دست از اجرای این همه پایلوت‌ هوش مصنوعی بردارید

این عنوان، مطلبی است که توسط Harvard Business Review در دسامبر 2025 منتشر شده است. در این مطلب عنوان شده است که «به‌جای آزمایش ده‌ها کاربرد پراکنده در بخش‌های مختلف شرکت، یک حوزه را انتخاب کنید و در آن عمیق شوید». شرکت‌هایی که مشتاق به‌کارگیری هوش مصنوعی مولد هستند، معمولاً ده‌ها پایلوت در واحدهای مختلف راه‌اندازی می‌کنند تا سریع به نتایج کوچک و افزایش‌های جزئی بهره‌وری برسند. اما یک رویکرد پراکنده هیچ‌گاه اثر تحول‌آفرین ایجاد نمی‌کند. شرکت جهانی کالاهای مصرفی رکیت[1] مسیر دیگری رفت. این شرکت تصمیم گرفت در یک حوزه، یعنی بازاریابی، عمیق شود؛ جایی که هوش مصنوعی مولد می‌تواند در مجموعه‌ای از فعالیت‌های مرتبط مانند تولید بینش، خلق محتوا و توسعه محصول به کار گرفته شود. پیام تجربه رکیت چیست؟ برای آزاد کردن ظرفیت واقعی هوش مصنوعی مولد، سازمان‌ها باید در برابر وسوسه آزمایش گسترده مقاومت کنند و در عوض، عمیق و متمرکز عمل کنند؛ یعنی تلاش‌ها را بر حوزه‌هایی متمرکز کنند که مقیاس‌پذیری و هم‌افزایی می‌تواند تغییر معنادار ایجاد کند. سازمان‌ها باید ابتدا یک حوزه استراتژیک انتخاب کنند که هوش مصنوعی مولد بتواند در مجموعه‌ای از وظایف به‌هم‌پیوسته در آن اعمال شود. سپس باید بر نقاط قوت موجود خود، مثل داده‌ها یا توانمندی‌های فنی، تکیه کنند تا به شکلی معنی‌دار مقیاس‌پذیری ایجاد کنند. با بازنگری فرایندهای اصلی در آن حوزه و همسو کردن تیم‌ها حول «تحول» به‌جای «آزمایش»، شرکت‌ها می‌توانند به بینش‌های عمیق‌تر، نوآوری سریع‌تر و اثر قابل‌اندازه‌گیری دست یابند.

مقدمه

در اواخر ۲۰۲۳، وقتی تیم مدیریتی رکیت به پذیرش هوش مصنوعی مولد فکر می‌کرد، فهرست بلندبالایی از کاربردها در سراسر سازمان از نوشتن ارائه‌ها گرفته تا پشتیبانی مشتری و بهینه‌سازی قراردادهای خرید، وجود داشت. بسیاری از این کاربردها صرفه‌جویی زمانی و بازگشت سرمایه فوری داشتند، اما به وظایف پراکنده مربوط می‌شدند. مدیران رکیت از صرفه‌جویی زمانی خوشحال بودند، اما می‌دانستند چنین تلاش‌هایی استراتژی شرکت را متحول نمی‌کند و مزیت معناداری ایجاد نخواهد کرد. آنها چیزی فراتر از بهبودهای جزئی بهره‌وری می‌خواستند.

بنابراین، به‌جای اینکه هر پروژه هوش مصنوعی با ROI مثبت را تأیید و اجرا کنند، تصمیم گرفتند روی یک حوزه واحد تمرکز کنند: بازاریابی. در اینجا می‌شد از هوش مصنوعی مولد برای مجموعه‌ای از وظایف به‌هم‌پیوسته استفاده کرد؛ از تولید بینش گرفته تا تولید محتوا و توسعه محصول جدید. این وظایف، از داده‌ها، مشتریان و تحقیقات بازار مشترکی بهره‌ می‌بردند و نتایج یکی روی دیگری اثر می‌گذاشت. برای مثال، بینش لحظه‌ای از رفتار مصرف‌کننده به نوآوری بهتر و بخش‌بندی دقیق‌تر منجر می‌شود. نوآوری سریع‌تر در محصول نیز شرکت را قادر می‌سازد محصولات مرتبط‌تری به بازار عرضه کند و همین امر به بهبود وفاداری، حفظ مشتری و تقویت طرفداری برند کمک می‌کند. مدیران معتقد بودند تمرکز صرفاً بر بازاریابی به بهبود عملکرد در مقیاس بزرگ کمک خواهد کرد.

رکیت در بازاریابی نقاط قوتی داشت، از جمله داده‌های غنی مشتری و تیمی که به فناوری‌های پیشرفته از جمله هوش مصنوعی پیش‌بینی‌کننده مسلط بود. پذیرش هوش مصنوعی مولد با تمرکز بر عملیات بازاریابی باعث شد این شرکت شیوه‌های جدیدی برای عملکرد این بخش کشف کند. این کار تیم بازاریابی را مجبور کرد رویکرد خود را بازنگری کند و بسیاری از فرایندها را از نو تعریف کند؛ زیرا هوش مصنوعی مولد می‌توانست کل عملیات بازاریابی را، نه فقط یک یا دو وظیفه کوچک، بهبود دهد.

کمتر از دو سال بعد، رکیت می‌گوید رویکرد هدفمندش نسبت به هوش مصنوعی مولد باعث شده سرعت خلق ایده‌های محصول تا ۶۰ درصد افزایش یابد. همچنین ادعا می‌کند که هوش مصنوعی مولد فرآیندهای ارتباطات برند و بازاریابی را در برخی موارد ۳۰ درصد یا بیشتر کارآمدتر کرده است. این دستاوردها بدون تمرکز بر مجموعه‌ای از وظایف مرتبط در یک حوزه واحد امکان‌پذیر نبود.

تجربه رکیت یک درس کلیدی دارد: برای کسب مزیت رقابتی پایدار، شرکت‌ها باید از دو خطای رایج در پیاده‌سازی هوش مصنوعی مولد پرهیز کنند. اول: پراکنده‌کردن منابع در کاربردهای کوچک و مجزا. دوم: تمرکز صرف بر ROI فوری. این رویکرد «پهن و کم‌عمق» نام دارد. بسیاری از مدیرانی که با آنها صحبت شده است، تصور می‌کردند باید هوش مصنوعی را تا حد ممکن وسیع پیاده کنند تا ببینند چه چیزی جواب می‌دهد. این روش شاید صرفه‌جویی‌هایی ایجاد کند، اما بعید است مزیت رقابتی ایجاد کند و شرکت را به موفق‌ترین حالت ممکن برساند.

چرا؟ فرض کنید شرکتی چند فرآیند در حسابداری، تعدادی در زنجیره تأمین، چند مورد در بازاریابی، در مالی و تعدادی در منابع انسانی را خودکار کند. دو اتفاق می‌افتد:

1- مدیران انگیزه‌ای برای بازطراحی کامل یک واحد ندارند وقتی فقط ۵ تا ۱۰ درصد وظایف از هوش مصنوعی استفاده می‌کند.

2- اجرای کاربردهای بدون هدف بزرگ‌تر، باعث خستگی سازمانی می‌شود و وقتی کاربردهای ایجادشده مزیت رقابتی کمی دارند یا به‌راحتی توسط رقبا کپی می‌شوند، کارکنان بدبین یا دلسرد می‌شوند (در حالی که در رکیت، هدف بزرگ‌تر، افزایش رشد درآمد از طریق عرضه سریع‌تر محصولات جدید بود).

در پیاده‌سازی هوش مصنوعی، شرکت‌ها باید راه رکیت را دنبال کنند؛ یعنی رویکرد «عمیق و متمرکز». این یک استراتژی غیرمعمول است: طبق نظرسنجی BCG در سال ۲۰۲۴ از ۱۰۰۰ مدیر ارشد، فقط ۴ درصد شرکت‌ها چنین رویکرد متمرکزی را اتخاذ می‌کنند. اما این شرکت‌ها در بلندمدت دو برابر دیگران ROI کسب می‌کنند.

براساس گفته مدیران رکیت: «ما که دهه‌ها در حوزه بازاریابی، استراتژی و فناوری فعالیت کرده‌ایم، از سال ۲۰۲۲ که هوش مصنوعی مولد معرفی شد، مشاهده کرده‌ایم رویکرد عمیق و متمرکز مزایای زیادی دارد. این رویکرد شما را وادار می‌کند اساساً بازتعریف کنید که کار چگونه در یک بخش انجام می‌شود؛ بهره‌وری را با تکیه بر نقاط قوت رقابتی افزایش می‌دهد و کشف روش‌های کاری جدید و منحصربه‌فرد را تسهیل می‌کند، روش‌هایی که تقلید آنها برای رقبا دشوار است. وقتی که در یک حوزه تسلط یافتید، می‌توانید آموخته‌ها را در حوزه‌های دیگر نیز پیاده کنید. وقتی برای اولین بار ایده «عمیق و متمرکز» را ارائه کردیم، بسیاری از مدیران آن را متناقض و حتی پرریسک‌تر از رویکرد «پهن و کم‌عمق» می‌دانستند. البته، این رویکرد اشتباه نیست؛ در زمان و هزینه صرفه‌جویی می‌کند و انجام چند آزمایش کم‌عمق و گسترده برای سنجش آمادگی سازمان قابل‌قبول است. اما باید درک کرد که کاربردهای کوچک و جدا از هم، تحول‌آفرین نیستند. بسیاری از مدیران نیز درباره سرمایه‌گذاری سنگین مورد نیاز برای بازطراحی فرایندها نگران بودند و از اینکه برخلاف تفکر رایج عمل کنند می‌ترسیدند، تفکری که می‌گوید برای موفقیت باید صدها پروژه هوش مصنوعی اجرا کنید. همچنین بسیاری از آنها هیچ‌گاه ارزیابی دقیق و صادقانه‌ای از قابلیت‌های اصلی و بلوغ داده شرکت انجام نداده بودند تا بفهمند کجا باید عمیق شوند؛ زیرا این کار را دشوار و زمان‌بر می‌دانستند. اما به‌مرور، بسیاری از همین بدبینان متوجه شدند که رویکرد عمیق و متمرکز منطقی‌تر است».

در این مقاله گفته خواهد شد که چرا بسیاری از شرکت‌ها در پذیرش هوش مصنوعی مولد دچار سوءمدیریت می‌شوند. سپس راهنمایی ارائه خواهد شد که چگونه می‌توان برای پیاده‌سازی هوش مصنوعی، رویکرد عمیق و متمرکز را با موفقیت دنبال کنید.

چرا باید «عمیق و متمرکز» عمل کرد؟

رهبران معمولاً برای هر مورد استفاده از هوش مصنوعی، بازگشت سرمایه دقیق و قابل‌سنجش می‌خواهند. آن‌ها می‌گویند فقط وقتی بازگشت سریع سرمایه ثابت شد، باید هوش مصنوعی را در بخش‌های دیگر نیز گسترش داد. اما این نگاه، نحوه اثرگذاری هوش مصنوعی را نادیده می‌گیرد: ROI در کاربردهای مختلف، سرعت و شدت متفاوتی دارد. در شرکت‌هایی که به‌درستی از GenAI بهره گرفته‌اند، اثرگذاری ممکن است زمان‌بر باشد و نباید فقط با معیارهای کوتاه‌مدت سنجیده شود.

در مقایسه با رویکرد «سطحی و گسترده»، پیاده‌سازی «عمیق و متمرکز» زمان و انرژی بیشتری می‌طلبد. اجرای همزمان آن در چندین حوزه تقریباً ناممکن است؛ زیرا نیازمند مدیریت تغییرات گسترده است. شما ابزارهای جدید وارد سازمان می‌کنید، فرایندهای کاری را تغییر می‌دهید، و حتی ساختار تیم‌ها و شیوه کار کردن افراد نیز باید تغییر کند. هر فناوری جدید مقداری یادگیری و سازگاری می‌خواهد، اما رویکرد عمیق فراتر از این‌هاست و نیازمند بازتصور کامل نحوه انجام کار است.

رویکرد «عمیق و متمرکز» می‌تواند بر یک عملکرد یا یک فرایند انتها به انتها تمرکز کند. شرکت لورآل، بزرگ‌ترین غول آرایشی دنیا، مانند رکیت، هوش مصنوعی را فقط در عملکرد بازاریابی خود به‌کار گرفته است. در مقابل، بانک فرضی «اکمی» یک فرایند انتها به انتها، فرآیند وام مسکن، را دگرگون کرده است (اکمی اسمی واقعی نیست).

فرایند اولیه این بانک بسیار پیچیده بود: مشاور وام اسناد را جمع‌آوری و به‌صورت دستی وارد سیستم می‌کرد؛ سپس کارشناس وام اسناد را بررسی می‌کرد و مدارک تکمیلی مانند گزارش‌های ملکی یا اطلاعات مناطق سیل‌خیز را نیز می‌افزود؛ در نهایت کارشناس ارزیابی، اعتبار متقاضی را می‌سنجید. اکنون هوش مصنوعی مولد همه اسناد وام را پردازش می‌کند و بانک یک رابط مکالمه‌ای هوش مصنوعی نیز ساخته است که کارشناسان با آن گفتگو می‌کنند و درخواست اجرای مدل‌های پیش‌بینی یا نوشتن توضیح رد یا پذیرش درخواست را می‌دهند. این رابط کار با مدل را ساده کرد و کارشناسان دریافتند دادن اطلاعات دقیق‌تر درباره شرایط مشتری، به بهبود نتایج کمک می‌کند. نتیجه این شد که بانک تصمیمات بهتری گرفت، سریع‌تر شد و پاسخ‌گویی به مشتری بهبود یافت.

چگونه باید شروع کرد؟

پیش از اجرای هوش مصنوعی مولد، باید تشخیص دهید کدام حوزه برای سازمان از نظر استراتژیک مهم‌تر است؛ زیرا هدف نهایی این است که هوش مصنوعی مزیت رقابتی موجود را تقویت کند. برای این کار چهار گام پیشنهاد می‌شود:

گام ۱: شناسایی بهترین فرصت

هوش مصنوعی مولد یک فناوری همه‌منظوره است. طیفی از کاربردها دارد:

·       کارهای اداری و بهره‌وری مثل خلاصه‌سازی جلسات یا تولید اسلاید (کم‌ارزش از نظر مزیت رقابتی)؛

·       خلق ارزش و مدل‌های کسب‌وکار جدید؛

·       بازآفرینی حوزه[2]یعنی بازطراحی کامل یک عملکرد یا فرایند، جایی که تقریباً هر شرکت می‌تواند ارزش خلق کند.

برای مثال، در بانک اَکمی، وام مسکن محصول استراتژیک بود و نقشی کلیدی در ارتباط با مشتری داشت. تیم، گام‌به‌گام فرایند را ترسیم کرد، نقاط قابل بازطراحی را یافت و با کمک GenAI فرایندی سریع‌تر و کارآمدتر ساخت.

  گام ۲: تشخیص حوزه‌های مزیت پایدار

هدف از اجرای عمیق هوش مصنوعی باید یکی از این دو باشد:

·       تقویت یا حفاظت از یک مزیت رقابتی موجود

·       ایجاد مزیتی جدید که کپی کردن آن سخت باشد

مثال لورآل[3]: لورآل با ترکیب تخصص خود در آرایش و ابزارهای قدرتمند GenAI، تجربه مشتری را تحول داد. چت‌بات «Beauty Genius» تحلیل پوست، توصیه محصول و برنامه شخصی ارائه می‌دهد. این موفقیت به دلیل سال‌ها سرمایه‌گذاری لورآل در AR و تحقیقات علمی پوست است. این سیستم در ۶ ماه، بیش از ۴۰۰ هزار مکالمه داشته و به واتس‌اپ نیز افزوده می‌شود. بسیاری تقلید خواهند کرد، اما هیچ‌کدام به اندازه لورآل داده و تحقیق ندارند.

مثال IKEA: ایده آیکیا این است که با GenAI خدمات طراحی داخلی را بسیار ارزان‌تر و سریع‌تر کند. طراحان حرفه‌ای می‌توانند طرح اتاق را در ۱۰ دقیقه بسازند و سپس با تجربه خود آن را بهبود دهند، کاری که پیش‌تر چند روز زمان می‌برد. آیکیا از یک مزیت قدرتمند استفاده می‌کند: بزرگ‌ترین جامعه طراحان داخلی و هزاران پروژه واقعی که داده ارزشمند برای مدل فراهم می‌کند.

گام ۳: انتخاب توالی درست

GenAI می‌تواند بهره‌وری را افزایش دهد یا رشد ایجاد کند. هنگام اجرای عمیق و متمرکز پروژه، معمولاً شروع از صرفه‌جویی هزینه در یک حوزه منطقی‌تر است؛ زیرا سریع‌تر قابل‌دستیابی است.

مثال رکیت: رکیت پنج پایلوت برای بهره‌وری بازاریابی اجرا کرد، مثل تحلیل کمپین‌های رسانه‌ای در چند ساعت به جای چند روز. پس از اثبات ارزش، شرکت:

·       تمامی 000,2 بازاریاب جهانی را بررسی کرد؛

·       ۳۰۰ وظیفه را شناسایی کرد؛

·       برای هر وظیفه میزان زمان و امکان اتوماسیون را سنجید؛

·       در نهایت حدود ۱۰۰ وظیفه را هدف قرار داد؛

با انجام کارهای روتین توسط GenAI، بازاریاب‌ها توانستند کارهای تحلیلی عمیق‌تر انجام دهند. پس از اثبات صرفه‌جویی، مدیران کاربرد GenAI را برای اهداف رشد نیز تصویب کردند، مانند تبدیل بینش مشتری به نوآوری سریع‌تر محصول.

اجرای عمیق و متمرکز به دلیل اثرگذاری بر کار روزمره کارکنان، مدیریت سخت‌تری می‌طلبد. 70 درصد چالش‌ها در زمینه مدیریت تغییر است و داده، 20 درصد و تکنولوژی 10 درصد از سهم چالش‌ها را به خود اختصاص می‌دهند.

گام ۴: رصد رقبا

همان‌طور که شما GenAI را برای تقویت مزیت خود به‌کار می‌گیرید، رقبایتان نیز چنین می‌کنند. سؤال حیاتی این است: «آیا رقبا می‌توانند با GenAI مزیت کلیدی شما را بازتولید کنند؟». حتی یک نسخه «به‌اندازه کافی خوب» می‌تواند خطرناک باشد. پس باید از GenAI طوری استفاده کنید که شکاف رقابتی را افزایش دهد، مثل کاری که لورآل با Beauty Genius کرد. اجرای جدی GenAI فرصت‌هایی برای تغییر نحوه کار آشکار می‌کند که باید آن‌ها را جدی گرفت.

 سخن پایانی

ما هنوز در روزهای ابتدایی هوش مصنوعی مولد و هوش مصنوعی عامل‌گرا هستیم، اما یک الگوی روشن از همین حالا دیده می‌شود. بیشتر شرکت‌ها هوش مصنوعی را به‌صورت گسترده و سطحی در سراسر سازمان به‌کار می‌گیرند؛ یعنی رویکردی «کم‌عمق و وسیع» اتخاذ می‌کنند و امیدوارند چند پایلوت بتواند ارزش قابل‌توجهی ایجاد کند. بسیاری از این تلاش‌ها بازگشت سرمایه ایجاد می‌کنند، اما در مجموع اثر آنها محدود و کوتاه‌مدت است، چون این نوع استقرارهای سطحی و گسترده به‌راحتی قابل تقلید هستند. در مقابل، رویکرد «عمیق و متمرکز» به‌صورت هدفمند نقاط قوت سازمان را تقویت می‌کند. شرکت‌هایی مانند IKEA، لورآل، رکیت و دیگران از این رویکرد برای بهبود عملکردها یا فرآیندهای پیچیده End-to-End استفاده کرده‌اند. آنها درباره اهداف هوش مصنوعی خود پرسش‌های سختی از خودشان پرسیدند. در برخی موارد، همین مسیر باعث شد خطوط کسب‌وکار جدیدی ایجاد کنند و نتایج این رویکرد ارزش تلاش انجام‌شده را داشته است. یک مطالعه BCG نشان می‌دهد شرکت‌هایی که از رویکرد عمیق و متمرکز استفاده می‌کنند، دو برابر شرکت‌هایی که رویکرد سطحی و گسترده دارند، بازگشت سرمایه به‌دست می‌آورند. ما پیش‌بینی می‌کنیم این فاصله در آینده بیشتر هم خواهد شد.

[1] Reckitt

[2] Domain Reinvention

[3] L’Oréal