هوش مصنوعی در خدمت برنامهریزی استراتژیک
هوش مصنوعی مولد چه کمکی به مدیرعامل میکند؟
برای رهبران کسبوکار، به ویژه در شرکتهای نسبتاً کوچک، ایده استفاده از هوش مصنوعی مولد برای برنامهریزی استراتژیک بسیار جذاب است. این مقاله به بررسی پتانسیلها و محدودیتهای هوش مصنوعی در کمک به این شرکتها برای ترسیم استراتژیهایشان میپردازد. از طریق دو مطالعه موردی، نشان میدهد که چگونه هوش مصنوعی مولد (Generative AI) میتواند به شرکتها کمک کند تا برخی از چالشها و فرصتهایی که مدیران آنها نادیده گرفتهاند، شناسایی کنند و بر تعصبات انسانی غلبه کنند. اما در عین حال، هوش مصنوعی مولد برخی از احتمالات ریشهدار در تواناییهای خاص شرکت را از دست داد. و با اینکه هوش مصنوعی مولد توانایی تصور سناریوهای آینده را کمتر داشت، چرا که پیشبینیهایش تماماً بر اساس دادههای تاریخی بود، با استفاده هوشمندانه از دستورات میتوانست مسائلی را مطرح کند که مدیران انسانی آنها را نادیده گرفته بودند. نویسندگان نتیجه میگیرند که آگاهی از نقاط ضعف هوش مصنوعی مولد به مدیران این امکان را میدهد تا از نقاط قوت آن استفاده کنند. کلید کار این است که هوش مصنوعی مولد را به عنوان ابزاری ببینیم که تفکر و تصمیمگیری استراتژیک شما را تقویت میکند، نه اینکه جایگزین آن شود. (هوش مصنوعی در خدمت برنامهریزی استراتژیک)
هیجان جامعه در ادراک انقلاب هوش مصنوعی
جامعه کسبوکار با هیجان زیادی به استقبال این ایده رفته که هوش مصنوعی مولد – با نمونههایی مانند ChatGPT، you.com و Claude.ai – انقلابی در تصمیمگیریهای کسبوکار ایجاد خواهد کرد. سم آلتمن، مدیرعامل OpenAI، حتی اعلام کرده که “شما در آستانه ورود به بزرگترین عصر طلایی امکانات بشری قرار دارید.”
برای رهبران کسبوکار، ایده استفاده از هوش مصنوعی مولد در برنامهریزی استراتژیک بسیار هیجانانگیز است. یک مدیر اخیراً اظهار داشت که «نمیتوانم صبر کنم تا زمانی که هوش مصنوعی بتواند فرصتهایی را که هنوز وجود ندارند، شناسایی کند!»
اما آیا ممکن است که تواناییهای هوش مصنوعی مولد را بیش از حد ارزیابی کرده باشیم؟ چگونه میتوانیم زمینههایی را شناسایی کنیم که در آنها هوش مصنوعی مولد میتواند به برنامهریزی استراتژیک کمک کند؟ آیا تمام ابزارهای هوش مصنوعی مولد یکسان هستند یا برخی از آنها در سناریوهای خاص توانایی بیشتری دارند؟
برای پاسخ به این سوالات، ما دو مورد کسبوکاری را بررسی میکنیم که فعالیتهای آنها به شدت با برنامهریزی استراتژیک درگیر است. (توجه: نامها تغییر کرده است.)
غلبه بر نقاط کور و پیشبینی آینده
کیت مدیرعامل شرکت “تریدنت” است، سازمانی که در زمینه تحقیقات کشاورزی تجاری فعالیت میکند و ۱۲۰ نفر کارمند دارد. این شرکت در زمینه پیمانکاران مستقل، بازیگر اصلی است. مشتریان این شرکت را برای انجام آزمایشهایی برای بهبود کشت غلات، سبزیجات و میوهها استخدام میکنند.
کیت تیم اجرایی پنج نفرهاش را برای جلسه سالانه استراتژیشان جمع کرد. همانطور که کیت توضیح داد: «این به ما فرصت میدهد تا بنشینیم و مسائل را بررسی کنیم. معمولاً ما مشغول انجام آزمایشها و گزارش نتایج آنها هستیم. این کار پایانناپذیر است.»
یکی از مراحل این فرآیند، فهرست کردن «مسائل استراتژیک کلیدی» بود که تریدنت با آنها روبرو بود. کیت توضیح داد: «اینها به ما زمینهای برای بررسیهایمان میدهند. برنامه استراتژیک ما باید به این مسائل بپردازد.»
در اینجا فهرست کیت آمده است:
- رقابت
- تعداد و موقعیت شعب
- منابع انسانی
- قیمتگذاری محصولات
- سودآوری
- تغییرات اقلیمی
در حالی که کیت و تیمش از فهرست خود راضی بودند، آنها متوجه شدند که دیدگاه محدودی دارند. کیت فکر کرد: «ما دانشمندان کشاورزی هستیم. ما بازی خودمان را میشناسیم، اما بازیهای دیگر را نمیشناسیم. من در این فکر هستم که آیا هوش مصنوعی مولد میتواند در این زمینه به ما کمک کند.»
کیت همچنین به آینده فکر کرد. «آیا هوش مصنوعی مولد میتواند به ما در پیشبینی تقاضای آینده برای خدماتمان کمک کند؟»
هوش مصنوعی مولد چه کارهایی میکند و چه کارهایی نمیکند؟
کیت دو سوال بسیار مرتبط را مطرح کرد که ما اغلب از تیمهای برنامهریزی استراتژیک میشنویم.
اولین سوال در مورد تعصب است، یعنی داشتن دیدگاهی محدود که بر اساس آموزش حرفهای و تجربه صنعتی تیم شکل گرفته است. کیت میخواهد از یک دیدگاه خارج از علم کشاورزی بهرهمند شود تا دیدگاهی تازه به دست آورد. برای انجام این کار، او میتوانست چندین نفر از مدیران خود را با دیگران از خارج از صنعت خود جایگزین کند. با این حال، این کار عملی نبود. جایگزین دیگر استفاده از هوش مصنوعی مولد بود. ما او را با دستوری به شرح زیر همراهی کردیم:
«ما یک سازمان تحقیقات کشاورزی تجاری هستیم. با ۱۲۰ کارمند، ما بازیگر اصلی در زمینه پیمانکاران مستقل هستیم. مشتریان ما را برای انجام طیف وسیعی از آزمایشهای میدانی در زمینه غلات، سبزیجات و میوهها استخدام میکنند. مسائل استراتژیک کلیدی که احتمالاً در آینده با آنها روبرو خواهیم شد، چیست؟»
پاسخ شامل نه عنوان بود. زیر هر کدام از آنها دو نکته عملی قرار داشت. آیا چیز جدیدی وجود داشت؟ بله. اما برخی از موارد نیز از قلم افتاده بود.
ابزار هوش مصنوعی مولد دو مورد از فهرست تیم کیت را دریافت نکرده بود. این موارد شامل “تعداد و موقعیت شعب” و “سودآوری” بود. موقعیت شعب یک مسئله بسیار خاص برای تریدنت است و از هوش مصنوعی انتظار نمیرود که از آن مطلع باشد. نادیده گرفتن “سودآوری” نیز، به نظر ما یک نقص بزرگ است. همچنین، در حالی که هوش مصنوعی مولد “رقابت” را به عنوان یکی از مسائل خود انتخاب کرده بود، به مسئله حیاتی “قیمتگذاری محصولات” اشارهای نکرده بود. این مسئله در این صنعت بسیار مهم است، زیرا کارها بر اساس مناقصه به دست میآید.
مدل زبان بزرگ پشت ChatGPT، اگرچه بر روی دادههای عظیم آموزش دیده است، به اطلاعات خاص شرکتها دسترسی ندارد، که این مسئله برخی از این نواقص را توضیح میدهد. کیت باید توجه داشته باشد که این سیستمها “غیرقطعی” هستند، به این معنی که هر پاسخ ممکن است متفاوت باشد. برای کاهش این مسئله، کیت میتواند پاسخها را بازتولید کند تا پاسخهای جایگزین را ببیند (در ChatGPT، روی گزینه ChatGPT در زیر پاسخ اول کلیک کنید). ما همچنین دریافتیم که درخواست از ابزارهای هوش مصنوعی مولد برای “ارائه ۱۰ ایده بیشتر” میتواند به ایجاد یک لیست بلند و جلوگیری از این نوع نواقص آشکار کمک کند.
از سوی دیگر، هوش مصنوعی مولد چهار حوزه مهم را که تیم کیت از آنها غفلت کرده بود، مطرح کرد: «پیشرفتهای تکنولوژیکی»، «تغییرات مقرراتی»، «تقاضا و انتظارات مشتریان» و «تأمین مالی و سرمایهگذاری». همه اینها برای استراتژی کسبوکار تریدنت حائز اهمیت هستند. بنابراین، در سوال اول کیت (آیا هوش مصنوعی میتواند دیدگاهی غیرکشاورزی ارائه دهد؟)، ما به این نتیجه رسیدیم که هوش مصنوعی مولد موفق عمل کرده است. این ابزار به تیم کیت کمک کرد تا تفکر واگرا داشته باشند، که این یک مهارت کلیدی در هر تیم تحولگرا است.
سوال دوم کیت، «آیا هوش مصنوعی میتواند تقاضای آینده برای خدمات ما را پیشبینی کند؟» چالش بیشتری برای هوش مصنوعی مولد بود. در حالی که هوش مصنوعی مولد یک فناوری پیچیده است، نمیتواند آینده را پیشبینی کند. این به این دلیل است که ابزارهای هوش مصنوعی مولد بر روی دادههای تاریخی آموزش دیدهاند. این سوال نیاز به نگاهی به آینده دارد، نه گذشته، برای پیشبینیهایی در مورد خط پایان، مانند ارقام فروش آینده یا رشد قابل تحقق. در اینجا، تجربه تیم کیت بهترین پیشبینیها را ارائه میدهد و این نیازمند این است که هر عضو تیم، احساسات خود را در نظر بگیرد.
با این حال، با استفاده هوشمندانه از دستورات، ابزارهای هوش مصنوعی مولد میتوانند ایدههایی برای فکر کردن به تیم ارائه دهند. ما دستوری را به این شکل تنظیم کردیم: «چه عواملی بر تقاضای آینده برای خدمات ما تأثیر میگذارند؟» ابزار هفت عامل را برجسته کرد، از «پایداری و تغییرات آب و هوایی» گرفته تا «تغییر ترجیحات مصرفکننده» و «رشد جمعیت جهانی». این عوامل به تیم کیت کمک میکنند تا در مورد تقاضا به طور گستردهتری فکر کنند.
بررسی روندها و توسعه سناریوها
آنجلین مدیرعامل قبرستان و مرکز سوزاندن متوفیان «فیتزروی» است. تمرین برنامهریزی استراتژیک که او سازماندهی کرده بود شامل او و تیم اجرایی هفت نفرهاش بود که در طی دو روز برنامه استراتژیک پنج ساله سازمان را توسعه دادند.
کسبوکار آنجلین دولتی است و با وجود اینکه غیرانتفاعی است، باید حسابهای خود را متعادل نگه دارد. سایت اصلی آن ۱۴۵ هکتار زمینهای به خوبی نگهداری شده دارد و قطعات دفن، یک محل سوزاندن، سه کلیسا بزرگ، یک گلفروشی، یک کافه و مراکز برگزاری مراسم را فراهم میکند.
یکی از مراحل مهم در این فرآیند، شناسایی «تغییرات و روندهای صنعت» بود. برای گسترش ایدهها، آنجلین هیئت مدیره قبرستان و مرکز سوزاندن “فیتزروی” را نیز دعوت کرد تا به تیم اجرایی او بپیوندند. “آنها پستهای داخلی اجرایی ندارند و میتوانند دیدگاه تازهای ارائه دهند»، او توضیح داد. این گروه فهرستی از تغییرات و روندهای صنعت تهیه کردند:
- تغییر از دفن به سوزاندن
- افزایش تقاضا برای مراکز برگزاری مراسم و پذیرایی در محل
- خرید سایر دفنخانهها و قبرستانها توسط رقبا
- کمبود زمین مناسب برای توسعه آینده
- نیاز خانوادهها و دفنخانهها به طیف گستردهای از امکانات صوتی و تصویری
- رشد اشکال مختلف دفن و سوزاندن که سازگار با محیط زیست هستند
در حالی که آنجلین از نتیجه راضی بود، او از خود پرسید که آیا هوش مصنوعی مولد میتواند در برخورد با این تغییرات و روندها کمک کند. او دو سوال داشت: ۱) آیا فهرست تیم او روندهای جاری در صنعت را منعکس میکند؟ و ۲) آینده صنعت با توجه به کمبود زمین و افزایش علاقه به شیوههای زیستمحیطی چگونه خواهد بود؟
چگونه هوش مصنوعی مولد میتواند کمک کند – و نمیتواند
برای کمک به آنجلین در پاسخ به سوال اول، ما فهرست تهیهشده توسط تیم او را به یک ابزار هوش مصنوعی مولد دادیم و پرسیدیم: “به عنوان یک مشاور مدیریت استراتژیک عمل کنید. بر اساس چالشهای صنعتی، توصیههایی در مورد اینکه چه چیزی از فهرست ما کم است و برای استراتژی کسبوکار ما مرتبط است، ارائه دهید.”
در حالی که ابزار چند توصیه برای روندهایی ارائه داد که تیم آنجلین در نظر گرفته بود، همچنین چهار مورد “تفکربرانگیز” دیگر را نیز مطرح کرد که برای بررسی تیم ارزشمند بودند:
- جمعیت سالخورده و تغییرات دموگرافیک
- سلامت روان و پشتیبانی از غم
- حساسیت به قیمت و شفافیت
- تغییرات مقرراتی و انطباق
آنجلین اشاره کرد که “توصیههای اضافی به ما کمک خواهد کرد تا استراتژیمان را برای آینده طراحی کنیم”.
ما دستور را برای سوال دوم به این شکل تنظیم کردیم: “اگر دیگر زمینی برای دفن در دسترس نباشد، چه جایگزینهایی میتوان در نظر گرفت؟”
نتایج جالب و کمی خندهدار بودند، با پیشنهاداتی مانند “فرستادن بقایای کرمشده به مدار یا فضای عمیق” و “استفاده از نیتروژن مایع برای انجماد و تبدیل بدن به ذرات”. با این حال، چند پیشنهاد خوب نیز وجود داشت، مانند “استفاده از ساختمانهای چندطبقه برای دفن” و “ایجاد جنگلهای یادبود به جای قبرستانهای سنتی”. این موارد جایگزینهای خارج از چارچوبی برای قبرستان و مرکز کرمسپاری “فیتزروی” فراهم کردند که میتوان آنها را در بلندمدت در نظر گرفت.
برخی از ابزارهای هوش مصنوعی مولد، مانند you.com، قابلیتهای “تولید تقویتشده با بازیابی” یا RAG را ارائه میدهند که خروجیهای مدلهای زبان بزرگ را با دادههای بهروزترین اینترنت ترکیب میکنند. این رویکرد اطلاعات بهروز را فراهم میکند و میتواند به طور بالقوه دادههای داخلی شرکت را نیز در بر بگیرد و مسائلی را که در مورد کیت مطرح شد، حل کند. با این حال، این قابلیتها نیازمند پیادهسازی مخصوص سازمان هستند. ابزارهای عمومی مانند ChatGPT یا Claude.ai در حال حاضر این ویژگی را ندارند.
اگر RAG برای این مورد در دسترس بود، Claude3 میتوانست پیشنهادات خاصتری در مورد استفاده از زمین و روشهای دفن ارائه دهد و نوآوریهای اخیر در شیوههای دفن پایدار و تغییرات مقررات محلی را در بر بگیرد. بدین ترتیب، آنجلین میتوانست بینشهای مرتبطتری برای برنامهریزی استراتژیک خود دریافت کند.
در حالی که هوش مصنوعی مولد مزایای زیادی ارائه میدهد، شناخت محدودیتهای آن برای برنامهریزی استراتژیک بسیار مهم است. این محدودیتها ناشی از نحوه عملکرد هوش مصنوعی مولد است. این ابزار از میان حجم عظیمی از دادهها عبور میکند و به طور پیوسته محتوا را با محتملترین کلمه بعدی تکمیل میکند. در حالی که این کار چشمگیر است، در اصل به گذشته نگاه میکند.
با این حال، شناخت نقاط ضعف هوش مصنوعی مولد به شما این امکان را میدهد که از نقاط قوت آن بهرهبرداری کنید. این ابزار میتواند توانایی شما را در شناسایی فرصتها، کاهش ریسکها و توسعه استراتژی قویتر با ارائه پیشنهادات خارج از چارچوب که شاید فوراً به ذهن شما نرسیده باشد، تقویت کند. این پیشنهادات همیشه باید با قضاوت انسانی فیلتر شوند، اما از آنجایی که این ابزار بسیار سریع و ارزان است، چرا آن را امتحان نکنیم؟
کلید کار این است که هوش مصنوعی مولد را به عنوان ابزاری ببینیم که تفکر و تصمیمگیری استراتژیک شما را تقویت میکند، نه اینکه جایگزین آن شود.
منبع: Harvard Business Review