لزوم استفاده‌ی عمیق از هوش مصنوعی در ساز‌مان‌ها و شرکت‌های ایران

سرعت پیشرفت هوش مصنوعی دیگر شبیه موج‌های قبلی فناوری نیست؛ شبیه یک رودخانه‌ی آرام هم نیست که بتوان کنار آن ایستاد و تماشا کرد. هر چند هفته یک مدل جدید، یک قابلیت تازه، یک ابزار دقیق‌تر و یک الگوی کاری متفاوت معرفی می‌شود. چیزی که تا همین چند ماه پیش «آینده» به‌نظر می‌رسید، امروز در بسیاری از شرکت‌ها بخشی از کار روزمره شده است.

مسئله فقط این نیست که هوش مصنوعی بهتر می‌نویسد، سریع‌تر تحلیل می‌کند یا پاسخ‌های دقیق‌تری می‌دهد. مسئله عمیق‌تر است: هوش مصنوعی در حال تغییر دادن منطق کار است. همان‌طور که اینترنت نحوه‌ی فروش، بازاریابی، ارتباط با مشتری و حتی شکل سازمان را تغییر داد، هوش مصنوعی هم در حال بازتعریف مدیریت، بهره‌وری، تصمیم‌گیری و توسعه‌ی محصول است.

اشتباه بزرگ این است که سازمان‌ها هوش مصنوعی را فقط یک ابزار جانبی ببینند؛ چیزی مثل یک چت‌بات که گاهی از آن برای نوشتن متن، خلاصه‌سازی یا پاسخ به چند سؤال استفاده می‌شود. این نگاه، اگرچه برای شروع مفید است، اما برای رقابت کافی نیست. هوش مصنوعی قرار نیست فقط سرعت چند کار اداری را بیشتر کند؛ می‌تواند ساختار اجرای کار، طراحی فرایندها و حتی مدل ارائه‌ی ارزش به مشتری را تغییر دهد.

به همین دلیل، شرکت‌ها و سازمان‌ها چاره‌ای جز حرکت به‌سمت استفاده‌ی عمیق از هوش مصنوعی ندارند. نه از سر هیجان، نه از ترس عقب‌ماندن، بلکه به این دلیل ساده که فضای سنتی کار دیگر پاسخ‌گوی سرعت، پیچیدگی و فشار رقابتی امروز نیست.

هوش مصنوعی فقط یک چت‌بات نیست!

بسیاری از سازمان‌ها اولین مواجهه‌ی خود با هوش مصنوعی را با ابزارهای گفت‌وگومحور آغاز کرده‌اند. این شروع بدی نیست. یک چت‌بات می‌تواند متن بنویسد، ایده بدهد، گزارش خلاصه کند و بخشی از کارهای فکری را سریع‌تر کند. اما اگر استفاده از هوش مصنوعی در همین سطح متوقف شود، سازمان فقط مزه‌ی اولیه‌ی این فناوری را چشیده است.

استفاده‌ی عمیق از هوش مصنوعی یعنی این فناوری وارد جریان اصلی کار شود؛ در فروش، پشتیبانی، منابع انسانی، مالی، عملیات، توسعه‌ی محصول، حقوقی، بازاریابی و تصمیم‌سازی مدیریتی. یعنی هوش مصنوعی فقط پاسخ‌دهنده نباشد، بلکه بخشی از سیستم اجرای کار شود.

در این سطح، سازمان‌ها می‌توانند از ایجنت‌های تخصصی استفاده کنند؛ ایجنت‌هایی که فقط جواب نمی‌دهند، بلکه می‌توانند چند مرحله از یک کار را بفهمند، برنامه‌ریزی کنند، با ابزارهای مختلف ارتباط بگیرند، داده را بررسی کنند و خروجی قابل استفاده تولید کنند. مثلاً ایجنت مالی می‌تواند گزارش‌های فروش را تحلیل کند، مغایرت‌ها را پیدا کند و پیش‌بینی نقدینگی بدهد. ایجنت منابع انسانی می‌تواند رزومه‌ها را غربال کند، مصاحبه‌ها را خلاصه کند و الگوهای عملکردی تیم را بررسی کند. ایجنت حقوقی می‌تواند قراردادها را بخواند، ریسک‌ها را مشخص کند و متن‌های پیشنهادی برای اصلاح ارائه دهد.

این یعنی هوش مصنوعی از «ابزار کمکی فردی» به «زیرساخت عملیاتی سازمان» تبدیل می‌شود.

هوش مصنوعی در توسعه‌ی محصول و نوآوری

یکی از مهم‌ترین حوزه‌هایی که هوش مصنوعی می‌تواند در آن اثر عمیق بگذارد، توسعه‌ی محصول است. شرکت‌ها می‌توانند از هوش مصنوعی برای تحلیل بازخورد کاربران، کشف الگوهای رفتاری، ایده‌پردازی فیچرهای جدید، اولویت‌بندی بک‌لاگ محصول، تولید نمونه‌های اولیه و حتی تست فرضیه‌های محصول استفاده کنند.

در تیم‌های فنی، ابزارهای کمک‌کدنویسی نمونه‌ای روشن از این تغییر هستند. در یک مطالعه‌ی کنترل‌شده درباره‌ی GitHub Copilot، توسعه‌دهندگانی که از ابزار هوش مصنوعی استفاده کردند، یک تسک برنامه‌نویسی مشخص را ۵۵.۸ درصد سریع‌تر از گروه کنترل انجام دادند. این عدد به‌تنهایی به این معنا نیست که همه‌ی پروژه‌های نرم‌افزاری ۵۵ درصد سریع‌تر می‌شوند، اما نشان می‌دهد هوش مصنوعی در کارهای دانشی و فنی می‌تواند اثر واقعی و قابل اندازه‌گیری داشته باشد.

نکته‌ی مهم این است که هوش مصنوعی فقط ابزار تولید کد نیست. در محصول، ارزش اصلی آن در افزایش سرعت یادگیری سازمان است. سازمانی که سریع‌تر از داده‌ها یاد می‌گیرد، سریع‌تر ایده را تست می‌کند و سریع‌تر محصول را اصلاح می‌کند، در رقابت جلوتر می‌افتد.

ایجنت‌های اختصاصی؛ نقطه‌ی تمایز واقعی شرکت‌ها

مرحله‌ی بعدی استفاده از هوش مصنوعی، ساخت ایجنت‌ها و سیستم‌های اختصاصی متناسب با داده، فرایند و مزیت رقابتی هر کسب‌وکار است. استفاده از ابزارهای عمومی برای شروع خوب است، اما مزیت پایدار معمولاً از جایی شکل می‌گیرد که سازمان، هوش مصنوعی را با دانش داخلی خود ترکیب می‌کند.

یک شرکت فروشگاهی می‌تواند ایجنتی بسازد که رفتار مشتری، موجودی کالا، کمپین‌های بازاریابی و حاشیه سود را با هم تحلیل کند و پیشنهادهای دقیق برای فروش بدهد. یک شرکت حقوقی می‌تواند ایجنتی بسازد که با اسناد، قراردادها و رویه‌های داخلی خودش کار کند. یک شرکت تولیدی می‌تواند ایجنتی داشته باشد که داده‌های تعمیرات، کیفیت، تأمین و تولید را کنار هم بگذارد و گلوگاه‌ها را تشخیص دهد.

این‌جا دیگر بحث «استفاده از هوش مصنوعی» نیست؛ بحث بازطراحی سازمان با کمک هوش مصنوعی است.

نمونه‌های واقعی از استفاده‌ی عمیق در شرکت‌های جهانی

مورگان استنلی یکی از نمونه‌های شناخته‌شده در صنعت مالی است. این شرکت با استفاده از GPT-4 ابزارهای داخلی برای مشاوران مالی خود ساخته است. نتیجه فقط یک چت‌بات ساده نبود؛ دسترسی مشاوران به دانش داخلی شرکت متحول شد. طبق گزارش منتشرشده، بیش از ۹۸ درصد تیم‌های مشاوره‌ی ثروت این شرکت از AI @ Morgan Stanley Assistant استفاده می‌کنند و دسترسی به اسناد از ۲۰ درصد به ۸۰ درصد افزایش یافته است. این یعنی زمان جست‌وجوی اطلاعات کم شده و مشاوران می‌توانند بیشتر روی رابطه با مشتری و تصمیم‌سازی تمرکز کنند.

زیمنس و مایکروسافت نیز با Siemens Industrial Copilot نشان داده‌اند که هوش مصنوعی در صنعت فقط به تحلیل داده محدود نیست. این ابزار برای تولید، بهینه‌سازی و دیباگ کدهای اتوماسیون صنعتی طراحی شده و طبق اعلام زیمنس، کاری را که قبلاً ممکن بود هفته‌ها طول بکشد، می‌تواند به چند دقیقه کاهش دهد. این مثال مهم است، چون نشان می‌دهد هوش مصنوعی فقط برای شرکت‌های نرم‌افزاری یا محتوایی نیست؛ در قلب فرایندهای صنعتی هم می‌تواند اثرگذار باشد.

والمارت نمونه‌ی دیگری از استفاده‌ی سازمانی و عملیاتی از هوش مصنوعی است. این شرکت در سال ۲۰۲۵ اعلام کرد ابزارهای هوش مصنوعی را برای ۱.۵ میلیون نیروی خود در آمریکا به‌کار می‌گیرد؛ از ترجمه‌ی بلادرنگ تا مدیریت وظایف. یکی از دستاوردهای اعلام‌شده، کاهش زمان برنامه‌ریزی شیفت از ۹۰ دقیقه به ۳۰ دقیقه است. شاید این مثال ساده به‌نظر برسد، اما در مقیاس سازمانی، همین کاهش زمان‌ها می‌تواند به بهره‌وری عظیم تبدیل شود.

در حوزه‌ی لجستیک، UPS با سیستم ORION و تحلیل‌های پیش‌بینانه و تجویزی توانسته مسیرهای تحویل را بهینه کند. طبق مطالعه‌ی BSR، فناوری‌های جریان بسته و تحلیل داده در UPS بیش از ۸۵ میلیون مایل رانندگی در سال صرفه‌جویی ایجاد کرده‌اند. این نمونه نشان می‌دهد هوش مصنوعی فقط برای کارهای دفتری نیست؛ می‌تواند هزینه‌ی واقعی عملیات را پایین بیاورد و اثر مستقیم بر سودآوری و پایداری بگذارد.

کلارنا هم در حوزه‌ی خدمات مشتری نمونه‌ی قابل توجهی است. دستیار هوش مصنوعی این شرکت در ماه اول ۲.۳ میلیون مکالمه انجام داد، معادل کار ۷۰۰ نیروی تمام‌وقت عمل کرد، زمان حل مسئله را از ۱۱ دقیقه به کمتر از ۲ دقیقه رساند و طبق اعلام شرکت، برای سال ۲۰۲۴ حدود ۴۰ میلیون دلار بهبود سودآوری پیش‌بینی شد. نکته‌ی مهم‌تر این است که کلارنا فقط یک ابزار پشتیبانی نساخت؛ هوش مصنوعی را در سطح گسترده در تیم‌های مختلف سازمانی وارد کرد.

آمارها چه می‌گویند؟

گزارش McKinsey در سال ۲۰۲۴ نشان داد پذیرش هوش مصنوعی در سازمان‌ها از حدود ۵۰ درصد در سال‌های قبل به ۷۲ درصد رسیده و ۶۵ درصد پاسخ‌دهندگان گفته‌اند سازمانشان به‌طور منظم از هوش مصنوعی مولد در حداقل یک کارکرد کسب‌وکاری استفاده می‌کند. در همان گزارش، ۶۷ درصد پاسخ‌دهندگان انتظار داشتند سرمایه‌گذاری سازمانشان در هوش مصنوعی طی سه سال آینده افزایش یابد.

در گزارش جهانی McKinsey در سال ۲۰۲۵ نیز مسیر به‌سمت استفاده‌ی عمیق‌تر دیده می‌شود: ۲۳ درصد پاسخ‌دهندگان گفته‌اند سازمانشان در حال مقیاس‌دهی سیستم‌های ایجنتیک در بخشی از سازمان است و ۳۹ درصد دیگر در حال آزمایش ایجنت‌های هوش مصنوعی هستند. این یعنی بازار از مرحله‌ی کنجکاوی عبور کرده و وارد مرحله‌ی طراحی ساختارهای جدید کاری شده است.

PwC در گزارش Global AI Jobs Barometer سال ۲۰۲۴ اعلام کرد بخش‌هایی که بیشتر در معرض استفاده از هوش مصنوعی هستند، رشد بهره‌وری نیروی کارشان تقریباً ۴.۸ برابر بیشتر از بخش‌های کمتر در معرض AI بوده است. این عدد باید با احتیاط تفسیر شود، اما پیام آن روشن است: هوش مصنوعی در حال تبدیل شدن به یکی از موتورهای اصلی بهره‌وری است.

Gartner نیز در سال ۲۰۲۵ پیش‌بینی کرد تا سال ۲۰۲۸، حدود ۳۳ درصد نرم‌افزارهای سازمانی قابلیت‌های Agentic AI خواهند داشت و دست‌کم ۱۵ درصد تصمیم‌های روزمره‌ی کاری به‌صورت خودکار توسط ایجنت‌های هوش مصنوعی انجام خواهد شد. حتی اگر این پیش‌بینی‌ها دقیقاً به همین شکل محقق نشوند، جهت حرکت بازار مشخص است.

ترس کمتر، طراحی بیشتر

بسیاری از مدیران هنوز با تردید به هوش مصنوعی نگاه می‌کنند. نگرانی درباره‌ی امنیت داده، دقت خروجی، جایگزینی نیروی انسانی و پیچیدگی پیاده‌سازی واقعی است و نباید نادیده گرفته شود. اما پاسخ به این نگرانی‌ها توقف نیست؛ طراحی درست است.

سازمان‌ها باید برای استفاده از هوش مصنوعی چارچوب داشته باشند: سیاست داده، کنترل کیفیت، نظارت انسانی، انتخاب درست موارد استفاده، آموزش کارکنان و اندازه‌گیری اثر. مشکل از خود هوش مصنوعی نیست؛ مشکل از استفاده‌ی سطحی، بی‌برنامه و بدون حکمرانی است.

واقعیت این است که سبک زندگی، کار و مدیریت تغییر کرده است. مشتریان سریع‌تر پاسخ می‌خواهند. تیم‌ها با منابع کمتر باید خروجی بیشتری تولید کنند. بازارها سریع‌تر عوض می‌شوند. در چنین فضایی، سازمانی که هنوز با ابزارها و فرایندهای ده سال قبل کار می‌کند، دیر یا زود از سازمانی که با AI فکر و اجرا می‌کند عقب می‌ماند.

شرکت موفق‌تر در سال‌های آینده لزوماً شرکتی نیست که فقط بزرگ‌تر، قدیمی‌تر یا سرمایه‌دارتر باشد. شرکت موفق‌تر شرکتی است که بهتر یاد بگیرد، سریع‌تر تصمیم بگیرد، ارزان‌تر اجرا کند و عمیق‌تر از هوش مصنوعی استفاده کند.

استفاده‌ی عمیق از هوش مصنوعی یعنی افزایش بهره‌وری، کاهش هزینه، افزایش سرعت و آزاد کردن ظرفیت انسانی برای کارهای مهم‌تر: خلاقیت، قضاوت، رابطه‌سازی، استراتژی و نوآوری. هوش مصنوعی قرار نیست جای تمام انسان‌ها را بگیرد؛ اما قطعاً جای بسیاری از روش‌های کند، تکراری و غیرهوشمند کار را خواهد گرفت.

برای مدیران و بنیان‌گذاران، سؤال اصلی دیگر این نیست که «آیا باید از هوش مصنوعی استفاده کنیم؟» سؤال درست این است: «کجای سازمان ما، اگر با هوش مصنوعی بازطراحی شود، بیشترین ارزش را آزاد می‌کند؟»

بهتر است این سؤال را امروز بپرسیم، نه زمانی که رقبا پاسخ آن را پیدا کرده‌اند.