استفاده مدیران ارشد از هوش مصنوعی: چارچوبی عملیاتی برای خلق ارزش واقعی

استفاده مدیران ارشد از هوش مصنوعی دیگر نه یک تصمیم شخصی یا موضوعی حاشیه ای در نشست های هیات مدیره، بلکه به پایه ای کلیدی برای بقا و پیروزی شرکت ها در دوران نوسانات دیجیتال بدل گشته است. داده های آماری نمایی هشداردهنده ارایه می دهند: بر مبنای ارزیابی های موسسه ی گارتنر در سال ۲۰۲۶، فراتر از ۸۰ درصد مجموعه ها هیچ گونه سودآوری ملموسی از بودجه های تخصیص یافته به این فناوری به دست نیاورده اند.

با این وجود، موضوع تامل برانگیزتر این جاست که ریشه ی این ناکامی ها ارتباطی با ضعف ذاتی فناوری ندارد؛ بلکه از این واقعیت سرچشمه که «هیچ کس مسئولیت پیامدها را قبول نمی کند.» مجموعه هایی که بیش ترین دستاورد را از هوش مصنوعی داشته اند، رهبران شان هم زمان و به صورت روزمره از این ابزار در حوزه های پیش بینی، اتخاذ تصمیمات و ارزیابی عملکرد کارکنان بهره می برند.

این نوشتار با الهام از پژوهش تخصصی گارتنر (تیرماه ۱۴۰۵ / ژوئیه ۲۰۲۶) نگاشته شده و رویکردی کاربردی و سه مرحله ای تحت عنوان «شناخت-اعتبارسنجی-مسئولیت پذیری»1 ارایه می دهد؛ متدی که مقوله ی پاسخ گویی هوش مصنوعی را از دپارتمان سنتی IT خارج کرده و به طور مستقیم به دستور کار هیات مدیره وارد می سازد. به علاوه، وظایف اختصاصی مدیرعامل (CEO)، مدیر ارشد فناوری (CIO)، مدیر مالی (CFO) و مسئول منابع انسانی (CHRO) جهت دستیابی به ارزش های واقعی این فناوری کالبدشکافی خواهد شد.

در بخش های آتی بررسی خواهیم کرد که به چه دلیل تنها ۲۱ درصد از مدیران ارشد تسلط واقعی بر این حوزه دارند، چرا ۹۱ درصد از آن ها سطح دانش خود را غیرواقعی جلوه می دهند و از همه مهم تر، چطور هر مدیر اجرایی قادر است با گام های روزمره و مشخص، هوش مصنوعی را از قالب یک طرح آزمایشی خارج کرده و به تحولی بنیادین و ماندگار در ساختار سازمان بدل سازد.

_{شکاف بزرگ: چرا سرمایه گذاری های هوش مصنوعی ارزش خلق نمی کنند؟}

پرسش مرکزی که گزارش گارتنر مطرح می کند، ساده اما عمیق است: اگر هوش مصنوعی فناوری قدرتمندی است، چرا اکثریت قاطع سازمان ها از سرمایه گذاری در آن بازده معناداری به دست نمی آورند؟

پاسخ را نباید در محدودیت های فنی جست وجو کرد. الگوریتم ها پیشرفت کرده اند، قدرت محاسباتی افزایش یافته و داده ها بیش از هر زمانی در دسترس هستند. مشکل اصلی در لایه ی مدیریتی و حکمرانی سازمانی نهفته است. پروژه های هوش مصنوعی در بسیاری از سازمان ها بدون مالک مشخص آغاز می شوند، بدون معیار روشن برای سنجش موفقیت ادامه می یابند و بدون مسئول پاسخ گو به حیات خود ادامه می دهند؛ حتا زمانی که شواهد حاکی از ناکارآمدی آن هاست.

این وضعیت منجر به پدیده ای شده که می توان آن را «پروژه های زامبی هوش مصنوعی» نامید: پروژه هایی که نه زنده اند و نه مرده؛ منابع سازمان را مصرف می کنند، اما ارزش قابل توجهی خلق نمی کنند. هیچ کس شجاعت متوقف کردن آن ها را ندارد، زیرا از همان ابتدا مشخص نبوده چه کسی مالک نتایج است و چه معیاری برای موفقیت یا شکست تعریف شده است.

یافته ی دیگر گارتنر نگران کننده تر است: در حالی که فقط ۲۱ درصد مدیران ارشد واقعا درک عمیقی از هوش مصنوعی و کاربردهایش دارند، ۹۱ درصد آن ها اعتراف می کنند که سطح دانش خود را بیش از واقع به سازمان نشان می دهند. این شکاف میان ادعا و واقعیت، فضایی ایجاد می کند که در آن تصمیم های سرمایه گذاری بر پایه ی توقعات غیرواقعی اتخاذ می شوند و شکست نتایج، به بازی سرزنش میان واحدها تبدیل می شود.

_{چارچوب «شناخت-اعتبارسنجی-مسئولیت پذیری»: استفاده مدیران ارشد از هوش مصنوعی با پاسخ گویی واقعی}

برای خروج از این بن بست، گارتنر چارچوبی سه مرحله ای پیشنهاد می کند که هسته ی اصلی آن، انتقال مسئولیت هوش مصنوعی از واحد فناوری اطلاعات به سطح هیات مدیره است. این چارچوب «شناخت-اعتبارسنجی-مسئولیت پذیری» (Name-Prove-Own) نام دارد و هر مرحله ی آن، نقشی مشخص در تضمین خلق ارزش واقعی ایفا می کند.

مرحله ی اول: شناخت (Name)

پیش از آن که حتا یک ریال برای پروژه ی هوش مصنوعی هزینه شود، باید سه پرسش بنیادین پاسخ داده شوند: ارزش تجاری مورد انتظار چیست؟ معیار موفقیت به طور دقیق چه گونه تعریف می شود؟ و مهم تر از همه، نام کدام مدیر ارشد به عنوان مالک نتایج روی این پروژه قرار می گیرد؟

این مرحله، در ظاهر ساده اما در عمل بسیار تحول آفرین است. تجربه نشان داده پروژه هایی که از همان ابتدا یک مالک اجرایی مشخص در سطح مدیریت ارشد دارند، احتمال بسیار بیش تری برای تحقق بازده سرمایه گذاری دارند. هم چنین باید از همان آغاز مشخص شود که هدف پروژه صرفه جویی در هزینه ها (آن چه گارتنر آن را «پول آبی» می نامد) است یا رشد درآمد و سودآوری («پول سبز»). این تمایز؛ مسیر ارزیابی، تخصیص منابع و نحوه ی سنجش موفقیت را به طور بنیادین تغییر می دهد.

مرحله ی دوم: اعتبارسنجی (Prove)

هیچ پروژه ی هوش مصنوعی نباید پیش از اعتبارسنجی ارزش در یک محیط واقعی، به مقیاس سازمانی برسد. این مرحله، ایجاد آن چه گارتنر آن را «میدان آزمایش2» می نامد، ضروری می سازد: محیطی ساختارمند که در آن مدیران ارشد، هوش مصنوعی را در برابر داده های واقعی و با ریسک های واقعی آزمایش می کنند.

آزمایش های کوتاه مدت با معیارهای موفقیت شفاف، دو کارکرد حیاتی دارند: اول آن که ایده های ناکارآمد را زودتر شناسایی و متوقف می کنند و از اتلاف منابع جلوگیری می نمایند. دوم آن که به ایده های خوب، اعتبار و شواهد لازم برای کسب حمایت سازمانی جهت مقیاس پذیری می بخشند. بدون این مرحله، تصمیم گیری درباره ی ادامه یا توقف پروژه ها بر اساس حدس و گمان صورت می گیرد، نه شواهد عینی.

مرحله ی سوم: مسئولیت پذیری (Own)

اعتبارسنجی ارزش، تنها نیمی از کار است. نیمه ی دیگر، اطمینان از آن است که پس از پایان مرحله ی آزمایشی، مسئولیت نتایج هم چنان بر عهده ی فرد مشخصی باقی بماند. بسیاری از پروژه های هوش مصنوعی در مرحله ی آزمایشی نتایج امیدوارکننده ای نشان می دهند؛ اما پس از استقرار سازمانی، به تدریج بی صاحب می شوند و کارایی خود را از دست می دهند.

در مرحله ی مسئولیت پذیری، باید نشانه ها و شاخص های پایش مستمر تعریف شوند و پاسخ گویی رسمی نسبت به نتایج، در ساختار سازمانی تعبیه گردد. این کار تضمین می کند که ارزش خلق شده از هوش مصنوعی، فراتر از یک پروژه ی مقطعی، به تغییری سازمانی و پایدار تبدیل شود.

نکته ی کلیدی آن است که اگر سازمان پیش از آغاز هر پروژه، بر سر قواعد این چارچوب سه مرحله ای توافق کند، از بازی های سرزنش بی پایان و پروژه های زامبی جلوگیری می شود. توافق از پیش بر قواعد، بهترین سپر در برابر هرج ومرج سازمانی است.

_{نقش متمایز هر مدیر ارشد: یک فناوری، چهار مسئولیت}

قدرت چارچوب «شناخت-اعتبارسنجی-مسئولیت پذیری» زمانی آشکار می شود که هر یک از مدیران ارشد، نقش خاص خود را در آن بشناسند و اقدامات روزانه ی مشخصی بر عهده بگیرند. هوش مصنوعی یک فناوری واحد است، اما مسئولیت تحقق ارزش آن، بر عهده ی چهار نقش متمایز در سطح مدیریت ارشد قرار دارد.

مدیرعامل (CEO): حامی ارزش و رفع کننده ی موانع

تفاوت میان چارچوبی که دوام می آورد و چارچوبی که به آرامی کنار گذاشته می شود، اغلب در آن است که آیا مدیرعامل پیش از بروز نخستین بن بست، موضع خود را به صراحت اعلام کرده است یا نه. نقش مدیرعامل نه طراحی جزییات فنی، بلکه حمایت آشکار و علنی از اولویت بندی هوش مصنوعی و مداخله ی قاطع در لحظات بحرانی است.

توصیه ی عملی آن است که مدیرعامل به جای ایجاد ساختار حکمرانی جدید، چارچوب «شناخت-اعتبارسنجی-مسئولیت پذیری» را به عنوان بند ثابت دستور جلسات دو نفره و کمیته های راهبری موجود اضافه کند. هنگامی که اختلاف نظری میان مدیران ارشد درباره ی ادامه یا توقف یک پروژه بروز کند، مدیرعامل باید به صراحت موضع بگیرد. این موضع گیری علنی، هم از سایر مدیران در برابر فشارهای سازمانی محافظت می کند و هم شرایط اجرای تصمیم هایی را فراهم می سازد که قواعدش از پیش تعیین شده است.

مدیر ارشد فناوری اطلاعات (CIO): سازنده ی محیط آزمایش امن

نقش مدیر ارشد فناوری اطلاعات از «روشن نگه داشتن چراغ ها» به مسئولیتی بسیار گسترده تر تکامل یافته است. وظیفه اصلی CIO در چارچوب هوش مصنوعی، ساختن «میدان آزمایش»ی است که در آن سایر مدیران ارشد بتوانند بدون نگرانی از ایجاد اختلال در عملیات جاری، آزمایش و نوآوری کنند.

این میدان آزمایش باید سرعت اجرا، دسترسی به داده های واقعی، منابع محاسباتی کافی، پشتیبانی ابزاری و مسیر روشنی برای مقیاس پذیری را فراهم کند. منطق ساده اما مهمی پشت این الزام وجود دارد: نمی توان مدیران را بابت نتایج مسئول دانست، اگر ابزار لازم برای موفقیت در اختیارشان قرار نگرفته باشد.

یافته های گارتنر نشان می دهد نزدیک به دو سوم سازمان ها، نبود توانمندسازی کافی را مهم ترین مانع تحقق ارزش هوش مصنوعی می دانند. این فقدان توانمندسازی، فرهنگ ریسک گریزی و سرزنش متقابل را تقویت می کند؛ فرهنگی که در آن هیچ کس حاضر نیست ریسک نوآوری را بپذیرد؛ زیرا می داند در صورت شکست، مسئولیت آن بر دوشش خواهد افتاد بدون آن که امکانات لازم در اختیارش بوده باشد.

مدیر ارشد فناوری اطلاعات با ساختن این میدان آزمایش، از نقش فقط فنی خارج می شود و به «همتای نوآوری» سایر مدیران ارشد تبدیل می شود؛ کسی که میزی ساخته است که همه می خواهند پای آن بنشینند.

مدیر ارشد مالی (CFO): نگهبان ارزش واقعی

وعده های هوش مصنوعی آسان اند؛ اما سنجش واقعی آن ها، کار مدیر ارشد مالی است. نقش CFO در زیست بوم هوش مصنوعی سازمانی آن است که اطمینان یابد ارزش ادعاشده، واقعا به ارزش مالی قابل اندازه گیری ترجمه شده است.

تمرکز CFO باید بر «پول سبز» یعنی رشد درآمد و سودآوری باشد، نه فقط بر صرفه جویی های هزینه ای. هوش مصنوعی باید ابزاری برای دقیق تر کردن پیش بینی های مالی، شناسایی زودهنگام ریسک ها و پیوند دادن شاخص های عملکردی هوش مصنوعی به اهداف مالی سازمان باشد. مدیر ارشد مالی باید گفتمان سازمانی را از «آیا واحد فناوری اطلاعات تحویل داد؟» به «آیا کسب وکار توانست ارزش را به سود تبدیل کند؟» تغییر دهد.

وظیفه ی دیگر CFO آن است که وقتی سایر مدیران ارشد ادعای خلق ارزش از پروژه های هوش مصنوعی می کنند، از آن ها بخواهد ادعای خود را با شواهد مالی اعتبارسنجی کنند. این نقش، نقش نگهبانی است که مانع از تبدیل شدن گزارش های هوش مصنوعی به «نمایش ارزش» می شود؛ وضعیتی که در آن همه چیز در ارایه های پاورپوینت عالی به نظر می رسد، اما در صورت های مالی هیچ اثری ندارد.

مدیر ارشد منابع انسانی (CHRO): معمار آمادگی سازمانی

یافته های گارتنر تاکید می کنند که سازمان های دارای نیروی انسانی آماده برای هوش مصنوعی، احتمال بیش تری برای حفظ پایدار نتایج دارند. مدیر ارشد منابع انسانی نقشی حیاتی در پر کردن شکاف میان مدیرانی که می دانند هوش مصنوعی مهم است و مدیرانی که به واقع از آن استفاده می کنند، ایفا می کند.

نقش CHRO در چارچوب هوش مصنوعی دوبخشی است. بخش نخست، تایید آمادگی تیم ها پیش از مقیاس پذیری پروژه ها. در حالی که مدیر ارشد فناوری اطلاعات زیرساخت فنی آزمایش را فراهم می کند، مدیر ارشد منابع انسانی باید تایید کند که جریان های کاری، نقش ها، شاخص های عملکردی و ساختار پاسخ گویی تیم ها برای پذیرش هوش مصنوعی بازطراحی شده اند. بدون این بازطراحی، استقرار هوش مصنوعی در مقیاس سازمانی، نه تنها اثربخش نخواهد بود، بلکه ممکن است مقاومت و اختلال ایجاد کند.

بخش دوم، توسعه ی سواد هوش مصنوعی در سطح سازمان. CHRO باید آموزش هوش مصنوعی را در برنامه های توسعه ی رهبری و مسیر شغلی مدیران تعبیه کند و ابزارهای هوش مصنوعی را در جریان کار روزانه ی کارکنان ادغام نماید، پیش از آن که از آن ها انتظار حمایت از این فناوری را داشته باشد. به بیان ساده تر، نمی توان از کسی خواست سفیر فناوری ای باشد که هرگز با آن کار نکرده است.

_{چرا پاسخ گویی، نه فناوری، عامل تعیین کننده است؟}

اگر بخواهیم پیام محوری گزارش گارتنر را در یک جمله خلاصه کنیم، آن جمله این است: «اغلب ابتکارات هوش مصنوعی نه به دلیل ناکارآمدی فناوری، بلکه به این دلیل شکست می خورند که هیچ کس مسئولیت پذیری نتایج را بر عهده نمی گیرد.»

این یافته، هم راستا با ادبیات گسترده ی حکمرانی شرکتی است. دهه ها پژوهش در حوزه ی مدیریت نشان داده که فناوری های جدید، از سامانه های برنامه ریزی منابع سازمانی (ERP) گرفته تا رایانش ابری، زمانی ارزش پایدار خلق می کنند که در ساختار مسئولیت پذیری و پاسخ گویی سازمانی تعبیه شوند. هوش مصنوعی نیز از این قاعده مستثنا نیست.

آن چه چارچوب «شناخت-اعتبارسنجی-مسئولیت پذیری» را از بسیاری از مدل های مدیریت فناوری متمایز می کند، ماهیت «سیاسی» آن است، نه فقط فنی. این چارچوب، به جای آن که بر معماری فناوری تمرکز کند، بر معماری پاسخ گویی تاکید دارد. مشخص می کند چه کسی قبل از شروع، مالک نتایج است؛ چه کسی در مرحله ی آزمایش، معیارهای موفقیت را داوری می کند و چه کسی پس از استقرار، پاسخ گوی نتایج بلندمدت خواهد بود.

این رویکرد، ریسک های سیاسی درون سازمانی را نیز کاهش می دهد. وقتی قواعد بازی از پیش مشخص باشد، بن بست ها قابل پیش بینی و حل وفصل می شوند و فضا برای سرزنش متقابل یا فرار از مسئولیت به کمینه می رسد.

_{از آزمایش تا تحول پایدار: مسیر عملیاتی}

یکی از نقاط قوت رویکرد گارتنر، تاکید بر عملیاتی سازی از طریق ساختارهای موجود است. بسیاری از سازمان ها وقتی با فناوری جدیدی مواجه می شوند، نخستین واکنش شان ایجاد کمیته، شورا یا ساختار حکمرانی جدید است. اما تجربه نشان داده که این ساختارهای موازی اغلب خود به مانعی تبدیل می شوند.

پیشنهاد گارتنر آن است که به جای ساختن لایه های حکمرانی جدید، چارچوب هوش مصنوعی را در جلسات دو نفره موجود میان مدیرعامل و مدیران ارشد، در دستور جلسات کمیته های راهبری فعلی و در فرایندهای بودجه ریزی و ارزیابی عملکرد جاری ادغام کنیم. این رویکرد هم سرعت اجرا را افزایش می دهد و هم مقاومت سازمانی را کاهش می دهد.

نکته ی ظریف دیگری نیز وجود دارد: پاسخ گویی زودهنگام و نابه جا می تواند نوآوری را بکشد. گارتنر هشدار می دهد که اگر پیش از آن که ابزارها و زیرساخت لازم در اختیار مدیران قرار بگیرد، آن ها را بابت نتایج مسئول بدانیم، نتیجه ای جز فرهنگ ریسک گریزی و اجتناب از نوآوری نخواهیم داشت. ترتیب درست آن است که ابتدا توانمندسازی صورت بگیرد و سپس پاسخ گویی مطالبه شود.

_{نگاهی به آینده: هوش مصنوعی به عنوان سرمایه ی سازمانی}

اگر استفاده مدیران ارشد از هوش مصنوعی را در چشم اندازی بلندمدت تر ببینیم، تصویر روشنی شکل می گیرد. مدیرانی که بیش ترین بازده را از هوش مصنوعی کسب می کنند، به این فناوری نه به عنوان یک پروژه ی فناوری، بلکه همانند هر سرمایه گذاری دیگری نگاه می کنند: سرمایه ای که باید نام گذاری شود، اندازه گیری شود و مالکی داشته باشد.

این تغییر نگاه، تحولی عمیق تر از آن چه در نگاه اول به نظر می رسد، ایجاد می کند. وقتی هوش مصنوعی از یک آزمایش فناوری به یک سرمایه ی سازمانی با مالک مشخص، معیارهای سنجش شفاف و ساختار پاسخ گویی رسمی تبدیل شود، ارزش آن از یک پروژه ی مقطعی فراتر می رود و به بخشی پایدار از DNA سازمانی بدل می شود.

_{جمع بندی: سه اصل بنیادین}

پیام نهایی برای تمامی مدیران ارشد، سیاست گذاران و دانشجویانی که آینده ی مدیریت فناوری را می سازند، در سه اصل بنیادین خلاصه می شود:

• اول، هیچ پروژه ی هوش مصنوعی نباید بدون مالک مشخص در سطح مدیریت ارشد آغاز شود. شناخت، نخستین و شاید مهم ترین گام است.
• دوم، هیچ پروژه ای نباید پیش از اعتبارسنجی ارزش در محیط واقعی، به مقیاس سازمانی برسد. شتاب زدگی در مقیاس پذیری، بزرگ ترین تهدید برای بازده ی سرمایه گذاری است.
• سوم، پاسخ گویی نباید با پایان مرحله ی آزمایشی پایان یابد. مسئولیت پذیری نتایج باید در ساختار سازمانی تعبیه شود تا ارزش خلق شده پایدار بماند.

سازمان هایی که این سه اصل را جدی بگیرند و هر یک از مدیران ارشد خود را در نقش متمایزی برای تحقق آن قرار دهند، در موقعیت بسیار بهتری برای تبدیل هوش مصنوعی از یک هزینه ی سربار به یک مزیت رقابتی پایدار خواهند بود. آینده ی هوش مصنوعی در سازمان ها را نه الگوریتم ها، بلکه ساختار پاسخ گویی مدیران شان رقم خواهد زد.