دو شرکت در یک صنعت، هر دو ابزار مشابهی از هوش مصنوعی خریدند. یک سال بعد، اولی هزینهٔ عملیاتش چند درصد کم شده بود و دومی خط درآمد تازه‌ای داشت که سال قبل وجود نداشت. تفاوت در فناوری نبود؛ در پرسشی بود که هر یک از خود پرسیده بودند. اولی پرسید «چطور همین کار را ارزان‌تر انجام دهیم؟» و دومی پرسید «حالا که این کار ارزان شده، چه چیزی می‌توانیم بفروشیم که تا دیروز ممکن نبود؟»

اثر عمیق هوش مصنوعی روی بهره‌وری نیست؛ روی منطق درآمد است. وقتی هزینهٔ نهایی تولید یک تحلیل، یک گزارش یا یک تعامل شخصی‌سازی‌شده به‌شدت کاهش پیدا کند، آنچه تغییر می‌کند فقط حاشیهٔ سود نیست: پیشنهاد ارزش، واحد قیمت‌گذاری و مرز میان محصول و خدمت هم جابه‌جا می‌شود.

سه جابه‌جایی اصلی

• از فروش زمان به فروش نتیجه: با خودکار شدن بخش زیادی از کار، قیمت‌گذاری بر ساعت بی‌معنا می‌شود و مشتری برای خروجی پول می‌دهد، نه برای نفر-ساعت.
• از دادهٔ راکد به دارایی درآمدزا: داده‌ای که سال‌ها فقط برای گزارش‌گیری داخلی جمع شده، ممکن است در قالب یک سرویس تحلیلی برای مشتریان همان صنعت ارزش داشته باشد.
• از خدمت یکسان به شخصی‌سازی در مقیاس: کاری که پیش‌تر تنها برای مشتریان بزرگ اقتصادی بود، در سطح کل پرتفوی مشتریان قابل ارائه می‌شود.

ساختار هزینه هم شکل عوض می‌کند

نکته‌ای که کمتر گفته می‌شود: بخشی از هزینهٔ ثابت نیروی انسانی به هزینهٔ متغیرِ مصرفی منتقل می‌شود. این برای شروع خبر خوبی است چون سرمایه‌گذاری اولیه را کوچک می‌کند، اما اگر قیمت‌گذاری شما ثابت و هزینهٔ تحویل وابسته به حجم مصرف باشد، رشد فروش می‌تواند حاشیهٔ سود را بخورد. هر مدل درآمدی تازه‌ای که بر پایهٔ هوش مصنوعی می‌سازید باید هزینهٔ واحد تحویل مشخصی داشته باشد؛ در غیر این صورت موفقیت تجاری‌اش به مسئلهٔ مالی تبدیل می‌شود.

چرا برای کسب‌وکارهای کوچک و متوسط ایران مهم است

بسیاری از شرکت‌های ایرانی چیزی دارند که خودشان دارایی حساب نمی‌کنند: سال‌ها دادهٔ عملیاتی از یک صنعت مشخص، و شناختی از بازار محلی که هیچ مدل عمومی آن را ندارد. این ترکیب پایهٔ مناسبی برای یک سرویس تازه است، به‌شرط آنکه از فرضیه‌ای کوچک شروع شود. نقطهٔ شروع بودجهٔ بزرگ نمی‌خواهد؛ یک دارایی دادهٔ مشخص، یک مشتری حاضر به گفت‌وگو، و یک تصمیم‌گیر در سطح مدیریت کافی است.

یک تصویر عملی

شرکت خدمات فنی‌ای را در نظر بگیرید که سال‌ها سوابق تعمیر و خرابی تجهیزات مشتریانش را ثبت کرده و تا امروز فقط برای صدور فاکتور از آن استفاده کرده است. با همان داده می‌توان به مشتری گفت کدام تجهیز احتمالاً در فصل بعد از کار می‌افتد — و این خدمتی است که مشتری برایش پول می‌دهد، چون توقف خط تولید برایش گران‌تر از هر قرارداد نگه‌داری است. مسیر درست، آزمودن این فرضیه با دو یا سه مشتری فعلی است، نه ساخت محصولی کامل برای بازاری که هنوز پاسخش را نمی‌دانید.

مسیر ۹۰ روزهٔ شروع

• روز ۱ تا ۳۰: فهرست کنید چه داده‌ای دارید که امروز از آن درآمدی نمی‌سازید، و کدام‌یک برای مشتری فعلی‌تان معنا دارد.
• روز ۳۰ تا ۶۰: یک فرضیهٔ درآمدی را با دو یا سه مشتری واقعی بیازمایید؛ سنجه این است که حاضرند برای آن پول بدهند، نه اینکه آن را جالب می‌دانند.
• روز ۶۰ تا ۹۰: اگر تمایل به پرداخت دیدید، قیمت‌گذاری و هزینهٔ واحد تحویل را بنویسید و در مقیاس کوچک عرضه کنید؛ اگر نه، فرضیه را عوض کنید.

خطاهای پرتکرار

• خلاصه کردن هوش مصنوعی در کاهش هزینه؛ صرفه‌جویی سقف دارد و درآمد تازه ندارد.
• ساخت محصول کامل پیش از یافتن نخستین مشتری حاضر به پرداخت.
• نادیده گرفتن مالکیت و محرمانگی داده وقتی داده‌ای که می‌فروشید از مشتریان آمده است؛ این پیش از فروش باید در قرارداد حل شود.
• قیمت‌گذاری ثابت روی سرویسی که هزینهٔ تحویلش با مصرف بالا می‌رود.

سه اقدام برای همین فصل

• از یک دارایی دادهٔ بلااستفاده شروع کنید و مشخص کنید برای چه کسی ارزش دارد.
• یک فرضیهٔ درآمدی کوچک را با مشتری واقعی بیازمایید.
• پیشرفت را با سهم درآمد تازه از کل درآمد بسنجید، نه با شمار قابلیت‌های اضافه‌شده.

پرسش‌های پرتکرار

• مدل کسب‌وکار فعلی ما جواب می‌دهد؛ چرا حالا؟
  چون بازتعریف پیشنهاد ارزش وقتی از موضع قدرت انجام شود ارزان است و وقتی زیر فشار رقابت انجام شود گران. زمان تصمیم، پیش از فشار است.
• از کجا شروع کنیم؟
  از دادهٔ خودتان و مشتری خودتان. اولین سرویس تازه تقریباً همیشه از دارایی موجود می‌آید، نه از ایده‌ای کاملاً نو.
• خطر اصلی چیست؟
  ساختن چیزی که کسی برایش پول نمی‌دهد. راه پرهیز، فروختن پیش از ساختن است: فرضیه را با قیمت روی میز بیازمایید.

جمع‌بندی

دگرگونی مدل کسب‌وکار با هوش مصنوعی معنایش کنار گذاشتن کاری که امروز پول‌ساز است نیست؛ معنایش پرسیدن این است که با کاهش هزینهٔ تولید تحلیل و تعامل، چه چیز تازه‌ای فروختنی شده است. شرکت‌هایی که این پرسش را زودتر می‌پرسند لزوماً فناوری بهتری ندارند؛ فقط پیش از آنکه بازار پاسخ را به آن‌ها تحمیل کند، خودشان به آن رسیده‌اند.

واژه‌نامه

• مدل کسب‌وکار: شیوه‌ای که سازمان ارزش می‌سازد، تحویل می‌دهد و در برابرش پول می‌گیرد.
• پیشنهاد ارزش: دلیل روشن اینکه مشتری چرا باید شما را به جایگزین‌ها ترجیح دهد.
• قیمت‌گذاری بر پایهٔ نتیجه: دریافت هزینه در برابر خروجی یا اثر، به‌جای زمان صرف‌شده.
• هزینهٔ واحد تحویل: هزینهٔ ارائهٔ یک واحد خدمت به یک مشتری، که در سرویس‌های مبتنی بر مدل با حجم مصرف تغییر می‌کند.
• دارایی داده: داده‌ای که سازمان در اختیار دارد و می‌تواند مبنای محصول یا خدمتی تازه باشد.

اقدام این هفته

این هفته یک جلسهٔ ۹۰ دقیقه‌ای با مدیران ارشد و تیم فروش خود برگزار کنید و از آن‌ها این سؤال را بپرسید: «کدام یک از کارهایی که امروز انجام می‌دهیم، اگر هزینه‌اش به‌شدت کاهش پیدا کند، می‌تواند به یک محصول یا خدمت جدید برای مشتری تبدیل شود؟» فهرست پاسخ‌ها را یادداشت کنید و از میان آن‌ها یک مورد را انتخاب کنید که هم به داده‌های موجود شما مرتبط است و هم برای مشتری فعلی‌تان ارزش روشنی دارد. سپس با دو یا سه مشتری وفادار تماس بگیرید و صرفاً برای شنیدن نظرشان، نه فروش، این ایده را مطرح کنید. سنجهٔ موفقیت این هفته این نیست که چند مشتری موافقت کردند، بلکه این است که آیا حداقل یک مشتری حاضر شد برای بررسی بیشتر وقت بگذارد و گفت‌وگویی جدی دربارهٔ جزئیات و قیمت احتمالی داشته باشد.

منابع

• چگونه هوش مصنوعی مولد می‌تواند به یافتن جریان‌های درآمدی جدید کمک کند — هاروارد بیزینس ریویو
• وضعیت هوش مصنوعی در ۲۰۲۳: سال جهش هوش مصنوعی مولد — مکنزی
• پذیرش هوش مصنوعی مشکل فناوری نیست — ام‌آی‌تی اسلون ریویو
• مدل‌های کسب‌وکار مبتنی بر هوش مصنوعی — گارتنر