فهرست ایده‌های هوش مصنوعی در بیشتر شرکت‌ها بلند است؛ آنچه کم است ترتیب. جلسه با سه پیشنهاد خوب تمام می‌شود، هر سه در انتظار «فرصت مناسب» می‌مانند و شش ماه بعد هیچ‌یک آغاز نشده است. مشکل نه کمبود بودجه است و نه نبود فناوری؛ نبود معیاری است برای انتخاب اولی.

استراتژی پذیرش در عمل یعنی سه تصمیم: از کجا شروع کنیم، چگونه بفهمیم جواب داده، و کجا متوقف شویم. سازمانی که این سه را پیش از انتخاب ابزار روشن کند، حتی اگر نخستین آزمایشش شکست بخورد چیزی به دست می‌آورد؛ سازمانی که روشن نکند، حتی از موفقیت تصادفی هم نمی‌تواند درس بگیرد.

چگونه نخستین کاربرد را انتخاب کنیم

فرآیندی را انتخاب کنید که هر چهار ویژگی را داشته باشد؛ کنار گذاشتن هرکدام، ریسک را نامتناسب بالا می‌برد.

• تکرار بالا: کاری که روزانه انجام می‌شود هم دادهٔ کافی دارد و هم اثرش زود دیده می‌شود.
• هزینهٔ خطای پایین: جایی که اشتباه ماشین قابل اصلاح باشد، نه جایی که به مشتری یا تعهد قانونی آسیب بزند.
• خروجی قابل سنجش: کاری که بتوان وضع پیش و پس از آن را با یک عدد مقایسه کرد.
• دادهٔ موجود: فرآیندی که سابقه‌اش همین حالا در سازمان ثبت شده است، نه آنکه باید از صفر جمع شود.

سنجش آمادگی داده

• در دسترس بودن: داده در سامانه‌ای است که بتوان از آن بیرون کشید، یا در ذهن کارمندان و فایل‌های شخصی مانده است؟
• یکدست بودن: یک مفهوم واحد در دو سامانه با دو نام و دو قالب ثبت نشده باشد.
• کامل بودن: ستون‌های کلیدی چند درصد خالی‌اند؛ اگر بیشتر سطرها ناقص باشند، پیش از هر مدلی باید ثبت داده اصلاح شود.
• مجاز بودن: استفاده از این داده برای این هدف، در چارچوب قرارداد با مشتری و مقررات، مجاز است؟

چرا برای شرکت‌های کوچک و متوسط ایران اهمیت دارد

شرکت کوچک ایرانی معمولاً یک بار فرصت آزمایش دارد، نه سه بار؛ نخستین پروژهٔ شکست‌خورده، بحث هوش مصنوعی را برای دو سال از دستور کار خارج می‌کند. همین محدودیت، ترتیب گام‌ها را از یک توصیهٔ مدیریتی به یک ضرورت تبدیل می‌کند. مزیت شرکت کوچک هم در همین‌جاست: فاصلهٔ تصمیم تا اجرا کوتاه است و می‌توان در چند هفته چیزی را آزمود که در سازمان بزرگ چند فصل طول می‌کشد. شرط استفاده از این مزیت، انتخاب دامنه‌ای است که در همان چند هفته بتوان دربارهٔ آن قضاوت کرد.

یک نمونهٔ عملی

شرکتی را در نظر بگیرید که در ابتدا قصد داشت کل خدمات پس از فروش خود را خودکار کند. با کوچک کردن دامنه به یک نوع درخواست پرتکرار و تعیین یک شاخص واحد برای موفقیت، نخستین نتیجه در دو ماه روشن شد و همان نتیجه مبنای گفت‌وگو برای گام بعدی شد. سود اصلی، خود سامانه نبود؛ ساخته شدن معیاری بود که تصمیم‌های بعدی را بی‌مناقشه می‌کرد.

مسیر ۹۰ روزهٔ پیاده‌سازی

• ماه نخست: سه کاربرد نامزد را با چهار معیار بالا امتیاز دهید، یکی را انتخاب کنید و شاخص موفقیت و حد پذیرش آن را بنویسید.
• ماه دوم: کوچک‌ترین نسخهٔ کارآمد را بسازید و با دادهٔ واقعی، نه نمونهٔ تمیزشده، بیازمایید.
• ماه سوم: نتیجه را با حد پذیرشی که از پیش نوشته بودید مقایسه کنید؛ در صورت عبور، دامنه را یک گام باز کنید و در صورت عبور نکردن، فرضیه را عوض کنید نه اندازهٔ سامانه را.

خطاهایی که پذیرش را متوقف می‌کنند

• انتخاب پرآوازه‌ترین کاربرد به‌جای کم‌ریسک‌ترین.
• نوشتن معیار موفقیت پس از دیدن خروجی، نه پیش از ساخت.
• نداشتن پشتیبان تصمیم‌گیر در سطح مدیریت؛ پروژه‌ای که فقط مسئول فنی دارد، در نخستین تعارض اولویت زمین می‌ماند.
• بی‌اعتنایی به آموزش کاربران؛ سامانه‌ای که کارمند به آن اعتماد نکند، از گردش کار بیرون می‌افتد.

سه اقدام فوری

• سه کاربرد نامزد را روی یک صفحه بنویسید و با چهار معیار امتیاز دهید.
• برای برندهٔ این امتیازدهی، شاخص و حد پذیرش تعیین کنید.
• بازهٔ زمانی تصمیم را از پیش مشخص کنید تا آزمایش بی‌پایان نشود.

پرسش‌های پرتکرار

• شروع چقدر هزینه دارد؟
  کمتر از تصور رایج؛ نخستین آزمایش را می‌توان با ابزارهای آمادهٔ اشتراکی و داده‌ای که همین حالا در سازمان ثبت شده انجام داد.
• نخستین گام عملی چیست؟
  انتخاب فرآیند، نه انتخاب ابزار؛ ترتیب معکوس این دو، رایج‌ترین دلیل شکست پروژه‌های پذیرش است.
• چه زمانی باید متوقف شویم؟
  وقتی نتیجه از حد پذیرشی که پیش از ساخت نوشته بودید عبور نکند؛ توقف به‌موقع بخشی از استراتژی است، نه شکست آن.

جمع‌بندی

پذیرش هوش مصنوعی پروژه‌ای با تاریخ پایان نیست؛ توانی است که با هر چرخهٔ آزمایش انباشته می‌شود. سازمانی که سه چرخهٔ کوچک را تا انتها برده باشد، در انتخاب چهارم دقیق‌تر است از سازمانی که یک پروژهٔ بزرگ را نیمه‌کاره رها کرده است.

واژه‌نامه

• مورد کاربرد: یک مسئلهٔ مشخص کسب‌وکاری که قرار است با فناوری حل شود.
• نمونهٔ اولیه: نسخهٔ کوچک و کم‌ریسک برای اثبات ارزش پیش از سرمایه‌گذاری بزرگ.
• حد پذیرش: عددی که پیش از ساخت تعیین می‌شود و ادامه یا توقف پروژه به آن بستگی دارد.
• آمادگی داده: میزان دسترس‌پذیری، یکدستی و کامل بودن داده برای استفاده در یک مدل.
• پشتیبان اجرایی: مدیری که اختیار تصمیم و بودجه دارد و پروژه را در تعارض اولویت‌ها حفظ می‌کند.
• بازگشت سرمایه: نسبت سود حاصل از یک سرمایه‌گذاری به هزینه‌ای که صرف شده است.

اقدام این هفته

این هفته، فهرستی از سه فرآیند پرتکرار و روزانه در سازمان خود تهیه کنید و هر یک را با چهار معیار «تکرار بالا، هزینه خطای پایین، خروجی قابل سنجش و داده موجود» امتیاز دهید. سپس امتیازها را کنار هم بگذارید و یکی را که بالاترین امتیاز را دارد و کمترین ریسک را برای نخستین آزمایش دارد انتخاب کنید. برای همان یک فرآیند، یک شاخص موفقیت عددی مشخص (مثلاً کاهش ۲۰ درصدی زمان پاسخ‌گویی) و حد پذیرش آن را روی کاغذ بنویسید و با مدیر مربوطه نهایی کنید. این انتخاب و شاخص را در پایان هفته در یک ایمیل یا جلسه کوتاه مستند کنید تا مبنای تصمیم‌های بعدی باشد.

منابع

• چگونه نخستین پروژه هوش مصنوعی را انتخاب کنیم (Harvard Business Review)
• راهنمای مدیران برای پذیرش هوش مصنوعی (McKinsey)
• پذیرش هوش مصنوعی در سازمان‌ها (O'Reilly Radar)
• چارچوب ارزیابی آمادگی داده و پروژه‌های هوش مصنوعی (U.S. AI.gov)