استراژی هوش مصنوعی خود را با واقعیت‌های سازمانی هم‌راستا کنید

در این گزارش از نسخه January–February 2026 نشریه Harvard Business Review، نویسندگان چارچوبی عملی برای کمک به شرکت‌ها در بهبود بازده سرمایه‌گذاری در هوش مصنوعی ارائه می‌کنند. نویسندگان گزارش حاضر با اتکا به پژوهش‌ها و تجربه خود در همکاری با شرکت‌هایی از صنایع مختلف از کالاهای مصرفی تا تولید پیشرفته، دو بُعد کلیدیِ شکل‌دهنده موفقیت هوش مصنوعی شامل میزان کنترل زنجیره ارزش و گستره فناورانه را شناسایی کرده‌اند. این عوامل «چشم‌انداز امکان» را تعریف می‌کنند و به چهار رویکرد متمایز شامل تمایز متمرکز، یکپارچگی عمودی، اکوسیستم مشارکتی و مدیریت پلتفرمی برای بالفعل کردن ظرفیت‌های هوش مصنوعی اشاره دارند. هر یک ریسک‌ها، الزامات و پتانسیل‌های نوآوری خاص خود را دارند؛ اما زمانی که رویکرد با واقعیت یک سازمان سازگار باشد، دستاورد آن چشمگیر خواهد بود.

بررسی دو تجربه واقعی

در سال ۲۰۱۸، دو غول جهانی تصمیم گرفتند از هوش مصنوعی برای دگرگون‌کردن شیوه طراحی و عرضه محصولات خود استفاده کنند. جنرال‌موتورز با به‌کارگیری نرم‌افزار طراحی مولد و استفاده از ابزارFusion 360 متعلق به شرکت Autodesk، قطعه به‌ظاهر ساده اما حیاتی براکت صندلی را بازطراحی کرد. هوش مصنوعی ساختاری تولید کرد که بیشتر شبیه چیزی بود که طبیعت می‌توانست بسازد: فرمی سبک، شبکه‌ای و باز که ۴۰ درصد سبک‌تر و ۲۰ درصد مقاوم‌تر از نمونه قبلی بود. با‌این‌حال، این قطعه هرگز وارد خط تولید انبوه نشد. چرا؟ زنجیره تأمین و نظام تولید جنرال‌موتورز که برای فولاد پرس‌شده طراحی شده بود، قادر به تولید هندسه پیچیده این طراحیِ تولیدشده توسط هوش مصنوعی نبود. بازطراحی کل سیستم سال‌ها زمان می‌برد و در نتیجه نوآوری متوقف شد.

در همان زمان، اپل آزمایش روی متالنزها. اجزای نوری فوق‌نازکِ بهینه‌شده با هوش مصنوعی که می‌توانند جایگزین لنزهای سنتی دوربین شوند را آغاز کرد. این فناوری مستلزم یکپارچه‌سازی یادگیری ماشین، علم مواد و تولید نیمه‌رسانا بود. ظرف دو سال، اپل ده‌ها پتنت ثبت کرد و (در زمان نگارش این مقاله) گزارش شده که در حال آماده‌سازی برای تعبیه این جهش فناورانه در حسگرهای Face ID، ابتدا در iPad Pro و سپس در مدل‌های آتی iPhone 17 است. برخلاف جنرال‌موتورز، اپل فقط یک ایده جسورانه نداشت؛ بلکه سامانه‌ای برای اجرای آن را نیز در اختیار داشت.

این دو روایت حقیقت مهمی درباره هوش مصنوعی را آشکار می‌کنند: مسئله معمولاً این نیست که هوش مصنوعی چه‌کار می‌تواند یا نمی‌تواند انجام دهد؛ بلکه مشکل اصلی ناهماهنگی میان آنچه رهبران می‌خواهند محقق کنند و آنچه زنجیره‌های ارزش، مدل‌های عملیاتی و ساختار فناوری‌شان واقعاً می‌توانند پشتیبانی کنند، است. این چالش فراگیر است؛ به‌طوری که ۶۲ درصد شرکت‌ها «عدم تناسب میان واحدهای مختلف» و ۶۳ درصد «لزوم بازطراحی گردش‌کارها» را به‌عنوان موانع اصلی پذیرش موفق هوش مصنوعی ذکر می‌کنند. بر اساس نظرسنجی شرکت‌های Kearney و Futurum Group، تنها ۲۵ درصد مدیران عامل می‌گویند برای استقرار سراسری هوش مصنوعی در سازمان کاملاً آماده هستند.

متأسفانه، اکثریت قاطع شرکت‌ها در این زمینه بیشتر به جنرال‌موتورز شباهت دارند تا اپل. پژوهش‌ها نشان می‌دهد بسیاری از ابتکارهای هوش مصنوعی به ارزش تجاری ملموس منجر نمی‌شوند: طبق داده‌های S&P Global Market Intelligence، در سال ۲۰۲۵، در حدود ۴۲ درصد شرکت‌ها تعداد زیادی از ابتکارات هوش مصنوعی خود را کنار گذاشتند (در مقایسه با ۱۷ درصد در ۲۰۲۴) و به طور متوسط، ۴۶ درصد نمونه‌های اثبات مفهوم (PoC) پیش از رسیدن به مرحله تولید کنار گذاشته شدند. افزون بر این، نظرسنجی اخیر شرکت Writer از ۱۶۰۰ مدیر و کارمند سازمانی نشان داد که تنها یک‌سوم سازمان‌ها بازده سرمایه‌گذاری (ROI) قابل‌توجهی از سرمایه‌گذاری‌های هوش مصنوعی خود به دست می‌آورند، باوجودآنکه ۷۳ درصد آن‌ها سالانه بیش از یک میلیون دلار برای هوش مصنوعی هزینه می‌کنند.

بیایید با نگاهی دقیق‌تر به دو بُعدی آغاز کنیم که شالوده چارچوب گفته‌شده را می‌سازند.

جایگاه خود را در چارچوب بیابید

بُعد نخست، یعنی «کنترل بر زنجیره ارزش» (Value-chain Control)، به میزان نفوذ یک شرکت بر مسیر حرکت از ایده تا بازار اشاره دارد. شرکت‌هایی که از کنترل بالایی بر زنجیره ارزش برخوردارند، می‌توانند نوآوری‌ها را به‌سرعت آزمایش کنند، با تکرار آن را بهبود بخشند و مقیاس‌پذیر سازند؛ زیرا مالکیت یا نفوذ چشمگیری بر طراحی محصول، تولید، توزیع و تعامل با مشتری دارند. به‌عنوان‌مثال، شرکت سامسونگ می‌تواند بهبودهای مبتنی بر هوش مصنوعی در نمایشگر یا دوربین را در سراسر سبد محصولات خود پیاده‌سازی کند؛ چرا که از مرحله تولید تراشه تا فروشگاه‌های خرده‌فروشی جهانی را تحت کنترل خود دارد.

در سوی دیگر این طیف، شرکت‌هایی با کنترل پایین بر زنجیره ارزش قرار دارند (به‌عنوان‌مثال، تأمین‌کنندگان رده دوم در بخش خودروسازی یا اعطاکنندگان لایسنس برند در کالاهای مصرفی را در نظر بگیرید). ازآنجایی‌که این سازمان‌ها برای اعتبارسنجی، پذیرش یا توزیع نوآوری‌های خود باید به دیگران متکی باشند، حرکت سریع برای آن‌ها دشوار است. آن‌ها نفوذ اندکی بر نحوه عملکرد سایر شرکت‌ها دارند و فضای نسبتاً محدودی برای نوآوری در اختیار آن‌هاست.

بُعد دوم، یعنی «گستردگی فناورانه» (Technological Breadth)، به تنوع و وابستگی متقابل فناوری‌هایی اشاره دارد که یک شرکت برای رقابت باید آن‌ها را با یکدیگر ادغام کند. در بخش‌هایی با گستردگی بالا مانند نیمه‌هادی‌ها، وسایل نقلیه خودران و علوم زیستی، هوش مصنوعی به‌ندرت منحصراً و به‌تنهایی عمل می‌کند. هوش مصنوعی باید در شبکه‌ای پرشتاب و درهم‌تنیده از سایر فناوری‌ها نظیر حسگرها، رباتیک، علم مواد، معماری ابری و رایانش لبه‌ای (Edge Computing) بافته شود. سازمان‌های فعال در بخش‌های دارای گستردگی بالا، باید یک همگرایی مداوم را مدیریت کنند.

در مقابل، صنایع با گستردگی پایین مانند فراوری مواد غذایی، مصالح ساختمانی و لجستیک پایه تمایل دارند با ساختار یا پشته‌های فناوری (Technology Stacks) پایدارتری تعامل کنند. شرکت‌های حاضر در این بخش‌ها می‌توانند از هوش مصنوعی برای دستیابی به دستاوردهای بزرگ استفاده کنند، اما غالباً این کار را به‌جای بازتعریف چشم‌انداز کلان صنعت، از طریق اصلاح و پالایش فرایندهای موجود انجام می‌دهند.

این ابعاد، نقاطی ثابت بر روی یک نقشه نیستند؛ بلکه عواملی پویا هستند که در میان کارکردها، مناطق جغرافیایی و در طول زمان تکامل می‌یابند. یک شرکت ممکن است در واحد تحقیق‌وتوسعه (R&D) گستردگی فناورانه بالایی داشته باشد، اما در حوزه تعامل با مشتری از گستردگی پایینی برخوردار باشد. ممکن است در یک منطقه کنترل فراوانی بر زنجیره ارزش اعمال کند، اما در منطقه‌ای دیگر به‌شدت به واسطه‌ها وابسته باشد. شرکت‌ها باید بر حوزه‌هایی تمرکز کنند که در آن‌ها از بهترین موقعیت برای اقدام با تمرکز و اطمینان برخوردارند.

استراتژی مناسب را انتخاب کنید

از چارچوب ما، چهار استراتژی نوآوری در حوزه هوش مصنوعی پدیدار می‌شود. هر یک از این استراتژی‌ها، روشی متفاوت برای همسوسازی موقعیت یک سازمان با مسیری عملی و بادوام برای نوآوری را نشان می‌دهد. اکنون بیایید نگاهی دقیق‌تر به هر استراتژی بیندازیم: منطق آن، نوع خاصی از نوآوری که معمولاً به ارمغان می‌آورد و البته، ریسک‌های آن.

۱. تمایز متمرکز: تقویت مزیت رقابتی

شرکت‌هایی با کنترل محدود بر زنجیره ارزش و گستردگی فناورانه پایین، معمولاً در یک صنعت بالغ فعالیت می‌کنند. آن‌ها در یک بخش از زنجیره ارزش مانند فرمولاسیون محصول، منابع بالادستی یا بینش مصرف‌کننده تخصص عمیقی دارند؛ اما مسیر کامل تا بازار را کنترل نمی‌کنند. آن‌ها در پی رسیدن به مرزهای نهایی هوش مصنوعی نیستند، اما داده دارند و می‌دانند چگونه از آن استفاده کنند. آن‌ها نمی‌توانند سیستم را از نو طراحی کنند، اما می‌توانند آن را هوشمندتر سازند. آن‌ها از هوش مصنوعی برای تنظیم دقیق و بهینه‌سازی محصولات یا فرایندها در یک دامنه مشخص استفاده می‌کنند. اینجا قلمروِ موارد استفاده دقیق و با تأثیرگذاری بالاست؛ یک برچسب بهتر، یک حسگر هوشمندتر، یک فرمول تطبیق‌پذیرتر. شرکت‌ها در این جایگاه، با عمیق‌شدن در هوش مصنوعی پیروز می‌شوند، نه با گسترده‌کردن و تنوع‌بخشی به فعالیت‌های آن.

به‌عنوان‌مثال، پپسی هوش مصنوعی را در بخش بالادستی زنجیره تأمین سیب‌زمینی خود به کار گرفت؛ جایی که از طریق برنامه‌های کشاورزان طرف قرارداد، کنترل شدیدی بر آن دارد. پپسی با استقرار پهپادها و استفاده از یادگیری ماشین برای ارزیابی شاخص‌های اولیه سلامت محصول، به کشاورزان کمک کرد تا آبیاری و مصرف کود را بهینه‌سازی کنند که این امر منجر به کاهش ردپای کربن، بازدهی بالاتر و عملیات تاب‌آورتر شد که یک مزیت رقابتی حیاتی در کسب‌وکار کالاهای اساسی است. شعبه اروپای پپسی با شرکت بین‌المللی تغذیه محصول Yara وارد مشارکت شده است تا زمین‌های کشاورزان را به ابزارهای دیجیتال کشاورزی دقیق (Precision-farming) مجهز کند و از این طریق، پذیرش شیوه‌های کشاورزی احیاکننده (Regenerative Agriculture) را پیش ببرد.

در رویکردی مشابه، McCormick & Company تمرکز خود را به یک نقطه اهرمی خاص؛ یعنی توسعه طعم محدود کرد. در سال ۲۰۱۹، این تولیدکننده جهانی ادویه‌جات، با شرکت IBM وارد مشارکت شد تا سیستمی مبتنی بر هوش مصنوعی به نام SAGE را بسازد که بر روی دهه‌ها داده حسی، دستورالعمل‌های تهیه و بینش‌های مصرف‌کننده آموزش دیده بود. از آن زمان، این ابزار به هسته مرکزی فرایند توسعه محصول McCormick تبدیل شد و به این شرکت کمک کرد تا نوآوری را شتاب بخشد و سهم فروش خالص حاصل از محصولات جدید را بین سال‌های ۲۰۲۲ تا ۲۰۲۴، دو برابر کند.

در Fonterra، غول صنعت لبنیات نیوزلند، مدیران سازمان سعی نکردند کل کسب‌وکار را دیجیتالی کنند. آن‌ها بر روی یک گلوگاه؛ یعنی پیش‌بینی کیفیت شیر قبل از خروج از مزرعه تمرکز کردند و هوش مصنوعی را با دقتی وسواس‌گونه به کار گرفتند. Fonterra با همکاری شرکای خود در حوزه‌های فناوری کشاورزی و تحلیل داده، داده‌های حسگرهای مزارع (مانند وضعیت آب‌وهوا، شرایط مرتع و سلامت گله) را با سوابق تاریخی جمع‌آوری شیر ادغام کرد. سپس، مدل‌های یادگیری ماشین برای شناسایی الگوهایی آموزش دیدند که نشان‌دهنده افت احتمالی کیفیت شیر بود. این مدل‌ها مشکلاتی مانند افزایش شمارش سلول‌های سوماتیک یا خطرات آلودگی باکتریایی را پیش از رسیدن شیر به کارخانه فراوری، شناسایی کرده و هشدار می‌دادند. این امر به Fonterra اجازه داد تا مسیرهای جمع‌آوری شیر را در لحظه بهینه‌سازی کند، منابع باکیفیت را در اولویت قرار دهد و ضایعات را کاهش دهد.

خطر اصلی برای شرکت‌های حاضر در این ربع از ماتریس، جاه‌طلبی بیش از حد است. در اواخر سال ۲۰۲۱، طرح خریدوفروش سریع مسکن شرکت Zillow با نام Zillow Offers که بر مدل قیمت‌گذاری مبتنی بر هوش مصنوعی خود به نام Zestimate متکی بود، در مقیاس‌پذیری با شکستی فاحش مواجه شد. Zillow بر اساس ارزش‌گذاری هوش مصنوعی ۲۷۰۰۰ خانه خرید، اما تنها ۱۷۰۰۰ خانه را به فروش رساند. قیمت‌های برآورد شده توسط Zestimate برای املاک خارج از بازار اصلی تا ۶.۹ درصد خطا داشت. نتیجه این امر کاهش ارزش موجودی به مبلغ حیرت‌انگیز ۳۰۴ میلیون دلار، تعدیل ۲۰۰۰ نیرو و تعطیلی کامل پروژهZillow Offers بود.

۲. یکپارچگی عمودی: سیم‌کشی ماشین

شرکت‌هایی که کنترل بالایی بر زنجیره ارزش دارند؛ اما از نظر گستره فناورانه نسبتاً محدودند، اغلب گزینه‌های ایده‌آلی برای استقرار سراسری هوش مصنوعی در سطح سازمان هستند. آن‌ها ممکن است نیاز نداشته باشند همه فناوری‌های لبه‌ای را دنبال کنند، اما با تعبیه هوش مصنوعی در فرایندهایی که همین حالا مالک آن‌ها هستند، می‌توانند اثرگذاری بزرگی ایجاد کنند. هوش مصنوعی می‌تواند بینش‌ها را در سراسر سامانه‌های داخلی به هم پیوند دهد و هم‌افزایی‌ها و کارایی‌هایی را میان داده‌ها، واحدها یا فرایندها آشکار سازد. این همان فضایی است که هوش مصنوعی برتری عملیاتی را تقویت می‌کند؛ مواردی مانند نگهداشت پیش‌بینانه، قیمت‌گذاری پویا و لجستیک مبتنی بر تقاضا تنها چند نمونه از آن هستند. در اینجا، مقیاس به‌عنوان ضریب تقویت‌کننده اثر عمل می‌کند؛ هرچه عملیات بزرگ‌تر باشد، حتی بهبودهای کوچک در بهره‌وری نیز به منافع تجمعی بزرگ‌تری منجر می‌شود.

JD.com، غول تجارت الکترونیک چین، هوش مصنوعی را در سراسر شبکه لجستیکی خود ادغام کرد و با استفاده از داده‌های بلادرنگ، همه چیز را از موجودی انبار و مسیرهای تحویل گرفته تا زمان‌بندی نیروی کار و پیش‌بینی تقاضا، بهینه‌سازی کرد. در دوران قرنطینه همه‌گیری، سامانه هوشمند JD.com مسیرهای تحویل را بر اساس مناطق محدودیت بازپیکربندی کرد، عملیات انبار را با رباتیک مبتنی بر هوش مصنوعی خودکار کرد و موجودی را به‌صورت پویا برای تطبیق با جهش‌های منطقه‌ای تقاضا بازتخصیص داد. درحالی‌که رقبا با گلوگاه‌ها و تأخیرها دست‌وپنجه نرم می‌کردند،JD.com به دلیل داشتن سامانه‌ای هوشمندتر، خدمت‌رسانی پیوسته را حفظ کرد.

در بخش انرژی، ExxonMobil از هوش مصنوعی برای تفسیر داده‌های زمین‌لرزه و بهینه‌سازی مسیرهای حفاری در کشور گویان استفاده کرد. الگوریتم‌هایی که بر ترابایت‌ها داده تاریخی آموزش دیده بودند، زمان متوسط حفاری هر چاه را ۱۵ درصد کاهش دادند و میلیون‌ها دلار در هر سایت عملیاتی صرفه‌جویی کردند. ازآنجایی‌که ExxonMobil مالک تمامی زیرساخت اکتشاف تا تولید است، می‌توانست بدون انتظار برای تأیید بیرونی، به‌سرعت اقدام کند.

والمارت را در نظر بگیرید. با کنترل بر زنجیره تأمین، عملیات فروشگاه و سامانه‌های قیمت‌گذاری، والمارت از هوش مصنوعی برای بهینه‌سازی لجستیک، موجودی و تخصیص نیروی کار بهره گرفت. برای مثال، در فلوریدا برنامه‌ای آزمایشی اجرا کرد که با استفاده از پیش‌بینی‌های آب‌وهوا و روندهای شبکه‌های اجتماعی، تغییرات تقاضا را پیش‌بینی می‌کرد. به‌عنوان‌مثال پیش از طوفان Ian، سامانه به طور خودکار اقلام اضطراری را بازتخصیص داد و پس از طوفان، مسیر محموله‌ها را به سمت مراکز آسیب‌دیده تغییر داد و فروشگاه‌ها را با اقلام ضروری پر نگه داشت.

شرکت‌هایی که راهبرد یکپارچگی عمودی را دنبال می‌کنند، اغلب در ساختن پیوندهای نوین تبحر دارند؛ یعنی پیونددادن داده‌ها و فرایندها در سراسر ساختار برای کشف الگوها و کارایی‌هایی که دیگران نمی‌بینند. وقتی هوش مصنوعی در یک سامانه با کنترل تنگاتنگ مستقر می‌شود، توانایی «اتصال نقاط» میان لجستیک و قیمت‌گذاری، یا عملیات و پیش‌بینی به منبعی منحصربه‌فرد از مزیت رقابتی بدل می‌گردد.

با این حال، باز هم نباید بیش‌ازحد بلندپرواز بود. حتی سازمان‌هایی با عملیات قوی هم ممکن است زمانی که جاه‌طلبی‌شان از توانایی اجرایی‌شان پیشی می‌گیرد، دچار لغزش شوند. به‌عنوان‌مثال، جنرال‌الکتریک تلاش کرد با پلتفرمPredix به «مایکروسافتِ هوش مصنوعی صنعتی» تبدیل شود؛ پلتفرمی که برای اتصال تحلیل‌ها در همه ماشین‌ها از توربین گرفته تا لوکوموتیو و تجهیزات پزشکی، طراحی شده بود. اما داده‌های جزیره‌ای، مقاومت داخلی، نبود نرم‌افزارهای اتصال‌دهنده و کانکتور و تغییرات مدیریتی، عرضه را فلج کرد. پس از هزینه‌کرد بیش از ۴ میلیارد دلار،GE جاه‌طلبی‌های پلتفرمی خود را کاهش داد و بخش بزرگی ازGE Digital را جدا کرد.

۳. اکوسیستم مشارکتی: همکاری شبکه‌ای

برخی شرکت‌ها در اکوسیستم‌های فناورانه پیچیده‌ای فعالیت می‌کنند، اما بر نحوه رسیدن راه‌حل‌هایشان به بازار کنترل کامل ندارند. در این رُبع، موفقیت هوش مصنوعی نه از «تنهایی پیش‌رفتن» بلکه از مشارکت راهبردی؛ یعنی به‌اشتراک‌گذاری ریسک نوآوری، زیرساخت و تخصص حاصل می‌شود. این شرکت‌ها غالباً در صنایع پیشرفته فعال هستند؛ اما اهرم‌های اجرا به طور کامل در دستشان نیست و به تنظیم‌گران، پژوهشگران یا شرکای پلتفرمی برای رسیدن به کاربر نهایی وابسته هستند. مزیت آن‌ها در مشارکت با پلتفرم‌های مشترک، ابزارهای توسعه‌یافته مشترک و همکاری‌هایی است که هم مشوق‌ها و هم زمان‌بندی‌ها ر همسو می‌کنند.

برای مثال، Novartis و مایکروسافت صرفاً یک قرارداد همکاری امضا نکردند؛ آن‌ها یک آزمایشگاه نوآوری هوش مصنوعی ایجاد کردند که هدفش شتاب‌دهی به فرایند به کشف و توسعه دارو بود. در قلب این تلاش، مجموعه‌ای از مدل‌های یادگیری ماشین قرار داشت که برای پیش‌بینی رفتار مولکولی، شناسایی اهداف درمانی بالقوه و بهینه‌سازی پروتکل‌های کارآزمایی بالینی آموزش دیده بودند. در یک مورد، ابزارهای این آزمایشگاه به Novartis کمک کرد ترکیب‌های جدیدی از زیست‌نشانگرها را برای کارآزمایی‌های سرطان‌شناسی شناسایی کند و زمان طراحی کارآزمایی را بیش از ۳۰ درصد کاهش دهد. موفقیت این ابتکار نه‌فقط از فناوری مشترک، بلکه از هدف مشترک، زیرساخت مشترکاً توسعه‌یافته و تعهد به یکپارچگی علمی و عملیاتی ناشی شد.

ائتلافBMW با Intel وMobileye نیز نمونه‌ای جالب‌توجه است. هر بازیگر قابلیت‌های متمایزی را وارد همکاری کرد (توان پردازشی، بینایی ماشین و یکپارچه‌سازی خودرو) تا راهکارهای رانندگی خودران توسعه یابد. نمونه اولیه مشترک آن‌ها در اتوبان‌های آلمان آزمایش شد و رانندگی ایمنِ بدون دست را در شرایط کنترل‌شده نشان داد؛ کاری که هیچ‌کدام به‌تنهایی قادر به تحقق آن نبودند.

همچنین به همکاری فایزر وBioNTech در دوران همه‌گیری کووید-۱۹ توجه کنید. مدل‌های هوش مصنوعی BioNTech بیش از ۱۰ هزار گزینه mRNA را ظرف چند روز غربال کردند و فرمولBNT162b2 که در نهایت به واکسن تبدل شد را برگزیدند. قابلیت‌های جهانی تنظیم‌گرانه و تولید فایزر که مبتنی بر هوش مصنوعی است، روند تولید و اخذ مجوز را شتاب داد. این دو شرکت با کمک هم یک قمار جسورانه را به موفقیتی تاریخی تبدیل کردند.

همان‌طور که این مثال نشان می‌دهد، این رُبع بهترین موقعیت برای کشف‌های بنیادین را فراهم می‌کند. نوعی جهشِ مراحل اولیه که علم، فناوری یا پزشکی را بازتعریف می‌کند. اما کشف نیازمند هماهنگی است. وقتی حاکمیت مبهم باشد، فرهنگ‌ها با هم اصطکاک پیدا کنند یا اهداف واگرا شوند، حتی امیدوارکننده‌ترین ابزارها هم از کار می‌افتند. وقتی همسویی عمیق باشد، وقتی دانش، مشوق‌ها و اجرا به‌صورت مشترک طراحی شوند، دستاورد تحول‌آفرین خواهند شد. هوش مصنوعی در این رُبع صرفاً درباره همکاری نیست؛ درباره انسجام و شیوه کار مشترک شرکا است.

برای آن که مشارکت‌های هوش مصنوعی هم‌افزایی‌های قدرتمند ایجاد کنند، همسویی باید فراتر از بیانیه‌های خبری برود. همکاری پرسروصدایIBM با مرکز سرطانMD Anderson با هدف انقلاب در مراقبت سرطان از طریق «مشاور خبره انکولوژی» شکل گرفت. با وجود نتایج فنی امیدوارکننده، پروژه با چالش‌های سازمانی و یکپارچه‌سازی مواجه شد. پیاده‌سازی دشوار بود و سامانه هرگز از مرحله پایلوت فراتر نرفت. این تلاش نهایتاً متوقف شد؛ نه به دلیل جاه‌طلبانه نبودن، بلکه به دلیل ناتوانی شراکت در همسوسازی فناوری، داده و عملیات بالینی.

۴. رهبری پلتفرمی: شکل‌دهی به هنجارها

در اوج هر دو بُعد؛ یعنی گستره فناورانه بالا و کنترل گسترده بر زنجیره ارزش، شرکت‌هایی قرار دارند که نه‌تنها با تغییر سازگار می‌شوند، بلکه آن را شکل می‌دهند. آن‌ها زیرساخت و اکوسیستم می‌سازند و درعین‌حال محصول نیز توسعه می‌دهند. اینجا قلمرو ارکستراسیون است؛ یعنی مکان تعیین استانداردها، بازکردن APIها و طراحی سامانه‌هایی که دیگران بخواهند بر بسترشان محصول بسازند.

راه‌اندازیBloombergGPT نمونه‌ای گویا از این دسته است؛ یک مدل زبانی بزرگِ حوزه مالی که بر بیش از ۷۰۰ میلیارد توکن آموزش دیده است. این اقدام صرفاً یک ارتقای فنی نبود؛ حرکتی راهبردی برای تعریف نسل بعدی هوش مصنوعی مالی بود. برخلاف مدل‌های همه‌منظوره،BloombergGPT بر ترکیبی منحصربه‌فرد از اسناد مالی، تماس‌های درآمدی و داده‌های اختصاصی آموزش دید و قادر شد گزارش‌های درآمدی را خلاصه کند، طبقه‌بندی اخبار را خودکار سازد و در مدل‌سازی ریسک یاری دهد؛ همه در درون اکوسیستم یکپارچه ترمینال بلومبرگ. این عرضه فقط درباره هوش مصنوعی مولد نبود؛ درباره تعیین یک استاندارد جدید صنعتی بود.

Siemens Healthineers نیز به موقعیتی مشابه در تصویربرداری پزشکی دست یافت. مجموعهAI-Rad Companion این شرکت مستقیماً با سامانه‌های بیمارستانی یکپارچه می‌شود و به طور خودکار تصاویر X-ray،CT Scan و MRI را برای تشخیص موارد غیرعادی و برجسته‌سازی ناهنجاری‌ها تحلیل می‌کند. این سامانه که بر بیش از ۴۰۰ میلیون اسکن آموزش دیده، نتایج موردتأیید FDA را در بیش از ۶۰ کشور ارائه می‌دهد. این ابزار در نهایت هم دقت تشخیص را افزایش می‌دهد و هم‌زمان گردش‌کارهای بالینی را ساده می‌کند. زیمنس فقط ابزار هوش مصنوعی نمی‌فروشد؛ نحوه استفاده بیمارستان‌ها از آن‌ها را شکل می‌دهد و استانداردهای جدیدی برای مراقبت تعیین می‌کند.

رویکرد پلتفرمی مایکروسافت در هوش مصنوعی، مواردی مانند زیرساخت، ابزارسازی و ارکستراسیون اکوسیستم را ترکیب می‌کند. GitHub Copilot که بر میلیاردها خط کد آموزش‌دیده، اکنون تا ۴۰ درصد کدهای نوشته‌شده در زبان‌های پشتیبانی‌شده را تولید می‌کند. در Microsoft 365 نیز همکارهای هوشمند ادغام‌شده در Word،Excel و Teams شیوه انجام کار را بازتعریف می‌کنند و با Azure OpenAI Service، مایکروسافت به ستون فقرات سازمانی هوش مصنوعی مولد تبدیل شده است. نکته کلیدی اینجاست است که این مدیریت نه‌فقط با عملکرد فنی، بلکه با حاکمیت، شفافیت و همسویی با مشتریان سازمانی ساخته شده است.

شرکت‌های این رُبع به‌خوبی می‌توانند به حوزه‌هایی ظاهراً دور از دسترس وارد شوند، زیرا قادرند سیگنال‌های ضعیف و الگوهای نوظهور را در سراسر جغرافیاها، صنایع و حوزه‌ها تشخیص دهند. مدیران پلتفرمی مقیاس، داده و دامنه معماری لازم را دارند تا چیزهایی را ببینند که دیگران نمی‌بینند و پیش از همه بر اساس آن اقدام کنند.

اما این دامنه با ریسک همراه است. توان شکل‌دادن به صنایع، مسئولیت سنگینی برای جلب و حفظ اعتماد در میان شرکا، تنظیم‌گران و کاربران نهایی به همراه می‌آورد. شکست در این رُبع به‌ندرت ناشی از ضعف فناوری است. نمونه‌اش ورود گوگل به هوش مصنوعی سلامت از طریقDeepMind Health است. این تیم با بیمارستان‌های بریتانیا برای توسعه مدل‌های تشخیصی مبتنی بر داده‌های واقعی بیماران همکاری کرد. از نظر فنی، پروژه امیدوارکننده بود. اما وقتی مشخص شد DeepMind بدون رضایت به میلیون‌ها رکورد NHS دسترسی یافته، واکنش افکار عمومی شدیدی ایجاد شد. این ابتکار در نهایت در Google Health ادغام شد و شتاب خود را از دست داد. علت شکست آن به‌خاطر الگوریتم نبود؛ بلکه نقض اعتماد بود.

افراد خود را درگیر کنید

در هر چهار راهبرد، چالش تعیین‌کننده فنی نیست؛ انسانی است. بسیاری از ابتکارات هوش مصنوعی نه به دلیل ضعف الگوریتم‌ها، بلکه به‌خاطر مقاومت افراد در استفاده از ابزارها شکست می‌خورند. در نظرسنجی سازمانی Writer که پیش‌تر به آن اشاره شد، ۳۱ درصد کارکنان اذعان کردند که خودآگاهانه در برابر ابتکارهای هوش مصنوعی سازمانی مقاومت می‌کنند؛ اغلب هم به دلیل ترس از جایگزین‌شدن. یک نفر از هر ده نفر حتی فراتر رفته و می‌گوید برای جلوگیری از موفقت اقدامات پذیرش، در شاخص‌های عملکرد دست برده یا عمداً خروجی‌های کم‌کیفیت تولید کرده است.

وقتی شرکت Rent a Mac، سامانه مدیریت موجودی مبتنی بر هوش مصنوعی را راه‌اندازی کرد و اضطراب همه نیروی انسانی این شرکت را فرا گرفت. این امر به تأخیر ۷ هفته‌ای در اجرا و ازدست‌رفتن حدود ۸۵ هزار دلار از صرفه‌جویی‌های موردانتظار انجامید. اما با انتصاب «قهرمانان هوش مصنوعی» برای نمایش موارد استفاده واقعی، سطح مشارکت ظرف چند ماه از ۳۱ درصد به ۸۹ درصد رسید. شفافیت، گفت‌وگو و تجربه شخصی روایت را تغییر داد. Colgate-Palmolive نیز هنگام راه‌اندازی «هاب هوش مصنوعی» داخلی خود که کارکنان را قادر می‌ساخت بدون دانش کدنویسی، دستیارهای شخصی بسازند؛ به اهمیت درگیری کارکنان واقف بود. نتیجه فقط گردش‌کارهای بهتر نبود؛ بلکه همراهی بود. وقتی افراد خود را شریک آینده بدانند، از آن نمی‌ترسند و حتی در ساختنش کمک می‌کنند.

نقش مدیر در سازمان‌های متکی بر هوش مصنوعی در حال تغییر است. فراتر از هماهنگی افراد، مدیران اکنون باید به تیم‌ها کمک کنند با الگوریتم‌ها همکاری کنند، بینش‌های ماشین را تفسیر کنند، گردش‌کارها را بازطراحی کنند و پیشرفت فنی را به پیشرفت انسانی تبدیل کنند. این کار اغلب به یک تغییر فرهنگی شامل ایجاد فضا برای آزمایش، شکست سریع و یادگیری بلادرنگ نیاز دارد.

موفق‌ترین سازمان‌ها با هوش مصنوعی نه به‌عنوان «پاسخ»، بلکه به‌عنوان یک «پرسش» مانند «چگونه می‌توانیم هوشمندانه‌تر با هم کار کنیم؟» برخورد می‌کنند.

در نهایت، چنین چیزی برخی از آن‌ها در هر چهار رُبع حضور دارند. بیایید ببینیم این حضور همه‌جانبه چگونه به نظر می‌رسد.

رهبری در عصر هوش مصنوعی

در نگاه نخست،P&G شاید نمونه‌ای کلاسیک از یکپارچگی عمودی به نظر برسد این شرکت با کنترل سرتاسری از آزمایشگاه‌های R&D گرفته تا کارخانه‌ها و حتی خرده‌فروشی، هوش مصنوعی را عمیقاً در هسته عملیاتی خود ادغام کرده است. P&G با استفاده ازAzure IoT Operations ، زمان لازم برای استقرار مدل‌های جدید یادگیری ماشین در کارخانه‌ها را تا ۹۰ درصد کاهش داد و امکان داد الگوریتم‌های پیش‌بینی‌کننده میزان ارتعاش و دمای ماشین‌ها را پایش کنند، خرابی تجهیزات را پیش‌بینی کنند و تولید را به طور پیوسته بهینه سازند.

فراتر از عملیات،P&G هوش مصنوعی را دقیقاً جایی به کار می‌گیرد که بیشترین اهمیت را دارد. مسواکOral-B iO با استفاده از حسگرها و یادگیری ماشین بلادرنگ، به کاربران درباره تکنیک مسواک‌زدن بازخورد می‌دهد و نتایج بهداشت دهان را بهبود می‌بخشد. تیمTide از هوش مصنوعی برای شتاب‌دهی به آزمون فرمولاسیون استفاده کرد و زمان چرخه را از ماه‌ها به هفته‌ها کاهش داد. این‌ها نمونه‌های کلاسیک تمایز متمرکز هستند؛ یعنی دامنه‌ای محدود، اما اثرگذاری عمیق.

در بیرون از دیوارهای سازمان،P&G اکوسیستم‌های مشارکتی را از طریق ابتکارهایی مانند پلتفرم قدیمی Connect + Develop پرورش می‌دهد. این شبکه نوآوری باز، ابزارهای مبتنی بر هوش مصنوعی مانندOlay Skin Advisor را تغذیه می‌کند که با تحلیل عکس‌های سلفی، رژیم‌های مراقبت پوست را پیشنهاد می‌کند. P&G همچنین یک سامانه اختصاصی «نبض مصرف‌کننده» ساخته که اطلاعات را از شبکه‌های اجتماعی، خدمات مشتری، نقد و بررسی محصولات و داده‌های خرده‌فروشی یکپارچه می‌کند و به شرکت امکان می‌دهد نه‌فقط به روندهای بازار واکنش نشان دهد، بلکه آن‌ها را شکل دهد.

آنچه P&G را متمایز می‌کند این است که آگاهانه در هر چهار رُبع بازی می‌کند

1. جایی که هوش مصنوعی ارزش فوری می‌آفریند، تمرکز می‌کند.
2. جایی که مقیاس‌پذیری عملکرد را تقویت می‌کند، یکپارچه می‌کند.
3. جایی که قابلیت‌های مکمل اهمیت دارند، مشارکت می‌کند.
4. پلتفرم‌هایی می‌سازد که آن را در قلب اکوسیستم‌های کلیدیِ فعالیتش قرار می‌دهد.

P&G با این کار، حقیقتی عمیق‌تر را آشکار می‌سازد؛ راهبرد شاید از یک رُبع آغاز شود، اما موفقیت از سامانه ساخته می‌شود.

در دهه پیشِ‌رو شرکت‌هایی که بیشترین پایلوت‌ها را راه‌اندازی کرده‌اند، موفق‌ترین‌ها نخواهند بود؛ بلکه شرکت‌هایی موفق خواهند شد که می‌دانند چگونه مقیاس‌دهی کنند. این موضوع یعنی سازمان راه‌وروش تبدیل جاه‌طلبی به اقدام، انتخاب راهبردی که با واقعیت سازمانی سازگار است، توانمندسازی افراد و همسوسازی هوش مصنوعی با آنچه واقعاً بر آن کنترل دارد را بلد باشد. زیرا در نهایت، هوش مصنوعی خودِ راهبرد نیست؛ ابزاری است که راهبرد را زنده می‌کند. پس پرسش‌های سخت را بپرسید

• کجا اهرم داریم؟
• کجا می‌توانیم سریع حرکت کنیم؟
• چه نوع نوآوری‌ای را ساخته‌ایم که مورداستفاده قرار بگیرد؟

هوش مصنوعی شاید بینش تولید کند، اما تنها سازمان شماست که می‌تواند آن را به پیامد تبدیل کند. تفاوت میان جنرال‌موتورز و اپل فقط فناوری نبود؛ سامانه‌ای بود که آن را احاطه کرده بود. شرکت‌هایی که سامانه‌های درست را می‌سازند؛ یعنی دقیقاً جایی که جاه‌طلبی با اجرا تلاقی می‌کند، همان‌هایی خواهند بود که از مرحله آزمایش عبور می‌کنند و به رهبری می‌رسند.

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