در عصر حاضر، گسست میان روشهای سنتی تصمیمگیری و پیچیدگیهای فزاینده محیط اقتصادی، بسیاری از بنگاههای بخش خصوصی ایران را با بحران بهرهوری مواجه کرده است. ورود هوش مصنوعی به ادبیات بنگاهداری، نه یک مد مدیریتی زودگذر، بلکه یک ضرورت ساختاری برای بازتنظیم ابعاد رقابتپذیری است. در گفتگوی پیش رو؛ دکتر حسین فتحی، دکترای اقتصاد، پژوهشگر و عضو هیات علمی دانشگاه آزاد اسلامی واحد سیرجان با اتکا به نظریات «قابلیتهای پویا»، «اقتصاد اطلاعات» و «حکمرانی شرکتی»، الزامات گذار به سازمانهای الگوریتممحور را بررسی کرده و تبیین میکند که چگونه هوش مصنوعی میتواند هزینههای پنهان سازمان را مهار کرده و حاشیه سود پایدار خلق کند.
- اگر بخواهیم از منظر نظریات اقتصاد صنعتی به موضوع بنگریم، ورود هوش مصنوعی چگونه «توابع تولید» و «ساختار هزینههای» یک بنگاه خصوصی را دستخوش تغییر میکند؟
* برای پاسخ دقیق به این پرسش، باید ابتدا از پارادایم سنتی تابع تولید کوب-داگلاس که متکی بر دو متغیر ساده کار و سرمایه بود، عبور کنیم. در اقتصاد دیجیتال امروز، اطلاعات پردازششده یا همان دادههای ساختارمند به عنوان نهاده سوم و حتی تعیینکنندهتر وارد تابع تولید میشوند. هوش مصنوعی در لایه نخست، ساختار هزینههای مبادله را در بنگاه تغییر میدهد. از طرفی، طبق نظریات اولیه رونالد کوز؛ بنگاهها به این دلیل شکل میگیرند که هزینه استفاده از مکانیسم بازار بالاست؛ حال هوش مصنوعی با کاهش شدید هزینه جستوجو، هزینه پردازش اطلاعات و هزینه انعقاد قرارداد؛ مرزهای بهینه بنگاه را بازتعریف میکند. در لایه دوم، هوش مصنوعی با تبدیل هزینههای متغیر ناشی از خطای انسانی به هزینههای ثابت الگوریتمیک، منحنی متوسط هزینه بنگاه را در بازههای زمانی میانمدت به سمت پایین جابهجا میکند. این جابهجایی، دقیقاً همان نقطهای است که در آن رقابتپذیری قیمتی شکل میگیرد؛ یعنی بنگاه میتواند در عین حفظ کیفیت، محصول خود را با قیمتی رقابتیتر وارد بازار کند.
- به کاهش هزینههای مبادله اشاره کردید. اما این کاهش هزینه، مستلزم وجود دادههای تمیز و ساختارمند است. چرا اکثر بنگاههای ما در این مرحله دچار تله سرمایهگذاری میشوند و هزینههایشان افزایش مییابد؟
* این مسئله ریشه در شکاف میان زیرساخت فیزیکی و زیرساخت دادهای دارد. بنگاههای ما در ایران، متأسفانه دچار نوعی سودازدگی تکنولوژیک هستند. مدیر بنگاه تصور میکند خرید لایسنسهای گرانقیمت نرمافزاری یا سرورهای پرقدرت، به معنای پیادهسازی هوش مصنوعی است. این یعنی تزریق سرمایه به لایه اشتباه. طبق «نظریه بیثباتی دادهها»؛ اگر دادههای ورودی یک الگوریتم، آلوده به نویز، ناهمگون یا سوگیریهای سنتی سازمان باشند؛ هوش مصنوعی تنها فرآیند تولید تحلیلهای غلط را سرعت میبخشد. تله سرمایهگذاری دقیقاً زمانی رخ میدهد که بنگاه، هزینه هنگفتی برای خرید الگوریتم انجام داده اما چون نظام ثبت و پالایش دادهها در لایههای عملیاتی آن شکل نگرفته، خروجی الگوریتم با واقعیت بازار همخوان نیست. در نتیجه، سازمان مجبور میشود یک لایه انسانی مجدد برای تصحیح خروجیهای هوش مصنوعی ایجاد کند؛ که این یعنی ایجاد بوروکراسی مضاعف و افزایش هزینههای سربار.
-و پس از آن، وقتی الگوریتم نتواند خروجی دقیق بدهد؛ مدیران به سمت تضعیف جایگاه الگوریتم میروند. بر این اساس، چگونه میتوان فرآیند پیشبینی تقاضا را از طریق هوش مصنوعی طوری تنظیم کرد که نقدینگی بلوکهشده در انبارها آزاد شود؟
*کلید حل این مسئله، در استفاده از مدلهای پیشبینی پیشرفته سریهای زمانی و یادگیری عمیق نهفته است. در اقتصاد خرد، یکی از بزرگترین تلفات سرمایه در بنگاهها، اثر شلاقی در زنجیره تأمین است؛ یعنی نوسانات کوچک در تقاضای مصرفکننده، به نوسانات بزرگ در انبارداری بنگاه تبدیل میشود. سیستمهای سنتی ERP صرفاً بر اساس میانگینهای متحرک گذشته پیشبینی میکنند که در شرایط تورمی و نوسانی اقتصاد ایران کاملاً ناکارآمد است. هوش مصنوعی با تحلیل همزمان متغیرهای کلان (مانند نرخ ارز، تورم انتظاری) و متغیرهای خرد (مانند الگوی خرید مشتریان در شبکههای اجتماعی)، تابعی از پیشبینی دینامیک ارائه میدهد. وقتی دقت پیشبینی تقاضا ده درصد ارتقا یابد، سطح موجودی اطمینان در انبارها به شدت کاهش مییابد. در شرایطی که نرخ تنزیل و نرخ بهره در کشور بالاست، آزادسازی این نقدینگی بلوکهشده در انبارها، مستقیماً سرمایه در گردش بنگاه را تقویت کرده و وابستگی به تسهیلات گرانقیمت بانکی را مهار میکند.
- این دقت پیشبینی که اشاره کردید، بنگاه را به سمت یک مدیریت کاملاً الگوریتمیک سوق میدهد. آیا این حجم از اتکا به الگوریتم، جسارت کارآفرینانه و چابکی شهودی را در لایههای ارشد مدیریت تضعیف نمیکند؟
* این یک دوگانه عمیق و بنیادین در فلسفه مدیریت استراتژیک است. ما با پارادوکس کارایی الگوریتمیک در برابر جسارت کارآفرینانه روبروییم. هوش مصنوعی بر اساس دادههای تاریخی و فرآیندهای تکرارشونده آموزش میبیند؛ بنابراین در محیطهای با ثبات، بهینهساز مطلق است. اما کارآفرینی اصیل، در نقاط گسست ساختاری رخ میدهد؛ یعنی جایی که گذشته، هیچ الگویی برای آینده ندارد. اگر مدیر ارشد، تمام اختیارات تصمیمگیری را به الگوریتم واگذار کند، بنگاه دچار انجماد استراتژیک میشود. الگوریتم هرگز نمیتواند یک بازار کاملاً جدید را که دادهای از آن وجود ندارد، خلق کند. راهکار علمی برای حل این پارادوکس، پیادهسازی الگوی تصمیمگیری هیبریدی است. در این الگو، هوش مصنوعی وظیفه تحلیل سناریوهای محتمل و کاهش ریسکهای عملیاتی را بر عهده میگیرد، اما انتخاب نهایی گزینههای پرریسک و نوآورانه، بر عهده بصیرت شهودی مدیر است. هوش مصنوعی خلبان خودکار است، اما تعیین مقصد پرواز هنوز با انسان است.
-با این تعادل هیبریدی؛ بنگاههای خصوصی ما در ایران، در مسیر اجرای این الگوی هوشمند با چه مقاومت ساختاری در لایههای میانی مدیریت مواجه میشوند؟
*بزرگترین مانع در اینجا، تعارض منافع ناشی از شفافیت دادههاست. در سازمانهای سنتی؛ لایههای میانی مدیریت، قدرت خود را از انحصار اطلاعات به دست میآورند. وقتی اطلاعات در سیلوهای مستقل سازمانی نگه داشته میشود، مدیر میانی نقش واسطه غیرقابل حذف را ایفا میکند. ورود هوش مصنوعی نیازمند یک یکپارچهسازی جامع دادهای است. این شفافیت در اکثر موارد، رانت اطلاعاتی مدیران میانی را نابود میکند. بنابراین، مقاومت لایههای میانی نه از سر ناآگاهی تکنولوژیک، بلکه یک مقاومت کاملاً عقلانی است. آنها هوش مصنوعی را ابزاری برای تضعیف قدرت چانهزنی خود در سازمان میبینند. تا زمانی که نظام حکمرانی شرکتی بازطراحی نشود و ساختار پاداشدهی به مدیران از حفظ انحصار اطلاعات به میزان اشتراکگذاری و ارتقای دادههای سازمانی تغییر نکند؛ این مقاومت ساختاری، تمام پروژههای هوش مصنوعی را به شکست میکشاند.
- آیا این مقاومت ساختاری، ریشه در فرهنگ سازمانی مبتنی بر شهود دارد یا حاصل عدم بلوغ ارزیابی عملکرد است؟
* هر دو، اما وزنه عدم بلوغ ارزیابی عملکرد سنگینتر است. فرهنگ سازمانی؛ خود معلولی از نظام انگیزشی است. وقتی در یک بنگاه خصوصی، ارتقای شغلی و پاداشهای سالانه بر اساس روابط فردی، وفاداری شخصی یا ادعاهای بدون مستندات توزیع میشود، فرهنگ شهودگرایی تقویت میگردد. در چنین فضایی، دادهمحوری نوعی مزاحمت اداری تلقی میشود. چون دادهها بیرحم هستند و ناکارآمدیها را عریان میکنند. برای تغییر این وضعیت، ما نیازمند پیادهسازی سیستمهای ارزیابی عملکرد متکی بر دادههای واقعی هستیم. وقتی مدیر میانی ببیند که خروجی الگوریتمهای هوش مصنوعی مستقیماً بر شاخصهای ارزیابی او تأثیر دارد و عملکرد شفاف او پاداش میگیرد، فرهنگ سازمانی بهتدریج از شهود شخصی به سمت منطق اثباتپذیر کوچ میکند.
-در حوزه بازارهای صادراتی، هوش مصنوعی چگونه میتواند به بنگاههای خصوصی کمک کند تا رقابت قیمتی را به رقابت کیفی و استراتژیک تبدیل کنند؟
*این موضوع مستقیماً به مفهوم تحلیل سناریوهای بینالمللی و سفارشیسازی انبوه مربوط میشود. در بازارهای جهانی؛ بنگاههای ایرانی معمولاً به دلیل تورم داخلی و هزینههای بالا، توان رقابت قیمتی با غولهای شرق آسیا را ندارند. اتکای صرف بر قیمت ارزان، یک استراتژی رو به زوال است. هوش مصنوعی با استفاده از ابزارهای رصد لحظهای بازار، رفتارهای مصرفکننده، تغییرات ذائقه و نوسانات تقاضا در بازارهای هدف را ایزوله و تحلیل میکند. این اطلاعات به بنگاه اجازه میدهد که خط تولید خود را نه برای یک محصول عمومی، بلکه برای محصولات با ارزشافزودهی بالا و دقیقاً مطابق با نیازهای خاص آن بازار تنظیم کند. به عنوان مثال، در صنایع غذایی یا بستهبندی، هوش مصنوعی میتواند فرمولاسیون یا نوع بستهبندی را بر اساس تحلیل دادههای دریافت شده از خردهفروشیهای کشور مقصد تغییر دهد. این یعنی خروج از تله ارزانفروشی و ورود به عرصه ارزشآفرینی اختصاصی.
-آیا این سفارشیسازی انبوه، موجب افزایش شدید پیچیدگی در زنجیره تأمین و تولید نمیشود و هزینهها را بالا نمیبرد؟
* در سیستمهای سنتی بله، اما در کارخانههای هوشمند خیر. الگوریتمهای یادگیری ماشین دقیقاً برای مدیریت پیچیدگی ساخته شدهاند. در یک خط تولید هوشمند، تغییر سفارشی یک محصول نیازمند توقف کامل خط و بازتنظیم دستی ماشینآلات نیست؛ بلکه الگوریتمها از طریق اینترنت اشیاء صنعتی، تنظیمات ابزارها را در کسری از ثانیه جابهجا میکنند. بنابراین منحنی هزینه سفارشیسازی محصول، تقریباً افقی میشود؛ یعنی تولید یک محصول سفارشی، هزینهای برابر با تولید انبوه یکدست خواهد داشت. این همان معجزه تکنولوژی است که پیچیدگی را از یک عامل هزینهزا به یک سرمایه رقابتی نفوذناپذیر تبدیل میکند.
-بسیاری از بنگاههای کوچک و متوسط (SMEها)، هزینههای سنگین ایجاد این کارخانههای هوشمند را توجیه ناپذیر میدانند. آیا هوش مصنوعی فقط متعلق به هلدینگهای بزرگ است؟
* این یک خطای شناختی بزرگ است که هوش مصنوعی را با کارخانههای رباتیک میلیاردی یکسان میداند. هوش مصنوعی در لایه نرمافزاری و پردازش داده رخ میدهد، نه لزوماً در تجهیزات سنگین فیزیکی. امروزه مدلهای هوش مصنوعی به عنوان خدمت به بنگاههای کوچک این امکان را میدهند که بدون نیاز به خرید سرورها یا استخدام تیمهای گرانقیمت دانشمندان داده، ابزارهای هوشمند تحلیل فروش، مدیریت مشتریان و کنترل کیفیت بصری را با هزینههای ماهانهی بسیار نازل اجاره کنند. اتفاقاً SMEها به دلیل ساختار چابکتر و بوروکراسی کمتر، بسیار سریعتر از شرکتهای بزرگ میتوانند این الگوریتمها را در فرآیندهای خود تزریق کنند و مزیت رقابتی چابک خلق نمایند.
- برونسپاری هوش مصنوعی از طریق بسترهای خدمتمحور، خطر افشای دادههای حیاتی بنگاه و وابستگی استراتژیک را به همراه ندارد؟
* این پرسش، قلب مسائل امنیت دادههای شرکتی را نشانه میگیرد. وابستگی و افشای داده دو مقوله جداگانه هستند. در بحث امنیت، پروتکلهای مدرن رمزنگاری و الگوریتمهای یادگیری فدرال به بنگاه اجازه میدهند که بدون خروج دادههای خام حیاتی از سرورهای خود، فقط وزنهای آماری مدل را برای یادگیری ارسال کند؛ بنابراین دادههای اصلی هرگز افشا نمیشوند. اما در بحث وابستگی استراتژیک، باید میان ابزار هوش مصنوعی و مدل اختصاصی بنگاه تفکیک قائل شد. اگر بنگاهی صرفاً از یک ابزار عمومی برونسپاریشده استفاده کند و دادههای خود را برای بومیسازی آن مدل به کار نگیرد، بله، دچار وابستگی بیارزش میشود. اما اگر از این بسترها برای تربیت الگوریتمهای بومی متناسب با الگوی کسبوکار خود استفاده کند، در واقع در حال ساختن یک دارایی نامشهود اختصاصی است که هیچ رقیبی نمیتواند آن را کپی کند.
- اگر یک مدیر ارشد در بخش خصوصی بخواهد نقشه راه عملیاتی پیادهسازی این تحول را تدوین کند، گام اول و الزامی این فرآیند چیست؟
* گام اول، بازمهندسی فرآیندها و تعیین شاخصهای شفاف قبل از ورود به هرگونه خرید تکنولوژیک است. من همیشه به مدیران توصیه میکنم تا زمانی که فرآیند دستی شما به بهینهترین حالت ممکن نرسیده، به سراغ هوش مصنوعی نروید. به تعریف دیگر؛ گام اول، اجرای یک حسابرسی جامع فرآیندی و دادهای است. بنگاه باید مشخص کند در کدام نقطه از زنجیره ارزش، بالاترین اتلاف منابع یا بیشترین نوسان تصمیمگیری وجود دارد. پس از شناسایی این نقاط بحرانی، باید پروژههای پایلوت کمریسک تعریف شوند. موفقیت یک پروژه کوچک هوش مصنوعی در کنترل کیفیت یک خط تولید یا پیشبینی فروش یک محصول خاص؛ اعتماد سازمانی را جلب کرده، سرمایه بازگشتی سریع ایجاد میکند و زمینهساز بودجهریزی برای پروژههای بزرگتر کلانداده میشود.
-اجرای این پروژههای پایلوت تا چه حد میتواند بر تغییر دیدگاه سهامداران و هیئتمدیره که معمولاً محافظهکار هستند، تأثیر بگذارد؟
* تأثیرش مطلق است. هیئتمدیرهها و سهامداران عمده در بخش خصوصی با زبان مالی صحبت میکنند، نه با ادبیات جذاب تکنولوژیک. وقتی شما در یک پروژه پایلوت سه ماهه نشان دهید که استفاده از یک الگوریتم ساده هوش مصنوعی توانسته ضایعات مواد اولیه را ۴ درصد کاهش دهد یا وصول مطالبات معوق را ۱۵ درصد سرعت ببخشد، صورتحساب سود و زیان تغییر میکند. این تغییر عددی، قویترین ابزار برای متقاعد ساختن هیئتمدیره جهت تصویب بودجههای کلان تحول دیجیتال است. پروژههای پایلوت، زبان ترجمه تکنولوژی به نرخ بازگشت سرمایه برای صاحبان سرمایهاند.
-طبق آنچه در این گفتگو به آن اشاره شد؛ آیا اتکا به هوش مصنوعی در نهایت به حذف نیروی انسانی در صنایع منجر میشود یا به ارتقای جایگاه نیروی کار؟
* در ادبیات اقتصاد کار، این پدیده تحت عنوان جایگزینی مهارتمحور بررسی میشود. هوش مصنوعی، مشاغل را نابود نمیکند، بلکه وظایف تکراری و کمارزش را اتوماتیک میسازد. نیروی کاری که صرفاً کار یدی یا ثبت ساده اطلاعات را انجام میدهد، بله؛ در خطر حذف کامل قرار دارد. اما همزمان، تقاضا برای نیروی کار مکمل هوش مصنوعی - یعنی افرادی که توانایی تحلیل خروجیهای الگوریتم، مدیریت سیستمهای هوشمند و حل مسائل پیچیدهی انسانی را دارند - به شدت افزایش مییابد. بنابراین، وظیفه اجتماعی و مدیریتی بنگاههای خصوصی، سرمایهگذاری بر روی بازآموزی نیروی کار است تا نیروی انسانی از سطح مجری فرآیند به سطح ناظر و تحلیلگر هوشمند ارتقا یابد.
-بر این اساس؛ الگوی نهایی ساختار بنگاههای خصوصی در عصر هوش مصنوعی چه شکلی خواهد داشت؟
* الگوی نهایی، گذار از سازمانهای هرمی صلب به سازمانهای شبکه-پایه و پلتفرمی است. در سازمان هرمی سنتی، اطلاعات از پایین به بالا حرکت میکرد و دستورات از بالا به پایین؛ که فرآیندی کند، هزینهبر و پرخطا بود. در سازمان شبکه-پایه هوشمند؛ هوش مصنوعی به عنوان سیستم عصبی مرکزی، اطلاعات را در لحظه میان تمام گرههای سازمان (تولید، فروش، مالی، تأمین) توزیع میکند. این امر باعث میشود لایههای متعدد مدیریتی واسطه حذف و سازمان مسطح گردد و توان پاسخگویی آن به تغییرات محیطی به کسر ثانیه برسد. آینده رقابتپذیری بخش خصوصی ایران، متعلق به بنگاههایی است که بتوانند این معماری شبکهای دادهمحور را ایجاد کنند. بنگاههایی که از این گذار سرپیچی کنند، متأسفانه صرفنظر از اندازه و تاریخچهشان؛ در امواج پرشتاب اقتصاد دیجیتال بلعیده خواهند شد.
