چرا پروژه‌های هوش مصنوعی شکست می‌خورند؟

حالا شواهدش نمایان شده و متاسفانه چندان امیدوارکننده نیست. تحقیقات یکی پس از دیگری نشان می‌دهند که برخلاف تمام سروصداها، هوش مصنوعی تاثیر ملموسی بر بهره‌وری نداشته. مشکل از خود تکنولوژی نیست (چرا که هوش مصنوعی احتمالا تحول‌آفرین خواهد بود). مشکل، این تصور غلط است: صرف دسترسی کارکنان به این تکنولوژی، دستاوردهایی به دنبال خواهد داشت.

واقعیت این است که نوآوری، ربطی به تکنولوژی یا حتی ایده‌ها ندارد. همان‌طور که در کتابم، «ترسیم نوآوری» نوشته‌ام، نوآوری یعنی یافتن راهکارهای نو برای مشکلات مهم. برای تحقق این هدف، افرادی که تکنولوژی‌ها را درک می‌کنند باید یاد بگیرند با کسانی که مشکلات دنیای واقعی را می‌شناسند، همکاری کنند. در ادامه، راهنمای کوتاهی برای توسعه یک ایده تا رسیدن به تاثیرگذاری واقعی ارائه می‌دهیم.

از یک اکثریت کوچک آغاز کنید

طبیعت انسان به این شکل است که وقتی درباره چیزی به وجد می‌آید، می‌خواهد آن را با همه در میان بگذارد. فراتر از آن، دوست داریم افراد دچار تردید و بدبینی را هم متقاعد کنیم تا همراه ما شوند و از ایده ما حمایت کنند. این همان اتفاقی است که مارس ۲۰۲۳ افتاد؛ پس از عرضه چت‌جی‌پی‌تی برای ادغام در زیرساخت‌های سازمانی. دستپاچگی دیوانه‌واری میان رهبران شکل گرفت تا همه افراد سازمان را همراه کنند.

اما این روش به‌ندرت به نتیجه می‌رسد و اغلب نتیجه معکوس می‌دهد. هر ایده جدیدی در ابتدا ضعیف و آسیب‌پذیر است و نیاز به مراقبت دارد. اگر بخواهید آن را بیش از حد سریع پیش ببرید، یا مقاومت ایجاد می‌کنید یا افرادی را که به دنبال خودنمایی هستند تشویق می‌کنید که پروژه‌های شتاب‌زده و نسنجیده را کلید بزنند؛ پروژه‌هایی که شکست می‌خورند، اعتبار ایده را زیر سوال می‌برند و باعث خستگی ناشی از تغییرات می‌شوند.

این دقیقا همان چیزی است که برای هوش مصنوعی در بیشتر سازمان‌ها رخ داد. درحالی‌که بیشتر افراد هوش مصنوعی را برای کارهای فردی در پایین‌ترین سطح از هرم ارزش‌آفرینی (مثل نگارش ایمیل یا خلاصه‌سازی جلسات) به کار گرفته‌اند، آن نوع استفاده‌ای که ارزش بیشتری برای مشتریان خلق می‌کند و باعث دگرگونی مدل‌های کسب ‌و کار می‌شود، همچنان به‌ندرت اتفاق می‌افتد. از آن بدتر، هوش مصنوعی تا حد زیادی به «سرهم‌بندی‌ها و خروجی‌های بی‌کیفیت» منجر شده که به بهره‌وری و کیفیت کار لطمه وارد کرده است.

واقعیت این است که نیازی نیست همه افراد را به یکباره وارد میدان کنید و اصلا نباید چنین تلاشی انجام دهید. بهتر است کار را با یک اکثریت هم‌فکر آغاز کنید. این اکثریت می‌تواند یک جمع کوچک باشد، مثلا سه نفر در یک اتاق پنج‌نفره. تا زمانی که تعداد موافقان از مخالفان بیشتر باشد، می‌توانید با تدبیر پیش بروید و نظرها را جلب کنید.

تهیه لیست مقاومت

اندکی پس از آنکه چت‌جی‌پی‌تی و سایر سرویس‌های هوش مصنوعی مولد به طور گسترده در دسترس قرار گرفتند، شرکت‌های مشاوره برجسته‌ای مثل «مک‌کنزی» و PwC، سریعا دست به کار شدند تا به مشتریان خود مشاوره دهند. آنها گزارش‌هایی در تمجید از کاهش چشم‌گیر هزینه‌ها و نقش هوش مصنوعی به عنوان نیرویی پرقدرت برای دگرگونی منتشر کردند. اما چیزی که زیاد به آن اشاره نکردند این بود که مردم چرا و چطور در برابر این تکنولوژی مقاومت خواهند کرد.

این کار همیشه اشتباه است. هر طرح و برنامه‌ای، چه مربوط به تکنولوژی باشد و چه نباشد، با مقاومت روبه‌رو خواهد شد. به همین دلیل است که بیشتر پروژه‌های دگرگونی شکست می‌خورند. در حال حاضر، واکنش‌های منفی علیه هوش مصنوعی در حال افزایشند. مراکز داده با مقاومت شدید مواجه هستند و جوامع محلی در برابر توسعه‌دهندگان ایستادگی می‌کنند. حتی علائم نگارشی مثل خط تیره بلند (که عمدتا در متن‌های نوشته‌شده توسط هوش مصنوعی دیده می‌شود) هم به هدف انتقاد تبدیل شده‌اند (بسیاری از ویراستاران و مخاطبان به محض دیدن این خط تیره‌ها در یک متن، آن را نشانه بی‌اصالتی یا عدم کیفیت می‌دانند و در برابر آن گارد می‌گیرند).

کلید غلبه بر مقاومت این است که پیش از شکل‌گیری آن دست به کار شوید. به همین دلیل است که ما در ابتدای همکاری با یک سازمان، یکی از نخستین کارهایمان این است که کمک کنیم یک «فهرست مقاومت» تهیه کنند. من در تحقیقاتم، ریشه‌های مقاومت را به پنج گروه تقسیم کرده‌ام: عدم اعتماد، خستگی ناشی از تغییر، مشوق‌های متضاد و رقابتی، هزینه‌های تغییر مسیر (جایگزینی)، و هویت، کرامت و احساس ارزشمندی فردی. ما تک تک این موارد را بررسی می‌کنیم، تلاش می‌کنیم نحوه بروز آنها را پیش‌بینی کنیم و استراتژی‌هایی برای غلبه بر آنها پیدا کنیم. بنابراین پیش از آنکه طرح جدیدی را کلید بزنید، یا طرحی را که در دست اجراست ادامه دهید، فهرست مقاومت خودتان را تهیه کنید. چرا ممکن است مردم به آن اعتماد نکنند؟ چه تغییرات دیگری از آنها خواسته شده است؟ چه مشوق‌هایی ممکن است با این طرح در رقابت باشند؟ این طرح چه هزینه‌ها یا سختی‌هایی ایجاد خواهد کرد؟ و این طرح، چگونه ممکن است با تصوری که افراد از خود، مهارت‌ها یا نقششان دارند در تعارض باشد؟ شما نمی‌توانید همه چیز را پیش‌بینی کنید، اما با وقت گذاشتن و بررسی این سوالات می‌توانید چیزهای زیادی را از قبل ببینید. طبیعی است که وقتی یک سری‌میلیاردر حوزه تکنولوژی، می‌آیند و با بزرگنمایی می‌گویند «تکنولوژی ما قرار است همه‌تان را بیکار و دنیا را نابود کند»، موجی از تردید و بدبینی در میان مردم به وجود می‌آید.

ترسیم نقشه قدرت

ما معمولا به تغییر، مثل «سفر یک قهرمان» نگاه می‌کنیم: اینکه یک وضعیت مطلوب در آینده وجود دارد و اگر همه کارهای درست را انجام دهیم، در نهایت به آن نقطه خواهیم رسید. اما داستان واقعی تغییر، در واقع داستان یک کشمکش استراتژیک میان «وضع موجود» و آن «وضعیت مطلوب در آینده» است. وضع موجود از منابع قدرتی برخوردار است که آن را حفظ می‌کند و این منابع، پایه‌ای نهادی و ساختاری دارند (به عبارت دیگر، قدرت وضع موجود، فقط فکری و فردی نیست بلکه پشت آن، ساختارها، قوانین، ذی‌نفعان و منابع وجود دارند که کمک می‌کنند حفظ شود).

برای تدوین یک استراتژی دگرگونی موثر، باید ذی‌نفعان نهادی و ساختاری را که می‌توانند بر نتیجه کار تاثیر بگذارند شناسایی کنید. این ارکان می‌توانند بخش‌ها یا واحدهای عملیاتی درون یک سازمان، نهادهای دولتی، قانونگذاران، تشکل‌ها، انجمن‌های حرفه‌ای و صنفی، رسانه‌ها و موارد دیگر باشند.

مرحله بعدی این است که هر گروه از ذی‌نفعان را براساس میزان پشتیبانی و نفوذشان رتبه‌بندی کنید تا یک «نقشه قدرت» ترسیم کنید. این کار به شما کمک می‌کند کل اکوسیستم دگرگونی را ببینید و استراتژی‌های موثری برای هر گروه نهادی تدوین کنید. شرکت‌های بزرگ حوزه تکنولوژی با برخی گروه‌های ذی‌نفع تعامل داشتند. لابی‌گری‌های خود را به شکل چشم‌گیری افزایش دادند و در جلب نظر سرمایه‌گذاران هم موفق بودند. اما بسیاری از ذی‌نفعان مهم دیگر را نادیده گرفتند؛ از جمله تشکل‌ها و گروه‌های حامی. بسیاری از اتحادیه‌های شغلی نسبت به این تکنولوژی شدیدا بدبین هستند. در سطح شرکتی، بسیاری از مدیران ارشد فناوری اطلاعات، طوری دست به پیاده‌سازی هوش مصنوعی زدند که انگار با نسخه جدید یک نرم‌افزار روبه‌رو هستند. آنها به ندرت، تحلیل ذی‌نفعان را در دستور کار قرار دادند. نتیجه نیز قابل‌پیش‌بینی بود. درحالی‌که گروه کوچکی با اشتیاق فراوان به سوی این تکنولوژی شتافتند، بسیاری از افراد برای هر کاری فراتر از وظایف فردی و کم‌ارزش، در برابرش مقاومت نشان دادند.

 حل مشکلاتی که برای مردم مهم است

هر تلاشی برای ایجاد دگرگونی، ریشه در نوعی نارضایتی دارد. مثلا «باید به مشتریان خدمات بهتری ارائه شود» یا «مشارکت و انگیزه کارکنان بیشتر شود.» این همان چیزی است که نیاز به تغییر را ایجاد می‌کند؛ صرف نظر از اینکه چه ابزارهایی را می‌خواهید به کار بگیرید. صرفا مانور دادن روی قدرت هوش مصنوعی، یا هر تکنولوژی دیگری، شما را به جایی نمی‌رساند.

بسیاری از سازمان‌ها به جای شناسایی مشکلاتی که واقعا برای مردم اهمیت دارد، به دنبال تدوین یک «استراتژی هوش مصنوعی» رفتند. احتمالا به همین دلیل است که تمرکز بسیاری از آنها بر استفاده از هوش مصنوعی برای کاهش تعداد نیروها از طریق تعدیل‌های نسنجیده‌ای بود که بخش زیادی از آنها بعدا مجبور به عقب‌نشینی و بازگرداندن نیروها شدند. آنها با بدترین پیامدهای ممکن روبه‌رو شدند: تضعیف عملیات‌ و تنزل روحیه افراد.

آنچه اهمیت دارد این است که شما باید به همان جایی بروید که انرژی و انگیزه در آن وجود دارد، نه اینکه سعی کنید آن انرژی را خودتان ایجاد یا حفظ کنید. به همین دلیل است که ما همیشه به سازمان‌ها توصیه می‌کنیم کار را با یک «تغییر کلیدی و بنیادی» آغاز کنند؛ تغییری که نماینده یک هدف شفاف و ملموس است، ذی‌نفعان متعدد را دخیل می‌کند و مسیر را برای تغییرات بزرگ‌تر در ادامه مسیر هموار می‌سازد.

به عنوان مثال، وقتی «پُل اونیل» در دهه ۱۹۸۰ تصمیم گرفت شرکت «آلکوا» را دگرگون کند، کار خود را با ارتقای ایمنی در محیط کار آغاز کرد؛ اقدامی که مسیر را برای دستیابی به برتری عملیاتی نیز هموار ساخت. در هر دگرگونی موفقی، ذی‌نفعانی که در مسیر تحقق آن تغییر همراه شدند، در دستیابی به آن چشم‌انداز بزرگ‌تر نیز نقش‌آفرینی کردند.

سخن آخر

تکنولوژی یک اختراع نیست، بلکه راهی برای آشکارسازی است. تکنولوژی پتانسیل‌های جدیدی را آزاد می‌کند که اگر در مسیر درست هدایت شوند، می‌توانند به ما در حل مسائل مهم کمک کنند. این همان چیزیست که مدیران باید بر آن تمرکز کنند، نه مانور دادن روی شگفتی‌های هوش مصنوعی، بلکه چگونگی استفاده از ابزارهای جدید برای حل مشکلاتی که برای مردم اهمیت دارد.

منبع: Fast Company