مدل کسب و کار راهکار هوش مصنوعی سازمانی
مدل کسب و کار راهکار هوش مصنوعی سازمانی
در عصر راهکار هوش مصنوعی سازمانی، داده دیگر صرفاً ماده اولیهای برای آموزش مدلها نیست؛ بلکه سوختی است که حرکت و تصمیمگیری ایجنتها را در لحظه امکانپذیر میکند. راهکار هوش مصنوعی سازمانی برای تحلیل، تصمیمگیری و اقدام خودمختار، به دادههایی نیاز دارند که دقیق، بهروز، یکپارچه و قابل اعتماد باشند. هرچه جریان داده سریعتر و هوشمندانهتر مدیریت شود، ایجنتها نیز میتوانند سریعتر یاد بگیرند، بهتر با تغییرات محیط سازگار شوند و تصمیمهای اثربخشتری اتخاذ کنند. بنابراین، ایجاد یک جریان پیوسته و تحت حاکمیت داده، یکی از الزامات بنیادین تبدیل راهکار هوش مصنوعی سازمانی به یک مزیت رقابتی پایدار است.
سوخت: چگونه با راهکار هوش مصنوعی سازمانی جریان پیوستهای از دادههای باکیفیت ایجاد کنیم؟
داده دیگر صرفاً یک ورودی نیست. با ظهور راهکار هوش مصنوعی سازمانی، نقش داده از ابزاری برای یادگیری الگوها و تغذیه پیشبینیها، به جریان سوخت پیوستهای برای اقدامات خودمختار و هدفمحور در محیطهای پویا تغییر کرده است.
ایجنتها به جریانهای دادهای نیاز دارند که همزمان با اجرای جریانهای کاری توسط ایجنتها و انسانها، بهصورت بلادرنگ بهروزرسانی شوند. این جریانها حلقههای بازخوردی ایجاد میکنند که هم تصمیمگیری و هم نتایج عملیاتی را بهبود میدهند.
این چرخه مداوم به ایجنتها اجازه میدهد خود را بهصورت پویا با شرایط تطبیق دهند و بینشهای غنی از زمینه (Context-Rich Insights) ارائه کنند؛ بینشهایی که میتوانند به خلق ارزش پایدار برای کسبوکار منجر شوند.
اهمیت مدیریت داده در عصر راهکار هوش مصنوعی سازمانی
در ایجنت های سازمانی هوش مصنوعی ، اهمیت مدیریت داده بهمراتب بیشتر شده است. در سیستمهای خودمختار، داده در واقع به جریان تجربه بلادرنگ تبدیل میشود. بنابراین کیفیت، بهروز بودن و حاکمیت داده، در مقایسه با هوش مصنوعی سنتی یا هوش مصنوعی مولد، تأثیری بسیار حیاتیتر بر عملکرد سیستم دارند.
برای مثال:
• دادههای نادرست یا ناقص ممکن است باعث شوند یک ایجنت اقدامی غیرقابلپیشبینی انجام دهد؛ برای مثال، یک ایجنت مدیریت موجودی ممکن است بر اساس پیشبینی نادرست تقاضا، بهصورت خودکار سفارش بسیار بزرگی از مواد اولیه ثبت کند.
• دادههای قدیمی و بهروزرسانینشده ممکن است باعث شوند یک ایجنت بر اساس زمینهای منسوخ تصمیم بگیرد؛ برای مثال، یک ایجنت معاملاتی ممکن است بر اساس قیمت سهامی که دو دقیقه قبل ثبت شده، یک سفارش خرید بزرگ اجرا کند و در نتیجه سقوط ناگهانی قیمت را از دست بدهد.
ک نبود حاکمیت پیشرفته داده میتواند به اقدامات غیرمجاز و غیرقابلبازگشتی در دنیای واقعی منجر شود؛ برای مثال، مجموعهای از معاملات برگشتناپذیر که زیان مالی قابلتوجهی ایجاد میکند.
سازمانها تاکنون زیرساختهای قدرتمندی برای مدیریت داده ایجاد کردهاند و حریم خصوصی، حاکمیت، دسترسیپذیری و یکپارچهسازی داده برای بسیاری از آنها در اولویت قرار دارد.
اما اکنون چالش اصلی، تکامل این زیرساختها متناسب با نیازهای هوش مصنوعی ایجنتیک است؛ یعنی تبدیل دادهها به دادههایی سریعتر، یکپارچهتر و آماده استفاده توسط ایجنتهایی که در لحظه یاد میگیرند و خود را با شرایط تطبیق میدهند.
اگرچه ۶۰ درصد سازمانها معتقدند شیوههای مدیریت داده آنها برای آینده آماده است، اکنون باید این آمادگی را به یک مزیت رقابتی تبدیل کنند و الزامات اختصاصی ایجنت های سازمانی هوش مصنوعی را از همین امروز در راهبرد داده خود وارد کنند.
سازمانها از شیوههای قدرتمندی برای مدیریت داده برخوردارند.
درصدها نشاندهنده میزان موافقت مدیران ارشد با هر یک از گزارههای مرتبط با مدیریت داده است.
سازمانهای دارای بلوغ بالاتر، این اصول را عمیقتر در فعالیتهای خود نهادینه کردهاند؛ برای مثال، ۷۳ درصد از آنها یکپارچهسازی بدون اصطکاک دادهها را محقق کردهاند، در حالی که این رقم در کمبلوغترین سازمانها ۶۴ درصد است.
مهمتر از آن، ۸۴ درصد معتقدند حاکمیت مؤثر هوش مصنوعی برای موفقیت هوش مصنوعی ایجنتیک ضروری است؛ در حالی که این میزان در سازمانهای کمبلوغتر ۶۵ درصد است.
سه اولویت راهبردی برای ایجاد جریان داده در راهکار هوش مصنوعی سازمانی
۱. حاکمیت داده برای ایجاد چابکی
در عصر ایجنت های سازمانی هوش مصنوعی، حاکمیت داده باید بهجای ایجاد محدودیت، سرعت را امکانپذیر کند.
این امر به معنای تعبیه قوانین و کنترلها مستقیماً در جریانهای کاری داده است تا ایجنت مناسب بتواند در همان لحظه به داده مناسب دسترسی پیدا کند، بدون آنکه گلوگاههای دستی سرعت عملیات را کاهش دهند.
حاکمیت خودکار داده میتواند قوانین کیفیت را بدون ایجاد تأخیر اعمال کند، دسترسیها و مجوزهای متناسب با نقش هر ایجنت را فراهم سازد و تبار داده (Data Lineage) و کاتالوگسازی را بهصورت خودکار مدیریت کند تا ایجنتها بتوانند قابلیت اعتماد داده را ارزیابی کرده و درک کنند.
۲. یکپارچهسازی میان سیلوهای داده
دادههای ساختاریافته و غیرساختاریافتهای که در سیلوهای مجزا گرفتار شدهاند، بخشی از ارزش خود را از دست میدهند.
یکپارچهسازی بدون اصطکاک به دو قابلیت کلیدی نیاز دارد: نخست، آمادهسازی خودکار داده که قالبها را استاندارد و کیفیت اطلاعات را هنگام انتقال میان سیستمها تضمین کند؛ و دوم، لایههای دسترسی یکپارچه که به ایجنتها اجازه دهد سوابق تراکنشی، شاخصهای عملیاتی، دادههای شرکا، اسناد و محتوای چندرسانهای را با یکدیگر ترکیب کنند و تصویری جامع برای تصمیمگیری بهتر و ایجاد تجربههای شخصیسازیشده به دست آورند.
ابزارهای مدرن یکپارچهسازی داده مانند Data Fabric یا Data Lakehouse، که ترکیبی از دریاچه داده و انبار داده است، میتوانند با استفاده از آمادهسازی خودکار داده و لایههای دسترسی یکپارچه، موانع میان منابع داده را از میان بردارند.
با این حال، در پژوهش جداگانه IBM IBV، تنها ۱۹ درصد مدیران ارشد عملیاتی (COO) اعلام کردهاند که سازمان آنها مؤلفههای معماری داده در سطح سازمان و یکپارچهسازی داده در مقیاس گسترده و میان حوزههای مختلف کسبوکار را بهطور کامل توسعه داده است.
۳. دسترسیپذیری برای یادگیری مستمر
پس از یکپارچهشدن دادهها، این دادهها باید امکان بهبود مستمر عملکرد ایجنتها را فراهم کنند.
۷۷ درصد سازمانها انتظار دارند ایجنت های سازمانی هوش مصنوعی آنها طی دو سال آینده از طریق یادگیری، عملکرد خود را بهطور مستمر بهبود دهند؛ اما تحقق این هدف به سرعت، امنیت و بازخورد نیاز دارد.
دسترسیپذیری واقعی و قابلیت تطبیقپذیری به معنای فراهمبودن دادهها در لحظه، تعبیه حاکمیت در کنترلهای دسترسی و ایجاد سیستمهای بازخورد حلقهبسته (Closed-Loop Feedback) است؛ سیستمهایی که در آن نتایج عملکرد ایجنت مستقیماً به مجموعه دادههای آموزشی بازمیگردد.
این قابلیتها به ایجنتها امکان میدهند خود را با شرایط متغیر تطبیق دهند و بهطور مستمر نتایج بهتری ایجاد کنند.
یک خط انتقال سوخت با عملکرد بالا باید برای سرعت، قابلیت اطمینان و سازگاری طراحی شود.
سازمانهایی که در مدیریت جریانهای پیوسته و تحت حاکمیت داده مهارت پیدا کنند، به ایجنتهای خود قدرت میدهند تا دقیقتر اقدام کنند، سریعتر یاد بگیرند و نتایجی ایجاد کنند که به مرور زمان روی یکدیگر انباشته میشوند.
بدون یک خط انتقال سوخت قدرتمند، ایجنت های سازمانی هوش مصنوعی نیز بهدرستی عمل نخواهد کرد.
«چگونه میتوانیم سرعت تصمیمگیری را افزایش دهیم؟ ما در حوزه کالاهای مصرفی با گردش سریع فعالیت میکنیم؛ جایی که چرخه متوسط یک محصول از زمان ورود به مرکز توزیع تا زمان ارسال، ۸ تا ۹ ساعت است. اگر بتوانیم از ایجنت های سازمانی هوش مصنوعی برای بهینهسازی لجستیک استفاده کنیم، گام بسیار بزرگی رو به جلو خواهد بود.»
مدیر ارشد زنجیره تأمین، شرکت تولیدکننده کالاهای مصرفی
داده، موتور شتابگیری راهکار هوش مصنوعی سازمانی در لاکهید مارتین
Lockheed Martin، یکی از رهبران جهانی فناوری هوافضا و دفاع، تحول کسبوکار خود با هوش مصنوعی را با استفاده از دادههای ارزشمند اما پراکنده خود آغاز کرد.
این شرکت پیشتر به دلیل وجود چندین دریاچه داده و ۴۶ سیستم مجزا برای مدیریت داده، تحلیل داده و هوش کسبوکار، با مشکل سیلوهای داده مواجه بود.
با کمک IBM، لاکهید مارتین این سیستمها را با یک محیط واحد، متصل و در دسترس جایگزین کرد. این راهکار به نتایج زیر منجر شد:
• ۵۰ درصد کاهش در تعداد ابزارهای داده و هوش مصنوعی
• جایگزینی ۴۶ سیستم و ابزار داده با یک پلتفرم یکپارچه
• خودکارسازی ۲۱۶ تعریف در کاتالوگ داده
پس از ایجاد یک زیرساخت داده یکپارچه و مقیاسپذیر، این شرکت توانست به دادههای باکیفیت خود دسترسی پیدا کند و از آنها برای تغذیه AI Factory استفاده کند؛ یک اکوسیستم امن هوش مصنوعی که در آن ۱۰ هزار مهندس میتوانند راهکارهای هوش مصنوعی در مقیاس بزرگ را با سرعت بالا طراحی، تکرار، بهبود و مستقر کنند.
چارچوبهای ایجنتیک و ایجنتهای مجازی پیشرفته نیز به این شرکت کمک کردند تا جریانهای کاری پیچیده را بهتر مدیریت کند، تعامل میان انسان و فناوری را سادهتر سازد و از طریق خودکارسازی و بهینهسازی فرایندها بهرهوری را افزایش دهد.
پیشرانه: چگونه انسانها و ایجنتها برای ایجاد اثرگذاری با یکدیگر همکاری میکنند؟
اجرای موفق در عصر ایجنت های سازمانی هوش مصنوعی ، به چیزی فراتر از ایجاد نقشها و مهارتهای جدید نیاز دارد. سازمانها باید تعریف خود از موفقیت برای کسبوکار، انسانها و ایجنتها را از نو مشخص کنند.
نزدیک به نیمی از مدیران ارشد، یعنی ۴۵ درصد، معتقدند نحوه تعیین اهداف و مقاصد کسبوکار به دلیل ظهور هوش مصنوعی ایجنتیک باید تغییر کند.
چرا؟
زیرا ایجنتهای خودمختار فقط فرایندهای موجود را سریعتر نمیکنند؛ بلکه دری را به روی فرصتهای جدیدی باز میکنند که پیش از این امکان تحقق آنها وجود نداشت.
در دو سال آینده، ۷۲ درصد رهبران انتظار دارند ایجنت های سازمانی هوش مصنوعی قابلیتهای فناورانه جدیدی ایجاد کند که مدلهای کسبوکار و ساختار صنایع را متحول خواهد کرد.
همکاری انسان و راهکار هوش مصنوعی سازمانی ؛ پیشرانه واقعی عملکرد
اما صرف تعیین اهداف نمیتواند بهتنهایی اثرگذاری ایجاد کند.
پیشرانه واقعی، همکاری انسان و ایجنت های سازمانی هوش مصنوعی است؛ رویکردی جدید که خودمختاری را با پاسخگویی ترکیب میکند تا ظرفیت بالقوه فناوری را به عملکرد واقعی تبدیل کند.
برخلاف هوش مصنوعی سنتی که اغلب نیروی انسانی را در جایگاه ناظر سیستمهای ثابت قرار میدهد، ایجنت های سازمانی هوش مصنوعی ایجنتیک زمانی بیشترین ارزش را ایجاد میکند که انسانها و ایجنتها با یکدیگر همکاری کنند.
انسانها قضاوت، خلاقیت و نظارت را فراهم میکنند و اطمینان میدهند که تصمیمها با راهبرد و ارزشهای سازمان همراستا باشند. در مقابل، ایجنتها بینشها را استخراج میکنند، اقدامات را با سرعت و در مقیاس بالا اجرا میکنند و خود را در لحظه با شرایط جدید تطبیق میدهند.
این مشارکت، ساختاری ثابت و ایستا ندارد؛ بلکه تطبیقی است و بر اساس شرایط، اولویتها و دادههای عملکرد، دائماً نحوه همکاری و سطح خودمختاری را تغییر میدهد.
مدیران ارشد نیز ارزش بالایی برای همکاری انسان و هوش مصنوعی قائلاند. ۷۰ درصد موافقاند که انسانها و ایجنتها از یکدیگر یاد میگیرند و ۶۴ درصد معتقدند انسانها و سیستمهای چندایجنتی در کنار یکدیگر برای تحقق اهداف راهبردی فعالیت میکنند.
آمادگی برای اجرای راهکار هوش مصنوعی سازمانی در مقیاس بالا همچنان محدود است
با وجود این دیدگاه مثبت، آمادگی سازمانها برای اجرای این مدل همکاری در مقیاس گسترده همچنان محدود است.
تنها ۴۲ درصد سازمانها در حال مقیاسدهی یا بهینهسازی نیازهای نیروی انسانی برای نقشهای مرتبط با هوش مصنوعی هستند و تنها ۳۷ درصد همین کار را در مورد شاخصهای عملکرد و ارزیابی اثرگذاری انجام میدهند.
همچنین کمتر از نیمی از سازمانها تاکنون اقداماتی برای اندازهگیری تأثیر ایجنت های سازمانی هوش مصنوعی بر سازمان خود انجام دادهاند.
بدون وجود این زیرساختها، همکاری میان انسان و ایجنت ممکن است از نظر هدف و نیت بسیار جدی باشد، اما از نظر اثرگذاری قابلاندازهگیری همچنان محدود باقی بماند.
تا سال ۲۰۲۷، کمتر از نیمی از سازمانها انتظار دارند اقداماتی برای اندازهگیری تأثیر ایجنت های سازمانی هوش مصنوعی انجام داده باشند.
درصدها نشاندهنده مدیران ارشدی است که اعلام کردهاند تا سال ۲۰۲۷ برای به حداکثر رساندن تأثیر هوش مصنوعی ایجنتیک، هر یک از این اقدامات را انجام خواهند داد.
الزامات همکاری اثربخش انسان و راهکار هوش مصنوعی سازمانی
همکاری پربازده میان انسان و هوش مصنوعی به چند الزام اساسی وابسته است:
• همکاری همراستا با نتایج: همکاری انسان و هوش مصنوعی باید مستقیماً به شاخصهای کلیدی عملکرد (KPIs) و اهداف کسبوکار متصل باشد. زمانی که هم انسانها و هم ایجنتها در قبال نتایج مشترک پاسخگو باشند، هر تصمیم و اقدام بر خلق ارزش متمرکز خواهد بود. نزدیک به نیمی از سازمانها، یعنی ۴۶ درصد، شاخصهای کلیدی عملکردی برای پایش تأثیر ایجنت های سازمانی هوش مصنوعی بر عملکرد کسبوکار تعریف کردهاند.
• تعبیه سنجش خودکار عملکرد: پایش بلادرنگ جریانهای کاری، تجربهها و نتایج کمک میکند اثرگذاری قابل مشاهده باشد و تصمیمها در صورت نیاز بهسرعت اصلاح شوند. تحقق این هدف مستلزم سیستمهایی است که عملکرد ایجنتها را در کنار میزان مشارکت انسانها اندازهگیری کنند. ۴۵ درصد سازمانها برای هر یک از ایجنت های سازمانی هوش مصنوعی، شاخصهای عملکرد مشخصی تعیین کردهاند.
• اعتماد و همراستایی اخلاقی: ۵۷ درصد سازمانها انتظار دارند کارکنانشان در چارچوب حاکمیت هوش مصنوعی سازمان برای مدیریت چالشهای اخلاقی فعالیت کنند. با این حال، چارچوبهای مدیریت شیوههای اخلاقی هوش مصنوعی، کمبلوغترین بخش مدلهای عملیاتی آنهاست؛ بهطوریکه تنها ۳۰ درصد از سازمانها در حال مقیاسدهی یا بهینهسازی این چارچوبها هستند. همچنین نبود یک چارچوب رسمی حاکمیت هوش مصنوعی دومین مانع مهم در مسیر پیادهسازی هوش مصنوعی ایجنتیک محسوب میشود.
اعتماد مستلزم تعریف روشن نقشهاست؛ انسانها باید مرزهای اخلاقی را تعیین و رفتار ایجنتها را پایش کنند، در حالی که ایجنتها در محدوده این چارچوبها فعالیت کرده و موارد دارای ابهام یا تعارض اخلاقی را برای بررسی انسانی علامتگذاری کنند. سازمانها باید تعبیه کنترلهای حاکمیتی برای جلوگیری از فراتر رفتن ایجنتها از حدود اختیاراتشان را در اولویت قرار دهند و همزمان نیروی انسانی خود را برای شناسایی و پاسخ به مسائل اخلاقی آموزش دهند.
• آمادگی نیروی انسانی برای ارکستراسیون: آمادهسازی نیروی انسانی برای هدایت، اصلاح و یادگیری از ایجنتهای خودمختار ضروری است. مدیران ارشد این ضرورت را درک کردهاند؛ ۷۱ درصد میگویند بهطور مستمر در حال تنظیم و بهبود رابطه میان انسانها و ایجنتها هستند و ۷۰ درصد نیز اعلام کردهاند که در تصمیمهای بسیار پیچیده و پراثر، انسان همواره در حلقه تصمیمگیری باقی میماند.
با تکامل مستمر ایجنتها و پذیرش مسئولیتهای جدید، مدیریت تغییر نیز باید فرایندی دائمی باشد، نه یک گذار مقطعی. نقشها، فرایندها و سازوکارهای حاکمیتی باید همزمان با رشد قابلیتهای ایجنتها تغییر کنند تا پاسخگویی، نظارت و همکاری همچنان با اهداف کسبوکار همراستا باقی بماند.
سازمانهای بالغتر، رابطه میان انسان و هوش مصنوعی را هدفمندتر مدیریت میکنند. برای مثال، ۷۷ درصد آنها اطمینان حاصل میکنند که نقش کارکنان در تفکر انتقادی حفظ و ارزشگذاری شود؛ در حالی که این رقم در سازمانهای کمبلوغتر ۶۶ درصد است.
این رویکرد هدفمند، پذیرش فناوری و اعتماد به آن را تقویت میکند. با این حال، حتی سازمانهای پیشرفته نیز در تعریف شاخصهای کلیدی عملکرد برای سنجش تأثیر ایجنتها یا ارزیابی اثر ایجنت های سازمانی هوش مصنوعی بر کارکنان، مشتریان و شرکای تجاری خود کند عمل کردهاند.
سازمانهایی که در همکاری مبتنی بر نتایج، سنجش بلادرنگ عملکرد و توسعه نیروی انسانی ماهر سرمایهگذاری کنند، میتوانند هوش مصنوعی ایجنتیک را از یک فناوری امیدبخش به مزیتی رقابتی و فزاینده در طول زمان تبدیل کنند.
«تمرکز من بر ایجاد یک ساختار سازمانی چابک است. نقشها در حال تغییرند و این تغییر فقط به تیمها محدود نمیشود؛ ذینفعان نیز باید بدانند که نقش آنها تغییر خواهد کرد. همه از نیروی انسانی انتظار دارند هوش مصنوعی را بپذیرد، اما همین که این اتفاق میافتد، بنیان سازمان نیز تغییر میکند.»
مدیر ارشد عملیاتی، شرکت فعال در حوزه تجهیزات پزشکی و تشخیص بیماری
راهکار هوش مصنوعی سازمانی در مهاجرت و نوسازی اپلیکیشنها
ایجنت های سازمانی هوش مصنوعی میتواند پروژههای پیچیده مهاجرت و نوسازی اپلیکیشنها را از طریق ارکستراسیون ایجنتهای خودمختار تخصصی در کنار انسانهای حاضر در حلقه تصمیمگیری، با سرعت بیشتری پیش ببرد.
در این جریانهای کاری، ایجنتها وظایفی مانند شناسایی، تحلیل، پیکربندی و آزمایش را با سرعت و در مقیاس بالا انجام میدهند؛ در حالی که انسانها وظیفه نظارت، حاکمیت و ارائه ورودی در مواردی را بر عهده دارند که به قضاوت یا تخصص انسانی نیاز دارد.
این رویکرد ترکیبی، تلاش دستی را کاهش میدهد، ریسکها را محدود میکند و به ایجاد سیستمهای نوسازیشدهای منجر میشود که از نظر عملکرد، مقیاسپذیری و نگهداریپذیری وضعیت بهتری دارند.
نمونه: انتقال پلتفرم پایگاه داده به فضای ابری
یکی از مسیرهای رایج نوسازی، انتقال یک پایگاه داده از زیرساخت داخلی سازمان به یک پلتفرم مبتنی بر ابر است؛ برای مثال، انتقال PostgreSQL به یک سرویس ابری مدیریتشده.
ی شناسایی و برنامهریزی: انسانها اهداف را مشخص کرده و اطلاعات اولیه مانند اعتبارنامههای دسترسی را ارائه میکنند. ایجنتها وضعیت فعلی را ثبت، محیط مقصد را ارزیابی و ناسازگاریها یا وابستگیها را شناسایی میکنند.
ن طراحی راهکار و آمادهسازی: ایجنتها برنامههای اصلاحی ایجاد میکنند، محیط مقصد را پیکربندی میکنند و گواهیها، فایروالها و نقشهای دسترسی را تنظیم میکنند؛ در موارد لازم نیز از پشتیبانی انسانی بهره میگیرند.
ن اجرای مهاجرت: ایجنتها ابزارها و فرایندهای مهاجرت را راهاندازی میکنند، تبدیل ساختارهای پایگاه داده را انجام میدهند و آمادگی برای تغییر را مدیریت میکنند. انسانها نیز مراحل کلیدی مانند انتقال و تطبیق داده را تأیید میکنند.
• اعتبارسنجی پس از مهاجرت: ایجنتها آزمونهای پایه صحت عملکرد و تستهای کارایی را اجرا میکنند و انسانها نتایج را بررسی و تأیید میکنند.
با تقسیم هوشمندانه وظایف میان ایجنتها و انسانها، سازمانها میتوانند پروژههای مهاجرت را سریعتر، دقیقتر و همراه با حاکمیت تعبیهشده اجرا کنند.
پیشگامان، سرعت حرکت بازار را تعیین میکنند
سازمانها منابع قابلتوجهی را صرف توسعه راهکارهای ایجنت های سازمانی هوش مصنوعی میکنند تا به بهرهوری بیشتر، کارایی عملیاتی بالاتر و رضایت بیشتر مشتری دست یابند و در نهایت درآمد و سود خود را افزایش دهند.
تحلیل ما نشان میدهد سازمانهایی که در مسیر بلوغ عملیاتی جلوتر هستند، در مقایسه با همتایان کمبلوغتر خود، از همین حالا نوآوری و تعامل قویتری با مشتریان گزارش میکنند و آمادگی بیشتری برای اثرگذاری آینده دارند.
سهچهارم این سازمانها انتظار دارند نوآوری مبتنی بر ایجنت های سازمانی هوش مصنوعی ، قابلیتهای جدیدی ایجاد کند که مدل کسبوکار آنها را متحول سازد؛ در حالی که این رقم در میان کمبلوغترین سازمانها ۶۴ درصد است.
پیشگامان با اتخاذ تصمیمهای راهبردی، توانایی خود برای مقیاسدهی ایجنت های سازمانی هوش مصنوعی را تثبیت میکنند؛ آنها میدانند چه زمانی باید سرعت بگیرند، چه زمانی منابع را حفظ کنند و چه زمانی برای بازتنظیم مسیر توقف کنند.
همچنین مشخص است که رهبری سازمان در این مسیر نقشی تعیینکننده دارد. در گروه سازمانهای دارای بالاترین سطح بلوغ، ۸۰ درصد اعلام کردهاند که رهبران، هوش مصنوعی را بهعنوان یکی از مؤلفههای کلیدی راهبرد سازمان در اولویت قرار میدهند؛ در حالی که این رقم در کمبلوغترین گروه ۶۴ درصد است.
همچنین ۷۸ درصد از سازمانهای بالغتر از مشارکت فعال مدیران ارشد در تعیین چشمانداز و راهبرد هوش مصنوعی خبر میدهند و ۷۸ درصد نیز برای موفقیت برنامههای هوش مصنوعی، اهداف و معیارهای روشنی تعریف کردهاند.
این سازمانهای پیشرفته در موقعیتی قرار دارند که بتوانند در عصر هوش مصنوعی ایجنتیک سریعتر سازگار شوند، به شکلی معنادار نوآوری کنند و رقابت شدیدتری داشته باشند.
سایر سازمانها باید از تمرکز صرف بر اصلاحات تدریجی عبور کنند و با هدفمندی و سرعت بیشتر، موتور ایجنت های سازمانی هوش مصنوعی خود را از نو طراحی کنند.
چگونه چشمانداز ایجنت های سازمانی هوش مصنوعی را به پیشرفت قابلاندازهگیری تبدیل کنیم؟
افزایش بلوغ مدل عملیاتی هوش مصنوعی ایجنتیک الزاماً به معنای ایجاد یک تحول گسترده و ناگهانی نیست؛ اما نیازمند اقداماتی متمرکز، هدفمند و حسابشده است که معماری، راهبرد داده و همکاری انسان و هوش مصنوعی را تقویت کنند.
اقدامات زیر میتوانند در کوتاهمدت به حرکت سازمان در این مسیر کمک کنند.
۱. معماری مناسب برای ایجنت های سازمانی هوش مصنوعی ایجاد کنید
کار را با ارزیابی معماری فعلی سازمان از نظر مقیاسپذیری، تعاملپذیری و شکافهای امنیتی آغاز کنید.
• از زیرساختهای ابری یا هیبریدی موجود برای ایجنت های سازمانی هوش مصنوعی استفاده کنید و مشخص سازید ایجنتهای خودمختار در کجا اجرا خواهند شد، به چه دادههایی نیاز دارند و چگونه میان محیطهای مختلف به یکدیگر متصل خواهند شد. قابلیتهای موجود مانند درگاههای API یا ارکستراسیون کانتینر را با چارچوبهای ارتباطی و لایههای پیامرسان اختصاصی ایجنتها توسعه و یکپارچه کنید تا مقیاسپذیری لازم ایجاد شود.
• یک پروژه آزمایشی کوچک ارکستراسیون را در یک جریان کاری یا حوزه مشخص اجرا کنید تا ابزارهای مدیریت تخصیص وظایف، تبادل داده و پایش عملکرد میان ایجنتها و مدلهای متنوع را ارزیابی کنید. سپس از نتایج آن بیاموزید و راهکار را به سایر حوزهها گسترش دهید.
• امنیت و انطباق را بهتدریج در جریانهای کاری ایجنتیک تعبیه کنید و چارچوبهای امنیتی فعلی سازمان را توسعه دهید. هویت و احراز هویت ایجنتها، دسترسی مبتنی بر نقش به دادهها و ثبت خودکار رویدادها برای آمادگی ممیزی را مشخص کنید.
۲. جریان پیوسته داده را برای ایجنت های سازمانی هوش مصنوعی و میان آنها برقرار کنید
یک ارزیابی سریع از چارچوب حاکمیت داده سازمان انجام دهید تا گلوگاههایی را که دسترسی به دادههای باکیفیت را کند میکنند، شناسایی کنید.
• منابع داده با بیشترین تأثیر بر تصمیمگیری ایجنتها را در موارد کاربرد اولویتدار شناسایی کرده و آنها را در یک محیط یکپارچه گردآوری کنید.
برای یک جریان کاری آزمایشی، دسترسی بلادرنگ یا نزدیک به بلادرنگ به داده را با استفاده از جریانهای دادهای یا یکپارچهسازی مبتنی بر API فراهم کنید تا ایجنتها بر اساس جدیدترین شرایط تصمیمگیری و اقدام کنند.
• یک فرایند بازخورد حلقهبسته ایجاد کنید تا نتایج اقدامات ایجنتها بهصورت خودکار ثبت شده و برای آموزش مجدد یا تنظیم دقیق مدلها مورد استفاده قرار گیرد و یادگیری مستمر امکانپذیر شود.
۳. اثرگذاری کارکنان و ایجنتها را بازتعریف کنید
شاخصهای کلیدی عملکرد سازمان را تعریف یا بازنگری کنید تا بتوانید نتایج حاصل از همکاری انسان و ایجنت های سازمانی هوش مصنوعی را اندازهگیری کنید.
• برای یک یا دو جریان کاری آزمایشی، شاخصهای کلیدی عملکرد را بازتعریف کنید تا هم مشارکت نیروی انسانی و هم عملکرد ایجنتها سنجیده شود. معیارهایی مانند دقت، سرعت تصمیمگیری و تطبیقپذیری را در نظر بگیرید.
• یک چارچوب همکاری ایجاد کنید که مشخص کند انسانها و ایجنتها چگونه با یکدیگر هماهنگ میشوند؛ چه کسی چه تصمیمی میگیرد، انتقال وظایف چگونه انجام میشود و نظارت چگونه حفظ خواهد شد.
• پایش خودکار عملکرد را با استفاده از ابزارهای فعلی تحلیل یا مانیتورینگ توسعه دهید و سپس از بازخورد مربوط به تأثیر جریانهای کاری برای رصد بلادرنگ فعالیت ایجنتها و شناسایی ناهنجاریها استفاده کنید.
اقتباس از مقالات شرکت IBM در حوزه هوش مصنوعی
حسین نوریان، مشاور مدیریت استراتژیک با رویکرد تحول دیجیتال
استفاده از مطالب فوق تنها با ذکر منبع مجاز است.
این مطلب را هم مطالعه نمایید:
