رویکردی نظام‌مند به آزمایشگری با هوش مصنوعی مولد

پس از آنکه هوش مصنوعی مولد صنعت نرم‌افزار را به‌سرعت دگرگون کرد، اکنون در حال ورود به طیف گسترده‌ای از صنایع از جمله صنایع تولیدی است؛ جایی که به مدیریت عدم قطعیت و پشتیبانی از تصمیم‌گیری بلادرنگ کمک می‌کند.

از کف کارخانه تا پشت میز مدیریت

توانایی هوش مصنوعی مولد در کدگذاری، خودکارسازی و توزیع دانش سازمانی می‌تواند در نهایت ساختارهای کاری را از کف کارخانه تا سطح مدیریت ارشد دگرگون کند. همین حالا نیز برخی شرکت‌ها از آن برای تحلیل سیل اطلاعات تولیدشده در کارخانه‌ها و پیش‌بینی مشکلات، شبیه‌سازی سناریوهای پیچیده و بهینه‌سازی فرایندها در زمان واقعی استفاده می‌کنند. با کار روی دامنه‌ای وسیع از داده‌های صنعت تولید از راهنماهای نگهداشت و کدهای اتوماسیون ماشین‌ها گرفته تا دیاگرام‌های پیچیده، نقشه‌های سه‌بعدی و داده‌های فرایندی، هوش مصنوعی مولد این پتانسیل را دارد که شیوه‌های تازه‌ای برای همکاری میان انسان و ماشین ایجاد کند.

اما چه کسانی از این تغییرات منتفع خواهند شد و با چه سرعتی؟ پاسخ به این پرسش ساده نیست. همانند برق و ماشین چاپ، هوش مصنوعی مولد یک فناوری همه‌منظوره است؛ فناوری‌ای که بنا بر آموزه‌های تاریخ، پذیرش آن به‌ندرت مسیر همواری دارد. مدیران اغلب در شناسایی ظرفیت‌های اقتصادی واقعی فناوری‌های نو ناکام می‌مانند و در سازمان‌دهی مجدد وظایف، مهارت‌ها و جریان‌های کاری متناسب با آن‌ها با چالش روبه‌رو می‌شوند. در نتیجه، دستاوردهای عملکردی معمولاً از انتشار فناوری عقب می‌مانند و پدیده‌ای شکل می‌گیرد که به «منحنی J بهره‌وری» (Productivity J Curve) معروف است. این نمودار نشان‌دهنده افت اولیه بهره‌وری در دوره سازگاری سازمان با فناوری جدید و سپس رشد پایدار پس از آن که سرمایه‌گذاری‌های مکمل به بار می‌نشینند، است. داده‌های اخیر درباره هوش مصنوعی مولد نیز با همین الگو سازگار است. برای نمونه، یک نظرسنجی از McKinsey در سال ۲۰۲۵ نشان داد که اگرچه بسیاری از شرکت‌ها به‌سرعت هوش مصنوعی مولد را پذیرفته‌اند، اما بیش از ۸۰ درصد شرکت‌کنندگان در نظرسنجی گزارش کرده‌اند که این فناوری هنوز تأثیر معناداری بر سودآوری آن‌ها نداشته است.

دوراهی مدیریتی

ازآنجایی‌که روشن نیست شرکت‌ها دقیقاً چگونه هوش مصنوعی مولد را خواهند پذیرفت، مدیران با یک دوراهی راهبردی مواجه‌اند: صبر کنند تا شفافیت بیشتری ایجاد شود و خطر عقب‌ماندن را بپذیرند؟ یا خیلی زود اقدام کنند و در کاربردهایی سرمایه‌گذاری کنند که ارزش‌آفرین نیستند؟

برای حل این تنش، مدیران باید به پذیرش هوش مصنوعی مولد نه به‌عنوان یک تصمیم واحد، بلکه به‌مثابه سبدی از آزمایش‌های سازمانی بیندیشند. همانند آزمون‌های A/B در توسعه محصولات دیجیتال، این آزمایش‌ها باید در پی جداسازی اثرات علّی باشند؛ یعنی فقط بر اینکه آیا هوش مصنوعی مولد کار می‌کند یا نه تمرکز نکنند، بلکه بر اینکه چگونه کار می‌کند، برای چه کسانی و تحت چه شرایطی متمرکز شوند. با آزمودن کاربردهای هوش مصنوعی مولد پیش از مقیاس‌دادن آن‌ها، مدیران می‌توانند ریسک را کاهش دهند، راهبردهای خود را پالایش کنند و شتاب درون‌سازمانی لازم برای تغییر را افزایش دهند. کارشناسان مدت‌هاست از این رویکرد دفاع می‌کنند، اما بسیاری از شرکت‌ها در اجرای آن دچار مشکل هستند. ازاین‌رو، آزمایشگری همچنان در بسیاری از سازمان‌ها رویه‌ای نسبتاً نو به شمار می‌رود که چنین دیدگاهی می‌بایست تغییر کند. آزمایشگری به شرکت‌ها امکان می‌دهد عدم قطعیت پیرامون هوش مصنوعی مولد را به یک مزیت راهبردی بدل کنند، به آن‌ها کمک می‌کند مرحله پذیرش خود را موفق‌تر از رقبا طی کنند و دانشی که از رهگذر آزمایش‌ها تولید می‌شود می‌تواند برای تقویت روابط موجود یا ایجاد روابط تازه در زیست‌بوم به کار رود. در گزارش حاضر از نسخه January–February 2026 از نشریه Harvard Business Review توضیح می‌دهیم شرکت‌ها چگونه از طریق آزمایشگری، هم درون سازمان خود و هم در سراسر اکوسیستم‌ها، در پذیرش هوش مصنوعی مولد بهتر عمل می‌کنند. سازمان‌های نرم‌افزاری پیشگام این مسیر بوده‌اند، اما برخی شرکت‌ها از جمله زیمنس، در حال اجرای موفق آن در جهان فیزیکی تولید نیز هستند.

چالش پذیرش

با وجود وعده‌های بزرگ هوش مصنوعی مولد، بسیاری از سازمان‌ها هنوز آن را به طور کامل نپذیرفته‌اند. یکی از دلایل این تردید آن است که ابزارهای هوش مصنوعی مولد دچار «توهم» می‌شوند و نتایج غیرقابل‌اتکا تولید می‌کنند؛ مسئله‌ای که استفاده از آن‌ها را در موقعیت‌های پرریسک دشوار می‌کند. اما به گفته کارشناسان مختلف، دلیل بنیادین‌تر این است که پتانسیل اقتصادی واقعی هوش مصنوعی مولد در خلق نظام‌های کاملاً جدید ارزش نهفته است؛ نظام‌هایی که شناسایی آن‌ها برای سازمان‌ها دشوار است؛ چه رسد به پیگیری. برای قیاس تاریخی، به برق بیندیشید. به گفته «پل دیوید» تاریخ‌نگار اقتصادی فقید، کارخانه‌های تولیدی نزدیک به ۴۰ سال زمان برد تا خود را با این فناوری سازگار کنند و حول آن بهینه شوند.

ادغام هوش مصنوعی مولد در سطح سازمانی مستلزم آن است که شرکت‌ها با دقت تعیین کنند چگونه آن را با فرایندها، روال‌ها و تیم‌های موجود یکپارچه کنند. در تولید، این چالش حتی بزرگ‌تر است؛ زیرا نیاز به عملکرد بالا، قابلیت اتکا، امنیت و یکپارچگی روان با نیروی انسانی بسیار پررنگ است. از این منظر، کندی پذیرشِ موفق چندان هم غافلگیرکننده نیست. این کندی بازتاب چالشی بزرگ‌تر یعنی استفاده کاربردی و مفید از هوش مصنوعی مولد در سطح سازمان، نه صرفاً شگفت‌انگیز جلوه‌دادن آن از نظر فنی است. اینجاست که آزمایش‌های سازمانی می‌توانند کمک‌کننده باشند.

موتورهای یادگیری و سازگاری

ماهیت یک آزمایش سازمانی در واقع کاربردی از روش علمی است. در یک محیط کاری واقعی، گروه مداخله (برای مثال کارکنان یا تیم‌هایی که از یک سامانه جدید هوش مصنوعی استفاده می‌کنند) و گروه کنترل (کسانی که طبق روال معمول و بدون سامانه جدید کار می‌کنند) تعریف می‌شود. آزمایش بر مبنای یک طرح پژوهشی مشخص با آغاز از یک فرضیه روشن و آزمون‌پذیر طراحی می‌شود و ممکن است برای دوره‌ای طولانی (هفته‌ها یا ماه‌ها) اجرا شود تا هم اثرات اولیه و هم اثرات پایدار را ثبت کند. داده‌ها درباره شاخص‌های کلیدی عملکرد (KPI) گردآوری و گاه با بازخوردهای کیفی مشارکت‌کنندگان تکمیل می‌شوند. تخصیص تصادفی یا کنترل‌های دیگر برای تضمین هم‌ارزی میان گروه‌ها به کار می‌رود.

برای جداسازی اثر یک ابزار هوش مصنوعی بر عملکرد، یک شرکت می‌تواند آن را به طور تصادفی تنها برای نیمی از کارکنان فعال کند. برای نمونه، گیت‌هاب و گوگل آزمایش‌های کنترل‌شده‌ای انجام دادند که در آن توسعه‌دهندگان به‌صورت تصادفی به دو گروه کدنویسی دستی یا استفاده از دستیارهای هوش مصنوعی تقسیم شدند. کسانی که از دستیارهای هوش مصنوعی استفاده کردند، وظایف کدنویسی خود را ۲۱ تا ۵۵ درصد سریع‌تر به پایان رساندند و نرخ تکمیل اندکی بالاتری نسبت به کدنویسان دستی داشتند. همچنین احساس رضایت شغلی بیشتری گزارش کردند و فشار ذهنی کمتری را تجربه کردند. این نتایج که نشان می‌دهد دستیارهای هوش مصنوعی می‌توانند فرایند توسعه را تسریع کنند و رفاه شغلی را بهبود بخشند؛ حاکی از آن است که هوش مصنوعی نه‌تنها عملکرد کارکنان را افزایش می‌دهد، بلکه می‌تواند تجربه کاری آن‌ها را نیز بهبود دهد.

وقتی تصادفی‌سازی دشوار است، برخی شرکت‌ها از پیاده‌سازی مرحله‌ای استفاده می‌کنند؛ یعنی مداخله را در طول زمان برای تیم‌های مختلف فعال می‌کنند تا گروه‌های کنترل طبیعی شکل بگیرد. در یکی از این آزمایش‌ها، یک شرکت Fortune 500 که در توسعه نرم‌افزارهای فرایندهای کسب‌وکار برای شرکت‌های کوچک و متوسط تخصص دارد، استقرار یک دستیار هوش مصنوعی مولد را برای بیش از ۵۰۰۰ کارشناس پشتیبانی مشتری به‌صورت مرحله‌ای انجام داد و عملکرد کسانی که به ابزار دسترسی داشتند را با کسانی که دسترسی نداشتند، مقایسه کرد. نتایج نشان داد بهره‌وری کاربران ابزار به‌طورکلی حدود ۱۴ درصد افزایش یافت و برای کارشناسان کم‌تجربه‌تر این افزایش به ۳۴ درصد رسید. امتیازهای احساس مشتری و نرخ حفظ مشتری نیز افزایش یافت. همین نتایج شرکت را به مقیاس‌دادن ابزار در سراسر سازمان ترغیب کرد.

رویکرد دیگر، ایجاد «آزمایشگاه در محیط» است؛ یعنی محیطی کنترل‌شده که در آن تعامل با فناوری جدید مشاهده می‌شود. برای مثال، در یک آزمایش اخیر در Procter & Gamble، تعداد ۷۷۶ توسعه‌دهنده محصول به طور تصادفی با استفاده از ابزارهای هوش مصنوعی یا بدون استفاده از آن و به‌صورت فردی یا دونفره در یک هکاتون نوآوری شرکت کردند (یکی از نویسندگان این گزارش نیز در اجرای این آزمایش مشارکت داشت). به طور میانگین، کاربران فردی که از هوش مصنوعی استفاده می‌کردند به همان اندازه تیم‌های بدون هوش مصنوعی عملکرد داشتند و هم افراد و هم تیم‌هایی که از هوش مصنوعی استفاده کردند در تلفیق ایده‌های فنی و تجاری موفق‌تر بودند. P&G نتیجه گرفت که استفاده از هوش مصنوعی مولد می‌تواند تفکر ساختاری را کاهش دهد و شاید امکان شکل‌گیری تیم‌های میان‌وظیفه‌ای کوچک‌تر را فراهم کند.

اگرچه آزمایش‌های سازمانی شباهت‌هایی با پایلوت‌های سنتی فناوری و آزمون‌های A/B دارند، اما تفاوت‌های بنیادینی نیز وجود دارد. پایلوت‌ها معمولاً آزمون‌هایی غیررسمی هستند که با تیم‌های گزینش‌شده و بازخوردهای آن‌ها انجام می‌شوند و تصمیم به مقیاس‌دادن آن‌ها اغلب بر اساس اشتیاق است نه شواهد. پایلوت‌ها فاقد فرضیه‌های روشن و گروه‌های کنترل هستند و بنابراین توان محدودی برای تولید بینش‌های تعمیم‌پذیر دارند. آزمون‌های A/B نیز برای ریزتنظیم مثلاً انتخاب ویژگی‌های دیجیتال یک محصول جدید مناسب استن، اما به‌ندرت اثرات گسترده تغییرات بر هماهنگی، جریان کار یا تجربه افراد را ثبت می‌کنند. اما آزمایش‌های سازمانی از هر دو این‌ها فراتر می‌روند؛ آن‌ها اثر واقعی در دنیای واقعی را می‌سنجند و مشخص می‌کنند که آیا هوش مصنوعی مولد کار می‌کند و نیز چگونه، برای چه کسانی و تحت چه شرایطی. این آزمایش‌ها موتورهای یادگیری و سازگاری راهبردی هستند.

آزمایش‌های سازمانی هوش مصنوعی مولد اگر به‌درستی اجرا شوند، می‌توانند مجموعه‌ای از مزایا را به همراه داشته باشند از جمله

• بینش‌های علّیآزمایش‌ها به تفکیک همبستگی از علیت کمک می‌کنند که موضوعی حیاتی است. بدون طراحی آزمایشی که این تمایز را روشن کند، سازمان‌ها نمی‌توانند تشخیص دهند افزایش بهره‌وری ناشی از هوش مصنوعی مولد است یا مثلاً از سوی پذیرندگان اولیه فناوری که غالباً ماهرتر یا باانگیزه‌تر از متوسط سازمانی هستند.
• جزئی‌نگریآزمایش‌ها می‌توانند نشان دهند هوش مصنوعی مولد چگونه بر انواع مختلف کارکنان یا واحدها اثرات متفاوت می‌گذارد. این امر حیاتی است، زیرا اثربخشی هوش مصنوعی مولد به‌شدت به بافت بستگی دارد؛ از وظیفه مشخص، سطح مهارت کاربر و یکپارچگی با جریان کار گرفته تا فرهنگ سازمان. آنچه برای یک تیم، عالی عمل می‌کند، ممکن است برای تیمی دیگر یک شکست کامل باشد. به‌عنوان‌مثال، شواهد اخیر نشان می‌دهد که دستیارهای هوش مصنوعی مولد در حوزه خدمات مشتری برای کارکنان کم‌تجربه مزایای بزرگی دارند، اما برای کارکنان باتجربه‌تر اثرات تقریباً نامحسوسی ایجاد می‌کنند. چنین شواهدی به مدیران بینش‌های ارزشمندی نه‌تنها درباره اثر هوش مصنوعی مولد در سازمان، بلکه درباره سرمایه‌گذاری‌های لازم برای تحقق آن اثر مثلاً در استقرار ابزارهای جدید در جاهایی که بیشترین بهبود را ایجاد می‌کنند، می‌دهد.
• کاهش ریسکآزمایش‌ها به مدیران کمک می‌کنند موانع احتمالی پیاده‌سازی را پیش از اجرای سراسری شناسایی کنند. «جان اِی. لیست» اقتصاددان در کتاب «The Voltage Effect» این ایده را بسط می‌دهد و نشان می‌دهد آزمایشگری می‌تواند چندین مزیت را هم‌زمان محقق کند. مزیت‌های مانند
  • جلوگیری از مثبت‌های کاذب (اطمینان از اینکه نتایج مثبت اولیه صرفاً تصادفی نیستند)
  • درک مخاطب (کاهش ریسک این که ایده‌ای که برای یک گروه بسیار مؤثر است، برای جمعیتی گسترده‌تر جواب ندهد)
  • سنجش مقیاس‌پذیری اجزا (اطمینان از این که موفقیت ایده وابسته به یک فرد خاص مثلاً یک چهره مشهور نیست، بلکه بر فرایند یا محصولی قابل‌تکرار متکی است)
  • توجه به پیامدهای ناخواسته (پرهیز از اثرات پیش‌بینی‌نشده مقیاس‌پذیری که ایده اصلی را تضعیف می‌کند)
  • مدیریت هزینه‌ها (ارزیابی اینکه هزینه‌های ایده با رشد آن پایدار می‌ماند یا نه).

مدیریت هزینه‌ها برای هوش مصنوعی مولد اهمیت بیشتری دارد؛ زیرا پذیرش آن مستلزم سرمایه‌گذاری‌های قابل‌توجه در فناوری، نیروی انسانی و فرایندهای سازمانی است.

• یادگیری راهبردیمدیران می‌توانند با آغاز فرایند کشف مبتنی بر آزمایش‌های کوچک و فرضیه‌های آزمون‌پذیر، از فلج تصمیم‌گیری ناشی از عدم قطعیت عبور کنند. طراحی آزمایش‌ها مدیران را وادار می‌کند بر پرسش‌های راهبردی تمرکز کنند و چارچوبی ساختارمند برای اندیشیدن به مسائل بسازند. هنگامی که زیمنس آزمایشگری سازمانی خود را آغاز کرد، ابتدا فرضیه‌هایی را تعریف کرد تا اثر هوش مصنوعی مولد بر بهره‌وری و رفاه کارکنان را بسنجد. تمرکز بر فرضیه‌های مشخص به تعریف بسیار شفاف‌تری از شاخص‌هایی انجامید که باید در طول آزمایش گردآوری می‌شدند: از تغییرات رفتاری (مانند زمان حل مسئله) و نگرشی (مانند سطح رضایت شغلی) گرفته تا پیامدهای نهایی بهره‌وری در کف کارخانه. پایبندی به روش علمی همچنین شفافیت بیشتری درباره اثرات اولیه و ثانویه هوش مصنوعی مولد در تولید فراهم کرد؛ برای مثال اینکه آیا این فناوری، وابستگی کارکنان به مهندسان خبره را کاهش می‌دهد یا نه. در مجموع، این فرایند به زیمنس کمک کرد مسیر گذار از پذیرش فناوری به خلق ارزش را به‌مراتب غنی‌تر و دقیق‌تر از یک عرضه عمومی محصول درک کند.

آزمایشگری در سطح اکوسیستم

آزمایشگری با هوش مصنوعی مولد فقط به نفع پذیرندگان بالقوه نیست. نوآوران می‌توانند حتی بهره‌وری بیشتری کسب کنند. آن‌ها می‌توانند از بینش‌های به‌دست‌آمده برای کمک به خریداران بالقوه استفاده کنند تا بفهمند کدام موارد کاربردی واقعاً برایشان اهمیت دارد یا چه چالش‌هایی ممکن است مانع ادغام فناوری در فرایندهای موجود شود. برخی نوآوران با پایگاه‌های کاربری بزرگ، آزمایشگری پیرامون کاربردهای جدید هوش مصنوعی مولد را خارج از سازمان خود برای مثال، در همکاری با خریداران فعلی یا بالقوه مدیریت می‌کنند. در این موارد، نوآوران آزمایشگری اکوسیستمی را هماهنگ می‌کنند.

برای نمونه، مایکروسافت با تیمی از دانشگاهیان همکاری کرد تا پذیرش Copilot را در میان بیش از ۷۰۰۰ کارمند در ۶۶ شرکت بررسی کند. تیم پژوهشی یک آزمایش ساختارمند اجرا کرد که طی آن اجازه استفاده از Copilot به گروه هدفی از کارکنان داده شد و سپس تغییرات رفتار ایمیلی و جلسات آن‌ها ردیابی و با کارکنانی در نقش‌های مشابه که به Copilot دسترسی نداشتند مقایسه شد. پژوهش نشان داد کاربران Copilot هفته‌ای ۱.۳ تا ۳.۶ ساعت زمان کمتری صرف نوشتن ایمیل می‌کنند و اسناد را سریع‌تر پیش‌نویس می‌کنند، اما رفتارشان در جلسات تغییر محسوسی نداشت. همچنین مشخص شد ارائه آموزش و استقرار برنامه مدیریت تغییر برای پذیرش کلیدی است. باتوجه‌به کیفیت و مقیاس بالای آزمایش، این یافته‌ها احتمالاً مسیر آتی مایکروسافت در توسعه Copilot را شکل خواهد داد.

به طور مشابه، پلتفرم نرم‌افزاری Grab در حال همکاری با تیمی از مدرسه کسب‌وکار هاروارد و INSEAD است تا اثر یک دستیار هوش مصنوعی را بر بیش از یک میلیون کارآفرین در ۶ کشور بررسی کند. مقیاس این آزمایش به Grab اجازه می‌دهد با دقت ببیند هوش مصنوعی مولد در کدام وظایف بیشترین کمک را می‌کند و انواع مختلف کسب‌وکارها در پلتفرم شرکت، در عمل چگونه از آن استفاده می‌کنند. این داده‌ها به توسعه‌دهندگان محصول Grab امکان می‌دهد طراحی، استقرار و آزمایش هوش مصنوعی را به طور پیوسته بهبود دهند.

هوش مصنوعی در کف کارخانه

شرکت‌های نرم‌افزاری تنها ذی‌نفعان آزمایشگری اکوسیستمی با هوش مصنوعی نیستند. زیمنس با همکاری چندین مشتری، آنچه را «دستیار مبتنی بر هوش مصنوعی مولد در کف کارخانه» می‌نامد ایجاد کرده است؛ ابزاری که به کارگران کارخانه در نگهداشت و تعمیر ماشین‌آلات صنعتی کمک می‌کند. این دستیار دسترسی فوری به اطلاعات ماشین‌ها و ابزارآلات در اسناد ایستا و داده‌های پویای ماشین را از طریق یک رابط گفت‌وگویی شهودی فراهم می‌کند. زیمنس نسخه‌ای اولیه از ابزار را برای کاربران هدف منتشر کرد تا بفهمند چگونه آن را در کار روزمره خود ادغام کنند. مشتریان از سازندگان ماشین تا کاربران نهایی، این MVP را در زمینه‌های عملیاتی متنوع و در طی مجموعه‌ای از آزمایش‌های اکتشافی برای کشف بینش‌های فنی، سازمانی و تجاری آزمودند. این آزمایش‌ها به زیمنس کمک کرد محصول خود را بهبود دهد و پالایش کند (برای مثال، کیفیت پاسخ‌ها به پرسش‌های مختلف را بنچمارک کرد تا سبک‌های پرامپت مؤثرتر را بیابد و مشخص کند کدام بخش‌های راهنماها نیاز به بهبود دارند). مشتریان نیز این رویکرد را پذیرفتند و آن را فرصتی دیدند برای آغاز استفاده از چنین ابزاری و ایجاد آمادگی برای استفاده حداکثری از قابلیت‌های نسخه‌های قدرتمندتر آینده.

زیمنس نخستین آزمون دستیار هوش مصنوعی مولد کف کارخانه را در سال ۲۰۲۴ در کارخانه آزمایشی خود در ارلانگن آلمان اجرا کرد (تمام نویسندگان این مقاله در این آزمون مشارکت داشتند). تکنسین‌های نگهداشت موظف شدند در جریان تعمیرات پیچیده ماشین‌های گران‌قیمت از این ابزار استفاده کنند. این تعمیرات معمولاً شامل مراحل متعددی برای شناسایی و تعویض قطعات فرسوده یا معیوب است. آزمایش‌ها بررسی کردند آیا این دستیار می‌تواند با ارائه تحلیل گام‌به‌گام و دستورالعمل‌های تعمیر در جریان کار، این فرایند را ساده‌تر کند یا نه. نتایج اولیه بر اساس نظرسنجی‌های ساختارمند پیش و پس از مداخله که با داده‌های عملکردی دقیق تطبیق داده شده بودند؛ نشان داد این دستیار زمان لازم برای یافتن اطلاعات را کاهش داده و به کارکنان کمک کرده است وظایف را مستقل‌تر انجام دهند.

آزمایشگری به زیمنس درس‌های مهم زیر را درباره دستیار کف کارخانه و به‌طورکلی درباره پذیرش و استفاده از هوش مصنوعی توسط کارکنان تولید آموخت

• کاربران تا زمانی که امتحان نکنند محتاط‌اند.تکنسین‌های نگهداشت در زیمنس در ابتدا نسبت به آینده شغلی خود در کارخانه‌ای مجهز به هوش مصنوعی مولد بدبین بودند. بااین‌حال، ظرف چند هفته استفاده از دستیار کف کارخانه، گزارش کردند که احساس امنیت شغلی بیشتری دارند. چرا؟ چون این ابزار با کاهش چشمگیر زمان یافتن اطلاعات، به آن‌ها اجازه داد وقت بیشتری را صرف کارهای مهمی کنند که فقط خودشان قادر به انجام آن بودند.
• این ابزار یک وسیله یادگیری ارزشمند است. حتی بدون آموزش اولیه، کاربران به‌سرعت از دستیار کف کارخانه برای گسترش درک خود از ماشین‌ها و علل بالقوه رخدادهای تکرارشونده استفاده کردند. این امر راهی کاملاً جدید برای انتقال دانش به کارکنان تولید می‌گشاید؛ کارکنانی که معمولاً مانند کارکنان دفتری درگیر جلسات ساختارمند اشتراک دانش نیستند. این ابزار همچنین اختیار بیشتری درباره زمان و مکان یادگیری به کارکنان می‌دهد و وابستگی آن‌ها به دسترس‌بودن و تمایل همکاران باتجربه‌تر برای ایفای نقش معلم را کاهش می‌دهد.
• کارکنان را برای پذیرش کارهای پیچیده‌تر توانمند می‌کند. ازآنجایی‌که تکنسین‌های نگهداشت می‌توانند بسیاری از رخدادهای پیچیده را با پشتیبانی دستیار کف کارخانه مدیریت کنند، وابستگی کمتری به مهندسان فرایند پیدا کرده‌اند. در مقابل، مهندسان فرایند با دریافت درخواست‌های کمتر، زمان بیشتری برای کارهای با ارزش افزوده بالاتر مانند بهینه‌سازی فرایند تولید و به‌روزرسانی فناوری در اختیار دارند.
• انجام کار را آسان‌تر می‌کند. در دوره آزمون ۲۰۲۴، زیمنس به دلایلی نامرتبط با معرفی ابزار هوش مصنوعی مولد، اندازه تیم‌های خود را به‌طورکلی کاهش داد. بااین‌حال، تیم کوچک‌تر توانست خروجی تولید پایدار را حفظ کند، حتی باوجودآنکه اعضا اغلب مجبور بودند رخدادها را به‌تنهایی و بدون امکان تماس سریع با همکاران حل کنند. این کارکنان حتی گزارش کردند هنگام کار با دستیار، در نبود سایر پشتیبانی‌ها استرس کمتری را تجربه می‌کنند.

زیمنس از این تجربه برای توسعه یک کارآزمایی تصادفی کنترل‌شده بزرگ‌تر بهره می‌گیرد تا اثر علّی دستیار کف کارخانه را در کارخانه‌های خود و نیز در میان مشتریان منتخب اکوسیستمش بیازماید. افزون بر این، قابلیت‌هایی که از رهگذر این مواجهه با آزمایشگری ایجاد شد؛ شرکت را به به‌کارگیری روش‌های مشابه برای آزمودن این پرسش سوق داد که آیا و چگونه طراحی مشاغل جدید «به‌شدت مبتنی بر هوش مصنوعی» بر کمیت و کیفیت متقاضیان شغلی اثر می‌گذارد.

تبدیل‌شدن به یک سازمان آزمایشگر

مزایای فراوان آزمایش‌های سازمانی را برشمردیم، اما ادعا نمی‌کنیم اجرای آن‌ها ساده است. برای پیاده‌سازی موفق، باید بر چند حوزه حیاتی تمرکز کرد

• نیازهای مشتری. در قلب هر آزمایش موفق هوش مصنوعی مولد، درک عمیق نیازهای مشتری قرار دارد. سازمان‌ها باید بر حل مسائل مشخص و تأثیرگذار تمرکز کنند. راه‌حل‌های آزمایشی باید بازگشت سرمایه بالقوه روشن و اثر بالقوه‌ای که به طور شفاف تعریف و قابل‌آزمون باشد داشته باشند. این امر مستلزم انجام مصاحبه‌های گسترده با مشتریان است تا اطمینان حاصل شود راه‌حل‌ها به نیازهای فوری پاسخ می‌دهند، نه اینکه صرفاً بهبودهای «خوب است داشته باشیم» ارائه کنند. با تمایزگذاری میان مزیت‌های راهبردی و ضعف‌های جزئی، شرکت‌ها می‌توانند منابع خود را به آزمایش‌های مؤثر هدایت کنند و از پراکندگی آن‌ها در پایلوت‌های کوچک با ارزش نامطمئن بپرهیزند.P&G نیز دقیقاً همین کار را انجام داد. با اتکا به درک عمیق از فرایند سنتی نوآوری محصول، تشخیص داد که یک «هم‌تیمی سایبرنتیک» مبتنی بر هوش مصنوعی مولد می‌تواند اصطکاک‌هایی را که اغلب میان اعضای تیم‌های بازاریابی و تحقیق‌وتوسعه (کاربران نهایی در این مورد) به‌ویژه در مراحل اولیه توسعه محصول رخ می‌دهد را کاهش دهد.
• نمونه‌های قابل‌استفاده. در فرایند توسعه محصول، تیم‌ها باید نمونه‌های اولیه‌ای بسازند که افراد واقعاً بتوانند از آن‌ها استفاده و آزمایش کنند. سپس کاربران را در آزمایش‌های دنیای واقعی دخیل کنند تا این نمونه‌ها به‌سرعت بهبود یابند و برای عرضه گسترده آماده شوند. این کار اعتماد ایجاد می‌کند و احتمال تولید بینش‌های واقعی و نتایج بهتر را افزایش می‌دهد. این رویکرد هوش مصنوعی مولد را نه جایگزین نیروی کار، بلکه ابزاری برای بهتر انجام‌دادن کارها می‌بیند.
• ذهنیت یادگیری.توسعه محصول سنتی که اغلب کند است، تمرکز درون‌سازمانی دارد و برای آزمایشگری با هوش مصنوعی مولد مناسب نیست. برای پیشبرد نوآوری، شرکت‌ها باید رویکردی آزمایشی را بپذیرند که از ابتدا مشتریان را وارد فرایند می‌کند و در آن تیم‌های میان‌وظیفه‌ای در اسپرینت‌های کوتاه برای آزمون ایده‌ها و جمع‌آوری سریع بازخورد همکاری می‌کنند. زیمنس در جریان آزمایش ابزار هوش مصنوعی مولد خود، به ابزاری از پیش موجود به نام Innovation Validation Engine تکیه کرد که تضمین می‌کند همه اقدامات شرکت از ابتدا و به‌سرعت بر حل مسائل واقعی مشتری متمرکز است. این رویکرد کنترل بیشتری به کاربران نهایی می‌دهد و تیم‌های محصول را مستقیماً مسئول ایجاد ارزش افزوده می‌کند؛ دقیقاً همان چیزی که زیمنس برای شناسایی، اعتبارسنجی و توسعه کاربردهای هوش مصنوعی مولد در محیط‌های صنعتی با سرعت، دقت و هم‌راستایی با بازار نیاز داشت.
• تخصص آزمایشی. به‌کارگیری روش علمی درون شرکت‌ها به ترکیبی از مهارت‌ها نیاز دارد. تیم‌ها باید بدانند چگونه آزمایش‌های خوب طراحی و اجرا کنند (تعریف فرضیه‌های روشن و آزمون‌پذیر و تعیین اندازه نمونه مناسب) و چگونه آن‌ها را به‌خوبی مدیریت کنند و در مسیر نگه دارند. همچنین باید قادر باشند نتایج را تحلیل کنند، معنای آن‌ها را توضیح دهند و از یافته‌ها برای تصمیم‌گیری استفاده کنند. ازآنجایی‌که این مهارت‌ها غالباً در دانشگاه‌ها یافت می‌شود، برخی شرکت‌ها برای کمک به سراغ متخصصان دانشگاهی رفته‌اند. برای نمونه، آمازون در سال ۲۰۲۰، «جاستین هستینگز» اقتصاددان برجسته بازار کار را برای عملیاتی‌سازی آزمایشگری گسترده و متمرکز بر نیروی انسانی استخدام کرد. در سال ۲۰۲۲، والمارت «جان اِی. لیست» را به خدمت گرفت تا آزمایش‌های متعدد از ابزارهای هوش مصنوعی مولد در بازرگانی تا رویه‌های منابع انسانی را بیازماید و مقیاس دهد. شرکت‌های دیگر نیز روابطی با پژوهشگران دانشگاهی برقرار کرده‌اند تا به‌جای انتقال این قابلیت‌ها به داخل سازمان، آن‌ها را «قرض بگیرند». گوگل، گیت‌هاب و P&G نیز برای اجرای آزمایش‌های توصیف‌شده در این مقاله، همین مسیر را پیمودند.
• قابلیت‌های مشارکتی. برای پیشبرد نمونه‌سازی، آزمایشگری، کشف و اشتراک دانش، شرکت‌هایی که با هوش مصنوعی مولد آزمایش می‌کنند باید مشارکت‌های فعالی با مجموعه‌ای متنوع از بازیگران زیست‌بوم خود شامل تأمین‌کنندگان، مشتریان، خبرگان صنعت و نیز دانشگاهیان توسعه دهند. نکته کلیدی ایجاد تیم‌هایی است که هم دانش حوزه‌ای کافی و هم اختیار لازم برای طراحی و اجرای آزمایش‌هایی متناسب با نیازهای کسب‌وکار را داشته باشند و سپس اطمینان یابند که این تیم‌ها می‌توانند به طور قابل‌اتکا با تیم توسعه محصول ارتباط برقرار کنند. مهم‌تر از همه، اگر مدیری هستید که می‌خواهید آزمایشگری را به جزء جدایی‌ناپذیر توسعه راهبردی محصول در شرکت خود تبدیل کنید، باید به طور مستمر تعهد خود را به یادگیری پیوسته و تصمیم‌گیری مبتنی بر داده اثبات کنید.

آزمایشگری سریع و سخت‌گیرانهدر عصر هوش مصنوعی مولد در حال تبدیل‌شدن به یک ضرورت راهبردی است. شرکت‌هایی که ظرفیت آزمودن، یادگیری و سازگاری بلادرنگ هم درون سازمان و هم در سراسر اکوسیستم‌ها را توسعه می‌دهند، در موقعیت بهتری برای تبدیل ظرفیت‌های فناورانه به مزیت سازمانی قرار خواهند گرفت. حقیقت ناخوشایند این است که درحالی‌که شما درباره راهبرد هوش مصنوعی مولد بحث می‌کنید، رقبا ممکن است به‌صورت نظام‌مند و ساختاریافته در حال یادگیری این باشند که چه چیزهایی واقعاً کار می‌کند و مؤثر است. با پذیرش آزمایشگری به‌عنوان یک اصل، کسب‌وکارها می‌توانند عدم قطعیت را به منبعی برای تمایز راهبردی تبدیل کنند و از این طریق، آینده سازمان را شکل دهند.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.