تصور کنید هر هفته دو تا چهار ساعت از زمان کاری خود را صرف گشتن به دنبال یک میز خالی یا پیدا کردن همکارانتان در راهروهای دفتر کنید. این اتلاف وقت ساده نیست، بلکه یک حفرهٔ مالی عظیم است که سالانه ۹ میلیون دلار از جیب شرکتهای هزار نفره کم میکند. این رقم، هزینهٔ مستقیم اصطکاک در محیط کار است.
مایکا رملی (Micah Remley)، مدیرعامل شرکت رابین (Robin)، معتقد است این هزینهٔ پنهان از شکاف میان بهرهوری دیجیتال و واقعیت آشفتهٔ دفاتر فیزیکی ناشی میشود. در حالی که هوش مصنوعی در دو سال اخیر روی بهینهسازی کدها و یادداشتهای جلسات تمرکز کرده، فضای فیزیکی دفتر همچنان به عنوان یک هزینهٔ ثابت و بر اساس حدس و گمان مدیریت شده است. اکثر خبرهای مربوط به هوش مصنوعی در سال جاری بر لایهٔ دیجیتال کار متمرکز بودهاند؛ یعنی ایجنتهایی که کد مینویسند یا مدلهایی که در تماسها یادداشت برمیدارند. این تمرکز بر ابزارهای دیجیتال در حالی است که برخی پژوهشها نرخ موفقیت عاملهای هوش مصنوعی در وظایف تخصصی را همچنان پایین ارزیابی میکنند، اما در این میان، دفتر فیزیکی به جای آنکه سیستمی باشد که بتوان آن را درک کرد و بهبود بخشید، صرفاً به عنوان هزینهای ثابت دیده شده که باید مدیریت شود.
همانطور که در تحلیلهای قبلی ما دربارهی بهینهسازی زیرساختهای اداری اشاره کردیم، لایهٔ دیجیتال کار پیشرفت کرده اما لایهٔ فیزیکی به حال خود رها شده است. امروزه اکثر کارکنان در محیطهای ترکیبی (Hybrid) کار میکنند؛ یعنی روزهایی که تعداد افراد حاضر در دفتر نوسان شدیدی دارد. این عدم توازن باعث میشود کارمندان شبیه به کسی که در شب عید در یک مرکز خرید به دنبال جای پارک میگردد، در طبقات دفتر به دنبال میز خالی پرسه بزنند. حتی نقشههای طبقات اغلب بر اساس حدسهای کلی ترسیم شدهاند، نه بر اساس شواهدی از نحوهٔ استفادهٔ واقعی مردم از فضا.
طبق گزارش اخیر د کلب کالکتیو (The Collab Collective)، ۶۰٪ از متخصصان عملیات محیط کار میگویند ناتوانی در مدیریت منابعی مثل اتاقهای جلسه در سال گذشته بدتر شده است.
این اصطکاک فقط یک مزاحمت کوچک نیست، بلکه یک تخلیهٔ سیستماتیک بهرهوری است. کارکنان هر هفته بین دو تا چهار ساعت زمان خود را صرف شکار فضای خالی، دنبال کردن همکاران و کلنجار رفتن با سیستمهای اداری مجزا و غیرمتصل میکنند که با هم ارتباط ندارند.
نقطهٔ کور دادهها
املاک معمولاً دومین هزینهٔ بزرگ یک شرکت بعد از حقوق کارکنان است، اما تصمیمات مربوط به اجاره هنوز بر اساس تعداد نفرات (Headcount) گرفته میشود، نه میزان استفادهٔ واقعی. این رویکرد زمانی قابل قبول بود که دفاتر با اشغال ثابت و قابل پیشبینی اداره میشدند، اما در دنیای کار ترکیبی، توجیه این روش دشوار است. دادههای شرکت املاک تجاری سیبیآرئی (CBRE) شدت این نقطهٔ کور را برجسته میکند:
- سازمانها اغلب در شلوغترین روز دفتر خود، با ظرفیت کامل فعالیت میکنند.
- در یک روز معمولی، آنها تنها از حدود یکسوم این ظرفیت استفاده میکنند.
این شکاف به این معناست که طبقاتی که برای پیکِ روز دوشنبه طراحی شدهاند، تا روز پنجشنبه تقریباً خالی میمانند. هیچ مقدار شهود یا غریزه نمیتواند این الگو را به گونهای شناسایی کند که دادههای استفاده (Usage Data) میتوانند. ابزارهای فعلی مشکل را بدتر میکنند چون سیستمهای رزرو، ثبت ورود بازدیدکنندگان، برنامهریزی فضا، خدمات جلسات و تحلیلها معمولاً روی سیستمهای جداگانهای اجرا میشوند که قادر به برقراری ارتباط با یکدیگر نیستند.
برای مثال، ابزار زمانبندی که نمیداند یک اتاق در واقعیت چگونه استفاده میشود، در زمان مذاکرات تمدید اجاره هیچ اهرمی در اختیار مدیریت قرار نمیدهد. به همین ترتیب، تحلیلهایی که در یک داشبورد مجزا قرار دارند، نمیتوانند به طور خودکار کسی را که رزرو اتاقش لغو شده، به اتاقی دیگر منتقل کنند.
هوش مصنوعی چگونه لایهٔ فیزیکی را حل میکند؟
هوش مصنوعی میتواند دفتر را به جای یک هزینهٔ ثابت، به عنوان یک سیستم پویا ببیند. همانطور که هوش مصنوعی میتواند تقاضا را پیشبینی کند یا تیکتهای پشتیبانی را مسیریابی کند، میتواند یاد بگیرد که کدام میزها و اتاقها، توسط چه کسانی و در چه زمانی استفاده میشوند. این فناوری میتواند شناسایی کند کدام طبقات بلااستفاده ماندهاند و متوجه شود تجهیزات صوتی و تصویری (AV) در کجا به طور روتین دچار نقص میشوند. این رویکرد بخشی از یک تحول گستردهتر است که در آن چرخشهای مهندسی در سالهای آینده، نحوه تعامل ما با نرمافزار و سختافزار را بازتعریف میکنند.
به نقل از مستندات رابین، استقرار هوش مصنوعی در محیط کار دو هدف را همزمان پیش میبرد:
- برای کارکنان: لجستیک را حل میکند؛ یعنی افراد را بهطور خودکار به فضای خالی متصل کرده و منابع آزاد را در لحظه نمایش میدهد تا نیاز به جابجایی اضطراری جلسات در لحظات آخر نباشد.
- برای تیمهای عملیات: سیگنالهای کوچک را تحلیل میکند — اینکه چه کسی، چه چیزی را، چه زمانی و هر چند وقت یکبار رزرو کرده است — تا تصویری شفاف از عملکرد واقعی فضا ارائه دهد.
برای تیمهای تاسیساتی، نتیجهٔ این کار کاملاً مشخص و قابل اندازهگیری است. اگر یک سازمان کشف کند که ۴۰٪ از جلساتش در بخش کوچکی از اتاقهای کنفرانس برگزار میشود، میتواند اولویت ارتقای تجهیزات AV را روی همان نقاط متمرکز کند. سایر فضاهای کمکاربرد را میتوان به جای انجام تعمیرات روتین و غیرضروری، برای همکاریهای تیمی بازطراحی کرد.
این چرخش، حدس و گمان را با شواهد جایگزین میکند. مدیران میتوانند طبقات بلااستفاده را ادغام کنند و هنگام تمدید قرارداد اجاره، بر اساس تقاضای واقعی، قدرت چانهزنی پیدا کنند. این دقیقاً همان منطقی است که شرکتها پیش از این برای بهینهسازی صفهای پشتیبانی و اینباکسهای خود به کار میبردند: جایگزینی حدس با دادههای با دقت بالا (High-fidelity data).
برای یک کارمند معمولی، این به معنای پایان «شکار میز» است. برای یک مدیر مالی (CFO)، این یعنی تبدیل یکی از بزرگترین ردیفهای هزینهای در ترازنامه از یک مخارج کور به یک دارایی بهینه شده. سازمانهایی که زودتر این مسیر را برگزینند، نه تنها هزینه کمتری برای فضاهای بلااستفاده میپردازند، بلکه ساعتهایی را که کارکنانشان به طور بیصدا در اثر اصطکاک محیط کار از دست میدادند، به آنها بازمیگردانند.
چه شرکت شما کاملاً دورکار باشد و چه ترکیبی، مرز بعدی هوش مصنوعی یک پنجرهٔ چت جدید نیست، بلکه صندلیای است که روی آن نشستهاید. شما باید نظارت کنید که نرمافزار مدیریت فعلی شما چگونه با حسگرهای اشغال لحظهای (Occupancy Sensors) یکپارچه میشود تا متوجه شوید آیا دفتر شما در حال نشت درآمد است یا خیر.
گام بعدی شما
- بررسی کنید که آیا نرمافزار مدیریت دفتر شما با حسگرهای اشغال لحظهای (Occupancy Sensors) یکپارچه است یا خیر.
- دادههای استفاده از اتاقهای جلسه را استخراج کنید تا نقاط پرتراکم و نقاط مردهٔ دفتر را شناسایی کنید.
- مدلهای اجارهٔ دفتر را از «تعداد نفرات» به «ساعات استفادهٔ واقعی» تغییر دهید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell و پردازش لبهای در دفاتر هوشمند مراجعه کنید.
گفتگو