چرا بودجه هوش مصنوعی شرکتها بالا میرود اما بازدهاش نه؟
گزارش تازه Bain یک تناقض ساده اما نگرانکننده را روی میز میگذارد: با وجود اینکه بازده اندازهگیریشده هوش مصنوعی در اغلب شرکتها از هدف عقب مانده، ۹۰ درصد همین شرکتها باز هم بودجه هوش مصنوعیشان را برای دور بعد افزایش دادهاند. یعنی شرکتها دارند سریعتر از چیزی که یاد میگیرند، خرج میکنند.
عددی که Bain را نگران کرده: ۹۰ درصد در برابر زیر ۱۰ درصد
۳۷ درصد شرکتها هدفشان کاهش هزینه بین ۱۱ تا ۲۰ درصد بوده، اما وقتی واقعاً اندازهگیری کردهاند، نزدیک به ۴۰ درصد از همین شرکتها در بازه صفر تا ۱۰ درصد افتادهاند؛ یعنی نصف یا کمتر از نیمی از چیزی که برنامهریزی کرده بودند. با این حال، همان شرکتها بهجای توقف برای تحلیل علت، بودجه دور بعد را افزایش دادهاند. این دقیقاً همان الگویی است که در بسیاری از پروژههای فناوری دیدهایم: وقتی نتیجه نامشخص است، واکنش رایج «خرج بیشتر» است، نه «فهم بهتر».
از کجای بودجه هزینه میکنند؟ نکته پنهان تأمین مالی از محل صرفهجوییهای قبلی
یک نکته کمتردیده در این گزارش این است: ۴۴ درصد شرکتها بودجه هوش مصنوعیشان را از محل صرفهجوییهای اتوماسیون قبلی تأمین میکنند؛ صرفهجوییهایی که خودشان هم پیوسته پایینتر از هدف بودهاند. به زبان ساده، شرکتها دارند روی یک پایه مالی نهچندان محکم، طبقه بعدی سرمایهگذاری را میسازند. اگر پایه اول به هدفش نرسیده، طبقه دوم هم به احتمال زیاد همان مسیر را تکرار میکند، مگر اینکه چیزی در روش تغییر کند.
سه اشتباهی که شرکتهای عقبمانده مشترکاً مرتکب میشوند
Bain سه الگوی مشترک را در شرکتهایی شناسایی کرده که به هدف بازده نرسیدهاند:
اشتباه اول: اتوماسیون فرایند خراب بهجای اصلاح آن
شرکتها هوش مصنوعی را روی فرایندی سوار میکنند که از قبل ناکارآمد بوده، به این امید که هوش مصنوعی خودش مشکل را حل کند. نتیجه معمولاً این است که همان ناکارآمدی، فقط سریعتر تکرار میشود.
اشتباه دوم: تأیید بودجه بر اساس بازده پیشبینیشده، نه بازده واقعی
دور بعدی سرمایهگذاری بر اساس چیزی تأیید میشود که قرار بود اتفاق بیفتد، نه چیزی که واقعاً اتفاق افتاده. این چرخه، فاصله بین وعده و نتیجه را هر دور بزرگتر میکند.
اشتباه سوم: به تعویق انداختن اقدام به بهانه داده ناقص
خیلی از شرکتها داده را مسئلهای میدانند که باید پیش از هر اقدامی کاملاً حل شود؛ و همین انتظار برای «داده کامل»، بهانهای میشود برای تعویق نامحدود تصمیم.
شرکتهایی که این الگو را شکستهاند چه کار متفاوتی کردهاند؟
بخش امیدوارکننده گزارش اینجاست: گروهی از شرکتها این چرخه را شکستهاند. آنها به صرفهجویی هدفگذاریشده رسیدهاند، عاملهای هوش مصنوعی را با اطمینان واقعی مستقر کردهاند، و موج بعدی سرمایهگذاری را از محل بازدهی واقعی (نه پیشبینی) تأمین کردهاند. وجه مشترک این شرکتها این بوده که دسترسی به داده، حاکمیت، و بازطراحی فرایند را مسئله سطح مدیرعامل دانستهاند، نه مسئلهای که باید به تیم فناوری اطلاعات واگذار شود.
این تفاوت رویکرد، شاید مهمترین پیام کل گزارش باشد: مشکل اصلی فناوری هوش مصنوعی نیست. مشکل، جایی است که تصمیم درباره داده، فرایند، و اولویت گرفته میشود.
چکلیست اجرایی برای مدیرعامل و مدیر مالی
قبل از اتوماسیون، فرایند را اصلاح کنید. اگر فرایند از قبل خراب است، هوش مصنوعی فقط سرعت خرابی را بالا میبرد.
بودجه دور بعد را بر اساس بازده واقعی دور قبل تأیید کنید، نه بر اساس چیزی که قرار بود اتفاق بیفتد.
منتظر داده کامل نمانید. نقص داده را مدیریت کنید، نه اینکه آن را بهانه توقف کنید.
مالکیت داده، حاکمیت، و بازطراحی فرایند را به میز مدیرعامل بیاورید، نه فقط به میز تیم فناوری اطلاعات.
قبل از افزایش بودجه، یک بار بپرسید «آخرین ریال هزینهشده چه نتیجهای داد؟» اگر پاسخ روشن نیست، افزایش بودجه فقط اندازه مشکل را بزرگتر میکند.
جمعبندی اجرایی
اگر یک جمله از این گزارش برای مدیران ایرانی نگه دارم، این است: مشکل بودجه هوش مصنوعی معمولاً بودجه نیست، مسیر خرجکردن آن است. شرکتهایی که فرایند را قبل از اتوماسیون اصلاح میکنند، بودجه را بر اساس نتیجه واقعی تأیید میکنند، و مالکیت این تصمیمها را در بالاترین سطح نگه میدارند، همان شرکتهایی هستند که سال بعد گزارش Bain را با عددهای بهتر میخوانند.
منبع
Bain & Company — Your AI Budget Is Growing. Your Returns Aren't. Here's Why.
https://www.bain.com/insights/your-ai-budget-is-growing-your-returns-arent-heres-why/