ویرگول
ورودثبت نام
حجت قناد - Hojat Ghanad
حجت قناد - Hojat Ghanadحجت قناد هستم. در تقاطع داده، تکنولوژی و مارکتینگ کار می‌کنم. از مهندسی نرم‌افزار به رشد کسب‌وکار رسیده‌ام و اینجا تجربه‌هایم از بازاریابی، مدیریت، تصمیم‌سازی و ساخت سیستم‌های رشد را روایت می‌کنم.
حجت قناد - Hojat Ghanad
حجت قناد - Hojat Ghanad
خواندن ۹ دقیقه·۵ ماه پیش

مساله خیلی از سازمان‌ها این نیست که AI ندارند!

این روزها در خیلی از شرکت‌ها جلسه‌های هوش مصنوعی با یک سوال اشتباه شروع می‌شود:

«کجا می‌توانیم از AI استفاده کنیم؟»

همین سوال، با اینکه مدرن و آینده‌نگر به نظر می‌رسد، معمولا مسیر را خراب می‌کند. چون سازمان را از مساله جدا می‌کند و مستقیم می‌برد سمت ابزار. از همین‌جا پروژه‌هایی شروع می‌شوند که در جلسه ارائه جذاب‌اند، در لینکدین خوب دیده می‌شوند اما در عمل اثر جدی روی سازمان و خروجی‌اش ندارند.

سوال درست این نیست که کجا AI استفاده کنیم. سوال درست این است که کدام مساله سازمان آن‌قدر مهم و اثرگذار است که ارزش حل شدن دارد و برای حل آن واقعا به چه نوع راه‌حلی(نه الزاما AI) نیاز داریم.

گاهی پاسخ AI است. گاهی نیست. گاهی مساله با یک داشبورد ساده حل می‌شود. گاهی با تغییر یک فرایند. گاهی با اتوماسیون. گاهی با تعریف مالکیت تصمیم. گاهی با اصلاح یک فرم، پیام، پنل یا گزارش. سازمانی که برای هر مساله‌ای سراغ AI می‌رود، پیشرو نیست. احتمالا مساله‌اش را درست نفهمیده است.

AI روی مساله مبهم، فقط ابهام را بیشتر می‌کند!

فرض کنیم یک شرکت با حجم بالای تماس‌های پشتیبانی روبه‌روست. اولین پیشنهاد احتمالا این است که چت‌بات بگذاریم. ظاهرا منطقی است. تماس زیاد است، اپراتور کم است، مشتری معطل می‌شود، پس AI باید پاسخ بدهد.

اما اگر کمی عقب‌تر برویم، شاید ببینیم علت تماس‌ها چیز دیگری است. شاید مشتری به خاطر مبهم بودن وضعیت سفارش تماس می‌گیرد. شاید پیامک‌ها درست نوشته نشده‌اند. شاید پنل کاربر به‌موقع به‌روزرسانی نمی‌شود. شاید سیاست‌های پشتیبانی بین اپراتورها یکسان نیست. شاید کاربر برای فهمیدن یک پاسخ ساده مجبور است چند مرحله را طی کند.

در چنین وضعیتی، چت‌بات فقط یک لایه تازه روی همان آشفتگی قبلی است. اگر پشت صحنه مبهم باشد، AI هم جواب دقیق نمی‌دهد. اگر داده ناقص باشد، مدل هم حدس می‌زند. اگر فرایند خراب باشد، اتوماسیون فقط خرابی را سریع‌تر می‌کند.

این همان نقطه‌ای است که بسیاری از پروژه‌های AI شکست می‌خورند. نه چون مدل بد بوده، نه چون تیم فنی ضعیف بوده، بلکه چون مسئله از اول بد تعریف شده است.

خیلی وقت‌ها AI راه‌حل نیست، واکنش عصبی سازمان است!

سازمان‌ها تحت فشارند. همه درباره AI حرف می‌زنند. مدیران می‌ترسند عقب بمانند. تیم‌ها ابزارهای مختلف را امتحان می‌کنند. چند نفر در سازمان با ChatGPT بهتر و سریع‌تر کار می‌کنند و ناگهان این تصور شکل می‌گیرد که شرکت باید هرچه زودتر «AI Transformation» را شروع کند.

اما استفاده پراکنده از AI، تحول نیست.

اینکه تیم محتوا چند متن را سریع‌تر پیش‌نویس کند، خوب است. اینکه برنامه‌نویس از ابزار کمکی برای کدنویسی استفاده کند، خوب است. اینکه مدیر محصول با AI ایده بگیرد، خوب است. اما این‌ها هنوز تحول سازمانی نیستند. این‌ها بهره‌وری فردی‌اند.

تحول وقتی شروع می‌شود که AI وارد مسائل و فرایندهای کاری اصلی سازمان شود. یعنی جایی که هزینه بالا است، خطا تکرار می‌شود، تصمیم کند است، تجربه مشتری آسیب می‌بیند، یا فرصت رشد از دست می‌رود. حتی آنجا هم باید اول فهمید که آیا AI بهترین پاسخ است یا نه.

گاهی سازمان از AI حرف می‌زند چون نمی‌خواهد درباره مساله اصلی حرف بزند. درباره ابهام در تصمیم‌گیر و مالکیت تصمیم، فرایندهای کثیف، داده‌های پراکنده، سیاست‌های نانوشته، KPIهای غلط و تیم‌هایی که با هم هماهنگ نیستند. AI در چنین فضایی تبدیل می‌شود به پوششی مدرن برای مشکلات قدیمی و اساسی.

مساله باید عدد داشته باشد

تا وقتی مساله با کلمات کلی توضیح داده می‌شود، هنوز مساله نیست. «پشتیبانی کند است»، «فروش خوب نیست»، «مشتری ناراضی است»، «تیم بهره‌ور نیست»، «فرایند دستی است» و «گزارش‌ها دیر آماده می‌شوند» همه نشانه‌اند، نه تعریف مساله.

تعریف مسئله باید دقیق‌تر باشد. مثلا در پشتیبانی باید بدانیم چه سهمی از تماس‌ها مربوط به چند موضوع پرتکرار است، میانگین زمان رسیدگی چقدر است، چند درصد تیکت‌ها ارجاع می‌شوند، کجا دوباره‌کاری داریم، کدام پاسخ‌ها اختلافی‌اند و نارضایتی دقیقا در کدام مرحله شکل می‌گیرد.

وقتی مساله این‌طور دیده شود، انتخاب راه‌حل عوض می‌شود. شاید بفهمیم اصلا نباید به سمت چت‌بات برویم. شاید باید knowledge base بسازیم. شاید باید policyها را یکسان کنیم. شاید فقط نیاز به آموزش بهتر پرسنل داریم. شاید باید صفحه وضعیت سفارش را بهتر کنیم. شاید باید alert داخلی داشته باشیم. شاید باید برای اپراتور copilot بسازیم، نه برای مشتری chatbot. شاید هم در یک مرحله بعد، پاسخ خودکار معنا پیدا کند.

مساله‌ای که عدد ندارد، پروژه AI نمی‌خواهد. اول باید دیده شود و بعد یک تعریف صریح و همه فهم برایش ایجاد کنیم.

از ساده‌ترین راه‌حل شروع کن!

در کار با تکنولوژی، سال‌هاست که یک قاعده ساده اما مهم را یاد گرفته‌ام:

از ساده‌ترین راه‌حلی که می‌تواند مساله را حل کند، شروع کن.

اگر مساله با شفاف‌سازی فرایند حل می‌شود، AI لازم ندارد. اگر با یک rule ساده حل می‌شود، مدل لازم ندارد. اگر با داشبورد حل می‌شود، copilot لازم ندارد. اگر داده آماده نیست، agent خطرناک است. اگر مالک تصمیم مشخص نیست، هوش مصنوعی فقط داستان را با ضریب زیادی پیچیده و مبهم‌تر می‌کند.

این حرف ضد AI نیست. اتفاقا شرط استفاده درست از AI است.

هوش مصنوعی زمانی ارزش می‌سازد که روی مساله درست بنشیند. اگر زودتر از موعد وارد شود، هم هزینه می‌سازد، هم توقع بی‌جا ایجاد می‌کند، هم اعتماد پرسنل و سازمان را به پروژه‌های بعدی از بین می‌برد.

بسیاری از سازمان‌ها هنوز بین چند سطح متفاوت فرق نمی‌گذارند. دیجیتالی کردن یک فرایند با اتوماسیون فرق دارد. اتوماسیون با تحلیل داده فرق دارد. تحلیل داده با مدل پیش‌بینی فرق دارد. مدل پیش‌بینی با GenAI فرق دارد. GenAI با Agent فرق دارد.

وقتی این تفاوت‌ها روشن نباشد، هر چیزی اسم AI می‌گیرد. یک rule ساده می‌شود AI. یک فرم هوشمند می‌شود AI. یک داشبورد می‌شود AI. بعد هم وقتی اثر جدی نمی‌بینیم، می‌گوییم AI جواب نداد. در حالی که از اول معلوم نبود درباره چه چیزی حرف می‌زنیم.

سخت‌ترین بخش، ابزار نیست!

حتی وقتی مطمئن شدیم AI واقعا لازم است، تازه بخش سخت شروع می‌شود. انتخاب مدل، ابزار، API یا vendor فقط بخشی از کار است. مساله اصلی این است که بعد از ورود AI، کار در سازمان چگونه تغییر می‌کند.

فرض کنیم برای تیم کال سنتر یک copilot ساخته‌ایم. ابزار می‌تواند متن شکایت را خلاصه کند، سابقه مشتری را نشان دهد، policy مرتبط را پیشنهاد دهد و پیش‌نویس پاسخ بسازد. اما آیا اپراتور کال سنتر به آن اعتماد می‌کند؟ آیا حق دارد پاسخ را رد کند؟ اگر AI اشتباه کرد، مسئولیت با کیست؟ مدیر تیم استفاده از ابزار را چطور ارزیابی می‌کند؟ سرعت مهم‌تر است یا کیفیت پاسخ؟ خطاهای ابزار کجا ثبت می‌شوند؟ چه کسی knowledge base را به‌روز می‌کند؟

اگر این سوال‌ها جواب نداشته باشند، پروژه از نظر فنی ممکن است کار کند، اما از نظر سازمانی شکست می‌خورد.

AI کار را حذف نمی‌کند، کار را دوباره تقسیم می‌کند. بخشی از کار از انسان به ماشین می‌رود. بخشی از کار انسانی مهم‌تر می‌شود. بخشی از نقش‌ها عوض می‌شوند. بعضی مهارت‌ها کم‌ارزش‌تر می‌شوند و بعضی مهارت‌ها ارزش بیشتری پیدا می‌کنند.

اگر این تغییر طراحی نشود، آدم‌ها آن را تهدید می‌بینند. حق هم دارند.

مقاومت کارکنان همیشه مشکل فرهنگی نیست!

شاید شما هم تجربه داشته باشید که در سازمان‌ها زیاد می‌گویند که «تیم‌ها در برابر تغییر مقاومت می‌کنند». این جمله گاهی درست است، اما معمولا تنبلانه استفاده می‌شود. مقاومت کارکنان همیشه نشانه ضعف فرهنگ نیست. گاهی نشانه بد طراحی شدن تغییر است.

وقتی کارمند نمی‌داند AI آمده کمکش کند یا جای او را بگیرد، مقاومت طبیعی است. وقتی ابزار جدید اضافه می‌شود اما KPIهای قبلی تغییر نمی‌کنند، مقاومت طبیعی است. وقتی خروجی AI ممکن است اشتباه باشد اما مسئولیت خطا با انسان می‌ماند، مقاومت طبیعی است. وقتی مدیران فقط درباره کاهش هزینه حرف می‌زنند، مقاومت طبیعی است.

برای همین منابع انسانی نباید آخر پروژه وارد داستان شود تا یک دوره آموزشی برگزار کند. باید از ابتدا در طراحی تغییر حضور داشته باشد. نه برای شعار دادن درباره فرهنگ، بلکه برای پاسخ به چند سوال واقعی. نقش‌ها چه تغییری می‌کنند؟ چه مهارت‌هایی لازم می‌شود؟ معیار ارزیابی عملکرد عوض می‌شود یا نه؟ چه کسانی احساس تهدید می‌کنند؟ مدیران میانی چطور باید رفتار کنند؟ روایت سازمان از این تغییر برای تیم‌ها چیست؟

در پروژه AI، آموزش یعنی یاد دادن چند prompt نیست. آموزش یعنی کمک به آدم‌ها برای کار کردن در یک مدل جدید.

مدیران میانی تعیین می‌کنند AI جدی است یا نمایشی!

در بیشتر سازمان‌ها، مدیرعامل می‌تواند درباره AI حرف بزند، تیم تکنولوژی می‌تواند ابزار بسازد، اما رفتار واقعی تیم‌ها را مدیران میانی شکل می‌دهند. کارمند از مدیر مستقیمش می‌فهمد این تغییر جدی است یا فقط هوس و ترند مدیریتی جدیدی است که چند ماه دیگر فراموش می‌شود.

اگر مدیر میانی خودش از ابزار استفاده نکند، تیم هم جدی نمی‌گیرد. اگر فقط فشار سرعت بیاورد، کیفیت قربانی می‌شود. اگر خطای AI را تنبیه کند اما مسیر اصلاح ندهد، افراد یا از ابزار استفاده نمی‌کنند یا استفاده را پنهان می‌کنند. اگر نداند خروجی خوب با کمک AI چه شکلی است، ارزیابی عملکرد خراب می‌شود.

پس هر پروژه AI باید برای مدیران میانی برنامه داشته باشد. آن‌ها باید بفهمند چه چیزی در کار تیم عوض می‌شود، چه چیزی را باید تشویق کنند، چه چیزی را نباید با AI بسنجند و کجا باید جلوی استفاده را بگیرند.

بدون این لایه، AI در سازمان یا در حد ابزار فردی می‌ماند یا در سطح اسلایدهای مدیریتی.

پایلوت برای نمایش نیست!

پایلوت AI نباید برای این طراحی شود که در جلسه مدیریتی بگوییم «ما هم کاری کرده‌ایم». پایلوت باید برای یادگیری و تصمیم‌گیری طراحی شود. یعنی از اول مشخص باشد اگر جواب داد، چطور scale می‌شود و اگر جواب نداد، چرا متوقف می‌شود.

پایلوت خوب از یک مساله محدود اما واقعی شروع می‌کند. baseline دارد. KPI دارد. مالک کسب‌وکار دارد. مالک فنی دارد. کاربران مشخص دارد. ریسک‌هایش معلوم است. زمان پایان دارد. معیار ادامه یا توقف دارد.

اگر قرار است copilot پشتیبانی تست شود، فقط مهم نیست که پاسخ تولید می‌کند یا نه. باید دید زمان رسیدگی کم شده یا نه، کیفیت پاسخ افت کرده یا نه، رضایت مشتری تغییر کرده یا نه، اپراتورها واقعا از آن استفاده کرده‌اند یا نه، چند بار خروجی را اصلاح کرده‌اند و خطاها قابل رفع بوده یا نه.

پایلوتی که معیار اندازه‌گیری ندارد، بعدا هر کسی می‌تواند درباره‌اش هر روایتی بسازد. تیم فنی می‌گوید موفق بود چون ابزاری که ما ساختیم کار کرد. تیم عملیات می‌گوید موفق نبود چون کار ما تغییر نکرد. مدیر ارشد می‌گوید اثر و نتیجه مالی ندیدیم. کارکنان می‌گویند کارمان بیشتر شد.

این اختلاف‌ها از آخر پروژه شروع نمی‌شوند. از روز اولی شروع می‌شوند که پایلوت بدون تعریف دقیق ارزش طراحی شده است.

AI آخرین حلقه است، نه اولین واکنش

هوش مصنوعی می‌تواند سازمان‌ها را سریع‌تر، دقیق‌تر و کارآمدتر کند. می‌تواند هزینه را کم کند، تصمیم‌ها را بهتر کند، تجربه مشتری را تغییر دهد و حتی مدل کار را از نو بسازد. اما فقط وقتی روی مساله درست، در فرایند درست و با طراحی درست نقش انسان و ماشین پیاده شود.

شروع درست این نیست که بپرسیم با AI چه کارهایی می‌توانیم بکنیم. شروع درست این است که بپرسیم کدام کارها را اساسا باید طور دیگری انجام دهیم.

اول باید مساله را روشن کرد. بعد فرایند را دید. بعد داده را سنجید. بعد ساده‌ترین مداخله موثر را انتخاب کرد. اگر واقعا AI لازم بود، آن وقت باید بعضی چیزها مثل نقش‌ها، مسئولیت‌ها، KPIها، آموزش، اعتماد، governance و مسیر scale را دوباره طراحی کرد.

مساله خیلی از سازمان‌ها این نیست که AI ندارند. مساله این است که هنوز نمی‌دانند کدام مشکلشان واقعا AI می‌خواهد و شاید مهم‌تر از آن، هنوز نمی‌دانند اگر AI خواستند، باید سازمان را هم همراهش تغییر دهند.

در مقاله بعدی درباره چه زمانی AI در سازمان لازم نیست؟ مینویسم.

هوش مصنوعیتحول دیجیتال
۸
۰
حجت قناد - Hojat Ghanad
حجت قناد - Hojat Ghanad
حجت قناد هستم. در تقاطع داده، تکنولوژی و مارکتینگ کار می‌کنم. از مهندسی نرم‌افزار به رشد کسب‌وکار رسیده‌ام و اینجا تجربه‌هایم از بازاریابی، مدیریت، تصمیم‌سازی و ساخت سیستم‌های رشد را روایت می‌کنم.
شاید از این پست‌ها خوشتان بیاید