خرید فناوری هوش مصنوعی؛ چگونه از هزینه‌های هیجانی در کسب‌وکار جلوگیری کنیم؟

هر موج فناوری، مجموعه‌ای از فرصت‌ها و وسوسه‌ها را با خود وارد بازار می‌کند. در ابتدا، چند سازمان پیشرو سراغ ابزارهای تازه می‌روند. سپس رقبا درباره آن صحبت می‌کنند، تأمین‌کنندگان محصولات و خدمات جدید عرضه می‌کنند و به‌تدریج این تصور شکل می‌گیرد که عقب ماندن از فناوری، مساوی با عقب ماندن از بازار است.

هوش مصنوعی نیز از این قاعده مستثنا نیست. امروز از لپ‌تاپ‌های مجهز به هوش مصنوعی گرفته تا نرم‌افزارهای سازمانی، دستیارهای دیجیتال و ابزارهای تولید محتوا، محصولات متعددی با وعده افزایش بهره‌وری معرفی می‌شوند. بعضی از آن‌ها واقعاً مسئله‌ای را حل می‌کنند؛ بعضی دیگر تنها روش تازه‌ای برای انجام کاری هستند که پیش‌تر هم به‌خوبی انجام می‌شد.

مسئله اصلی برای مدیر یا مالک کسب‌وکار، تشخیص همین تفاوت است. آیا باید برای فناوری جدید هزینه کرد؟ آیا ارتقای سخت‌افزار ضرورت دارد؟ آیا یک ابزار هوش مصنوعی می‌تواند زمان انجام کار را کاهش دهد؟ و مهم‌تر از همه، چگونه می‌توان پیش از خرید فهمید که وعده‌های فروشنده در محیط واقعی کسب‌وکار نیز ارزشمند خواهند بود؟

پاسخ را نباید فقط در مشخصات فنی محصول جست‌وجو کرد. تصمیم درست از شناخت فرایند، تعریف مسئله، محاسبه هزینه کل و تعیین معیار موفقیت شروع می‌شود. فناوری زمانی ارزش دارد که در خدمت یک هدف مشخص قرار بگیرد.

فناوری جدید لزوماً به معنای عملکرد بهتر نیست

فرض کنیم شرکتی برای کارکنان خود لپ‌تاپ‌های جدیدی خریداری می‌کند که واحد پردازش عصبی یا NPU دارند. فروشنده توضیح می‌دهد که دستگاه‌ها برای هوش مصنوعی آماده‌اند و می‌توانند در آینده قابلیت‌های جدیدی را اجرا کنند.

این توضیح ممکن است از نظر فنی درست باشد، اما برای تصمیم‌گیری مدیریتی کافی نیست. باید پرسید کدام فعالیت کارکنان قرار است بهبود پیدا کند؟ آیا نرم‌افزارهای مورد استفاده سازمان از این سخت‌افزار بهره می‌برند؟ آیا اجرای وظایف سریع‌تر می‌شود؟ آیا مصرف انرژی کاهش پیدا می‌کند؟ آیا اطلاعات حساس بدون نیاز به ارسال به سرویس خارجی پردازش خواهند شد؟

اگر پاسخ این پرسش‌ها روشن نباشد، سازمان در واقع محصولی را بر اساس احتمال استفاده در آینده می‌خرد، نه بر اساس یک نیاز اثبات‌شده. چنین تصمیمی همیشه اشتباه نیست، اما باید آگاهانه و متناسب با ظرفیت مالی و راهبرد سازمان گرفته شود.

این مسئله محدود به سخت‌افزار نیست. خرید نرم‌افزار CRM، ERP، سامانه گزارش‌گیری یا ابزارهای هوش مصنوعی نیز می‌تواند با همین خطا همراه باشد. محصولی با امکانات فراوان، اگر با فرایند واقعی سازمان تناسب نداشته باشد، ممکن است پیچیدگی بیشتری ایجاد کند.

قبل از انتخاب فناوری، مسئله را دقیق تعریف کنید

نقطه شروع یک تصمیم فناورانه مناسب، نام محصول نیست؛ مسئله‌ای است که سازمان می‌خواهد حل کند. عبارت‌هایی مانند «می‌خواهیم هوش مصنوعی داشته باشیم» یا «باید سیستم‌هایمان را به‌روز کنیم» برای شروع یک پروژه کافی نیستند.

مسئله باید تا حد ممکن قابل مشاهده و قابل اندازه‌گیری تعریف شود. برای مثال، ممکن است پاسخ‌گویی به درخواست‌های مشتری زمان زیادی بگیرد، تهیه گزارش‌های مدیریتی دستی باشد، ورود اطلاعات در چند سیستم تکرار شود یا کارکنان برای پیدا کردن اطلاعات مورد نیازشان مجبور باشند چندین فایل و سامانه را بررسی کنند.

هرکدام از این مشکلات راه‌حل متفاوتی می‌طلبد. در یک مورد، اصلاح فرایند و یکپارچه‌سازی نرم‌افزارها نتیجه بهتری دارد. در مورد دیگر، اتوماسیون ساده کافی است. تنها در برخی شرایط است که استفاده از مدل هوش مصنوعی می‌تواند مزیت مشخصی ایجاد کند.

سه پرسش برای تشخیص مسئله واقعی

پاسخ دقیق به این پرسش‌ها کمک می‌کند از خرید راه‌حلی که صرفاً جذاب به نظر می‌رسد، فاصله بگیریم. در بسیاری از پروژه‌ها، همین مرحله از انتخاب ابزار مهم‌تر است.

هزینه واقعی فناوری فقط قیمت خرید نیست

یکی از خطاهای رایج در تصمیم‌های فناوری اطلاعات، مقایسه محصولات بر اساس قیمت اولیه است. درحالی‌که هزینه واقعی یک راهکار می‌تواند شامل خرید تجهیزات، مجوز نرم‌افزار، اشتراک ماهانه، نصب، انتقال داده، آموزش، نگهداری، پشتیبانی و تغییر فرایندهای کاری باشد.

برای مثال، استفاده از یک سرویس هوش مصنوعی ممکن است در ابتدا ارزان به نظر برسد، اما با افزایش تعداد کاربران یا حجم پردازش، هزینه اشتراک و مصرف آن رشد کند. در سوی دیگر، اجرای محلی برخی مدل‌ها ممکن است هزینه اولیه سخت‌افزار و نگهداری بیشتری داشته باشد، ولی وابستگی به برخی سرویس‌های آنلاین را کاهش دهد.

انتخاب میان این دو روش باید بر اساس شرایط سازمان انجام شود. نوع داده‌ها، میزان استفاده، حساسیت اطلاعات، کیفیت مورد نیاز، هزینه نیروی انسانی و قابلیت نگهداری از عوامل مؤثر در تصمیم هستند.

هزینه‌های پنهانی که باید بررسی شوند

• هزینه آموزش کارکنان و تغییر روش انجام کار
• هزینه اتصال راهکار جدید به نرم‌افزارها و پایگاه‌های داده فعلی
• هزینه نگهداری، پشتیبانی و به‌روزرسانی
• هزینه کنترل کیفیت خروجی‌ها و اصلاح خطاها
• هزینه‌های امنیتی و مدیریت دسترسی به اطلاعات
• هزینه خروج از راهکار و انتقال داده‌ها در صورت تغییر تأمین‌کننده

هزینه‌ای که در ابتدای پروژه دیده نمی‌شود، ممکن است بعداً به مهم‌ترین عامل نارضایتی تبدیل شود. بنابراین ارزیابی اقتصادی باید کل دوره استفاده از فناوری را پوشش دهد، نه فقط مبلغ فاکتور اولیه را.

بازگشت سرمایه را چگونه بسنجیم؟

بازگشت سرمایه یا ROI یکی از ابزارهای متداول برای ارزیابی اقتصادی پروژه‌هاست. در ساده‌ترین حالت، باید منفعت مالی حاصل از یک سرمایه‌گذاری را با هزینه آن مقایسه کرد. بااین‌حال، محاسبه معتبر به تعریف روشن هزینه‌ها، منافع و بازه زمانی نیاز دارد.

فرض کنیم یک ابزار نرم‌افزاری، زمان تهیه گزارش‌های هفتگی را کاهش دهد. برای محاسبه منفعت، باید زمان صرف‌شده پیش از اجرای راهکار و پس از آن اندازه‌گیری شود. سپس می‌توان ارزش زمان آزادشده را با توجه به هزینه نیروی انسانی و میزان استفاده واقعی برآورد کرد.

اما زمان آزادشده به‌تنهایی لزوماً به معنای صرفه‌جویی نقدی نیست. اگر کارکنان پس از استفاده از ابزار همچنان همان ساعات کاری را دریافت کنند و زمان آزادشده به فعالیت ارزشمند دیگری اختصاص نیابد، منفعت اقتصادی با کاهش مستقیم هزینه حقوق برابر نخواهد بود.

از سوی دیگر، برخی مزایا مانند کاهش خطا، بهبود تجربه مشتری یا افزایش سرعت تصمیم‌گیری ممکن است ارزش واقعی داشته باشند، اما اندازه‌گیری آن‌ها به شاخص‌های مشخص نیاز دارد. بهتر است سازمان پیش از شروع پروژه تعیین کند که چه داده‌هایی را ثبت خواهد کرد و موفقیت را چگونه تشخیص می‌دهد.

یک محاسبه ساده، با فرض‌های روشن

فرض کنید هزینه اجرای یک ابزار در یک دوره مشخص ۱۰۰ واحد مالی و منفعت قابل‌اندازه‌گیری آن ۱۳۰ واحد باشد.

این مثال صرفاً آموزشی است. در ارزیابی واقعی باید هزینه‌های جاری، دوره زمانی، ریسک و منافع قابل‌اثبات نیز در محاسبه لحاظ شوند.

آیا هوش مصنوعی همیشه بهترین راه‌حل است؟

خیر. بخشی از مشکلاتی که به‌عنوان فرصت هوش مصنوعی معرفی می‌شوند، با روش‌های ساده‌تر قابل حل هستند. اگر کارکنان برای تهیه یک گزارش مجبورند اطلاعات را از چند فایل ناسازگار جمع‌آوری کنند، ممکن است اصلاح ساختار داده یا اتصال سیستم‌ها مؤثرتر از افزودن یک دستیار هوشمند باشد.

اگر فرایندی از ابتدا تعریف درستی نداشته باشد، خودکارسازی آن می‌تواند همان مشکل را با سرعت بیشتری تکرار کند. به همین دلیل، پیش از انتخاب فناوری باید مشخص شود که مسئله از نبود ابزار ناشی می‌شود یا از طراحی نامناسب فرایند.

هوش مصنوعی زمانی جذاب‌تر می‌شود که با اطلاعات متنی یا غیرساختاریافته، تشخیص الگو، تولید پیش‌نویس، دسته‌بندی یا تحلیل‌هایی سروکار داشته باشیم که با قواعد ساده به‌راحتی قابل انجام نیستند. حتی در این شرایط نیز لازم است کیفیت خروجی و نیاز به بازبینی انسانی بررسی شود.

ریسک وابستگی به تأمین‌کننده را دست‌کم نگیرید

هنگام انتخاب یک فناوری، تنها قابلیت‌های امروز آن اهمیت ندارند. باید بررسی کرد که سازمان در آینده تا چه اندازه به یک فروشنده، قالب داده یا سرویس اختصاصی وابسته خواهد شد.

اگر داده‌ها به‌سادگی قابل انتقال نباشند، اتصال به نرم‌افزارهای دیگر دشوار باشد یا هزینه تغییر سرویس بالا برود، سازمان ممکن است حتی پس از کاهش کیفیت خدمات نیز نتواند به‌راحتی راهکار دیگری انتخاب کند.

این مسئله در سرویس‌های ابری و ابزارهای هوش مصنوعی اهمیت زیادی دارد. شرایط دسترسی، سیاست نگهداری داده، امکان خروجی گرفتن، تغییر قیمت، محدودیت منطقه‌ای و تداوم پشتیبانی باید پیش از خرید بررسی شوند.

در پروژه‌های سازمانی، بهتر است از ابتدا مشخص شود داده‌ها متعلق به چه کسی هستند، چه کسانی به آن‌ها دسترسی دارند، در چه شرایطی می‌توان آن‌ها را منتقل کرد و در صورت پایان قرارداد چه اتفاقی برای اطلاعات رخ می‌دهد.

روش کم‌ریسک‌تر: ابتدا آزمایش، سپس توسعه

یکی از راه‌های کاهش ریسک سرمایه‌گذاری فناورانه، اجرای آزمایشی در مقیاس محدود است. به‌جای خرید گسترده تجهیزات یا استقرار یک سیستم پیچیده در کل سازمان، می‌توان یک فرایند مشخص و گروه کوچکی از کاربران را انتخاب کرد.

در مرحله آزمایشی، باید وضعیت فعلی ثبت شود تا امکان مقایسه وجود داشته باشد. سپس راهکار در شرایط واقعی استفاده می‌شود و نتایج آن با شاخص‌های از پیش تعیین‌شده سنجیده می‌شوند.

معیار موفقیت می‌تواند کاهش زمان انجام کار، کاهش خطا، افزایش ظرفیت پاسخ‌گویی، بهبود کیفیت یا کاهش هزینه باشد. مهم این است که شاخص با مسئله اولیه ارتباط مستقیم داشته باشد.

اگر آزمایش نتیجه قابل دفاعی داشت، می‌توان دامنه اجرا را گسترش داد. اگر نتیجه مطلوب نبود، باید علت را بررسی کرد: آیا فناوری مناسب نبود؟ آیا داده‌ها کیفیت کافی نداشتند؟ آیا کارکنان آموزش ندیده بودند؟ یا اساساً مسئله به روش دیگری حل می‌شد؟

شکست یک آزمایش محدود الزاماً به معنای شکست کل ایده نیست. گاهی ارزش اصلی آزمایش این است که سازمان را از سرمایه‌گذاری بزرگ روی راهکاری نامتناسب بازمی‌دارد.

مراحل یک آزمایش کاربردی

چارچوبی عملی برای تصمیم‌گیری درباره خرید فناوری

برای ارزیابی یک فناوری جدید می‌توان از چارچوبی ساده استفاده کرد که شش پرسش را در بر می‌گیرد:

این چارچوب به مدیر کمک می‌کند تصمیم را از سطح هیجان و تبلیغات به سطح شواهد و نتیجه منتقل کند. همچنین امکان مقایسه منصفانه میان چند گزینه را فراهم می‌کند، حتی اگر یکی از آن‌ها فناوری جدیدتر و ظاهر جذاب‌تری داشته باشد.

جمع‌بندی: فناوری باید مسئله را حل کند، نه اینکه مسئله تازه‌ای بسازد

هوش مصنوعی و سخت‌افزارهای جدید می‌توانند فرصت‌های ارزشمندی برای کسب‌وکارها ایجاد کنند. بااین‌حال، انتخاب فناوری نباید از نام محصول یا فشار بازار شروع شود. ابتدا باید مسئله را شناخت، گزینه‌ها را مقایسه کرد، هزینه کل را سنجید و معیار موفقیت را تعیین کرد.

برای برخی سازمان‌ها، خرید سخت‌افزار جدید می‌تواند تصمیم درستی باشد. برای برخی دیگر، اصلاح فرایند، یکپارچه‌سازی سیستم‌ها یا آموزش کارکنان نتیجه بهتری ایجاد می‌کند. گاهی نیز بهترین تصمیم، به تعویق انداختن خرید تا روشن شدن نیازها و بلوغ بیشتر راهکار است.

تصمیم فناورانه خوب الزاماً جدیدترین تصمیم نیست؛ تصمیمی است که بتوان منطق انتخاب آن را توضیح داد، نتیجه‌اش را سنجید و در صورت تغییر شرایط، برای اصلاح آن آمادگی داشت.