تصور کنید در هفتهای ۵ ساعت زمان اضافه داشته باشید تا بهجای غرق شدن در ایمیلها، روی استراتژیهای واقعی تیمتان تمرکز کنید؛ این دقیقاً همان اتفاقی است که برای اکثریت مدیران میانی در حال رخ دادن است. طبق اعلام سالزفورس (Salesforce) در ۱۶ ژوئیه ۲۰۲۶، ۷۷٪ از مدیران میانی اکنون با استفاده از ابزارهای هوش مصنوعی، بیش از ۳ ساعت در هفته صرفهجویی میکنند.
این تغییر، مدیران را در مرکز گذاری به سمت مدلهای کسبوکار عاملمحور (Agentic) — یعنی ساختاری که در آن هوش مصنوعی نه فقط یک دستیار، بلکه مانند کارمندی است که میتواند بهتنهایی هدف را بفهمد و مراحل اجرا را پیش ببرد — قرار میدهد. بر اساس نظرسنجی از ۵۰۰ مدیر میانی، دو-سوم آنها نسبت به نقش هوش مصنوعی در آیندهی مشاغل خوشبین هستند.
در حالی که مدیریت ارشد بر اتوماسیون فشار میآورد، اصطکاک واقعی در لایه میانی رخ میدهد. مدیران اکنون پل ارتباطی بین استراتژیهای کلان شرکت و نیروی کاری هستند که در آن بیش از نیمی از کارکنان اداری در آمریکا همچنان نسبت به هوش مصنوعی بدبیناند. برای این رهبران، هوش مصنوعی از بهرهوری ساده فراتر رفته و به تحلیلهای پیچیده دادهای برای تصمیمگیریهای آگاهانهتر و پروژههای خلاقانه تبدیل شده است.
همانطور که در تحلیلهای پیشین ما دربارهی چالشهای استقرار مدلهای زبانی در سازمانها اشاره کردیم، پذیرش ابزار تنها نیمی از مسیر است و نیمی دیگر مربوط به تغییر فرهنگ سازمانی است.
چرخش در روابط سازمانی
به نقل از این گزارش، انتقال به یک کسبوکار خودکار نیازمند چیزی است که سالزفورس آن را «۷ R» (Relational Transformation) مینامد. این چارچوب تأکید میکند که تبدیل شدن به یک سازمان عاملمحور، کمتر به تکنولوژی و بیشتر به آدمها و فرآیندها مربوط است:
- بازطراحی (Redesign) فرآیندهای کسبوکار
- بازآموزی (Re-skilling) کارکنان
- توزیع مجدد (Redeployment) استعدادها در نقشهای جدید
- بازسازی (Restructure) ساختارهای سازمانی و مالی
- بازپسگیری (Reclamation) ارزشهای ذینفعانی که پیشتر نادیده گرفته شده بودند
- بازتنظیم (Recalibration) معیارهای سنجش بر اساس هوش مصنوعی
- بازتعریف ماموریت (Re-mandate) برای رهبری با تمرکز بر کنترل هدایتی بهجای کنترل عملیاتی
مسئولیتپذیری مدیران
بر اساس مستندات این پژوهش، ۷۸٪ مدیران احساس تعهد شخصی میکنند تا مطمئن شوند تیمهایشان با موفقیت از ابزارهای هوش مصنوعی استفاده میکنند. با این حال، تنها ۳۲٪ در شرکتهایی کار میکنند که پذیرش هوش مصنوعی را بهطور رسمی رصد میکنند. این موضوع محیطی پرفشار ایجاد کرده است؛ بهطوری که از هر ۲ مدیر، تقریباً یک نفر فشار رهبری را برای اثبات پذیرش ابزارها حس میکند و ۵۱٪ درباره موارد کاربرد و سرعت تغییرات دچار اضطراب هستند.
دیدگاههای جهانی و موانع
الگوهای پذیرش جهانی تفاوتهای شدیدی دارند. طبق گزارش سالزفورس از ۱۵۰۰ کارکن اداری در چهار قاره، کارکنان آمریکایی ۴۳٪ بیشتر از میانگین جهانی به هوش مصنوعی بدبین هستند. در مقابل، ۹۰٪ افراد در اقتصادهای نوظهور انتظار دارند هوش مصنوعی فرصتهای پیشرفت شغلی آنها را افزایش دهد.
در آمریکا، موانع موفقیت ریشه در تجربه کارکنان دارد. سه دلیل اصلی شکست ابزارهای هوش مصنوعی یا طرحهای آزمایشی در آمریکا عبارتند از:
- خروجیهای کلی و غیردقیق
- آموزشهای ناکافی
- اعتماد پایین به نتایج تولید شده
پیشنیازهای موفقیت
برای پر کردن این شکاف، مدیران درخواست منابع مشخصی برای عبور از مرحله آزمایشی دارند. این نظرسنجی نشان داد که ۳۷٪ مدیران خواهان آموزشهای عملی هستند، ۳۵٪ استراتژی سازمانی شفافتری میخواهند و ۳۴٪ به پشتیبانی فنی بهتر IT نیاز دارند.
برنامههای موفق هوش مصنوعی به چیزی بیش از نرمافزار نیاز دارند: دادههای قابلاعتماد، حامیان در سطح مدیریت ارشد، یک زیرساخت تکنولوژیک مدرن و اپلیکیشنهای تجاری یکپارچه. علاوه بر این، مدیران باید فرهنگی را پرورش دهند که آزمایش و یادگیری مداوم را بپذیرد. بسیاری از مدیران اکنون میتوانند مزایای ملموس عاملهای هوش مصنوعی را تنها ۶۰ روز پس از استقرار اثبات کنند.
این دادهها نشان میدهد نقش مدیر از «ناظر عملیاتی» به «هماهنگکننده هوش مصنوعی» تغییر کرده است. آنها دیگر فقط آدمها را مدیریت نمیکنند، بلکه نقطه تلاقی استعداد انسانی و گردشهای کاری عاملمحور را مدیریت میکنند. مدیران پیشبینی میکنند که طی ۲ تا ۳ سال آینده، تغییرات بنیادینی در ماهیت شغلشان رخ دهد.
در نهایت، موفقیت هوش مصنوعی در سازمانها یک مسئله انسانی است، نه یک مشکل نرمافزاری. شرکتهایی که روی جنبههای رابطهای — یعنی آموزش، فرهنگ و شفافیت ماموریت — سرمایهگذاری میکنند، احتمالاً از کسانی که فقط آخرین مدل را میخرند، پیشی میگیرند.
گام بعدی شما
- اگر مدیر هستید، گردش کارهای فعلی خود را بررسی کنید تا ببینید کدامیک از «۷ R» در دپارتمان شما نادیده گرفته شده است.
- بهجای تمرکز بر خرید ابزار، روی ایجاد یک سیستم رصد رسمی برای اندازهگیری نرخ پذیرش ابزار در تیم تمرکز کنید.
- برای کاهش بدبینی تیم، بر روی خروجیهای تخصصی بهجای خروجیهای کلی (Generic) سرمایهگذاری کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو