https://virgool.ir/feed/@naderranjehنادر رنجه | مدرس حکمرانی و استراتژی داده در سازمان اداری و استخدامی کشور؛ جستجوگر و علاقه‌مند به توسعه ایران. درباره داده، هوش مصنوعی و بهبود تصمیم‌گیری و خدمات عمومی می‌نویسم.fa2026-11-10 16:25:18https://files.virgool.ir/upload/users/4963339/avatar/Z97XfS.jpghttps://virgool.ir/@naderranjehhttps://virgool.ir/@naderranjeh/حکمرانی-داده-و-حاکمیت-داده-دو-نام-برای-یک-مفهوم-یا-دو-مفهوم-متفاوت-wmkhac14vrkeاگر مدتی در حوزه داده، تحول دیجیتال یا مدیریت فناوری اطلاعات مطالعه کرده باشید، احتمالاً با دو اصطلاح «حکمرانی داده» و «حاکمیت داده» برخورد کرده‌اید.گاهی این دو اصطلاح به‌جای یکدیگر استفاده می‌شوند و هر دو معادل Data Governance در نظر گرفته می‌شوند. اما در برخی منابع، «حاکمیت داده» معنای متفاوتی پیدا می‌کند و به مفهوم Data Sovereignty نزدیک می‌شود.اینجاست که یک سؤال مهم شکل می‌گیرد:آیا حکمرانی داده و حاکمیت داده واقعاً دو مفهوم متفاوت‌اند، یا فقط با دو ترجمه متفاوت از یک اصطلاح انگلیسی روبه‌رو هستیم؟برای پاسخ به این سؤال باید کمی به ادبیات علمی این حوزه نگاه کنیم.ابتدا Data Governance را دقیق‌تر بشناسیمیکی از مقالات کلاسیک این حوزه، مقاله Designing Data Governance نوشته Khatri و Brown است.در این نگاه، Data Governance بیش از هر چیز با حقوق تصمیم‌گیری و پاسخ‌گویی درباره داده سروکار دارد.یعنی سازمان باید مشخص کند:چه تصمیم‌هایی درباره داده باید گرفته شود؟چه کسی اختیار گرفتن این تصمیم‌ها را دارد؟چه کسی مسئول کیفیت داده است؟چه کسی درباره دسترسی به داده تصمیم می‌گیرد؟استانداردها و سیاست‌های مربوط به داده چگونه تعیین می‌شوند؟در صورت بروز اختلاف یا مشکل، چه کسی پاسخ‌گوست؟بنابراین Data Governance را نمی‌توان صرفاً یک فعالیت فنی دانست.حکمرانی داده درباره ساختن یک چارچوب تصمیم‌گیری و مسئولیت‌پذیری برای داده در سازمان است.تفاوت Data Governance و Data Managementیکی از دلایل ابهام در این حوزه، نزدیک بودن مفهوم Governance به Management است.اما این دو یکی نیستند.به زبان ساده:Data Governance مشخص می‌کند چه کاری، توسط چه کسی و بر اساس چه قواعدی باید انجام شود.در مقابل:Data Management آن تصمیم‌ها را در عمل اجرا می‌کند.برای مثال، ممکن است در چارچوب حکمرانی داده تصمیم گرفته شود که اطلاعات مشتری باید استاندارد مشخصی از کیفیت داشته باشد.اجرای فنی این تصمیم، مانند:پاک‌سازی داده،کنترل مقادیر تکراری،اعتبارسنجی آدرس ایمیل،پایش کیفیت داده،در حوزه Data Management قرار می‌گیرد.پس می‌توان گفت:Governance = تصمیم‌گیری و پاسخ‌گوییManagement = اجرایک تعریف جامع‌تر از Data GovernanceAbraham، Schneider و vom Brocke در مرور ساختاریافته خود درباره Data Governance، این مفهوم را به‌طور کلی به اعمال اقتدار و کنترل بر مدیریت داده مرتبط می‌کنند.هدف این اقتدار و کنترل، افزایش ارزش حاصل از داده و در عین حال کاهش:هزینه،ریسک،مشکلات امنیتی،مشکلات کیفیت،و مسائل مربوط به انطباقاست.از این منظر، Data Governance مجموعه‌ای از عناصر مختلف را در بر می‌گیرد:سیاست‌هانقش‌هامسئولیت‌هاحقوق تصمیم‌گیریاستانداردهافرایندهای کنترلیپایش و نظارتبنابراین ترجمه «حکمرانی داده» برای این مفهوم از نظر معنایی بسیار قابل دفاع است.پس «حاکمیت داده» چیست؟اینجا موضوع کمی پیچیده‌تر می‌شود.در بسیاری از متون فارسی، عبارت حاکمیت داده نیز دقیقاً به‌عنوان ترجمه Data Governance استفاده شده است.در نتیجه ممکن است در یک مقاله «حاکمیت داده» بخوانیم، در مقاله دیگری «حکمرانی داده»، در حالی که هر دو نویسنده درباره یک مفهوم صحبت می‌کنند.اما در ادبیات بین‌المللی مفهوم دیگری وجود دارد:Data Sovereigntyاین مفهوم با Data Governance یکسان نیست.Data Sovereignty یعنی چه؟Data Sovereignty بیشتر درباره این سؤال است:چه کسی حق کنترل و اعمال اقتدار بر داده را دارد؟این مسئله می‌تواند در سطوح مختلف مطرح شود:فردسازماندولتکشورجامعهیا حتی یک اکوسیستم دیجیتالبرای مثال، ممکن است این پرسش مطرح شود که:داده شهروندان یک کشور باید تحت قوانین کدام کشور ذخیره و پردازش شود؟یا:یک سازمان تا چه حد اختیار دارد داده‌های خود را در زیرساخت‌های ابری یک شرکت خارجی نگهداری کند؟یا:فرد تا چه اندازه باید بر داده‌های شخصی خودش کنترل داشته باشد؟این‌ها بیشتر پرسش‌های مربوط به Data Sovereignty هستند تا Data Governance.تفاوت اصلی در یک نگاهاگر بخواهیم برای جلوگیری از ابهام این مفاهیم را از یکدیگر جدا کنیم، می‌توانیم از چارچوب زیر استفاده کنیم:حکمرانی داده — Data Governanceتمرکز اصلی:چگونه درباره داده تصمیم‌گیری و آن را اداره کنیم؟موضوعاتی مانند:نقش‌ها و مسئولیت‌هاسیاست‌هااستانداردهاکیفیت دادهامنیتدسترسیپاسخ‌گوییحقوق تصمیم‌گیریدر این حوزه قرار می‌گیرند.حاکمیت داده — Data Sovereigntyتمرکز اصلی:چه کسی بر داده اختیار و کنترل دارد؟موضوعاتی مانند:مالکیت و کنترل دادهحقوق افرادصلاحیت قانونیمحل ذخیره دادهکنترل دولت‌هاجریان فرامرزی دادهاستقلال دیجیتالدر این حوزه مطرح می‌شوند.مدیریت داده — Data Managementتمرکز اصلی:داده در عمل چگونه مدیریت شود؟موضوعاتی مانند:ذخیره‌سازیپردازشیکپارچه‌سازیپاک‌سازیپایگاه دادهکیفیت دادهمعماری دادهMetadataMaster Dataبیشتر در این حوزه قرار می‌گیرند.یک مثال سادهفرض کنید یک بانک اطلاعات میلیون‌ها مشتری را در اختیار دارد.سؤال اول:چه کسی مسئول تعریف «مشتری معتبر» است؟چه کسی درباره دسترسی کارکنان به داده مشتری تصمیم می‌گیرد؟چه کسی مسئول کیفیت اطلاعات مشتری است؟این‌ها پرسش‌های Data Governance هستند.سؤال دوم:آیا اطلاعات مشتریان ایرانی می‌تواند روی سرورهای یک شرکت خارجی ذخیره شود؟کدام قانون بر این داده‌ها حاکم است؟آیا داده می‌تواند از مرزهای کشور خارج شود؟این‌ها بیشتر پرسش‌های Data Sovereignty هستند.سؤال سوم:اطلاعات مشتری چگونه در پایگاه داده ذخیره شود؟چگونه رکوردهای تکراری شناسایی شوند؟داده چگونه بین سیستم بانکداری، CRM و سامانه تحلیل منتقل شود؟این‌ها بیشتر در حوزه Data Management قرار می‌گیرند.چرا در فارسی این دو مفهوم با هم اشتباه می‌شوند؟یکی از دلایل اصلی، ترجمه واژه Governance است.Governance را در فارسی می‌توان به شکل‌های مختلف ترجمه کرد:حکمرانیحاکمیتراهبرینظام راهبریدر نتیجه عبارت Data Governance نیز در منابع مختلف به شکل‌هایی مانند:حکمرانی دادهحاکمیت دادهراهبری دادهترجمه شده است.این مسئله تا زمانی مشکل بزرگی ایجاد نمی‌کند که وارد بحث Data Sovereignty شویم.اگر هم Data Governance و هم Data Sovereignty را «حاکمیت داده» ترجمه کنیم، تمایز میان دو مفهوم از بین می‌رود.یک پیشنهاد برای ادبیات فارسیبرای کاهش این ابهام، می‌توان از این تفکیک استفاده کرد:اصطلاح انگلیسیمعادل پیشنهادی فارسیData Governanceحکمرانی دادهData Sovereigntyحاکمیت دادهData Managementمدیریت دادهData-driven Governanceحکمرانی داده‌محوراین تفکیک الزاماً تنها ترجمه ممکن نیست، اما یک مزیت مهم دارد:هر اصطلاح فارسی به یک مفهوم مشخص انگلیسی متصل می‌شود.حکمرانی داده‌محور هم مفهوم دیگری استیک اصطلاح نزدیک دیگر نیز وجود دارد:Data-driven Governanceاین مفهوم را نباید با Data Governance اشتباه گرفت.Data Governance درباره حکمرانی خودِ داده است.اما Data-driven Governance درباره استفاده از داده برای حکمرانی و تصمیم‌گیری است.برای مثال:اگر یک دولت برای سیاست‌گذاری حمل‌ونقل از داده ترافیک استفاده کند، با نوعی حکمرانی داده‌محور روبه‌رو هستیم.اما اگر همان دولت سیاست‌هایی درباره:مالکیت داده،کیفیت داده،دسترسی،اشتراک‌گذاری،امنیتتعریف کند، وارد حوزه Data Governance شده است.چرا این تمایز مهم است؟ممکن است در نگاه اول تصور کنیم بحث فقط بر سر ترجمه واژه‌هاست.اما در عمل، تفاوت این مفاهیم می‌تواند ساختار یک پروژه، تحقیق یا سیاست‌گذاری را کاملاً تغییر دهد.وقتی می‌گوییم Data Governance، معمولاً درباره موضوعاتی مانند این‌ها صحبت می‌کنیم:People + Policies + Processes + Decision Rights + Accountabilityاما وقتی درباره Data Sovereignty حرف می‌زنیم، موضوع بیشتر به:Control + Rights + Jurisdiction + Autonomyمربوط می‌شود.این دو حوزه با یکدیگر ارتباط دارند، اما یکسان نیستند.جمع‌بندیدر ادبیات فارسی، «حکمرانی داده» و «حاکمیت داده» در بسیاری از موارد به‌عنوان دو ترجمه برای Data Governance استفاده شده‌اند.بنابراین نمی‌توان گفت هرجا عبارت «حاکمیت داده» دیده شد، قطعاً منظور Data Sovereignty بوده است.اما اگر بخواهیم از نظر مفهومی تمایز روشن‌تری ایجاد کنیم، می‌توانیم از این چارچوب استفاده کنیم:حکمرانی داده = Data Governanceیعنی:چه کسی، بر اساس چه قواعدی، درباره داده تصمیم می‌گیرد و چه کسی پاسخ‌گوست؟و:حاکمیت داده = Data Sovereigntyیعنی:چه فرد، سازمان یا دولتی حق کنترل و اعمال اقتدار بر داده را دارد؟و در کنار آن:مدیریت داده = Data Managementیعنی:تصمیم‌های مربوط به داده در عمل چگونه اجرا می‌شوند؟شاید بتوان کل تفاوت را در سه سؤال خلاصه کرد:Data Governance:چه کسی درباره داده تصمیم می‌گیرد؟Data Sovereignty:چه کسی بر داده حق و اقتدار دارد؟Data Management:داده چگونه مدیریت می‌شود؟منابع پیشنهادی برای مطالعه بیشترKhatri, V. & Brown, C. V. (2010).Designing Data Governance.Abraham, R., Schneider, J. & vom Brocke, J. (2019).Data Governance: A conceptual framework, structured review, and research agenda.Hummel, P. et al. (2021).Data Sovereignty: A Review.همچنین مرورهای نظام‌مند جدیدتر در حوزه Data Governance و مطالعات مرتبط با Data Sovereignty می‌توانند برای بررسی عمیق‌تر مرز این دو مفهوم مفید باشند.یک نکته پایانیبه نظر می‌رسد با گسترش هوش مصنوعی، فضای ابری، Data Spaceها و جریان فرامرزی داده، تفاوت میان Governance و Sovereignty در سال‌های آینده اهمیت بیشتری پیدا کند.دیگر مسئله فقط این نیست که:«چگونه داده را مدیریت کنیم؟»بلکه باید هم‌زمان بپرسیم:«چه کسی درباره داده تصمیم می‌گیرد؟»و حتی مهم‌تر:«چه کسی حق کنترل آن را دارد؟»برای ویرگول، عنوان جایگزین جذاب‌تر هم می‌تواند این باشد: «حکمرانی داده، حاکمیت داده و مدیریت داده؛ سه مفهومی که نباید با هم اشتباه بگیریم». این عنوان برای مخاطب عمومی‌تر احتمالاً کلیک‌خور بهتری دارد.نادر رنجهنادر رنجهMon, 09 Nov 2026 20:28:58 +0330https://virgool.ir/@naderranjeh/دولت-چگونه-می-تواند-بهتر-تصمیم-بگیرد-fbisksvxzh1yدولت‌ها هر روز تصمیم‌هایی می‌گیرند که بر زندگی میلیون‌ها نفر اثر می‌گذارد: منابع به کدام برنامه اختصاص یابد؟ کدام خدمت باید بازطراحی شود؟ یک طرح آزمایشی موفق بوده است یا فقط ظاهری امیدوارکننده دارد؟ کدام فناوری ارزش سرمایه‌گذاری دارد؟ و چگونه می‌توان فهمید سیاستی که در یک کشور موفق بوده، در کشور دیگری نیز نتیجه خواهد داد؟در بسیاری از سازمان‌های دولتی، تصمیم‌ها همچنان بر تجربه شخصی مدیران، رویه‌های گذشته، فشارهای روزمره یا داده‌های پراکنده استوارند. تجربه مدیریتی ارزشمند است، اما برای مواجهه با مسائل پیچیده امروز کافی نیست. راه‌حل، جایگزین‌کردن قضاوت مدیر با اعداد و الگوریتم‌ها نیست؛ بلکه باید قضاوت مدیریتی را به بهترین شواهد موجود مجهز کرد.این همان چیزی است که «تصمیم‌گیری آگاه از شواهد» (Evidence-Informed Decision Making — EIDM) دنبال می‌کند.تصمیم‌گیری آگاه از شواهد یعنی چه؟تصمیم‌گیری آگاه از شواهد، فرایندی نظام‌مند است که در آن پیش از انتخاب، اجرا یا اصلاح یک سیاست، منابع مختلف شواهد بررسی می‌شوند.شواهد فقط مقاله‌های علمی یا آمارهای رسمی نیستند. یک تصمیم دولتی می‌تواند از منابع مختلفی تغذیه شود:داده‌ها و آمارهای اداری؛نتایج پژوهش‌ها و ارزیابی برنامه‌ها؛تجربه کارشناسان و کارکنان خط مقدم؛دیدگاه‌ها و ترجیحات شهروندان؛اطلاعات حاصل از پروژه‌های آزمایشی؛محدودیت‌های مالی، حقوقی و اجرایی؛ارزش‌های عمومی و ملاحظات اخلاقی.بنابراین، شواهد تصمیم را آگاه می‌کنند، اما به‌تنهایی تصمیم نمی‌گیرند. تصمیم نهایی همچنان به قضاوت، مسئولیت‌پذیری و درک زمینه نیاز دارد.چرا «آگاه از شواهد» دقیق‌تر از «مبتنی بر شواهد» است؟در گذشته، اصطلاح «تصمیم‌گیری مبتنی بر شواهد» (Evidence-Based Decision Making) بیشتر به کار می‌رفت. این اصطلاح ممکن است چنین برداشتی ایجاد کند که تصمیم باید مستقیماً و منحصراً از نتایج پژوهش یا داده‌های علمی استخراج شود؛ گویی اگر شواهد کافی داشته باشیم، تنها یک تصمیم درست وجود خواهد داشت.امروزه اصطلاح «تصمیم‌گیری آگاه از شواهد» (Evidence-Informed Decision Making) ترجیح داده می‌شود؛ زیرا واقعیت سیاست‌گذاری و مدیریت عمومی بسیار پیچیده‌تر است. شواهد علمی یکی از پایه‌های تصمیم‌گیری‌اند، اما تنها عامل تعیین‌کننده نیستند. مدیر یا سیاست‌گذار باید شواهد را در کنار عوامل دیگری بسنجد:واقعیت‌های سیاسی و اقتصادی: آیا منابع مالی، ظرفیت اجرایی و حمایت سیاسی لازم برای اجرای تصمیم وجود دارد؟ارزش‌ها و ترجیحات جامعه: آیا شهروندان، دریافت‌کنندگان خدمات و گروه‌های متأثر، این تصمیم را می‌پذیرند؟تخصص و تجربه عملی: کارشناسان، مدیران اجرایی و کارکنان خط مقدم چه دانشی درباره مسئله و امکان اجرای راه‌حل دارند؟شرایط و ویژگی‌های محلی: آیا سیاستی که در محیط دیگری موفق بوده، با ساختار اداری، فرهنگ و نیازهای این جامعه سازگار است؟ملاحظات حقوقی و اخلاقی: آیا تصمیم با حقوق شهروندان، عدالت، حریم خصوصی و ارزش‌های عمومی همخوانی دارد؟برای مثال، ممکن است شواهد پژوهشی نشان دهند یک مداخله اثربخش است، اما اجرای آن به منابعی نیاز داشته باشد که در دسترس نیستند یا با ترجیحات جامعه هدف سازگار نباشد. در چنین وضعیتی، نادیده‌گرفتن زمینه به نام «پیروی از شواهد» الزاماً به تصمیم مناسبی منجر نمی‌شود.رویکرد آگاه از شواهد نمی‌گوید مدیر باید تسلیم داده شود؛ بلکه از او می‌خواهد تصمیم خود را با بهترین شواهد موجود محک بزند، محدودیت‌های شواهد را بشناسد و منطق انتخابش را شفاف توضیح دهد.می‌توان این رابطه را چنین بیان کرد:تصمیم مناسب = بهترین شواهد موجود + تجربه و تخصص حرفه‌ای + ارزش‌ها و ترجیحات جامعه + منابع و شرایط اجرایی + ملاحظات حقوقی و اخلاقیدر این رویکرد، شواهد جای قضاوت مدیریتی را نمی‌گیرند؛ بلکه کیفیت، شفافیت و پاسخ‌گویی آن را افزایش می‌دهند.چرخه‌ای که با تعریف درست مسئله آغاز می‌شودیکی از خطاهای رایج در سازمان‌های دولتی آن است که پیش از تعریف دقیق مسئله، مستقیماً به سراغ راه‌حل می‌روند. سامانه‌ای طراحی می‌شود، بخشنامه‌ای صادر می‌شود یا فناوری تازه‌ای خریداری می‌شود، بدون آنکه مشخص باشد مسئله اصلی چیست و موفقیت چگونه سنجیده خواهد شد.چرخه تصمیم‌گیری آگاه از شواهد (Evidence-Informed Decision-Making Cycle) از تعریف مسئله آغاز می‌شود و شش مرحله دارد:تعریف مسئله: دقیقاً چه مشکلی قرار است حل شود؟گردآوری شواهد: درباره مسئله، علل آن و راه‌حل‌های احتمالی چه می‌دانیم؟ارزیابی نقادانه: شواهد تا چه اندازه معتبر، مرتبط و قابل‌اعتمادند؟انتخاب گزینه: با توجه به شواهد، منابع، ارزش‌ها و محدودیت‌ها، کدام مسیر مناسب‌تر است؟اجرا: تصمیم چگونه به اقدام تبدیل می‌شود؟ارزیابی و یادگیری: آیا اقدام انجام‌شده به نتیجه موردنظر رسیده است؟مرحله آخر، پایان کار نیست. ارزیابی، شواهد تازه‌ای تولید می‌کند و این شواهد دوباره وارد چرخه تصمیم‌گیری می‌شوند. سازمان آگاه از شواهد باید سازمانی یادگیرنده نیز باشد.همه شواهد ارزش یکسانی ندارندوجود داده به‌تنهایی نشانه تصمیم‌گیری درست نیست. ممکن است داده‌ها ناقص، قدیمی، سوگیرانه یا نامرتبط باشند. ممکن است یک همبستگی آماری به‌اشتباه رابطه علت و معلولی تلقی شود. حتی پژوهشی با روش علمی مناسب ممکن است با شرایط اجرایی یک سازمان یا کشور تناسب نداشته باشد.ارزیابی نقادانه شواهد (Critical Appraisal of Evidence) مستلزم پاسخ‌دادن به چند پرسش است:شواهد چگونه تولید شده‌اند؟منبع اطلاعات چقدر معتبر است؟آیا داده‌ها کامل، دقیق و به‌روزند؟آیا گروه‌های مختلف جامعه در داده‌ها نمایندگی شده‌اند؟چه سوگیری‌هایی ممکن است وجود داشته باشد؟آیا نتیجه از نظر آماری و عملی معنادار است؟آیا یافته‌ها در شرایط سازمان ما نیز قابل‌استفاده‌اند؟مرورهای نظام‌مند (Systematic Reviews)، فراتحلیل‌ها (Meta-Analyses) و مطالعات آزمایشی معمولاً شواهد قوی‌تری درباره رابطه علّی فراهم می‌کنند؛ اما این به معنای بی‌ارزش‌بودن تجربه عملی، مطالعات موردی یا دیدگاه ذی‌نفعان نیست.در سیاست‌گذاری عمومی، پرسش فقط این نیست که «چه چیزی مؤثر است؟» باید پرسید: «چه چیزی، برای چه کسانی، در چه شرایطی و با چه هزینه‌ای مؤثر است؟»چرا داده بیشتر الزاماً به تصمیم بهتر منجر نمی‌شود؟سازمان‌های دولتی حجم زیادی از داده تولید می‌کنند؛ اما انباشت داده با بهره‌برداری از داده یکسان نیست. تصمیم‌گیری مؤثر به داده‌ای نیاز دارد که باکیفیت، قابل‌فهم، به‌موقع و متناسب با مسئله باشد.کیفیت داده (Data Quality) ابعاد مختلفی دارد:دقت: داده تا چه اندازه واقعیت را درست منعکس می‌کند؟کامل‌بودن: آیا اطلاعات ضروری ثبت شده‌اند؟سازگاری: آیا یک مفهوم در سامانه‌های مختلف، تعریف یکسانی دارد؟به‌هنگام‌بودن: آیا داده در زمان تصمیم‌گیری در دسترس است؟اعتبار: آیا داده از منبع قابل‌اعتماد آمده است؟یکتایی: آیا رکوردهای تکراری شناسایی شده‌اند؟هنگامی که دستگاه‌های مختلف برای یک مفهوم، تعاریف متفاوتی دارند یا اطلاعات در سامانه‌های جزیره‌ای نگهداری می‌شوند، مدیر به‌جای یک تصویر منسجم، با روایت‌های متعارض مواجه می‌شود. در چنین شرایطی، حکمرانی داده (Data Governance) پیش‌نیاز تصمیم‌گیری آگاه از شواهد است.حکمرانی داده مشخص می‌کند چه کسی مسئول تعریف، تولید، کنترل کیفیت، دسترسی، اشتراک‌گذاری و حفاظت از داده است. بدون این مسئولیت‌های روشن، حتی پیشرفته‌ترین داشبوردها نیز ممکن است فقط داده‌های بی‌کیفیت را زیباتر نمایش دهند.از شاخص تا اثر واقعی سیاستیکی از ضعف‌های رایج در ارزیابی برنامه‌های دولتی، تمرکز بر فعالیت‌ها به‌جای نتایج است. تعداد جلسات، سامانه‌های راه‌اندازی‌شده، افراد آموزش‌دیده یا اعتبارات هزینه‌شده، فعالیت و خروجی را نشان می‌دهند؛ اما الزاماً از بهبود وضعیت حکایت نمی‌کنند.برای ارزیابی یک سیاست، باید میان سه سطح تمایز قائل شد:ارزیابی فرایند (Process Evaluation)بررسی می‌کند برنامه چگونه اجرا شده است:آیا مخاطبان هدف پوشش داده شده‌اند؟منابع چگونه مصرف شده‌اند؟کدام موانع اجرایی وجود داشته‌اند؟آیا برنامه مطابق طراحی اولیه پیش رفته است؟ارزیابی پیامد (Outcome Evaluation)نتایج کوتاه‌مدت و میان‌مدت را می‌سنجد:آیا رفتار گروه هدف تغییر کرده است؟آیا کیفیت یا سرعت خدمت بهبود یافته است؟آیا خطاها و هزینه‌ها کاهش یافته‌اند؟ارزیابی اثر (Impact Assessment)می‌پرسد چه میزان از تغییر مشاهده‌شده واقعاً به مداخله موردنظر مربوط است:آیا سیاست موجب افزایش بهره‌وری شده است؟آیا نابرابری کاهش یافته است؟اگر برنامه اجرا نمی‌شد، چه اتفاقی می‌افتاد؟این پرسش آخر اهمیت زیادی دارد؛ زیرا هم‌زمان با اجرای هر سیاست، عوامل دیگری نیز در جامعه و اقتصاد تغییر می‌کنند. نسبت‌دادن همه تغییرات به یک برنامه، بدون داشتن طرح ارزیابی مناسب، می‌تواند مدیران را به نتیجه‌گیری اشتباه برساند.تصمیم‌گیری میان چند گزینه پیچیدهمدیر دولتی معمولاً میان یک گزینه خوب و یک گزینه بد انتخاب نمی‌کند. او با چند گزینه مواجه است که هرکدام مزایا، هزینه‌ها و ریسک‌هایی دارند.برای مثال، هنگام انتخاب یک پروژه نوآوری ممکن است معیارهای زیر مطرح باشند:اثر اقتصادی؛ارزش اجتماعی؛امکان‌پذیری فنی؛هزینه اجرا؛عدالت در دسترسی؛پایداری محیط‌زیستی؛میزان ریسک.تحلیل تصمیم‌گیری چندمعیاره (Multi-Criteria Decision Analysis — MCDA) کمک می‌کند معیارها به‌روشنی تعریف و وزن‌دهی شوند و گزینه‌ها در برابر آن‌ها امتیاز بگیرند.ارزش این روش فقط در تولید یک امتیاز نهایی نیست. گاهی گزینه‌ای بالاترین امتیاز را کسب می‌کند، اما در یک معیار حیاتی مانند امکان‌پذیری فنی یا عدالت اجتماعی، وضعیت ضعیفی دارد. تحلیل ساختاریافته این ضعف را آشکار می‌کند و زمینه گفت‌وگوی دقیق‌تر را فراهم می‌سازد.چنین ابزاری تصمیم سیاسی یا مدیریتی را حذف نمی‌کند؛ بلکه منطق تصمیم را شفاف‌تر و قابل‌دفاع‌تر می‌سازد.برای آینده‌ای که دقیقاً قابل‌پیش‌بینی نیستتحلیل داده‌های گذشته و حال، برای تصمیم‌گیری ضروری است؛ اما اگر مدیر فقط به گذشته نگاه کند، ممکن است برای تغییرات بی‌سابقه آینده آماده نباشد.آینده‌نگاری (Foresight) به معنای پیش‌گویی آینده نیست. هدف آن بررسی چند آینده ممکن و آماده‌شدن برای شرایط متفاوت است.در برنامه‌ریزی سناریویی (Scenario Planning)، سازمان نیروهای پیشران مهم مانند تحولات فناورانه، تغییرات جمعیتی، بحران‌های محیط‌زیستی یا تحولات اقتصادی را شناسایی می‌کند. سپس چند سناریوی متفاوت می‌سازد و می‌پرسد:اگر این سناریو رخ دهد، سیاست فعلی ما همچنان کارآمد خواهد بود؟کدام تصمیم‌ها در بیشتر سناریوها نتیجه مناسبی دارند؟برای تشخیص زودهنگام تغییر مسیر محیط، چه علائمی را باید پایش کنیم؟تحلیل داده مانند میکروسکوپ، جزئیات وضعیت موجود را نشان می‌دهد و آینده‌نگاری مانند تلسکوپ، افق‌های دورتر را آشکار می‌کند. دولت به هر دو نیاز دارد.پایلوت؛ پلی میان ایده و اجرای گستردهنوآوری در بخش عمومی با منابع عمومی و حقوق مردم ارتباط دارد. بنابراین، اجرای گسترده یک ایده آزموده‌نشده می‌تواند پرهزینه باشد.پروژه آزمایشی (Pilot Project) امکان می‌دهد سیاست ابتدا در مقیاسی محدود اجرا شود. یک پایلوت مناسب باید:پرسش و هدف مشخص داشته باشد؛گروه هدف آن روشن باشد؛داده‌های خط مبنا پیش از اجرا جمع‌آوری شوند؛شاخص‌های نتیجه از ابتدا تعیین شوند؛مدت کافی برای مشاهده آثار داشته باشد؛سازوکار یادگیری و اصلاح در آن پیش‌بینی شود.هدف پایلوت فقط اثبات موفقیت ایده نیست. پایلوت باید نشان دهد چه چیزی مؤثر نیست، چه موانعی وجود دارد و پیش از توسعه برنامه چه تغییراتی باید انجام شود.سازمانی که هر پایلوت را مجبور به اعلام موفقیت می‌کند، فرصت یادگیری واقعی را از دست می‌دهد.شواهد بدون اخلاق می‌توانند خطرناک باشنداستفاده از داده، هوش مصنوعی و الگوریتم‌ها در دولت، پرسش‌های مهمی درباره حریم خصوصی، انصاف و پاسخ‌گویی ایجاد می‌کند.ممکن است یک مدل پیش‌بینی از نظر آماری دقیق باشد، اما به دلیل داده‌های تاریخی سوگیرانه، گروهی از شهروندان را ناعادلانه در معرض محدودیت قرار دهد. ممکن است یک سامانه هوشمند سرعت ارائه خدمت را افزایش دهد، اما شهروندان فاقد دسترسی یا مهارت دیجیتال را کنار بگذارد.در تصمیم‌گیری آگاه از شواهد باید پرسید:آیا فقط داده‌های ضروری گردآوری می‌شوند؟شهروند می‌داند داده او چگونه استفاده خواهد شد؟آیا الگوریتم برای افراد متأثر قابل‌توضیح است؟آیا امکان اعتراض و بازبینی انسانی وجود دارد؟آیا آثار سیاست بر گروه‌های مختلف بررسی شده است؟چه کسی در برابر تصمیم اشتباه پاسخ‌گوست؟شواهد باید در خدمت ارزش‌های عمومی و حقوق شهروندان قرار گیرند. کارآمدی نمی‌تواند جای عدالت، کرامت انسانی و پاسخ‌گویی را بگیرد.سه تجربه مهم از دنیای واقعیمطالعات موردی دوره نشان می‌دهند که تصمیم‌گیری آگاه از شواهد فقط یک مفهوم دانشگاهی نیست.برنامه «چشم‌انداز صفر» نیویورک (Vision Zero) از داده‌های تصادفات، گزارش‌های پلیس، اطلاعات بیمارستانی و داده‌های سرعت برای شناسایی نقاط پرخطر و بازطراحی خیابان‌ها استفاده کرد. این رویکرد امکان اقدام سریع و اصلاح مستمر را فراهم کرد؛ هرچند اثبات دقیق رابطه علّی میان هر مداخله و کاهش تلفات دشوار بود.سنگاپور با ایجاد سامانه ملی پرونده الکترونیکی سلامت (National Electronic Health Record — NEHR)، اطلاعات بیماران را در سطح نظام سلامت یکپارچه کرد. این تجربه نشان داد استفاده از داده در مقیاس ملی، علاوه بر فناوری، به استانداردسازی، تعامل‌پذیری، آموزش، امنیت و اعتماد عمومی نیاز دارد.شبکه «چه چیزی مؤثر است؟» بریتانیا (What Works Network) نیز تلاش کرد میان پژوهش و سیاست‌گذاری پیوندی نهادی ایجاد کند. مراکز تخصصی این شبکه شواهد را گردآوری، ارزیابی و به راهنمای عملی برای سیاست‌گذاران تبدیل می‌کنند.این سه تجربه نشان می‌دهند هیچ روش واحدی برای همه مسائل وجود ندارد. گاهی دولت به اقدام سریع بر پایه بهترین داده موجود نیاز دارد؛ گاهی به یکپارچه‌سازی ملی داده و گاهی به پژوهش‌های دقیق و بلندمدت.دولت آگاه از شواهد چه ویژگی‌هایی دارد؟تصمیم‌گیری آگاه از شواهد با خرید نرم‌افزار یا ایجاد یک داشبورد محقق نمی‌شود. این تحول به مجموعه‌ای از قابلیت‌های سازمانی نیاز دارد:مدیران ارشد، در تصمیم‌های خود مطالبه‌گر شواهد باشند.کارکنان مهارت تحلیل، ارزیابی و تفسیر داده را فرا بگیرند.کیفیت، مالکیت و مسئولیت داده‌ها مشخص باشد.ارزیابی از ابتدای طراحی برنامه پیش‌بینی شود.نتایج نامطلوب پنهان نشوند و به منبع یادگیری تبدیل شوند.شواهد به زبان روشن و متناسب با نیاز تصمیم‌گیر ارائه شوند.دیدگاه شهروندان و ذی‌نفعان در کنار داده‌های آماری شنیده شود.برای استفاده مسئولانه از داده و هوش مصنوعی، قواعد اخلاقی روشنی وجود داشته باشد.تصمیم‌ها، فرضیات و محدودیت‌های شواهد مستند شوند.سازمان بتواند براساس نتایج ارزیابی، مسیر خود را اصلاح کند.مدیر صرفاً شهودی به پایان مسیر رسیده استشهود مدیریتی هنوز اهمیت دارد؛ به‌ویژه در شرایطی که اطلاعات کامل نیست و تصمیم باید سریع گرفته شود. اما شهود باید در معرض آزمون شواهد قرار گیرد.مدیر حرفه‌ای فقط نمی‌پرسد «به نظر من چه کاری درست است؟» او می‌پرسد:چه شواهدی از این تصمیم پشتیبانی می‌کنند؟چه شواهدی با نظر من ناسازگارند؟کدام فرضیات هنوز آزموده نشده‌اند؟چگونه خواهیم فهمید تصمیم ما موفق بوده است؟اگر نتیجه مورد انتظار حاصل نشد، چه تغییری خواهیم داد؟حرکت به سمت دولت داده‌محور، به معنای اداره دولت با انبوهی از اعداد نیست. مسئله اصلی، ایجاد توانایی تبدیل داده به شواهد، شواهد به تصمیم، تصمیم به اقدام و اقدام به یادگیری است.سازمانی که این چرخه را ایجاد کند، فقط تصمیم‌های بهتری نمی‌گیرد؛ بلکه با هر تصمیم، توان تصمیم‌گیری آینده خود را نیز افزایش می‌دهد.منابع برای مطالعه بیشترکتاب‌ها۱. سیاستِ سیاست‌گذاری مبتنی بر شواهدThe Politics of Evidence-Based Policy Makingنویسنده: پل کرنی (Paul Cairney)این کتاب توضیح می‌دهد که چرا انتقال شواهد علمی به سیاست‌گذاری، فرایندی ساده و خطی نیست و چگونه سیاست، قدرت، محدودیت زمانی و شیوه توجه سیاست‌گذاران بر استفاده از شواهد اثر می‌گذارند.۲. سیاست شواهد: از سیاست‌گذاری مبتنی بر شواهد تا حکمرانی خوب شواهدThe Politics of Evidence: From Evidence-Based Policy to the Good Governance of Evidenceنویسنده: جاستین پارکهرست (Justin Parkhurst)این کتاب علاوه بر کیفیت علمی شواهد، به این پرسش می‌پردازد که چه کسی شواهد را انتخاب می‌کند، کدام مسئله در اولویت قرار می‌گیرد و چگونه می‌توان استفاده از شواهد را با اصول حکمرانی خوب، شفافیت و نمایندگی دموکراتیک هماهنگ کرد.۳. تفکر، سریع و کندThinking, Fast and Slowنویسنده: دنیل کانمن (Daniel Kahneman)کتاب سازوکارهای تصمیم‌گیری انسان، تفاوت تفکر سریع و شهودی با تفکر کند و تحلیلی و نقش سوگیری‌های شناختی را توضیح می‌دهد.۴. ابَرپیش‌بینی: هنر و علم پیش‌بینیSuperforecasting: The Art and Science of Predictionنویسندگان: فیلیپ تتلاک و دن گاردنر(Philip E. Tetlock and Dan Gardner)این کتاب نشان می‌دهد چگونه می‌توان با تفکر احتمالاتی، اصلاح مستمر باورها و شکستن مسائل پیچیده به اجزای کوچک‌تر، کیفیت پیش‌بینی را افزایش داد.۵. کلان‌داده: انقلابی که شیوه زندگی، کار و اندیشیدن ما را دگرگون خواهد کردBig Data: A Revolution That Will Transform How We Live, Work, and Thinkنویسندگان: ویکتور مایر-شونبرگر و کنت کوکیر(Viktor Mayer-Schönberger and Kenneth Cukier)این کتاب ظرفیت‌ها و پیامدهای کلان‌داده برای تصمیم‌گیری، اقتصاد و جامعه را بررسی می‌کند.۶. تلنگرNudge: Improving Decisions About Health, Wealth, and Happinessنویسندگان: ریچارد تیلر و کَس سانستین(Richard H. Thaler and Cass R. Sunstein)کتاب نشان می‌دهد چگونه طراحی محیط انتخاب می‌تواند رفتار افراد را بدون حذف آزادی انتخاب تغییر دهد.۷. تفکر سیستمیThinking in Systems: A Primerنویسنده: دونلا میدوز (Donella H. Meadows)این کتاب مقدمه‌ای روشن برای شناخت سیستم‌ها، حلقه‌های بازخورد، تأخیرها، نقاط اهرمی و پیامدهای ناخواسته تصمیم‌ها ارائه می‌کند.نادر رنجهنادر رنجهThu, 05 Nov 2026 11:55:57 +0330https://virgool.ir/@naderranjeh/سازمان-شما-در-کدام-مرحله-از-بلوغ-داده-قرار-دارد-gqcbzwdelqjiمسیر تکامل از سازمان داده‌گریز تا سازمان داده‌محورامروزه بسیاری از سازمان‌ها از داشبوردهای مدیریتی، سامانه‌های هوش تجاری، انبار داده و ابزارهای هوش مصنوعی استفاده می‌کنند. بااین‌حال، برخورداری از این ابزارها الزاماً به معنای داده‌محور بودن سازمان نیست.ممکن است یک شرکت حجم زیادی داده جمع‌آوری کند، گزارش‌های متعددی بسازد و حتی تیم تحلیل داده داشته باشد، اما تصمیم‌های اصلی آن همچنان براساس نظر مدیران، تجربه‌های شخصی یا عادت‌های قدیمی گرفته شوند.داده‌محوری زمانی شکل می‌گیرد که داده بتواند بر تصمیم اثر بگذارد و نتیجه تصمیم نیز دوباره اندازه‌گیری شود.کریستوفر پن در مقاله «تکامل شرکت داده‌محور» مسیر بلوغ داده در سازمان‌ها را در پنج مرحله توضیح می‌دهد. این تقسیم‌بندی یک چارچوب مدیریتی پیشنهادی است، نه یک مدل استاندارد یا دانشگاهی بلوغ داده؛ بااین‌حال، می‌تواند برای ارزیابی وضعیت فعلی سازمان و شناسایی گام بعدی مفید باشد. www.christopherspenn.comمرحله اول؛ سازمان داده‌گریز (Data-Resistant)جمله رایج در یک سازمان داده‌گریز این است:ما همیشه همین‌طور کار کرده‌ایم.در این سازمان، تصمیم‌ها معمولاً براساس سابقه، شهود مدیران و روابط قدرت گرفته می‌شوند. داده تا زمانی پذیرفته می‌شود که تصمیم قبلی را تأیید کند.اگر نتیجه تحلیل با نظر مدیران هم‌خوان نباشد، ممکن است کیفیت داده، روش تحلیل یا صلاحیت تحلیلگر زیر سؤال برود.مقاومت در برابر داده همیشه ناشی از ناآگاهی نیست. داده می‌تواند واقعیت‌هایی را آشکار کند که برای برخی افراد یا واحدها خوشایند نیستند؛ برای مثال:ضعف پنهان عملکرد یک واحد را نشان دهد.سهم واقعی افراد در نتایج را مشخص کند.ناکارآمدی یک فرایند قدیمی را آشکار سازد.ناهماهنگی میان برنامه سازمان و نتایج واقعی را نشان دهد.اثبات کند تصمیمی که مدت‌ها از آن دفاع شده، نتیجه مطلوبی نداشته است.به همین دلیل، مقاومت در برابر داده گاهی مقاومتی در برابر شفافیت و پاسخ‌گویی است.حرکت از این مرحله اغلب با تلاش یک فرد یا تیم کوچک آغاز می‌شود. این افراد بدون آنکه برنامه‌ای سراسری در سازمان وجود داشته باشد، از داده برای بهبود عملکرد حوزه خود استفاده می‌کنند.مرحله دوم؛ سازمان کنجکاو نسبت به داده (Data-Curious)در مرحله دوم، سازمان متوجه می‌شود داده‌هایی در اختیار دارد که احتمالاً ارزشمند هستند.در نتیجه، جمع‌آوری اطلاعات در بخش‌های مختلف آغاز می‌شود:اطلاعات مشتریان در CRMداده‌های فروشآمار وب‌سایت و شبکه‌های اجتماعیاطلاعات مالیداده‌های منابع انسانیاطلاعات تولید و عملیاتسوابق خدمات و پشتیبانیپرسش اصلی در این مرحله چنین است:چه داده‌هایی داریم؟این پرسش مهم است، اما کافی نیست.بسیاری از سازمان‌ها حجم زیادی داده جمع‌آوری می‌کنند، بدون آنکه مسئله مشخصی برای حل‌کردن داشته باشند. نتیجه، مجموعه‌ای از پایگاه‌های داده، فایل‌ها و سامانه‌های جدا از هم است که هزینه نگهداری زیادی دارند، اما ارزش روشنی ایجاد نمی‌کنند.جمع‌آوری داده زمانی مفید است که بدانیم آن داده قرار است به کدام سؤال پاسخ دهد یا از کدام تصمیم پشتیبانی کند.مرحله سوم؛ سازمان داده‌آگاه (Data-Aware)سازمان داده‌آگاه از جمع‌آوری صرف عبور کرده و تحلیل اطلاعات را آغاز می‌کند.پرسش اصلی این مرحله چنین است:چه اتفاقی افتاد؟در این مرحله، سازمان به سراغ ابزارهایی مانند داشبوردهای مدیریتی، انبار داده، هوش تجاری، تحلیل آماری و فرایندهای استخراج، تبدیل و بارگذاری داده یا ETL می‌رود.گزارش‌ها می‌توانند نشان دهند:فروش کدام محصول افزایش یافته است.کدام کمپین بازاریابی عملکرد بهتری داشته است.هزینه‌ها در کدام بخش بیشتر شده‌اند.کدام گروه از مشتریان نرخ ریزش بالاتری دارند.عملکرد کدام شعبه یا منطقه ضعیف‌تر بوده است.کریستوفر پن این دوره را «رژه ابزارها» توصیف می‌کند؛ دوره‌ای که ابزارها و تأمین‌کنندگان مختلف وارد سازمان می‌شوند و هرکدام وعده می‌دهند بخشی از مشکل داده را حل کنند.خطر این مرحله آن است که سازمان، خرید ابزار را با حل مسئله اشتباه بگیرد.بسیاری از سازمان‌ها سال‌ها در مرحله داده‌آگاه باقی می‌مانند. آن‌ها گزارش‌های زیادی تولید می‌کنند، اما این گزارش‌ها همیشه به تصمیم مشخصی منتهی نمی‌شوند.داشبوردها دیده می‌شوند، اعداد در جلسات ارائه می‌شوند، اما در نهایت تصمیم‌ها به همان روش قبلی گرفته می‌شوند.مرحله چهارم؛ سازمان مسلط به داده (Data-Savvy)در مرحله چهارم، داده از یک ابزار گزارش‌دهی به یک دارایی استراتژیک تبدیل می‌شود.پرسش اصلی دیگر فقط «چه اتفاقی افتاد؟» نیست. سازمان می‌پرسد:چرا این اتفاق افتاد؟برای مثال:چرا فروش در فصل گذشته کاهش یافت؟چرا یک کمپین موفق شد و کمپین دیگر شکست خورد؟چرا نرخ بازگشت مشتریان کاهش پیدا کرد؟چرا هزینه جذب مشتری افزایش یافت؟چرا بهره‌وری یک واحد با وجود افزایش منابع کاهش پیدا کرد؟پاسخ به این پرسش‌ها تنها با خرید ابزار بیشتر به دست نمی‌آید.سازمان باید کیفیت داده، تعریف شاخص‌ها، فرایندهای داخلی، شرایط بازار و فرضیات تصمیم‌گیرندگان را نیز بررسی کند.در این مرحله، تفاوت میان «گزارش» و «بینش» اهمیت پیدا می‌کند.گزارش می‌گوید فروش ۱۵ درصد کاهش یافته است. بینش توضیح می‌دهد این کاهش در کدام گروه مشتریان اتفاق افتاده، چه عواملی با آن ارتباط داشته‌اند و کدام اقدام می‌تواند شرایط را تغییر دهد.سازمان مسلط به داده صرفاً اعداد را نمایش نمی‌دهد؛ بلکه معنای آن‌ها را در بستر کسب‌وکار بررسی می‌کند.مرحله پنجم؛ سازمان داده‌محور (Data-Driven)سازمان داده‌محور، داده و تحلیل را به اقدام متصل می‌کند.پرسش اصلی این مرحله چنین است:حالا چه کاری باید انجام دهیم؟یک تصمیم داده‌محور باید به چند سؤال مشخص پاسخ دهد:داده‌های موجود چه می‌گویند؟چه اتفاقی افتاده است؟چرا این اتفاق افتاده است؟اقدام بعدی چیست؟مسئول اجرای اقدام چه کسی است؟نتیجه اقدام چگونه و در چه زمانی اندازه‌گیری می‌شود؟در این سازمان، داده فقط در گزارش‌های پایان ماه یا جلسات مدیریتی دیده نمی‌شود. داده بخشی از فرایند برنامه‌ریزی، اجرا و ارزیابی است.تصمیم نیز پایان کار نیست. پس از اجرای آن، نتیجه اندازه‌گیری می‌شود. یافته‌های جدید دوباره وارد چرخه تحلیل می‌شوند و سازمان براساس آن‌ها مسیر خود را اصلاح می‌کند.بنابراین، سازمان داده‌محور سازمانی نیست که همیشه تصمیم درست می‌گیرد. چنین سازمانی ممکن است مانند هر مجموعه دیگری اشتباه کند، اما سازوکاری برای تشخیص سریع‌تر خطا و اصلاح آن دارد.چگونه مرحله فعلی سازمان را تشخیص دهیم؟برای ارزیابی وضعیت سازمان می‌توان چند پرسش ساده مطرح کرد:آیا بیشتر وقت ما صرف جمع‌آوری داده می‌شود یا استفاده از آن؟آیا داده‌های کلیدی تعریف و مالک مشخص دارند؟آیا گزارش‌ها فقط گذشته را توصیف می‌کنند؟آیا می‌توانیم علت تغییر شاخص‌ها را توضیح دهیم؟آیا هر تحلیل به یک تصمیم یا اقدام مشخص منتهی می‌شود؟آیا برای تصمیم‌های مهم، معیار موفقیت تعریف می‌کنیم؟آیا نتیجه تصمیم‌ها دوباره اندازه‌گیری می‌شود؟آیا کارکنان می‌توانند کیفیت داده یا تحلیل مدیران را به چالش بکشند؟چه شواهدی می‌تواند نظر ما را تغییر دهد؟پرسش آخر اهمیت ویژه‌ای دارد.اگر هیچ داده‌ای توان تغییر تصمیم را نداشته باشد، سازمان هنوز داده‌محور نیست؛ حتی اگر صدها داشبورد، گزارش و مدل هوش مصنوعی در اختیار داشته باشد.داده‌محوری یک مقصد ثابت نیستبلوغ داده را نمی‌توان فقط با تعداد ابزارها، حجم اطلاعات یا اندازه تیم تحلیل سنجید.ممکن است یک واحد سازمان در مرحله داده‌محور باشد، در حالی که واحد دیگری همچنان در برابر داده مقاومت کند. همچنین ممکن است سازمان در برخی تصمیم‌ها از داده استفاده کند، اما در تصمیم‌های حساس و سیاسی دوباره به روش‌های سنتی بازگردد.مسیر داده‌محوری را می‌توان در یک زنجیره خلاصه کرد:داده ← تحلیل ← بینش ← اقدام ← اندازه‌گیریاگر این زنجیره در مرحله گزارش متوقف شود، سازمان فقط داده‌آگاه است. اگر تحلیل به اقدام برسد اما نتیجه آن اندازه‌گیری نشود، چرخه یادگیری ناقص باقی می‌ماند.سازمان داده‌محور واقعی، داده را به یادگیری مستمر تبدیل می‌کند.جمع‌بندیحرکت از سازمان داده‌گریز به سازمان داده‌محور با خرید یک نرم‌افزار یا اجرای یک پروژه کوتاه‌مدت اتفاق نمی‌افتد.این تغییر به شفافیت، سواد داده، کیفیت اطلاعات، مسئولیت‌پذیری و آمادگی مدیران برای بازنگری در تصمیم‌هایشان نیاز دارد.مهم‌ترین نشانه بلوغ داده، تعداد داشبوردها نیست؛ توانایی سازمان در پاسخ‌دادن به این پرسش است:چه شواهدی می‌تواند نظر ما را تغییر دهد؟اگر این پرسش پاسخ روشنی داشته باشد، سازمان در حال ساختن یک چرخه یادگیری است. اگر پاسخ آن «هیچ‌چیز» باشد، مشکل از ابزار تحلیل نیست؛ مشکل در فرهنگ تصمیم‌گیری است.سازمان شما در کدام مرحله قرار دارد؟منبع چارچوب:The Evolution of the Data-Driven Company نوشته Christopher S. Pennنادر رنجهنادر رنجهTue, 03 Nov 2026 22:58:25 +0330https://virgool.ir/@naderranjeh/فرم-ها-آنلاین-شدند-چرا-بوروکراسی-هنوز-سر-جایش-است-tpchoxwbwiaeتأملی درباره فاصله میان الکترونیکی‌شدن خدمات و تحول واقعی در نظام اداریبرای دریافت یک خدمت وارد سامانه می‌شوید. حساب کاربری می‌سازید، اطلاعات هویتی را وارد می‌کنید، فرم را تکمیل و مدارک را بارگذاری می‌کنید. در پایان، کد رهگیری دریافت می‌کنید؛ اما چند روز بعد، برای اطلاع از وضعیت درخواست باید تماس بگیرید. شاید هم از شما بخواهند اصل همان مدارک را حضوری ارائه دهید.این مثال، موقعیتی فرضی اما آشناست: ظاهر خدمت تغییر کرده، ولی بخش زیادی از مسیر قبلی همچنان باقی مانده است.چنین تجربه‌ای ما را با یک پرسش اساسی روبه‌رو می‌کند: آیا انتقال فرم‌ها به اینترنت، به معنای تحول دیجیتال است؟گزارش «تحول مالیه عمومی از طریق فناوری‌های دولت» نوشته پژوهشگران صندوق بین‌المللی پول، چارچوبی برای پاسخ به این پرسش ارائه می‌کند. اگرچه موضوع اصلی گزارش، مالیه عمومی است، تفکیک آن میان مراحل دیجیتالی‌شدن برای فهم تحول در سایر خدمات دولتی نیز کاربرد دارد.سه مرحله که نباید با یکدیگر اشتباه بگیریمگزارش میان سه مرحله تفاوت می‌گذارد.در مرحله تبدیل به قالب دیجیتال — Digitization، فرایند دستی در یک قالب دیجیتال بازتولید می‌شود. برای مثال، فرم کاغذی به فرم الکترونیکی تبدیل می‌شود. این تغییر می‌تواند هزینه چاپ، جابه‌جایی و بایگانی را کاهش دهد؛ اما لزوماً تعداد مراحل یا منطق تصمیم‌گیری را تغییر نمی‌دهد.در مرحله دیجیتالی‌کردن فرایند — Digitalization، مراحل اصلی به‌صورت دیجیتال انجام می‌شوند و قواعد و اقدامات، تا حد امکان خودکار اجرا می‌شوند. برای مثال، سامانه می‌تواند کامل‌بودن اطلاعات را بررسی کند و درخواست را بر اساس قواعد مشخص به مرحله بعد بفرستد.در مرحله تحول دیجیتال — Digital Transformation، خود فرایند بازطراحی می‌شود. سازمان بررسی می‌کند چه مراحلی ضرورت دارند، چه اطلاعاتی را می‌توان از منابع معتبر دریافت کرد و چگونه می‌توان خدمت را با منطق متفاوتی ارائه داد.بنابراین، الکترونیکی‌کردن فرم‌ها می‌تواند گامی مفید باشد؛ اما برای سنجش عمق تحول باید دید فرایند و تجربه دریافت خدمت تا چه اندازه تغییر کرده است.وقتی بوروکراسی وارد سامانه می‌شودفرض کنید دریافت یک مجوز به هفت تأیید نیاز دارد. اگر هر هفت تأیید را به گردش کار الکترونیکی منتقل کنیم، احتمالاً جابه‌جایی پرونده سریع‌تر و پیگیری آن آسان‌تر می‌شود. بااین‌حال، یک پرسش همچنان بی‌پاسخ می‌ماند: آیا هر هفت تأیید ضروری‌اند؟ممکن است بعضی مراحل، حاصل رویه‌های قدیمی، کنترل‌های تکراری یا ابهام در مسئولیت‌ها باشند. اگر پیش از طراحی سامانه درباره ضرورت آن‌ها تصمیم نگیریم، همان پیچیدگی‌ها در نرم‌افزار تثبیت می‌شوند.از این منظر، تحلیل فرایند باید شامل پرسش‌هایی باشد که پاسخشان گاهی خارج از اختیار واحد فناوری اطلاعات است:این مدرک برای کدام تصمیم لازم است؟این تأیید چه ریسکی را کنترل می‌کند؟آیا مرحله دیگری همان کنترل را انجام می‌دهد؟حذف یا تغییر این مرحله به اصلاح کدام مقرره نیاز دارد؟پاسخ به این پرسش‌ها، همکاری مدیران، صاحبان فرایند، کارشناسان حقوقی و متخصصان فناوری را می‌طلبد.مسئله مدارک تکراری، مسئله حکمرانی داده استیکی از ملموس‌ترین نشانه‌های ناکارآمدی خدمات، درخواست مکرر اطلاعاتی است که پیش‌تر در جایی از دولت ثبت شده‌اند.شهروند باید اطلاعات را دوباره وارد کند، از یک دستگاه گواهی بگیرد و آن را به دستگاه دیگری تحویل دهد. در چنین وضعیتی، بخشی از بار هماهنگی میان سازمان‌ها بر دوش دریافت‌کننده خدمت قرار گرفته است.رفع این مشکل به تبادل داده نیاز دارد؛ اما تبادل داده نیز مقدماتی دارد. دستگاه‌ها باید درباره معنای داده، مرجع معتبر، مسئول کیفیت، نحوه به‌روزرسانی و شرایط دسترسی توافق کنند.برای مثال، اتصال دو سامانه زمانی مسئله را حل می‌کند که هر دو از یک مفهوم، برداشت سازگاری داشته باشند و داده دریافتی برای تصمیم موردنظر به‌اندازه کافی معتبر و به‌روز باشد.گزارش نیز در پیوست سوم، بر معماری داده، طبقه‌بندی‌ها و کدهای مشترک، کیفیت داده و جلوگیری از سامانه‌های جزیره‌ای تأکید می‌کند. حکمرانی داده، زمینه استفاده قابل اعتماد از اطلاعات را فراهم می‌کند؛ اطلاعاتی که قرار است جایگزین مدرک‌خواهی و ورود مکرر داده شود.تحول دیجیتال، مسئولیت مشترک سازمان استچارچوب گزارش سه ستون دارد: کارکرد و فرایند، معماری فناوری اطلاعات، و حکمرانی و مدیریت.این چارچوب نشان می‌دهد که موفقیت یک پروژه به ارتباط میان این سه حوزه وابسته است. ممکن است سامانه از نظر فنی آماده باشد، اما مقررات همچنان ارائه اصل مدرک را الزامی بدانند. ممکن است تبادل داده امکان‌پذیر باشد، اما مسئولیت پاسخ‌گویی درباره خطاهای آن مشخص نشده باشد.در چنین شرایطی، توسعه نرم‌افزار به‌تنهایی پروژه را به نتیجه نمی‌رساند. باید اختیار تصمیم‌گیری، مسئولیت‌ها، قواعد اجرایی و مهارت کارکنان نیز متناسب با فرایند جدید تغییر کنند.چه چیزی را باید اندازه بگیریم؟تعداد سامانه‌ها و خدمات الکترونیکی، بخشی از فعالیت انجام‌شده را نشان می‌دهد. برای شناخت نتیجه، به شاخص‌های دیگری هم نیاز داریم.به‌عنوان پیشنهاد کاربردی، می‌توان پرسید:چند مراجعه و مدرک غیرضروری حذف شده است؟زمان دریافت خدمت چقدر کاهش یافته است؟چه سهمی از درخواست‌ها بدون پیگیری حضوری به نتیجه می‌رسند؟اطلاعات موردنیاز تا چه اندازه از منابع معتبر دریافت می‌شود؟خطا و دوباره‌کاری چه تغییری کرده است؟این پرسش‌ها توجه را به تجربه واقعی دریافت‌کننده خدمت معطوف می‌کنند. همچنین کمک می‌کنند میان «راه‌اندازی سامانه» و «تحقق بهبود» تفاوت بگذاریم.گزارش هشدار می‌دهد که دیجیتالی‌شدن جایگزین حکمرانی خوب نیست. فناوری زمانی ارزش بیشتری ایجاد می‌کند که با اصلاح نهادها، مقررات، فرایندها و ظرفیت انسانی همراه شود.پیش از طراحی فرم آنلاین بعدی، شاید لازم باشد درباره خود فرم تصمیم بگیریم: کدام اطلاعات آن واقعاً ضروری است و چرا باید دریافت آن را از مردم بخواهیم؟منبعAmaglobeli, D., et al. (2023). Transforming Public Finance through GovTech. IMF Staff Discussion Note, SDN/2023/004.نادر رنجهنادر رنجهTue, 03 Nov 2026 11:01:26 +0330https://virgool.ir/@naderranjeh/ریسک-های-هوشمندسازی-نظام-مالی-دولت-وقتی-فناوری-ناکارآمدی-را-سریع-تر-می-کند-t9wwhf4ew5atریسک‌های هوشمندسازی نظام مالی دولت؛ وقتی فناوری، ناکارآمدی را سریع‌تر می‌کندهوشمندسازی نظام مالی دولت می‌تواند پرداخت‌ها را سریع‌تر و دقیق‌تر کند، امکان نظارت برخط بر منابع عمومی را فراهم آورد، خطاهای انسانی را کاهش دهد و تصمیم‌گیری مالی را از گزارش‌های دیرهنگام به تحلیل‌های آینده‌نگر نزدیک کند. بااین‌حال، استفاده از فناوری‌های جدید به‌خودی‌خود به معنای اصلاح نظام مالی نیست.اگر سامانه‌های جدید بر فرایندهای ناکارآمد، داده‌های نامعتبر، مسئولیت‌های نامشخص و مقررات ناسازگار بنا شوند، نتیجه ممکن است پیچیده‌ترشدن نظام مالی، افزایش هزینه‌ها و ایجاد شکل‌های تازه‌ای از ریسک باشد.گزارش فنی سال ۲۰۲۶ صندوق بین‌المللی پول با عنوان «بهره‌گیری از فناوری‌های دیجیتال نوظهور برای دستیابی به افقی نو در مدیریت مالی عمومی» تأکید می‌کند که تحول دیجیتال در مدیریت مالی عمومی باید بر اساس مسئله، ارزش مورد انتظار و امکان‌پذیری واقعی فناوری انجام شود. این گزارش همچنین مجموعه‌ای از ریسک‌های فنی، سازمانی، حقوقی و انسانی را مطرح می‌کند که توجه به آن‌ها برای موفقیت هوشمندسازی نظام مالی ضروری است.هوشمندسازی مالی دقیقاً برای دستیابی به چه هدفی انجام می‌شود؟پیش از بررسی ریسک‌ها باید روشن باشد که هوشمندسازی نظام مالی دولت قرار است چه مسئله‌ای را حل کند. مدیریت مالی عمومی معمولاً چهار هدف اصلی را دنبال می‌کند:حفظ انضباط و پایداری مالی؛تخصیص منابع بر اساس اولویت‌های دولت؛افزایش کارایی اجرای برنامه‌ها و ارائه خدمات عمومی؛تقویت شفافیت و پاسخ‌گویی درباره مصرف منابع عمومی.در نتیجه، یک پروژه هوشمندسازی زمانی ارزشمند است که بتواند دست‌کم یکی از این اهداف را به‌صورت قابل‌اندازه‌گیری بهبود دهد. افزایش تعداد سامانه‌ها، داشبوردها یا تراکنش‌های الکترونیکی، به‌تنهایی نشانه موفقیت نیست.ریسک اول: خودکارسازی فرایندهای ناکارآمدیکی از رایج‌ترین خطاها در تحول دیجیتال، انتقال مستقیم فرایندهای موجود به سامانه‌های الکترونیکی است. اگر یک فرایند دارای تأییدهای تکراری، کنترل‌های موازی، ورود چندباره اطلاعات و گردش غیرضروری اسناد باشد، دیجیتالی‌کردن آن فقط همان ناکارآمدی را با ابزار جدید ادامه می‌دهد.فناوری باید فرصتی برای بازنگری در فرایند باشد. پیش از خودکارسازی باید مشخص شود:کدام مرحله از فرایند ارزش واقعی ایجاد می‌کند؟کدام تأیید را می‌توان حذف یا ادغام کرد؟کدام کنترل قابلیت اجرای سیستمی دارد؟چه اطلاعاتی پیش‌تر در دستگاه یا سامانه دیگری تولید شده است؟کدام تصمیم همچنان به قضاوت تخصصی انسان نیاز دارد؟چه مقرراتی مانع حذف اسناد کاغذی یا بازطراحی فرایند است؟هوشمندسازی موفق از بازطراحی فرایند آغاز می‌شود. در غیر این صورت، فناوری به ابزاری برای تثبیت وضع موجود تبدیل خواهد شد.ریسک دوم: تصمیم‌گیری هوشمند بر پایه داده‌های نامعتبرکنترل هوشمند، پیش‌بینی مالی و شناسایی تخلف همگی به داده متکی هستند. اگر داده‌ها ناقص، متناقض، قدیمی یا فاقد تعاریف مشترک باشند، فناوری نیز تصمیم قابل‌اعتمادی تولید نخواهد کرد.برای مثال، اگر دستگاه‌های مختلف تعاریف متفاوتی از «تعهد»، «پرداخت»، «پروژه»، «ذی‌نفع» یا «عملکرد برنامه» داشته باشند، اتصال سامانه‌ها به‌تنهایی مسئله را حل نمی‌کند. در چنین شرایطی، سامانه‌ها فقط داده‌های ناسازگار را با سرعت بیشتری مبادله می‌کنند.هوش مصنوعی نمی‌تواند ضعف حکمرانی داده را جبران کند. پیش از استفاده گسترده از فناوری‌های تحلیلی باید موارد زیر تعیین شود:مالک و متولی هر قلم داده چه کسی است؟تعریف رسمی و واحد داده چیست؟کیفیت داده با چه قواعدی سنجیده می‌شود؟مغایرت‌ها چگونه شناسایی و اصلاح می‌شوند؟اطلاعات از چه منبعی تولید شده و چه تغییراتی روی آن انجام شده است؟چه کسی مجاز به مشاهده، تغییر یا استفاده از داده است؟حکمرانی داده، استانداردسازی و تعامل‌پذیری، زیرساخت اصلی هوشمندسازی مالی هستند.ریسک سوم: تصمیم خودکار بدون نظارت و پاسخ‌گویی انسانیفناوری می‌تواند پرداخت‌های غیرعادی را شناسایی کند، رعایت سقف‌های بودجه‌ای را بسنجد یا درخواست‌های پرریسک را برای بررسی بیشتر علامت‌گذاری کند. بااین‌حال، هیچ الگوریتمی مصون از خطا، سوگیری یا تفسیر نادرست داده نیست.ممکن است یک پرداخت قانونی به‌دلیل الگوی غیرمعمول متوقف شود یا یک فرد واجد شرایط به‌دلیل نقص داده از دریافت منابع محروم بماند. در چنین وضعیتی، چند پرسش اساسی مطرح می‌شود:مسئول تصمیم نادرست چه کسی است؟آیا دلیل تصمیم الگوریتم برای کارشناس و ذی‌نفع قابل‌فهم است؟آیا امکان اعتراض و اصلاح تصمیم وجود دارد؟چه تصمیم‌هایی باید الزاماً به تأیید انسان برسند؟آیا عملکرد و سوگیری مدل به‌صورت دوره‌ای ارزیابی می‌شود؟هدف هوشمندسازی باید کاهش مداخله غیرضروری و سلیقه‌ای باشد؛ اما مسئولیت انسانی در قبال تصمیمات مالی نباید حذف شود. تصمیمات حساس باید توضیح‌پذیر، قابل‌ردیابی و قابل‌بازبینی باقی بمانند.ریسک چهارم: وابستگی به شرکت یا فناوری خاصبسیاری از سامانه‌های مالی دولت با اتکا به پیمانکاران بیرونی طراحی و پشتیبانی می‌شوند. این همکاری در بسیاری از موارد ضروری است، اما وابستگی بیش از اندازه به یک تأمین‌کننده می‌تواند انعطاف و قدرت تصمیم‌گیری دولت را کاهش دهد.این وابستگی زمانی خطرناک‌تر می‌شود که:مستندات فنی کامل در اختیار دولت نباشد؛انتقال دانش به کارکنان داخلی انجام نشود؛داده‌ها در قالب‌های اختصاصی نگهداری شوند؛تغییر پیمانکار بسیار پرهزینه یا عملاً غیرممکن باشد؛توسعه هر قابلیت جدید فقط توسط شرکت اولیه امکان‌پذیر باشد؛مالکیت یا محل نگهداری داده‌ها روشن نباشد.استفاده از استانداردهای باز، تضمین قابلیت انتقال داده، پیش‌بینی شروط خروج در قرارداد، مستندسازی و آموزش کارکنان داخلی می‌تواند این ریسک را کاهش دهد.مالکیت سامانه ممکن است موضوع قرارداد باشد، اما مالکیت و حاکمیت بر داده‌های مالی عمومی باید به‌روشنی در اختیار دولت باقی بماند.ریسک پنجم: گسترش تهدیدهای امنیتی و نقض حریم خصوصیاتصال سامانه‌های مالی، مالیاتی، بانکی، حقوق و دستمزد، تدارکات و اطلاعات هویتی، فرصت‌های زیادی برای نظارت و تصمیم‌گیری ایجاد می‌کند؛ اما سطح حمله سایبری را نیز افزایش می‌دهد.رخنه به چنین زیرساختی می‌تواند به افشای اطلاعات مالی اشخاص، تغییر یا حذف داده‌ها، اختلال در پرداخت‌های عمومی یا سوءاستفاده از منابع منجر شود.کنترل این ریسک فقط با خرید تجهیزات امنیتی ممکن نیست. نظام مالی هوشمند به مجموعه‌ای از کنترل‌ها نیاز دارد:دسترسی مبتنی بر نقش؛رمزنگاری اطلاعات حساس؛ثبت کامل رویدادها و اقدامات کاربران؛قابلیت انتساب هر اقدام به شخص مشخص؛ارزیابی دوره‌ای آسیب‌پذیری؛آزمون نفوذ؛تفکیک مسئولیت‌ها؛برنامه تداوم خدمت و بازیابی پس از بحران؛آموزش کارکنان در برابر فیشینگ و مهندسی اجتماعی.دسترسی گسترده به داده نیز باید بر اساس ضرورت و هدف مشخص باشد. امکان فنی تجمیع اطلاعات به‌معنای مجازبودن استفاده نامحدود از آن‌ها نیست.ریسک ششم: شکاف مهارتی و مقاومت سازمانیتحول دیجیتال فقط ساخت سامانه نیست؛ تغییر در شیوه انجام کار، نقش کارکنان و توزیع مسئولیت‌هاست. اگر کارکنان در طراحی و اجرای فناوری مشارکت نداشته باشند، احتمال مقاومت، استفاده ناقص یا شکل‌گیری فرایندهای موازی افزایش می‌یابد.خودکارسازی برخی وظایف ممکن است نقش کارکنان مالی را از ثبت اطلاعات و کنترل‌های تکراری به سمت فعالیت‌های زیر تغییر دهد:تحلیل داده‌های مالی؛ارزیابی ریسک؛بررسی موارد استثنایی؛طراحی و بازبینی قواعد کنترلی؛تفسیر خروجی سامانه؛نظارت بر عملکرد الگوریتم‌ها؛ارائه مشاوره به مدیران.این تغییر به آموزش مستمر، تعریف شایستگی‌های جدید و طراحی مجدد نقش‌های سازمانی نیاز دارد.یکی دیگر از مخاطرات، تحویل سامانه توسط پیمانکار بدون انتقال دانش کافی است. در این وضعیت، کارکنان فناوری اطلاعات و کاربران سازمان مسئول پشتیبانی سامانه‌ای می‌شوند که شناخت کاملی از منطق و اجزای آن ندارند. نتیجه می‌تواند خطای داده، اختلال عملیاتی، ضعف امنیت و افزایش وابستگی باشد.ریسک هفتم: اجرای شتاب‌زده و بدون آزمون کافیفشار برای اعلام سریع موفقیت پروژه‌های هوشمندسازی ممکن است به کاهش زمان طراحی، آزمایش و مشارکت کاربران منجر شود. این رویکرد در سامانه‌های مالی که با پرداخت، حقوق، بودجه و منابع عمومی سروکار دارند، می‌تواند پیامدهای گسترده‌ای داشته باشد.گزارش صندوق بین‌المللی پول به تجربه سامانه حقوق و دستمزد Phoenix در کانادا اشاره می‌کند. این سامانه با هدف کاهش هزینه و افزایش کارایی ایجاد شد؛ اما بر اساس گزارش حسابرس کل کانادا، کمبود قابلیت‌های ضروری، آزمون ناکافی، مشارکت محدود کاربران و ضعف نظارت باعث شد سامانه جدید از سامانه قدیمی پرهزینه‌تر و کم‌کارآمدتر شود.درس این تجربه روشن است: جدیدبودن فناوری جایگزین مدیریت پروژه، آزمون دقیق و آمادگی عملیاتی نمی‌شود.پیش از اجرای فراگیر، بهتر است فناوری در یک حوزه محدود و کنترل‌شده آزمایش شود. پایلوت باید دارای مسئله مشخص، داده معتبر، کاربران واقعی، شاخص‌های نتیجه و معیار روشن برای توقف، اصلاح یا توسعه باشد.چگونه می‌توان ریسک هوشمندسازی مالی را مدیریت کرد؟گزارش صندوق بین‌المللی پول پیشنهاد می‌کند انتخاب فناوری بر اساس ترکیب «منافع بالقوه» و «امکان‌پذیری» انجام شود.منافع بالقوه می‌تواند شامل بهبود فرایند، کیفیت خروجی، نتایج سیاستی، پاسخ‌گویی، امنیت و آمادگی برای آینده باشد. امکان‌پذیری نیز باید از چهار منظر بررسی شود:امکان‌پذیری فنیآیا فناوری برای هدف موردنظر مناسب، بالغ، امن، مقیاس‌پذیر و سازگار با زیرساخت‌های موجود است؟امکان‌پذیری اقتصادیآیا هزینه طراحی، استقرار، آموزش، نگهداری و توسعه آن در برابر منافع مورد انتظار قابل توجیه است؟امکان‌پذیری عملیاتیآیا کارکنان، مدیران، کاربران، فرایندها و مقررات برای پذیرش فناوری آمادگی دارند؟امکان‌پذیری زمانیآیا برنامه اجرا واقع‌بینانه است و فرصت کافی برای طراحی، آزمون، اصلاح و انتقال دانش وجود دارد؟فناوری‌ای که منفعت نظری زیادی دارد اما از نظر سازمانی یا فنی امکان‌پذیر نیست، نباید مستقیماً وارد اجرای گسترده شود. ممکن است ابتدا به اصلاح مقررات، ارتقای کیفیت داده، توسعه زیرساخت یا اجرای آزمایشی نیاز داشته باشد.موفقیت هوشمندسازی را با چه شاخص‌هایی بسنجیم؟برای ارزیابی واقعی پروژه‌های هوشمندسازی باید از شاخص‌های نتیجه‌محور استفاده کرد؛ از جمله:کاهش زمان پردازش پرداخت‌ها؛کاهش خطا و مغایرت اطلاعات؛کاهش ورود دستی و کارهای تکراری؛افزایش دقت پیش‌بینی جریان نقدی و درآمدها؛کاهش هزینه اجرای فرایندها؛افزایش سرعت شناسایی انحراف و تخلف؛افزایش قابلیت ردیابی منابع عمومی؛بهبود دسترسی مدیران به اطلاعات قابل‌اعتماد؛افزایش رضایت کاربران؛کاهش رخدادهای امنیتی؛کاهش وابستگی به سامانه‌های منسوخ یا تأمین‌کنندگان خاص.تعداد سامانه‌های راه‌اندازی‌شده یا حجم داده‌های جمع‌آوری‌شده، بیشتر نشان‌دهنده میزان فعالیت است تا میزان موفقیت. نتیجه واقعی زمانی حاصل می‌شود که کیفیت تصمیم، انضباط مالی، شفافیت و کارایی بهبود پیدا کند.جمع‌بندیهوشمندسازی نظام مالی دولت می‌تواند ابزار قدرتمندی برای افزایش شفافیت، کاهش خطا، کنترل هوشمند پرداخت‌ها و بهبود پایداری مالی باشد. اما همین فناوری می‌تواند در صورت طراحی نامناسب، ریسک‌های جدیدی در زمینه امنیت، حریم خصوصی، وابستگی فنی، سوگیری الگوریتمی و پاسخ‌گویی ایجاد کند.پرسش اصلی نباید این باشد که «از چه فناوری جدیدی استفاده کنیم؟» پرسش درست این است:کدام مسئله مالی را می‌خواهیم حل کنیم، چه داده و فرایندی برای حل آن لازم است، مسئولیت تصمیم‌ها بر عهده چه کسی خواهد بود و اثر واقعی فناوری چگونه اندازه‌گیری می‌شود؟هوشمندسازی موفق از خرید فناوری آغاز نمی‌شود. نقطه آغاز آن، تعریف دقیق مسئله، بازطراحی فرایند، حکمرانی داده، مشارکت کاربران، تعیین مسئولیت‌ها و اجرای تدریجی و قابل‌ارزیابی است.منبعPattanayak, S., Rivero del Paso, L., Tourpe, H., & Cho, C. (2026). Harnessing Emerging Digital Technologies toward a New Frontier of Public Financial Management. IMF Technical Notes and Manuals 2026/06, International Monetary Fund.نادر رنجهنادر رنجهMon, 02 Nov 2026 20:44:42 +0330https://virgool.ir/@naderranjeh/وقتی-هوش-مصنوعی-کارهای-ساده-را-انجام-می-دهد-کارشناسان-آینده-کجا-تربیت-می-شوند-kvkmpl0skh6eدرباره «نردبان شکسته مهارت‌ها» و ضرورت بازطراحی مسیر یادگیری در سازمان‌هابسیاری از ما کار حرفه‌ای خود را با وظایفی آغاز کرده‌ایم که امروز ممکن است ساده و تکراری به نظر برسند: جمع‌آوری اطلاعات، تهیه پیش‌نویس نامه، بررسی اولیه یک پرونده، تنظیم جدول یا خلاصه‌کردن گزارش.اما همین کارها، نخستین فرصت‌های یادگیری ما بودند. با انجام آن‌ها، اشتباه‌کردن، دریافت بازخورد و اصلاح دوباره، به‌تدریج فهمیدیم چه چیزی مهم است، کجا باید تردید کنیم و چه زمانی به بررسی بیشتری نیاز داریم.اکنون هوش مصنوعی می‌تواند بسیاری از این فعالیت‌ها را در زمانی کوتاه انجام دهد. این قابلیت، فرصتی برای افزایش بهره‌وری است؛ اما پرسشی کمتر دیده‌شده را هم پیش روی سازمان‌ها قرار می‌دهد:اگر کارهایی که افراد از طریق آن‌ها تجربه کسب می‌کردند خودکار شوند، مسیر تبدیل‌شدن یک نیروی تازه‌کار به کارشناس خبره چگونه شکل می‌گیرد؟نردبان شکسته مهارت‌ها یعنی چه؟دیلویت در مقاله‌ای با عنوان «هوش مصنوعی در حال تغییر کار است؛ شاید چگونگی شکل‌گیری تخصص را هم محدود کند»، از مفهوم نردبان شکسته مهارت‌ها (Broken Skills Ladder) استفاده می‌کند.منظور، فاصله‌ای است که ممکن است میان «تخصص موردنیاز سازمان» و «فرصت‌های موجود برای پرورش آن تخصص» ایجاد شود.در مسیر معمول رشد حرفه‌ای، فرد از وظایف ساده‌تر شروع می‌کند و به‌تدریج مسئولیت مسائل پیچیده‌تر را می‌پذیرد. برای مثال، برنامه‌نویس تازه‌کار با نوشتن کدهای ابتدایی و رفع خطاهای آن، مبانی کار را می‌آموزد؛ سپس برای طراحی و نگهداری سامانه‌های پیچیده آماده می‌شود.هوش مصنوعی می‌تواند بخش زیادی از فعالیت‌های ابتدایی را انجام دهد؛ درحالی‌که نیاز سازمان به تخصص پیشرفته همچنان باقی است. در نتیجه، ممکن است از کارکنان انتظار قضاوت حرفه‌ای داشته باشیم، بدون آنکه فرصت کافی برای شکل‌گیری این قضاوت فراهم کرده باشیم.دیلویت برای بررسی این مسئله، قابلیت خودکارسازی حدود ۱۹ هزار وظیفه کاری را تحلیل کرده و با استفاده از داده‌های شغلی O*NET، آن‌ها را به مهارت‌ها مرتبط کرده است. مسئله محوری این تحلیل، تغییر در مسیر پرورش مهارت‌هاست.قضاوت حرفه‌ای از کجا می‌آید؟کارشناس باتجربه هنگام بررسی یک پاسخ، فقط به درستی جمله‌ها نگاه نمی‌کند. او ممکن است متوجه شود که یک فرض مهم نادیده گرفته شده، اطلاعات کافی وجود ندارد یا پیشنهاد ارائه‌شده با شرایط واقعی سازگار نیست.این توانایی معمولاً حاصل سال‌ها مواجهه با مسئله، مشاهده پیامد تصمیم‌ها و دریافت بازخورد است.به همین دلیل، توصیه رایجِ «خروجی هوش مصنوعی را بررسی کنید» نیازمند تأمل بیشتری است. بررسی مؤثر خروجی، خودش یک مهارت تخصصی است. فرد باید موضوع را به‌اندازه کافی بشناسد تا بتواند خطا، ابهام یا اطلاعاتِ ازقلم‌افتاده را تشخیص دهد.اگر فرصت تمرین و تجربه کاهش یابد، سازمان ممکن است در کوتاه‌مدت خروجی بیشتری تولید کند، اما در بلندمدت با دشواری پرورش افرادی روبه‌رو شود که توان ارزیابی همان خروجی‌ها را دارند.این مسئله در نظام اداری چه شکلی پیدا می‌کند؟در محیط اداری، بخش مهمی از تجربه کارشناسی از مسیر تهیه مکاتبات، بررسی سوابق، تطبیق اسناد و مشارکت در رسیدگی به پرونده‌ها شکل می‌گیرد.فرض کنیم تهیه پیش‌نویس پاسخ یک دستگاه اجرایی به هوش مصنوعی سپرده شود. متن سریع‌تر آماده می‌شود، اما کارشناس تازه‌کار ممکن است دیگر ناچار نباشد سوابق را جست‌وجو کند، تفاوت وضعیت‌ها را بفهمد یا برای انتخاب عبارت مناسب استدلال کند.در ادامه، از همین فرد انتظار می‌رود درستی متن تولیدشده را تأیید کند. اینجا پرسش اصلی آشکار می‌شود: او فرصت یادگیریِ آنچه باید بررسی کند را کجا به دست آورده است؟این مثال، برداشتی کاربردی از بحث مقاله برای نظام اداری است. پیام آن برای مدیران این است که هنگام خودکارسازی یک وظیفه، نقش آن وظیفه در تربیت نیروی انسانی را هم بررسی کنند.دانش ضمنی؛ چیزی که در دستورالعمل‌ها کامل پیدا نمی‌شودبخش مهمی از خبرگی، «دانش ضمنی» است؛ دانشی که افراد در عمل به کار می‌گیرند، اما همیشه نمی‌توانند آن را به‌روشنی توضیح دهند.یک کارشناس باسابقه ممکن است با دیدن پرونده‌ای بگوید: «این مورد نیاز به بررسی بیشتری دارد.» گاهی دلیل این تشخیص، ترکیبی از تجربه‌های پیشین، شناخت زمینه و توجه به نشانه‌هایی است که در هیچ چک‌لیستی ثبت نشده‌اند.دیلویت تأکید می‌کند که انتقال این نوع دانش، به مشاهده، تکرار، مربیگری و تجربه مشترک وابسته است. به همین دلیل، مستندسازی فرایندها به‌تنهایی جایگزین همکاری میان نیروهای تازه‌کار و باتجربه نمی‌شود.با تغییر شیوه کار بر اثر هوش مصنوعی، لازم است این ارتباط‌ها آگاهانه‌تر طراحی شوند.چگونه مسیر یادگیری را دوباره بسازیم؟مقاله بر شبیه‌سازی، تمرین سناریومحور، کارآموزی، مربیگری و اجتماعات حرفه‌ای تأکید می‌کند. بر پایه این پیشنهادها، می‌توان چند اقدام عملی برای سازمان‌ها در نظر گرفت.۱. برای وظایف خودکارشده، جایگزین یادگیری طراحی کنیمهرگاه وظیفه‌ای به هوش مصنوعی سپرده می‌شود، بررسی کنیم کارکنان قبلاً از انجام آن چه چیزی می‌آموختند و اکنون این یادگیری چگونه تأمین خواهد شد.برای مثال، پس از خودکارسازی تهیه پیش‌نویس گزارش، می‌توان از کارشناس خواست فرض‌ها، استنادها و کاستی‌های متن را شناسایی و اصلاحات خود را توضیح دهد.۲. بررسی خروجی را به تمرین استدلال تبدیل کنیمتأیید یا رد یک خروجی، به‌تنهایی فرصت یادگیری محدودی ایجاد می‌کند. ارزش آموزشی زمانی بیشتر می‌شود که فرد توضیح دهد:کدام بخش قابل‌اتکاست و چرا؟چه اطلاعاتی کم است؟کدام نتیجه به بررسی بیشتری نیاز دارد؟چه تغییری در متن یا پیشنهاد لازم است؟گفت‌وگو درباره این پاسخ‌ها با کارشناس ارشد، می‌تواند بخشی از منطق قضاوت حرفه‌ای را آشکار کند.۳. از پرونده‌های گذشته، موقعیت آموزشی بسازیمپرونده‌های مختومه، با رعایت محرمانگی و حذف اطلاعات هویتی، می‌توانند مبنای تمرین باشند. کارکنان ابتدا مسئله را بررسی کنند و پیشنهاد خود را بنویسند؛ سپس آن را با تصمیم و استدلال کارشناسان باتجربه مقایسه کنند.این روش، امکان تمرین را بدون تحمیل پیامد به پرونده جاری فراهم می‌کند.۴. برای انتقال تجربه، وقت و مسئولیت مشخص کنیمانتقال تجربه اگر صرفاً به فرصت‌های اتفاقی وابسته باشد، ممکن است زیر فشار کار روزمره کنار گذاشته شود. جلسات بررسی پرونده، همکاری دونفره و مربیگری می‌توانند جای مشخصی در برنامه کاری داشته باشند.در این جلسات، توضیح «چرا چنین تصمیمی گرفتیم» به‌اندازه بیان نتیجه اهمیت دارد.۵. رشد توان کارشناسی را هم بسنجیمدر کنار کاهش زمان انجام کار، باید بررسی کنیم آیا توان کارکنان در تشخیص خطا، تحلیل مسئله، توضیح تصمیم و رسیدگی مستقل به موارد پیچیده‌تر رشد کرده است یا خیر.افزایش سرعت، تنها بخشی از نتیجه‌ای است که سازمان به آن نیاز دارد. حفظ و توسعه توان تخصصی، بخش دیگر آن است.بهره‌وری امروز و خبرگی فرداهوش مصنوعی می‌تواند فرصت بیشتری برای یادگیری ایجاد کند؛ به شرط آنکه زمان آزادشده به تمرین، بازخورد و مواجهه هدایت‌شده با مسائل پیچیده‌تر اختصاص یابد.نگرانی اصلی زمانی شکل می‌گیرد که وظایف ابتدایی حذف شوند، اما سازمان فرض کند مسیر رشد کارکنان همچنان خودبه‌خود ادامه پیدا می‌کند.برای مدیران منابع انسانی و متولیان تحول اداری، هر پروژه خودکارسازی یک پرسش تکمیلی دارد:«پس از تغییر این کار، کارکنان ما چگونه یاد می‌گیرند و تجربه کسب می‌کنند؟»پاسخ به این پرسش، تعیین می‌کند که افزایش بهره‌وری امروز، با پرورش کارشناسان خبره فردا همراه خواهد شد یا خیر.منبع اصلی:Elliott, C., Cluver, M., Mariani, J., Agarwal, S., & Kannan, T. (2026, June 30). AI is changing work. It might also be limiting how expertise is built. Deloitte Insights, Deloitte Center for Government Insights.نادر رنجهنادر رنجهSun, 01 Nov 2026 00:17:41 +0330https://virgool.ir/@naderranjeh/هوش-مصنوعی-کدام-نسخه-را-می-خواند-حکمرانی-داده-برای-اسناد-سازمانی-vvzpuqqkv1hfهوش مصنوعی کدام نسخه را می‌خواند؟ حکمرانی داده برای اسناد سازمانیفرض کنید کارمندی از دستیار هوشمند سازمان می‌پرسد: «شرایط ارتقای شغلی من چیست؟»دستیار در چند ثانیه پاسخی مرتب و مستند ارائه می‌کند. شماره بخشنامه را هم می‌آورد. اما یک مشکل وجود دارد: بخشنامه مورد استناد، سال گذشته اصلاح شده و نسخه جدید در مجموعه اسناد دستیار قرار نگرفته است.این مثال فرضی نشان می‌دهد درستی پاسخ هوش مصنوعی، به اعتبار اسنادی که در اختیار آن قرار می‌دهیم نیز وابسته است. پاسخی که با اطمینان نوشته شده، ممکن است بر سندی منسوخ، ناقص یا نامرتبط تکیه داشته باشد.با گسترش استفاده از هوش مصنوعی در سازمان‌ها، چنین مسئله‌ای اهمیت بیشتری پیدا می‌کند؛ به‌ویژه در دستگاه‌های دولتی که تصمیم‌ها و پاسخ‌های اداری می‌توانند بر حقوق کارکنان و مردم اثر بگذارند.اسناد سازمانی هم داده‌اندوقتی از حکمرانی داده صحبت می‌کنیم، معمولاً به یاد پایگاه‌های اطلاعاتی، جدول‌ها، کدهای شناسایی و سامانه‌های ثبت اطلاعات می‌افتیم. اما بخش مهمی از دانش و مبنای تصمیم‌گیری سازمان در قالب دیگری نگهداری می‌شود:بخشنامه‌ها، دستورالعمل‌ها، صورت‌جلسات، قراردادها، گزارش‌ها، مکاتبات و پرونده‌ها.این اسناد نیز داده دارند؛ گاهی داده‌ای که تفسیر یک عدد یا تصمیم درباره یک پرونده به آن وابسته است. برای مثال، دانستن تعداد کارکنان مشمول یک مزایا کافی نیست؛ باید مشخص باشد «مشمول‌بودن» بر اساس کدام مقرره و با چه استثناهایی تعیین شده است.مک‌کنزی در مقاله «ترسیم مسیر سازمان داده‌مبنا و هوش مصنوعی‌محور تا سال ۲۰۳۰» به گسترش فرصت استفاده از داده‌های بدون ساختار، مانند متن، تصویر و مکاتبات، در عصر هوش مصنوعی مولد اشاره می‌کند. نویسندگان در عین حال تأکید دارند که آماده‌سازی، مدیریت، حفاظت و استفاده ارزش‌آفرین از این داده‌ها، به سرمایه‌گذاری و قابلیت‌های تازه نیاز دارد.برای سازمان‌های اداری، یکی از مصداق‌های روشن این بحث، مدیریت اعتبار و وضعیت اسناد است.بارگذاری اسناد، پایان آماده‌سازی نیستممکن است تصور کنیم برای ساخت دستیار هوشمند مقررات، کافی است فایل‌های سازمان را جمع‌آوری و در اختیار یک ابزار قرار دهیم. اما یک پوشه بزرگ از اسناد، لزوماً مجموعه‌ای قابل اعتماد برای پاسخ‌گویی نیست.پیش از استفاده، باید بتوانیم به پرسش‌هایی مانند این‌ها پاسخ دهیم:کدام نسخه از سند معتبر است؟آیا سند اصلاح، لغو یا با مقرره دیگری جایگزین شده است؟از چه تاریخی اجرا می‌شود؟برای چه اشخاص، دستگاه‌ها یا موقعیت‌هایی کاربرد دارد؟کدام پیوست‌ها، استثناها و ارجاعات باید همراه آن خوانده شوند؟چه کسی مسئول تأیید و به‌روزرسانی آن است؟چه کسانی اجازه دارند به آن دسترسی داشته باشند؟اگر این اطلاعات روشن نباشد، ابزار ممکن است متن را درست بخواند، اما آن را در جای نادرست به کار ببرد.برای مثال، یک دستورالعمل می‌تواند معتبر باشد، اما فقط درباره گروه مشخصی از کارکنان اجرا شود. یا نسخه‌ای قدیمی برای بررسی یک پرونده مربوط به سال‌های گذشته لازم باشد، در حالی که برای پاسخ به وضعیت امروز کاربرد ندارد.بنابراین، همیشه جدیدترین سند، پاسخ همه پرسش‌ها نیست؛ سند باید با زمان و موضوع پرسش تناسب داشته باشد.حکمرانی داده در اینجا چه می‌کند؟از نگاه من، حکمرانی داده برای اسناد یعنی سازمان درباره اعتبار، مسئولیت، دسترسی و نحوه استفاده از آن‌ها تصمیم‌های روشن و قابل اجرا داشته باشد.این موضوع با آرشیو و مدیریت اسناد ارتباط نزدیک دارد، اما به محل نگهداری فایل محدود نمی‌شود. باید معلوم باشد چه کسی درباره وضعیت سند تصمیم می‌گیرد و این تصمیم چگونه به سامانه‌ها و کاربران منتقل می‌شود.برای روشن‌شدن موضوع، چند نمونه را ببینیم:موضوعپرسش اجراییمنبع معتبرنسخه رسمی سند را از کجا دریافت می‌کنیم؟وضعیت اعتبارچه کسی تأیید می‌کند سند جاری، اصلاح‌شده یا لغوشده است؟ارتباط اسناداصلاحیه، پیوست و مقرره جایگزین چگونه به سند اصلی متصل می‌شوند؟به‌روزرسانیپس از ابلاغ مقرره جدید، چه کسی مجموعه اطلاعات دستیار را اصلاح می‌کند؟دسترسیکدام سند عمومی است و کدام فقط برای کاربران مجاز قابل استفاده است؟ردیابی پاسخآیا می‌توان فهمید پاسخ بر اساس کدام سند و نسخه تهیه شده است؟حل این مسائل به همکاری واحد تخصصی، حقوقی، مدیریت اسناد، حکمرانی داده و فناوری اطلاعات نیاز دارد. واحد فناوری می‌تواند سازوکار را پیاده کند، اما تأیید اعتبار حقوقی یا دامنه اجرای یک بخشنامه به مسئولیت و صلاحیت تخصصی نیاز دارد.یک مسیر عملی برای شروعلازم نیست سازمان از ابتدا تمام اسناد خود را برای استفاده در هوش مصنوعی آماده کند. می‌توان یک حوزه محدود، مانند پاسخ‌گویی به پرسش‌های آموزشی یا بررسی یک گروه مشخص از مقررات اداری، انتخاب کرد و کار را مرحله‌ای پیش برد.۱. موضوع و دامنه پاسخ‌گویی را مشخص کنیمدستیار قرار است به چه پرسش‌هایی پاسخ دهد و درباره چه موضوعاتی نباید پاسخ قطعی بدهد؟ دامنه محدود، بررسی کیفیت و شناسایی خطا را آسان‌تر می‌کند.۲. مجموعه اسناد معتبر را آماده کنیماسناد از منابع رسمی دریافت شوند و برای هر سند، اطلاعاتی مانند عنوان، مرجع صادرکننده، شماره، تاریخ، دامنه کاربرد، وضعیت اعتبار و سطح دسترسی ثبت شود. ارتباط آن با اصلاحیه‌ها و پیوست‌ها نیز مشخص باشد.۳. مسئول نگهداری و به‌روزرسانی تعیین کنیماگر بخشنامه‌ای تغییر کرد، باید معلوم باشد چه کسی تغییر را شناسایی، تأیید و در مجموعه اطلاعات اعمال می‌کند. به‌روزرسانی نباید به پیگیری اتفاقی یک کارمند وابسته بماند.۴. پاسخ‌ها را با پرونده‌های متنوع آزمایش کنیمآزمون فقط شامل پرسش‌های ساده نباشد. موارد دارای استثنا، اسناد اصلاح‌شده، پرسش‌های مبهم و موقعیت‌هایی که پاسخ کافی وجود ندارد نیز بررسی شوند.دستیار باید بتواند در نبود اطلاعات معتبر، محدودیت پاسخ را اعلام کند یا موضوع را به کارشناس ارجاع دهد.۵. بازبینی و اصلاح را ادامه دهیمنمایش شماره سند، به‌تنهایی درستی پاسخ را تضمین نمی‌کند. باید بررسی شود آیا سند واقعاً از نتیجه پشتیبانی می‌کند و آیا همه شرایط مرتبط در نظر گرفته شده‌اند. پاسخ‌های مؤثر بر حقوق اشخاص نیز به کنترل متناسب با حساسیت موضوع نیاز دارند.سند معتبر، شرط لازم پاسخ قابل اعتماد استحتی اگر مجموعه اسناد دقیق و به‌روز باشد، احتمال خطای مدل از بین نمی‌رود. ابزار ممکن است بخشی از متن را نادیده بگیرد، میان اسناد ارتباط نادرست برقرار کند یا نتیجه‌ای فراتر از مستندات ارائه دهد.به همین دلیل، آماده‌سازی اسناد باید با ارزیابی ابزار، آزمون پاسخ‌ها و تعیین مسئولیت انسانی همراه شود.برای دستگاه‌های اجرایی، پرسش مهم پیش از راه‌اندازی دستیار هوشمند این است:آیا می‌دانیم کدام سند، برای چه موضوع و چه زمانی معتبر است و چه کسی مسئول نگهداری این اعتبار است؟پاسخ به این پرسش، بخشی از زیرساخت اعتماد به هوش مصنوعی در سازمان است.منبعTavakoli, A., Harreis, H., Rowshankish, K., & Bogobowicz, M. (2024). Charting a path to the data- and AI-driven enterprise of 2030. McKinsey & Company، سپتامبر ۲۰۲۴، به‌ویژه صفحات ۵ و ۶.بحث داده‌های بدون ساختار برگرفته از مقاله مک‌کنزی است؛ مثال اداری و پیشنهادهای اجرایی این نوشته، تحلیل و برداشت نویسنده برای سازمان‌های ایرانی است.نادر رنجهنادر رنجهThu, 29 Oct 2026 23:26:56 +0330https://virgool.ir/@naderranjeh/دولت-چگونه-برای-هوش-مصنوعی-آماده-می-شود-z8aqs1n4gosnنگاهی به گزارش OECD درباره توانمندسازی کارکنان، حکمرانی و بازطراحی خدمات عمومیوقتی از کاربرد هوش مصنوعی در دولت صحبت می‌کنیم، معمولاً بحث به انتخاب ابزار، خرید سامانه یا اجرای یک پروژه آزمایشی می‌رسد. اما در کنار این تصمیم‌ها، پرسشی اساسی وجود دارد: کارکنان و مدیران دستگاه‌های اجرایی چقدر برای کارکردن با هوش مصنوعی آماده‌اند؟سازمان همکاری و توسعه اقتصادی، OECD، در یادداشت سیاستی «آماده‌سازی نیروی انسانی بخش عمومی برای هوش مصنوعی: پیامدها و راهبردها»، منتشرشده در ۱۹ ژانویه ۲۰۲۶، به همین پرسش پرداخته است.پیام محوری گزارش روشن است: آماده‌سازی افراد، به‌اندازه استقرار فناوری اهمیت دارد. تحقق ظرفیت هوش مصنوعی در دولت، به مهارت کارکنان، توان راهبری مدیران و قابلیت سازمان برای استفاده مسئولانه از فناوری وابسته است.از صرفه‌جویی در زمان تا بهبود خدماتبخش مهمی از فعالیت‌های اداری شامل دریافت و بررسی اسناد، دسته‌بندی اطلاعات، رسیدگی به درخواست‌ها و پاسخ‌گویی به مراجعان است. هوش مصنوعی می‌تواند در انجام بخشی از این فعالیت‌ها به کارکنان کمک کند و فرصت بیشتری برای رسیدگی به مسائل پیچیده فراهم سازد.گزارش به تجربه مؤسسه تأمین اجتماعی فنلاند، «Kela»، اشاره می‌کند. این مؤسسه از یک بستر هوش مصنوعی برای خودکارسازی طبقه‌بندی و پردازش اسناد پیوست درخواست‌های مزایا استفاده کرده است. صرفه‌جویی حاصل، طبق برآورد نقل‌شده در گزارش، سالانه معادل ۳۸ نفرـسال کار تمام‌وقت بوده است.این عدد، میزان کار صرفه‌جویی‌شده را نشان می‌دهد و به‌معنای حذف ۳۸ شغل نیست. چنین ظرفیتی می‌تواند برای کاهش زمان انتظار، بررسی دقیق‌تر پرونده‌ها یا رسیدگی به موارد دشوارتر به کار گرفته شود؛ البته نحوه استفاده از آن به تصمیم سازمان بستگی دارد.آموزش یکسان برای همه کافی نیستیکی از کاربردی‌ترین بخش‌های گزارش، تفکیک نیازهای آموزشی به سه گروه است.کارکنان عمومی باید بتوانند از ابزارهای هوش مصنوعی به‌صورت مؤثر و مسئولانه استفاده کنند. شناخت محدودیت‌ها و خطاهای احتمالی، حفاظت از داده‌ها، تفکر نقادانه و قضاوت مستقل، بخشی از این آمادگی است.مدیران و راهبران سازمان به درکی راهبردی نیاز دارند. آن‌ها باید بتوانند فرصت‌ها و مخاطرات را ارزیابی کنند، کاربردهای متناسب با مأموریت سازمان را تشخیص دهند و درباره حکمرانی، زیرساخت داده، آمادگی کارکنان و مدیریت تغییر تصمیم بگیرند.متخصصان داده و فناوری نیز به مهارت‌های توسعه، استقرار و نگهداری سامانه‌ها نیاز دارند. این مهارت‌ها باید با شناخت ملاحظات اخلاقی، الزامات مقرراتی و توان همکاری با سایر تخصص‌ها همراه شود.برای نظام اداری، نتیجه عملی این تفکیک آن است که طراحی یک دوره عمومی و تکرار آن برای همه سطوح سازمان، پاسخ‌گوی تمام نیازها نخواهد بود.برون‌سپاری، نیاز به توانمندی داخلی را از بین نمی‌بردگزارش سه مسیر اصلی برای تقویت قابلیت‌های هوش مصنوعی معرفی می‌کند: برون‌سپاری، جذب نیرو و آموزش.خرید خدمات تخصصی می‌تواند بخشی از نیاز سازمان را تأمین کند، اما سازمان همچنان باید توان تعریف مسئله، تشخیص نیاز و ارزیابی راهکار را داشته باشد. OECD تقویت قابلیت داخلی را برای کاهش عدم تقارن اطلاعاتی در خرید، جلوگیری از وابستگی به تأمین‌کنندگان و هم‌راستایی سامانه‌ها با نیازهای سازمان مهم می‌داند.برداشت من این است که دستگاه اجرایی، حتی هنگام واگذاری توسعه فنی، باید بتواند به چند پرسش پاسخ دهد: چه مسئله‌ای را حل می‌کنیم؟ راهکار با چه داده‌ای کار می‌کند؟ کیفیت خروجی چگونه ارزیابی می‌شود؟ مسئولیت نظارت و رسیدگی به خطا با چه کسی است؟پاسخ‌گویی سازمانی، به توان فهم و ارزیابی فناوری نیاز دارد.استفاده مسئولانه به قواعد روشن نیاز داردبر اساس گزارش، بخشی از کارکنان دولت‌ها هم‌اکنون از ابزارهای عمومی هوش مصنوعی مولد برای کمک به کار خود استفاده می‌کنند. این استفاده، اگر با سیاست‌های سازمان و الزامات حفاظت از داده سازگار نباشد، می‌تواند مخاطره‌آفرین شود.از این رو، آموزش باید با قواعد روشن همراه باشد: چه اطلاعاتی را می‌توان وارد ابزار کرد؟ کدام کاربردها مجاز است؟ خروجی چگونه بررسی می‌شود؟ در چه مواردی نظارت یا تأیید انسانی ضرورت دارد؟گزارش از آموزش کارکنان، تدوین قواعد استفاده و فراهم‌کردن ابزارهای داخلی به‌عنوان اقداماتی یاد می‌کند که برخی سازمان‌های پیشرو دنبال کرده‌اند.فرصت بازطراحی شیوه انجام کارنکته مهم دیگر گزارش، توجه به تغییر فرایندهاست. استفاده راهبردی از هوش مصنوعی می‌تواند شیوه سازمان‌دهی کار و ارائه ارزش عمومی را تغییر دهد و به شکل‌گیری خدمات یکپارچه و شهروندمحور کمک کند.برای مثال، پیش از افزودن یک ابزار هوشمند به فرایند رسیدگی به درخواست، می‌توان ضرورت مراحل، تکرار دریافت اطلاعات و نقاط توقف پرونده را بررسی کرد. شاید بخشی از بهبود، به اصلاح خود فرایند وابسته باشد.از این منظر، پروژه هوش مصنوعی فرصتی برای همکاری متخصصان داده و فناوری با مسئولان خدمت، کارشناسان فرایند و کارکنانی است که هر روز با مسائل اجرایی مواجه‌اند.یادگیری باید به تجربه عملی متصل شودگزارش بر آموزش متناسب با محیط کار و دارای کاربرد عملی تأکید می‌کند. همچنین، شواهد مورد استناد آن نشان می‌دهد دوره‌های همراه با مدرس، چه حضوری و چه آنلاین، می‌توانند از آموزش کاملاً خودآموز مؤثرتر باشند.تجربه شهرداری هلسینکی نیز جالب است. این شهر از طریق برنامه «شتاب‌دهنده آزمایش»، پیشنهادهای کارکنان برای تجربه فناوری و روش‌های جدید کار را حمایت می‌کند. مطابق گزارش، این برنامه تا زمان تهیه یادداشت از ۶۵ آزمایش داخلی پشتیبانی کرده و به هر پیشنهاد منتخب ۱۰ هزار یورو اختصاص داده است. ثبت درس‌آموخته‌ها نیز بخشی از برنامه است.این تجربه نشان می‌دهد توسعه مهارت می‌تواند با فرصت آزمودن، همکاری و مستندسازی آموخته‌ها پیوند بخورد.چه دلالتی برای نظام اداری ایران دارد؟به برداشت من، یافته‌های این گزارش می‌تواند مبنای سه اقدام در دستگاه‌های اجرایی قرار گیرد:۱. سنجش آمادگی نیروی انسانی پیش از اجرای پروژه: مشخص شود کارکنان، مدیران و متخصصان هرکدام به چه قابلیت‌هایی نیاز دارند.۲. همراه‌کردن پروژه با حکمرانی داده و بازطراحی فرایند: مسئولیت‌ها، قواعد استفاده از داده، نظارت انسانی و تغییرات لازم در شیوه انجام کار از ابتدا تعیین شود.۳. سنجش اثر آموزش و کاربرد فناوری: علاوه بر تعداد دوره‌ها و شرکت‌کنندگان، تغییر در کیفیت خدمت، زمان انجام کار، میزان خطا و توان حل مسئله بررسی شود.پیشرفت دولت در استفاده از هوش مصنوعی را می‌توان در توان کارکنان برای تصمیم‌گیری بهتر و ارائه خدمات باکیفیت‌تر جست‌وجو کرد. ابزارها زمانی به این هدف کمک می‌کنند که سازمان برای یادگیری، نظارت و تغییر شیوه انجام کار آماده باشد.در دستگاه‌های اجرایی ما، آمادگی نیروی انسانی چه جایگاهی در برنامه‌های هوش مصنوعی دارد؟منبع:OECD (2026), Building an AI-ready public workforce: Implications and strategies, 19 January 2026.نادر رنجهنادر رنجهThu, 29 Oct 2026 09:24:05 +0330https://virgool.ir/@naderranjeh/هوش-مصنوعی-تصمیم-می-گیرد-اما-چه-کسی-پاسخ-گوست-kg2x8t4m3lhtهوش مصنوعی دیگر فقط پاسخ تولید نمی‌کند. در بسیاری از سازمان‌ها، مدل‌های هوشمند اعتبار افراد را ارزیابی می‌کنند، پرونده‌ها را اولویت‌بندی می‌کنند، تقلب را تشخیص می‌دهند، متقاضیان دریافت خدمات را بررسی می‌کنند و حتی بخشی از فرایند تصمیم‌گیری را به‌طور مستقل پیش می‌برند.این تحول یک پرسش اساسی ایجاد می‌کند: اگر تصمیم یک سامانه هوشمند بر حق، منفعت، فرصت یا دسترسی یک شهروند به خدمات عمومی اثر بگذارد و آن تصمیم مورد اعتراض قرار گیرد، چه کسی باید پاسخ‌گو باشد؟ آیا سازمان می‌تواند توضیح دهد تصمیم بر اساس چه داده‌هایی، با چه منطقی و تحت نظارت چه فرد یا نهادی اتخاذ شده است؟گزارش «تأثیر داده و هوش مصنوعی: اقتصاد جدید اعتماد» که در سپتامبر ۲۰۲۶ از سوی SAS و با پشتیبانی پژوهشی IDC منتشر شده، تلاش می‌کند به همین مسئله پاسخ دهد. این گزارش بر پایه دیدگاه ۲۶۹۹ تصمیم‌گیر در ۲۸ کشور و چهار حوزه بانکداری، بیمه، علوم زیستی و بخش عمومی تهیه شده است.پیام اصلی گزارش روشن است: ارزش واقعی هوش مصنوعی فقط از قدرت مدل حاصل نمی‌شود؛ بلکه به توان سازمان برای اثبات کیفیت، شفافیت، انصاف، نظارت و پاسخ‌گویی آن بستگی دارد.اعتماد و قابل‌اعتمادبودن یکسان نیستندیکی از مهم‌ترین نکات گزارش، تفکیک میان دو مفهوم «اعتماد ادراک‌شده» و «قابل‌اعتمادبودن» است.اعتماد ادراک‌شده (Perceived Trust) نشان می‌دهد مدیران، کارکنان و کاربران تا چه اندازه به هوش مصنوعی اطمینان دارند. این اعتماد می‌تواند بر تجربه شخصی، شهرت یک فناوری، تبلیغات یا برداشت ذهنی افراد استوار باشد.در مقابل، قابل‌اعتمادبودن (Trustworthiness) به سازوکارها و قابلیت‌های عینی سازمان مربوط است؛ یعنی آیا کیفیت داده کنترل می‌شود؟ آیا مدل تحت نظارت است؟ آیا تصمیم آن قابل توضیح است؟ آیا امکان ممیزی وجود دارد؟ آیا مسئولیت‌ها مشخص‌اند؟ و آیا سازمان می‌تواند در برابر پیامدهای تصمیم پاسخ‌گو باشد؟بر اساس گزارش، امتیاز جهانی اعتماد ادراک‌شده به هوش مصنوعی ۷۰٫۷ از ۱۰۰ و امتیاز قابل‌اعتمادبودن ۶۱٫۳ است. فاصله این دو شاخص نسبت به سال قبل از ۲۳٫۳ به ۹٫۴ واحد کاهش یافته است. این کاهش نشان می‌دهد سازمان‌ها در حال ایجاد کنترل‌ها و زیرساخت‌های واقعی اعتماد هستند؛ هرچند هنوز میان تصور کاربران و توان اثبات‌شده سازمان‌ها فاصله وجود دارد.این تمایز برای سیاست‌گذاری اهمیت زیادی دارد. اعتماد عمومی را نمی‌توان صرفاً با اعلام اینکه یک سامانه دقیق یا امن است ایجاد کرد. سازمان باید بتواند با شواهد نشان دهد که سامانه واقعاً شایسته اعتماد است.هرچه اختیار هوش مصنوعی بیشتر می‌شود، اعتماد کاهش می‌یابدیافته مهم دیگر گزارش به تفاوت میان هوش مصنوعی مولد و هوش مصنوعی عامل‌محور مربوط است.اعتماد پاسخ‌دهندگان به هوش مصنوعی مولد ۷۶ درصد بوده است؛ اما این رقم برای هوش مصنوعی عامل‌محور که می‌تواند برنامه‌ریزی کند، چند مرحله را پیش ببرد و اقدام انجام دهد، به ۶۶ درصد کاهش می‌یابد. در همین حال، ۸۹ درصد پاسخ‌دهندگان گفته‌اند عامل‌های هوش مصنوعی آنها به‌نوعی در تصمیم‌گیری نقش دارند.این اعداد یک شکاف مهم را آشکار می‌کنند: استفاده عملی از هوش مصنوعی خودمختار، سریع‌تر از اعتماد و نظام نظارت بر آن توسعه یافته است.این وضعیت در بخش عمومی حساس‌تر است؛ زیرا یک تصمیم نادرست ممکن است بر ایمنی، حقوق اشخاص، دسترسی به خدمات، فرصت‌های اقتصادی یا اعتماد عمومی اثر بگذارد. در چنین محیطی، دقت فنی شرط لازم است، اما کافی نیست. حدود اختیار سامانه، نقاط مداخله انسان و مسئول پاسخ‌گویی نیز باید از ابتدا مشخص شوند.چرا انسان تصمیم هوش مصنوعی را کنار می‌گذارد؟بر اساس گزارش، ۷۹ درصد سازمان‌ها در بیش از ۱۰ درصد موارد، توصیه هوش مصنوعی را تغییر می‌دهند یا کنار می‌گذارند. دلایل این مداخله انسانی به‌ترتیب عبارت‌اند از:نبود توضیح کافی یا شفافیت: ۳۴٫۵ درصددرنظرنگرفتن کامل زمینه تصمیم: ۲۵٫۶ درصدسوگیری، بی‌عدالتی یا مشکل اخلاقی: ۱۶٫۹ درصدنادرستی واقعی یا کیفیت ناکافی خروجی: ۱۴٫۸ درصدناایمن یا پرخطر بودن تصمیم: ۸٫۳ درصدنکته قابل تأمل این است که «اشتباه‌بودن پاسخ» در جایگاه نخست قرار ندارد. در بسیاری از موارد، کاربر به این دلیل در تصمیم مداخله می‌کند که نمی‌تواند منطق آن را بفهمد یا اطمینان یابد که همه شرایط و اطلاعات مرتبط در نظر گرفته شده‌اند.نبود توضیح و نادیده‌گرفتن زمینه، در مجموع بیش از ۶۰ درصد دلایل مداخله را تشکیل می‌دهند. بنابراین ممکن است یک خروجی از نظر فنی درست باشد، اما چون مسیر رسیدن به آن قابل مشاهده نیست، کاربر حاضر نباشد مسئولیت پذیرش آن را بر عهده بگیرد.از این منظر، توضیح‌پذیری یک ویژگی تزئینی برای سامانه نیست؛ بخشی از زیرساخت پاسخ‌گویی سازمانی است.پنج پایه هوش مصنوعی قابل‌اعتمادگزارش، قابل‌اعتمادبودن هوش مصنوعی را بر اساس پنج بُعد ارزیابی می‌کند:۱. کیفیت و حکمرانی داده (Data Quality & Governance): اطمینان از صحت، کامل‌بودن، انسجام، به‌هنگام‌بودن و قابلیت ردیابی داده‌های مورد استفاده.۲. حکمرانی و نظارت بر مدل (Model Governance & Oversight): تعیین ضوابط توسعه، تصویب، تغییر، پایش و توقف مدل و مشخص‌کردن نقاط مداخله انسان.۳. توضیح‌پذیری و انصاف (Explainability & Fairness): توان توضیح منطق تصمیم، شناسایی سوگیری و بررسی آثار متفاوت سامانه بر گروه‌های مختلف.۴. خط‌مشی هوش مصنوعی مسئولانه (Responsible AI Policy): تعیین اصول، حدود استفاده، الزامات اخلاقی و ضوابط قانونی و آموزش آنها به مدیران و کارکنان.۵. ممیزی و پاسخ‌گویی (Audit & Accountability): ثبت شواهد، نگهداری سوابق تصمیم، تعیین مسئولیت‌ها و فراهم‌کردن امکان بررسی مستقل و رسیدگی به اعتراض‌ها.در سطح جهانی، «خط‌مشی هوش مصنوعی مسئولانه» با امتیاز ۶۷٫۵ بالاترین جایگاه را دارد. در مقابل، «حکمرانی و نظارت بر مدل» با امتیاز ۵۸٫۹ و «کیفیت و حکمرانی داده» با امتیاز ۵۹٫۵ در رتبه‌های پایین‌تر قرار گرفته‌اند.این الگو نشان می‌دهد تدوین سیاست، تعیین اصول و تهیه اسناد سریع‌تر از ایجاد زیرساخت‌های داده‌ای و کنترل‌های فنی پیش رفته است. نوشتن ضابطه نسبتاً آسان‌تر است؛ اما ایجاد تبارشناسی داده، پایش مستمر مدل، ثبت تغییرات و نمایش منطق تصمیم به سرمایه‌گذاری فنی و سازمانی مداوم نیاز دارد.بلوغ داده؛ پیش‌شرط هوش مصنوعی قابل‌اعتمادفقط ۱۷٫۵ درصد سازمان‌های بررسی‌شده، زیرساخت داده خود را در بالاترین سطح بلوغ، یعنی «بهینه‌شده»، ارزیابی کرده‌اند. بیشتر سازمان‌ها در حالی هوش مصنوعی را توسعه می‌دهند که زیرساخت داده آنها هنوز از تبارشناسی، اعتبارسنجی و توضیح‌پذیری مورد نیاز سامانه‌های خودمختار پشتیبانی کامل نمی‌کند.مقایسه سازمان‌های دارای زیرساخت داده بهینه‌شده با سازمان‌های دارای وضعیت موردی نشان می‌دهد گروه نخست:۶ برابر بیشتر ابزارهای کیفیت داده را برای تمام پروژه‌های هوش مصنوعی الزامی می‌کنند؛۶ برابر بیشتر کنترل‌های توضیح‌پذیری دارند؛۵ برابر بیشتر اعتبارسنجی و پایش مستمر و خودکار انجام می‌دهند؛نزدیک به ۴ برابر بیشتر انتظار بازده قوی از سرمایه‌گذاری هوش مصنوعی دارند.پیام این بخش برای مدیران روشن است: نمی‌توان پروژه هوش مصنوعی را مستقل از بلوغ حکمرانی داده ارزیابی کرد. اگر منشأ داده، کیفیت آن، مجوز دسترسی و تغییرات اعمال‌شده بر آن مشخص نباشد، توضیح و دفاع از تصمیم مدل نیز ممکن نخواهد بود.آیا حکمرانی مانع سرعت است؟گاهی حکمرانی به‌عنوان مجموعه‌ای از محدودیت‌ها و کنترل‌های بازدارنده تلقی می‌شود؛ درحالی‌که یافته‌های گزارش تصویر دیگری ارائه می‌دهد.سازمان‌های دارای امتیاز بالای قابل‌اعتمادبودن، ۱۵ برابر بیشتر از سازمان‌های ضعیف، بازده قوی یا بسیار قوی گزارش کرده‌اند؛ ۶۲ درصد در برابر ۴ درصد. این آمار به این معنا نیست که میزان بازده آنها ۱۵ برابر است؛ بلکه احتمال گزارش بازده قوی در این گروه ۱۵ برابر بیشتر بوده است.این سازمان‌ها به‌جای باقی‌ماندن در مرحله آزمایش، هوش مصنوعی را با اطمینان بیشتری وارد فرایندهای واقعی می‌کنند. اعتبارسنجی مستمر، مشکلات را پیش از استقرار شناسایی می‌کند؛ توضیح‌پذیری، نیاز به بازبینی دستی را کاهش می‌دهد؛ و تعیین مسئولیت، تصمیم‌گیری درباره حدود مجاز استفاده را سریع‌تر می‌کند.بنابراین، حکمرانی هوش مصنوعی سرعت‌گیر تحول نیست؛ زیرساختی است که امکان حرکت سریع‌تر، ایمن‌تر و در مقیاس بزرگ‌تر را فراهم می‌کند.وضعیت بخش عمومی؛ سیاست جلوتر از زیرساختبخش عمومی با امتیاز کلی ۵۵٫۵ از ۱۰۰، در هر پنج بُعد قابل‌اعتمادبودن از بانکداری، بیمه و علوم زیستی عقب‌تر است:کیفیت و حکمرانی داده: ۵۲حکمرانی و نظارت بر مدل: ۵۲٫۳توضیح‌پذیری و انصاف: ۵۲٫۶ممیزی و پاسخ‌گویی: ۵۴٫۷خط‌مشی هوش مصنوعی مسئولانه: ۶۰٫۵بالاتربودن امتیاز خط‌مشی و پایین‌بودن کیفیت و حکمرانی داده، نشانه یک شکاف آشناست: دولت‌ها در تدوین سیاست، اصول و دستورالعمل پیشرفت بیشتری داشته‌اند، اما زیرساخت داده، سازوکارهای نظارت عملیاتی و قابلیت توضیح تصمیم هنوز به همان اندازه توسعه نیافته‌اند.تفاوت میان سازمان‌های پیشرو و ضعیف بخش عمومی نیز چشمگیر است. ۹۱ درصد سازمان‌های پیشرو، خط‌مشی هوش مصنوعی مسئولانه را به همه کارکنان آموزش داده‌اند؛ این رقم در سازمان‌های ضعیف فقط ۵ درصد است. همچنین ۵۰ درصد پیشروها بازده قوی یا بسیار قوی گزارش کرده‌اند، درحالی‌که این رقم برای سازمان‌های ضعیف ۴ درصد بوده است.این یافته نشان می‌دهد داشتن یک سند کافی نیست. سیاست باید به آموزش، تقسیم مسئولیت، فرایند تصویب، کنترل فنی، پایش و رفتار روزمره کارکنان تبدیل شود.این گزارش برای نظام اداری ایران چه پیامی دارد؟با گسترش استفاده از هوش مصنوعی در دستگاه‌های اجرایی، ارزیابی پروژه‌ها نباید فقط بر قابلیت‌های فنی، سرعت پردازش یا میزان کاهش هزینه متمرکز باشد. پیش از اجرای هر سامانه‌ای که بر تصمیم‌های اداری یا ارائه خدمت به مردم اثر می‌گذارد، باید به چند پرسش پاسخ داده شود:مسئله عمومی یا اداری مورد نظر دقیقاً چیست و چرا هوش مصنوعی برای حل آن انتخاب شده است؟داده‌های مبنای تصمیم از کجا آمده‌اند و کیفیت آنها چگونه سنجیده می‌شود؟چه کسی اجازه ایجاد، تغییر، استقرار یا توقف مدل را دارد؟در چه شرایطی مداخله و تأیید انسان الزامی است؟آیا منطق تصمیم برای مدیر، ناظر و شهروند قابل توضیح است؟سوگیری و آثار ناعادلانه چگونه شناسایی و اصلاح می‌شوند؟مسئول پاسخ‌گویی درباره نتیجه چه شخص یا واحدی است؟شهروند چگونه می‌تواند تصمیم را مشاهده، اصلاح یا به آن اعتراض کند؟آیا سوابق داده، نسخه مدل و مسیر تصمیم برای ممیزی نگهداری می‌شود؟پاسخ روشن به این پرسش‌ها باید بخشی از معیار تصویب و ارزیابی پروژه‌های هوش مصنوعی در دستگاه‌های اجرایی باشد. در غیر این صورت، ممکن است سامانه‌ای از نظر فنی پیشرفته باشد، اما از منظر حقوق شهروندی، پاسخ‌گویی اداری و اعتماد عمومی آمادگی بهره‌برداری نداشته باشد.جمع‌بندیمهم‌ترین نتیجه گزارش این است که مزیت آینده متعلق به سازمانی نیست که بیشترین تعداد ابزارهای هوش مصنوعی را به کار می‌گیرد؛ بلکه متعلق به سازمانی است که می‌تواند با اطمینان، شفافیت و پاسخ‌گویی بیشتری از آنها استفاده کند.هوش مصنوعی قابل‌اعتماد از کیفیت داده آغاز می‌شود، با حکمرانی و نظارت بر مدل ادامه می‌یابد و با توضیح‌پذیری، ممیزی و پاسخ‌گویی معنا پیدا می‌کند. اگر سازمان نتواند توضیح دهد که یک تصمیم چگونه و بر اساس چه داده‌ای اتخاذ شده است، هنوز برای واگذاری تصمیم‌های مهم به هوش مصنوعی آماده نیست.در نهایت، آزمون واقعی هوش مصنوعی در دولت این نیست که آیا سامانه می‌تواند تصمیم بگیرد؛ بلکه این است که آیا دولت می‌تواند مسئولیت آن تصمیم را بپذیرد، آن را توضیح دهد و در برابر مردم از آن دفاع کند؟منبعSAS & IDC. (2026). Data and AI Impact Report: The New Economics of Trust. September 2026نادر رنجهنادر رنجهTue, 27 Oct 2026 18:37:29 +0330https://virgool.ir/@naderranjeh/هوش-مصنوعی-چگونه-می-تواند-از-بار-بوروکراسی-کم-کند-wnhaxgadfts0درس‌هایی برای بازطراحی خدمات و فرایندهای نظام اداری ایرانتصور کنید یک دستگاه دولتی با کمک هوش مصنوعی، زمان بررسی یک سند را از هشت ساعت به بیست دقیقه کاهش دهد. این دستاورد چشمگیر است؛ اما اگر همان پرونده پس از بررسی، چند هفته در انتظار ارجاع، تأیید یا دریافت استعلام باقی بماند، متقاضی چه تغییری در کیفیت خدمت احساس خواهد کرد؟این پرسش، نقطه شروع مناسبی برای گفت‌وگو درباره هوش مصنوعی در دولت است. میان سریع‌تر انجام‌شدن یک فعالیت اداری و بهترشدن تجربه مردم، فاصله‌ای وجود دارد که باید با اصلاح فرایند، مدیریت داده و روشن‌کردن مسئولیت‌ها پر شود.گروه مشاوره بوستون، BCG، در مقاله‌ای منتشرشده در مه ۲۰۲۵ با عنوان «هوش مصنوعی چگونه می‌تواند بوروکراسی را کاهش دهد، کارایی را افزایش دهد و اعتماد به دولت را تقویت کند؟»، به این موضوع پرداخته است. تمرکز مقاله بر یکی از فعالیت‌های اصلی دستگاه‌های دولتی است: رسیدگی به درخواست‌ها و پرونده‌های مردم.پیام مقاله برای نظام اداری ما نیز قابل‌تأمل است: ارزش هوش مصنوعی باید در نتیجه‌ای دیده شود که برای مردم و کارکنان ایجاد می‌کند.هوش مصنوعی در کدام بخش کار اداری مفید است؟بخش قابل‌توجهی از رسیدگی اداری به فعالیت‌هایی اختصاص دارد که ظاهراً ساده‌اند، اما در مجموع زمان زیادی می‌گیرند: خواندن مدارک، انتقال اطلاعات، شناسایی نواقص، جست‌وجوی مقررات، ارجاع پرونده و نوشتن پاسخ.مقاله BCG شش نقطه کاربرد را در این مسیر معرفی می‌کند.نخست، راهنمایی متقاضی هنگام ثبت درخواست است. بسیاری از پرونده‌ها از همان ابتدا با اطلاعات ناقص یا برداشت نادرست از شرایط خدمت وارد دستگاه می‌شوند. یک دستیار مناسب می‌تواند توضیح دهد هر بخش فرم چه معنایی دارد، چه مدارکی لازم است و کدام اطلاعات هنوز تکمیل نشده است.دوم، استخراج اطلاعات از اسناد و تبدیل آنها به داده ساخت‌یافته است. این قابلیت می‌تواند از ورود دستی و چندباره اطلاعات بکاهد و وقت کارشناس را برای بررسی محتوایی آزاد کند.سوم، کمک به بررسی و ارجاع پرونده است. هوش مصنوعی می‌تواند نواقص احتمالی را مشخص کند، موارد پیچیده را برای بررسی بیشتر علامت بزند و ارجاع مناسب را پیشنهاد دهد.چهارم، دسترسی سریع‌تر به مقررات مرتبط است. کارشناس به‌جای جست‌وجو میان ده‌ها سند، می‌تواند برای یافتن حکم مرتبط و منبع آن از دستیار استفاده کند.پنجم و ششم نیز تهیه پیش‌نویس تصمیم و تنظیم پیام روشن برای متقاضی است؛ پیامی که توضیح دهد نتیجه چه بوده، بر چه مبنایی اتخاذ شده و اقدام بعدی چیست.این کاربردها نشان می‌دهند که فرصت مهم هوش مصنوعی، پشتیبانی از فعالیت‌های روزمره‌ای است که کیفیت انجام آنها بر کل خدمت اثر می‌گذارد.یک نمونه چشمگیر؛ با یک ملاحظه مهممقاله از یک نهاد فدرال در یکی از کشورهای اتحادیه اروپا مثال می‌زند که برای بررسی مجوز توربین‌های بادی از هوش مصنوعی استفاده کرده است. طبق گزارش، زمان کنترل انطباق هر سند از بیش از هشت ساعت به کمتر از بیست دقیقه کاهش یافته است.این مثال، ظرفیت فناوری را به‌خوبی نشان می‌دهد؛ بااین‌حال، باید دامنه آن را دقیق فهمید. عدد گزارش‌شده درباره یک فعالیت مشخص، یعنی کنترل انطباق سند است. از آن نمی‌توان نتیجه گرفت که زمان کل صدور مجوز نیز به همان نسبت کاهش یافته است.برای ارزیابی تحول یک خدمت، باید تمام مسیر را دید: از ثبت درخواست تا دریافت نتیجه. ممکن است یک مرحله بسیار سریع شود، اما گلوگاه اصلی در مرحله دیگری باقی بماند.معیار مهم برای مردم، زمان و دشواری کل مسیر دریافت خدمت است.پیش از خودکارسازی، ضرورت کار را بررسی کنیمدر انطباق این رویکرد با نظام اداری ایران، یک پرسش مقدماتی اهمیت دارد: آیا همه فعالیت‌هایی که می‌خواهیم با هوش مصنوعی سریع‌تر انجام دهیم، ضروری‌اند؟اگر اطلاعاتی در یک پایگاه معتبر وجود دارد، باید امکان دریافت آن از همان منبع و حذف مطالبه مجدد از مردم بررسی شود. اگر چند واحد یک موضوع را به‌صورت تکراری کنترل می‌کنند، لازم است حدود مسئولیت و ضرورت این کنترل‌ها بازبینی شود. اگر پرونده به دلیل نامشخص‌بودن مرجع تصمیم میان واحدها جابه‌جا می‌شود، ابتدا باید اختیار و پاسخ‌گویی روشن شود.هوش مصنوعی می‌تواند بررسی مدارک را تسریع کند؛ اما حذف یک مدرک غیرضروری، اصلاح یک تأیید تکراری یا تعیین مسئول تصمیم، به اقدام مدیریتی نیاز دارد.از این منظر، پروژه هوش مصنوعی باید با شناخت مسئله و بازبینی فرایند آغاز شود. انتخاب ابزار، پس از روشن‌شدن این موارد معنا پیدا می‌کند.از کجا شروع کنیم؟یکی از پیشنهادهای کاربردی مقاله BCG، انتخاب دقیق محل شروع است. نویسندگان توصیه می‌کنند کاربرد اولیه چهار ویژگی داشته باشد: مسئله آن برای کارکنان شناخته‌شده باشد، حجم کار بالایی داشته باشد، ریسک آن قابل‌کنترل باشد و اصلاح آن در اختیار اجرایی مشخصی قرار گیرد.برای نمونه، کنترل اولیه کامل‌بودن مدارک در یک خدمت پرتکرار می‌تواند گزینه‌ای برای بررسی باشد. در چنین کاربردی، دستیار فهرست نواقص احتمالی را تهیه می‌کند و کارشناس آن را بررسی و تأیید می‌کند.شروع از یک محدوده مشخص کمک می‌کند اثر راه‌حل قابل‌سنجش باشد. البته محدودبودن پایلوت نباید باعث شود اتصال آینده به سامانه‌های موجود و منابع معتبر داده فراموش شود. ابزاری که کارکنان را به ورود مجدد اطلاعات وادار کند، ممکن است خود به لایه تازه‌ای از کار اداری تبدیل شود.مقاله برای این مسیر سه مرحله پیشنهاد می‌کند: عارضه‌یابی فرایند، اجرای آزمایشی و سپس استقرار گسترده. توسعه باید پس از آن انجام شود که پایلوت، ارزش خود را برای کارکنان و دریافت‌کنندگان خدمت نشان داده باشد.کارکنان، شریک طراحی راه‌حل‌اندکارکنانی که هر روز با پرونده‌ها سروکار دارند، معمولاً جزئیاتی را می‌شناسند که در نمودار رسمی فرایند دیده نمی‌شود: مدارکی که مرتب ناقص ارسال می‌شوند، استثناهایی که به بررسی ویژه نیاز دارند، ابهام‌هایی که تماس‌های تکراری ایجاد می‌کنند و مرحله‌هایی که پرونده در آنها متوقف می‌شود.این شناخت، یکی از منابع اصلی طراحی راه‌حل است.مقاله BCG حدود ۷۰ درصد تلاش لازم برای اجرای تحول را به افراد و فرایندها مرتبط می‌داند؛ در کنار ۲۰ درصد برای فناوری و زیرساخت و ۱۰ درصد برای الگوریتم‌ها. این نسبت، الگویی تجربی درباره تمرکز تلاش اجرایی است و نباید آن را سهم‌بندی قطعی بودجه دانست.پیام عملی آن روشن است: مشارکت کارکنان باید از تعریف مسئله آغاز شود و در آزمون، اصلاح و بهره‌برداری ادامه یابد. آموزش نیز باید به همان وظایفی متصل شود که قرار است تغییر کنند؛ از بررسی اعتبار پاسخ گرفته تا تشخیص مواردی که نیازمند قضاوت انسانی‌اند.حکمرانی داده؛ شرط اتکاپذیری دستیار هوشمندهرچه نقش هوش مصنوعی در رسیدگی به پرونده‌ها بیشتر شود، کیفیت و اعتبار اطلاعات اهمیت بیشتری پیدا می‌کند.اگر دستیار به مقررات منسوخ استناد کند یا نتواند میان نسخه‌های مختلف یک سند تمایز بگذارد، سرعت پاسخ‌گویی می‌تواند به انتشار سریع‌تر خطا منجر شود. اگر اطلاعات پرونده ناقص باشد، نتیجه تحلیل نیز ممکن است قابل‌اتکا نباشد.بنابراین، از ابتدای طراحی باید مشخص شود:منابع معتبر داده و مقررات کدام‌اند؟مسئول به‌روزرسانی و رفع تعارض اطلاعات چه کسی است؟چه افرادی به اطلاعات پرونده دسترسی دارند؟خروجی چگونه بررسی و تأیید می‌شود؟منشأ پاسخ و مسئول تصمیم چگونه قابل‌پیگیری است؟این پرسش‌ها، حکمرانی داده را به بخشی از طراحی خدمت تبدیل می‌کنند. به‌ویژه در تصمیم‌هایی که بر حقوق مردم اثر دارند، تعیین مسئول تأیید، ثبت دلایل و امکان پیگیری خطا ضروری است.موفقیت را با چه چیزی بسنجیم؟تعداد ابزارهای راه‌اندازی‌شده، کاربران ثبت‌نام‌کرده یا پاسخ‌های تولیدشده، برای شناخت میزان استفاده مفید است؛ اما به‌تنهایی بهبود خدمت را نشان نمی‌دهد.پیش از اجرای پایلوت باید وضع موجود ثبت شود و سپس تغییر چند شاخص بررسی شود: زمان کل رسیدگی، نرخ بازگشت پرونده، میزان خطا، زمان صرف‌شده کارکنان، مراجعات تکراری و میزان فهم متقاضی از نتیجه.همچنین باید هزینه رسیدگی به خطاهای جدید را محاسبه کرد. صرفه‌جویی اولیه ممکن است با نیاز به بازبینی گسترده خروجی‌ها کاهش یابد. ارزیابی باید مجموع آثار را ببیند.اعتماد عمومی چگونه تقویت می‌شود؟مقاله BCG، بهبود خدمات با هوش مصنوعی را به تقویت اعتماد به دولت پیوند می‌دهد. این پیوند قابل‌فهم است؛ اما اعتماد، نتیجه خودکار به‌کارگیری فناوری نیست.مردم زمانی بهبود را احساس می‌کنند که پاسخ دقیق‌تری دریافت کنند، دلیل تصمیم را بفهمند، از وضعیت پرونده خود آگاه باشند و در صورت بروز خطا، مسیر مؤثری برای پیگیری داشته باشند.پاسخ سریع، اگر مبهم یا نادرست باشد، می‌تواند نارضایتی را بیشتر کند. کیفیت ارتباط و پاسخ‌گویی باید همراه با سرعت رشد کند.البته مقاله ماهیتی مشاوره‌ای دارد و نمونه‌های آن عمدتاً بدون ذکر نام دستگاه ارائه شده‌اند. برخی منافع نیز پیش‌بینی‌شده‌اند. بنابراین، استفاده از آن برای سیاست‌گذاری در ایران باید بر اجرای آزمایشی و سنجش مستقل نتایج تکیه کند.برای نظام اداری ایران، نقطه شروع عملی می‌تواند انتخاب چند خدمت پرتکرار، شناسایی گلوگاه‌های آنها و اجرای پایلوت با مشارکت مسئولان فرایند، کارکنان، متخصصان داده و فناوری باشد.پرسشی که باید در تمام این مسیر تکرار شود، ساده است:این تغییر، دقیقاً کدام انتظار، مراجعه، خطا یا دشواری مردم را کاهش می‌دهد؟منبع: گروه مشاوره بوستون، مه ۲۰۲۵How AI Can Cut Through Bureaucracy, Boost Efficiency, and Build Trust in Governmentپیشنهادهای مربوط به نظام اداری ایران، تحلیل و برداشت انطباقی این نوشته از مقاله اصلی‌اند.نادر رنجهنادر رنجهSun, 25 Oct 2026 08:14:24 +0330https://virgool.ir/@naderranjeh/هوش-مصنوعی-شیوه-کار-را-تغییر-می-دهد-حالا-نوبت-تغییر-سازمان-است-fbzsctvssed4چرا 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.شکاف میان بهره‌وری فردی و ارزش سازمانیبر 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.از تقسیم کار میان واحدها، به طراحی کار حول نتیجهبسیاری 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.زمان آزادشده را کجا مصرف می‌کنیم؟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؟کارکنان آینده چگونه تجربه کسب می‌کنند؟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.آیا پیشرفت شغلی همچنان یعنی مدیرشدن؟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.آمادگی کارکنان با آمادگی سازمان فرق داردیکی 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.جایگاه حکمرانی داده در این تحولاز 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.نقطه شروع، یک مسئله واقعی استمقاله 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 ۲۰۲۶AI is changing work. Now it has to change the organizationنویسندگان: Alexis Krivkovich، Brooke Weddle، Holly Price و Vik Sohoniنادر رنجهنادر رنجهSat, 24 Oct 2026 11:55:54 +0330https://virgool.ir/@naderranjeh/تغییر-ذهنیت-درباره-داده-و-هوش-مصنوعی-فراتر-از-فناوری-xexolbckaslyاین روزها بسیاری از سازمان‌ها به‌دنبال استفاده از هوش مصنوعی هستند. پروژه‌های آزمایشی متعددی تعریف می‌شوند، ابزارهای مختلف مورد بررسی قرار می‌گیرند و تیم‌ها تلاش می‌کنند بخشی از فعالیت‌های روزمره را با کمک فناوری سریع‌تر و هوشمندتر انجام دهند.بااین‌حال، مسئله‌ای اساسی وجود دارد: فاصله میان اجرای یک پایلوت موفق و ایجاد تحولی واقعی در مقیاس سازمان، بسیار بیشتر از آن چیزی است که در ابتدا تصور می‌کنیم.به نظرم، عبور از این فاصله قبل از هر چیز به تغییر ذهنیت ما درباره داده نیاز دارد.داده فقط برای ذخیره‌کردن نیستدر بسیاری از سازمان‌ها، داده هنوز چیزی است که جمع‌آوری، ذخیره و محافظت می‌شود. هر واحد داده‌های خود را نگهداری می‌کند و مسئولیت اصلی نیز اغلب به حفظ امنیت و جلوگیری از دسترسی‌های غیرمجاز محدود می‌شود.حفاظت از داده ضروری است، اما کافی نیست.وقتی داده را یک دارایی راهبردی بدانیم، پرسش‌های متفاوتی مطرح می‌شوند:این داده چه ارزشی برای سازمان ایجاد می‌کند؟چه کسانی برای تصمیم‌گیری بهتر به آن نیاز دارند؟چگونه می‌توان داده‌های پراکنده را به تصویری منسجم تبدیل کرد؟این داده چگونه می‌تواند به بهبود تجربه مردم و کیفیت خدمات منجر شود؟با این نگاه، داده از یک محصول جانبی فعالیت‌های سازمان به بخشی از سرمایه و زیرساخت تصمیم‌گیری تبدیل می‌شود.چرا بسیاری از پایلوت‌های هوش مصنوعی به تحول منجر نمی‌شوند؟اجرای یک نمونه آزمایشی هوش مصنوعی معمولاً دشوار نیست. می‌توان یک مسئله محدود را انتخاب کرد، داده‌های موردنیاز را آماده ساخت و در مدت کوتاهی نتیجه‌ای قابل‌قبول به دست آورد.چالش اصلی زمانی آغاز می‌شود که بخواهیم همان راهکار را در بخش‌های مختلف سازمان، به‌صورت مستمر، مطمئن و در مقیاسی بزرگ‌تر اجرا کنیم.در این مرحله، محدودیت‌های واقعی آشکار می‌شوند:داده‌ها کامل، دقیق یا به‌روز نیستند.مشخص نیست مسئولیت کیفیت و نگهداری هر داده بر عهده چه کسی است.سامانه‌ها و واحدهای مختلف از استانداردهای مشترکی استفاده نمی‌کنند.امکان تبادل داده میان بخش‌ها وجود ندارد یا بسیار دشوار است.کارکنان و مدیران درباره نحوه استفاده از هوش مصنوعی درک مشترکی ندارند.فرهنگ سازمانی، همکاری و پذیرش تغییر را تشویق نمی‌کند.به همین دلیل، بزرگ‌ترین موانع توسعه هوش مصنوعی همیشه فنی نیستند. کیفیت داده، مالکیت روشن، استانداردهای مشترک، قابلیت همکاری، مهارت‌های انسانی و فرهنگ سازمانی نقش تعیین‌کننده‌تری دارند.نمی‌توان هوش مصنوعی قابل‌اعتماد ساخت، اگر نتوانیم داده‌های موردنیاز را پیدا کنیم، به یکدیگر متصل کنیم، به‌درستی بفهمیم یا به کیفیت آن‌ها اعتماد داشته باشیم.هوش مصنوعی نباید یک «افزودنی» باشدگاهی هوش مصنوعی به‌عنوان ابزاری جانبی به فرایندهای موجود اضافه می‌شود؛ ابزاری برای تولید سریع‌تر گزارش، پاسخ‌گویی خودکار یا کاهش بخشی از کارهای تکراری.این کاربردها ارزشمندند، اما ظرفیت واقعی هوش مصنوعی بسیار فراتر از سریع‌ترکردن روش‌های فعلی است.اگر یک فرایند نامناسب را فقط سریع‌تر کنیم، مسئله اصلی همچنان باقی می‌ماند. پیش از افزودن هوش مصنوعی باید از خود بپرسیم:آیا این فرایند اساساً درست طراحی شده است؟آیا اطلاعات یکسان چند بار از مردم دریافت می‌شود؟آیا هماهنگی میان واحدهای مختلف بر عهده خودِ خدمت‌گیرنده قرار گرفته است؟آیا می‌توان خدمت را با توجه به نیاز واقعی مردم از نو طراحی کرد؟هوش مصنوعی زمانی به تحول منجر می‌شود که در شیوه سیاست‌گذاری، تصمیم‌گیری و ارائه خدمات اثر بگذارد؛ نه اینکه صرفاً به‌صورت یک ابزار جدید در کنار ساختارهای قدیمی قرار گیرد.اشتراک‌گذاری داده به معنای بازکردن همه‌چیز نیستیکی از حساس‌ترین موضوعات در این مسیر، اشتراک‌گذاری داده است. نگرانی درباره حریم خصوصی، امنیت و سوءاستفاده از اطلاعات کاملاً جدی و ضروری است.اما پاسخ مناسب، مسدودکردن جریان داده نیست.باید شرایطی فراهم شود که «داده درست، برای هدف درست و به روش درست» در اختیار افراد و بخش‌های مرتبط قرار گیرد. این کار به قواعد روشن، سطح‌بندی دسترسی، شفافیت، مسئولیت‌پذیری و اعتماد نیاز دارد.هدف این نیست که همه افراد به همه داده‌ها دسترسی داشته باشند؛ هدف این است که موانع غیرضروری در مسیر استفاده مسئولانه و هدفمند از داده برداشته شوند.معیار واقعی موفقیت چیست؟صرفه‌جویی در زمان و هزینه، تنها بخشی از ارزش هوش مصنوعی است. معیار مهم‌تر این است که آیا مردم تغییر محسوسی در کیفیت خدمات تجربه می‌کنند یا خیر.آیا تصمیم‌ها دقیق‌تر و منصفانه‌تر شده‌اند؟آیا سازمان تصویر کامل‌تری از مسائل دارد؟آیا خدمات بر اساس نیازهای واقعی مردم طراحی می‌شوند؟آیا همکاری میان واحدها و دستگاه‌های مختلف بهبود یافته است؟اگر هوش مصنوعی فقط سامانه‌های موجود را کمی هوشمندتر و فعالیت‌های فعلی را کمی سریع‌تر کند، ممکن است فرصت اصلی را از دست بدهیم.فرصت واقعی، ساختن سازمانی است که بتواند تصویر کامل‌تری ببیند، تصمیم‌های بهتری بگیرد و خدمات خود را متناسب با زندگی و نیازهای مردم بازطراحی کند.به نظرم، در کنار پرسش «کدام ابزار هوش مصنوعی را انتخاب کنیم؟» باید پرسش مهم‌تری مطرح کنیم:چه چیزی در فرهنگ سازمانی، مدیریت داده، شیوه همکاری و فرایندهای تصمیم‌گیری ما باید تغییر کند؟در سازمان شما، مانع اصلی استفاده مؤثر از هوش مصنوعی چیست: فناوری، کیفیت داده یا فرهنگ سازمانی؟تغییر ذهنیت درباره داده و هوش مصنوعینادر رنجهنادر رنجهFri, 23 Oct 2026 10:08:19 +0330https://virgool.ir/@naderranjeh/حکمرانی-داده-مبنا-از-تجربه-مردم-تا-خدمات-پیش-دستانه-p49qaosi2sftبه باور من، تصویر دولت در ذهن مردم، بیش از آنکه با برنامه‌ها و گزارش‌های ما شکل بگیرد، حاصل تجربه روزمره آن‌ها از دریافت خدمات است.شهروندی که اطلاعات یکسانی را چند بار ارائه می‌کند، برای جابه‌جایی یک مدرک میان دو دستگاه رفت‌وآمد می‌کند یا دلیل رد درخواست خود را نمی‌فهمد، براساس همین تجربه‌ها درباره عملکرد دولت قضاوت می‌کند.البته قرار نیست همه درخواست‌ها با پاسخ مثبت مواجه شوند. گاهی پاسخ «نه» است؛ گاهی «هنوز نه» و گاهی برای تصمیم‌گیری به اطلاعات بیشتری نیاز داریم.اعتماد با دادن همیشگی پاسخ دلخواه مردم ساخته نمی‌شود؛ بلکه از شفافیت (Transparency)، پاسخ‌گویی (Accountability)، ثبات در رفتار و برخورد انسانی در مسیر رسیدن به پاسخ شکل می‌گیرد.و این مورد آخر اهمیت زیادی دارد.اولویت‌دادن به مردم در فرایندهامدیران در بخش عمومی گاهی چنان بر فرایندها متمرکز می‌شوند که فردی را که درگیر آن فرایند است، فراموش می‌کنند. ما اصطلاحات اختصاری را می‌شناسیم، مقررات را می‌فهمیم و می‌دانیم چرا انجام یک کار به چند جلسه و تأیید نیاز دارد. اما کسی که روبه‌روی ما نشسته، ممکن است هیچ‌یک از این‌ها را نداند.وظیفه ما فقط شناخت سازوکار اداری نیست؛ باید به مردم کمک کنیم مسیر خود را در آن پیدا کنند.از نگاه من، حکمرانی داده‌مبنا (Data-Driven Governance) باید به همین هدف کمک کند: اینکه دستگاه‌ها با استفاده مسئولانه از داده، نیاز مردم را بهتر بشناسند، مراحل غیرضروری را کاهش دهند و خدمات را به‌موقع ارائه کنند.تعیین مالک داده (Data Owner) و ناظر داده (Data Steward)، ارتقای کیفیت داده (Data Quality) و سامان‌دهی تبادل اطلاعات، باید در نهایت به تجربه‌ای بهتر برای مردم منجر شود. شهروند باید نتیجه این اقدامات را در کاهش مراجعه، حذف درخواست‌های تکراری و روشن‌ترشدن مسیر دریافت خدمت احساس کند.از انتظار برای درخواست تا ارائه خدمت پیش‌دستانهیکی از جلوه‌های این تحول، خدمات پیش‌دستانه (Proactive Public Services) است؛ یعنی دستگاه اجرایی با تشخیص یک رویداد یا نیاز، در چارچوب قانون و با رعایت حقوق افراد، ارائه خدمت را آغاز کند یا امکان دریافت آن را به فرد اطلاع دهد.برای مثال، با ثبت تولد کودک می‌توان خانواده را از خدمات مرتبط و شرایط دریافت آن‌ها آگاه کرد. پیش از پایان اعتبار یک مجوز نیز می‌توان به دارنده آن اطلاع داد و با استفاده از اطلاعات معتبر موجود، مراحل تمدید را کاهش داد.در این رویکرد، بخشی از بار یافتن خدمت، شناخت مقررات و پیگیری مراحل اداری از دوش مردم برداشته می‌شود.اما پیش‌دستانه‌شدن خدمات، به داده معتبر و مسئولیت روشن نیاز دارد. باید بدانیم داده چقدر به‌روز است، چه کسی مسئول کیفیت آن است، استفاده از آن برای چه منظوری مجاز است و اگر خطایی رخ داد، چه کسی پاسخ‌گو خواهد بود. مردم نیز باید بتوانند دلیل تصمیم را بفهمند و اطلاعات نادرست را اصلاح کنند.شنیدن مردم، پیش از تصمیم‌های دشواراین نگاه، برداشت من از مشارکت شهروندی (Citizen Engagement) را نیز تغییر می‌دهد. مشارکت نباید فقط زمانی آغاز شود که دولت به نظر مردم نیاز دارد. اعتماد باید پیش از مطرح‌شدن پروژه بحث‌برانگیز و پیش از تصمیم دشوار شکل گرفته باشد.در طراحی خدمات نیز باید پیش از تعیین فرایندها و ساخت سامانه‌ها، تجربه مردم را بشنویم: کجا سردرگم می‌شوند؟ کدام اطلاعات را مکرر ارائه می‌کنند؟ چه کسانی با وجود نیاز، از دریافت خدمت جا می‌مانند؟خدمات پیش‌دستانه زمانی ارزشمندند که شناخت حاصل از داده، با شنیدن تجربه و خواسته مردم همراه شود.اعتمادسازی در هر تعاملمردم به همان اندازه که به یاد می‌آورند یک نهاد چه کاری انجام داده است، احساسی را هم که در آن‌ها ایجاد کرده به خاطر می‌سپارند.هر پیام سامانه، هر درخواست مدرک، هر پاسخ به اعتراض و هر مراجعه‌ای که ضرورت آن حذف می‌شود، در شکل‌گیری این احساس سهم دارد.برای من، معیار موفقیت حکمرانی داده‌مبنا این است که مردم کمتر سردرگم شوند، زودتر از حقوق خود مطلع شوند، خدمات را آسان‌تر دریافت کنند و هنگام بروز خطا، مسیر روشنی برای اصلاح و پیگیری داشته باشند. اعتماد عمومی (Public Trust) از همین تجربه‌ها شکل می‌گیرد.مردم ممکن است نام حکمرانی داده را ندانند؛ اما نتیجه آن را در کیفیت خدمات و احترامی که تجربه می‌کنند، احساس خواهند کرد.نادر رنجهنادر رنجهTue, 20 Oct 2026 00:18:37 +0330