چگونه در عصر هوش مصنوعی از رقبا پیشی بگیریم (HBR)

این مقاله در مجله کسب و کار هاروارد منتشر شده که منبعی معتبر و ارزشمند در حوزه کسب و کار است.

نویسندگان: مارکو یانسیتی و کریم لاخانی

ترجمه شده توسط تیم گیت (Git.ir)

ایده اصلی در یک نگاه

• تحول بازار

در حال ورود به عصری هستیم که در آن نوع جدیدی از شرکت‌ها در حال ظهور است؛ شرکت‌هایی که هوش مصنوعی مهم‌ترین منبع خلق و ارائه ارزش در آن‌ها محسوب می‌شود.

• چالش

مدل عملیاتی مبتنی بر هوش مصنوعی، مرزهای سنتی میان صنایع را از بین می‌برد و قواعد رقابت در دنیای کسب‌وکار را به‌طور اساسی دگرگون می‌کند.

• دستاورد

چه برای استارتاپ‌های دیجیتال و چه برای شرکت‌های سنتی، درک تأثیر تحول‌آفرین هوش مصنوعی بر عملیات، استراتژی و رقابت، ضرورتی اجتناب‌ناپذیر است.

در سال 2019، تنها 5 سال پس از تأسیس Ant Financial Services Group، تعداد کاربران خدمات این شرکت از مرز 1 میلیارد نفر عبور کرد. انت فایننشال که از دل شرکت علی‌بابا متولد شد، با استفاده از هوش مصنوعی و داده‌های Alipay، یعنی پلتفرم اصلی پرداخت موبایلی خود، مجموعه‌ای گسترده از خدمات را ارائه می‌دهد؛ از وام‌دهی به مصرف‌کنندگان، صندوق‌های بازار پول، مدیریت ثروت، بیمه سلامت و خدمات رتبه‌بندی اعتباری گرفته تا حتی یک بازی آنلاین که کاربران را به کاهش ردپای کربنی خود تشویق می‌کند. این شرکت با کمتر از یک‌دهم تعداد کارکنان بزرگ‌ترین بانک‌های ایالات متحده، به بیش از 10 برابر تعداد مشتریان آن‌ها خدمات ارائه می‌دهد. همچنین در آخرین دور جذب سرمایه خود در سال 2018، ارزشی معادل 150 میلیارد دلار داشت؛ رقمی که تقریباً نیمی از ارزش JPMorgan Chase، ارزشمندترین شرکت خدمات مالی جهان، بود.

برخلاف بانک‌ها، مؤسسات سرمایه‌گذاری و شرکت‌های بیمه سنتی، انت فایننشال بر پایه یک هسته کاملاً دیجیتال بنا شده است. در مسیر اصلی فعالیت‌های عملیاتی این شرکت، هیچ نیروی انسانی حضور ندارد؛ همه چیز توسط هوش مصنوعی مدیریت می‌شود. هیچ مدیری وام‌ها را تأیید نمی‌کند، هیچ کارمندی مشاوره مالی ارائه نمی‌دهد و هیچ نماینده‌ای هزینه‌های درمانی مشتریان را تأیید نمی‌کند. همین نبودِ محدودیت‌های عملیاتی که شرکت‌های سنتی با آن مواجه‌اند، به انت فایننشال اجازه داده است به شیوه‌هایی کاملاً جدید رقابت کند و در صنایع مختلف، رشدی بی‌سابقه و تأثیری گسترده داشته باشد.

عصر هوش مصنوعی با ظهور چنین شرکت‌هایی آغاز شده است. در کنار انت فایننشال، شرکت‌های بزرگی مانند گوگل، فیسبوک، علی‌بابا و تنسنت و همچنین شرکت‌های کوچک‌تر اما به‌سرعت در حال رشد مانند Zebra Medical Vision، Wayfair، Indigo Ag و Ocado نیز در این گروه قرار می‌گیرند. هر بار که از خدمات یکی از این شرکت‌ها استفاده می‌کنیم، اتفاقی قابل‌توجه رخ می‌دهد: ارزشی که دریافت می‌کنیم، دیگر حاصل فرایندهای سنتی کسب‌وکار و فعالیت کارکنان، مدیران، مهندسان فرایند، سرپرستان یا کارشناسان خدمات مشتری نیست، بلکه مستقیماً توسط الگوریتم‌ها تولید و ارائه می‌شود. ساتیا نادلا، مدیرعامل مایکروسافت، از هوش مصنوعی به‌عنوان «محیط اجرایی (Runtime) جدید شرکت‌ها» یاد می‌کند. البته مدیران و مهندسان همچنان هوش مصنوعی و نرم‌افزارهای لازم برای اجرای الگوریتم‌ها را طراحی می‌کنند، اما پس از آن، سیستم به‌طور مستقل و از طریق خودکارسازی دیجیتال یا بهره‌گیری از اکوسیستم شرکای بیرونی، ارزش را خلق و ارائه می‌کند. هوش مصنوعی قیمت کالاها را در آمازون تعیین می‌کند، آهنگ‌ها را در اسپاتیفای پیشنهاد می‌دهد، خریداران و فروشندگان را در بازار ایندیگو به یکدیگر متصل می‌کند و صلاحیت متقاضیان دریافت وام از انت فایننشال را ارزیابی می‌کند.

حذف محدودیت‌های سنتی، قواعد رقابت را دگرگون کرده است. با نفوذ شبکه‌های دیجیتال و الگوریتم‌ها در تار و پود شرکت‌ها، صنایع نیز به شیوه‌ای متفاوت عمل می‌کنند و مرزهای میان آن‌ها به‌تدریج از بین می‌رود. این تغییرات تنها به شرکت‌های دیجیتال‌محور محدود نیست؛ سازمان‌های سنتی نیز که با رقبای جدید روبه‌رو شده‌اند، به سمت مدل‌های مبتنی بر هوش مصنوعی حرکت می‌کنند. امروزه شرکت‌هایی مانند والمارت، Fidelity، Honeywell و Comcast به‌طور گسترده از داده‌ها، الگوریتم‌ها و شبکه‌های دیجیتال برای رقابت مؤثر در این عصر جدید استفاده می‌کنند. فرقی نمی‌کند که هدایت یک استارتاپ دیجیتال را بر عهده داشته باشید یا در حال بازآفرینی یک شرکت سنتی باشید؛ در هر دو صورت، درک تأثیر تحول‌آفرین هوش مصنوعی بر عملیات، استراتژی و رقابت، ضرورتی انکارناپذیر است.

کارخانه هوش مصنوعی

در قلب این نوع جدید از شرکت‌ها، یک کارخانه تصمیم‌گیری قرار دارد؛ چیزی که ما آن را «کارخانه هوش مصنوعی» (AI Factory) می‌نامیم. نرم‌افزار این کارخانه، میلیون‌ها مزایده روزانه تبلیغات را در گوگل و بایدو مدیریت می‌کند. الگوریتم‌های آن تصمیم می‌گیرند کدام خودرو در Didi، Grab، Lyft و Uber یک سفر را انجام دهد. قیمت هدفون‌ها و پیراهن‌های پولو را در آمازون تعیین می‌کند و ربات‌هایی را که در برخی شعب والمارت کف فروشگاه را تمیز می‌کنند، هدایت می‌کند. این سیستم، چت‌بات‌های خدمات مشتری در Fidelity را فعال می‌کند و تصاویر رادیولوژی را در Zebra Medical تفسیر می‌کند. در تمام این نمونه‌ها، کارخانه هوش مصنوعی تصمیم‌گیری را به یک علم تبدیل می‌کند. تحلیل‌های داده، اطلاعات داخلی و خارجی را به‌صورت نظام‌مند به پیش‌بینی‌ها، بینش‌ها و تصمیم‌ها تبدیل می‌کنند و این خروجی‌ها نیز جریان‌های کاری عملیاتی را هدایت و خودکار می‌سازند.

نکته جالب اینجاست که هوش مصنوعی‌ای که می‌تواند رشد انفجاری یک شرکت دیجیتال را رقم بزند، لزوماً فناوری بسیار پیچیده‌ای نیست. برای ایجاد تحولی بزرگ، نیازی نیست هوش مصنوعی در حد داستان‌های علمی‌تخیلی باشد؛ یعنی رفتاری کاملاً مشابه انسان داشته باشد یا بتواند مانند انسان استدلال کند، قابلیتی که معمولاً از آن با عنوان «هوش مصنوعی قوی» (Strong AI) یاد می‌شود. کافی است یک سیستم رایانه‌ای بتواند وظایفی را انجام دهد که پیش‌تر توسط انسان‌ها انجام می‌شد؛ چیزی که معمولاً «هوش مصنوعی ضعیف» (Weak AI) نامیده می‌شود.

همین هوش مصنوعی ضعیف نیز به کارخانه هوش مصنوعی اجازه می‌دهد طیف گسترده‌ای از تصمیم‌های حیاتی را بر عهده بگیرد. در برخی موارد، این سیستم کسب‌وکارهای اطلاعات‌محور مانند گوگل و فیسبوک را مدیریت می‌کند. در موارد دیگر، نحوه تولید، عرضه یا بهره‌برداری از محصولات فیزیکی را هدایت می‌کند؛ مانند ربات‌های انبار آمازون یا سرویس خودروهای خودران Waymo متعلق به گوگل. اما در همه این موارد، کارخانه‌های تصمیم‌گیری دیجیتال مسئول اجرای برخی از حیاتی‌ترین فرایندها و تصمیم‌های عملیاتی هستند. در چنین سازمان‌هایی، نرم‌افزار به هسته اصلی شرکت تبدیل می‌شود و نقش انسان‌ها به حاشیه منتقل می‌شود.

هر کارخانه هوش مصنوعی از چهار مؤلفه اساسی تشکیل شده است. نخست، خط لوله داده (Data Pipeline) که فرایندی نیمه‌خودکار برای جمع‌آوری، پاک‌سازی، یکپارچه‌سازی و حفاظت از داده‌ها به شکلی نظام‌مند، پایدار و مقیاس‌پذیر است. دوم، الگوریتم‌ها که وضعیت‌ها یا اقدامات آینده کسب‌وکار را پیش‌بینی می‌کنند. سوم، پلتفرم آزمایش (Experimentation Platform) که فرضیه‌های مربوط به الگوریتم‌های جدید را آزمایش می‌کند تا اطمینان حاصل شود پیشنهادهای آن‌ها واقعاً به نتایج مورد انتظار منجر می‌شوند. و چهارم، زیرساخت (Infrastructure) که این فرایندها را در قالب نرم‌افزار پیاده‌سازی کرده و آن‌ها را به کاربران داخلی و خارجی متصل می‌کند.

برای مثال، موتور جست‌وجویی مانند گوگل یا Bing را در نظر بگیرید. به‌محض اینکه کاربر چند حرف را در کادر جست‌وجو تایپ می‌کند، الگوریتم‌ها به‌صورت پویا عبارت کامل جست‌وجو را بر اساس عبارت‌هایی که کاربران دیگر قبلاً وارد کرده‌اند و همچنین سابقه جست‌وجوهای همان کاربر پیش‌بینی می‌کنند. این پیش‌بینی‌ها در قالب فهرستی کشویی (Autosuggest Box) نمایش داده می‌شوند تا کاربر سریع‌تر به عبارت موردنظر خود برسد. هر کلید فشرده‌شده و هر کلیک به‌عنوان یک نقطه داده ثبت می‌شود و هر نقطه داده، دقت پیش‌بینی‌های جست‌وجوهای آینده را افزایش می‌دهد. همچنین هوش مصنوعی نتایج طبیعی جست‌وجو را نیز تولید می‌کند؛ نتایجی که از فهرست از پیش ایندکس‌شده صفحات وب استخراج شده و بر اساس رفتار کاربران در جست‌وجوهای قبلی بهینه‌سازی می‌شوند. وارد کردن عبارت جست‌وجو، هم‌زمان مزایده‌ای خودکار برای نمایش مرتبط‌ترین تبلیغات نیز آغاز می‌کند که نتایج آن نیز به کمک چرخه‌های مداوم آزمایش و یادگیری بهبود می‌یابد. هر کلیک روی نتایج جست‌وجو یا حتی خروج از صفحه، داده‌ای ارزشمند تولید می‌کند. هرچه تعداد جست‌وجوها بیشتر باشد، پیش‌بینی‌ها دقیق‌تر می‌شوند و هرچه پیش‌بینی‌ها دقیق‌تر باشند، کاربران بیشتری از موتور جست‌وجو استفاده خواهند کرد.

حذف محدودیت‌های مقیاس، گستره و یادگیری

مفهوم مقیاس (Scale) دست‌کم از زمان انقلاب صنعتی تاکنون یکی از پایه‌های اصلی دنیای کسب‌وکار بوده است. آلفرد چندلر، از برجسته‌ترین پژوهشگران تاریخ کسب‌وکار، توضیح داد که چگونه شرکت‌های صنعتی مدرن توانستند به سطوحی بی‌سابقه از تولید با هزینه‌ای بسیار کمتر برای هر واحد محصول دست پیدا کنند و از این طریق، نسبت به رقبای کوچک‌تر خود مزیت رقابتی قابل‌توجهی به دست آورند. او همچنین نشان داد که شرکت‌ها از توانایی تولید طیف گسترده‌تری از محصولات یا همان گستره تولید (Scope) نیز سود می‌برند. بعدها، تلاش برای بهبود مستمر و نوآوری، سومین الزام را نیز به این دو افزود: یادگیری. از آن زمان، مقیاس، گستره و یادگیری به سه موتور اصلی عملکرد عملیاتی شرکت‌ها تبدیل شدند. برای دهه‌های طولانی نیز این سه عامل از طریق فرایندهای کسب‌وکار دقیق و ساختاریافته‌ای پشتیبانی می‌شدند که با اتکا به نیروی انسانی، مدیران و سیستم‌های سنتی فناوری اطلاعات، محصولات و خدمات را به مشتریان ارائه می‌کردند.

پس از صدها سال بهبود تدریجی مدل صنعتی، اکنون شرکت‌های دیجیتال در حال ایجاد تحولی اساسی در این الگوی مقیاس، گستره و یادگیری هستند. فرایندهای مبتنی بر هوش مصنوعی را می‌توان بسیار سریع‌تر از فرایندهای سنتی گسترش داد. همچنین این فرایندها به دلیل امکان اتصال آسان به سایر کسب‌وکارهای دیجیتالی، گستره بسیار وسیع‌تری را پوشش می‌دهند و فرصت‌های فوق‌العاده‌ای برای یادگیری و بهبود مستمر فراهم می‌کنند؛ برای مثال، می‌توانند مدل‌های رفتاری مشتریان را با دقتی روزافزون توسعه دهند و سپس خدمات را متناسب با ویژگی‌ها و نیازهای هر مشتری شخصی‌سازی کنند.

در مدل‌های عملیاتی سنتی، افزایش مقیاس سرانجام به نقطه‌ای می‌رسد که بازده آن کاهش پیدا می‌کند و دیگر گسترش فعالیت‌ها به همان اندازه گذشته سودآور نیست. اما در مدل‌های مبتنی بر هوش مصنوعی، چنین محدودیتی الزاماً وجود ندارد. در این مدل‌ها، بازده حاصل از افزایش مقیاس می‌تواند همچنان رشد کند و به سطوحی برسد که پیش از این قابل تصور نبود. (برای جزئیات بیشتر، بخش «چگونه شرکت‌های مبتنی بر هوش مصنوعی از شرکت‌های سنتی پیشی می‌گیرند» را ببینید.) حال تصور کنید یک شرکت مبتنی بر هوش مصنوعی، همان مشتریان یک شرکت سنتی را با پیشنهادی مشابه یا حتی بهتر هدف قرار دهد، اما در عین حال از مدلی عملیاتی برخوردار باشد که مقیاس‌پذیری بسیار بالاتری دارد.

ما این نوع رویارویی را «برخورد» (Collision) می‌نامیم. هنگامی که اثرات یادگیری و اثرات شبکه‌ای، تأثیر افزایش حجم فعالیت را بر خلق ارزش تقویت می‌کنند، شرکت‌هایی که بر یک هسته دیجیتال بنا شده‌اند می‌توانند سازمان‌های سنتی را به‌طور کامل تحت‌الشعاع قرار دهند. کافی است به رقابت آمازون با خرده‌فروشان سنتی، انت فایننشال با بانک‌های سنتی، یا Didi و Uber با شرکت‌های تاکسیرانی سنتی نگاه کنیم. همان‌گونه که کلیتون کریستنسن، مایکل رینور و روری مک‌دونالد در مقاله «نوآوری تحول‌آفرین چیست؟» (Harvard Business Review، دسامبر 2015) توضیح داده‌اند، این نوع دگرگونی‌های رقابتی را نمی‌توان صرفاً با مدل «نوآوری تحول‌آفرین» توضیح داد. برخوردها نتیجه ظهور یک فناوری یا مدل کسب‌وکار جدید نیستند، بلکه پیامد ظهور نوعی کاملاً متفاوت از شرکت‌ها هستند. چنین شرکت‌هایی می‌توانند ساختار صنایع را به‌طور بنیادین تغییر دهند و ماهیت مزیت رقابتی را از نو تعریف کنند.

البته باید توجه داشت که ممکن است مدت‌زمان قابل‌توجهی طول بکشد تا مدل‌های عملیاتی مبتنی بر هوش مصنوعی بتوانند ارزشی اقتصادی نزدیک به ارزشی که مدل‌های عملیاتی سنتی در مقیاس بزرگ ایجاد می‌کنند، تولید کنند. اثرات شبکه‌ای پیش از رسیدن به توده بحرانی کاربران (Critical Mass) ارزش چندانی ایجاد نمی‌کنند و اغلب الگوریتم‌های تازه‌پیاده‌سازی‌شده نیز با مشکل «شروع سرد» (Cold Start) مواجه هستند؛ یعنی تا زمانی که داده‌های کافی جمع‌آوری نکنند، عملکرد مطلوبی نخواهند داشت. انت فایننشال رشد بسیار سریعی را تجربه کرد، اما سرویس اصلی پرداخت آن، Alipay، که در سال 2004 توسط علی‌بابا راه‌اندازی شده بود، سال‌ها زمان برد تا به حجم فعلی فعالیت خود برسد. همین موضوع توضیح می‌دهد که چرا مدیرانی که در مدل‌های سنتی فعالیت می‌کنند، در ابتدا به‌سختی باور می‌کنند که مدل‌های دیجیتال بتوانند روزی از آن‌ها پیشی بگیرند. اما زمانی که مدل عملیاتی دیجیتال به نقطه اوج خود برسد، می‌تواند ارزشی به‌مراتب بیشتر ایجاد کند و با سرعت از شرکت‌های سنتی عبور کند.

امروزه برخورد میان شرکت‌های مبتنی بر هوش مصنوعی و شرکت‌های سنتی تقریباً در همه صنایع در حال وقوع است؛ از نرم‌افزار، خدمات مالی، خرده‌فروشی، مخابرات، رسانه و سلامت گرفته تا صنعت خودرو و حتی کشاورزی. در واقع، به‌سختی می‌توان صنعتی را پیدا کرد که با ضرورت فوری دیجیتالی کردن مدل عملیاتی خود و پاسخ دادن به تهدیدهای جدید مواجه نباشد.

بازآفرینی شرکت‌های سنتی

برای مدیران شرکت‌های سنتی، رقابت با رقبای دیجیتال تنها به استقرار نرم‌افزارهای سازمانی یا حتی ایجاد خط لوله داده، درک الگوریتم‌ها و انجام آزمایش‌های مختلف محدود نمی‌شود. این تحول مستلزم بازطراحی معماری سازمان و مدل عملیاتی شرکت است. برای مدت بسیار طولانی، شرکت‌ها با افزایش تمرکز و تخصص‌گرایی، مقیاس، گستره و توانایی یادگیری خود را بهینه کرده‌اند؛ رویکردی که در نهایت به شکل‌گیری ساختارهای جزیره‌ای (Silos) انجامید؛ ساختاری که امروزه در اغلب سازمان‌ها دیده می‌شود. نسل‌های مختلف فناوری اطلاعات نیز این الگو را تغییر ندادند. برای چندین دهه، فناوری اطلاعات عمدتاً برای بهبود عملکرد واحدها و وظایف مشخص سازمانی به کار گرفته شد. حتی بسیاری از سیستم‌های سنتی سازمانی، این جدایی میان واحدها، محصولات و بخش‌های مختلف را بیش از پیش تقویت کردند.

اما ساختارهای جزیره‌ای، بزرگ‌ترین مانع رشد مبتنی بر هوش مصنوعی هستند. کسب‌وکارهایی مانند Google Ads و MyBank متعلق به انت فایننشال، آگاهانه از ایجاد چنین ساختارهایی پرهیز کرده‌اند و فعالیت خود را بر پایه یک هسته یکپارچه از داده‌ها و یک پایگاه کد (Code Base) منسجم و مشترک بنا نهاده‌اند. هنگامی که هر بخش از یک سازمان داده‌ها و کدهای اختصاصی خود را داشته باشد، توسعه داخلی به‌شدت پراکنده می‌شود و ایجاد ارتباط میان واحدهای مختلف یا اتصال آن‌ها به شبکه‌ها و اکوسیستم‌های بیرونی تقریباً غیرممکن خواهد بود. همچنین در چنین شرایطی، دستیابی به یک دیدگاه 360 درجه از مشتری که بتواند هم به همه واحدهای سازمان خدمت کند و هم از داده‌های آن‌ها تغذیه شود، امکان‌پذیر نیست. بنابراین، زمانی که شرکت‌ها هسته دیجیتال جدید خود را ایجاد می‌کنند، باید از شکل‌گیری شکاف‌های عمیق سازمانی درون آن جلوگیری کنند.

هرچند گذار به یک مدل مبتنی بر هوش مصنوعی چالش‌برانگیز است، بسیاری از شرکت‌های سنتی، از جمله تعدادی از سازمان‌هایی که ما با آن‌ها همکاری داشته‌ایم، این مسیر را آغاز کرده‌اند. در واقع، در یکی از پژوهش‌های اخیر خود، بیش از 350 شرکت سنتی در بخش‌های خدماتی و تولیدی را بررسی کردیم و دریافتیم که بیشتر آن‌ها تمرکز بیشتری بر داده‌ها و تحلیل داده در ساختار سازمانی خود ایجاد کرده‌اند. بسیاری از این شرکت‌ها، از جمله Nordstrom، Vodafone، Comcast و Visa، پیشرفت‌های قابل‌توجهی داشته‌اند؛ آن‌ها اجزای کلیدی مدل عملیاتی خود را دیجیتالی و بازطراحی کرده‌اند و پلتفرم‌های پیشرفته داده و قابلیت‌های هوش مصنوعی را توسعه داده‌اند. برای دیجیتالی کردن بخش‌های حیاتی کسب‌وکار، لازم نیست یک استارتاپ نرم‌افزاری باشید؛ اما باید با ساختارهای جزیره‌ای، سیستم‌های قدیمی و پراکنده مقابله کنید، قابلیت‌های جدیدی به سازمان بیفزایید و فرهنگ سازمانی خود را متحول سازید. (برای آشنایی بیشتر با اصول کلیدی این تحول، بخش «قرار دادن هوش مصنوعی در هسته شرکت» را مطالعه کنید.)

شرکت Fidelity Investments از هوش مصنوعی برای پشتیبانی از فرایندهای مهمی مانند خدمات مشتری، تحلیل و شناخت مشتریان و ارائه پیشنهادهای سرمایه‌گذاری استفاده می‌کند. این ابتکارها بر پایه پروژه‌ای چندساله برای یکپارچه‌سازی دارایی‌های داده در قالب یک هسته دیجیتال و بازطراحی سازمان حول آن شکل گرفته‌اند. هرچند این تحول هنوز به پایان نرسیده است، اما تأثیر هوش مصنوعی هم‌اکنون نیز در بسیاری از کاربردهای ارزش‌آفرین شرکت به‌وضوح دیده می‌شود. از سوی دیگر، والمارت برای رقابت با آمازون، مدل عملیاتی خود را بر محور هوش مصنوعی بازسازی کرده و در حال جایگزینی سیستم‌های سنتی و جزیره‌ای نرم‌افزارهای سازمانی با معماری یکپارچه مبتنی بر رایانش ابری است. این تغییر به والمارت اجازه می‌دهد از دارایی‌های داده منحصربه‌فرد خود در طیف گسترده‌ای از کاربردهای جدید و قدرتمند استفاده کند و با کمک هوش مصنوعی و تحلیل داده، تعداد فزاینده‌ای از فعالیت‌های عملیاتی را خودکار یا بهینه سازد. در مایکروسافت نیز ساتیا نادلا آینده شرکت را بر یک تحول اساسی و همه‌جانبه در مدل عملیاتی آن بنا کرده است. (برای آشنایی بیشتر، بخش «تحول هوش مصنوعی در مایکروسافت» را مطالعه کنید.)
 

بازاندیشی در استراتژی و قابلیت‌ها

با افزایش رقابت میان شرکت‌های مبتنی بر هوش مصنوعی و کسب‌وکارهای سنتی، مزیت رقابتی بیش از هر زمان دیگری به توانایی ایجاد و کنترل شبکه‌های دیجیتال وابسته شده است. (به مقاله «چرا برخی پلتفرم‌ها موفق می‌شوند و برخی دیگر نه» در شماره ژانویه-فوریه 2019 هاروارد بیزینس ریویو مراجعه کنید.) سازمان‌هایی که بتوانند کسب‌وکارهای مختلف را به یکدیگر متصل کنند، داده‌های جاری میان آن‌ها را تجمیع کنند و با استفاده از تحلیل داده و هوش مصنوعی از این اطلاعات ارزش خلق کنند، برتری قابل‌توجهی خواهند داشت. در این میان، اثرات شبکه‌ای سنتی و منحنی‌های یادگیری مبتنی بر هوش مصنوعی، یکدیگر را تقویت کرده و تأثیرشان را چند برابر می‌کنند. این پویایی را می‌توان در شرکت‌هایی مانند گوگل، فیسبوک، تنسنت و علی‌بابا مشاهده کرد؛ شرکت‌هایی که با جمع‌آوری داده از طریق شبکه‌های گسترده خود و توسعه الگوریتم‌های پیشرفته، توانسته‌اند در صنایع گوناگون به «شرکت‌های هاب» قدرتمند تبدیل شوند و مزیت رقابتی خود را گسترش دهند.

در همین حال، رویکردهای سنتی تدوین استراتژی که بر تحلیل صنایع متکی هستند، روزبه‌روز کارایی خود را از دست می‌دهند. صنعت خودروسازی نمونه‌ای روشن از این تغییر است. خودروسازان امروزه با تهدیدهای دیجیتال متعددی مانند اوبر و Waymo روبه‌رو هستند؛ رقبایی که اساساً خارج از مرزهای سنتی این صنعت فعالیت می‌کنند. اما اگر مدیران صنعت خودرو، اتومبیل را نه صرفاً به‌عنوان محصولی در صنعت خودروسازی، بلکه به‌عنوان یک خدمت هوشمند، متصل و مبتنی بر هوش مصنوعی ببینند، می‌توانند علاوه بر دفاع از جایگاه خود، فرصت‌های ارزش‌آفرین جدیدی مانند تجارت محلی، تبلیغات، خدمات خبری و سرگرمی، سرویس‌های مبتنی بر موقعیت مکانی و بسیاری کاربردهای دیگر را نیز ایجاد کنند.

در گذشته، توصیه رایج به مدیران این بود که در همان کسب‌وکارهایی فعالیت کنند که به آن‌ها تسلط دارند و در همان صنایعی باقی بمانند که به‌خوبی می‌شناسند. اما هم‌افزایی میان الگوریتم‌ها و جریان‌های داده، هیچ مرزی میان صنایع قائل نیست. سازمان‌هایی که نتوانند مشتریان و داده‌های خود را در میان مرزهای صنایع مختلف به اشتراک بگذارند و از آن‌ها بهره‌برداری کنند، با ضعف جدی در رقابت مواجه خواهند شد. بنابراین، استراتژی دیگر نباید صرفاً بر تحلیل صنعت یا مدیریت منابع داخلی سازمان متمرکز باشد، بلکه باید بر شبکه ارتباطاتی که شرکت میان صنایع مختلف ایجاد می‌کند و جریان داده‌ای که در این شبکه‌ها شکل می‌گیرد، تمرکز داشته باشد.

این تحولات پیامدهای مهمی برای سازمان‌ها و کارکنان آن‌ها خواهد داشت. یادگیری ماشین تقریباً ماهیت تمامی مشاغل را، صرف‌نظر از نوع حرفه، سطح درآمد یا میزان تخصص، متحول خواهد کرد. بدون تردید، مدل‌های عملیاتی مبتنی بر هوش مصنوعی می‌توانند هزینه‌های انسانی قابل‌توجهی نیز به همراه داشته باشند. مطالعات مختلف نشان می‌دهند که احتمال دارد نزدیک به نیمی از فعالیت‌های شغلی فعلی با سیستم‌های مجهز به هوش مصنوعی جایگزین شوند. البته این موضوع چندان دور از انتظار نیست. مدل‌های عملیاتی سال‌هاست با هدف استانداردسازی و تکرارپذیر کردن وظایف طراحی شده‌اند. برای مثال، فرایندهایی مانند اسکن کالا در صندوق فروشگاه، تهیه نوشیدنی در کافی‌شاپ یا حتی انجام برخی جراحی‌ها، به استانداردسازی وابسته‌اند و معمولاً به خلاقیت انسانی زیادی نیاز ندارند. هرچند پیشرفت‌های هوش مصنوعی بسیاری از مشاغل را غنی‌تر کرده و فرصت‌های شغلی جدید و جذابی ایجاد خواهد کرد، اما به نظر می‌رسد جابه‌جایی گسترده نیروی کار در بسیاری از حرفه‌ها نیز اجتناب‌ناپذیر باشد.

این تغییرات تنها به جایگزینی مشاغل محدود نمی‌شوند، بلکه موجب تضعیف بسیاری از قابلیت‌های سنتی نیز خواهند شد. تقریباً در همه صنایع، شرکت‌های مبتنی بر هوش مصنوعی در حال رقابت با سازمان‌های بسیار تخصصی هستند. در دنیای جدید، موفقیت دیگر کمتر به تخصص‌های محدود وابسته است و بیشتر به مجموعه‌ای از قابلیت‌های عمومی مانند جمع‌آوری داده، پردازش داده، تحلیل داده و توسعه الگوریتم‌ها بستگی دارد. این قابلیت‌های بنیادین جدید، در حال بازتعریف استراتژی، طراحی کسب‌وکار و حتی مفهوم رهبری هستند. به همین دلیل، استراتژی شرکت‌های فعال در کسب‌وکارهای دیجیتال و شبکه‌ای، با وجود تفاوت صنایع، شباهت‌های فراوانی با یکدیگر پیدا کرده است و عوامل موفقیت عملیاتی آن‌ها نیز بیش از گذشته مشترک شده‌اند. در نتیجه، تخصص صنعتی دیگر به اندازه گذشته تعیین‌کننده نیست. برای مثال، زمانی که اوبر به دنبال انتخاب مدیرعامل جدید بود، هیئت‌مدیره فردی را برگزید که پیش‌تر مدیرعامل یک شرکت کاملاً دیجیتال، یعنی Expedia، بود، نه فردی با سابقه مدیریت در صنعت حمل‌ونقل یا تاکسی‌رانی.

ما در حال عبور از دورانی هستیم که مزیت رقابتی بر پایه شایستگی‌های محوریِ متفاوت در هر صنعت شکل می‌گرفت و وارد عصری می‌شویم که داده، تحلیل داده و الگوریتم‌ها، با اتکا به زیرساخت‌های رایانش ابری، بنیان رقابت را تشکیل می‌دهند و تقریباً برای همه در دسترس هستند. به همین دلیل است که شرکت‌هایی مانند علی‌بابا و آمازون می‌توانند هم‌زمان در صنایعی به ظاهر کاملاً متفاوت، مانند خرده‌فروشی و خدمات مالی یا سلامت و اعتبارسنجی مالی، رقابت کنند. این صنایع اکنون بر پایه زیرساخت‌های فناورانه مشابهی بنا شده‌اند و از روش‌ها و ابزارهای مشترکی بهره می‌برند. در نتیجه، استراتژی‌ها نیز از تمایزهای سنتی مانند قیمت، کیفیت، ارزش برند و تخصص‌های عمودی فاصله گرفته و به سمت مزیت‌هایی همچون جایگاه در شبکه‌های کسب‌وکار، انباشت داده‌های منحصربه‌فرد و استفاده از تحلیل‌های پیشرفته حرکت کرده‌اند.

چالش رهبری

هرچند حذف محدودیت‌های عملیاتی می‌تواند رشد چشمگیری ایجاد کند، اما همیشه اتفاق مثبتی نیست. سیستم‌های بدون اصطکاک ذاتاً مستعد بی‌ثباتی هستند و پس از به حرکت درآمدن، متوقف کردن آن‌ها دشوار است. تصور کنید خودرویی بدون ترمز یا اسکی‌بازی که دیگر قادر به کاهش سرعت خود نیست. به همین ترتیب، یک سیگنال دیجیتال، مانند یک محتوای وایرال، می‌تواند با سرعت بسیار زیاد در شبکه‌ها منتشر شود و متوقف کردن آن، حتی برای سازمانی که آن را منتشر کرده یا نهادی که گره‌های اصلی شبکه را در اختیار دارد، تقریباً غیرممکن باشد. در نبود اصطکاک، یک ویدئوی خشونت‌برانگیز یا یک تیتر جعلی و گمراه‌کننده می‌تواند به‌سرعت به میلیاردها نفر در شبکه‌های مختلف برسد و حتی برای افزایش نرخ کلیک و دانلود، به‌طور خودکار تغییر و بهینه‌سازی شود. اگر هدف شما رساندن یک پیام به مخاطبان باشد، هوش مصنوعی ابزاری فوق‌العاده برای دسترسی به تعداد بسیار زیادی از افراد و شخصی‌سازی پیام برای هر یک از آن‌هاست. اما همان چیزی که برای یک بازاریاب رؤیایی به نظر می‌رسد، ممکن است برای یک شهروند به کابوسی واقعی تبدیل شود.

مدل‌های عملیاتی دیجیتال، همان‌قدر که ارزش خلق می‌کنند، می‌توانند آسیب را نیز در مقیاسی گسترده تجمیع کنند. حتی زمانی که نیت کاملاً مثبت باشد، پیامدهای منفی بالقوه می‌تواند بسیار جدی باشد. یک خطای کوچک ممکن است کل یک شبکه دیجیتال را در معرض حمله‌ای سایبری و مخرب قرار دهد. الگوریتم‌ها نیز اگر بدون نظارت رها شوند، قادرند سوگیری‌ها و اطلاعات نادرست را در ابعادی عظیم تشدید کنند. در چنین شرایطی، ریسک‌ها به‌شدت بزرگ‌نمایی می‌شوند. برای مثال، بانک‌های دیجیتال امروزی حجم بی‌سابقه‌ای از پس‌اندازهای مردم را تجمیع می‌کنند. شرکت Ant Financial که اکنون یکی از بزرگ‌ترین صندوق‌های سرمایه‌گذاری بازار پول جهان را اداره می‌کند، مسئول نگهداری دارایی‌های صدها میلیون مصرف‌کننده چینی است. چنین سطحی از تمرکز سرمایه، به‌ویژه در نهادی که هنوز سابقه‌ای طولانی ندارد، ریسک‌های قابل‌توجهی ایجاد می‌کند.

مقیاس، گستره و ظرفیت یادگیری در کسب‌وکارهای دیجیتال، مجموعه‌ای از چالش‌های جدید را نیز به همراه آورده‌اند؛ چالش‌هایی که تنها به حفظ حریم خصوصی یا امنیت سایبری محدود نمی‌شوند، بلکه پیامدهایی مانند تمرکز بیش‌ازحد بازار، جابه‌جایی‌های گسترده در بازار کار و افزایش نابرابری‌های اجتماعی را نیز شامل می‌شوند. در همین حال، نهادهایی که وظیفه نظارت بر فعالیت کسب‌وکارها را بر عهده دارند، مانند سازمان‌های قانون‌گذار و رگولاتورها، برای همگام شدن با این سرعت بالای تغییرات با دشواری‌های جدی روبه‌رو هستند.

در دنیای مبتنی بر هوش مصنوعی، به‌محض آنکه یک محصول یا خدمت با نیاز بازار همخوانی پیدا کند، تعداد کاربران، میزان تعامل و درآمد آن می‌تواند با سرعتی خیره‌کننده افزایش یابد. اما اکنون بیش از هر زمان دیگری روشن شده است که رشد بدون هیچ محدودیتی، خطرناک است. ظرفیت کسب‌وکارهایی که مدل‌های عملیاتی دیجیتال را به کار می‌گیرند، فوق‌العاده زیاد است، اما هم‌زمان باید توان بالقوه آن‌ها برای ایجاد آسیب‌های گسترده نیز به‌طور شفاف مورد توجه قرار گیرد. مدیریت هم‌زمان این فرصت‌ها و تهدیدها، یکی از بزرگ‌ترین آزمون‌های رهبری برای مدیران کسب‌وکارها و همچنین نهادهای عمومی در عصر هوش مصنوعی خواهد بود.