استفاده مدیران ارشد از هوش مصنوعی: چارچوبی عملیاتی برای خلق ارزش واقعی

استفاده مدیران ارشد از هوش مصنوعی دیگر نه یک تصمیم شخصی یا موضوعی حاشیه‌ای در نشست‌های هیات‌مدیره، بلکه به پایه‌ای کلیدی برای بقا و پیروزی شرکت‌ها در دوران نوسانات دیجیتال بدل گشته است. داده‌های آماری نمایی هشداردهنده ارایه می‌دهند: بر مبنای ارزیابی‌های موسسه‌ی گارتنر در سال ۲۰۲۶، فراتر از ۸۰ درصد مجموعه‌ها هیچ‌گونه سودآوری ملموسی از بودجه‌های تخصیص‌یافته به این فناوری به دست نیاورده‌اند.

با این وجود، موضوع تامل‌برانگیزتر این‌جاست که ریشه‌ی این ناکامی‌ها ارتباطی با ضعف ذاتی فناوری ندارد؛ بلکه از این واقعیت سرچشمه که «هیچ‌کس مسئولیت پیامدها را قبول نمی‌کند.» مجموعه‌هایی که بیش‌ترین دستاورد را از هوش مصنوعی داشته‌اند، رهبران‌شان هم‌زمان و به صورت روزمره از این ابزار در حوزه‌های پیش‌بینی، اتخاذ تصمیمات و ارزیابی عملکرد کارکنان بهره می‌برند.

این نوشتار با الهام از پژوهش تخصصی گارتنر (تیرماه ۱۴۰۵ / ژوئیه ۲۰۲۶) نگاشته شده و رویکردی کاربردی و سه مرحله‌ای تحت عنوان «شناخت-اعتبارسنجی-مسئولیت‌پذیری»¹ ارایه می‌دهد؛ متدی که مقوله‌ی پاسخ‌گویی هوش مصنوعی را از دپارتمان سنتی IT خارج کرده و به طور مستقیم به دستور کار هیات‌مدیره وارد می‌سازد. به علاوه، وظایف اختصاصی مدیرعامل (CEO)، مدیر ارشد فناوری (CIO)، مدیر مالی (CFO) و مسئول منابع انسانی (CHRO) جهت دستیابی به ارزش‌های واقعی این فناوری کالبدشکافی خواهد شد.

در بخش‌های آتی بررسی خواهیم کرد که به چه دلیل تنها ۲۱ درصد از مدیران ارشد تسلط واقعی بر این حوزه دارند، چرا ۹۱ درصد از آن‌ها سطح دانش خود را غیرواقعی جلوه می‌دهند و از همه مهم‌تر، چطور هر مدیر اجرایی قادر است با گام‌های روزمره و مشخص، هوش مصنوعی را از قالب یک طرح آزمایشی خارج کرده و به تحولی بنیادین و ماندگار در ساختار سازمان بدل سازد.

شکاف بزرگ: چرا سرمایه‌گذاری‌های هوش مصنوعی ارزش خلق نمی‌کنند؟

پرسش مرکزی که گزارش گارتنر مطرح می‌کند، ساده اما عمیق است: اگر هوش مصنوعی فناوری قدرتمندی است، چرا اکثریت قاطع سازمان‌ها از سرمایه‌گذاری در آن بازده معناداری به دست نمی‌آورند؟

پاسخ را نباید در محدودیت‌های فنی جست‌وجو کرد. الگوریتم‌ها پیشرفت کرده‌اند، قدرت محاسباتی افزایش یافته و داده‌ها بیش از هر زمانی در دسترس هستند. مشکل اصلی در لایه‌ی مدیریتی و حکمرانی سازمانی نهفته است. پروژه‌های هوش مصنوعی در بسیاری از سازمان‌ها بدون مالک مشخص آغاز می‌شوند، بدون معیار روشن برای سنجش موفقیت ادامه می‌یابند و بدون مسئول پاسخ‌گو به حیات خود ادامه می‌دهند؛ حتا زمانی که شواهد حاکی از ناکارآمدی آن‌هاست.

این وضعیت منجر به پدیده‌ای شده که می‌توان آن را «پروژه‌های زامبیِ هوش مصنوعی» نامید: پروژه‌هایی که نه زنده‌اند و نه مرده؛ منابع سازمان را مصرف می‌کنند، اما ارزش قابل توجهی خلق نمی‌کنند. هیچ‌کس شجاعت متوقف کردن آن‌ها را ندارد، زیرا از همان ابتدا مشخص نبوده چه کسی مالک نتایج است و چه معیاری برای موفقیت یا شکست تعریف شده است.

یافته‌ی دیگر گارتنر نگران‌کننده‌تر است: در حالی که فقط ۲۱ درصد مدیران ارشد واقعا درک عمیقی از هوش مصنوعی و کاربردهایش دارند، ۹۱ درصد آن‌ها اعتراف می‌کنند که سطح دانش خود را بیش از واقع به سازمان نشان می‌دهند. این شکاف میان ادعا و واقعیت، فضایی ایجاد می‌کند که در آن تصمیم‌های سرمایه‌گذاری بر پایه‌ی توقعات غیرواقعی اتخاذ می‌شوند و شکست نتایج، به بازی سرزنش میان واحدها تبدیل می‌شود.

چارچوب «شناخت-اعتبارسنجی-مسئولیت‌پذیری»: استفاده مدیران ارشد از هوش مصنوعی با پاسخ‌گوییِ واقعی

برای خروج از این بن‌بست، گارتنر چارچوبی سه‌مرحله‌ای پیشنهاد می‌کند که هسته‌ی اصلی آن، انتقال مسئولیت هوش مصنوعی از واحد فناوری اطلاعات به سطح هیات‌مدیره است. این چارچوب «شناخت-اعتبارسنجی-مسئولیت‌پذیری» (Name-Prove-Own) نام دارد و هر مرحله‌ی آن، نقشی مشخص در تضمین خلق ارزش واقعی ایفا می‌کند.

مرحله‌ی اول: شناخت (Name)

پیش از آن که حتا یک ریال برای پروژه‌ی هوش مصنوعی هزینه شود، باید سه پرسش بنیادین پاسخ داده شوند: ارزش تجاری مورد انتظار چیست؟ معیار موفقیت به طور دقیق چه‌گونه تعریف می‌شود؟ و مهم‌تر از همه، نام کدام مدیر ارشد به‌عنوان مالک نتایج روی این پروژه قرار می‌گیرد؟

این مرحله، در ظاهر ساده اما در عمل بسیار تحول‌آفرین است. تجربه نشان داده پروژه‌هایی که از همان ابتدا یک مالک اجرایی مشخص در سطح مدیریت ارشد دارند، احتمال بسیار بیش‌تری برای تحقق بازده سرمایه‌گذاری دارند. هم‌چنین باید از همان آغاز مشخص شود که هدف پروژه صرفه‌جویی در هزینه‌ها (آن چه گارتنر آن را «پول آبی» می‌نامد) است یا رشد درآمد و سودآوری («پول سبز»). این تمایز؛ مسیر ارزیابی، تخصیص منابع و نحوه‌ی سنجش موفقیت را به طور بنیادین تغییر می‌دهد.

مرحله‌ی دوم: اعتبارسنجی (Prove)

هیچ پروژه‌ی هوش مصنوعی نباید پیش از اعتبارسنجی ارزش در یک محیط واقعی، به مقیاس سازمانی برسد. این مرحله، ایجاد آن چه گارتنر آن را «میدان آزمایش²» می‌نامد، ضروری می‌سازد: محیطی ساختارمند که در آن مدیران ارشد، هوش مصنوعی را در برابر داده‌های واقعی و با ریسک‌های واقعی آزمایش می‌کنند.

آزمایش‌های کوتاه‌مدت با معیارهای موفقیت شفاف، دو کارکرد حیاتی دارند: اول آن که ایده‌های ناکارآمد را زودتر شناسایی و متوقف می‌کنند و از اتلاف منابع جلوگیری می‌نمایند. دوم آن که به ایده‌های خوب، اعتبار و شواهد لازم برای کسب حمایت سازمانی جهت مقیاس‌پذیری می‌بخشند. بدون این مرحله، تصمیم‌گیری درباره‌ی ادامه یا توقف پروژه‌ها بر اساس حدس و گمان صورت می‌گیرد، نه شواهد عینی.

مرحله‌ی سوم: مسئولیت‌پذیری (Own)

اعتبارسنجی ارزش، تنها نیمی از کار است. نیمه‌ی دیگر، اطمینان از آن است که پس از پایان مرحله‌ی آزمایشی، مسئولیت نتایج هم‌چنان بر عهده‌ی فرد مشخصی باقی بماند. بسیاری از پروژه‌های هوش مصنوعی در مرحله‌ی آزمایشی نتایج امیدوارکننده‌ای نشان می‌دهند؛ اما پس از استقرار سازمانی، به تدریج بی‌صاحب می‌شوند و کارایی خود را از دست می‌دهند.

در مرحله‌ی مسئولیت‌پذیری، باید نشانه‌ها و شاخص‌های پایش مستمر تعریف شوند و پاسخ‌گویی رسمی نسبت به نتایج، در ساختار سازمانی تعبیه گردد. این کار تضمین می‌کند که ارزش خلق‌شده از هوش مصنوعی، فراتر از یک پروژه‌ی مقطعی، به تغییری سازمانی و پایدار تبدیل شود.

نکته‌ی کلیدی آن است که اگر سازمان پیش از آغاز هر پروژه، بر سر قواعد این چارچوب سه‌مرحله‌ای توافق کند، از بازی‌های سرزنش بی‌پایان و پروژه‌های زامبی جلوگیری می‌شود. توافق از پیش بر قواعد، بهترین سپر در برابر هرج‌ومرج سازمانی است.

نقش متمایز هر مدیر ارشد: یک فناوری، چهار مسئولیت

قدرت چارچوب «شناخت-اعتبارسنجی-مسئولیت‌پذیری» زمانی آشکار می‌شود که هر یک از مدیران ارشد، نقش خاص خود را در آن بشناسند و اقدامات روزانه‌ی مشخصی بر عهده بگیرند. هوش مصنوعی یک فناوری واحد است، اما مسئولیت تحقق ارزش آن، بر عهده‌ی چهار نقش متمایز در سطح مدیریت ارشد قرار دارد.

مدیرعامل (CEO): حامی ارزش و رفع‌کننده‌ی موانع

تفاوت میان چارچوبی که دوام می‌آورد و چارچوبی که به آرامی کنار گذاشته می‌شود، اغلب در آن است که آیا مدیرعامل پیش از بروز نخستین بن‌بست، موضع خود را به صراحت اعلام کرده است یا نه. نقش مدیرعامل نه طراحی جزییات فنی، بلکه حمایت آشکار و علنی از اولویت‌بندی هوش مصنوعی و مداخله‌ی قاطع در لحظات بحرانی است.

توصیه‌ی عملی آن است که مدیرعامل به جای ایجاد ساختار حکمرانی جدید، چارچوب «شناخت-اعتبارسنجی-مسئولیت‌پذیری» را به عنوان بند ثابت دستور جلسات دو نفره و کمیته‌های راهبری موجود اضافه کند. هنگامی که اختلاف نظری میان مدیران ارشد درباره‌ی ادامه یا توقف یک پروژه بروز کند، مدیرعامل باید به صراحت موضع بگیرد. این موضع‌گیری علنی، هم از سایر مدیران در برابر فشارهای سازمانی محافظت می‌کند و هم شرایط اجرای تصمیم‌هایی را فراهم می‌سازد که قواعدش از پیش تعیین شده است.

مدیر ارشد فناوری اطلاعات (CIO): سازنده‌ی محیط آزمایش امن

نقش مدیر ارشد فناوری اطلاعات از «روشن نگه‌داشتن چراغ‌ها» به مسئولیتی بسیار گسترده‌تر تکامل یافته است. وظیفه اصلی CIO در چارچوب هوش مصنوعی، ساختن «میدان آزمایش»ی است که در آن سایر مدیران ارشد بتوانند بدون نگرانی از ایجاد اختلال در عملیات جاری، آزمایش و نوآوری کنند.

این میدان آزمایش باید سرعت اجرا، دسترسی به داده‌های واقعی، منابع محاسباتی کافی، پشتیبانی ابزاری و مسیر روشنی برای مقیاس‌پذیری را فراهم کند. منطق ساده اما مهمی پشت این الزام وجود دارد: نمی‌توان مدیران را بابت نتایج مسئول دانست، اگر ابزار لازم برای موفقیت در اختیارشان قرار نگرفته باشد.

یافته‌های گارتنر نشان می‌دهد نزدیک به دو سوم سازمان‌ها، نبود توانمندسازی کافی را مهم‌ترین مانع تحقق ارزش هوش مصنوعی می‌دانند. این فقدان توانمندسازی، فرهنگ ریسک‌گریزی و سرزنش متقابل را تقویت می‌کند؛ فرهنگی که در آن هیچ کس حاضر نیست ریسک نوآوری را بپذیرد؛ زیرا می‌داند در صورت شکست، مسئولیت آن بر دوشش خواهد افتاد بدون آن که امکانات لازم در اختیارش بوده باشد.

مدیر ارشد فناوری اطلاعات با ساختن این میدان آزمایش، از نقش فقط فنی خارج می‌شود و به «همتای نوآوری» سایر مدیران ارشد تبدیل می‌شود؛ کسی که میزی ساخته است که همه می‌خواهند پای آن بنشینند.

مدیر ارشد مالی (CFO): نگهبان ارزش واقعی

وعده‌های هوش مصنوعی آسان‌اند؛ اما سنجش واقعی آن‌ها، کار مدیر ارشد مالی است. نقش CFO در زیست‌بوم هوش مصنوعی سازمانی آن است که اطمینان یابد ارزشِ ادعاشده، واقعا به ارزش مالی قابل اندازه‌گیری ترجمه شده است.

تمرکز CFO باید بر «پول سبز» یعنی رشد درآمد و سودآوری باشد، نه فقط بر صرفه‌جویی‌های هزینه‌ای. هوش مصنوعی باید ابزاری برای دقیق‌تر کردن پیش‌بینی‌های مالی، شناسایی زودهنگام ریسک‌ها و پیوند دادن شاخص‌های عملکردی هوش مصنوعی به اهداف مالی سازمان باشد. مدیر ارشد مالی باید گفتمان سازمانی را از «آیا واحد فناوری اطلاعات تحویل داد؟» به «آیا کسب‌وکار توانست ارزش را به سود تبدیل کند؟» تغییر دهد.

وظیفه‌ی دیگر CFO آن است که وقتی سایر مدیران ارشد ادعای خلق ارزش از پروژه‌های هوش مصنوعی می‌کنند، از آن‌ها بخواهد ادعای خود را با شواهد مالی اعتبارسنجی کنند. این نقش، نقش نگهبانی است که مانع از تبدیل شدن گزارش‌های هوش مصنوعی به «نمایشِ ارزش» می‌شود؛ وضعیتی که در آن همه چیز در ارایه‌های پاورپوینت عالی به نظر می‌رسد، اما در صورت‌های مالی هیچ اثری ندارد.

مدیر ارشد منابع انسانی (CHRO): معمار آمادگی سازمانی

یافته‌های گارتنر تاکید می‌کنند که سازمان‌های دارای نیروی انسانی آماده برای هوش مصنوعی، احتمال بیش‌تری برای حفظ پایدار نتایج دارند. مدیر ارشد منابع انسانی نقشی حیاتی در پر کردن شکاف میان مدیرانی که می‌دانند هوش مصنوعی مهم است و مدیرانی که به واقع از آن استفاده می‌کنند، ایفا می‌کند.

نقش CHRO در چارچوب هوش مصنوعی دوبخشی است. بخش نخست، تایید آمادگی تیم‌ها پیش از مقیاس‌پذیری پروژه‌ها. در حالی که مدیر ارشد فناوری اطلاعات زیرساخت فنی آزمایش را فراهم می‌کند، مدیر ارشد منابع انسانی باید تایید کند که جریان‌های کاری، نقش‌ها، شاخص‌های عملکردی و ساختار پاسخ‌گویی تیم‌ها برای پذیرش هوش مصنوعی بازطراحی شده‌اند. بدون این بازطراحی، استقرار هوش مصنوعی در مقیاس سازمانی، نه‌تنها اثربخش نخواهد بود، بلکه ممکن است مقاومت و اختلال ایجاد کند.

بخش دوم، توسعه‌ی سواد هوش مصنوعی در سطح سازمان. CHRO باید آموزش هوش مصنوعی را در برنامه‌های توسعه‌ی رهبری و مسیر شغلی مدیران تعبیه کند و ابزارهای هوش مصنوعی را در جریان کار روزانه‌ی کارکنان ادغام نماید، پیش از آن که از آن‌ها انتظار حمایت از این فناوری را داشته باشد. به بیان ساده‌تر، نمی‌توان از کسی خواست سفیر فناوری‌ای باشد که هرگز با آن کار نکرده است.

چرا پاسخ‌گویی، نه فناوری، عامل تعیین‌کننده است؟

اگر بخواهیم پیام محوری گزارش گارتنر را در یک جمله خلاصه کنیم، آن جمله این است: «اغلب ابتکارات هوش مصنوعی نه به دلیل ناکارآمدی فناوری، بلکه به این دلیل شکست می‌خورند که هیچ‌کس مسئولیت‌پذیری نتایج را بر عهده نمی‌گیرد.»

این یافته، هم‌راستا با ادبیات گسترده‌ی حکمرانی شرکتی است. دهه‌ها پژوهش در حوزه‌ی مدیریت نشان داده که فناوری‌های جدید، از سامانه‌های برنامه‌ریزی منابع سازمانی (ERP) گرفته تا رایانش ابری، زمانی ارزش پایدار خلق می‌کنند که در ساختار مسئولیت‌پذیری و پاسخ‌گویی سازمانی تعبیه شوند. هوش مصنوعی نیز از این قاعده مستثنا نیست.

آن چه چارچوب «شناخت-اعتبارسنجی-مسئولیت‌پذیری» را از بسیاری از مدل‌های مدیریت فناوری متمایز می‌کند، ماهیت «سیاسی» آن است، نه فقط فنی. این چارچوب، به جای آن که بر معماری فناوری تمرکز کند، بر معماری پاسخ‌گویی تاکید دارد. مشخص می‌کند چه کسی قبل از شروع، مالک نتایج است؛ چه کسی در مرحله‌ی آزمایش، معیارهای موفقیت را داوری می‌کند و چه کسی پس از استقرار، پاسخ‌گوی نتایج بلندمدت خواهد بود.

این رویکرد، ریسک‌های سیاسی درون‌سازمانی را نیز کاهش می‌دهد. وقتی قواعد بازی از پیش مشخص باشد، بن‌بست‌ها قابل پیش‌بینی و حل‌وفصل می‌شوند و فضا برای سرزنش متقابل یا فرار از مسئولیت به کمینه می‌رسد.

از آزمایش تا تحول پایدار: مسیر عملیاتی

یکی از نقاط قوت رویکرد گارتنر، تاکید بر عملیاتی‌سازی از طریق ساختارهای موجود است. بسیاری از سازمان‌ها وقتی با فناوری جدیدی مواجه می‌شوند، نخستین واکنش‌شان ایجاد کمیته، شورا یا ساختار حکمرانی جدید است. اما تجربه نشان داده که این ساختارهای موازی اغلب خود به مانعی تبدیل می‌شوند.

پیشنهاد گارتنر آن است که به جای ساختن لایه‌های حکمرانی جدید، چارچوب هوش مصنوعی را در جلسات دو نفره موجود میان مدیرعامل و مدیران ارشد، در دستور جلسات کمیته‌های راهبری فعلی و در فرایندهای بودجه‌ریزی و ارزیابی عملکرد جاری ادغام کنیم. این رویکرد هم سرعت اجرا را افزایش می‌دهد و هم مقاومت سازمانی را کاهش می‌دهد.

نکته‌ی ظریف دیگری نیز وجود دارد: پاسخ‌گویی زودهنگام و نابه‌جا می‌تواند نوآوری را بکشد. گارتنر هشدار می‌دهد که اگر پیش از آن که ابزارها و زیرساخت لازم در اختیار مدیران قرار بگیرد، آن‌ها را بابت نتایج مسئول بدانیم، نتیجه‌ای جز فرهنگ ریسک‌گریزی و اجتناب از نوآوری نخواهیم داشت. ترتیب درست آن است که ابتدا توانمندسازی صورت بگیرد و سپس پاسخ‌گویی مطالبه شود.

نگاهی به آینده: هوش مصنوعی به عنوان سرمایه‌ی سازمانی

اگر استفاده مدیران ارشد از هوش مصنوعی را در چشم‌اندازی بلندمدت‌تر ببینیم، تصویر روشنی شکل می‌گیرد. مدیرانی که بیش‌ترین بازده را از هوش مصنوعی کسب می‌کنند، به این فناوری نه به عنوان یک پروژه‌ی فناوری، بلکه همانند هر سرمایه‌گذاری دیگری نگاه می‌کنند: سرمایه‌ای که باید نام‌گذاری شود، اندازه‌گیری شود و مالکی داشته باشد.

این تغییر نگاه، تحولی عمیق‌تر از آن چه در نگاه اول به نظر می‌رسد، ایجاد می‌کند. وقتی هوش مصنوعی از یک آزمایش فناوری به یک سرمایه‌ی سازمانی با مالک مشخص، معیارهای سنجش شفاف و ساختار پاسخ‌گویی رسمی تبدیل شود، ارزش آن از یک پروژه‌ی مقطعی فراتر می‌رود و به بخشی پایدار از DNA سازمانی بدل می‌شود.

جمع‌بندی: سه اصل بنیادین

پیام نهایی برای تمامی مدیران ارشد، سیاست‌گذاران و دانشجویانی که آینده‌ی مدیریت فناوری را می‌سازند، در سه اصل بنیادین خلاصه می‌شود:

• اول، هیچ پروژه‌ی هوش مصنوعی نباید بدون مالک مشخص در سطح مدیریت ارشد آغاز شود. شناخت، نخستین و شاید مهم‌ترین گام است.
• دوم، هیچ پروژه‌ای نباید پیش از اعتبارسنجی ارزش در محیط واقعی، به مقیاس سازمانی برسد. شتاب‌زدگی در مقیاس‌پذیری، بزرگ‌ترین تهدید برای بازده‌ی سرمایه‌گذاری است.
• سوم، پاسخ‌گویی نباید با پایان مرحله‌ی آزمایشی پایان یابد. مسئولیت‌پذیری نتایج باید در ساختار سازمانی تعبیه شود تا ارزش خلق‌شده پایدار بماند.

سازمان‌هایی که این سه اصل را جدی بگیرند و هر یک از مدیران ارشد خود را در نقش متمایزی برای تحقق آن قرار دهند، در موقعیت بسیار بهتری برای تبدیل هوش مصنوعی از یک هزینه‌ی سربار به یک مزیت رقابتی پایدار خواهند بود. آینده‌ی هوش مصنوعی در سازمان‌ها را نه الگوریتم‌ها، بلکه ساختار پاسخ‌گویی مدیران‌شان رقم خواهد زد.

پرسش‌های متداول

1. Name-Prove-Own ↩︎
2. Proving Ground ↩︎