیران ممکن است با دیدن آمار بهره‌وری، متوجه ابعاد تغییر شوند، اما باز هم از تصمیم‌گیری نهایی خودداری کنند. بنابراین مسئله فقط برگزاری جلسه بهتر نیست؛ بلکه باید فرد یا گروهی مسئول نگه‌داشتن پرسش‌های دشوار در مرکز بحث باشد.
در گام نخست پیشنهاد می‌شود که سازمان‌ها به آمارهای واقعی درون مجموعه خود تکیه کنند و مدیران صرفا بر ارقام ارائه‌شده از سوی سازندگان نرم‌افزار یا گزارش‌های رسانه‌ای متکی نباشند.
بر این اساس، هر شرکت باید اثرگذاری هوش مصنوعی را در دو یا سه بخش از خدمات خود ارزیابی کند. برای مثال، افزایش ۵ تا ۷ درصدی بهره‌وریِ واقعی، هرچند بسیار کمتر از ادعاهای تبلیغاتی است، اما به دلیل انطباق با واقعیت درونی سازمان نمی‌توان آن را نادیده گرفت.
دستیابی به چنین داده‌هایی، تمرکز بحث را از پرسش درباره اصلِ اثرگذاری هوش مصنوعی، به میزان این تغییر و نحوه بهره‌برداری از آن معطوف می‌کند.
اقدام دوم، عبور از تجارب آرامش‌بخش گذشته است. شرکت‌ها نباید صرفا نجات کسب‌وکارهای مشابه از تحولات پیشین را ملاک قرار دهند؛ بلکه بهتر است شیوه تغییر قیمت‌گذاری، استخدام و جایگاه رقابتی همتایان امروزی خود را بررسی کنند. پیشینه تاریخی باید ابزاری برای درک و تجسم آینده باشد، نه دلیلی برای کم‌اهمیت جلوه دادن خطرات آن.
سومین پیشنهاد، تعیین تاریخ انقضا برای راه‌حل‌های سریع و طرح‌های آزمایشی است. هر برنامه هوش مصنوعی باید به یک پرسش راهبردی مشخص، مانند تغییر قیمت‌گذاری یا مدل استخدام، مرتبط باشد و تاریخ بازبینی داشته باشد.
اگر یک برنامه آزمایشی فقط باعث شود شرکت همان کار قبلی را سریع‌تر انجام دهد، اما درباره قیمت، ارزش افزوده یا مدل کسب‌وکار تصمیمی ایجاد نکند، به جای راهبرد، به بخشی از سرگردانی تبدیل شده است.
در نهایت، شرکت باید فردی را با مسئولیتی رسمی تعیین کند تا پرسش‌های نادیده گرفته‌شده را مطرح کند، داده‌های داخلی و حرکت رقبا را به جلسه بیاورد و اجازه ندهد تیم مدیریتی به‌سادگی از کنار آن‌ها بگذرد. گذاشتن داده‌های واقعی روی میز ضروری است، اما کافی نیست؛ آنچه تصمیم‌گیری را ممکن می‌کند، حضور فردی است که مسئول زنده نگه‌داشتن پرسش‌های سخت باشد.
