بازطراحی سازمانی در برابر اتوماسیون ساده در رقابت هوش مصنوعی

تصور کنید شرکت بلاک‌باستر درست لحظاتی پیش از ظهور نتفلیکس، تمام فرآیندهای خود را اتوماتیک کرده باشد؛ آیا این کار آن‌ها را نجات می‌داد یا فقط سرعت سقوطشان را زیاد می‌کرد؟ استیون استراوس، مدیرعامل و هم‌بنیان‌گذار KUNGFU.AI، از این داستان عبرت‌آموز برای هشدار به مدیرانی استفاده می‌کند که تصور می‌کنند تمرکز صرف بر افزایش بهره‌وری، جایگزین بازطراحی استراتژیک می‌شود. او هشدار می‌دهد که تمرکز تنها بر دستاوردهای بهره‌وری، ریسکی وجودی برای سازمان‌هایی ایجاد می‌کند که نمی‌توانند پیش از دیگران، خودشان را تخریب و بازسازی کنند.

این تغییر دیدگاه در زمانی رخ می‌دهد که سازمان‌ها از هیجانات اولیه مدل‌های زبانی بزرگ (LLM) — که شبیه کتابخانه‌داری است که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — به سمت سیستم‌های عملیاتی و آماده برای تولید حرکت می‌کنند. طبق گزارش استراوس، بسیاری از شرکت‌ها با هوش مصنوعی مانند یک به‌روزرسانی نرم‌افزاری برخورد می‌کنند، در حالی که واقعیت، یک تغییر بنیادین در مبانی رقابت است. برای رهبران کسب‌وکار، شکاف دیگر در «داشتن ابزار» نیست، بلکه در این است که ابزار چگونه ماهیت صنعت را تغییر می‌دهد.

مدل خدماتی توانمند شده با AI

شرکت KUNGFU.AI که در سال ۲۰۱۷ در آستین تأسیس شد، یک شرکت مشاوره مدیریت و مهندسی است که منحصراً بر هوش مصنوعی تمرکز دارد. این شرکت استراتژی AI را با مهندسی ترکیب می‌کند تا سازمان‌ها را از مرحله آزمایش و تجربه به سیستم‌های AI آماده برای تولید برساند. حوزه‌های فعالیت فنی آن‌ها بسیار گسترده است و موضوعاتی چون هوش مصنوعی عامل‌محور (Agentic AI)، یادگیری ماشین، بینایی ماشین، حاکمیت AI و همکاری انسان و ماشین (Human-Machine Teaming) را در بر می‌گیرد. در این راستا، درک عمیق‌تر از نیت‌های کاربر برای موفقیت این عامل‌ها حیاتی است، موضوعی که راهکارهای جدیدی برای پر کردن شکاف بستر (Context) در سیستم‌های عامل‌محور ارائه می‌دهند.

به نقل از استراوس، این شرکت پس از عرضه ChatGPT از یک شرکت خدمات حرفه‌ای AI به یک شرکت «توانمند شده با AI» تبدیل شد. اگرچه این شرکت پیش از ظهور LLMها اتوماسیون داخلی محدودی را انجام داده بود، اما چرخش به سمت AI عامل‌محور به آن‌ها اجازه داد تا مدل عملیاتی خود را به‌طور بنیادین تغییر دهند.

این گذار به یک نتیجه ملموس منجر شد: درآمد شرکت در سال گذشته بیش از ۸۰٪ رشد کرد، در حالی که تعداد کارکنان ثابت ماند. این جداسازی رشد درآمد از تعداد نیروی انسانی، به عنوان یک نقشه راه برای عصر جدید خدمات حرفه‌ای عمل می‌کند و ثابت می‌کند که رشد دیگر نیازمند افزایش خطی در تعداد کارکنان نیست.

تفاوت AI و نرم‌افزارهای سنتی

استراوس استدلال می‌کند که اشتباه اصلی مدیران ارشد، برخورد با AI مانند یک پیاده‌سازی نرم‌افزاری استاندارد است. او در کتاب خود با عنوان «راهیابی» (Wayfinding: A Business Fable About Leading in the Age of AI) که با همکاری بن زوهای نوشته شده، تفاوت‌های حیاتی بین این دو پارادایم را چنین شرح می‌دهد:

• تجربه کاربری: نرم‌افزار سنتی قطعی (Deterministic) است؛ اما AI احتمالی (Probabilistic) است.
• انعطاف‌پذیری: نرم‌افزار به به‌روزرسانی‌های مجزا و گسسته نیاز دارد؛ اما AI قادر است با استفاده از داده‌های جدید به‌روز شود.
• عملکرد: نرم‌افزار به کد متکی است؛ اما AI به کد و بستر استفاده (Context) در لحظه استنتاج (Inference) — یعنی همان لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه خودِ آشپزی نه دوره آموزش آن — وابسته است.
• پایه تصمیم‌گیری: نرم‌افزار منطق‌محور است و همین امر آن را شفاف‌تر و قابل تفسیرتر می‌کند؛ اما AI داده‌محور است و اغلب می‌تواند مانند یک «جعبه سیاه» عمل کند.
• رویکرد توسعه: نرم‌افزار مسیرهای خطی را دنبال می‌کند؛ اما AI نیازمند یک رویکرد تکرارشونده (Iterative) است.
• مدیریت پروژه: نرم‌افزار از متدهای آبشاری (Waterfall) یا اسکرام سنتی پیروی می‌کند؛ اما AI به «راهیابی» نیاز دارد که یک رویکرد چابک ترکیبی است.
• تمرکز بر بازگشت سرمایه (ROI): نرم‌افزار بر افزایش بهره‌وری و درآمدهای جدید گاه‌به‌گاه تمرکز دارد؛ اما AI بر بهره‌وری، درآمدهای جدید و ایجاد یک ارزش‌گذاری ویژه (Valuation Premium) به دلیل پیشرو بودن در تکنولوژی تمرکز می‌کند.
• استعدادها: شرکت‌های نرم‌افزاری متخصصانی را برای اثرگذاری خطی استخدام می‌کنند؛ اما شرکت‌های AI باید «یادگیرندگانی» را برای اثرگذاری نمایی جذب کنند.
• فرهنگ: نرم‌افزار بر فرهنگ «برنامه‌ریزی و اجرا» استوار است که در آن امنیت روانی مطلوب است؛ اما AI به فرهنگ «یادگیری و انطباق» نیاز دارد، جایی که امنیت روانی برای تشویق به آزمایشگری ضروری است.

مسیر رسیدن به تولید

بسیاری از سازمان‌ها در «برزخِ پایلوت» گیر کرده‌اند؛ یعنی آزمایش‌های بی‌پایانی می‌کنند که هرگز به دنیای واقعی و عملیاتی نمی‌رسند. KUNGFU.AI در بیش از ۱۲۰ پروژه در ۳۰ صنعت مختلف از جمله بهداشت و درمان، دولت، سهام خصوصی (Private Equity)، خرده‌فروشی، امور مالی و بیمه فعالیت کرده است. این شرکت گزارش می‌دهد که ۹۶٪ از تعهدات و پروژه‌هایش به مرحله تولید واقعی می‌رسند.

استراوس این نرخ موفقیت را به دو عامل اصلی نسبت می‌دهد: روان‌شناسی رهبری و جاه‌طلبی در اهداف. او دو تیپ یا آرکتایپ از رهبران را شناسایی می‌کند:

۱. رهبر آسیب‌پذیر: این رهبران با این پذیرش به سراغ AI می‌روند که: «این موضوع کاملاً جدید است. ما آن‌قدر که برای تصمیم‌گیری لازم است، نمی‌دانیم چه می‌کنیم». آن‌ها با اشتباه کردن، یادگیری از آن و احاطه کردن خود با متخصصان راحت هستند.
۲. رهبر متکبر: این رهبران اعتمادبه‌نفس کاذبی را به نمایش می‌گذارند و باور دارند که بدون نیاز به تواضع برای یادگیری، می‌دانند چگونه این گذار را مدیریت کنند.

موفق‌ترین سازمان‌ها آن‌هایی هستند که به دنبال مدل‌های کسب‌وکار توانمند شده با AI هستند که بر داده‌های اختصاصی بنا شده و «نقاط شکست» (Fracture Points) در ساختار صنعت خود را هدف قرار می‌دهند تا صنعت را تغییر داده و در آن پیشرو شوند.

بازطراحی کار و داده‌ها

با تکامل AI عامل‌محور، استراوس پیشنهاد می‌کند که هدف نباید صرفاً قرار دادن ابزارها در مقابل انسان‌ها باشد، بلکه باید کار را حول «تیم‌های انسان-ماشین» بازطراحی کرد. این چارچوب، تحقیقاتی که ۵۰ سال پیش انجام شده بود را در عصر مدرن AI به کار می‌گیرد. هدف این است که خودِ ماهیت کار حول تیم‌هایی بازطراحی شود که هر دو هوش انسانی و ماشینی را ادغام می‌کنند. این رویکرد با این دیدگاه همسو است که برتری انسان در عصر هوش مصنوعی به ارکانی چون زمینه، خلاقیت و ارتباطات وابسته است تا جایگاه انسان در سیستم‌های جدید تثبیت شود.

این رویکرد، نقش انسان را از «اجرای وظایف» به «طراحی سیستم‌هایی که وظایف را اجرا می‌کنند» تغییر می‌دهد. انسان‌ها به‌طور فزاینده‌ای قضاوت، نظارت و درک بستر (Context) را فراهم خواهند کرد که تکنولوژی هنوز به آن نیاز دارد. استراوس تأکید می‌کند که با افزایش توانمندی عامل‌های خودمختار، شرکت‌ها باید در مورد تعریف این نقش‌ها بسیار دقیق و آگاهانه عمل کنند.

برای پشتیبانی از این ساختار، استراوس بر نیاز فوری به آرشیو داده‌ها تأکید می‌کند. او اشاره می‌کند که بخش «هوش» در AI به‌سرعت در حال تبدیل شدن به یک کالای عمومی (Commoditized) است. او از این تشبیه استفاده می‌کند که «بهترین زمان برای کاشت درخت ۴۰ سال پیش بود؛ دومین زمان مناسب، همین امروز است». به همین ترتیب، شرکت‌ها باید هرچه بیشتر داده‌های تجاری خود را امروز جمع‌آوری و آرشیو کنند، حتی اگر در حال حاضر کاربرد فوری برای آن‌ها نداشته باشند، تا یک «خندق دفاعی» (Moat) پایدار بسازند.

در حالی که تکنولوژی‌های خارجی و مدل‌های بنیادی مفید هستند، استراوس استدلال می‌کند که استراتژیک‌ترین کاربردها، راهکارهای سفارشی (Bespoke) هستند که روی دارایی‌های داده‌ای اختصاصی شرکت بنا شده‌اند. او خاطرنشان می‌کند که مدل‌های سنتی AI یا یادگیری ماشین معمولاً به‌صورت آماده در بازار موجود نیستند و اگر هم باشند، ممکن است دقت لازم برای ایجاد ارزش واقعی تجاری یا توانایی استفاده از داده‌های اختصاصی را نداشته باشند.

حاکمیت در سطح هیئت‌مدیره

هیئت‌مدیره‌های شرکتی اغلب منحصراً بر محافظت در برابر ضرر و کاهش ریسک تمرکز می‌کنند. استراوس این رویکرد را یک اشتباه می‌داند. هیئت‌مدیره‌ها با مجموعه‌ای از چالش‌های جدید روبرو هستند و باید تعادلی بین کاهش ریسک و تشویق به ریسک‌پذیری و تأمین منابع ایجاد کنند.

او پیشنهاد می‌کند که هیئت‌مدیره‌ها باید مدیریت را به سمت مدل‌های کسب‌وکار توانمند شده با AI سوق دهند که بر داده‌های اختصاصی بنا شده و می‌توانند مبانی رقابت را تغییر دهند. بدون این فشار استراتژیک، افزایش‌های جزئی در بهره‌وری بی‌معنی است، زیرا کل صنعت ممکن است توسط رقیبی چابک‌تر تخریب شود. هیئت‌مدیره‌ها باید نقش نظارتی سنتی خود را با تشویق فعالانه آزمایشگری متوازن کنند تا اطمینان یابند شرکت عقب نمی‌ماند.

چارچوب راهیابی (Wayfinding)

در کتاب Wayfinding، استراوس و زوهای از یک داستان تجاری — با الهام از نویسندگانی مانند پاتریک لنسیونی — برای بررسی روان‌شناسی رهبری استفاده کرده‌اند. این کتاب داستان مدیرعاملی را دنبال می‌کند که ۹۰ روز فرصت دارد استراتژی AI خود را تدوین کند یا با خطر جایگزینی روبرو شود. این قالب به آن‌ها اجازه می‌دهد تا مطالب تخصصی، از جمله ۱۱ چارچوب اصلی را به روشی جذاب برای رهبران پرمشغله آموزش دهند.

یکی از چارچوب‌های مرکزی، خودِ «راهیابی» است که در واقع انطباق متد Agile برای AI است. این یک فرآیند ساختاریافته و فرضیه‌محور برای بررسی داده‌ها و تأیید امکان‌سنجی یک راهکار، پیش از متعهد شدن به ساخت کامل در مرحله تولید است. این فرآیند به دو سوال کلیدی پاسخ می‌دهد: آیا راهکار ارزش ساختن دارد و آیا اصلاً کار خواهد کرد؟ این متدولوژی دلیل اصلی است که KUNGFU.AI توانسته است بیش از ۵۰ بار نمونه‌های اولیه (PoC) را برای مشتریان خود به مرحله تولید واقعی برساند.

دیدگاه سرمایه‌گذاری خطرپذیر (VC)

استراوس با بازگشت به دوران خود به عنوان شریک عمومی در Austin Ventures در زمان رونق و سقوط حباب دات‌کام، شباهت‌های واضحی می‌بیند. او ۶ سال پیش از ChatGPT شرکت KUNGFU.AI را تأسیس کرد، چرا که بر اساس «تطبیق الگوها» (Pattern Matching) از انقلاب اینترنت، این مسیر را پیش‌بینی کرده بود. او به یاد می‌آورد که در ۱۱ سالگی یک اپل ۱ (Apple I) را دیده بود، که اکنون آن را به عنوان آغاز انقلاب کامپیوترهای شخصی شناسایی می‌کند.

استراوس که همچنین هم‌بنیان‌گذار mbue (که توسط Bluebeam خریداری شد) است، به عنوان شریک و منتور در Capital Factory و عضو هیئت مشورتی مهندسی در دانشکده مهندسی Cockrell دانشگاه تگزاس در آستین فعالیت می‌کند. او همچنین ریاست Impact Dyslexia را بر عهده دارد و Startup Diversity and Inclusion Pledge را تأسیس کرده است که نشان‌دهنده تمرکز او بر تأثیرات اجتماعی مثبت تکنولوژی و رهبری است.

او با کلاه سرمایه‌گذار خطرپذیر خود هشدار می‌دهد که تشخیص برندگان بلندمدت از بازندگان در چشم‌انداز فعلی AI تقریباً غیرممکن است. او معتقد است بسیاری از استارتاپ‌های فعلی AI در حال ساخت محصولاتی هستند که در نهایت به قابلیت‌های ساده‌ای (Features) در مدل‌های بنیادی تبدیل خواهند شد. او مانند دوران دات‌کام، انتظار دارد تعداد کمی برنده عظیم و مقدار زیادی سرمایه از دست رفته وجود داشته باشد، زیرا تکنولوژی به شکلی غیرقابل پیش‌بینی حرکت می‌کند. او اشاره می‌کند که سرمایه‌گذاران امروز برای دستیابی به بازدهی‌های سطح اول باید شرط‌بندی‌های بزرگ و جسورانه‌ای انجام دهند، اما سرعت تکامل، شناسایی مزیت‌های رقابتی پایدار را دشوار کرده است.

گام بعدی شما

• بررسی کنید آیا در سازمان خود فقط به دنبال «بهره‌وری» هستید یا در حال بازطراحی مدل کسب‌وکار با AI هستید.
• استراتژی جمع‌آوری و آرشیو داده‌های اختصاصی (Proprietary Data) را همین امروز آغاز کنید، حتی اگر فعلاً کاربردی برای آن‌ها ندارید.
• متد «راهیابی» را جایگزین مدیریت پروژه خطی برای پروژه‌های AI کنید تا از گرفتار شدن در «برزخ پایلوت» رها شوید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.