تصور کنید شرکتی هستید که برای تمام کارکنانش لایسنس‌های گران‌قیمت هوش مصنوعی خریده، اما هیچ‌کس نمی‌داند وقتی مدل اشتباه می‌کند، چه کسی باید پاسخگو باشد. این دقیقاً همان نقطه‌ای است که اکثر سازمان‌ها در مسیر بهره‌وری سقوط می‌کنند.
طبق اعلام کریس پری (Chris Perry)، بنیان‌گذار و مدیرعامل Andus Labs، شکافی تکان‌دهنده میان «فعالیت» و «اثرگذاری» وجود دارد: ۸۰٪ سازمان‌ها هوش مصنوعی را پذیرفته‌اند، اما تنها ۵٪ آن‌ها واقعاً نحوه انجام کارها را تغییر داده‌اند.
بسیاری از شرکت‌ها با هوش مصنوعی مانند یک به‌روزرسانی نرم‌افزاری برخورد می‌کنند، نه یک چرخش سازمانی. آن‌ها لایسنس‌ها را تخصیص می‌دهند و عامل‌ها (Agents) — شبیه به دستیاران دیجیتالی که می‌توانند به‌جای شما کارهای پیچیده را پیش ببرند — را مستقر می‌کنند، اما سیستم‌های انسانی زیربنایی، یعنی جریان‌های کاری (Workflows)، حقوق تصمیم‌گیری و طراحی مشاغل را کاملاً دست‌نخورده باقی می‌گذارند.
این شکست بازتاب‌دهنده یک الگوی تاریخی در پذیرش تکنولوژی است. پری که بیش از ۲۲ سال در Weber Shandwick در نقش‌هایی از جمله رئیس آینده‌پژوهی، مدیر ارشد نوآوری و رئیس ارتباطات دیجیتال فعالیت کرده، این چرخه را بارها دیده است. او پیش از حضور در Weber Shandwick، در بخش ارتباطات تکنولوژی در General Motors کار می‌کرد و همچنین به عنوان معاون رئیس در Edelman خدمت کرده است. در تمام این نقش‌ها، تمرکز حرفه‌ای او بر تحول دیجیتال، تکنولوژی‌های نوظهور و رابطه در حال تکامل میان تکنولوژی و افرادی بوده است که مسئول به کار انداختن آن هستند.
پری اشاره می‌کند که در موج‌های شبکه‌های اجتماعی، وبلاگ‌ها، ویدیو، موبایل و داده‌ها، تکنولوژی همیشه زودتر از همه رسید. مردم شروع کردند به استفاده شخصی از این ابزارها، در حالی که رهبری سازمان و ساختارهای شرکتی آخرین کسانی بودند که حرکت کردند.
در دوران‌های گذشته، شرکت‌ها در طول این فاصله زمانی (Lag) فرصت‌های زیادی را از دست دادند، اما در نهایت کارها انجام می‌شد. اما هوش مصنوعی متفاوت است، زیرا روش انجام کار را مستقیماً در دل نرم‌افزار ادغام می‌کند. پری این پدیده را ابتدا در استودیوی هنرهای گرافیکی پدرش در دیترویت مشاهده کرد. زمانی که دسکتاپ پابلیشینگ (نشر رومیزی) وارد شد، کار حروف‌چین‌ها و تصویرگران را به داخل نرم‌افزار منتقل کرد و مدل کسب‌وکار موجود را در هم شکست. پدر او این تغییر را تا زمانی که دیگر خیلی دیر شده بود، ندید. او معتقد است هوش مصنوعی با کارهای دانشی همان کاری را می‌کند که دسکتاپ پابلیشینگ با آن استودیو کرد.
به همین دلیل، Andus Labs در سال ۲۰۲۵ با هدف ایجاد آنچه پری «سیستم‌عامل انسانی برای هوش مصنوعی» (Human OS for AI) می‌نامد، تأسیس شد. مأموریت این شرکت ساخت یک لایه عملیاتی است که برای هماهنگ کردن کارها میان انسان‌ها و عامل‌های هوشمند طراحی شده است. این رویکرد بر این پیش‌فرض استوار است که سرمایه‌گذاری‌های AI اغلب شکست می‌خورند، زیرا آمادگی سازمانی، جریان‌های کاری و نرخ پذیرش، عقب‌تر از خودِ تکنولوژی حرکت می‌کنند. فعالیت‌های این شرکت شامل برنامه‌های ارکستراسیون کار با AI، محصولاتی برای تقویت یادگیری سازمانی و شبکه‌ای از متخصصان، هنرمندان و انسان‌گرایانی است که همکاری انسان و AI را بررسی می‌کنند. این تلاش برای بازتعریف تجربه کارکنان با رویکردی مشابه استراتژی Unily برای تبدیل تجربه کارکنان به یک مرکز هوش مصنوعی حاکم همسو است تا بهره‌وری واقعی جایگزین پذیرش سطحی شود.
شاخص Ground Truth
برای کمی کردن این شکست‌های سازمانی، Andus Labs شاخص Ground Truth را توسعه داد. این شاخص از کتابخانه‌ای متشکل از ۳۰۰ الگوی مستند استخراج شده است که از طریق تعاملات و گفتگوهای گسترده با رهبران در ۵۹۵ سازمان مختلف مشاهده و ثبت شده‌اند.
متدولوژی و قضاوت انسانی
این متدولوژی از ترکیبی از هوش مصنوعی و قضاوت انسانی استفاده می‌کند تا از این خطر که شاخص صرفاً پیش‌فرض‌های موجود را تقویت کند، جلوگیری شود. هر الگو با سیگنال‌هایی که در گفتگو با رهبران کسب‌وکار شنیده یا دیده شده است، آغاز می‌شود. این سیگنال‌ها با کتابخانه الگوها چک می‌شوند، در مشاهدات میدانی آزمایش می‌گردند و با تحقیقات خارجی مقایسه می‌شوند تا مشخص شود آیا واقعاً الگویی جدید هستند یا صرفاً یک الگوی موجود را تقویت می‌کنند. این رویکرد مبتنی بر شواهد، یادآور اهمیت تست‌های مبتنی بر شواهد در امنیت سایبری است تا از تبدیل شدن قابلیت‌های فنی به ابزارهای صرفاً بازاریابی جلوگیری شود.
این فرآیند از یک خط لوله فنی سخت‌گیرانه پیروی می‌کند:
- امتیازدهی AI: پنج عامل تحلیل‌گر مستقل، هر الگو را در پنج بعد مختلف امتیازدهی می‌کنند.
- تست کور: عامل‌ها به‌صورت کور (Blind) کار می‌کنند تا هیچ عاملی نتواند بر دیگری تأثیر بگذارد. هر عامل الگو را از یک لنز حرفه‌ای متفاوت می‌خواند.
- محاسبه میانه: تیم از امتیاز میانه (Median) استفاده می‌کند تا یک داده پرت (Outlier) نتواند نتایج را به شدت تغییر دهد.
- داوری انسانی: یک تیم پژوهشی، ۵۰ رتبه اول را بررسی می‌کند تا ۲۵ مورد نهایی را تعیین کند.
- حل تعارض: پژوهشگران انسانی به‌طور خاص روی مناطقی تمرکز می‌کنند که عامل‌ها در آن اختلاف نظر دارند یا جایی که هایپ رسانه‌ای با مشاهدات میدانی در تضاد است.
- تغییرات مبتنی بر شواهد: یک امتیاز تنها زمانی می‌تواند تغییر کند که مشاهده‌ای مستند وجود داشته باشد؛ یعنی چه کسی مسئله را مطرح کرده، چند بار شنیده شده و آیا در سازمان‌های مختلف تکرار شده است یا خیر. حدس و گمان هرگز برای تغییر یک امتیاز کافی نیست.
موانع اصلی تحول هوش مصنوعی
این شاخص چندین الگوی بحرانی را شناسایی کرده است که مانع بازگشت سرمایه (ROI) می‌شوند. رتبه اول را «صندلی‌های خالی» (Empty Chairs) دارد. این وضعیت زمانی رخ می‌دهد که سازمان‌ها به سیستم‌های هوش مصنوعی اجازه می‌دهند بر تصمیمات حساس — مانند استخدام، قیمت‌گذاری و مدیریت ریسک — تأثیر بگذارند، اما به‌وضوح مشخص نمی‌کنند که چه کسی پاسخگو است یا چه کسی اختیار لغو آن تصمیمات را دارد.
وقتی یک تصمیم به چالش کشیده می‌شود، مسئولیت اغلب در شکافی میان شخصی که سیستم AI را خریده و شخصی که از آن استفاده می‌کند، گم می‌شود. پری استدلال می‌کند که پاسخگویی معنادار مستلزم وجود یک رهبر نام‌برده است که خروجی سیستم را ببیند و بتواند نتیجه را توضیح دهد، آن را اصلاح کند یا سیستم را متوقف سازد. این امر نیازمند داشتن اختیار بر فرآیندهایی است که معمولاً چندین دپارتمان مختلف را در بر می‌گیرند.
او برای تست این موضوع از مدیران می‌خواهد یک تصمیم حساس را که AI در این فصل به اتخاذ آن کمک کرده نام ببرند و بگویند دقیقاً چه کسی مسئول آن است. وقتی پاسخ نامشخص باشد، یعنی شرکت فرآیند تصمیم‌گیری خود را تغییر داده اما هنوز تعیین نکرده است که چه کسی پاسخگوی نتایج است.
رتبه دوم به «یادگیری در حال غرق شدن» (Learning While Drowning) اختصاص دارد. این توصیف مربوط به شرکت‌هایی است که آموزش هوش مصنوعی را اجباری می‌کنند اما حجم کاری موجود کارکنان را بدون تغییر باقی می‌گذارند. وقتی کارکنان نمی‌توانند آموزش‌ها را به پایان برسانند، مدیریت اغلب این موضوع را به اشتباه به عنوان یک مشکل «انگیزشی» تشخیص می‌دهد، در حالی که در واقع یک مشکل «ظرفیت» است. پری اشاره می‌کند که یادگیری زمان‌بر است و به‌کارگیری آن زمان بیشتری می‌طلبد، زیرا افراد باید ابزارهای ناآشنا را آزمایش کنند و خروجی‌ها را بازبینی نمایند.
نقاط اصطکاک سازمانی
الگوهای کلیدی دیگر شناسایی شده در این شاخص عبارت‌اند از:
- وسوسه بهینه‌سازی (Optimization Temptation): تمایل شدید به کمی کردن صرفه‌جویی در تعداد کارکنان — که قرار دادن آن در یک جدول اکسل آسان است — به‌جای اندازه‌گیری ارزش سخت‌ترِ بازگرداندن افراد به کارهای با ارزش‌تر. پری هشدار می‌دهد که اگرچه صرفه‌جویی‌ها در این فصل ظاهر می‌شوند، اما از دست دادن دانش، روابط و قضاوت یک انسان می‌تواند خساراتی ایجاد کند که سال‌ها انباشته شوند. او اشاره می‌کند که AI اغلب کارهای جدیدی ایجاد می‌کند که باید انجام شوند، بنابراین تیم‌ها باید بازتعریف و بازتوزیع شوند، نه اینکه صرفاً حذف گردند.
- اضطراب بی‌ارزش شدن (Devaluation Anxiety): ترس منطقی کارکنان از اینکه بهره‌وری AI مستقیماً به تعدیل نیرو منجر شود. کارکنان در یک اطلاعیه درباره بهره‌وری می‌شنوند و در اطلاعیه بعدی درباره تعدیلات. این امر باعث می‌شود آن‌ها آموزش‌ها را به پایان برسانند اما از «آزمون و خطاهایی» که ابزار را مفید می‌کند، دوری کنند. پری استدلال می‌کند که اطمینان‌بخشی ساده کافی نیست؛ رهبران باید صریح بگویند چه تصمیماتی درباره مشاغل گرفته شده و چه مواردی هنوز نامشخص است.
- اینرسی فعال (Active Inertia): استفاده از هوش مصنوعی برای سرعت بخشیدن به فرآیندهای موجود اما شکسته، به‌جای بازطراحی کامل جریان کاری از صفر. این یعنی هدف قرار دادن AI برای کارهایی که اصلاً نباید وجود داشته باشند. در این حالت، گزارش‌ها سریع‌تر آماده می‌شوند، اما تاییدات همچنان با همان سرعت کند قبلی پیش می‌روند.
بازطراحی جریان کاری
پری میان «سریع‌تر کردن یک فرآیند قدیمی» و «بازسازی آن برای دنیای بومی هوش مصنوعی» تمایز قائل می‌شود. او معتقد است مدارس کسب‌وکار هنوز یاد نداده‌اند که چگونه شرکتی را اداره کنیم که در آن انسان‌ها و عامل‌ها کار را به اشتراک می‌گذارند. اکثر شرکت‌ها صرفاً AI را به سیستم‌های قدیمی «می‌چسبانند» تا کارهای قدیمی سریع‌تر انجام شود، اما بازده واقعی زمانی حاصل می‌شود که رهبران کار را به‌گونه‌ای بازسازی کنند که شکل آن تغییر کند.
به عنوان مثال، یک گزارش هفتگی سنتی ممکن است توسط AI پیش‌نویس شود اما همچنان توسط همان افراد و در همان زمان‌بندی بررسی شود. این همان «اینرسی فعال» است. اما یک بازطراحی بومی AI می‌پرسد: «اصلاً چرا این گزارش وجود دارد؟» اگر هدف شناسایی زودهنگام مشکلات است، سیستم باید در لحظه وقوع مشکل هشدار دهد و بدین ترتیب خودِ گزارش را منسوخ کند.
این تغییر مستلزم تغییری در نمودار سازمانی (Org Chart) بنیادین است. نمودار عملکردی سنتی — که در آن کار از دپارتمانی به دپارتمان دیگر منتقل شده و در هر مرحله نیاز به تایید دارد — برای AI نامناسب است. AI کار را در چند دقیقه تولید می‌کند، اما تاییدات سنتی هفته‌ها طول می‌کشد. در واقع از رهبران خواسته شده است که در سیستمی که دقیقاً برای کند کردن امور ساخته شده، سریع‌تر حرکت کنند.
پری پیشنهاد می‌کند سیلوهای عملکردی با تیم‌های کوچک «مسئله‌محور» جایگزین شوند. رهبر یک مسئله را که ارزش حل شدن دارد نام می‌برد، تصمیم می‌گیرد چه شرایطی برای حل آن لازم است و تیمی از انسان‌ها و عامل‌ها را روی آن متمرکز می‌کند. این تیم‌ها باید بودجه و حفاظت خاص خود را داشته باشند زیرا نمی‌توانند به روشی که بقیه کسب‌وکار اداره می‌شود، فعالیت کنند. افراد در این تیم‌ها هستند که قضاوت‌های نهایی را انجام می‌دهند و مالک خروجی‌های عامل‌ها هستند.
مزیت رقابتی جذب
با تبدیل شدن مدل‌های پیشرو به کالاهای عمومی (Commoditized) و ارزان‌تر شدن آن‌ها در هر فصل، دسترسی به بهترین AI دیگر یک تمایز رقابتی نخواهد بود. در عوض، مزیت پایدار «ظرفیت جذب» (Receiving Capacity) خواهد بود؛ یعنی توانایی یک تیم برای پذیرش چیزی جدید و به کار انداختن آن.
پری ارزش را به صورت «قابلیت ضربدر جذب» تعریف می‌کند. او استدلال می‌کند که این دو عامل به‌جای جمع، در هم ضرب می‌شوند. قرار دادن یک مدل در سطح جهانی در سازمانی که توان جذب ندارد، مانند پیچاندن یک قطعه بی‌نقص روی یک واشر خراب است؛ قابلیت واقعی است، اما بازده صفر است. این جذب بر پایه حقوق تصمیم‌گیری، انگیزه‌ها، جریان کاری، طراحی شغل و اعتماد کافی بنا می‌شود تا افراد گزارش دهند چه چیزی اشتباه پیش رفته است. این‌ها دارایی‌هایی هستند که نمی‌توان آن‌ها را اجاره کرد.
او این گذار را با پذیرش موتورهای الکتریکی در کارخانه‌های آمریکا در دهه ۱۸۸۰ مقایسه می‌کند. بهره‌وری بلافاصله جهش نکرد زیرا کارخانه‌ها صرفاً یک موتور بزرگ را در جایی که موتور بخار بود قرار دادند و همان محورهای خطی و چیدمان ماشین‌آلات را حفظ کردند. دستاوردهای بهره‌وری تا دهه ۱۹۲۰ ظاهر نشدند، یعنی زمانی که کارخانه‌ها به هر ماشین موتور اختصاصی دادند و کف کارخانه را بر اساس جریان کار بازطراحی کردند. آن بازآرایی (Rearrangement) بود که انقلاب واقعی را رقم زد. این نیاز به بازآرایی ساختاری، در مقیاس کلان‌تر به زیرساخت‌های فیزیکی نیز وابسته است؛ چنان‌که زیرساخت هوش مصنوعی اکنون به یک مسئلهٔ لجستیکی در مقیاس گیگاوات تبدیل شده و هرگونه تحول سازمانی باید با ظرفیت‌های سخت‌افزاری همسو باشد.
حاکمیت و هوش مصنوعی عامل‌محور
هوش مصنوعی عامل‌محور (Agentic AI) پیچیدگی‌های بیشتری ایجاد می‌کند زیرا سیستم‌ها اکنون می‌توانند اقدام کنند، از ابزارها استفاده کنند و اهداف را دنبال کنند. پری پیشنهاد می‌کند سازمان‌ها با یک سوال شروع کنند: «وقتی عامل اشتباه می‌کند، چه کسی پاسخ می‌دهد؟»
حاکمیت (Governance) باید پیش از استقرار به‌وضوح ترسیم شود:
- کارهای کم‌ریسک: در جایی که هزینه جبران اشتباه کم است و خطا سریعاً نمایان می‌شود، عامل می‌تواند به‌صورت خودمختار عمل کند.
- کارهای پرریسک: وقتی یک تصمیم بر درآمد کسی اثر می‌گذارد، یا تعیین می‌کند که آیا کسی شغلش را حفظ می‌کند یا خیر، یا جایگاه قانونی کسی را تغییر می‌دهد، یک انسان باید تصمیم نهایی را بگیرد در حالی که عامل داده‌ها را آماده می‌کند.
پری نسبت به غریزه متمرکز کردن حاکمیت از طریق کمیته‌ها یا چارچوب‌های کلی هشدار می‌دهد. تا زمانی که دستورالعمل‌های بالا به پایین به محیط کار برسند، اغلب منسوخ شده‌اند و این منجر می‌شود کارکنان از ابزارهای تایید نشده استفاده کنند. حاکمیت باید نزدیک به محیط کار باشد و سوابق دقیقی از آنچه عامل‌ها انجام داده‌اند و اینکه چه کسی مالک نتیجه است، داشته باشد. از آنجایی که نمودار سازمانی برای عامل‌هایی که فراتر از توابع دپارتمانی کار می‌کنند ساخته نشده است، شرکت‌ها باید پیش از استقرار، نه پس از آن، تعیین کنند که چه کسی مالک شکست است.
گام بعدی شما
- از مدیران خود بپرسید: «یک تصمیم حساس که AI در این ماه گرفت را نام ببرید و بگویید دقیقاً چه کسی مسئول نهایی آن است.»
- جریان‌های کاری را بررسی کنید و ببینید کجا AI سرعت را بالا برده اما «تاییدات انسانی» همچنان گلوگاه هستند.
- به‌جای کاهش تعداد نفرات، روی «ظرفیت جذب» تیم‌ها و بازطراحی نقش‌ها برای همکاری با عامل‌ها سرمایه‌گذاری کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو