در عصر تحول دیجیتال اهمیت به کارگیری هوش مصنوعی در نوآوری و توسعهی کسب و کارها بیش از پیش مشهود است. بر اساس گزارش مکنزی، شرکتهایی که در استفاده از فناوریهای پیشرفته پیشرو هستند، تا ۵۰٪ رشد درآمدی بیشتری نسبت به رقبا تجربه میکنند. این شرکتها با تمرکز بر نوآوری دیجیتالی، به کاهش ۳۰٪ هزینهها و افزایش ۲۵٪ در بهرهوری دست یافتهاند..
برای مدیران، این یافتهها نشاندهندهی ضرورت فوری پذیرش و ادغام هوش مصنوعی در استراتژیهای کلیدی شرکت است. استفاده از هوش مصنوعی نه تنها فرصتهای جدیدی برای بهبود عملیات و خدمات را فراهم میآورد بلکه به شرکتها اجازه میدهد تا از دادهها برای تصمیمگیریهای دقیقتر و کارآمدتر استفاده کنند.
از لحاظ عملی، مدیران باید در نظر داشته باشند که موفقیت در عصر دیجیتال به سرمایهگذاری در تکنولوژی، آموزش نیروی کار و توسعهی فرهنگ نوآوری در سازمان بستگی دارد. برای مثال شرکت هایی مانند گوگل و آمازون در تمامی جنبههای کسبوکار خود، نه تنها در بازار داخلی بلکه در بازارهای بینالمللی با ادغام هوش مصنوعی نیز سهم بیشتری به دست آوردهاند. این نهادها نشان دادهاند که میتوان با استفاده از دادههای بزرگ و یادگیری ماشین، نوآوریهایی را ایجاد کرد که پیش از این غیرممکن به نظر میرسیدند.
بنابراین، توصیه میشود که مدیران از هوش مصنوعی به عنوان یک ابزار استراتژیک برای تحلیل دادهها و بهینهسازی فرآیندها استفاده کنند. همچنین، باید از آموزش مستمر تیمهای خود در زمینه فناوریهای جدید و پیادهسازی استانداردهای امنیتی قوی برای حفاظت از دادهها اطمینان حاصل کنند. این اقدامات نه تنها به افزایش رقابتپذیری کمک میکند بلکه موجبات رشد و توسعهی پایدار کسبوکار را نیز فراهم میآورد.
با توجه به تجربه مشاوره ای خود در سازمان می بینم مدیرانی که همچنان استراتژی مدیریتی مدافعه گرایانه را دارند و به دنبال حفظ وضع موجود هستند.با توجه به تغییرات چشمگیر و مدوام عصر جدید سیاست واکنش گری را در شرایط بحران ترجیج می دهند تا اینکه تحلیل گرایانه و تهاجم گونه به بیزنس خود نگاه کنند.
مقاله پیشنهادی: شجاعت استراتژیک
این مقاله در اصل مصاحبه جالب بین شان براون و مت بنهولزر دو تن از مدیران و کارشناسان مکنزی به بررسی جامع و کاربردی تکنولوژیو چگونگی تأثیر آنها بر نوآوری و رشد کسبوکارها میپردازد. هدف از این کار ارائه دیدگاهی است که نه تنها بینشی نظری بلکه راهکارهای عملی و تجربیات واقعی از شرکتهای پیشرو در این زمینه را شامل میشود. این مقاله میتواند به شما کمک کند تا استراتژیهای خود را متناسب با تحولات جدید شکل دهید و در عین حال، رویکردهایی نوآورانه برای بهرهبرداری از این تکنولوژیها را در دستور کار خود قرار دهید.
دادهها و نمونههای برجستهای که در این مقاله آورده شده، نشاندهنده قدرت تحلیل و پیشبینی هوش مصنوعی در شناسایی فرصتها و چالشهای پیشروی کسبوکارها است. بهویژه در زمانهایی که هر تصمیم و سرمایهگذاری میتواند تأثیر بلندمدتی بر آیندهی شرکت شما داشته باشد.
پیشبرد نوآوری با استفاده از هوش مصنوعی
شرکتهایی که فرهنگ نوآوری دارند، در استفاده و بهرهبرداری از هوش مصنوعی ایجاد شده، بسیار جلوتر از همتایان خود هستند.
همانطور که موضوع داغ سال گذشته هوش مصنوعی ساخته شده به موضوع بحث استقرار امسال تبدیل میشود، شرکتها مشتاق هستند تا بحث در مورد پتانسیل هوش مصنوعی را به اقدامی برای به دست آوردن مزایای آن تبدیل کنند. در این قسمت از برنامه ‘داخل اتاق استراتژی’، دو کارشناس مککینزی در مورد نحوه استفاده پیشروان نوآور از فناوری برای رشد صحبت میکنند. لورا لابرژ یک کارشناس در خط خدمات رشد استراتژیک و نوآوری ما است، که مت بن هولزر رهبر جهانی آن است. آنها همکاران نویسنده مقاله اخیری هستند که توضیح میدهد چرا شرکتهایی با فرهنگهایی که نوآوری را در آغوش میکشند در استفاده از هوش مصنوعی تولیدی برتری دارند. این یک نسخه ویرایششده از گفتگوی آنها است. .
شان براون: قبل از اینکه به چگونگی کمک هوش مصنوعی تولیدی به نوآوری در کسبوکارها بپردازیم، زیر چتر نوآوری چه چیزهایی قرار میگیرد؟
مت بنهولزر: تعریف ما شامل نه تنها محصولات جدید، بلکه فرآیندها و مدلهای عملیاتی جدیدی است که میتوانند با ویژگی سیال بودن، سازگاری یا کارآمدی هزینهای برای شما، یک مزیت رقابتی ایجاد کنند. نوآوری همچنین دربارهی تجربیات جدید مشتریان و روشهای جدید برقراری ارتباط با آنها، و مدلهای کسبوکار و پیشنهادات ارزش جدید است. به عنوان مثال، در ده سال گذشته، بسیاری از شرکتها از فروش محصولات به فروش خدمات تغییر کردهاند، یا روشهای مبتنی بر اشتراک را اتخاذ کردهاند. نوآوریهای مدل کسبوکار همچنین میتوانند شامل مسیرهای مختلف بازاریابی یا استفاده از داراییهای شما به شیوههای جدید باشند.
پژوهشهای ما نشان میدهد که ما ممکن است به دورهی جدیدی که توسط پلتفرمهای فناوری جدید و تغییرات عمدهی جمعیتی شکل گرفته است، وارد شویم. برای موفقیت در این دنیا، شما باید نوآوری کنید، زیرا آنچه شما را به اینجا رسانده ممکن است شما را به آنجا نرساند. بسیاری از هنجارهای تجاری، مدلهای عملیاتی، یا محصولات شما ممکن است در آینده مؤثر نباشند و عدم نوآوری ممکن است خطرناکتر از قمار کردن برای فرصتهای رشد باشد. دوران عدم قطعیت نیازمند نه تنها بستن درزها، بلکه استفاده از بهرهوری برای ایجاد جریانهای نقدی است که با آنها میتوانید سرزمینهای جدید برای رشد را تأسیس کنید.
شان براون: مقالهی شما میگوید که نوآوران برتر در یافتن و بهرهبرداری از این منابع جدید رشد مهارت دارند. آنها چگونه این کار را انجام میدهند و هوش مصنوعی تولیدی در کجا وارد میشود؟
مت بنهولزر: ما یک نظرسنجی انجام دادیم تا بفهمیم چه چیزی باعث برتری این شرکتها میشود و دریافتیم که آنچه آنها را مشترک میکند، فرهنگ نوآوری است. از فاصله بین عملکرد بهترینها و بدترینها که تا بیش از ۱۰۰۰ درصد بود، شگفتزده شدیم. کسانی که فرهنگ نوآوری قوی دارند، بسیار بیشتر احتمال دارد که گزارش کنند محصولات و خدماتشان در صنایع خود پیشرو هستند و سازمانهایشان در سرعت توسعه محصول جدید، بهترین در کلاس خود هستند. اینجاست که هوش مصنوعی تولیدی وارد میشود: مربوط به توسعه، آزمایش و استقرار است. برخی از شرکتهای پیشرو، هوش مصنوعی تولیدی را یک یا دو سال قبل از رونق گرفتن چت جی تی به کار گرفته بودند.
شان براون: داشتن فرهنگ نوآوری به چه معناست؟
مت بنهولزر: پیش از این در مورد القای تعهد به نوآوری، عوامل انسانی در نوآوری، و هشت اصل اساسی نوآوری نوشتهایم، جایی که ما بلوکهای سازنده فرهنگ نوآوری را تعریف میکنیم. به عنوان مثال، آیا شما آرزوهای بزرگی دارید که تنها از طریق نوآوری قابل دسترسی هستند؟ اغلب، شرکتها میتوانند استراتژیهای خود را بدون نوآوری ارائه دهند، بنابراین تعجبآور نیست که آنها نوآوری نمیکنند. فرهنگ نوآوری همچنین به معنای بهکارگیری بینشهای تأییدشده از سوی مشتریان و آنچه بازار به شما میگوید، است. علاوه بر این، نوآوران برتر فرضیات و ادعاها را به چالش میکشند، عدم قطعیت را در آغوش میگیرند، و توسعه تکرارپذیر را فعال میکنند.
شان براون: آیا مناطق خاصی وجود دارد که این شرکتها توجه و سرمایهگذاریهای خود را بر آن متمرکز میکنند؟
لورا لابرژ: یک تفاوت بین آنها و دیگران این است که نوآوران برتر بیشتر در تحقیق و توسعه و فناوری دیجیتال سرمایهگذاری میکنند. اما نه فقط بیشتر—به شیوهای متفاوت سرمایهگذاری میکنند و بازگشت سرمایه بسیار بالاتری از این سرمایهگذاریها کسب میکنند. به طور میانگین، آنها ۵۵ درصد بیشتر بر فناوریهای دیجیتال، با تمرکز بر فناوری که به آنها امکان میدهد تمایز استراتژیک ایجاد کنند، هزینه میکنند. علاوه بر این، آنها بر سرعت، دقت و یکپارچگی تمرکز دارند، و دو تا سه برابر تواناییها در این زمینهها را نسبت به شرکتهای معمولی گزارش میدهند—و تا نه برابر بیشتر از نوآوران ضعیف. این سرمایهگذاریها آنها را برای استفاده از انواع جدید فناوریها آماده میکند، بنابراین تعجبآور نیست که آنها در استقرار هوش مصنوعی در مقیاس بزرگ برای تسریع فرآیندهای تحقیق و نوآوری، پیشرو هستند. در گذشته، این سازمانها در پیشرفتهای فناورانه دیگر مانند اینترنت اشیاء یا مهندسی طراحی، پیشتاز بودند. آنچه در این لحظه جالب است، درجهای است که هوش مصنوعی تولیدی میتواند به نقاط قوت آنها بازی کند.
شان براون: این شرکتها چگونه سرعت، دقت و یکپارچگی که شما ذکر کردید را توسعه میدهند؟
لورا لابرژ: در مورد سرعت، به عنوان مثال، رهبران کسبوکار و تیمهای محصول از دادههای زمان واقعی برای ایجاد بهبودهای سریع استفاده میکنند. آنها از فناوری به طور گسترده در سراسر سازمان استفاده میکنند، فراتر از اتوماسیون ساده، به یکپارچهسازی فرایندهای توسعه، امنیت و عملیات میپردازند. دقت به استفاده از یادگیری ماشین برای تحلیل دادهها در مقیاس بزرگ اشاره دارد و یکپارچگی به تمرکز سراسری سازمان بر کاربران نهایی و تعبیه بدون درز عملکردهای کنترلی اشاره دارد. شرکتهای نوآور این عناصر را پیش از ورود هوش مصنوعی تولیدی به میدان داشتند و این تواناییها برای استفاده از مزایا و جلوگیری از ریسکهای هوش مصنوعی تولیدی حیاتی از آب درمیآیند.
شان براون: شرکتهایی که در مراحل اولیه آزمایش با هوش مصنوعی تولیدی هستند، چه چیزی میتوانند از این رهبران یاد بگیرند؟
مت بنهولزر: پنج عنصر در نحوه نزدیکی این شرکتها به هوش مصنوعی تولیدی وجود دارد. اول، آنها میدانند چگونه سوالات خوبی بپرسند. این فراتر از مهندسی دستورالعمل ساده و فکر کردن به دستور زبان است—آنها درک میکنند که چه مشکلاتی نیاز به حل شدن دارد و چگونه میتوان از هوش مصنوعی تولیدی برای پاسخ به این سوالات استفاده کرد. دوم، آنها بر حذف پاسخهای بد تمرکز دارند. این به معنای ساده رد کردن پاسخهایی که منطقی نیستند نیست، بلکه همیشه ادعاها را به چالش میکشند و آنها را به عنوان فرضیات میبینند. وقتی شرکتها کسبوکارهای جدیدی را بنا مینهند یا محصولات جدیدی را خارج از هسته اصلی خود راهاندازی میکنند، آنها فرضیاتی در مورد ترجیحات مشتریان و تمایل آنها به پرداخت یا توانایی تولید محصول و فروش آن توسط نیروی فروش میکنند. در کسبوکار معمولی، شما میتوانید تصور کنید که چگونه پیش خواهد رفت، زیرا شما تشخیص الگو دارید. در نوآوری، باید این فرضیات را به چالش بکشید، و این طرز فکر به طور مستقیم به هوش مصنوعی تولیدی ترجمه میشود. وقتی هوش مصنوعی تولیدی پاسخی را میدهد، نوآوران برتر میپرسند، «آیا این پاسخ مفید است؟»
تفاوت سوم این است که آنها به طور مداوم دادههای اختصاصی خود را میسازند. هوش مصنوعی تولیدی راهی عالی برای خلاصهسازی و ترکیب سریع دادهها است، اما توانایی آن برای استخراج بینشها از دادههای غیرساختارمند محدود است، به ویژه در مورد تصمیمات خاص شرکتی. در مککینزی، ما ابزارهای هوش مصنوعی تولیدی داریم که به برخی از پایگاههای دادههای اختصاصی ما در مورد عملکرد شرکتها، اندازه بازار و غیره متصل شدهاند، بنابراین پاسخها به درستی ترکیب میشوند و ما میتوانیم از دادههایی که دیگران ندارند، عبور کنیم.
توانایی چهارم که نوآوران برتر پیشبینی کردهاند، یادگیری و تغییر مسیر به سرعت است. روشهای چابک به طور مؤثر به معنای توانایی حرکت رو به جلو در شرایط عدم قطعیت، آزمایش و یادگیری و عمل کردن بدون داشتن پاسخهای کامل است. این موضوع برای هوش مصنوعی تولیدی مرتبط است زیرا به شما اجازه میدهد بگویید، «این جریان کاری هوش مصنوعی تولیدی ممکن است به نتیجه نرسد، اما ما آن را آزمایش میکنیم و اگر جواب داد، آن را به سرعت در مقیاس بزرگ پیادهسازی میکنیم.» این حلقه آزمایش و یادگیری تکراری است که چگونه سازمانها از بنبست آزمایشی فرار میکنند.
و پنجم، شرکتهای دارای فرهنگ نوآوری، فرآیندهای کاری دارند که از پیش برای عدم نیاز به تماس انسانی تنظیم شدهاند. افراد سوالات را میپرسند و پاسخهای نامناسب را شناسایی میکنند، اما بسیاری از مراحل دیگر به صورت خودکار انجام میشوند. به عنوان مثال، این شرکتها میتوانند از شناسایی مشتریان به داشتن هوش مصنوعی تولیدی برای توسعه پیشنهادهای بالقوه برای تماس با این مشتریان، به دنبال کردن آنها برسند. شما آن را به طور آسان و بدون درز برای فروشندگان فراهم میکنید تا تعامل داشته باشند.
هنگامی که با این فناوریها آزمایش میکنید، نیاز است که محدودیتهای قانونی و امنیت دادهها را در جای خود قرار دهید. سپس، دریابید که در کجای سازمانتان هوش مصنوعی تولیدی میتواند بزرگترین مزیت استراتژیک را با قابلیت شتاب دادن یا دقیقتر شدن فراهم آورد و شروع به آزمایش کنید.
شان براون: چگونه این پیشسیمکشی را اگر در مراحل اولیه پذیرش هوش مصنوعی تولیدی هستید، اجرا میکنید؟ آیا میتوانید آن را به مراحل انجام دهید؟ یا همه چیز یکجا است؟
لورا لابرژ: لازم نیست همه چیز را یکباره انجام دهید، و قطعاً نیازی نیست که همه چیز را در مقیاس بزرگ انجام دهید. خط اصلی این است که آسیبی وارد نکنید، به ویژه در زمینه امنیت دادهها. همانطور که با این فناوریها آزمایش میکنید، نیاز است که محدودیتهای قانونی و امنیت دادهها را مستقر کنید. سپس، دریابید که در کجای سازمانتان هوش مصنوعی تولیدی میتواند بزرگترین مزیت استراتژیک را با قابلیت شتاب دادن یا دقیقتر شدن فراهم آورد و شروع به آزمایش کنید.
مت بنهولزر: بیشتر شرکتهای پیشرو رویکردی مبتنی بر مورد استفاده داشتهاند که در آن یک عنصر خاص را که میخواهند تغییر دهند، انتخاب میکنند. نمونههای اولیه بیشتر متمایل به چیزهایی مانند دستورالعملهای خدمات مشتری بود، اما میتوانند از هر جایی نشأت گیرند. من میخواهم تأکید کنم که شرکتها در هر بخشی در حال آزمایش این فناوری هستند. در زمینه تحقیق و توسعه شیمیایی یا دارویی، شرکتهایی که در تلاش برای کشف مولکولهای جدید هستند، با کتابخانهای بزرگ از مولکولهای نامزد شروع میکنند که ممکن است توسط هوش مصنوعی یا متخصصین تولید شده باشند. گامهای زیادی پیگیری میشود اما شما میتوانید یک مرحله اولیه کند را تسریع کنید.
شان براون: آیا مقررات متعددی که معرفی شده یا پیشنهاد شده است، تأثیری، اگر وجود داشته باشد، بر پنج منطقه پیشسیمکشی که شما در مورد آنها صحبت کردید، خواهد داشت؟
مت بنهولزر: بحث زیادی در مورد فرمانهای اجرایی و مقرراتی که صادر شده است، وجود دارد. بسیاری از آنها بیشتر روی چگونگی اعلام استفاده از ابزار متمرکز هستند، اما برگردیم به نمونههای قبلی من، مقرراتی وجود دارد که در مورد چه مواد شیمیایی میتوان استفاده کرد، چگونه آنها را سنتز کرد، مقررات ایمنی و غیره. شما میتوانید از یک ماده شیمیایی پیشرفته استفاده کنید، اما این نیاز به محافظتها دارد.
لورا لابرژ: احتمال دارد که پیشرفت در خطوط مشابهی باشد که ما در مورد مقررات دادههای شخصی دیدیم که بسته به منطقه متفاوت بود و به مرور زمان تکامل یافت. سازمانها باید در رأس آن قرار گیرند و خود را وفق دهند.
شان براون: بیایید به طور عمیقتری به پنج حوزهای که نوآوران برتر پیشتاز هستند بپردازیم. چگونه از هوش مصنوعی تولیدی سوالات خوبی میپرسید؟
مت بنهولزر: بسیاری از مهارتهایی که برای به دست آوردن بیشترین بهره از هوش مصنوعی تولیدی لازم است، مهارتهایی هستند که شرکتها در راهاندازی محصولات یا به کارگیری یادگیری ماشین تقویت کردهاند، اما ما از درجه تمایز بین بهترینها و سایرین شگفتزده شدیم. بهترین عملکردها محدودیتهای ابزار را درک میکنند. همانطور که شما از چکش برای پیچاندن پیچ استفاده نمیکنید، سوالاتی از هوش مصنوعی تولیدی نمیپرسید که بهترین پاسخها را به شیوههای دیگر دریافت میکند. موضوع در مورد جلوگیری از ورودی زباله و خروجی زباله است. سؤال باید قابل پاسخ باشد، و شما باید قابلیت اطمینان دادهها را درک کنید، اما احتمالاً سوالات خاصی در نقاط معینی از یک فرآیند کاری وجود دارد که میتوانید آنها را خودکار کنید.
این جایی است که مهندسی دستورالعملها وارد میشود. فقط دستور دادن به تیم فروش یا یک پژوهشگر برای استفاده از ابزار و دیدن نتیجه کار نمیکند. با این حال، اگر بدانید که پنج سؤال مرتبط با گشایش یک فرصت فروش یا پنج عنصر از گروههای مولکولی کاربردی وجود دارد که همیشه برای به دست آوردن یک خاصیت جدید بررسی میکنید، میتوانید این سوالات را پیشتنظیم کنید. در آزمایشهای اولیه، ممکن است دستورالعملهای آزادی ارائه دهید و اجازه دهید افراد یاد بگیرند، اما به مرور که آنها پیشرفتهتر میشوند، باید سوالات را مهندسی کنید و آنها را متناسب سازید.
به عنوان مثال، برخی از ابزارهای دانش هوش مصنوعی تولیدی مککینزی به ما اجازه میدهند که پایگاههای داده داخلی خود را جستجو کنیم. در مارس، دستورالعمل این بود: «این ابزار داخلی ما با مجموعه دادهای سفارشی است که توسط یک موتور خاص قدرت گرفته شده است.» حالا، ابزارها یک دستورالعمل را میگیرند و میدانند که پنج یا شش سؤال دیگر معمولاً با آن دستورالعمل بسیار مرتبط هستند و آنها به طور خودکار این سوالات را به موتور فرستاده و پاسخهای زمینهای را ارائه میدهند، و همچنین آنها را به فرآیندهای کاری دیگر متصل میکنند. اما ما محدودیتهایی در مورد چیزهایی که میتوانید و نمیتوانید اعتماد کنید داریم، با تمرکز بر استنادها و دادههای منبع.
شان براون: نوآوران قوی چگونه با پاسخهای نادرست یا دادههای خیالی برخورد میکنند؟
لورا لابرژ: تیمهای چندوظیفهای همیشه مهم بودهاند، اما با هوش مصنوعی تولیدی، حیاتی هستند. به خاطر داشته باشید که هدف هوش مصنوعی تولیدی ایجاد پاسخهای جدید است. در هنر، ابزار از نگاه کردن به تصاویر یاد میگیرد و سپس تصاویر جدیدی میسازد. همین امر برای ادبیات و کد نویسی نیز صدق میکند. هنگامی که سوالاتی در مورد پتنتها، به عنوان مثال، یا تغییرات قانونی میپرسید، باید مراقب باشید به گونهای سؤال نپرسید که هوش مصنوعی تولیدی را به تولید مقالهای که وجود ندارد یا استنادی که واقعی نیست، سوق دهد. اگر از تیمهای چندوظیفهای با دیدگاههای گسترده که میتوانند موارد بیمعنی را تشخیص دهند استفاده نکنید، یا از اشکال هوش مصنوعی تولیدی که منابع مورد استفاده خود را نمایش نمیدهند استفاده کنید، ممکن است با این خیالپردازیها مواجه شوید.
یک عنصر دیگر که شرکتهای نوآور باید از این دامها اجتناب کنند، تابعهای کنترلی است که به طور ناگسستنی در فرآیندهای کاری تعبیه شدهاند تا به کاهش ریسک کمک کنند. مقررات پیرامون کاربردهای دادهها و هوش مصنوعی تولیدی در حال تغییر هستند، بنابراین شما میخواهید اطمینان حاصل کنید که تیمهایی که با این ابزارها آزمایش میکنند به کسانی متصل هستند که به تغییرات قانونی توجه دارند و دادهها و بینشهای اختصاصی شما را حفاظت میکنند. شما نمیخواهید به طور تصادفی چیزی را با استفاده از ابزار هوش مصنوعی تولیدی با دسترسی باز، عمومی کنید.
مت بنهولزر: این یک حوزه است که رهبران شرکتی میتوانند ارزش زیادی افزوده کنند. به عنوان تخصیصدهندگان منابع یا تصمیمگیرندگان، میتوانید بگویید، «اگر قرار است از هوش مصنوعی تولیدی استفاده کنیم، این کار را فقط پنج نفر در بخش فناوری اطلاعات انجام نخواهند داد، بلکه یک تیم چندوظیفهای شامل برخی از اعضای فروش و P&L نیز شامل خواهد شد.» شما همچنین میتوانید توابع کنترل و حلقههای بازخورد را ادغام کنید. اغلب، رهبران میگویند، «بگذارید فقط پنج نفر علاقهمند آزمایش کنند چون من با این موضوع آشنا نیستم.» برخلاف این، شما باید بگویید، «من از جلو رهبری خواهم کرد زیرا اگر این کار را درست انجام دهم، میتوانیم احتمال موفقیت را .»
شان براون: نظر به نکتهای که پیشتر در مورد یادگیری سریع نوآوران برتر اشاره کردید، آیا بهتر است از آزمایشهای داخلی یاد بگیرند یا استعدادهایی را از بیرون استخدام کنند که پیشتر تجربهای دارند؟
مت بنهولزر: وقتی ما بررسی کردیم که چه چیزی تیمهای نوآوری با عملکرد بالا را به حرکت درمیآورد، دریافتیم که چندین ویژگی مهم است. افراد معمولاً بر برخی عناصر مانند علم داده یا مهارتهای توسعهدهنده بیش از حد تأکید دارند، اما مهارتهای نرمتر نوآوری نیز به همان اندازه مهم هستند. اینها شامل داشتن یک چشمانداز جسورانه و درک اینکه یک محصول یا خدمت جدید کجا میتواند جای گیرد، مهارتهای همکاری و توانایی هدایت یک سازمان برای جمعآوری منابع، مهارتهای یادگیری مستمر، و توانایی تلفیق مفهومی با تحلیلی است. احتمالاً شما نیاز دارید که افرادی را وارد سازمان کنید، اما به گونهای که این دستهبندیهای مهارتی را تکمیل کند. همچنین موضوع فقط دربارهی این نیست که تیم موجودتان کارهای جدیدی انجام دهد بلکه دربارهی فکر کردن به مهارتهایی است که تیمتان دارد و اضافه کردن افرادی با مهارتهایی که شما فاقد آن هستید.
لورا لابرژ: در نکته استعداد، بیشتر نوآوران برتر تیمهای رهبری اجرایی دارند که درصد بالاتری از رهبران با آگاهی فناوری نسبت به سایر سازمانها دارند. در مورد چابکی، یکی از بزرگترین متمایزکنندهها توانایی بودن چابک به صورت سراسری در سازمان است. نوآوران برتر خیلی جلوتر از دیگران هستند. به یک اتوبوس فکر کنید: اگر یک چرخ با سرعت ۲۰۰ مایل در ساعت حرکت کند و بقیه با سرعت ۲۰ مایل در ساعت، شما سریع به جایی نخواهید رسید. بسیاری از سازمانها در نقاط خاصی به فناوری یا تجزیه و تحلیل سرمایهگذاری میکنند و بازدهی پایینی دارند زیرا سازمان نمیتواند بر اساس بینشها عمل کند، یا بدتر، اقدامات لکنتداری انجام میدهند که فقط فرصتی را به بازار نشان میدهد که سپس توسط دیگران گرفته میشود. پول خود را صرف سرمایهگذاری در بخشهایی از کسبوکار که فراتر از توانایی اجرایی سازمانتان شتاب میگیرند، هدر ندهید. شما باید گلوگاههای حیاتی را باز کنید.
شان براون: رهبران چگونه باید این تواناییها را بسازند تا سازمان آماده شود تا عمیقتر وارد هوش مصنوعی تولیدی شود؟
مت بنهولزر: رهبران کسبوکار باید در مورد راههای نهادینه کردن این رویهها فکر کنند. آیا میتوانید یک آزمایش بر روی تعامل بدون دخالت انسانی انجام دهید، با این نکته که حفاظتها را برقرار کنید؟ آیا میتوانید فرایند بودجهبندی خود را دورهایتر یا با رویکرد تأمین مالی متراژی در مقابل چرخههای بودجه سالانه انجام دهید؟ در تحقیقات ما بر روی هزاران شرکت، سازمانهای نوآورترین آرزوهای قابل سنجشی برای آنچه میخواهند از نوآوری به دست آورند، دارند. آنها منابع را به شدت تخصیص میدهند. این کار در سیلوها انجام نمیشود—اینقدر به M&A، اینقدر به سرمایهگذاری، اینقدر به R&D—بلکه به صورت یکپارچه و پویا، تقریباً مانند یک شرکت سرمایهگذاری مخاطرهپذیر انجام میشود: شما مقداری بودجه برای تحویل یک مجموعه از نقاط اثبات که سپس به طور موثر شما را به سری A میرساند، دریافت میکنید. سپس آنها شتاب میدهند و خطرات را کاهش میدهند. و آنها در یادگیری بیباک هستند، اطمینان حاصل میکنند که شکستهای شریف جشن گرفته میشوند.
شان براون: چه توصیهای به رهبرانی که میخواهند سریعاً در مورد هوش مصنوعی تولیدی باهوش شوند، میدهید؟
مت بنهولزر: از آن استفاده کنید. این به مغز متفکر رویکرد چابک میرود. در مککینزی، ما پذیرش را با ساخت ابزارها و سپس مشاهده سیل استفاده آغاز کردیم. نشان دادن، نه گفتن، بسیار مهم است.
لورا لابرژ: به عنوان رهبران کسبوکار، شما میتوانید جهتگیری را برای جایی در کسبوکارتان که شتاب میتواند بزرگترین فاصله استراتژیک را ایجاد کند، تنظیم کنید. چه جایی میتواند از انواع مزایا و پاسخهایی که هوش مصنوعی تولیدی میتواند ارائه دهد، بهره ببرد؟ در حال حاضر کمی سندرم اشیاء براق با هوش مصنوعی تولیدی وجود دارد، اما این ابزار برای هر نوع سوالی مناسب نیست، بنابراین به سازمان خود کمک کنید تا در مورد مکان استقرار آن دقیق باشد.
همانطور که در این مصاحبه مشاهده کردید برای مدیران٬ این یافتهها نشاندهندهی ضرورت فوری پذیرش و ادغام هوش مصنوعی در استراتژیهای کلیدی شرکت است. استفاده از هوش مصنوعی نه تنها فرصتهای جدیدی برای بهبود عملیات و خدمات را فراهم میآورد بلکه به شرکتها اجازه میدهد تا از دادهها برای تصمیمگیریهای دقیقتر و کارآمدتر استفاده کنند.تحول دیجیتال را در عصر امروز باید جدی گرفت و از آن نباید ساده گذشت و حتی به تاخیر انداخت.
.