چهار سیگنال کلیدی برای سنجش ارزش هوش مصنوعی

دو ساعت زنگ‌دار که با دو چرخ‌دنده هماهنگ شده‌اند

داشبورد مدیریتی شما نشان می‌دهد که ۸۵ درصد سازمان از هوش مصنوعی استفاده می‌کند. میزان بهره‌برداری افزایش یافته و شاخص‌های مشارکت قوی به نظر می‌رسند. اما وقتی می‌پرسید «چه ارزش کسب‌وکاری ایجاد کرده‌ایم؟»، سکوت بر فضای اتاق حاکم می‌شود.

این همان پارادوکس سنجش است: در حالی که ۷۲ درصد سازمان‌ها به طور رسمی بازگشت سرمایه هوش مصنوعی مولد را اندازه‌گیری می‌کنند، ۹۷ درصد در نشان دادن ارزش واقعی کسب‌وکار مشکل دارند. مشکل این نیست که اندازه‌گیری نمی‌کنیم. مشکل این است که چیز اشتباهی را می‌سنجیم.

معیارهای سنتی، پذیرش را ردیابی می‌کنند – چند نفر از هوش مصنوعی استفاده می‌کنند، با چه تناوبی و با چه میزان افزایش بهره‌وری. اما پذیرش، یک اندازه‌گیری تک‌سرعته است. در مقاله قبلی من با عنوان «مسئله سه سرعت»، چگونگی نیاز تحول هوش مصنوعی به هماهنگ‌سازی سه سرعت ناسازگار توضیح داده شد: سرعت هوش مصنوعی (ضرورت)، سرعت سازگاری (روش‌شناسی) و سرعت سازمانی (بنیاد سیستمی).

اگر پذیرش موفقیت‌آمیز هوش مصنوعی به همکاری این سه سرعت بستگی دارد، پس چارچوب سنجش ما باید هماهنگی را دنبال کند، نه صرفاً پذیرش را.

بیشتر سازمان‌ها برای این کار مجهز نیستند. آن‌ها اندازه می‌گیرند که آیا از هوش مصنوعی استفاده می‌شود یا سازمان در حال تغییر است – اما هرگز نمی‌سنجند که آیا این سه سرعت واقعاً با هم تراز هستند یا خیر.

چرا معیارهای سنتی هوش مصنوعی چیز اشتباهی را می‌سنجند

داشبورد استاندارد معیارهای هوش مصنوعی آشنا به نظر می‌رسد: میزان استفاده، دستاوردهای محلی بهره‌وری، نمرات کیفیت مدل، نرخ مشارکت، کارایی هزینه. همه مفیدند. همه ناکافی.

این معیارها، اجرای عملیاتی در یک سرعت واحد را اندازه می‌گیرند. نفوذ استفاده به شما می‌گوید چند نفر ابزارهای هوش مصنوعی را پذیرفته‌اند – این، سنجش سرعت هوش مصنوعی به صورت مجزا است. دستاوردهای محلی بهره‌وری نشان می‌دهند آیا افراد سریع‌تر کار می‌کنند – این، کارایی فردی را می‌سنجد، نه هماهنگی سازمانی.

چیزی که آن‌ها اندازه نمی‌گیرند، شکاف بین قابلیت و ارائه ارزش است. آیا می‌توانید یک قابلیت جدید هوش مصنوعی را امروز شناسایی کنید و فردا ارزش سازمانی از آن به دست آورید؟ یا شش ماه طول می‌کشد تا فرآیندهای تدارکات، انطباق، مدیریت تغییر و یکپارچه‌سازی را طی کنید؟

پژوهش برکلی درباره سنجش هوش مصنوعی، مشکل اصلی را آشکار می‌کند: سازمان‌ها به طور پیش‌فرض به چارچوب‌های بازگشت سرمایه‌ای روی می‌آورند که برای سرمایه‌گذاری‌های فناوری ایستا طراحی شده‌اند. هوش مصنوعی ایستا نیست. آن به طور پیوسته تکامل می‌یابد. این تکامل، رویکرد اندازه‌گیری متفاوتی را می‌طلبد – رویکردی که پاسخگویی سازمانی را دنبال کند، نه صرفاً عملکرد فناوری.

این تمایز حیاتی است: شرکت‌هایی که شاخص‌های کلیدی عملکرد خود را برای گنجاندن بینش‌های هوش مصنوعی بازنگری می‌کنند، سه برابر بیشتر احتمال دارد سود مالی ببینند در مقایسه با آن‌هایی که فقط از معیارهای سنتی استفاده می‌کنند. تفاوت در چیست؟ آن‌ها سیگنال‌های استراتژیک هماهنگی را می‌سنجند، نه فقط خروجی‌های عملیاتی.

پژوهش ام‌آی‌تی اسلون درباره سنجش استراتژیک این را به زیبایی بیان می‌کند: معیارهای سنتی به این سؤال پاسخ می‌دهند که «چه اتفاقی افتاد؟» معیارهای استراتژیک می‌پرسند «آیا به اندازه کافی سریع سازگار می‌شویم؟» وقتی سه سرعت شما ناهماهنگ باشند – هوش مصنوعی با یک سرعت تکامل یابد، تیم‌های چابک با سرعت دیگری تکرار کنند و سیستم‌های سازمانی با سرعت سومی تغییر کنند – معیارهای عملیاتی تا لحظه‌ای که مزیت رقابتی ناپدید شود، خوب به نظر خواهند رسید.

مدیریت مبتنی بر شواهد به عنوان چارچوب هماهنگی

یک چارچوب اندازه‌گیری وجود دارد که از قبل برای ردیابی پاسخگویی سازمانی به تغییر پیوسته طراحی شده است: مدیریت مبتنی بر شواهد.

این چارچوب که توسط اسکرام.ارگ توسعه یافته، پروژه‌ها یا خروجی‌ها را اندازه نمی‌گیرد. بلکه توانایی یک سازمان برای ارائه ارزش در محیط‌های نامطمئن و به سرعت در حال تغییر را می‌سنجد. این دقیقاً چیزی است که تحول هوش مصنوعی طلب می‌کند.

این روش، اندازه‌گیری را حول چهار حوزه ارزش سازماندهی می‌کند. وقتی برای هماهنگی هوش مصنوعی و چابکی بازتعریف شوند، نشان می‌دهند که آیا سه سرعت شما تراز هستند یا خیر:

ارزش جاری → آیا هر سه سرعت در حال تولید نتایج قابل اندازه‌گیری امروز هستند؟ نه «آیا از هوش مصنوعی استفاده می‌کنیم؟» بلکه «آیا پذیرش هوش مصنوعی، تکرار چابک و تغییر سازمانی، هم‌اکنون در حال خلق ارزش هستند؟»

ارزش محقق‌نشده → آیا فرصت‌ها را با سرعت هوش مصنوعی شناسایی می‌کنیم اما با سرعت سازمانی آن‌ها را تصاحب می‌کنیم؟ این، شکاف بین کشف قابلیت و ارائه ارزش را اندازه می‌گیرد – همان تأخیری که مزیت رقابتی را از بین می‌برد.

توانایی نوآوری → آیا تیم‌های چابک می‌توانند با سرعت تکرارشونده هوش مصنوعی و با پشتیبانی سیستمی آزمایش کنند؟ این نشان می‌دهد که آیا سیستم‌های سازمانی، سرعت سازگاری را ممکن می‌سازند یا محدود می‌کنند.

زمان عرضه به بازار → چه مدت از کشف یک قابلیت هوش مصنوعی تا ارائه ارزش سازمانی طول می‌کشد؟ این، معیار نهایی هماهنگی است – هرگونه ناهمترازی بین سه سرعت شما را آشکار می‌کند.

دلیل موفقیت این چارچوب در جایی که روش‌های سنتی شکست می‌خورند این است: برای اندازه‌گیری قابلیت سازمانی در پاسخ به تغییر طراحی شده، نه فقط اجرای برنامه‌های از پیش تعریف شده. هوش مصنوعی از برنامه‌های از پیش تعریف شده پیروی نمی‌کند. آن به صورت تجربی تکامل می‌یابد. چارچوب اندازه‌گیری شما باید با این واقعیت مطابقت داشته باشد.

همانطور که در کار من درباره مدل‌های عملیاتی محصول و مشارکت در بسته توسعه راهنمای اسکرام بحث شده، مدیریت مبتنی بر شواهد، ابزارهای اندازه‌گیری برای همترازی سه سرعت را فراهم می‌کند. این درباره ردیابی معیارهای پذیرش هوش مصنوعی نیست. درباره این است که آیا سازمان شما می‌تواند به سرعت تکامل فناوری، یاد بگیرد و سازگار شود.

چهار سیگنال هماهنگی

این چارچوب، چهارچوب را ارائه می‌دهد. اکنون به معیارهای خاصی نیاز داریم که هماهنگی در سه سرعت را اندازه بگیرند. این چهار سیگنال، معیارهای سنتی هوش مصنوعی را با آشکار کردن آنچه بیشتر اهمیت دارد تکمیل می‌کنند: همترازی، نه صرفاً فعالیت.

سیگنال ۱: تأخیر قابلیت تا ارزش

زمان از دسترسی یک قابلیت هوش مصنوعی تا ارائه ارزش سازمانی.

شکاف بین زمانی که یک قابلیت جدید هوش مصنوعی در دسترس قرار می‌گیرد و زمانی که نتایج قابل اندازه‌گیری کسب‌وکاری تولید می‌کند را اندازه بگیرید. اگر امروز نسخه جدیدی با قابلیت‌های استدلالی انقلابی منتشر شود، چه مدت طول می‌کشد تا سازمان شما ارزش آن قابلیت‌ها را کسب کند؟ سه روز؟ سه ماه؟

این می‌سنجد که آیا سرعت سازمانی با سرعت هوش مصنوعی مطابقت دارد یا خیر. تأخیر طولانی به معنای ناهماهنگی سه سرعت شماست – هوش مصنوعی سریع‌تر از آنچه سازمان بتواند پاسخ دهد در حرکت است.

سیگنال ۲: کارایی جریان بین‌وظیفه‌ای

درصد زمان صرف شده در کار ارزشی در مقابل انتظار در ابتکارات هوش مصنوعی.

ردیابی کنید که چه مقدار از زمان ابتکارات هوش مصنوعی صرف کار فعال می‌شود در مقابل انتظار برای تأییدها، وابستگی‌ها یا تحویل‌کارها. اگر یک پروژه آزمایشی هوش مصنوعی ۹۰ روز طول بکشد اما فقط ۱۵ روز شامل آزمایش واقعی باشد، کارایی جریان شما ۱۷ درصد است. ۸۳ درصد دیگر، کشش سازمانی است.

این می‌سنجد که آیا تغییر سیستمی، سرعت چابک را ممکن می‌سازد یا خیر. کارایی جریان پایین به این معنی است که سیستم‌های سازمانی، سرعت سازگاری را مسدود می‌کنند.

سیگنال ۳: سرعت یادگیری تکرارشونده

تعداد چرخه‌های برنامه‌ریزی-اجرا-بررسی-سازگاری تکمیل شده به ازای هر ابتکار هوش مصنوعی.

شمارش کنید که تیم‌های شما در هر پروژه هوش مصنوعی چند چرخه کامل را به پایان می‌رسانند. یک چرخه به معنای برنامه‌ریزی، آزمایش، بررسی نتایج و سازگاری است – سپس تکرار. چرخه‌های بیشتر به معنای یادگیری سریع‌تر است. یادگیری سریع‌تر به معنای این است که روش چابک با سرعت تکرارشونده عمل می‌کند.

این می‌سنجد که آیا تمرین چابک شما با سرعت هوش مصنوعی مطابقت دارد. استقرارهای سنتی شش‌ماهه هوش مصنوعی، یک چرخه را کامل می‌کنند. پذیرش چابک هوش مصنوعی، شش چرخه را در همان بازه زمانی کامل می‌کند و به طور مداوم یاد می‌گیرد و سازگار می‌شود.

سیگنال ۴: انسجام استراتژیک-عملیاتی

درصد آزمایش‌های هوش مصنوعی که مستقیماً بر تصمیمات استراتژیک تأثیر می‌گذارند.

ردیابی کنید که چند درصد از آزمایش‌های هوش مصنوعی، بینش‌هایی تولید می‌کنند که بر جهت‌گیری استراتژیک تأثیر می‌گذارند. اگر ۸۰ درصد از پروژه‌های آزمایشی هوش مصنوعی گزارش‌هایی تولید کنند که در یک مخزن ذخیره می‌مانند در حالی که رهبری بدون آن‌ها تصمیمات استراتژیک می‌گیرد، انسجام پایین است. اگر آزمایش‌ها به سرعت بر تغییر مسیرهای استراتژیک تأثیر بگذارند، انسجام بالا است.

این می‌سنجد که آیا یادگیری با سرعت هوش مصنوعی در تمام سطوح سازمانی جریان می‌یابد – از آزمایش عملیاتی تا تنظیم استراتژیک. انسجام بالا به معنای هماهنگی سه سرعت شماست. انسجام پایین به معنای هم‌زیستی صرف است.

عملیاتی کردن اندازه‌گیری

این چهار سیگنال هماهنگی، جایگزین معیارهای سنتی هوش مصنوعی نمی‌شوند. آن‌ها را تکمیل می‌کنند. نفوذ استفاده به شما می‌گوید پذیرش چقدر است. تأخیر قابلیت تا ارزش به شما می‌گوید آیا آن پذیرش به اندازه کافی سریع ارزش ایجاد می‌کند تا مهم باشد.

دستاوردهای بهره‌وری به شما کارایی را می‌گویند. کارایی جریان بین‌وظیفه‌ای به شما می‌گوید آیا سیستم‌های سازمانی آن کارایی را ممکن می‌سازند یا محدود می‌کنند.

تغییر، از اندازه‌گیری هوش مصنوعی به صورت مجزا به سنجش همترازی هوش مصنوعی-چابک-سازمان است. از ردیابی خروجی‌ها به دنبال کردن هماهنگی. از داشبوردهای عملیاتی به ابزارهای اندازه‌گیری استراتژیک.

پژوهش درباره چارچوب‌های پذیرش هوش مصنوعی بر این نکته تأکید می‌کند: اثربخشی نه با پیچیدگی مدل‌های هوش مصنوعی شما، بلکه با میزان خوب سازگار شدن سازمان شما برای استفاده از آن‌ها تعیین می‌شود. این سازگاری چیزی است که هماهنگی اندازه می‌گیرد.

شرکت‌هایی که این تمایز را درک می‌کنند، در حال پیشی گرفتن هستند. پژوهش درباره شاخص‌های کلیدی عملکرد قدرتمندشده با هوش مصنوعی نشان می‌دهد که ۹۰ درصد سازمان‌ها زمانی که از هوش مصنوعی برای ایجاد شاخص‌های جدید استفاده می‌کنند – نه فقط خودکارسازی شاخص‌های قدیمی – بهبود می‌بینند. سؤال این نیست که «آیا به اهداف خود رسیدیم؟» بلکه این است که «آیا به اندازه کافی سریع یاد می‌گیریم تا اهداف بهتری تعیین کنیم؟»

این همان تغییر اندازه‌گیری است که هوش مصنوعی طلب می‌کند. تکامل استراتژیک از طریق هوشمندی سازگارشونده. وقتی چارچوب اندازه‌گیری شما هماهنگی در سه سرعت را دنبال کند، تکامل قابل مشاهده – و بنابراین قابل مدیریت – می‌شود.

چابکی یک چارچوب نیست. یک قابلیت است. و قابلیت نیازمند اندازه‌گیری نه فقط کاری که انجام می‌دهید، بلکه این است که آیا به اندازه کافی سریع سازگار می‌شوید تا رقابت کنید.

رالف جوخام، اولین مربی حرفه‌ای اسکرام در اروپا، هم‌نویسنده کتاب «مالک حرفه‌ای محصول» و مشارکت‌کننده در بسته توسعه راهنمای اسکرام است. به عنوان یک مربی معتبر، با سازمان‌ها کار می‌کند تا مدل‌های عملیاتی محصولی بسازند که در آن‌ها وضوح استراتژیک، تعالی عملیاتی و یادگیری سازگارشونده، مزیت رقابتی قابل اندازه‌گیری ایجاد می‌کنند.