این محدودیتها آنقدر اساسی هستند که ما به ندرت متوجه آنها میشویم، اما آنها بیسروصدا هر ابزاری را در دفترچه راهنمای استاندارد استراتژی شکل دادهاند. دلیل اینکه یک تحلیل SWOT (تحلیل نقاط قوت، نقاط ضعف، فرصتها و تهدیدها ) چهار ربع دارد، یک ماتریس سهم رشد ۲×۲ است و مشهورترین چارچوب مایکل پورتر دقیقاً پنج نیرو دارد، این نیست که دنیای رقابتی در واقع بسیار ساده است. بلکه این است که این چارچوبها باید به اندازهای ساده باشند که یک تیم انسانی بتواند آنها را در عرض چند ساعت روی وایتبرد ترسیم کند. برای دههها، این چارچوبها بهترین چارچوبهایی بودند که داشتیم. دیگر اینطور نیست.
نسل فعلی ابزارهای هوش مصنوعی - به ویژه مدلهای زبانی بزرگ (LLM) و سیستمهای چندعاملی که بر روی آنها ساخته میشوند، فقط افزونههایی برای جعبه ابزار برنامهریزی نیستند. آنها فناوریهایی هستند که به¬طور مستقیم محدودیتهای شناختی را که نحوه تصمیمگیریهای مهم شرکتها را شکل دادهاند، کاهش میدهند. هوش مصنوعی میتواند هزاران جایگزین استراتژیک را تولید و بررسی کند، در حالی که یک تیم انسانی ممکن است بتواند تنها تعداد انگشتشماری از آنها را در نظر بگیرد. این فناوری میتواند مدلهایی از بازارها، مشتریان و رقبا را ایجاد و بهطور مداوم بهروزرسانی کند که بسیار غنیتر و پویاتر از هر چارچوب ایستا هستند. و میتواند ایدهها را از طریق مشورت شبیهسازیشده آزمایش کند؛ ترکیب دیدگاههای متنوع و فرضیات چالشبرانگیز بدون تفکر گروهی، سلسله مراتب و فشار زمانی که جلسات استراتژی دنیای واقعی را مختل میکند.
بهطور خلاصه، هوش مصنوعی مسیری برای گسترش مرزهای فرایند استراتژی فراهم میکند. البته این محدودیتها کاملاً از بین نمیروند، اما میتوان آنها را به سمت بیرون عقب راند و اینکه در نهایت این مرزها کجا قرار بگیرند، اهمیت بسیار زیادی دارد؛ چون پیامدهای این تغییر بسیار فراتر از صرفاً افزایش بهرهوری است. وقتی بتوانید گزینههای بیشتری را بررسی کنید، مسیرهای بهتری برای پیشروی پیدا میکنید. وقتی بتوانید محیط پیرامون خود را با وضوح و جزئیات بیشتری مدلسازی کنید، فرصتها و تهدیدهای بیشتری را میبینید. وقتی بتوانید یک برنامه را با شبیهسازی رقبا، مشتریان شکاک و یک مخالفِ خستگیناپذیر که دائماً از موضع مخالف دفاع میکند تحت فشار قرار دهید، تصمیمهایی میگیرید که در برابر تغییرات و چالشها مقاومتر هستند. شرکتهایی که در این شیوه جدید کار کردن مهارت پیدا کنند، فقط استراتژی را سریعتر تدوین نخواهند کرد؛ بلکه استراتژی بهتری خواهند داشت و نسل بعدی مزیت رقابتی را خواهند ساخت.
من در مورد تصمیمگیری استراتژیک مطالعه میکنم و زمان قابل توجهی را صرف بررسی نحوه عملکرد هوش مصنوعی در وظایف اصلی استراتژی کردهام. در آزمایشهای اخیر، من و همکارانم دریافتیم که طرحهای تجاری تولید شده توسط یک LLM توسط سرمایهگذاران باتجربه نسبت به طرحهایی که توسط کارآفرینان در یک شتابدهنده استارتاپ و مسابقه طرح تجاری نوشته شده بود، مطلوبتر ارزیابی شدند. شاید جالبتر این باشد که وقتی طرحهای تجاری ارزیابی شدند، ارزیابیهای هوش مصنوعی با میانگین قضاوت هیئت سرمایهگذار همسوتر از ارزیابیهای سرمایهگذاران انفرادی بود - که نشان میدهد هوش مصنوعی میتواند هم گزینههای استراتژیک را در مقیاس بزرگ تولید کند و هم آنها را با ثباتی فراتر از متخصصان انسانی ارزیابی کند. چنین یافتههایی به این معنی نیست که هوش مصنوعی آماده است تا جایگزین تیم استراتژی شما شود. اما آنها نشان میدهند که کار شناختی در قلب استراتژی دیگر منحصراً در قلمرو انسانی نیست.
در این مقاله، من توضیح خواهم داد که این تغییر در عمل به چه معناست. ابتدا، سه روشی را که هوش مصنوعی میتواند فرآیند استراتژی را متحول کند، با مثالهایی از شرکتهایی که در حال حاضر از آن برای انجام این کار استفاده میکنند، شرح خواهم داد. سپس به سوال طبیعی افراد شکاک خواهم پرداخت - اگر هر شرکتی به هوش مصنوعی یکسانی دسترسی داشته باشد، چگونه میتواند منبع مزیت باشد؟ - و توضیح خواهم داد که چگونه شرکتها میتوانند پیرامون قابلیتهای استراتژی تقویتشده توسط هوش مصنوعی، خندقهای رقابتی پایداری ایجاد کنند. در نهایت، یک کتاب راهنمای عملی برای رهبرانی ارائه خواهم داد که میخواهند نحوه تصمیمگیریهای استراتژیک سازمانهای خود را از نو طراحی کنند.
سه روشی که هوش مصنوعی تفکر استراتژیک را گسترش میدهد
برای درک اینکه چه چیزی با هوش مصنوعی تغییر میکند، فکر کردن به این که سازمان شما هنگام تدوین استراتژی چه کاری باید انجام دهد، مفید است. در اصل، هر تصمیم استراتژیک شامل سه وظیفه شناختی است: جستجوی مسیرهای ممکن برای اقدام، نمایش محیطی که این اقدامات در آن انجام خواهند شد، و تجمیع قضاوتهای افراد درگیر در تصمیم. بیایید به ترتیب به هر یک از آنها نگاه کنیم.
از تعداد انگشتشماری گزینه تا هزاران گزینه. فوریترین محدودیت در هر فرآیند استراتژی، جستجوی گزینهها است: تیم شما چند گزینه میتواند تولید و ارزیابی کند؟ برای اکثر سازمانها، پاسخ به طرز شگفتآوری کم است. یک چرخه برنامهریزی استراتژیک معمولی ممکن است دوازده ایده را مطرح کند و سپس حوزه را به سه یا چهار ایده محدود کند و اعضای تیم بیشتر انرژی خود را صرف بحث در مورد آن گزینههای نهایی کنند. اکثریت قریب به اتفاق فضای احتمالات هرگز بررسی نمیشوند؛ نه به این دلیل که نویدبخش نیستند، بلکه به این دلیل که تیمهای انسانی فاقد زمان و ظرفیت لازم برای انجام آن کار هستند. همانطور که تحقیقات من نشان میدهد، پیشرفت هوش مصنوعی این است که هزینه تولید و غربالگری گزینهها به شدت کاهش مییابد و به سازمانها کمک میکند تا فضای بیشتری از فرصتها را کشف کنند. این تغییر در حال حاضر در ادغام و اکتساب قابل مشاهده است. در یک مورد، که توسط مککینزی مستند شده است، یک شرکت نرمافزاری از یک سیستم جستجوی هوش مصنوعی مولد استفاده کرد که جستجوی معنایی را با پایگاه دادهای متشکل از بیش از ۴۰ میلیون شرکت دولتی و خصوصی ترکیب میکرد. با استفاده از اختراعات، پروندهها، رونوشتهای متخصصان و سایر دادههای ساختاریافته و بدون ساختار، این سیستم در کمتر از یک روز بیش از ۵۰۰ هدف اکتساب را به دست آورد، لیست را به ۱۵ سرنخ جدی محدود کرد و از سه اکتساب کامل در عرض چند ماه پشتیبانی کرد.
از چارچوبهای ایستا تا مدلهای زنده. محدودیت دوم، بازنمایی است: سازمان شما چگونه محیطی را که در آن فعالیت میکند، مدلسازی میکند؟ برای اکثر شرکتها، پاسخ ترکیبی از چارچوبها، صفحات گسترده و گزارشهای فصلی است؛ ابزارهایی که مفید هستند اما ذاتاً ایستا و ساده شدهاند. آنها مهمترین پویاییها را ثبت میکنند اما لزوما مقادیر زیادی از جزئیات، زمینه و تغییرات در لحظه را نادیده میگیرند.
هوش مصنوعی امکان کار با نمایندگیهای بسیار غنیتر و پویاتر را فراهم میکند. MYbank، وامدهنده دیجیتال در گروه Ant، نمونه بارزی را ارائه میدهد. بانکهای سنتی، اعتبار کسبوکارهای کوچک را تنها با استفاده از تعداد انگشتشماری متغیر - درآمد، وثیقه، سابقه اعتباری - ارزیابی میکنند. بسیاری از کسبوکارهای کوچک فاقد یک یا چند مورد از این موارد هستند و میلیونها نفر را عملاً «بدون امتیاز» و بنابراین غیرقابل تأمین مالی باقی میگذارند. MYbank آن مدل پایه را با یک سیستم هوش مصنوعی جایگزین کرد که از بیش از 3000 متغیر استفاده میکند و دادههای تراکنش، روابط زنجیره تأمین، دادههای شبکه کسبوکار و حتی تصاویر ماهوارهای را ادغام میکند. نتیجه چیزی است که این شرکت آن را مدل 3-1-0 خود مینامد: سه دقیقه برای درخواست، یک ثانیه برای تأیید، بدون دخالت انسان. MYbank به بیش از 53 میلیون کسبوکار کوچک - که 72 درصد آنها وامگیرندگان بار اول بودند - با نرخ نکول حدود 1 درصد اعتبار داده است. بینش استراتژیک در اینجا در مورد اتفاقی است که میافتد، وقتی یک مدل با وضوح پایین از محیط، خود را با یک مدل با وضوح بالا جایگزین میکنید. MYbank با استفاده از سیستم هوش مصنوعی خود، نه تنها به مشتریان فعلی سریعتر خدمترسانی کرد، بلکه توانست یک بخش کاملاً جدید از مشتریان - دهها میلیون وامگیرنده مناسب - را ببیند که مدل قدیمی آنها را نامرئی کرده بود.
از تفکر گروهی تا چالش ساختاریافته. محدودیت سوم، تجمیع است: سازمان شما چگونه دانش و قضاوت چندین نفر را در یک تصمیم ترکیب میکند؟ در تئوری، تیمهای متنوع باید تصمیمات بهتری نسبت به هر فرد به تنهایی بگیرند. در عمل، جلسات استراتژی توسط سلسله مراتب، سیاستها، شخصیت و محدودیتهای زمانی شکل میگیرند. دیدگاه ارشدترین فرد وزن نامتناسبی دارد. مخالفت میتواند خطرناک باشد. گروه خیلی سریع همگرا میشود. هوش مصنوعی رویکرد متفاوتی ارائه میدهد. به جای وابستگی به تعداد زیادی از افراد با انگیزههای نامتوازن برای ابراز عقیده، سازمانها اکنون میتوانند چیزی را که میتوان آن را «مشورت مصنوعی» نامید، هماهنگ کنند: «فرآیندهای مبتنی بر هوش مصنوعی که ایدهها را بدون اصطکاکهای اجتماعی ناشی از پویایی گروه، تحت فشار قرار میدهند.»
این مکانیسم میتواند ساده یا پیچیده باشد. برای مثال، مککینزی گردشهای کاری چندعاملی را توصیف کرده است که در آن یک عامل «خالق» یک تحلیل را تهیه میکند و یک عامل «منتقد» به¬طور سیستماتیک آن را به چالش میکشد؛ فرآیندی که رفت و برگشتهای دقیقی را که تیمهای قوی سعی در ایجاد دستی آن دارند، خودکار میکند. در سمت بلندپروازانهتر، موسسه BCG هندرسون بازیهای جنگی استراتژیک مبتنی بر LLM را توصیف کرده است که در آن عاملها نماینده رقبا، تنظیمکنندهها، مشتریان و سایر ذینفعان هستند. برخلاف شبیهسازیهای سنتی مبتنی بر قانون، این عاملها میتوانند پاسخهای کمتر قابل پیشبینی و بیشتر شبیه انسان ایجاد کنند، که تیمهای مدیریتی را مجبور به مقابله با سناریوهایی میکند که ممکن است هرگز به تنهایی تصور نکرده باشند.
دقیقترین شواهد برای توانایی هوش مصنوعی در بهبود ایدهپردازی مشارکتی از یک آزمایش میدانی در شرکت پروکتر اند گمبل (Procter & Gamble) به دست آمده است. در مطالعهای که شامل ۷۷۶ متخصص تجاری و تحقیق و توسعه بود که روی وظایف نوآوری واقعی کار میکردند، محققان دریافتند افرادی که از هوش مصنوعی استفاده میکردند، با کیفیت متوسط تیمهای دو نفره که بدون آن کار میکردند، مطابقت داشتند. تیمهایی که از هوش مصنوعی استفاده میکردند، حدود ۱۲ درصد سریعتر بودند و احتمال بیشتری داشت که راهحلهای دهک بالا تولید کنند. شاید مهمتر از همه، هوش مصنوعی اثر سیلویی بین متخصصان تجاری و تحقیق و توسعه را کاهش داد و به هر یک از آنها امکان دسترسی به دیدگاه دیگری را داد و به هر دو کمک کرد تا ایدههای متعادلتری تولید کنند.
درس برای رهبران این است که چالشهای هوش مصنوعی ساختاریافته را در فرآیند تصمیمگیری خود بگنجانند. عوامل هوش مصنوعی را به نقشهای متمایز اختصاص دهید: یکی برای ایجاد قویترین استدلال برای یک جهت استراتژیک، یکی برای استدلال علیه آن و یکی برای شبیهسازی پاسخهای احتمالی رقبا. همچنین میتوانید پنلهای مصنوعی (مشتریان، مدیران منطقهای، تنظیمکنندگان) ایجاد کنید تا بررسی کنید که چگونه یک تصمیم ممکن است با ذینفعان مختلف ارتباط برقرار کند.
این مطلب برایم مفید است 0 نفر این مطلب را پسندیده اند کپی شد
