شکاف میان سرمایه‌گذاری و بازدهی

سرمایه‌گذاری جهانی در هوش مصنوعی در سال ۲۰۲۶ به ۹۴۰ میلیارد دلار خواهد رسید، اما گزارش «وضعیت سازمان‌ها ۲۰۲۶» مک‌کینزی نشان می‌دهد که ۸۸ درصد سازمان‌ها با هوش مصنوعی آزمایش کرده‌اند و ۸۱ درصد به سود قابل‌توجهی در خط سود نهایی دست نیافته‌اند. گارتنر نیز پیش‌بینی می‌کند تا سال ۲۰۲۸ دست‌کم ۵۰ درصد پروژه‌های هوش مصنوعی مولد از بودجه‌ی خود فراتر خواهند رفت. مشکل در خود فناوری نیست، بلکه در شکاف ساختاری میان پذیرش فناوری و بازطراحی سازمانی نهفته است. راهکار «تحول دوگانه» (Double Transformation) یعنی پذیرش هم‌زمان فناوری و بازطراحی ساختار، کلید عبور از این شکاف است.

۱. تصویر کلان سرمایه‌گذاری هوش مصنوعی در جهان و ایران

جهان: رقابتی در مقیاس تریلیون دلار

بر اساس داده‌های مؤسسه‌ی IDC، هزینه‌های سازمانی در حوزه‌ی هوش مصنوعی در سال ۲۰۲۶ به ۹۴۰ میلیارد دلار خواهد رسید و پیش‌بینی می‌شود تا سال ۲۰۲۹ به ۲.۱ تریلیون دلار افزایش یابد. این ارقام نشان‌دهنده‌ی رشد چشمگیر سرمایه‌گذاری در این حوزه است، با این حال بازدهی این سرمایه‌گذاری‌ها چندان هماهنگ با حجم هزینه‌ها نیست.

ایران: فاصله‌ی قابل توجه با میانگین جهانی

در ایران، بر اساس گزارش «شاخص هوش مصنوعی ایران ۱۴۰۴»، پذیرش هوش مصنوعی در کسب‌وکارهای ایرانی حدود ۲۷ درصد است؛ رقمی که ایران را حدود ۷ سال عقب‌تر از میانگین جهانی نشان می‌دهد. ارزش اقتصاد هوش مصنوعی در ایران در سال ۱۴۰۳ با رشد ۸۸ درصدی نسبت به سال پیش از آن به ۵.۵ همت رسیده است. سرمایه‌گذاری دولت چهاردهم در این حوزه نیز با وعده‌های گسترده‌ای همراه بوده، هرچند هنوز فاصله‌ی زیادی با سرمایه‌گذاری‌های کشورهای پیشرو دارد.

۲. سه دلیل اصلی شکاف بازدهی

۲.۱. معماری نادرست و هزینه‌های عملیاتی

گارتنر هشدار داده است که سازمان‌ها هنگام عبور از مرحله‌ی آزمایشی به تولید، با «بیداری تلخ» در زمینه‌ی هزینه‌ها مواجه می‌شوند. ایجاد یک سیستم هوش مصنوعی مولد آماده‌ی تولید، می‌تواند چندین مرتبه گران‌تر از اجرای یک نمونه‌ی آزمایشی باشد. تا سال ۲۰۲۸، دست‌کم ۵۰ درصد پروژه‌های هوش مصنوعی مولد به دلیل انتخاب‌های معماری ضعیف و فقدان دانش عملیاتی، از بودجه‌ی خود فراتر خواهند رفت.

هزینه‌ی استنتاج (Inference) عامل اصلی این افزایش هزینه است. گارتنر پیش‌بینی می‌کند که هزینه‌ی استنتاج دست‌کم ۷۰ درصد از کل هزینه‌های طول عمر یک مدل را تشکیل دهد. برخلاف آموزش مدل که هزینه‌ای مقطعی و اولیه است، هزینه‌ی استنتاج هر بار که کاربران یا برنامه‌ها از مدل استفاده می‌کنند، تکرار می‌شود. این واقعیت به معنای آن است که بسیاری از سازمان‌ها بودجه‌ی خود را صرفاً بر اساس هزینه‌های آموزش مدل برنامه‌ریزی کرده‌اند و هزینه‌های جاری عملیاتی را نادیده گرفته‌اند.

۲.۲. فقدان دانش عملیاتی و گرفتاری در «تله‌ی آزمایشی»

مک‌کینزی در گزارش خود تأکید کرده است که دستیابی به ارزش کامل هوش مصنوعی نیازمند بیش از آزمایش‌های مجزا است. با این حال، اکثر سازمان‌ها در «تله‌ی آزمایشی» (Pilot Purgatory) گرفتار شده‌اند. بر اساس تحقیقات، ۹۵ درصد پروژه‌های هوش مصنوعی سازمانی هرگز از مرحله‌ی آزمایش به تولید نمی‌رسند.

موانع اصلی این شکاف عبارتند از:

• شکاف میان تیم‌های فناوری و کسب‌وکار: تیم‌های هوش مصنوعی و واحدهای کسب‌وکار اغلب به‌طور جداگانه کار می‌کنند و هم‌افزایی لازم برای تبدیل نمونه‌های آزمایشی به راه‌حل‌های عملیاتی وجود ندارد.

• کیفیت و در دسترس بودن داده‌ها: داده‌های پراکنده و کیفیت پایین داده‌ها، یکی از موانع اصلی در مقیاس‌پذیری هوش مصنوعی است.

• هزینه‌ی بازطراحی جریان‌کار: استقرار هوش مصنوعی صرفاً نصب نرم‌افزار نیست، بلکه نیاز به بازطراحی ساختار سازمانی و فرایندهای همکاری دارد؛ هزینه‌ای که اغلب از خود هزینه‌ی پیاده‌سازی فناوری بیشتر است.

۲.۳. ساختارهای سازمانی سنتی

مک‌کینزی دریافته است که ۷۲ درصد مدیران ارشد اعتراف کرده‌اند که سازمان‌هایشان برای دو تا سه سال آینده آمادگی لازم را ندارند. ساختارهای سازمانی صلب به عنوان بزرگترین مانع برای پاسخ‌گویی مؤثر به عدم‌قطعیت‌های جهانی شناسایی شده‌اند.

بزرگترین مانع برای مقیاس‌پذیری هوش مصنوعی، نه خود کارکنان که رهبران سازمانی هستند که به اندازه‌ی کافی سریع هدایت نمی‌کنند. فرایندهای تأیید سلسله‌مراتبی که برای چرخه‌های برنامه‌ریزی فصلی طراحی شده‌اند، با سرعت تصمیم‌گیری موردنیاز در عصر هوش مصنوعی هماهنگ نیستند.

۳. مطالعه‌ی موردی: سازمان‌های موفق و ناموفق

سازمان‌های موفق: عبور از شکاف

جی‌پی‌مورگان چیس یکی از نمونه‌های برجسته‌ی موفقیت در این حوزه است. این بانک پیش‌بینی می‌کند هوش مصنوعی سالانه حدود ۲ میلیارد دلار ارزش برای آن ایجاد کند (افزایش از هدف اولیه‌ی ۱ میلیارد دلاری). تیم‌های مهندسی این بانک با استفاده از دستیارهای کدنویسی هوش مصنوعی، افزایش بهره‌وری بین ۱۰ تا ۲۰ درصد را گزارش کرده‌اند. نکته‌ی کلیدی موفقیت جی‌پی‌مورگان، توانایی آن در جلب مشارکت ۶۰ درصد از نیروی کار در استفاده از ابزارهای هوش مصنوعی بوده است.

بانک توسعه‌ی سنگاپور (DBS) نیز با بازطراحی مدل عملیاتی خود، در سال ۲۰۲۵ حدود ۱ میلیارد دلار سنگاپور ارزش اقتصادی از پروژه‌های هوش مصنوعی و تحلیل داده ایجاد کرد. این بانک نه طرح بازطراحی مدل عملیاتی را تکمیل کرده، جریان‌های کاری همکاری انسان و ماشین را بازسازی، ساختار سازمانی را ساده‌سازی و مهارت‌های کارکنان را ارتقا داده است.

مک‌کینزی خود نیز نمونه‌ای از «تحول دوگانه» است. این شرکت مشاوره‌ای جهانی با استقرار ۱۲,۰۰۰ عامل هوش مصنوعی در داخل سازمان، خدمات اصلی خود را از درون بازسازی کرده است. این شرکت هم‌زمان با پذیرش فناوری، ساختار سازمانی خود را نیز متحول می‌سازد.

سازمان‌های ناموفق: گرفتاری در تله‌ی آزمایشی

در نقطه‌ی مقابل، اکثر سازمان‌ها در مرحله‌ی آزمایش باقی می‌مانند. بر اساس گزارش گارتنر، سازمان‌ها به طور متوسط ۳۶ پروژه‌ی اثبات مفهوم هوش مصنوعی در دست اجرا دارند، اما تنها حدود ۴ پروژه از آنها به بلوغ عملیاتی می‌رسند و به کار گرفته می‌شوند.

مطالعات نشان می‌دهد که ۸۰ درصد از سازمان‌ها ابزارهای هوش مصنوعی مولد را بررسی کرده و نیمی از آنها آزمایش‌هایی را اجرا کرده‌اند، اما تنها ۵ درصد به مرحله‌ی تولید رسیده‌اند. شکست این پروژه‌ها عمدتاً به دلیل رفتار با عوامل هوش مصنوعی به عنوان ابزارهای اضافی و مستقل است، در حالی که باید به‌طور بومی در جریان کار موجود ادغام شوند.

۴. «تحول دوگانه» به عنوان راهکار

تحول دوگانه چیست؟

مک‌کینزی در گزارش «وضعیت سازمان‌ها ۲۰۲۶» تأکید کرده است که سازمان‌ها برای دستیابی به ارزش کامل هوش مصنوعی باید دست‌کم دو تحول هم‌زمان را تجربه کنند: نخست، پذیرش فناوری؛ دوم، بازطراحی ساختاری جریان‌های کار، فرایندهای تصمیم‌گیری و ساختارهای سازمانی.

به عبارت دیگر، «تحول دوگانه» به این معناست که سازمان باید درست در همان زمانی که فناوری را پیاده‌سازی می‌کند، ساختار سازمانی خود را نیز اصلاح کند. این رویکرد، تمایز اصلی میان سازمان‌هایی است که از هوش مصنوعی سود می‌برند و آنهایی که در تله‌ی آزمایشی باقی می‌مانند.

ابعاد کلیدی تحول دوگانه

۱. بازطرقی جریان‌های کار پایان‌به‌پایان: به جای اتکا بر موارد استفاده‌ی پراکنده، سازمان‌ها باید جریان‌های کار را در سراسر سازمان بازطراحی کنند. هوش مصنوعی باید به‌طور بومی در جریان کار موجود ادغام شود، نه اینکه به عنوان یک ابزار جداگانه به آن اضافه گردد.

۲. بازنگری در مدل‌های رهبری و مدیریت: هوش مصنوعی بزرگترین تغییر پارادایم سازمانی از زمان انقلاب‌های صنعتی و دیجیتال را به همراه دارد. سازمان‌های آینده حول پنج ستون اصلی سازمان‌دهی خواهند شد که شامل همکاری انسان و عوامل هوش مصنوعی است.

۳. سرمایه‌گذاری در مهارت‌آموزی: بر اساس تحقیقات مک‌کینزی، حدود ۷۵ درصد از نقش‌های شغلی فعلی با ورود هوش مصنوعی به جریان‌های کاری نیاز به تحول خواهند داشت. سازمان‌هایی که در بازآموزی کارکنان و بازطراحی مسئولیت‌های شغلی سرمایه‌گذاری می‌کنند، بیشترین بهره را از هوش مصنوعی خواهند برد.

۵. پیش‌بینی: کدام سازمان‌ها در پنج سال آینده برنده خواهند بود؟

سناریوی اول: برندگان تحول

سازمان‌هایی که «تحول دوگانه» را جدی می‌گیرند، در پنج سال آینده برندگان اصلی خواهند بود. این سازمان‌ها ویژگی‌های زیر را دارند:

• سرمایه‌گذاری متوازن: هم در فناوری و هم در بازطراحی ساختار سازمانی سرمایه‌گذاری می‌کنند

• رهبری فعال: مدیران ارشد به‌طور مستقیم هدایت تحول را بر عهده دارند و به اندازه‌ی کافی سریع حرکت می‌کنند

• یکپارچگی عملیاتی: هوش مصنوعی را به‌طور بومی در جریان‌های کار ادغام می‌کنند

• حکمرانی هزینه: معماری کارآمد، انتخاب مدل هوشمند و نظارت بر مصرف را در اولویت قرار می‌دهند

سناریوی دوم: بازندگان تحول

سازمان‌هایی که همچنان به رویکرد سنتی پایبند هستند، با خطرات جدی مواجه خواهند شد. گارتنر پیش‌بینی کرده است که تا سال ۲۰۲۸، حدود یک‌پنجم از سازمان‌های جهان در بخش‌هایی از عملیات خود، هوش مصنوعی را کاهش خواهند داد یا به کلی کنار خواهند گذاشت و به توسعه‌ی نرم‌افزارهای سنتی بازخواهند گشت.

سه پیش‌بینی کلیدی برای ۱۲ تا ۲۴ ماه آینده

۱. افزایش شکاف بین پیشتازان و عقب‌ماندگان: تا پایان سال ۲۰۲۷، شکاف بازدهی بین سازمان‌هایی که تحول دوگانه را اجرا کرده‌اند و سایرین به طور قابل‌توجهی افزایش خواهد یافت.

۲. تمرکز بر هزینه‌های عملیاتی: با آشکار شدن هزینه‌های واقعی استنتاج، سازمان‌ها بودجه‌ی خود را بازنگری خواهند کرد و پروژه‌های با بازدهی پایین را متوقف خواهند کرد. گارتنر پیش‌بینی کرده است که تا سال ۲۰۲۸، هزینه‌ی استنتاج دست‌کم ۷۰ درصد از کل هزینه‌های طول عمر مدل را تشکیل خواهد داد.

۳. ظهور مدل‌های جدید سازمانی: سازمان‌های پیشرو به سمت مدل‌های «عامل‌محور» حرکت خواهند کرد که در آن عوامل هوش مصنوعی به‌طور خودکار فرایندهای چندمرحله‌ای را در مقیاس مدیریت می‌کنند.

داده‌ها و شواهد نشان می‌دهد که شکاف بین سرمایه‌گذاری و بازدهی در هوش مصنوعی، نه از نقص فناوری، بلکه از ناتوانی سازمان‌ها در بازطراحی ساختار خود هم‌زمان با پذیرش فناوری ناشی می‌شود. ۸۱ درصد سازمان‌ها به سود قابل‌توجهی نرسیده‌اند، در حالی که ۸۸ درصد با هوش مصنوعی آزمایش کرده‌اند. این آمار نشان‌دهنده‌ی یک شکاف سیستماتیک است که تنها با «تحول دوگانه» قابل پر کردن است.

توصیه‌های عملی برای مدیران ارشد

۱. از آزمایش به تولید حرکت کنید: نمونه‌های اثبات مفهوم را به راه‌حل‌های عملیاتی در مقیاس سازمانی تبدیل کنید. تنها ۵ درصد از پروژه‌های هوش مصنوعی به تولید می‌رسند.

۲. معماری را برای مقیاس طراحی کنید: هزینه‌های استنتاج را از همان ابتدا در بودجه‌بندی لحاظ کنید. انتخاب‌های معماری ضعیف، مهم‌ترین عامل افزایش هزینه‌ها هستند.

۳. بازطراحی سازمانی را هم‌زمان با فناوری پیش ببرید: هوش مصنوعی را به‌عنوان یک پروژه‌ی فناوری محض نبینید؛ این یک پروژه‌ی تحول سازمانی تمام‌عیار است. بازطرقی جریان‌های کار، ساده‌سازی ساختارها و توانمندسازی کارکنان را در اولویت قرار دهید.

۴. بر حکمرانی هزینه تمرکز کنید: انتخاب مدل هوشمند، نظارت بر مصرف و بهینه‌سازی معماری، کلید مدیریت هزینه‌های رو به رشد هوش مصنوعی است.

۵. رهبری فعال داشته باشید: بزرگترین مانع برای مقیاس‌پذیری هوش مصنوعی، نه کارکنان که رهبرانی هستند که به اندازه‌ی کافی سریع حرکت نمی‌کنند. مدیران ارشد باید شخصاً هدایت تحول را بر عهده بگیرند.

در نهایت، سازمان‌هایی که در پنج سال آینده برنده خواهند بود، آنهایی هستند که هوش مصنوعی را نه به عنوان یک ابزار، بلکه به عنوان کاتالیزوری برای بازاندیشی بنیادین در نحوه‌ی سازماندهی، مدیریت و خلق ارزش در نظر می‌گیرند.