ابزارهای تخصصی در برابر نرم‌افزارهای عمومی؛ استراتژی نوین سازمان‌های متوسط

تصور کنید مدیر شرکتی هستید که برخلاف رقبای غول‌پیکر خود، نیازی به طی کردن ده لایه تاییدیه برای تغییر یک فرآیند ساده ندارد. این چابکی ساختاری، دقیقاً همان نقطه‌ای است که شرکت‌های متوسط می‌توانند در آن غول‌های صنعت را به زانو درآورند.

لوری کین کاتچر (Lauri Kien Kotcher)، مدیرعامل و هم‌بنیان‌گذار شرکت Different Day، ادعا می‌کند که سازمان‌های کوچک‌تر می‌توانند تقریباً یک‌شبه به سازمان‌های بومی هوش مصنوعی (AI-native) تبدیل شوند. طبق اعلام او، ساختارهای سازمانی کوچک، نه یک محدودیت، بلکه یک دارایی است که اجازه می‌دهد تصمیمات بسیار سریع‌تر از دستورالعمل‌های بوروکراتیک شرکت‌های بزرگ اتخاذ و اجرا شوند.

کاتچر سوابق مدیریتی بسیار عمیقی را در این ماموریت به کار می‌گیرد. مسیر شغلی او حوزه‌های متنوعی از جمله هوش مصنوعی، محصولات مصرفی، خرده‌فروشی، بهداشت و درمان، خدمات مالی و سرمایه‌گذاری خصوصی (Private Equity) را در بر می‌گیرد. او ۱۵ سال در شرکت مک‌کینزی (McKinsey & Company) فعالیت کرد و در آنجا به جایگاه شریک (Partner) رسید و رهبری مشترک بخش کالاهای مصرفی آمریکای شمالی در این شرکت را بر عهده داشت. تجربه اجرایی او شامل نقش‌های ارشد در سازمان‌های بزرگی چون L Catterton، شکلات‌سازی Godiva، Lehman Brothers و بخش بهداشت مصرف‌کننده Pfizer است. او همچنین رشد چشمگیر شرکت Hello Products را رهبری کرد تا اینکه در سال ۲۰۲۰ توسط Colgate تصاحب شد. علاوه بر این، او سابقه مدیریت شرکت The Shade Store را در کارنامه دارد. اخیراً نیز در جایگاه مدیرعامل و عضو هیئت مدیره شرکت quip، استراتژی شرکت را از «مراقبت‌های دهان و دندان» به «سلامت دهان و دندان» تغییر داد، مدل اشتراکی مستقیم به مصرف‌کننده (D2C) را بازطراحی کرد و هزینه‌های عملیاتی را کاهش داد. در حال حاضر، او به عنوان عضو هیئت مدیره در شرکت Freshpet نیز فعالیت می‌کند.

این چرخش به سمت عملیات بومی هوش مصنوعی در زمانی رخ می‌دهد که بسیاری از مدیران با «تاریکی داده‌ها» (Data Darkness) دست‌وپنجه نرم می‌کنند؛ وضعیتی که در آن اطلاعات حیاتی در سیلوهای جداگانه و دست‌نیافت‌ترین نقاط سازمان، بر اساس جغرافیا، کانال‌های توزیع و عملکردهای سازمانی محبوس شده‌اند. کاتچر اشاره می‌کند که در دوران مدیریت برندهای با رشد سریع به عنوان مدیرعامل و مدیر بازاریابی (CMO)، اغلب نمی‌توانست تصویر دقیقی از تمام متغیرهای متحرک در کسب‌وکارش داشته باشد. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن و مدیریت داده‌ها اشاره کردیم، دسترسی به داده‌های پاک، کلید موفقیت است. در حالی که شرکت‌های بزرگ با «بدهی فنی» (Technical Debt) عظیم و زیرساخت‌های قدیمی دست‌وپنجه نرم می‌کنند، شرکت‌های متوسط می‌توانند با ساخت ابزارهای سفارشی که مستقیماً با محیط‌های موجود ادغام می‌شوند، از این موانع بپرند. به گزارش مصاحبه‌ای با unite.ai، هدف این است که شرکت طوری عمل کند که انگار از پایه در سال ۲۰۲۶ تاسیس شده است.

استراتژی گردش‌کارهای «عریان»

کاتچر رویکردی به نام «پیاده‌سازی عریان» (Naked Approach) را توصیه می‌کند. این یعنی قبل از اعمال هرگونه فناوری، یک گردش‌کار را تا ابتدایی‌ترین حالت ممکن ساده کنید و آن را به اصول اولیه بازگردانید. بسیاری از فرآیندهای فعلی کسب‌وکار، نه برای بهره‌وری، بلکه برای سازگاری با نرم‌افزارهای قدیمی و بدقواره طراحی شده‌اند تا نقص‌های سیستم را پوشش دهند. او پیشنهاد می‌کند با یک کاغذ سفید شروع کنید و بپرسید اگر هیچ محدودیت نرم‌افزاری و راهکارهای موقت قدیمی وجود نداشت، این فرآیند در بهینه‌ترین حالت خود چگونه باید اجرا می‌شد. این دیدگاه با رویکرد شرکت Nventr همسو است که اولویت را بر بهینه‌سازی جریان‌های کاری قرار می‌دهد تا ابزارهای تک‌منظوره.

شرکت Different Day بر ایجاد افزونه‌های سفارشی برای سیستم‌های اصلی مانند ERP یا CRM تمرکز دارد. این شرکت از نرم‌افزارهای عمومی هوش مصنوعی دوری می‌کند؛ زیرا از نظر کاتچر، این ابزارها سقفی شبیه به نرم‌افزارهای SaaS سنتی دارند؛ یعنی بینش‌های کلی می‌دهند اما ظرافت‌های مربوط به فضای رقابتی خاص و منحصر‌به‌فرد هر شرکت را درک نمی‌کنند. او به مدیران توصیه می‌کند هنگام تمدید قراردادهای نرم‌افزاری، دقیقاً بررسی کنند کدام ویژگی‌ها واقعاً استفاده می‌شوند، زیرا هوش مصنوعی می‌تواند راهکاری بسیار دقیق‌تر و متناسب‌تر از نرم‌افزارهای آماده (Off-the-shelf) بسازد.

نمونه‌سازی سریع و استقرار

یکی از جسورانه‌ترین ادعاهای Different Day، سرعت اجرای آن است. این شرکت هدف‌گذاری کرده که نمونه اولیه (Prototype) را ظرف ۷۲ ساعت تحویل دهد و در عرض چند هفته آن را به مرحله تحویل نهایی برای تولید (Production-ready handoff) برساند. این سرعت به دلیل استفاده از یک پشته توسعه بومی هوش مصنوعی است که فرآیند کشف مسئله را به ابتدای کار منتقل می‌کند، نه اینکه مستقیماً با کدنویسی شروع شود.

مراحل کلیدی استقرار آن‌ها شامل موارد زیر است:

• کشف مسئله: شناسایی اینکه چه کسی مالک فرآیند است، چه کسانی باید موافقت کنند، نتیجه دقیق مورد انتظار چیست و تحلیل اینکه در گذشته چه مواردی شکست خورده است.
• ساخت سریع: استفاده از ابزارهای توسعه بومی هوش مصنوعی برای عبور سریع‌تر از چرخه‌های سنتی و کند نرم‌افزاری.
• انتقال دانش: اطمینان از اینکه مشتریان می‌توانند پس از استقرار، اپلیکیشن‌ها را به‌صورت داخلی مدیریت کرده و بهبود ببخشند.

کاتچر هشدار می‌دهد که نادیده گرفتن مرحله کشف، منجر به هزینه‌های بالاتر در زمان ادغام و پیاده‌سازی می‌شود. هدف نهایی، تبدیل چالش‌های عملیاتی به اپلیکیشن‌های کاربردی است که کارهای دستی را کم کرده، شفافیت را افزایش داده، رشد درآمد را تسریع کرده و حاشیه سود را تقویت می‌کند.

موارد استفاده با اثرگذاری بالا

همه کاربردهای هوش مصنوعی نتایج یکسانی ندارند. Different Day راهکارهای جامع (End-to-end) را در حوزه‌های مختلف توسعه می‌دهد، اما کاتچر طیفی از قابلیت تکرارپذیری را در توابع مختلف کسب‌وکار شناسایی کرده است:

• تکرارپذیری بالا: تحلیل قراردادها (Contract Intelligence) و تطبیق کمک‌های مالی. این موارد پارامترها و خروجی‌های مشخصی دارند و اتوماسیون آن‌ها ساده‌ترین است، زیرا ابزار دقیقاً می‌داند برای حل چه مسئله‌ای طراحی شده است. در همین راستا، شرکت Doceree نیز با متصل کردن داده‌های دارویی به مدل‌های زبانی، هوش بالینی را در جریان‌های کاری تخصصی ادغام کرده است.
• تکرارپذیری متوسط: اعلان‌های لحظه‌ای به مشتری و سیگنال‌های فروش؛ این‌ها به شدت به زیرساخت فنی فعلی و کانال‌های ارتباطی شرکت وابسته هستند.
• تکرارپذیری پایین: پیش‌بینی تقاضا و برنامه‌ریزی تامین. این موارد به دلیل حجم بالای مجموعه‌داده‌ها، تعدد کانال‌ها و تفاوت‌های زیاد در مدل‌های عملیاتی شرکت‌های مختلف، پیچیده‌تر هستند.

داده‌ها به مثابه فرصت

بسیاری از کسب‌وکارهای متوسط با اکسل‌های پراکنده و سیستم‌های قدیمی کار می‌کنند. در حالی که این وضعیت معمولاً یک مانع دیده می‌شود، کاتچر داده‌های پراکنده را یک فرصت می‌بیند. ابزارهای هوش مصنوعی می‌توانند دقیقاً نقاط کور و شکاف‌های داده‌ای را آشکار کنند.

قبل از ظهور هوش مصنوعی، این شکاف‌ها نامرئی بودند و مدیران یا با فشار آوردن به جداول اکسل تصمیم می‌گرفتند یا بدون اینکه بدانند، بر اساس داده‌های ناقص پیش می‌رفتند. اکنون تیم‌ها می‌توانند شکاف را به‌وضوح ببینند و تصمیمات خود را بر اساس این واقعیت بسنجند، به جای اینکه فرض کنند داده‌ها کامل و استوار هستند.

اجتناب از «بیماری نمونه‌سازی»

یک شکست رایج در پذیرش هوش مصنوعی، چیزی است که کاتچر آن را «بیماری نمونه‌سازی» (Prototype-itis) می‌نامد. این اتفاق زمانی می‌افتد که مدیران جذب ۱۰ درصد قابل مشاهده یک دمو می‌شوند — یعنی رابط کاربری جذاب — اما ۹۰ درصد زیرساختی را نادیده می‌گیرند. این بخش پنهان شامل موارد زیر است:

• تست داده‌ها: اعتبارسنجی سخت‌گیرانه اطلاعاتی که به هوش مصنوعی تغذیه می‌شود.
• تست بازگشتی (Back-testing): اطمینان از اینکه منطق هوش مصنوعی در برابر داده‌های تاریخی درست عمل می‌کند.
• اتصالات سیستمی: تست تک‌تک پیوندهای بین هوش مصنوعی و نرم‌افزارهای موجود.
• امنیت: ایمن‌سازی داده‌ها برای جلوگیری از نشت یا رخنه.

علاوه بر این، تبدیل یک دمو به ابزار روزمره نیازمند مدیریت تغییرات (Change Management) سخت‌گیرانه است. این یعنی آموزش کارکنان برای استفاده از ابزار، درک محدودیت‌های آن و دانستن اینکه چه زمانی باید یک انسان در چرخه تصمیم‌گیری باقی بماند. هوش مصنوعی برای هدف خاصی طراحی شده است، نه برای جایگزینی قضاوت انسانی. در شرکت‌های متوسط، این قضاوت اغلب منبع اصلی ارزش است و باید در مرکز فرآیند باقی بماند.

تکامل مدیریت

نقش مدیر در حال تغییر از هدایت افراد به مدیریت عامل‌ها (Agents) و سامانه‌ها است. این تحول به سمتی می‌رود که عامل‌های محلی بتوانند مستقیماً سخت‌افزارها و گوشی‌ها را کنترل کنند و نیاز به واسطه‌های سنتی را حذف کنند. کاتچر پیشنهاد می‌کند مدیران ابتدا بزرگ‌ترین نقاط درد تیم خود را شناسایی کرده و کارهای دستی و تکراری را ایزوله کنند. با پیروزی در نبردهای کوچک، شرکت‌ها اعتمادی را به دست می‌آورند که برای سپردن تصمیمات پیچیده‌تر به هوش مصنوعی لازم است.

این رویکرد از اشتباه رایج ساخت ابزارها به‌صورت داخلی با ابزارهای DIY جلوگیری می‌کند. کاتچر نسبت به «کلیک‌بیت‌های هوش مصنوعی» و پست‌های لینکدین که ساخت داخلی را ساده جلوه می‌دهند، هشدار می‌دهد. او پیشنهاد می‌کند ساخت داخلی را فقط برای ابزارهای واقعاً ساده، مثل داشبوردی که چند اکسل را برای چند همکار جمع می‌کند، انجام دهید. هر ابزاری که نیاز به استخراج داده‌های لحظه‌ای از سیستم‌های داخلی و خارجی داشته باشد، معمولاً از توان تیم‌های غیرفنی خارج است.

برای مدیران، معیار موفقیت ساده است: یک هدف روشن — مانند افزایش فروش، دیده شدن برند، حاشیه سود، سرعت تصمیم‌گیری یا خروجی بیشتر بدون افزایش نیروی انسانی — با یک جدول زمانی واقع‌بینانه. اگرچه زمان‌بندی بسته به تعداد اتصالات داده و میزان یادگیری ابزار متفاوت است، اما کاتچر اشاره می‌کند که نتایج معنادار معمولاً باید تا ماه سوم قابل مشاهده باشند. پروژه‌های پیچیده زمان بیشتری می‌برند، به همین دلیل او طراحی پروژه‌ها را در مراحل مجزا توصیه می‌کند تا منتظر یک نتیجه تک‌مرحله‌ای و بزرگ (Big-bang) نباشید.

گام بعدی شما

• فرآیندهای تکراری تیم خود را لیست کنید و یکی از ساده‌ترین آن‌ها را برای تبدیل به یک ابزار بومی هوش مصنوعی انتخاب کنید.
• در تمدید قراردادهای نرم‌افزاری بعدی، به جای خرید ویژگی‌های جدید، بررسی کنید آیا یک راهکار سفارشی با هوش مصنوعی می‌تواند جایگزین آن شود.
• برای هر ابزار هوش مصنوعی، یک «نقشه انسانی» رسم کنید تا مشخص شود در کدام نقاط، قضاوت انسانی باید بر خروجی مدل اولویت داشته باشد.

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