طراحی مدل کسب‌وکار در عصر هوش مصنوعی؛ AI-Native یا AI-First

در نیمه دوم دهه ۲۰۲۰، ادبیات مدیریت نوآوری و فناوری حول دو کلیدواژه تعیین‌کننده می‌چرخد

• AI-First: هوش مصنوعی در اولویت
• AI-Native: ذاتاً مبتنی بر هوش مصنوعی

مسئله‌ای فراتر از بهره‌وری

مجمع جهانی اقتصاددر گزارشThe AI-First Operating Systemبه این شکاف اشاره می‌کند. با وجود سرمایه‌گذاری بیش از ۲۵۰ میلیارددلاری جهانی در هوش مصنوعی طی سال ۲۰۲۵، فقط ۲۵ درصد شرکت‌ها گفته‌اند که این فناوری تأثیری تحول‌آفرین بر کسب‌وکارشان داشته است. WEF معتقد است بسیاری از سازمان‌ها هنوز هوش مصنوعی را به فرایندهای موجود اضافه می‌کنند، به‌جای آنکه شیوه فعالیت خود را بر مبنای قابلیت‌های آن بازطراحی کنند.

مک‌کنزینیز در نسخه فارسی گزارش «وضعیت هوش مصنوعی: بازآفرینی سازمانی برای ارزش‌آفرینی» عنوان می‌کند درحالی‌که بیش از ۷۲ درصد از سازمان‌های جهان حداقل در یکی از کارکردهای کسب‌وکار خود از هوش مصنوعی استفاده می‌کنند، کمتر از ۱۵ درصد از آن‌ها موفق شده‌اند این فناوری را به محرک اصلی جریان درآمدی خود تبدیل کنند.

این تمایز، نقطه شروع بحث درباره دو رویکرد AI-First و AI-Native است. مسئله صرفاً میزان استفاده از مدل‌های هوش مصنوعی نیست؛ موضوع این است که سازمان چگونه از این قابلیت‌ها برای خلق ارزش، ارائه آن به مشتری و کسب بازده اقتصادی استفاده می‌کند. برای مدیران ارشد و مدیران ارشد فناوری، پرسش اصلی این است که
چه زمانی بهینه‌سازی فرایندهای موجود کافی است و چه زمانی باید خود مدل کسب‌وکار را تغییر داد؟

مرور پژوهش‌های نوآوری مدل کسب‌وکار مبتنی بر هوش مصنوعی منتشرشده در نشان می‌دهد که این حوزه هنوز از نظر مفهومی پراکنده است و پژوهش‌های آن از چارچوب‌ها و واحدهای تحلیل متفاوتی استفاده می‌کنند. بنابراین، برای تحلیل مدیریتی باید این مفاهیم را به‌صورت عملیاتی تعریف کرد، نه آنکه آن‌ها را طبقه‌بندی‌هایی قطعی و استاندارد بدانیم.

نوآوری مدل کسب‌وکار مبتنی بر هوش مصنوعی

همچنین، هوش مصنوعی در نوآوری مدل کسب‌وکار نقش‌های متفاوتی دارد؛ از تسهیل نوآوری گرفته تا ایجاد تحولات پیچیده و تحول‌آفرین. مقاله پژوهشیAI-driven business model innovation: A systematic review and research agendaمنتشرشده در Journal of Business Research، برای دستیابی به درکی جامع از نوآوری مدل کسب‌وکار مبتنی بر هوش مصنوعی (AI-driven BMI)، شش بُعد اصلی را شناسایی کرده است

• محرک‌ها
• محدودیت‌ها
• منابع و قابلیت‌ها
• کاربردهای هوش مصنوعی
• پیامدها
• مسائل مدیریتی و سازمانی

این ابعاد مستقل از یکدیگر نیستند، بلکه روابط متقابل آن‌ها چارچوبی یکپارچه برای تحلیل پژوهش‌های موجود فراهم می‌کند. یافته‌های این پژوهش نشان می‌دهد مطالعات مربوط به محدودیت‌ها و منابع عمدتاً رویکردی ایستا دارند و بر تأثیر عوامل مشخص بر پیکربندی مدل‌های کسب‌وکار متمرکزند. در مقابل، پژوهش‌های مرتبط با محرک‌ها و مسائل مدیریتی بیشتر رویکردی پویا اتخاذ کرده‌اند و نقش عوامل داخلی، خارجی، قابلیت‌ها و فرهنگ سازمانی را بررسی می‌کنند.

AI-First و AI-Native دقیقاً به چه معنا هستند؟

اصطلاحات AI-First و AI-Native در ادبیات مدیریتی همیشه با تعاریف یکسان به کار نمی‌روند. برای درک تمایز میان این دو مدل، می‌توان به چرخه تاریخی گذار از وب به موبایل در اواخر دهه ۲۰۰۰ میلادی بازگشت. «بن تامپسون» (Ben Thompson)، تحلیلگر برجسته حوزه استراتژی فناوری درStratecheryاشاره می‌کند، شرکت‌هایMobile-Firstشرکت‌هایی بودند که وب‌سایت‌های دسکتاپ موجود خود را به اپلیکیشن‌های موبایل منتقل کردند (مانند فیس‌بوک یا دراپ‌باکس در سال‌های ابتدایی)، درحالی‌که شرکت‌هایMobile-Native(مانند اوبر و اینستاگرام) مدل کسب‌وکار خود را بر پایه حسگرهای انحصاری موبایل یعنی GPS، دوربین و اعلان‌های آنی بنا کردند؛ کسب‌وکارهایی که بدون وجود گوشی هوشمند، اساساً امکان حیات نداشتند. همین دوگانگی امروز در معماری هوش مصنوعی سازمانی نیز حاکم است.

الگوی AI-First: بهینه‌سازی دارایی‌های فعلی برای هوش مصنوعی

AI-First به رویکردی راهبردی گفته می‌شود که در آن، قابلیت‌های هوش مصنوعی از ابتدا یکی از ملاحظات و اولویت‌های اصلی طراحی محصول، عملیات و تصمیم‌گیری هستند. شرکت AI-First الزاماً از ابتدا تأسیس نشده است؛ بلکه یک سازمان باسابقه نیز می‌تواند با بازنگری در فرایندها و اولویت‌های خود به این رویکرد نزدیک شود.

مزیت رقابتی این شرکت‌ها نه در خود مدل هوش مصنوعی، بلکه در توزیع، پایگاه مشتریان فعلی و داده‌های انحصاری انباشته‌شده در سامانه‌های قدیمی نظیر ERP و CRM است. از جمله اهداف عملیاتی این رویکرد نیز می‌توان به موارد زیر اشاره کرد

• افزایش بهره‌وری نیروی انسانی فعلی
• کاهش نرخ ریزش مشتری (Churn Rate)
• افزایش درآمد به‌ازای هر کاربر (ARPU)

الگوی AI-Native

رویکرد AI-Native به کسب‌وکاری اشاره دارد که محصولات و معماری عملیاتی آن با فرض وجود قابلیت‌های هوش مصنوعی طراحی شده‌اند. در چنین شرکتی، هوش مصنوعی فقط یک قابلیت جانبی نیست، بلکه بخشی از منطق اصلی ارائه محصول یا خدمت است. یک کسب‌وکار AI-Native از همان روز نخست بر پایه قابلیت‌های استنتاج، تولید و تصمیم‌گیری مدل‌های بنیادین هوش مصنوعی یا یادگیری ماشین پیشرفته بنا شده است. در یک شرکت AI-Native، اگر مدل هوش مصنوعی را از معماری سیستم حذف کنید، هیچ محصول یا خدمتی باقی نمی‌ماند. از جمله نمونه‌های بارز این مدل کسب‌وکار می‌توان به پلتفرم کدنویسی محبوبCursorو موتورهای جستجوی استنتاجی مانندPerplexityاشاره کرد.

فصل مشترک

البته این تمایز، دوگانه‌ای مطلق ایجاد نمی‌کند. یک شرکت باسابقه می‌تواند در بعضی محصولات AI-Native باشد، اما عملیات داخلی یا مدل درآمدی آن همچنان از منطق سنتی پیروی کند. همچنین، AI-Native بودن به‌خودی‌خود موفقیت مالی یا مزیت رقابتی پایدار را تضمین نمی‌کند. برای درک عمق این تغییر، باید چهار سطح را از هم جدا کرد

1. افزودن ابزار هوش مصنوعی به فعالیت‌های فعلی
2. بازطراحی گردش کار
3. تغییر محصول و ارزش پیشنهادی
4. بازتعریف مدل کسب‌وکار

در سطح چهارم، شرکت ممکن است نه‌تنها متفاوت کار کند، بلکه محصول متفاوتی بفروشد، به مشتریان جدیدی خدمت دهد یا درآمد خود را به شیوه دیگری کسب کند. چارچوب‌های نوین نوآوری مدل کسب‌وکار مبتنی بر هوش مصنوعی نیز بر ضرورت بررسی این تغییرات فراتر از صرف استقرار فناوری تأکید می‌کند.

چرا دیگر افزایش بهره‌وری به‌تنهایی کافی نیست؟

میان استفاده از هوش مصنوعی و بازطراحی واقعی کسب‌وکار فاصله زیادی وجود دارد.Deloitteدر نسخه فارسی گزارشوضعیت هوش مصنوعی سازمانیمی‌گوید دسترسی کارکنان به هوش مصنوعی در سال ۲۰۲۵ حدود ۵۰ درصد افزایش یافته است؛ بااین‌حال، فقط ۳۴ درصد سازمان‌های مورد بررسی در حال استفاده از هوش مصنوعی برای تحول عمیق، مانند ایجاد محصولات و خدمات جدید یا بازآفرینی فرایندها و مدل‌های کسب‌وکار، بوده‌اند. ۳۰ درصد بر بازطراحی فرایندهای کلیدی تمرکز داشته‌اند و ۳۷ درصد نیز عمدتاً از هوش مصنوعی در سطحی استفاده کرده‌اند که تغییر اندکی در فرایندهای موجود ایجاد می‌کند.

این یافته نشان می‌دهد که حتی در سطح یک وظیفه نیز اثر فناوری یکنواخت نیست. مهم‌تر اینکه افزایش بهره‌وری یک کارمند لزوماً به افزایش متناسب سود شرکت منجر نمی‌شود؛ نتیجه اقتصادی به تقاضا، هزینه‌های فناوری، نحوه استفاده از ظرفیت آزادشده و امکان تبدیل آن به فروش یا کیفیت بهتر بستگی دارد.

البته این داده‌ها الزاماً اثباتی بر یک رابطه علّی قطعی نیستند؛ ممکن است سازمان‌های موفق‌تر از ابتدا مدیریت بهتر، داده باکیفیت‌تر یا منابع بیشتری داشته باشند. بااین‌حال، یک پیام مدیریتی روشن دارند
خرید فناوری و افزایش دسترسی کارکنان به آن، با ایجاد ارزش اقتصادی پایدار یکسان نیست.

بازطراحی محصول و ارزش پیشنهادی در مدل کسب‌وکار مبتنی بر هوش مصنوعی

در مدل کسب‌وکار سنتی، محصول معمولاً مجموعه‌ای از قابلیت‌های مشخص است که مشتری برای استفاده از آن‌ها هزینه می‌پردازد. هوش مصنوعی مولد و هوش مصنوعی عامل‌محور می‌توانند این رابطه را تغییر دهند؛ زیرا مشتری ممکن است به‌جای خرید ابزار، خواهان دریافت نتیجه نهایی باشد.

به‌عنوان‌مثال در نرم‌افزار سازمانی، محصول می‌تواند از محیطی شامل فرم‌ها، گزارش‌ها و داشبوردها به سامانه‌ای تبدیل شود که کاربر هدف را بیان می‌کند و نرم‌افزار بخش مهمی از مراحل دستیابی به آن را اجرا می‌کند. این تغییر، به‌صورت بالقوه می‌تواند تجربه کاربری، فرایند فروش و حتی واحد مبنای قیمت‌گذاری را دگرگون کند. بااین‌حال، میزان موفقیت آن به قابلیت واقعی سامانه، کیفیت خروجی و نیاز مشتری بستگی دارد؛ زیرا گفت‌وگومحور شدن رابط کاربری به‌تنهایی به معنای نوآوری مدل کسب‌وکار نیست. چارچوب مجمع جهانی اقتصاد نیز بازطراحی عملیات و خلق ارزش جدید را در کنار زیرساخت فناوری و همکاری انسان و هوش مصنوعی قرار می‌دهد.

از منظر مدیریت محصول، پرسش‌های مهم عبارت‌اند از

• آیا قابلیت جدید مسئله‌ای واقعی را حل می‌کند؟
• آیا مشتریان حاضرند برای آن مبلغ بیشتری بپردازند؟
• آیا محصول از رقبایی که به همان مدل‌های پایه دسترسی دارند، متمایز است؟
• آیا شرکت می‌تواند هزینه ارائه خدمت را در مقیاس بزرگ کنترل کند؟

این پرسش‌ها اهمیت ویژه‌ای دارند، زیرا دسترسی به مدل‌های عمومی هوش مصنوعی به‌تنهایی مانع ورود نیست. اگر مزیت محصول صرفاً به یک قابلیت متداول وابسته باشد، رقبا نیز ممکن است آن را به‌سرعت بازتولید کنند. داده اختصاصی، ادغام در گردش کار مشتری، دانش تخصصی، اعتماد و هزینه تغییر تأمین‌کننده می‌توانند برای حفظ مزیت رقابتی مهم باشند؛ اما ارزش هرکدام باید در صنعت و بازار مشخص سنجیده شود.

بازآفرینی فرایند‌های سازمانی

یکی از خطاهای رایج در پروژه‌های هوش مصنوعی، خودکارسازی یک فعالیت بدون بازنگری در کل فرایند است. سازمان ممکن است یک مدل برای خلاصه‌سازی اسناد یا تهیه پیش‌نویس گزارش به کار گیرد، درحالی‌که مراحل تأیید، انتقال داده، ثبت نتیجه و تصمیم‌گیری همچنان بدون تغییر باقی می‌مانند.

بازطراحی عملیاتی در حضور هوش مصنوعی از پرسشی متفاوت آغاز می‌شود
اگر این فرایند را امروز و با قابلیت‌های هوش مصنوعی طراحی می‌کردیم، کدام مراحل را حفظ می‌کردیم، کدام را حذف می‌کردیم و چه تصمیم‌هایی را به سامانه می‌سپردیم؟

مک‌کنزی بازطراحی بنیادین گردش کار را از عوامل مرتبط با عملکرد بهتر سازمان‌ها می‌داند و نشان می‌دهد که سازمان‌های پیشرو در بهره‌وری هوش مصنوعی نه‌تنها بیشتر از فناوری استفاده می‌کنند، بلکه شیوه پیاده‌سازی و مدیریت آن را نیز متفاوت سازمان می‌دهند.

به‌عنوان‌مثال، در فرایند خدمات مشتری می‌توان از هوش مصنوعی فقط برای پاسخ‌گویی به پرسش‌های مربوط به سفارش‌ها استفاده کرد. اما در یک طراحی عمیق‌تر، سامانه می‌تواند اطلاعات فاکتور را استخراج کند، آن را با سفارش و قرارداد تطبیق دهد، مغایرت‌ها را تشخیص دهد و موارد استثنایی را برای بررسی انسانی ارسال کند. ارزش این طراحی تنها به سرعت استخراج اطلاعات وابسته نیست؛ بلکه تعداد مراحل دستی، نرخ خطا، زمان رسیدگی و هزینه هر تراکنش نیز باید اندازه‌گیری شود.

البته واگذاری وظایف به عامل‌های هوش مصنوعی مسئله پاسخ‌گویی را حذف نمی‌کند. هرچه سامانه اختیار بیشتری در اجرای اقدامات عملیاتی داشته باشد، نیاز به کنترل دسترسی، ثبت تصمیم‌ها، تعیین حدود اختیار و سازوکار توقف یا ارجاع به انسان مهم‌تر می‌شود. Deloitte نیز گزارش می‌کند که تنها یک‌پنجم شرکت‌های مورد بررسی دارای مدل حاکمیتی بالغ برای عامل‌های مستقل هوش مصنوعی بوده‌اند. این شکاف نشان می‌دهد که گسترش خودمختاری سامانه‌ها باید متناسب با توان نظارت و کنترل سازمان پیش برود

هوش مصنوعی مدل درآمدی را تغییر می‌دهد

یکی از بزرگ‌ترین شوک‌های مدیریتی در گذار به مدل‌های AI-Native و AI-First، دگرگونی ساختار مالی و مدل درآمدی شرکت‌های فناوری است. برای دو دهه، مدل «نرم‌افزار به‌عنوان خدمت» (SaaS) به دلیل یک ویژگی خاص مورد ستایش بازار سرمایه قرار داشتهزینه نهایی نزدیک به صفر برای تکثیر نرم‌افزار. طبق گزارش‌های سالانه شرکت سرمایه‌گذاری خطرپذیرBessemer Venture Partnersحاشیه سود ناخالص استاندارد برای برترین شرکت‌های SaaS همواره بین ۷۵ تا ۸۵ درصد بوده است.

اما ورود هوش مصنوعی به هسته محصول، این معادله را بر هم زد. صندوق سرمایه‌گذاریAndreessen Horowitz (a16z)در سال ۲۰۲۰، یعنی نزدیک به ۲ سال پیش از ظهور ChatGPT و همه‌گیری ابزارهای هوش مصنوعی مولد ادعا کرده بود که حاشیه سود ناخالص بسیاری از شرکت‌های مبتنی بر هوش مصنوعی در مراحل رشد، به دلیل هزینه‌های سنگین رایانش و استفاده از مدل‌ها، به بازه ۵۰ تا ۶۰ درصد سقوط خواهد کرد. در چنین شرایطی، سازمان‌ها با کلاف سردرگمی از مدل‌های درآمدی مختلف روبه‌رو خواهند بود.

معضل بهای تمام‌شده کالای فروش‌رفته (COGS) در معماری جدید

در یک سازمان AI-Native، برخلاف نرم‌افزار سنتی که در آن پردازش یک کوئری دیتابیس، هزینه‌ای تقریباً نزدیک به صفر دارد، هر اقدام کاربر نیازمند استنتاج (Inference) بر روی مدل‌های زبانی بزرگ یا چندوجهی است. این امر یک تناقض ایجاد می‌کند؛ در مدل‌های قیمت‌گذاری اشتراکی ثابت (Flat-rate)، پرمصرف‌ترین و وفادارترین مشتریان شما، زیان‌ده‌ترین مشتریان شما خواهند بود.

برای مثال، زمانی کهگیت‌هابدر سال‌های ابتدایی عرضه محصولGitHub Copilotآن را با قیمت ثابت ۱۰ دلار در ماه به‌ازای هر کاربر عرضه کردوال‌استریت ژورنالفاش کرد که مایکروسافت به طور میانگین به‌ازای هر کاربر بیش از ۲۰ دلار در ماه بابت هزینه‌های رایانش متضرر می‌شود و برای کاربران حرفه‌ای، این زیان به ۸۰ دلار در ماه نیز می‌رسد.

تغییر در مدل‌های قیمت‌گذاری از Per-Seat به Outcome-Based

مدیران ارشد در حال درک این واقعیت هستند که وقتی هوش مصنوعی بهره‌وری را افزایش می‌دهد، نیاز سازمانِ مشتری به استخدام نیروی انسانی جدید کاهش می‌یابد. بنابراین، اگر مدل درآمدی یک شرکت نرم‌افزاری بر پایه «تعداد صندلی/کاربر» (Per-Seat) باشد، موفقیت برنامه هوش مصنوعی آن شرکت مستقیماً به کاهش تعداد لایسنس‌های فروخته‌شده منجر خواهد شد؛ پدیده‌ای که تحلیلگران مؤسسهBain & Companyدر نسخه ۲۰۲۶ گزارشTechnology Reportخود از آن به‌عنوان «همنوع‌خواری درآمدی در نرم‌افزار» (SaaS Cannibalization) یاد می‌کنند.

در پاسخ به این چالش، کسب‌وکارهای AI-Native و XNET AI-First در حال مهاجرت به سه الگوی درآمدی جدید هستند

1. قیمت‌گذاری مبتنی بر خروجی و نتیجه (Outcome-Based Pricing)پیشگام این مدل در مقیاس سازمانی، شرکتIntercomبا عرضه عامل هوشمند خدمات مشتریان خود به نامFinبود. اینترکام به‌جای دریافت هزینه ماهانه به‌ازای هر کارشناس پشتیبانی، قیمت‌گذاری خود را بر روی ۰.۹۹ دلار به‌ازای هر پرونده‌ای که به طور کامل و موفقیت‌آمیز توسط هوش مصنوعی حل‌وفصل شود، تنظیم کرد. در این مدل، ریسک عدم کارایی هوش مصنوعی از دوش مشتری برداشته شده و حاشیه سود فروشنده مستقیماً به بهینه‌سازی فنی مدل گره می‌خورد.
2. قیمت‌گذاری مبتنی بر کارکرد یا گردش کار (Workflow/Action-Based Pricing)در این الگو، مشتری به‌ازای حجم عملیات پردازش‌شده هزینه می‌پردازد؛ مانند تعداد خطوط کد بازنویسی‌شده در سیستم‌های نوسازی نرم‌افزار.
3. بهینه‌سازی هزینه استنتاج (Inference Cost Optimization)برای حفظ حاشیه سود در مدل‌های بالا، مدیران فناوری مجبورند معماری محصول خود را به‌جای تکیه بر یک مدل زبانی بزرگ، به سمت معماری مسیریابی هوشمند مدل (Model Routing / Cascading) تغییر دهند.گزارش شاخص هوش مصنوعی استنفورد 2026نشان می‌دهد که استفاده از مدل‌های زبانی کوچک و تخصصی (SLM) که بر روی داده‌های اختصاصی تنظیم دقیق (Fine-tune) شده‌اند، می‌تواند تا ۸۰ درصد از بار ترافیکی سیستم را با کسری از هزینه مدل‌های بزرگ (LLM) مدیریت کند و تنها ۲۰ درصد از درخواست‌های پیچیده که نیازمند استدلال چندمرحله‌ای هستند به مدل‌های گران‌قیمت ارجاع داده شوند.

بنابراین، مدیران باید پیش از تغییر مدل قیمت‌گذاری، هزینه واقعی هر خروجی، سهم مداخله انسانی، نرخ خطا و اصلاح، هزینه محاسبات و احتمال تحقق نتیجه را محاسبه کنند. قیمت‌گذاری مبتنی بر نتیجه تنها زمانی منطقی است که نتیجه به‌صورت قابل‌اندازه‌گیری تعریف شود و شرکت بتواند هزینه و ریسک تحقق آن را مدیریت کند.

مدل آنتروپیک برای گذار به یک سازمان درآمدی AI-Native

در میان تحولات شتابان چشم‌انداز فناوری، سازمان‌های درآمدی (Revenue Organizations) با چالش‌های ساختاری پیچیده‌ای در بازدهی نیروی انسانی و مدیریت داده‌ها مواجه هستند. آنتروپیک معتقد است که سازمان‌ها اغلب با دو عارضه متضاد روبرو هستند

1. عدم بهره‌برداری بخش عمده‌ای از تیم از ابزارهای هوش مصنوعی موجود
2. انحصاری ماندن ترفندها و پرامپت‌های موفق در دست برترین فروشندگان بدون تعمیم آن به کل مجموعه

در پاسخ به این چالشآنتروپیکدر گزارشBuilding an AI-Native Revenue Organizationتحلیل و عملیاتی برای تبدیل هوش مصنوعی از یک «دستیار فردی» به «زیرساخت استراتژیک درآمدزایی» ارائه می‌دهد. آنتروپیک در این گزارش عنوان می‌کند که گذار به یک سازمان درآمدی مبتنی بر هوش مصنوعی (AI-Native) یک ارتقای ناگهانی نرم‌افزاری نیست، بلکه سیر تکاملی چهارمرحله‌ای است که بازدهی آن به میزان دسترسی، یکپارچه‌سازی سامانه‌ها و سطح اعتماد سازمانی اعطاشده به مدل هوش مصنوعی بستگی دارد؛ این ۴ مرحله شامل ادغام هوش مصنوعی در هر یک از بخش‌های زیر به ترتیب است

1. وظایف فردی
2. جریان‌های کاری تیمی
3. شاخص‌های کلیدی عملکرد دپارتمان
4. فرایندهای حیاتی کسب‌وکار

گذار به یک سازمان درآمدی مبتنی بر هوش مصنوعی، فراتر از خرید لایسنس نرم‌افزاری، نیازمند یکپارچه‌سازی عمیق با شریان‌های داده‌ای، استانداردسازی تجارب کارمنان در قالب مهارت‌های تیمی و اجرای نقشه‌راهی فازبندی‌شده با حاکمیت شفاف است. سازمان‌هایی که هوش مصنوعی را در فرایندهای حیاتی و شاخص‌های کلیدی خود ادغام می‌کنند، بازدهی را از صرفه‌جویی در دقایق، به جهش‌های چندبرابری در درآمد و ارتقای چشمگیر کیفیت عملیاتی تبدیل خواهند کرد.

بازطراحی ساختار سازمانی؛ وظایف جدید مدیران ارشد

ساختن یک سازمان AI-Native یا گذار موفق به الگوی AI-First، پیش از آنکه یک چالش الگوریتمی باشد، یک چالش مهندسی سیستم و مدیریت تغییر است.گروه مشاوره بوستون (BCG)در نسخه فارسی گزارششکاف بزرگ ارزش‌آفرین هوش مصنوعینشان می‌دهد که سازمان‌هایی که بیشترین خلق ارزش مالی از هوش مصنوعی را دارند، از قانون «۱۰-۲۰-۷۰» پیروی می‌کنند

1. ۱۰ درصد تلاش و منابع صرف الگوریتم‌ها و مدل‌ها می‌شود.
2. ۲۰ درصد صرف ساخت زیرساخت فناوری و داده می‌شود.
3. ۷۰ درصد صرف بازطراحی فرایندهای کسب‌وکار و تغییر فرهنگ و مهارت‌های سازمانی می‌شود.

همچنینIBMنیز در نسخه فارسی گزارشبازآرایی ساختار مدیران ارشدبیان می‌کند که سال ۲۰۲۶ دوره‌ای است که در آن مدیران عامل باید ساختار تصمیم‌گیری، توزیع قدرت سازمانی و نقش فناوری در هدایت کسب‌وکار را از نو تعریف کنند.

مطابق تحقیقات IBM، سازمان‌هایی که رویکرد AI-First را در سطح مدیریتی پیاده کرده‌اند، موفق‌تر از سایر رقبا توانسته‌اند برنامه‌های هوش مصنوعی را در مقیاس سازمانی اجرا کنند. یکی از شاخص‌ترین داده‌های گزارش، رشد سریع نقش Chief AI Officer است؛ به‌طوری‌که سهم شرکت‌هایی با این جایگاه مدیریتی از ۲۶ درصد در سال قبل به ۷۶ درصد رسیده است. IBM این تغییر را نشانه‌ای از گذار هوش مصنوعی از مرحله آزمایش به هسته تصمیم‌سازی کسب‌وکار می‌داند.

از همین رو، IBM بر مبنای ۵ پیش‌بینی برای سال ۲۰۳۰، ۵ راهبرد برای دستیابی به ۵ دستاورد را پیشنهاد می‌دهد

1. بازاندیشی ساختار مدیران ارشد برای افزایش سرعت و شفافیت
2. ایجاد چرخ‌لنگر عامل‌های هوش مصنوعی
3. سفارشی‌سازی ترکیب هوش مصنوعی و نه‌فقط مدل‌های هوش مصنوعی
4. یکپارچه‌سازی هوش انسانی و مصنوعی
5. آمادگی برای آینده‌های غیرقابل‌پیش‌بینی

IBM معتقد است مزیت رقابتی آینده تنها از سرمایه‌گذاری در مدل‌های هوش مصنوعی به دست نمی‌آید؛ بلکه از توانایی مدیران در بازطراحی ساختار سازمان، فرهنگ تصمیم‌گیری و هم‌افزایی میان انسان و ماشین حاصل خواهد شد.

ICONIQنیز در نسخه فارسی گزارشراهنمای عملی کارآفرینانمروری جامع و تحلیلی از فضای رو‌به‌رشد هوش مصنوعی ارائه می‌دهد. ICONIQ با تمرکز بر تجربیات و استراتژی‌های شرکت‌های پیشرو در ساخت محصولات مبتنی بر هوش مصنوعی، به‌ویژه ابزارهای هوش مصنوعی مولد، به بررسی دقیق اکوسیستم نوآوری، چالش‌های فنی، روندهای سرمایه‌گذاری و تغییرات بازار برای سازمان‌های AI-Native و AI-First می‌پردازد. آنچه گزارشراهنمای عملی کارآفرینانرا متمایز می‌کند، بهره‌گیری از زاویه نگاه بیش از ۱۰۰ بازیگر اصلی صنعت هوش مصنوعی در جهان است؛ یعنی بنیان‌گذاران، مهندسان و طراحانی که در خط مقدم توسعه ابزارها و محصولات هوش مصنوعی قرار دارند.

از راهبرد تا اجرا: مدیران چه تصمیم‌هایی باید بگیرند؟

بازطراحی AI-First با انتخاب ابزار شروع نمی‌شود؛ با شناسایی مسئله اقتصادی یا عملیاتی شروع می‌شود. رویکرد پیشنهادی برای مدیران در پنج گام خلاصه می‌شود

1. به‌جای فناوری، مسئله را تعریف کنید.به‌جای «استفاده از عامل هوش مصنوعی در منابع انسانی»، هدفی قابل‌سنجش تعیین کنید؛ مانند کاهش زمان تکمیل فرایند استخدام، بهبود کیفیت تطبیق یا کاهش هزینه رسیدگی به درخواست‌ها.
2. وضعیت پایه را اندازه بگیرید.هزینه، زمان، کیفیت، نرخ خطا، حجم کار و تجربه مشتری پیش از مداخله باید ثبت شوند. بدون خط مبنا، تشخیص ارزش افزوده دشوار است.
3. گردش کار را از ابتدا بررسی کنید.مشخص کنید کدام مراحل باید خودکار شوند، کدام تصمیم‌ها به انسان نیاز دارند و چه داده‌هایی باید میان سامانه‌ها جابه‌جا شوند. هدف، افزودن یک ابزار به فرایند ناکارآمد نیست؛ بلکه طراحی فرایندی بهتر است.
4. اقتصاد مدل را بسنجید.هزینه فناوری، نظارت، اصلاح، امنیت و یکپارچه‌سازی را کنار درآمد یا صرفه‌جویی واقعی قرار دهید. در صورت تغییر قیمت‌گذاری، مشخص کنید کدام طرف ریسک عدم تحقق نتیجه را برعهده می‌گیرد.
5. حاکمیت و مسئولیت را هم‌زمان طراحی کنید.هرجا هوش مصنوعی در تصمیم یا اقدام مهم دخالت دارد، مالک فرایند، حدود اختیار سامانه، نقاط تأیید انسانی و سازوکار رسیدگی به خطا باید روشن باشند. این مسئله با افزایش استفاده از عامل‌های هوش مصنوعی اهمیت بیشتری پیدا می‌کند؛ به‌ویژه آنکه پژوهش‌های صنعتی همچنان از شکاف میان گسترش فناوری و بلوغ حاکمیت خبر می‌دهند

قدم‌به‌قدم با تدوین یک برنامه جامع برای ورود عامل‌های هوش مصنوعی به سازمان

نشریه کسب‌وکار هارواردنیز معتقد است که بیشتر مدیران ارشد بر این باورند که چالش اصلی در پذیرش هوش مصنوعی عامل‌محور، یافتن راهی برای سازگاری با یک فناوری جدید و مهم است؛ اما در واقع، مسئله اصلی مدیریت کار است. ازاین‌رو، «جوزف فولر» (Joseph Fuller)، استاد مدیریت دانشگاه هاروارد در گزارشی در نشریه کسب‌وکار هاروارد، ۶ پیشنهاد ارائه می‌کند که در جریان کمک به شرکت‌های پیشرو در صنایع مختلف برای تحقق این هدف تدوین کرده است

1. برای هر عامل هوش مصنوعی شرح شغل تعریف کنید
2. عامل هوش مصنوعی را برای رفع مشکلات همکاران انسانی طراحی کنید
3. عملکرد هر عامل هوش مصنوعی را به طور منظم ارزیابی کنید
4. برای هر عامل هوش مصنوعی یک ناظر انسانی تعیین کنید
5. عامل‌های هوش مصنوعی را به‌عنوان کارآموز استخدام کنید و برای دستیابی به جایگاه تمام‌وقت، آن‌ها را بیازمایید
6. برای هر عامل هوش مصنوعی یک نام انتخاب کنید

ادغام هوش مصنوعی عامل‌محور در سازمان‌های بزرگ، به چیزی فراتر از اثبات توجیه اقتصادی کسب‌وکار نیاز دارد. این کار مستلزم بازاندیشی در شیوه مدیریت کار و تدوین مسیری برای تحقق تغییرات ضروری است. سریع‌ترین راه برای دستیابی به این هدف، استفاده از سازوکارهای مدیریت کار است که مدیران ارشد، مدیران میانی و کارکنان همگی با آن‌ها آشنایی دارند. گسترش این ابزارها به‌گونه‌ای که شمار فزاینده کارکنان مجازیِ عامل‌محور را نیز در بر بگیرند، گذار دشوار سازمان به این الگوی جدید را تسهیل می‌کند.

ریسک‌های استراتژیک مدل کسب‌وکار مبتنی بر هوش مصنوعی

در کنار فرصت‌های بی‌سابقه، شتاب‌زدگی در اتخاذ این مدل‌ها بدون درک ریسک‌های ساختاری، بسیاری از سازمان‌ها را با شکست‌های پرهزینه مواجه کرده است. پژوهش‌های دانشگاهی و گزارش‌های صنعتی به ۳ ریسک اصلی اشاره دارند که مدیران ارشد باید برای مهار آن‌ها برنامه‌ریزی کنند.

تله «پوسته نازک» (Thin Wrapper Trap)

بسیاری از پروژه‌های درون‌سازمانی یا استارتاپ‌ها، تنها یک رابط کاربری ساده بر روی API می‌کشند. با هر به‌روزرسانی جدید از سوی ارائه‌دهندگان مدل‌های بنیادین، این لایه‌های نازک یک‌شبه ارزش خود را از دست می‌دهند. اگر محصول شما فاقد داده‌های اختصاصی، منطق کسب‌وکار پیچیده و یکپارچگی عمیق با سیستم‌های عملیاتی باشد، در واقع شما در حال ساختن یک ویژگی رایگان برای نسخه بعدی مدل‌های پایه هستید.

بدهی فنی

سامانه‌های مبتنی هوش مصنوعی مستعد نوع خطرناکی از بدهی فنی هستند که در کدهای سنتی وجود ندارد؛ یعنی وابستگی داده‌ها و تغییر رفتار پنهان در نرم‌افزار سنتی، وقتی یک سرویس از کار می‌افتد، سیستم پیام خطا می‌دهد؛ اما در سیستم‌های AI-Native، تغییر نامحسوس در توزیع داده‌های ورودی با اصطلاحاً «رانش داده» (Data Drift) یا به‌روزرسانی وزن‌های مدل توسط ارائه‌دهنده ابری، می‌تواند بدون ایجاد هیچ خطای سیستمی، دقت پاسخ‌ها را به طور قابل‌توجهی کاهش دهد و تصمیمات تجاری فاجعه‌باری رقم بزند.

ریسک‌های امنیتی، حاکمیتی و حقوقی

زمانی که هوش مصنوعی از حالت «چت‌بات مشاور» خارج شده و در معماری‌های عامل‌محور دسترسی اقدام پیدا می‌کند، سطح حملات سایبری به‌کلی تغییر می‌کند. حملاتی نظیر تزریق غیرمستقیم پرامپت (Indirect Prompt Injection) که در آن یک دستور مخرب پنهان‌شده در یک رزومه، ایمیل یا صفحه وب، عامل هوش مصنوعی شرکت را فریب می‌دهد تا اطلاعات محرمانه را به بیرون ارسال کند؛ یکی از بزرگ‌ترین تهدیدات امنیتی سازمان‌های مدرن است. علاوه بر این، مسائل مربوط به مسئولیت حقوقی تصمیمات خودکار و انطباق با قوانین و رگولاتوری‌ها نیازمند ایجاد لایه‌های نظارتی سخت‌گیرانه پیش از استقرار عمومی است.

بازطراحی باید به ارزش قابل‌اندازه‌گیری منجر شود

AI-First و AI-Native بودن سازمان بیش از آنکه برچسب‌هایی برای میزان استفاده از هوش مصنوعی باشند، پرسش‌هایی درباره نحوه طراحی کسب‌وکار مطرح می‌کنند. شرکت می‌تواند از هوش مصنوعی برای کاهش هزینه استفاده کند، اما فرصت راهبردی‌تر زمانی پدیدار می‌شود که بتواند محصول، گردش کار، ساختار سازمانی یا مدل درآمدی خود را به شیوه‌ای اقتصادی و متمایز بازطراحی کند.

برای مدیران ارشد، تصمیم اصلی این نیست که شرکت تا چه اندازه از هوش مصنوعی استفاده می‌کند. پرسش مهم‌تر این است که

• کدام بخش از منطق کسب‌وکار باید تغییر کند؟
• چه مزیت اقتصادی یا رقابتی از این تغییر انتظار می‌رود؟
• با چه شاخص‌هایی می‌توان تحقق آن را سنجید؟

پاسخ به این پرسش، مرز میان استقرار فناوری و بازآفرینی کسب‌وکار را روشن می‌کند.

در نهایت، تمایز میان برندگان و بازندگان دهه پیش رو در نحوه استفاده از هوش مصنوعی به‌عنوان یک ابزار جانبی نخواهد بود؛ بلکه در عزم مدیریتی برای بازنویسی قوانین بنیادین کسب‌وکار است.

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