با پیشرفت هوش مصنوعی، شرکت‌ها هنوز در تلاش برای افزایش بهره‌وری هستند.

پذیرش هوش مصنوعی در بین شرکت‌ها به طرز حیرت‌انگیزی بالاست، اما اکثر آنها در استفاده‌ی مفید از آن مشکل دارند. آنها می‌دانند که هوش مصنوعی برای آینده‌شان ضروری است. با این حال، شهود نمی‌تواند نوید هوش مصنوعی را آشکار کند و برای آنها مشخص نیست که کدام کلید مؤثر خواهد بود. طبق بررسی وضعیت هوش مصنوعی مک‌کینزی که در ماه مارس منتشر شد، سال گذشته ۷۸ درصد از شرکت‌ها گفتند که حداقل در یک عملکرد از هوش مصنوعی استفاده کرده‌اند، که نسبت به ۵۵ درصد در سال ۲۰۲۳ افزایش یافته است. شرکت‌ها ادعا کردند که این تلاش‌ها معمولاً منجر به کمتر از ۱۰ درصد صرفه‌جویی در هزینه و کمتر از ۵ درصد افزایش درآمد شده است. اگرچه بازده مالی قابل اندازه‌گیری محدود است، اما طبق شاخص هوش مصنوعی ۲۰۲۵ که در ماه آوریل توسط موسسه استنفورد برای هوش مصنوعی انسان‌محور منتشر شد، کسب‌وکارها هنوز کاملاً به هوش مصنوعی وابسته نیستند. سال گذشته، شرکت‌های خصوصی (۵ درصد باقی‌مانده از فرآیند، به دلایل مختلف) از نیروهای فروش برای رسیدگی به سوالات مشتریان و از پلتفرم انیشتین خود برای هماهنگی در سراسر بخش پشتیبانی استفاده کردند. تیپلز گفت که این شرکت در حال صرفه‌جویی در هزینه برای مشاوران انسانی است. او گفت: «بازگشت سرمایه کاملاً واضح بود.» گابریل تائو، معاون ارشد داده‌های ابری در Salesforce، گفت: «هماهنگ‌سازی هوش مصنوعی در سراسر سازمان، به ویژه در مورد داده‌ها، به زیرساخت مناسب نیاز دارد.» هماهنگ‌سازی داده‌ها، به عنوان مثال، با ایجاد روشی ثابت برای اشاره به مفاهیم تجاری مانند «سفارشات» و «تراکنش‌ها»، صرف نظر از منبع داده مربوطه، مهم است. والتر سان، رئیس جهانی هوش مصنوعی در SAP، گفت: «استقرار هوش مصنوعی باید شامل وظایفی باشد که هم رایج و هم قابل تعمیم باشند.» او گفت: «هوش مصنوعی ممکن است برای وظایف تکراری و بسیار خاص، مانند یک کمپین بازاریابی برای یک رویداد کوچک استفاده شود، اما اعمال هوش مصنوعی به وظایفی که در حال انجام هستند، بازگشت سرمایه ثابت‌تری را به همراه خواهد داشت.» از نظر تاریخی، به گفته برین جولفسون، سال‌ها طول کشیده است تا جهان بفهمد با فناوری‌های انقلابی همه منظوره، از جمله موتور بخار و برق، چه باید کرد. استفاده از منحنی J با بهره‌وری اولیه بالا برای مدل‌های همه منظوره غیرمعمول نیست، زیرا مشاغل مشکلات را کشف می‌کنند و بهره‌وری را در تولید افزایش می‌دهند. او می‌گوید شرکت‌ها شروع به تغییر از گوشه منحنی AIJ کرده‌اند. این تغییر ممکن است سریع‌تر از گذشته باشد، زیرا کسب‌وکارها - که کمتر تحت فشار سرمایه‌گذاران هستند - برای توجیه میزان سرمایه‌ای که به هوش مصنوعی سرازیر می‌شود، تلاش می‌کنند. سرمایه‌گذاری در هوش مصنوعی مولد به تنهایی در سطح جهان به ۳۳.۹ میلیارد دلار رسیده است که نسبت به سال ۲۰۲۳، ۱۸.۷ درصد افزایش یافته است. به گفته اریک برین-جولفسون، استاد اقتصاد دانشگاه استنفورد که روی شاخص هوش مصنوعی کار کرده است، این اعداد نشان‌دهنده یک «پارادوکس بهره‌وری» هستند که در آن بهبود قابلیت‌های هوش مصنوعی منجر به افزایش متناظر در بهره‌وری ملی نشده است. در حالی که برخی از پروژه‌های خاص بسیار پربازده بوده‌اند، «بسیاری از شرکت‌ها از پروژه‌های هوش مصنوعی خود ناامید شده‌اند.» «واحدهای کاری» برین-جولفسون برای کمک به شرکت‌ها در بهره‌برداری هرچه بیشتر از تلاش‌هایشان، از تجزیه و تحلیل مبتنی بر وظیفه حمایت می‌کند، که در آن یک شرکت به وظایف ریزدانه یا «واحدهای کاری اتمی» تقسیم می‌شود که برای سهم بالقوه هوش مصنوعی ارزیابی می‌شوند. با اعمال هوش مصنوعی، نتایج در مقایسه با شاخص‌های کلیدی عملکرد یا KPIها سنجیده می‌شوند. برایان جولفسون، یکی از بنیانگذاران استارتاپ Workhelix، از این اصول پیروی می‌کند. شرکت‌ها ابتدا باید هدفی تعیین کنند. و سپس مدلی را پیدا کنید که به آنها در دستیابی به آن کمک کند، می‌گوید اسکات هالورث، مدیر ارشد داده‌ها و تجزیه و تحلیل و رئیس راه‌حل‌های دیجیتال در HP. لارینا یی، شریک ارشد و مدیر موسسه جهانی مک‌کینزی، می‌گوید گزارش مک‌کینزی که در ژانویه منتشر شد، توضیح می‌دهد که چرا پذیرش هوش مصنوعی از افزایش بهره‌وری پیشی گرفته است. تنها ۱٪ از شرکت‌های آمریکایی که در هوش مصنوعی سرمایه‌گذاری کرده‌اند، افزایش سرمایه‌گذاری خود را گزارش می‌دهند، در حالی که ۴۳٪ گزارش می‌دهند که هنوز در مرحله آزمایشی هستند. او گفت: «شما نمی‌توانید انتظار افزایش بهره‌وری قابل توجهی را در سطح آزمایشی یا حتی در سطح شرکت داشته باشید. بهبودهای قابل توجه در بهره‌وری نیاز به مقیاس دارد.» این سوال حیاتی نشان می‌دهد که چگونه شرکت‌ها می‌توانند تلاش‌های هوش مصنوعی خود را به بهترین شکل مقیاس‌بندی کنند. رایان تیپلز، مدیر ارشد فناوری در شرکت حسابداری ۱-۸۰۰، موافق است که «تقسیم کار به وظایف مبتنی بر هوش مصنوعی و همسو کردن آنها با شاخص‌های کلیدی عملکرد **(KPI) نه تنها بازده سرمایه‌گذاری (ROI) قابل اندازه‌گیری را هدایت می‌کند، بلکه با افشای اطلاعات حیاتی در قالب‌های کاربردی سریع‌تر از یک انسان، تجربه مشتری بهتری ایجاد می‌کند.» این شرکت خصوصی مستقر در نیویورک، خدمات مالیاتی، رزرو و حقوق و دستمزد را به ۵۰،۰۰۰ مشتری فعال با تمرکز بر مشاغل کوچک ارائه می‌دهد. این شرکت مشتری Workhelix نیست. علاوه بر این، تیپلز می‌گوید، شرکت‌ها باید فراتر از استفاده شخصی از هوش مصنوعی، جایی که کارمندان از چت‌بات‌های GenAI یا ابزارهای بهره‌وری مبتنی بر هوش مصنوعی برای بهبود کار خود استفاده می‌کنند، نگاه کنند. او گفت: «پذیرش واقعی سازمانی... شامل همسویی و مقیاس‌بندی در سراسر سازمان است. تعداد بسیار کمی از سازمان‌ها واقعاً به آن سطح رسیده‌اند.» به ۶۵٪ از سوالات مشتریان رسیدگی می‌شود و ۳۰٪ آنها با یک نیروی انسانی هماهنگ می‌شوند.

 

 KPI** مخفف عبارت Key Performance Indicator (شاخص کلیدی عملکرد) است. این یک مقدار قابل اندازه‌گیری است که نشان می‌دهد یک فرد، تیم یا سازمان چقدر به طور مؤثر به اهداف کلیدی خود دست می‌یابد. KPIها می‌توانند بسته به اهداف یک کسب و کار یا پروژه متفاوت باشند. به عنوان مثال:

KPI فروش می‌تواند رشد درآمد ماهانه باشد.

KPI خدمات مشتری می‌تواند میانگین زمان پاسخگویی باشد.

KPI بازاریابی می‌تواند نرخ تبدیل از تبلیغات را اندازه‌گیری کند.