انتخاب_های_هوشمند
رشد و موفقیت سودآور در مواجهه با اختلالات بازار مستلزم آن است که مدیران اجرایی درک کنند که تصمیمات بهتر کافی نیستند – بلکه به انتخابهای بهتری نیاز دارند. انتخابها مواد خام تصمیمگیری هستند؛ بدون گزینههای متنوع، دقیق و باکیفیت، حتی بهترین فرآیندهای تصمیمگیری نیز کارایی کمتری دارند. داشبوردها و کارتهای امتیازی سنتی که با الزامات حسابداری و انطباق قدیمی تعریف شدهاند، بهطور قابلاعتمادی پیشرفت را اندازهگیری میکنند اما قادر به ایجاد بینش یا پیشبینی برای ایجاد انتخابهای برتر نیستند. آنها برای این کار طراحی نشدهاند.
این در حالی است که سیستمهای مولد و پیشبینیکننده هوش مصنوعی میتوانند گزینههای پنهان را آشکار کنند، وابستگیهای نادیده گرفته شده را برجسته کرده و مسیرهای جدیدی را به سوی موفقیت پیشنهاد دهند. این سیستمها و عوامل هوشمند نه تنها تصمیمگیریهای بهتر را پشتیبانی میکنند، بلکه الهامبخش آنها نیز هستند. همانطور که سرعت ورود به بازار و انطباقپذیری حاکم میشود، سیستمهای اندازهگیری بهبودیافته با هوش مصنوعی به مدیران این امکان را میدهند که بهتر پیشبینی، انطباق و از رقبا پیشی بگیرند. تحقیقات ما شواهد قانعکنندهای ارائه میدهد که نشان میدهد سیستمهای پیشبینیکننده و مولد هوش مصنوعی میتوانند به انتخابهای بهتر، و نه فقط تصمیمهای بهتر، تعمیم داده شوند.
گزینههای طراحی شده توسط ماشین میتوانند و باید انسانها را توانمند کنند. به گفته آنجالی بهاگرا، مدیر ارشد پزشکی و رئیس هاب اتوماسیون در کلینیک مایو، “در هسته کار، چه در زمینه هوش مصنوعی، اتوماسیون یا سایر فناوریهای نوآورانه، ما تیمهای خود را قادر میسازیم تا مشکلات را حل کرده و اصطکاک در ارائه خدمات بهداشتی را کاهش دهند. این ابتکارات توسط انسانها برای انسانها طراحی شدهاند.”
رهبران، مدیران و همکاران در تمام سطوح میتوانند از سیستمهای هوشمند مبتنی بر تحلیل، سنتز و شناسایی الگوهای پیچیده دادهها استفاده کنند تا ساختارهای انتخاب هوشمندانهای ایجاد کنند که گزینههای بهتری را ایجاد کرده و در نهایت منجر به تصمیمات بهتری میشود که نتایج بهتری به همراه دارند.
اصطلاح ساختار انتخاب، که توسط اقتصاددان برنده جایزه نوبل، ریچارد تالر و حقوقدان کاس سانستین در کتابشان به نام تلنگر: بهبود تصمیمگیری درباره سلامت، ثروت و شادی مطرح شده است، به عمل تأثیرگذاری بر انتخاب از طریق سازماندهی آگاهانه زمینهای که افراد در آن تصمیمگیری میکنند اشاره دارد.
تالر و سانستین در آثار خود بر اساس ادبیات تجربی غنی اقتصاد رفتاری، چگونگی تأثیرگذاری عوامل خاص (مانند تعداد گزینهها، وجود گزینههای پیشفرض و نحوه توصیف گزینهها) بر تصمیمگیری را مورد بررسی قرار دادهاند. ادغام هوش مصنوعی در فرآیند طراحی و تولید ساختار انتخاب، ارتباطات بین طراحی و تصمیمگیری را به طرز چشمگیری تقویت میکند. آنچه ساختارهای انتخاب مبتنی بر هوش مصنوعی را متمایز میسازد، توانایی آنها در برقراری ارتباط نوآورانه با تصمیمگیرندگان انسانی و یادگیری بهبود توصیهها و انتخابها از طریق بازخورد است.
ساختارهای انتخاب هوشمند میتوانند محیطهای تصمیمگیری را طوری طراحی کنند با تزریق و چارچوببندی گزینههای “غیرمتعارف” مدیران را به تفکر نوآورانهتر سوق دهند. برای مثال، در هنگام طوفان فکری برای ویژگیهای جدید محصولات، ساختار انتخاب هوشمند ممکن است گزینههای غیرمرتبط با صنایع دیگر را نیز ارائه دهد و به این ترتیب از ایدههای نوآورانه بهرهبرداری نماید.
ساختارهای انتخاب هوشمند همچنین میتوانند یاد بگیرند که گزینههای استراتژیک را به گونهای ارائه دهند که تعصب ریسکگریزی کمیته اجرایی را خنثی کنند. به عنوان مثال، ساختار انتخاب هوشمند ممکن است استراتژی های بالقوه اکتساب را به عنوان “فرصتهای رشد” و نه “ریسکهای مالی” چارچوببندی کند و بدین ترتیب مدیران را به اتخاذ تصمیمات جسورانهتری تشویق نماید.
با توجه به اینکه سرمایهگذاریهای استراتژیک در زمینه هوش مصنوعی و سرمایه انسانی به هم پیوند خورده اند، رهبران آیندهنگر تشخیص خواهند داد که سیستمهای اندازهگیری هوشمند میتوانند رفتارهای تصمیمگیری سازمانی را از طریق ایجاد گزینههای نوآورانه، پیشبینی نتایج و هدایت انتخابها بهبود بخشند. با طراحی محیطهایی که در آن تصمیمات کلیدی راهبردی و عملیاتی اتخاذ میشوند، این ساختارها آینده تصمیمگیری سازمانی و چگونگی دستیابی رهبران به اهداف راهبردی را شکل خواهند داد.
اندازهگیری هوشمند به انتخابها و تصمیمات بهتر منجر میشود
تجزیه و تحلیل دادههای هوشمند، به عنوان مثال، میتواند به تصمیمگیریهای مدیریتی بهتر در زمینه فروش، زنجیره تأمین و بازاریابی منجر شود. دستاوردهای کلیدی در اینجا انتخابها هستند، نه پاسخها. عوامل اندازهگیری هوشمند میتوانند بینش دقیق و جزئی ارائه دهند که به هوش های دیجیتال کمک میکند پیشنهادات کارآمدتر یا نوآورانهتری را برای عملیات زنجیره تأمین پیشنهاد دهند. مدیران میتوانند انتظار داشته باشند که از سرمایهگذاریهای الگوریتمی خود در حوزههای مختلف، از منابع انسانی گرفته تا توسعه نرمافزار و اتوماسیون نیروی کار، گزینههای بهتر و توصیههای بیشتری دریافت کنند.
ساختارهای انتخاب هوشمند میتوانند حقوق تصمیمگیری در سراسر سازمان را بازتعریف کنند. برای پشتیبانی مشتری، ساختارهای انتخاب غنیشده با هوش مصنوعی میتوانند توصیههای سفارشی را براساس تحلیل دادههای بلادرنگ رفتارهای مشتری، تراکنشها و احساسات به عوامل انسانی ارائه دهند. هدایت پیشبینیکننده میتواند به تیمهای پشتیبانی مشتری کمک کند تا مسائل را به طور کارآمدتری حل کنند — به عنوان مثال، با افزایش درصد درخواستهای پشتیبانی که در اولین تماس حل میشوند — در عین حال تجربه مشتری را نیز بهبود بخشد. این سیستمها با ارائه گزینههای تصمیمگیری خودکار و تقویت شده در محیطهای پراسترس، مواجهه ی کارکنان با مشتری را نه با دستور دادن بلکه با ارائه گزینههای بیشتر و شخصیسازی شده توانمند میکنند.
ساختارهای انتخاب هوشمند همچنین میتوانند تصمیمگیری را از طریق بینشهای عملی که از طریق داشبوردهای KPI تطبیقی ارائه میشوند، پشتیبانی کنند. این داشبوردها مسیرهای تصمیمگیری برای بهینهسازی عملکرد تیم، کاهش گلوگاههای عملیاتی، یا انعطافپذیری در زمانبندی پروژهها را نشان میدهند. در چنین مواردی، مدیران تنها از میان گزینهها انتخاب نمیکنند؛ بلکه توصیههایی را دربارهی موازنه بین گزینههای مختلف دریافت میکنند. برای مثال، هوش مصنوعی ممکن است روندهای دادههای فروش را تحلیل کند و استراتژیهایی را برای رسیدن به اهداف فصلی بدون نیاز به محول کردن امور وقت گیر را به کارکنان توصیه کند یا هشدارهایی در مورد عملکرد کارکنان ارائه دهد که با فرصتهای بهبود در فروش یا افزایش ارائه خدمات گره خورده باشد.
این مسئله نگرانیهای اخلاقی، قانونی و حفظ حریم خصوصی را نیز مطرح میکند. از این رو، ساختارهای انتخاب هوشمند باید اصول مسئولیتپذیری، شفافیت و قابل توضیح بودن هوش مصنوعی را در خود جای دهند.
برای مدیریت منابع انسانی، آموزش ساختار انتخاب هوشمند میتواند گزینههای هوشمندانهای را برای مدیران در راستای بهبود راهنمایی و مربیگری کارکنان به نمایش بگذارد؛ از جمله ادغام دادههای عملکردی کارکنان و رضایت و توسعه شغلی آنها. این سیستمها میتوانند مسیرهای شغلی شخصیسازیشدهای پیشنهاد دهند، رهبران بالقوه را شناسایی کنند، یا برنامههای آموزشی هدفمند برای بهبود مهارتهای کارکنان یا برطرف کردن شکافهای مهارتی پیشنهاد دهند.
ساختارهای انتخاب هوشمند همچنین در بازاندیشی و طراحی شاخصهای عملکرد کلیدی و نتایج، نقش قابل توجهی دارند. اگر تولید طولانیتر از زمان پیشبینی شده باشد، یک ساختار انتخاب هوشمند ممکن است با مدیران میانی تعامل برقرار کرده و پیشنهاداتی برای تخصیص مجدد منابع، تنظیم جریانهای کاری، یا تغییرات پرسنلی ارائه دهد. سیستم اندازهگیری هوشمند تضمین میکند که مدیران تولید به جای واکنش به نوسانات KPI، مسائل را قبل از تبدیل شدن به مشکلات هزینهبر پیشبینی و مدیریت کنند.
انتخاب ساختار انتخاب مناسب
کدام ساختار انتخاب هوشمند برای استفاده یا شرایط خاص مناسبتر است؟ آیا ساختارهای انتخاب هوشمند باید تجربه مشتری را بر تجربه کارکنان ترجیح دهند یا وزن بیشتری به آن بدهند؟ آیا تصمیمات مالی عملیاتی باید ارزش طول عمر مشتری را به جای جریان نقدی فصلی بهینه کنند؟ آیا مدیران باید راهنماها، چارچوب ها و توصیههای مربوط به ساختار انتخاب شخصیسازی شده خود را برای همکاران خود آشکار کنند؟
در نهایت، ساختارهای انتخاب هوشمند باید به حقوق تصمیمگیری که توسط مدیریت ارشد (یا جای دیگری در سازمان) تعیین شده احترام بگذارند و آنها را بازتاب دهند. هنگام ارزیابی گزینههای ساختار انتخاب، رهبران باید به طور صریح در نظر داشته باشند که این سیستمها چگونه با کاربران ارتباط برقرار میکنند و آنها را با شغل یا وظیفهای که به بهترین نحو برای آن مناسب هستند، مرتبط میسازند.
اینها برخی از گزینههای ساختار انتخاب هوشمند هستند:
- الگوریتمهای تلنگر برای تصمیمات بهینه: هوش مصنوعی میتواند استراتژیهای تلنگر تالر و سانستین را ادغام کند تا رهبران را به سوی تصمیمات بهینهتر هدایت کند، بدون آنکه اختیار یا تشخیص آنها را محدود کند یا تهدید کند. این کار تصمیمات سازمانی را با بهینهسازی ظریف نتایج در حالی که اختیارات تصمیمگیرندگان را حفظ میکند، تقویت میکند. این امر اعتماد بیشتری میان معماران انتخاب هوشمند و کاربران این سیستمها ایجاد میکند.
- محیطهای تصمیمگیری شخصیسازی شده: سیستمهای اندازهگیری مبتنی بر هوش مصنوعی میتوانند محیطهای تصمیمگیری سفارشی ایجاد کنند که نقشها، انتخابهای گذشته و زمینههای منحصر به فرد رهبران، مدیران یا همکاران را منعکس میکند. همانند آنچه آمازون، نتفلیکس و اسپاتیفای توصیههای خود را برای مصرفکنندگان شخصیسازی میکنند، این گزینههای شخصیسازی شده به صراحت با اولویتها و موقعیتهای حرفهای افراد تطبیق داده میشوند.
- مدلسازی انتخاب پیشبینیکننده: این سیستمها با استفاده از دادههای تاریخی و تحلیلهای هوش مصنوعی، بینشهای آیندهنگر ارائه میدهند که نتایج و موازنههای احتمالی تصمیمات راهبردی مختلف را پیشبینی میکنند. تواناییهای پیشبینیکننده رهبران را ترغیب میکند که تاثیرات احتمالی انتخابهای خود و نتایج احتمالی آنها را بهطور فعال ارزیابی کنند.
· مدیریت پیچیدگی: هوش مصنوعی میتواند حجم زیادی از دادههای پیچیده را به بینشهای ساده و قابلاجرا تبدیل کند و به تصمیمگیرندگان کمک کند تا به طور کارآمدتر در محیطهای انتخاب دشوار حرکت کنند. کاهش پیچیدگی، وضوح و دید تصمیمات را افزایش میدهد و اطمینان حاصل میکند که رهبران بر معیارهای معنیدار تمرکز کنند.
· تصمیمگیری اخلاقی: هوش مصنوعی میتواند ملاحظات اخلاقی را در ساختارهای انتخاب هوشمند جای دهد تا تصمیمات راهبردی را با ارزشها و الزامات سازمانی شفاف هماهنگ سازد. این یکپارچگی از تصمیمات مسئولانهای تجلیل میکند که اهداف گستردهتر سازمان را برای ذینفعان، سرمایهگذاران و مجریان به ارمغان میآورد.
بازاندیشی بهرهوری: از خروجیها به نتایج
ساختارهای انتخاب هوشمند تاثیر زیادی بر تعریف، طراحی و اندازهگیری بهرهوری سازمانی دارند. سیستمهای اندازهگیری هوشمندی که حجم عظیمی از دادههای مرتبط را تحلیل میکنند و الگوهای اساسی را شناسایی میکنند، اکنون میتوانند بینش و توصیههایی در مورد گزینهها، فرصتها و خروجیهایی که به احتمال زیاد نتایج مطلوب را به همراه دارند، ارائه دهند. آنها میتوانند مشارکت در نتایج را اندازهگیری کنند، نه فقط خروجیها را. هنگامی که به طور مناسب در جریانهای داده و گردشهای کاری قرار بگیرند، ساختارهای انتخاب هوشمند میتوانند اهمیت نتایج را بر اهمیت فعالیتها اولویت دهند. این قابلیت به مدیران اجرایی اجازه میدهد تا انتظارات بهرهوری خود را برای سرمایه انسانی، مالی و سایر اشکال سرمایه بازنگری کنند.
مثالی از این موضوع یک بانک بزرگ بینالمللی است که پس از همهگیری COVID-19 با این واقعیت مواجه شد که در نظرسنجیهای متعدد، اکثر کارکنان اعلام کرده بودند که در جلسات زیادی شرکت میکنند که اکثر آنها اتلاف وقت است. نتایج نظرسنجی نقاط فرهنگی و عملیاتی را شناسایی کرد که منجر به چندین آزمایش هوش مصنوعی شد که مسیرهای مختلفی را برای ارزشمندتر کردن جلسات برای شرکتکنندگان بررسی کردند.
در یکی از آزمایشهای موفق، تمامی مطالب ارائهشده، صورتجلسات و دستورکارهای برخی جلسات تیمی به یک مدل زبانی بزرگ (LLM) برای خلاصهسازی، ترکیب و اشتراکگذاری داده شد. خروجیهای مولد بلافاصله شامل خلاصههای مختصری از نکات کلیدی و گامهای بعدی پیشنهادی بود. شرکتکنندگان در این جلسات که از پشتیبانی LLM بهره میبردند، در مقایسه با سطح رضایت از جلسات در نظرسنجیها، سطح رضایت بالاتری را گزارش کردند. این یافتهها به مدیران و مدیران ارشد دیدگاه جدیدی را در مورد اندازهگیری و ارزیابی مشارکت جلسات تیمی و همکاریها در پروژههای سر موعد و مطابق با بودجه ارائه کرد.
یک تاثیر ماندگارتر از شرکتکنندگانی که از این خلاصهها و گامهای بعدی برای بهبود هماهنگی و همکاری بعدی استفاده کردند و دستور کارها و چکلیستهای توصیهشده برای جلسات آینده ایجاد کردند، به دست آمد. جلسات از «اتلاف وقت» به فرصتی برای تعاملات ارزشآفرین تبدیل شدند که به کارکنان کمک میکرد زمان، وظایف و تلاشهای خود را بهتر اولویتبندی کنند. این نمونه کاربردی نشان میدهد که استفاده آگاهانه از قابلیتهای مدلهای زبانی بزرگ میتواند کیفیت و نتایج جلسات را بهبود بخشد.
پیامدهای طراحی سازمانی: حقوق تصمیمگیری
ساختارهای انتخاب که گزینههای هوشمندانهای را برای رهبران و مدیران ارائه میدهند، بهطور اجتنابناپذیری مسائل مهم و غیرقابلانکاری درباره حقوق تصمیمگیری را مطرح میکنند. چه زمانی پیروی از یک توصیه خودکار باعث ایجاد مشکلات در قبال پاسخگویی میشود؟ تحت چه شرایطی میتواند یک تصمیمگیرنده انسانی از گزینهها یا توصیههای تولید شده توسط ماشین چشمپوشی کند؟ همانطور که سیستمهای مولد هوش مصنوعی به عنوان معماران انتخاب بهتر و کارآمدتر یاد میگیرند، حقوق تصمیمگیری برای کارکنان با استعداد انسانی نیز تغییر خواهد کرد. رهبران نخواهند توانست پیامدهای طراحی سازمانی مرتبط با ساختارهای انتخاب هوشمند را نادیده بگیرند.
به عنوان مثال، چارچوب RACI (مسئول، پاسخگو، مشاور، مطلع) را برای تخصیص مسئولیتهای تصمیمگیری در مدیریت پروژه در نظر بگیرید. در معنای واضح و معناداری، RACI ساختار انتخابی برای تصمیمگیری محسوب میشود. با ساختاردهی و شفافسازی نقشهای تصمیمگیری سازمانی، پیادهسازی موثر RACI بهصراحت و بهطور خاص نحوهی ارائه و اتخاذ تصمیمها را شکل میدهد.
این چارچوب رفتارهای سازمانی را به سمت تصمیمگیریهای شفافتر، کارآمدتر و پاسخگوتر هدایت میکند. RACI اصول ساختار انتخاب را در چارچوب صریح مسئولیتهای تصمیمگیری بهکار میگیرد
یک چارچوب RACI هوشمند میتواند:
- تخصیص مسئولیت بهینه را بر اساس دادههای بلادرنگ و نتایج موردنظر پیشبینی کند.
- تصمیمگیری را بهطور پویا در شرایط مختلف پروژه تنظیم کند.
- ساختارهای انتخاب را برای هر نقش شخصیسازی کند و کیفیت تصمیمگیری را بهبود بخشد.
- تاثیر پیکربندیهای مختلف RACI بر موفقیت پروژه را پیشبینی و بهینهسازی کند.
- بهطور پیشگیرانه گلوگاههای تصمیمگیری را شناسایی کرده و تخصیص مسئولیتها را مجدداً پیشنهاد دهد.
این تحول، RACI سنتی را از یک چارچوب ثابت که (فقط) نقشها را در مرحله مشخصی از پروژه تعیین میکند، به یک سیستم اندازهگیری و یادگیری تطبیقی تبدیل میکند که بهطور مداوم یاد میگیرد تا حقوق تصمیمگیری را بهتر تخصیص دهد.
هم آفرینی انتخابها، تصمیمات و نتایج بهتر
اگر تیمهای رهبری تصمیم بگیرند که این مسیر را دنبال کنند، ساختارهای انتخاب هوشمند میتوانند به مدیران و کارکنان در تمام سطوح کمک کنند تا با استقلال و بینش بیشتری عمل کنند. این ساختارها که با تحلیلهای بهطور فزایندهای دقیق پشتیبانی میشوند، چگونگی تعامل سازنده، ارزیابی و اقدام رهبران، مدیران و کارکنان بر اساس دادهها را بازتعریف میکنند.
با تبدیل شدن رهبران به مدیران سیستمهای هوشمندی که یاد میگیرند و انطباقپذیر و بهبودپذیر هستند نقش های پیشفرض خود را به عنوان تصمیمگیرندگان اصلی بازنگری می کنند کنند و بازاندیشی در زمینه اختیار، پاسخگویی و تصمیمگیری به یک اولویت راهبردی و فرهنگی حیاتی تبدیل میشود. سوال اساسی مدیران دیگر این نیست که آیا هوش مصنوعی پیشبینیکننده و مولد تصمیمگیری را به عهده خواهد گرفت، بلکه این است که چگونه تخصص انسانی و هوش مصنوعی یکدیگر را تکمیل میکنند تا انتخابها، تصمیمات و نتایج بهتری را همآفرینی کنند.
#انتخاب_های_هوشمند #داده_های_هوشمند #توسعه_کسب_و_کار #مشاوره_استراتژی #مشاوره_کسب_و_کار #KPI
