نرم‌افزار هوش مصنوعی و پرسش بهره‌وری تریلیون دلاری
اگر هوش مصنوعی در نوشتن نرم‌افزار به‌طور چشمگیری بهتر شود، رهبران کسب‌وکار باید امروز چه چیزی را تغییر دهند؟ پاسخ من این است: اندازه بگیرید که چگونه یک فرایند کسب‌وکار کامل را بهبود می‌دهد، از جمله کاری که برای بررسی و نگهداشت خروجی آن لازم است.
آیا هوش مصنوعی می‌تواند ۲۰ تا ۳۰ تریلیون دلار آمریکا به تولید اقتصادی سالانه جهانی اضافه کند؟ ایلان ماسک این برآورد تقریبی را مطرح کرده است، همراه با پیش‌بینی‌هایی مبنی بر اینکه هوش مصنوعی می‌تواند تقریباً هر کار دیجیتالی را انجام دهد و به توانایی کدنویسی در سطح Stockfish برسد. این ادعاها توجه را جلب کرده‌اند زیرا تغییر عمده‌ای در اقتصاد کار دانش‌محور را نشان می‌دهند.
این‌ها پیش‌بینی‌های بلندپروازانه هستند، نه نتایج اثبات‌شده. رهبران کسب‌وکار باید میان امکان دستاوردهای بزرگ بهره‌وری و شواهد مبنی بر اینکه هوش مصنوعی می‌تواند هر کار دیجیتالی را به‌طور قابل‌اعتماد انجام دهد تمایز قائل شوند. تصمیم‌های سرمایه‌گذاری به شواهدی از کاری که سازمان واقعاً انجام می‌دهد نیاز دارند.
مقایسه Stockfish چه می‌گوید
Stockfish یک موتور شطرنج متن‌باز و یکی از قوی‌ترین‌ها در جهان است. این مقایسه یک امکان واقعی را نشان می‌دهد: ماشین‌ها می‌توانند در یک کار فکری سخت از انسان‌ها پیشی بگیرند. با این حال، این تمثیل به‌تنهایی نمی‌تواند مشخص کند چه زمانی هوش مصنوعی از هر مهندس نرم‌افزار پیشی خواهد گرفت.
شطرنج قواعد ثابت، صفحه‌ای قابل مشاهده و هدفی روشن دارد. نرم‌افزار سازمانی شامل نیازمندی‌های ناقص، سیاست‌های در حال تغییر، سیستم‌های قدیمی و اولویت‌های رقابتی ذی‌نفعان است. یک برنامه می‌تواند آزمون‌هایش را بگذراند در حالی که مسئله تجاری اشتباهی را حل می‌کند.
تولید کد بخشی از مهندسی است. تصمیم‌گیری درباره اینکه چه چیزی ساخته شود، کنترل دسترسی، بررسی امنیت، استقرار ایمن و پشتیبانی از کاربران همچنان بخشی از نتیجه باقی می‌مانند. حتی هوش مصنوعی بسیار توانمند به فرایندی نیاز دارد که بتواند اشتباهات را تشخیص دهد و مسئولیت را تعیین کند.
درک ادعای اقتصادی
افزایش ۲۰ تا ۳۰ درصدی در سطح تولید اقتصادی سالانه با رشد ۲۰ تا ۳۰ درصدی هر سال متفاوت است. ادعایی در این مقیاس به فرضیه‌های صریح درباره پذیرش، قابلیت اطمینان، سرمایه‌گذاری و زمان لازم برای تحقق دستاوردها نیاز دارد. پیوند آن درصدها با ۲۰ تا ۳۰ تریلیون دلار، اقتصاد اولیه‌ای در حدود ۱۰۰ تریلیون دلار را نشان می‌دهد.
برای مقایسه، گلدمن ساکس در سال ۲۰۲۳ سناریویی منتشر کرد که در آن هوش مصنوعی مولد می‌تواند تولید ناخالص داخلی جهانی را حدود ۷ درصد، یا نزدیک به ۷ تریلیون دلار، افزایش دهد و رشد بهره‌وری را طی ده سال ۱.۵ واحد درصد بالا ببرد. این یک پیش‌بینی مشروط بود، نه نتیجه‌ای سنجیده‌شده و نه سقفی برای دستاوردهای آینده. این برآورد بزرگ‌تر ماسک را به‌طور مستقل تأیید نمی‌کند.
در سطح شرکت، محاسبه مفید ساده‌تر است: ارزش خالص برابر است با ارزش تولید مفید اضافی و صرفه‌جویی‌های محقق‌شده، منهای هزینه‌های هوش مصنوعی، یکپارچه‌سازی، بازبینی، کار دوباره و زیان‌های ناشی از خطا. زمان صرفه‌جویی‌شده تنها زمانی به ارزش مالی تبدیل می‌شود که سازمان بتواند از آن به‌طور مولد استفاده کند.
مزایا و هزینه‌ها
سرعت در برابر راستی‌آزمایی. هوش مصنوعی می‌تواند تهیه پیش‌نویس، کدنویسی و تحلیل را کوتاه کند. رهبران باید زمان لازم برای بررسی نتیجه را در کنار زمان صرفه‌جویی‌شده در تولید آن اندازه بگیرند.
هزینه تولید پایین‌تر در برابر هزینه عملیاتی جدید. ساخت نسخه اول ممکن است ارزان‌تر شود. استفاده از مدل، یکپارچه‌سازی، نظارت و اصلاح همچنان پول و زمان کارکنان را مصرف می‌کنند.
دسترسی گسترده‌تر در برابر وابستگی. تیم‌های کوچک‌تر می‌توانند کاری را که قبلاً فراتر از منابعشان بود انجام دهند. وابستگی به یک ارائه‌دهنده واحد می‌تواند مدیریت قیمت‌ها، در دسترس بودن و تغییرات مدل را دشوارتر کند.
ظرفیت بیشتر در برابر اختلال در نیروی کار. کارکنان می‌توانند زمان بیشتری صرف نیازهای مشتری و تصمیم‌های دشوار کنند. کسب‌وکارها همچنین باید برای تغییر نقش‌ها، بازآموزی و توسعه کارکنان کم‌تجربه که وظایف یادگیری روزمره‌شان ممکن است خودکار شود، برنامه‌ریزی کنند.
یک مثال عملی سازمانی
یک کسب‌وکار انبار فرضی را در نظر بگیرید که سرویس رهگیری سفارش می‌سازد. هوش مصنوعی می‌تواند رابط کاربری را پیش‌نویس کند، کوئری‌های پایگاه داده پیشنهاد دهد و موارد آزمون تولید کند. تیم همچنان باید تأیید کند کدام مشتریان می‌توانند هر سفارش را ببینند، مغایرت‌های موجودی چگونه مدیریت می‌شود و آیا سرویس با سیستم‌های موجود کار می‌کند.
مقایسه معنادار، هزینه به ازای هر نسخه پذیرفته‌شده و عملکرد در حین استفاده است. زمان تحویل، نقص‌ها، درخواست‌های پشتیبانی و نتایج مشتری را اندازه بگیرید. یک پیش‌نویس اول سریع‌تر که حوادث تولید بیشتری ایجاد کند ممکن است ارزش کلی را کاهش دهد.
همین اصل در خدمات مشتری نیز صدق می‌کند. خودکارسازی درخواست‌های سرراست می‌تواند زمان‌های پاسخ را بهبود دهد. موارد نامشخص به مسیری قابل‌اعتماد به یک شخص نیاز دارند، با حفظ زمینه مرتبط.
مدیران عامل و مدیران فناوری چه باید بکنند
مدیران عامل باید یک فرایند با هزینه قابل شناسایی و نتیجه روشن برای مشتری انتخاب کنند. خط پایه را تعیین کنید، پروژه آزمایشی محدودی اجرا کنید و از قبل توافق کنید چه بهبودی توسعه را توجیه می‌کند. هزینه‌های اجرا و تغییرات مسئولیت‌های کارکنان را لحاظ کنید.
مدیران فناوری باید مدل پیشنهادی را روی کار نماینده از سیستم‌های خودشان ارزیابی کنند. صحت، امنیت، حریم خصوصی، بازیابی از شکست و سازگاری با خدمات موجود را بررسی کنید. مجوز پیشنهاد تغییر را از مجوز اجرای آن جدا کنید.
برای اقدامات باپیامد، مالک تأیید را تعریف کنید و رد ممیزی نگه دارید. توانایی برگرداندن تغییرات، محدود کردن دسترسی و تعلیق خودکارسازی را در صورت افت عملکرد حفظ کنید.
وابستگی به تأمین‌کننده را بازبینی کنید و کارکنان را آموزش دهید تا خروجی‌ها را به چالش بکشند. وقتی منافع سنجیده‌شده پس از هزینه‌های بازبینی و پشتیبانی مثبت بمانند، استقرار را گسترش دهید. پیش‌بینی اقتصادی جهانی باید برنامه‌ریزی سناریو را تغذیه کند، در حالی که شواهد محلی باید سرمایه‌گذاری را هدایت کند.
تصمیم رهبری
هوش مصنوعی ممکن است اقتصاد کار دیجیتال را به‌طور قابل‌توجهی تغییر دهد. مقیاس و زمان‌بندی نامشخص باقی می‌مانند. توصیه من: اکنون ظرفیت ارزیابی و پذیرش مسئولانه آن را بسازید، سپس با تقویت شواهد سرمایه‌گذاری را افزایش دهید.
کدام فرایند در سازمان شما را اول آزمایش می‌کنید، و چه شواهدی شما را قانع می‌کند که هوش مصنوعی ارزش تجاری پایدار ایجاد کرده است؟
ریاضی‌وار بیندیشید. هوشمندانه مهندسی کنید. راهبردی رهبری کنید. مسئولانه بسازید. جهانی گسترش یابید. از طریق هوش مصنوعی ارزش تجاری واقعی خلق کنید.
#ArtificialIntelligence #AIStrategy #EnterpriseAI #SoftwareEngineering #Productivity #BusinessLeadership
در اصل توسط کیشاوان تیاگاراجا در LinkedIn منتشر شده است. مقاله اصلی را در LinkedIn بخوانید. [1]