تاثیر هوش مصنوعی بر عملکرد مدیریت سازمانی

هوش مصنوعی (AI) به شرکت‌ها امکان می‌دهد در مورد چیزی فکر کنند که قبلا فکر کردن به آن غیرممکن بود. با این حال، در شرایطی که غول‌های تکنولوژی مثل مایکروسافت، آمازون، فیس‌بوک، گوگل و بیدو، هوش مصنوعی را در هسته کسب‌وکارشان قرار داده‌اند و دائما پتانسیل آن را مهار می‌کنند، بیشتر شرکت‌های غیرتکنولوژیک دیگر تازه شروع به روی آوردن به فرصت‌هایی کرده‌اند که هوش مصنوعی در اختیارشان قرار می‌دهد.

تعداد مدیران عاملی که فهمیده‌اند هوش مصنوعی می‌تواند به آن‌ها کمک کند به اهداف کسب‌وکارشان برسند و حساب سود و زیان خود را شکل دهند، زیاد نیست. آن‌ها می‌دانند چگونه از بازطراحی سازمان، کاهش هزینه‌ها، ادغام و تملک، معرفی محصول جدید و توسعه جغرافیایی استفاده کنند، اما نمی‌توانند ببینند که هوش مصنوعی یک ابزار قدرتمند است که می‌تواند به جعبه ابزارشان اضافه شود.

از آنجا که بیشتر مدیران عامل شرکت‌های غیرتکنولوژیک نمی‌توانند هوش مصنوعی را با استراتژی‌های کسب‌وکار خود تلفیق کنند، امور مربوط به آن را به تیم‌های دیجیتال خود محول می‌کنند. اما این تیم‌ها بیشتر از جنبه تکنولوژی به هوش مصنوعی نگاه می‌کنند، نه از چشم‌انداز سود و زیان شرکت؛ بنابراین به راهبری مدیران ارشد نیاز دارند تا دقیق بدانند هوش مصنوعی چطور می‌تواند به آن‌ها کمک کند. در این مقاله تاثیر هوش مصنوعی را بر سه مقوله رشد، بازگشت سرمایه و ریسک‌پذیری کسب‌وکار‌های امروزی بررسی می‌کنیم.

هوش مصنوعی و رشد
حفظ رشد بالا: بیایید با نگاهی به رشد شروع کنیم. حفظ کردن رشد بالا کار سختی است و فرمول برنده‌ای برای آن وجود ندارد. اما به نظر می‌رسد شرکت‌های موفق معجونی درست و حسابی از استراتژی، تخصیص سرمایه، نوآوری، توسعه بازار و برتری در فروش و بازاریابی دارند. سه اهرم آخری که نام برده شد، در مرکز توجه اولین کاربران هوش مصنوعی بوده است.

ایجاد چیز‌های جدید: راز پیش بردن رشد خوب، جسور بودن و توسعه یک محصول کاملا جدید است که قبلا وجود نداشته است. مثال الکسا، اسپیکر هوشمند آمازون را در نظر بگیرید که حالا در خانه یک خانوار از هر ۶ خانوار آمریکایی پیدا می‌شود. الکسا یک نوآوری است که همه سیستم‌های خانگی را که غول‌های تله‌کام و تولیدکنندگان گوشی داشتند، پشت سر گذاشت.

دسترسی به طیف گسترده‌تری از مشتریان: شرکت‌هایی که نگاه به جلو دارند، استفاده از هوش مصنوعی را شروع کرده‌اند تا به مشتریانی که پیش از این در مرکز توجهشان نبودند خدمات‌رسانی کنند. مساله اعتبار را در نظر بگیرید. یادگیری ماشینی می‌تواند داده‌هایی مثل عادت‌های خرید گذشته افراد و وضعیت پرداخت قبوض و بدهی‌های آن‌ها را بررسی کند تا به تصویری از شایستگی اعتبار او برسد.

یک شرکت با چنین اطلاعاتی می‌تواند در مورد وام دادن یا ندادن به فرد تصمیم‌گیری کند. هوش مصنوعی هم می‌تواند اطلاعاتی مثل حجم فروش، بررسی مشتریان و داده‌های به دست آمده از شبکه‌های اجتماعی و وضعیت یک شرکت را سبک سنگین کند تا ببیند آیا توان پرداخت بدهی دارد یا نه.

دستاورد بیشتر از مشتریان موجود: هوش مصنوعی در آستانه فراهم کردن امکان شخصی‌سازی انبوه است. این تکنولوژی داده‌های سنتی را با اطلاعات جزئی در مورد رفتار مشتریان که از منابعی مثل جست‌وجوی اینترنتی، رسانه‌های اجتماعی و ابزار‌های پوشیدنی جمع شده، تلفیق می‌کند.

این باعث می‌شود محصول مناسب در زمان مناسب با پیام مناسب به مشتری داده شود. موسسه مک‌کینزی ارزیابی کرده که چنین شخصی‌سازی انبوهی می‌تواند فروش را تا ۱۰ درصد یا بیشتر افزایش دهد.

به‌عنوان مثال، آمازون از طریق یادگیری ماشینی پیشنهاد‌هایی به مشتریان موجود می‌دهد و مثلا «محصول بعدی برای خرید» را با توجه به پروفایل جمعیت‌شاختی، خرید‌های گذشته و خرید‌های مشتریانی که پروفایل مشابه دارند، به آن‌ها پیشنهاد می‌کند. حدود ۳۰ درصد فروش آمازون از این طریق افزایش یافته است.

داشتن قیمت مناسب: هیچ قانونی در طبیعت نیست که بگوید هر مشتری برای یک کالا یا خدمت مشخص، یک قیمت ثابت بپردازد. شرکت اوبر بهترین نمونه از قیمت‌گذاری متغیر را ارائه می‌کند. وقتی در یک منطقه تقاضا برای گرفتن ماشین به نسبت تعداد راننده‌ها بالا است، قیمت کرایه بالاتر می‌رود.

افزایش بهره‌وری فروش: حدود دوسوم زمان یک فروشنده با کار‌های روتینی مثل تماس گرفتن با مشتریان بالقوه، تنظیم قرارها، سفارش گرفتن و آماده کردن قرارداد‌ها پر می‌شود. برخی شرکت‌ها اتوماتیک‌سازی این فعالیت‌ها را شروع کرده‌اند و وقت فروشنده‌های خودشان را آزاد کرده‌اند تا آن‌ها به قرارداد بستن، پرورش روابط و مدیریت قرارداد‌های خارج از برنامه برسند. شرکتی که این کار را انجام داده، نسبت به رقبای خودش به یک مزیت می‌رسد. به علاوه، شرکت‌ها با استفاده از هوش مصنوعی کلیه مکالمات و جلسات فروش را ضبط، استخراج و تجزیه و تحلیل می‌کنند.

اثربخش‌تر کردن هزینه‌های بازاریابی: شخصی‌سازی این روز‌ها در مرکز بازاریابی قرار گرفته است و می‌تواند دستاورد‌های بزرگی در بازدهی حاصل از هزینه‌های بازاریابی داشته باشد.

اما بازاریاب‌هایی که نگاه رو به جلو دارند می‌توانند فراتر از این هم بروند. تحلیل رفتار مشتری تنها شروع کار است. شرکت‌ها حالا می‌توانند بازاریابی خود را به شیوه‌ای که با رفتار، اولویت‌ها و احساسات یک مشتری همخوانی دارد، هدف‌گذاری کنند و محتوایی هوشمند که از نظر احساسی به شخصیت فرد می‌خورد ایجاد کنند.

هوش مصنوعی و بازگشت سرمایه
تضمین یک بازگشت سرمایه سالم و مناسب همزمان با پیشبرد رشد، چالشی کلیدی برای همه رهبران کسب‌وکار است. کاهش هزینه‌ها مسیری روشن به سوی تحقق این هدف فراهم می‌کند. اما پیشرفت‌هایی که در سود عملیاتی حاصل می‌شود باید هوشمندانه باشد و به رشد بلندمدت منجر شود. هوش مصنوعی می‌تواند مجموعه‌ای از روش‌ها را در اختیار ما بگذارد تا بهره‌وری را افزایش دهیم، قدرت پیش‌بینی بهتری داشته باشیم، زمان پِرت کار را کاهش دهیم و هزینه‌های بالاسری اضافه تولید، زنجیره تامین، تدارکات، توجه به مشتری و اداری را کاهش دهیم. راهکار‌های مورد نظر عبارتند از:

افزایش کارآیی در شرکت‌های خدماتی: روبات‌های نرم‌افزاری مثل Blue Prism، Pega و UiPath وظایف روتینی مثل دسترسی به اپلیکیشن‌ها، وارد کردن داده و محاسبات را انجام می‌دهند. آن‌ها فعالیت‌هایی را که انسان‌ها انجام می‌دهند شبیه‌سازی می‌کنند تا سیستم‌های IT اصلی تغییر نکنند.

بسیاری از شرکت‌ها این روبات‌ها را نصب کرده‌اند تا صرفه‌جویی‌های مالی فوری داشته باشند. البته شرکت‌هایی که موفق شده‌اند از پتانسیل کامل تکنولوژی‌های هوش مصنوعی استفاده کنند، به جای اینکه فقط روبات‌ها را پیگیری کنند، یک رویکرد کل‌نگرانه دارند. آن‌ها فرآیند‌ها و ساختار سازمانی را مورد بازنگری قرار داده و انواع تکنولوژی‌ها مثل یادگیری ماشینی و اپلیکیشن‌های شناختی را در کنار روبات‌ها به کار گرفته‌اند.

استفاده از تکنولوژی‌های هوش مصنوعی در کنار ساده‌سازی فرآیند و دیجیتال‌سازی گاهی اوقات حتی ۳۰ تا ۷۰ درصد صرفه‌جویی برای این شرکت‌ها به دنبال دارد.

افزایش بازدهی تولید در شرکت‌های تولیدی: در دو دهه گذشته، شرکت‌ها از اتوماسیون برای کاهش اتلاف زمان و افزایش کارآیی استفاده کرده‌اند. برای این شرکت‌ها AI مثل یک ناجی به افزایش بهره‌وری کمک کرده است.

• ترکیب پیشرفت‌هایی که در اینترنت اشیا (IoT) به دست آمده و داده‌ها را از ماشین‌های صنعتی جمع‌آوری می‌کند با هوش مصنوعی، به شرکت‌ها امکان داده از هدر رفتن دارایی‌های خود جلوگیری کنند. الگوریتم‌های مبتنی بر هوش مصنوعی، نشانه‌های صوتی یا گرمایی را در تجهیزات مختلف مورد نظارت قرار می‌دهند و داده‌های دیگری مثل الگو‌های آب‌وهوا و گزارش‌های پشتیبانی و تعمیرات را در کنار آن قرار می‌دهند. اگر سیستم ببیند اتفاقی غیرعادی رخ داده، می‌تواند نیاز به پشتیبانی را تشخیص دهد و در نتیجه زمان توقف کار را کاهش دهد.

• استفاده از روبات‌های مشارکت‌کننده که برخی کار‌های یدی را در مشاغلی که به‌طور کامل امکان اتوماتیک‌سازی ندارند انجام می‌دهند، بهره‌وری نیروی کار را بالا می‌برد. بینش کامپیوتر به روبات امکان می‌دهد نسبت به محیط اطرافش آگاهی داشته باشد.

نیروی کار انسانی می‌تواند به روبات برنامه بدهد و وظایف دلخواه خود را از آن‌ها طلب کند. در این‌گونه مشاغل وجود نیروی انسانی لازم است، اما در کنار روبات بهره‌وری آن‌ها افزایش قابل توجهی می‌یابد.

هوش مصنوعی می‌تواند اثر بزرگی بر مصرف انرژی بگذارد. یک نمونه برجسته DeepMind گوگل است که انرژی مصرفی برای سرد کردن مراکز داده را تا ۴۰درصد کاهش داده است.

الگوریتم‌ها داده‌های تاریخی آیتم‌هایی مثل دما، برق و سرعت پمپ موتور را بررسی می‌کنند تا دما‌های آینده را پیش‌بینی کنند و سپس در مورد تنظیمات بهینه‌ای که برای به حداقل رساندن مصرف برق لازم است، تصمیم‌گیری کنند. رویکرد مشابهی را می‌توان در صنایعی مثل تولید آلومینیوم، سیمان و کاغذ که مصرف برق در آن‌ها بالا است، به کار برد.

چابک‌تر کردن زنجیره تامین: یادگیری ماشینی و روباتیک در حال حاضر به شرکت‌هایی که در حوزه خرده‌فروشی کالا‌های مصرفی بسته‌بندی شده یا بخش‌های تکنولوژی پیشرفته فعالیت می‌کنند، امکان می‌دهد زنجیره‌های تامین خود را به یک منبع مزیت رقابتی تبدیل کنند. شرکت‌ها از هوش مصنوعی استفاده می‌کنند تا تقاضای مشتری را برای آیتم‌های مختلف و متنوع به شکل دقیقی پیش‌بینی کنند. سپس این پیش‌بینی را با عرضه منعطف و کارآمد تکمیل می‌کنند.

آمازون از روبات‌هایی به نام کیوا (Kiva) استفاده می‌کند که بسته‌بندی‌ها را از انبار می‌آورند و تحویل نیرو‌های انسانی می‌دهند. به این ترتیب، ظرفیت موجودی کالای این شرکت تا ۵۰ درصد افزایش یافته و هزینه‌های عملیاتی ۲۰ درصد کمتر شده است.

هوش مصنوعی و ریسک
مدیریت ریسک هم در حفاظت از ارزش کسب‌وکار و هم در افزایش بازگشت سرمایه مبتنی بر ریسک بسیار مهم و حیاتی است. تعجبی ندارد که بانک‌ها در استفاده از هوش مصنوعی برای مدیریت ریسک، بزرگ‌ترین قدم‌ها را برداشته‌اند.

از گذشته، شرکت‌ها بر حذف ریسک‌های عملیاتی نامطلوب متمرکز بوده‌اند. در دنیای هوش مصنوعی، واحد‌های ریسک از طریق مشارکت با دیگر واحد‌ها مثل بازاریابی، امور مالی و متخصصان علوم رفتاری، ارزش بیشتری ارائه می‌کنند، مثلا می‌توانند با قیمت‌گذاری شخصی‌سازی شده، مشتریان را افزایش دهند؛ یا با انتشار هشدار‌های اولیه در مورد مشتریان بدحساب، بدهی‌های بد را کاهش دهند.

هیچ مدیر مالی نمی‌خواهد هدف سودآوری خود را از دست بدهد. یادگیری ماشینی می‌تواند رویداد‌ها را در رشد اقتصادی، قیمت‌های کالا، تورم و نرخ ارز دنبال کند و موقعیت رقابتی یک شرکت، هزینه‌های ورودی، تقاضای مشتری، سلامت کانال‌های توزیع و تاثیرپذیری عملکرد شرکت‌ها را پیش‌بینی کند.

محافظت در برابر حملات سایبری: یادگیری ماشینی می‌تواند میلیون‌ها رویداد را برای شناسایی ناهنجاری‌ها موشکافی کند. این ویژگی اصلی تلاش‌هایی است که برای امنیت سایبری صورت می‌گیرد. کسی که حمله سایبری می‌کند، قبل از وقوع آسیب واقعی به‌طور میانگین ۱۰۱ روز را در یک شبکه می‌گذراند.

یادگیری ماشینی شرایط نرمال یک شبکه را بررسی می‌کند به شناسایی انحرافات و اتفاق‌های غیرعادی به‌صورت آنی می‌پردازد. در این صورت، شرکت می‌تواند قبل از عملی شدن یک حمله سایبری واقعی اقدام کند.

مبارزه با بدهی‌های بد: هیچ کسب‌وکاری از ریسک مشتریانی که درگیر مشکلات مالی می‌شوند، مصون نیست. در آمریکا به تنهایی، بیش از ۷۸۹ هزار کسب‌وکار در سال ۲۰۱۷ دچار ورشکستگی شدند. شرکت‌ها می‌توانند با تشخیص نشانه‌های اولیه مشکلات مالی یک مشتری، با تهدید مواجه شدن با بدهی‌های بد مقابله کنند.

مثلا بانک‌ها با آنالیز سیگنال‌هایی مثل افزایش چک‌های بی‌محل، دیرکرد پرداخت اقساط، استفاده از خطوط اعتباری، تغییر مالکیت و دیگر اخبار منفی، مشتریانی که در معرض ریسک هستند را ۶ تا ۹ ماه قبل از اینکه اتفاقی جدی رخ دهد، شناسایی کنند.

ارتقای ارزیابی ریسک اعتباری: توانایی شرکت‌ها برای ارزیابی ریسک با یادگیری ماشینی بهبود قابل توجهی یافته است. یادگیری ماشینی ریسک بدهی‌های معوق را به‌طور دقیق می‌سنجد و خطا‌های قضاوتی را کاهش می‌دهد. هوش مصنوعی هم به شرکت‌ها امکان می‌دهد داده‌های غیرسنتی را پردازش کنند تا تاریخچه‌های اعتبار شخصی برای افراد ایجاد شود.

برخی شرکت‌ها از این هم فراتر رفته‌اند. آن‌ها از ارزیابی ریسک پیشرفته استفاده می‌کنند تا قیمت‌گذاری‌های خود را تنظیم کنند و علاوه بر ریسک بدهی‌های معوق، قیمت‌هایی که مشتریان می‌پردازند را از طریق الگو‌های خرید مشابه، ارزش طول عمر مشتری و سهم هزینه‌کرد مشتری، شناسایی کنند. مسلما موسسات مالی بیشترین نفع را از این امکانات می‌برند.

چگونه وارد عمل شویم
برای برداشتن گام‌های بعدی باید سه R. را در نظر داشته باشید؛ یعنی Relevance (ارتباط)، Resolve (تصمیم گرفتن) و Readiness (آمادگی).

ارتباط: مثال‌هایی که در این مقاله ذکر شد می‌توانند به شما کمک کنند کل فرصت‌هایی را که برای کسب‌وکارتان وجود دارد بشناسید. اما میزان ارتباط آن‌ها با کسب‌وکار شما از نظر نرخ بازگشت سرمایه و اثرات جانبی، تفاوت دارد، چون هوش مصنوعی در تحلیل نهایی کمتر به تکنولوژی ارتباط پیدا می‌کند و بیشتر در مورد افراد، ذهنیت‌ها و روش‌های کار آن‌ها است.

تصمیم گیری: استفاده از کاتالیزور‌های متحول‌کننده‌ای مثل هوش مصنوعی در سطح یک بنگاه اقتصادی، نیازمند تصمیم‌گیری رهبران ارشد سازمان است. دنیای کسب‌وکار گورستانی از اقدامات و سرمایه‌گذاری‌های مرده است که همواره بزرگ می‌شود، چون تصمیم‌گیری رهبران سازمان ناکافی و ناپایدار است.

آمادگی: شما در ارتباط با زیرساخت‌ها، اکوسیستم داده، فرهنگ داده‌-محور و کنترل‌هایی که باید در کنار در نظر گرفتن منافع همه ذی‌نفعان صورت بگیرد، به یک خط دید واضح و دقیق نیاز دارید و باید زمان بگذارید تا مهارت‌های افراد را تقویت کنید.

به هر حال، درگیر شدن با هوش مصنوعی به سرمایه‌گذاری هنگفت قابل‌توجهی نیاز ندارد. بسیاری از مدل‌ها، ابزار‌ها و مجموعه داده‌های یادگیری ماشینی به‌عنوان منابع باز و از طریق واسط‌های برنامه‌ریزی اپلیکیشن (APIs) که شرکت‌های قدیمی و بزرگ تولید می‌کنند، در دسترس هستند. بنابراین، مدیران عامل با دانستن اینکه هوش مصنوعی چه کار‌هایی برای آن‌ها انجام می‌دهد و چه کار‌هایی انجام نمی‌دهد، آن را به جعبه ابزارشان وارد می‌کنند تا کل کسب‌وکار و در نتیجه حساب سود و زیان خود را متحول کنند.

مترجم: مریم رضایی