برتری هوش مصنوعی از ابزارها نمی‌آید؛ از تجربه روزانه می‌آید

بعضی مدیران هنوز منتظرند هوش مصنوعی مرتب‌تر، مطمئن‌تر و قابل‌پیش‌بینی‌تر شود. این انتظار در ظاهر منطقی است؛ هیچ‌کس دوست ندارد کسب‌وکارش را به دست سیستمی بسپارد که گاهی اشتباه می‌کند. اما رید زایسینگ (Reid Zeising)، بنیان‌گذار و مدیرعامل شرکت فناوری سلامت گِین (Gain)، معتقد است همین احتیاط می‌تواند احساس کاذبی از کنترل ایجاد کند. به باور او، مزیت واقعی نصیب کسانی نمی‌شود که بهترین ابزار را دیرتر می‌خرند؛ نصیب مدیرانی می‌شود که از امروز با سیستم‌های ناقص کار می‌کنند، نقاط شکست آن‌ها را می‌بینند و یاد می‌گیرند چگونه خروجی را بهتر کنند.

این فاصله، یک شکاف فنی ساده نیست. خواندن مقاله، دیدن دمو یا شرکت در یک دوره آموزشی می‌تواند تصویر کلی هوش مصنوعی را نشان دهد، اما مهارت استفاده از آن در دل یک سازمان فقط با تمرین ساخته می‌شود. مدیر باید بارها سؤال بپرسد، پاسخ نامناسب بگیرد، ورودی را اصلاح کند و دوباره امتحان کند. درست مانند آموزش یک همکار تازه‌وارد، مشکل همیشه در پاسخ او نیست؛ گاهی شما هنوز نتوانسته‌اید روش کار، محدودیت‌ها و انتظارهای سازمان را دقیق توضیح دهید. چیزی که به‌مرور بهتر می‌شود، فقط خروجی ماشین نیست؛ توانایی مدیر در تبدیل واقعیت پیچیده کسب‌وکار به دستورهای روشن است.

آموزش هوش مصنوعی به یک شرکت، با دادن چند فایل تبلیغاتی آغاز نمی‌شود. سیستم باید با سیاست‌ها، رویه‌ها، قراردادهای حقوقی، گردش‌کارهای موجود، اطلاعات مالی، داده‌های فروش، فرایند ورود کارکنان جدید و سابقه ارتباط با مشتریان آشنا شود. سپس تجربه واقعی کارکنان به این تصویر اضافه می‌شود: مدیر پرونده در طول روز چه می‌کند؟ مسئول پذیرش با چه مشکلاتی روبه‌رو است؟ کارشناس وصول حساب‌ها کجا زمان از دست می‌دهد؟ در این مرحله باید سازمان را همان‌طور که واقعاً کار می‌کند توصیف کرد، نه آن‌طور که در اسلایدهای مدیریتی نمایش داده می‌شود.

پس از ساختن این پایه، نوبت پرسیدن سؤال درباره نتیجه است. برای مثال، به‌جای آنکه مدیر از قبل مسیر حل مسئله را تعیین کند، می‌تواند از سیستم بخواهد نشان دهد چگونه زمان تأمین مالی از ۱۴ روز به ۲ روز کاهش پیدا می‌کند، مشتریان چه خواسته‌اند و شرکت در کجا از انتظارشان عقب مانده است، یا فعالیت واقعی تیم فروش با نرخ نهایی قرارداد چه نسبتی دارد. هوش مصنوعی در این نقش شبیه یک جفت چشم اضافه است که می‌تواند هم‌زمان میان اسناد، داده‌ها و فرایندهایی جست‌وجو کند که بررسی دستی آن‌ها برای یک مدیر دشوار است. پیشنهادهای سیستم نیز نباید مستقیماً اجرا شوند؛ انسان باید آن‌ها را بررسی، اصلاح و در مقیاس محدود آزمایش کند.

این تغییر، مرز میان انجام‌دادن و جهت‌دادن را جابه‌جا می‌کند. کاری که زمانی فقط با برنامه‌نویسی یا اجرای مستقیم پیش می‌رفت، اکنون بخشی از آن با پرامپت‌نویسی و تعریف نتیجه هدایت می‌شود. بااین‌حال، بهترین فرد برای این کار لزوماً فنی‌ترین عضو تیم نیست. یک مدیر عملیاتی که محصول، مشتری، فرایندها و اهداف شرکت را عمیقاً می‌شناسد، معمولاً بهتر از کسی که فقط سازوکار فنی مدل‌های زبانی بزرگ (Large Language Models) را می‌داند می‌تواند سیستم را آموزش دهد. هوش مصنوعی وقتی با اطلاعات مبهم تغذیه شود، پاسخ مبهم می‌دهد؛ همان منطق قدیمی که می‌گوید ورودی ضعیف، خروجی ضعیف می‌سازد.

ریسک خطا البته واقعی است، به‌ویژه در حوزه‌هایی مانند سلامت که یک پیشنهاد اشتباه می‌تواند وارد گردش‌کار شود، بر تصمیم‌ها اثر بگذارد و پیامد حقوقی یا نظارتی ایجاد کند. راه‌حل، رهاکردن سیستم یا اعتماد کورکورانه نیست؛ آزمایش در محیط‌های کم‌خطر، بازبینی انسانی و آموزش مستمر مدیران است. از سوی دیگر، منتظرماندن نیز بی‌خطر نیست. شرکتی که امروز تجربه نمی‌سازد، فردا با شکاف مهارتی، دشواری جذب نیروی مستعد و واکنش کندتر به رقبا روبه‌رو می‌شود. پیشگامان زمانی که دیگران تازه اصول اولیه را آغاز می‌کنند، در حال بهینه‌سازی، توسعه و نهادینه‌کردن سیستم‌های خود خواهند بود.