چگونه مدیران از هوش مصنوعی مولد برای برنامه ریزی استفاده می‌کنند؟

مدیران کسب و کارها از این ایده که هوش مصنوعی مولد (مانند ChatGPT، you.com و Claude.ai) تصمیم‌گیری‌های تجاری را متحول خواهد کرد، بسیار هیجان‌زده هستند. سم آلتمن، مدیرعامل OpenAI، حتی اعلام کرد که «شما در آستانه ورود به بزرگترین عصر طلایی امکان‌های انسانی هستید.»

مقاله زیر از HBR به دنبال پاسخ به این سوال است که چگونه مدیران از هوش مصنوعی در تصمیم گیری استفاده می‌کنند؟

برای رهبران تجاری، ایده استفاده از هوش مصنوعی مولد در برنامه‌ریزی استراتژیک بسیار جذاب است. یک مدیر اخیراً اظهار داشت که نمی‌تواند منتظر زمانی باشد که هوش مصنوعی بتواند فرصت‌هایی را شناسایی کند که هنوز وجود ندارند!

اما آیا احتمال دارد که ما توانایی‌های هوش مصنوعی مولد را بیش از حد ارزیابی کرده باشیم؟ چگونه می‌توانیم زمینه‌هایی را شناسایی کنیم که در آن‌ها هوش مصنوعی مولد می‌تواند برنامه‌ریزی استراتژیک را تقویت کند؟ آیا همه ابزارهای هوش مصنوعی مولد یکسان هستند یا برخی از آن‌ها در سناریوهای خاصی توانمندترند؟

برای پاسخ به این سوالات، دو مورد تجاری را که شامل فعالیت‌های مرکزی برنامه‌ریزی استراتژیک هستند، بررسی می‌کنیم. (توجه: نام‌ها تغییر کرده‌اند.) غلبه بر نقاط کور و پیش‌بینی آینده

کیت مدیرعامل شرکت تریدنت است، یک سازمان تحقیقاتی کشاورزی تجاری با ۱۲۰ کارمند. تریدنت در زمینه پیمانکاران مستقل، بازیگر اصلی است. مشتریان این شرکت را برای انجام آزمایش‌هایی به منظور بهبود کشت غلات، سبزیجات و میوه‌ها استخدام می‌کنند.

کیت تیم اجرایی پنج نفره خود را برای یک نشست سالانه استراتژی گرد هم آورد. همانطور که کیت توضیح داد، «این به ما فرصتی می‌دهد تا بنشینیم و اوضاع را ارزیابی کنیم. معمولاً ما در حال انجام آزمایش‌ها و گزارش نتایج آن‌ها هستیم. این کار بی‌وقفه است.»

یکی از مراحل این فرآیند شامل فهرست کردن مسائل استراتژیک کلیدی بود که تریدنت با آن‌ها مواجه بود. همانطور که کیت توضیح داد، «این‌ها به ما یک نقطه شروع برای بحث‌هایمان می‌دهند. برنامه استراتژیک ما باید به این مسائل بپردازد.»

فهرست کیت به شرح زیر است:

• رقابت
• تعداد و مکان شعب
• منابع انسانی
• قیمت‌گذاری محصولات
• سودآوری
• آب و هوا

در حالی که کیت و تیمش از فهرست خود راضی بودند، متوجه شدند که دیدگاه محدودی دارند. کیت تأمل کرد: «ما دانشمندان کشاورزی هستیم. ما بازی خودمان را می‌دانیم، اما بازی‌های دیگر را نمی‌شناسیم. من فکر می‌کنم شاید هوش مصنوعی مولد بتواند در این زمینه به ما کمک کند.»

کیت همچنین درباره آینده فکر می‌کند: «آیا هوش مصنوعی مولد می‌تواند به ما در پیش‌بینی تقاضای آینده برای خدماتمان کمک کند؟»

چگونه هوش مصنوعی مولد می‌تواند کمک کند – و نمی‌تواند کمک کند.

کیت دو سوال بسیار مرتبط را مطرح کرد که اغلب از تیم‌های برنامه‌ریزی استراتژیک می‌شنویم.

اولین مورد مربوط به تعصب است، یعنی داشتن دیدگاه محدود بر اساس آموزش حرفه‌ای و تجربه صنعتی تیم. کیت می‌خواهد از دیدگاهی خارج از علم کشاورزی بهره‌مند شود تا دیدگاه تازه‌ای به دست آورد. برای این کار، او می‌تواند چندین نفر از مدیران اجرایی خود را با افرادی از خارج از صنعت خود جایگزین کند. با این حال، این کار به سختی عملی است. یک جایگزین استفاده از هوش مصنوعی مولد است. ما با استفاده از پرسش زیر به او کمک کردیم:

ما یک سازمان تحقیقاتی کشاورزی تجاری هستیم. با ۱۲۰ کارمند، ما بازیگر اصلی در زمینه پیمانکاران مستقل هستیم. مشتریان ما ما را برای انجام طیف گسترده‌ای از آزمایش‌های میدانی غلات، سبزیجات و میوه‌ها استخدام می‌کنند. مسائل استراتژیک کلیدی که احتمالاً در آینده با آن‌ها مواجه خواهیم شد، چیست؟

پاسخ شامل نه عنوان بود. زیر هر عنوان دو نکته عملی ذکر شده بود. آیا چیز جدیدی وجود داشت؟ بله. اما همچنین مواردی نیز نادیده گرفته شده بود.

ابزار هوش مصنوعی مولد دو مورد از فهرست تیم کیت را نادیده گرفت. این موارد شامل تعداد و مکان شعب و سودآوری بودند. مکان شعب یک مسئله بسیار خاص برای تریدنت است و انتظار نمی‌رود که هوش مصنوعی مولد از آن آگاه باشد. عدم ذکر سودآوری نیز به نظر ما یک نقص بزرگ است. همچنین، در حالی که هوش مصنوعی مولد رقابت را به عنوان یکی از نه مسئله خود انتخاب کرد، به مسئله حیاتی قیمت‌گذاری محصولات اشاره نکرد. این یک مسئله حیاتی در این صنعت است زیرا کارها بر اساس مناقصه به دست می‌آیند.

مدل زبان بزرگ ChatGPT، اگرچه بر روی داده‌های وسیع آموزش دیده است، اما به اطلاعات خاص شرکت دسترسی ندارد که این امر برخی از نواقص را توضیح می‌دهد. کیت باید توجه داشته باشد که این سیستم‌ها غیرقطعی هستند، به این معنی که هر پاسخ ممکن است متفاوت باشد. برای کاهش این مشکل، کیت می‌تواند پاسخ‌ها را بازتولید کند تا پاسخ‌های جایگزین را ببیند (در ChatGPT، دکمه ChatGPT را زیر پاسخ اولیه فشار دهید). ما همچنین دریافتیم که درخواست از ابزارهای هوش مصنوعی مولد برای ارائه ۱۰ ایده بیشتر به ایجاد یک فهرست طولانی کمک می‌کند و از چنین نواقص آشکاری جلوگیری می‌کند.

از جنبه مثبت، هوش مصنوعی مولد چهار حوزه مهم را که تیم کیت نادیده گرفته بود، ارائه داد: پیشرفت‌های تکنولوژیکی، تغییرات قانونی، تقاضا و انتظارات مشتریان و تأمین مالی و سرمایه‌گذاری. همه این‌ها به استراتژی کسب و کار تریدنت مربوط می‌شوند. بنابراین، در پاسخ به سوال اول کیت (آیا هوش مصنوعی می‌تواند دیدگاهی غیرکشاورزی ارائه دهد؟)، ما تصمیم گرفتیم که هوش مصنوعی مولد موفق بوده است. این ابزار به تیم کیت در تفکر واگرا کمک کرد، که یک مهارت کلیدی در هر تیم تحول‌آفرین موفق است.

سوال دوم کیت، «آیا هوش مصنوعی می‌تواند تقاضای آینده برای خدمات ما را پیش‌بینی کند؟» برای هوش مصنوعی مولد چالش‌برانگیزتر بود. در حالی که هوش مصنوعی مولد یک فناوری پیشرفته است، نمی‌تواند آینده را پیش‌بینی کند. این به این دلیل است که ابزارهای هوش مصنوعی مولد بر اساس داده‌های تاریخی بارگذاری و آموزش داده می‌شوند.

این سوال نیاز به نگاه به جلو دارد، نه به عقب، برای انجام پیش‌بینی‌هایی درباره نتایج نهایی، مانند ارقام فروش آینده یا رشد قابل دستیابی. در اینجا تجربه تیم کیت بهترین پیش‌بینی‌ها را ارائه می‌دهد و این نیازمند این است که هر عضو تیم آنتن‌های خود را بیرون بیاورد.

با این حال، با استفاده از پرسش‌های هوشمندانه، ابزارهای هوش مصنوعی مولد می‌توانند به تیم ایده‌هایی برای تفکر بدهند. ما پرسش را به این صورت مطرح کردیم: چه عواملی بر تقاضای آینده برای خدمات ما تأثیر خواهند گذاشت؟ ابزار هفت عامل را برجسته کرد، از پایداری و تغییرات آب و هوایی تا تغییرات در ترجیحات مصرف‌کنندگان و رشد جمعیت جهانی. این عوامل به تیم کیت کمک می‌کنند تا به طور گسترده‌تری درباره تقاضا فکر کنند.

پرداختن به روندها و توسعه سناریوها

آنجلین مدیرعامل قبرستان و کوره‌سوزی فیتزروی است. تمرین برنامه‌ریزی استراتژیک که او سازماندهی کرد، شامل او و تیم اجرایی هفت نفره‌اش بود که طی دو روز برای توسعه برنامه استراتژیک پنج‌ساله سازمان گرد هم آمدند.

کسب‌وکار آنجلین دولتی است و در حالی که غیرانتفاعی است، باید تراز مالی خود را حفظ کند. سایت اصلی آن ۱۴۵ هکتار زمین به خوبی نگهداری شده را پوشش می‌دهد و شامل قطعات دفن، یک کوره‌سوزی، سه کلیسای بزرگ، یک گل‌فروشی، یک کافه و مراکز برگزاری مراسم است.

یکی از مراحل مهم در این فرآیند شناسایی تغییرات و روندهای صنعت بود. برای گسترش ایده‌ها، آنجلین هیئت مدیره شش نفره قبرستان و کوره‌سوزی فیتزروی را دعوت کرد تا به تیم اجرایی او بپیوندند. او توضیح داد: «آن‌ها موقعیت‌های اجرایی داخلی ندارند و می‌توانند دیدگاه تازه‌ای ارائه دهند.»

گروه به این فهرست از تغییرات و روندهای صنعت رسید:

• تغییر از دفن به سوزاندن
• افزایش تقاضا برای مراکز برگزاری مراسم و پذیرایی درجه یک در محل
• خرید سایر مدیران مراسم و قبرستان‌ها توسط یک رقیب
• کمبود زمین مناسب برای توسعه آینده
• نیاز خانواده‌ها و مدیران مراسم به طیف وسیع‌تری از امکانات ویدئویی و صوتی
• رشد در انواع مختلف سوزاندن و دفن که بیشتر دوستدار محیط زیست هستند

در حالی که آنجلین از نتیجه راضی بود، او به این فکر کرد که چگونه هوش مصنوعی مولد می‌تواند در پرداختن به این تغییرات و روندها کمک کند. او دو سوال داشت:

1. آیا فهرست تیم او منعکس‌کننده روندهای فعلی در صنعت است؟
2. با توجه به کمبود زمین و افزایش علاقه به شیوه‌های محیط زیستی، آینده احتمالی صنعت چیست؟

چگونه هوش مصنوعی مولد می‌تواند کمک کند – و نمی‌تواند کمک کند.

برای کمک به فیتزروی در پاسخ به سوال اول، ما فهرست تهیه شده توسط تیم آنجلین را به یک ابزار هوش مصنوعی مولد دادیم و پرسیدیم: به عنوان یک مشاور مدیریت استراتژیک عمل کنید. بر اساس چالش‌های صنعت، توصیه‌هایی در مورد آنچه که در فهرست مربوط به استراتژی کسب و کار ما وجود ندارد، ارائه دهید.

در حالی که ابزار چند توصیه از روندهایی که تیم آنجلین در نظر گرفته بود ارائه داد، همچنین چهار مورد را که بیشتر “تفکر برانگیز” بودند و ارزش بررسی توسط تیم را داشتند، مطرح کرد:

• جمعیت سالخورده و تغییرات جمعیتی
• حمایت از سلامت روان و غم
• حساسیت به قیمت و شفافیت
• تغییرات مقرراتی و انطباق

آنجلین اشاره کرد که «توصیه‌های اضافی به ما کمک می‌کند تا استراتژی خود را برای آینده طراحی کنیم.»

ما پرسش مربوط به سوال دوم را به این صورت مطرح کردیم: «اگر دیگر زمینی برای دفن در دسترس نباشد، چه جایگزین‌های دیگری وجود دارد؟»

نتایج جالب و کمی خنده‌دار بودند، با پیشنهاداتی مانند پرتاب باقی‌مانده‌های سوزانده شده به مدار یا فضای عمیق و استفاده از نیتروژن مایع برای انجماد و لرزش بدن به ذرات.

با این حال، پیشنهادات خوبی نیز وجود داشت، مانند استفاده از ساختمان‌های چند طبقه برای دفن و ایجاد جنگل‌های یادبود به جای قبرستان‌های سنتی. این‌ها پیشنهادات جایگزین و خارج از چارچوبی بودند که قبرستان و کوره‌سوزی فیتزروی می‌تواند در بلندمدت در نظر بگیرد.

برخی از ابزارهای هوش مصنوعی مولد، مانند you.com، تولید تقویت شده با بازیابی یا RAG را ارائه می‌دهند که خروجی‌های مدل زبان بزرگ را با داده‌های به‌روز اینترنت ترکیب می‌کند.

این رویکرد اطلاعات به‌روز را فراهم می‌کند و می‌تواند داده‌های داخلی شرکت را نیز در بر بگیرد، که به مسائل مشابه در مورد کیت کمک می‌کند. با این حال، چنین قابلیت‌هایی نیاز به استقرار خاص سازمان دارند. ابزارهای عمومی مانند ChatGPT یا Claude.ai در حال حاضر این ویژگی را ندارند.

اگر RAG برای این مورد در دسترس بود، Claude3 می‌توانست پیشنهادات خاص‌تر و به‌روزتری برای جایگزین‌های استفاده از زمین ارائه دهد، با توجه به نوآوری‌های اخیر در روش‌های دفن پایدار و تغییرات مقررات محلی. بنابراین، آنجلین می‌توانست بینش‌های مرتبط‌تر و قابل‌اجرایی برای برنامه‌ریزی استراتژیک خود داشته باشد.

در حالی که هوش مصنوعی مولد مزایای قابل توجهی ارائه می‌دهد، مهم است که محدودیت‌های آن را برای برنامه‌ریزی استراتژیک بشناسید. این محدودیت‌ها از نحوه کار هوش مصنوعی مولد ناشی می‌شوند. این ابزار از میان حجم زیادی از داده‌ها عبور می‌کند و جمله‌ها را با محتمل‌ترین کلمه بعدی کامل می‌کند. در حالی که این امر شگفت‌انگیز است، در اصل به گذشته نگاه می‌کند.

با این حال، شناخت نقاط ضعف هوش مصنوعی مولد به شما امکان می‌دهد از نقاط قوت آن بهره‌برداری کنید. این ابزار می‌تواند توانایی شما را در شناسایی فرصت‌ها، کاهش ریسک‌ها و توسعه استراتژی‌های قوی‌تر با ارائه پیشنهادات خارج از چارچوب که ممکن است بلافاصله به ذهن نرسند، افزایش دهد. این پیشنهادات همیشه باید با تشخیص انسانی فیلتر شوند، اما از آنجا که این ابزار سریع و ارزان است، چرا آن را امتحان نکنید؟

کلید این است که هوش مصنوعی مولد را به عنوان ابزاری که تفکر و تصمیم‌گیری استراتژیک شما را تقویت می‌کند ببینید، نه جایگزین آن.