چرا سریع‌ترشدن کارکنان، الزاماً به بهترشدن عملکرد سازمان منجر نمی‌شود؟
تصور کنید کارشناس یک سازمان با کمک هوش مصنوعی، گزارشی را که قبلاً چند ساعت زمان می‌برد، در کمتر از یک ساعت آماده می‌کند. مدیر هم می‌تواند خلاصه گزارش را سریع‌تر بخواند. اما تصمیم نهایی همچنان باید از چند مرحله تأیید عبور کند، اطلاعات میان واحدها جابه‌جا شود و اختلاف آمارها در جلسه‌ای دیگر بررسی شود.
افراد سریع‌تر شده‌اند، اما سازمان هنوز با همان منطق قبلی کار می‌کند.
این موقعیت فرضی، مسئله‌ای را نشان می‌دهد که مک‌کینزی در مقاله «هوش مصنوعی شیوه کار را تغییر می‌دهد؛ حالا نوبت تغییر سازمان است» مطرح کرده است: برای استفاده از ظرفیت‌های بزرگ‌تر هوش مصنوعی، باید درباره نحوه سازمان‌دهی کار، نقش کارکنان، مسیر پیشرفت و مسئولیت تصمیم‌ها دوباره فکر کنیم.
بر اساس پیمایش وضعیت هوش مصنوعی مک‌کینزی در سال ۲۰۲۶ که در مقاله به آن استناد شده، ۸۰ درصد پاسخ‌دهندگان گفته‌اند هوش مصنوعی بهره‌وری فردی آن‌ها را افزایش داده است؛ اما فقط ۳۷ درصد از تأثیر مثبت آن بر سود پیش از بهره و مالیات خبر داده‌اند.
عدد دوم به معنای افزایش ۳۷ درصدی سود نیست؛ به سهم پاسخ‌دهندگانی اشاره دارد که اثر مثبت گزارش کرده‌اند.
مقاله همچنین می‌گوید نزدیک به سه‌چهارم سازمان‌های دارای عملکرد برتر در هوش مصنوعی، گردش‌کارهای خود را به‌طور اساسی بازطراحی کرده‌اند؛ درحالی‌که این نسبت در سایر سازمان‌ها حدود یک‌چهارم بوده است.
این مقایسه، به‌تنهایی رابطه علت‌ومعلولی را اثبات نمی‌کند، اما توجه ما را به موضوع مهمی جلب می‌کند: سازمان‌های موفق‌تر، علاوه بر استفاده از ابزار، شیوه انجام کار را نیز تغییر داده‌اند.
در بخش عمومی، ارزش حاصل از این تغییر را باید با معیارهایی مانند کیفیت خدمت، زمان رسیدگی، کاهش خطا و پاسخ‌گویی بررسی کرد.
بسیاری از سازمان‌ها بر اساس وظایف تخصصی شکل گرفته‌اند. هر واحد بخشی از کار را انجام می‌دهد و آن را به واحد بعدی تحویل می‌دهد. در این مسیر، بخشی از زمان صرف انتظار، انتقال اطلاعات، توضیح دوباره مسئله و هماهنگی می‌شود.
مقاله پیشنهاد می‌کند طراحی را از نتیجه مورد انتظار آغاز کنیم: چه چیزی باید برای مشتری، شهروند یا سازمان بهتر شود؟ سپس مشخص کنیم برای رسیدن به آن نتیجه، چه ترکیبی از انسان‌ها و عامل‌های هوش مصنوعی لازم است.
عامل هوش مصنوعی، در این بحث، سامانه‌ای است که می‌تواند در حدود اختیار تعریف‌شده، چند مرحله از یک کار را دنبال کند و با ابزارها یا سامانه‌های دیگر تعامل داشته باشد.
برای مثال، در یک فرایند رسیدگی به درخواست، ممکن است بررسی اولیه مدارک، شناسایی اطلاعات ناقص و آماده‌سازی پیش‌نویس پاسخ به عامل سپرده شود. در مقابل، تشخیص موارد استثنایی و تصمیم‌های حساس به قضاوت انسان نیاز داشته باشد.
در چنین طراحی‌ای باید روشن باشد:
هر فعالیت را چه کسی یا چه سامانه‌ای انجام می‌دهد؟
کدام ارجاع میان واحدها واقعاً لازم است؟
عامل هوش مصنوعی تا کجا اختیار دارد؟
چه زمانی باید کار متوقف یا به انسان ارجاع شود؟
مسئول نتیجه نهایی چه کسی است؟
سرعت زمانی ارزش پیدا می‌کند که مسیر رسیدن به نتیجه نیز بهتر شود.
یکی از پرسش‌های مهم مقاله این است: وقتی هوش مصنوعی بخشی از کار را انجام می‌دهد، با ظرفیت آزادشده چه می‌کنیم؟
پاسخ از پیش مشخص نیست. یک سازمان می‌تواند خدمات بیشتری ارائه دهد، کیفیت را افزایش دهد، فشار کاری را کاهش دهد یا کارکنان را به فعالیت‌های تازه‌ای اختصاص دهد.
در نمودار توضیحی مقاله، فرض شده است که هوش مصنوعی حدود ۴۰ درصد ظرفیت فعلی یک نقش خدمات مشتری را آزاد می‌کند. این عدد، آمار عمومی درباره مشاغل نیست؛ مثالی است برای نشان‌دادن انتخاب‌های مدیریتی.
مسئله اصلی همان انتخاب است. اگر کارشناس گزارش را سریع‌تر آماده کند، اما زمان به‌دست‌آمده صرف بررسی دقیق‌تر، حل مسئله یا یادگیری نشود، بخشی از فرصت از دست می‌رود.
بنابراین، پیش از اجرای یک راهکار باید پرسید: قرار است ظرفیت آزادشده به کدام نتیجه مشخص تبدیل شود؟
بخش مهمی از یادگیری حرفه‌ای، هنگام انجام کارهای مقدماتی اتفاق می‌افتد. تحلیلگر تازه‌کار با تحلیل‌کردن، کارشناس با نوشتن پیش‌نویس و مدیر آینده با مشارکت در تصمیم‌ها تجربه کسب می‌کند.
اگر این فعالیت‌ها به هوش مصنوعی سپرده شوند، مسیر یادگیری هم تغییر می‌کند.
مقاله هشدار می‌دهد که افزایش بهره‌وری امروز، ممکن است در صورت بی‌توجهی به یادگیری، به کمبود توان قضاوت در آینده تبدیل شود. فردی که همیشه خروجی آماده دریافت کرده، چگونه می‌آموزد چه زمانی آن خروجی ناقص یا نادرست است؟
سازمان‌ها باید فرصت‌های تازه‌ای برای تمرین و بازخورد بسازند؛ از حل مستقل نمونه‌ها و بررسی خطاهای خروجی گرفته تا همراهی با افراد باتجربه و مشارکت تدریجی در تصمیم‌های مهم.
نقش مدیر نیز تغییر می‌کند. بخشی از زمانی که صرف پیگیری وضعیت کارها می‌شد، می‌تواند به مربی‌گری، بازخورد و پرورش قضاوت کارکنان اختصاص یابد.
در بسیاری از سازمان‌ها، مسیر پیشرفت با مدیریت افراد بیشتر و قرارگرفتن در سطح بالاتر سلسله‌مراتب پیوند خورده است.
اما اگر هوش مصنوعی بخشی از پیگیری، خلاصه‌سازی و هماهنگی را انجام دهد، لازم است معیارهای رشد شغلی نیز بازبینی شوند.
یک متخصص ممکن است بدون داشتن تیمی بزرگ، با دانش عمیق، قضاوت دقیق و هدایت درست عامل‌های هوش مصنوعی، نتیجه‌ای بسیار ارزشمند ایجاد کند. نظام ارتقا باید بتواند این سهم را تشخیص دهد.
مقاله بر اهمیت مسیرهایی تأکید می‌کند که تسلط تخصصی، کیفیت تصمیم، اعتماد مشتری و توان هماهنگ‌کردن همکاری انسان و هوش مصنوعی را به رسمیت می‌شناسند.
همچنین، بازآموزی باید به فرصت واقعی متصل باشد. گذراندن دوره زمانی معنا پیدا می‌کند که فرد بداند مهارت جدید را در کدام پروژه، مسئولیت یا نقش به کار خواهد گرفت.
یکی از آمارهای تأمل‌برانگیز مقاله، به همین فاصله مربوط است: ۷۰ درصد پاسخ‌دهندگان گفته‌اند شخصاً برای هوش مصنوعی آماده‌اند؛ اما فقط ۲۷ درصد رهبران، سازمان خود را برای تغییرات لازم در آینده مبتنی بر عامل‌های هوش مصنوعی آماده دانسته‌اند.
این دو عدد از گروه‌های پاسخ‌دهنده با دامنه متفاوت به دست آمده‌اند، اما پرسش مشترکی را پیش می‌کشند: آیا سازمان می‌تواند پیامدهای تغییر را مدیریت کند؟
کارکنان ممکن است با اشتیاق از ابزار استفاده کنند، ولی ندانند نقششان چگونه تغییر خواهد کرد، عملکردشان با چه معیاری سنجیده می‌شود و چه فرصتی برای سازگاری دارند.
اعتماد در چنین شرایطی به رفتار مدیران وابسته است: توضیح روشن تصمیم‌ها، فراهم‌کردن فرصت یادگیری و عمل‌کردن به تعهدات مربوط به نظارت و اختیار انسان.
برگزاری دوره آموزشی، بدون تغییر انتظارات، مشوق‌ها و روش مدیریت، برای تثبیت شیوه‌های تازه کار کافی نیست.
از منظر حکمرانی داده، پیام مقاله اهمیت ویژه‌ای دارد. وقتی انسان و عامل هوش مصنوعی در یک فرایند همکاری می‌کنند، کیفیت داده، مجوز دسترسی و مسئولیت استفاده از آن، بخشی از طراحی همان فرایند می‌شود.
برای نمونه، اگر قرار است هوش مصنوعی در برنامه‌ریزی نیروی انسانی کمک کند، باید بدانیم اطلاعات مهارت کارکنان چگونه تعریف و به‌روز می‌شود، اعتبار آن چگونه سنجیده می‌شود و اختلاف داده‌ها را چه کسی حل می‌کند.
همچنین باید بتوانیم مسیر استفاده از داده و مبنای پیشنهاد یا اقدام را پیگیری کنیم.
این برداشت کاربردی از مقاله نشان می‌دهد چرا حضور متخصصان داده، منابع انسانی، فناوری، امنیت و حوزه‌های نظارتی از ابتدای طراحی اهمیت دارد. کنترل‌ها باید پیش از بهره‌برداری پیش‌بینی شوند.
مقاله بر وجود رهبری صاحب‌اختیار و توان اجرایی مشترک تأکید می‌کند؛ سازوکاری که بتواند منابع را تخصیص دهد، تعارض اولویت‌ها را حل کند و مسئولیت راهکار را از طراحی تا بهره‌برداری روشن نگه دارد.
برای آغاز، می‌توان یک فرایند مهم را انتخاب کرد و درباره آن به پنج پرسش پاسخ داد:
۱. کدام نتیجه باید بهتر شود؟
۲. انسان و هوش مصنوعی هرکدام چه سهمی دارند؟
۳. چه داده و چه کنترل‌هایی لازم است؟
۴. نقش، یادگیری و ارزیابی کارکنان چگونه تغییر می‌کند؟
۵. مسئول نتیجه کیست و موفقیت چگونه سنجیده می‌شود؟
پاسخ به این پرسش‌ها کمک می‌کند استفاده از هوش مصنوعی به تغییری قابل بررسی در عملکرد سازمان تبدیل شود.
پرسش مهم مدیران این است: با قابلیت‌های جدید، سازمان ما چه کاری می‌تواند انجام دهد که پیش‌تر از عهده آن برنمی‌آمد؟
این نوشته، بازنویسی تحلیلی و اقتباسی از مقاله زیر است. مثال‌های توضیحی و بحث کاربرد آن در بخش عمومی و حکمرانی داده، برای مخاطب فارسی‌زبان افزوده شده‌اند.
منبع:
McKinsey & Company، اکتبر ۲۰۲۶
AI is changing work. Now it has to change the organization
نویسندگان: Alexis Krivkovich، Brooke Weddle، Holly Price و Vik Sohoni
