از آنجایی که tokenmaxxing معیار اشتباهی برای AI ROI است، معیار درست چیست؟

عجله اولیه برای تشویق کارمندان به استفاده از هوش مصنوعی در هر کجا که ممکن بود منجر به روش جدیدی برای اندازه‌گیری بهره‌وری بر اساس مصرف توکن‌های هوش مصنوعی یا از نظر فنی توکن‌های مدل پایه هوش مصنوعی شد. کارمندانی که از هوش مصنوعی استفاده نمی کردند بلافاصله از طریق صورتحساب مصرف هوش مصنوعی یا کمبود آن قابل مشاهده بودند، در حالی که مصرف زیاد به عنوان یک سیگنال مثبت تلقی می شد. تعداد توکن های مصرف شده به نشان افتخار تبدیل شد.

برای مدتی، استفاده بیشتر از هوش مصنوعی حاکی از بهره وری و نوآوری بیشتر بود. برخی از سازمان‌ها حتی شروع به برخورد با فعالیت‌های هوش مصنوعی به‌عنوان نماینده‌ای برای مشارکت کارکنان کردند. این امر منجر به پدیده "tokenmaxxing" شد، با پیامدهای ناخواسته هزینه های هوش مصنوعی که خارج از کنترل رشد می کند و یک سوال دشوارتر را ایجاد می کند: پذیرش موفقیت آمیز هوش مصنوعی در واقع چگونه به نظر می رسد و چگونه آن را اندازه گیری می کنید؟

آخرین تحقیقات Pulse of Work 2026 به شکاف بین پذیرش و ارزش اشاره می کند. در حالی که 88 درصد از کارمندان می گویند هوش مصنوعی برای آنها مفید بوده است و تخمین می زنند که به طور متوسط ​​2.3 ساعت در روز برای آنها وقت صرفه جویی می کند، از هر پنج نفر چهار نفر می گویند که از تمام پتانسیل خود از آن استفاده نمی کنند و 69 درصد به طور کامل نمی دانند که چگونه در نقش خود کاربرد دارد. در همین حال، 60٪ برای استفاده از هوش مصنوعی بدون در نظر گرفتن اینکه آیا ابزار مناسبی برای این کار است یا خیر، احساس فشار می کنند.

این یافته‌ها دو نکته را تقویت می‌کنند که باید از قبل مشخص باشد: یکی، فعالیت هوش مصنوعی یک پروکسی ضعیف برای ارزش کسب‌وکار است، و دوم، سازمان‌ها باید در مورد مکان و نحوه استفاده از ابزارهای هوش مصنوعی دقیق‌تر شوند.

هوش مصنوعی بیشتر به طور خودکار به معنای کار بهتر نیست

واکنش زانویی برای معادل سازی استفاده از هوش مصنوعی با موفقیت قابل درک است. پاسخ های فوری، اتوماسیون وظایف تکراری و برداشتن بار اداری از دوش کارکنان پرمشغله از مزایای واضح و ملموس است.

اما مشکلات زمانی پدید می‌آیند که هوش مصنوعی در هر ابتکار به‌جای تصمیم‌گیری در نظر گرفته‌شده که تعیین می‌کند کجا به قضاوت انسان نیاز است، مدل مناسب و هزینه‌های مربوطه چه خواهد بود، تبدیل به یک انتظار می‌شود.

وقتی کارفرمایان پذیرش هوش مصنوعی را جشن می‌گیرند بدون اینکه مشخص کنند کجا واقعا ارزش افزوده دارد، یک ساختار مشوق مشکل‌ساز ایجاد می‌شود. کارمندان به طور طبیعی اغلب بیشتر به هوش مصنوعی دست می یابند، گاهی اوقات بدون توجه به اینکه آیا این ابزار مناسب است، آیا خروجی نیاز به بررسی قابل توجهی دارد یا اینکه هزینه مدل متناسب با کار است. بدون پارامترهای واضح یا پشتیبانی، احتمال سوء استفاده بالا می رود.

آزمایش با هوش مصنوعی را نباید ناامید کرد. در واقع، باید به طور فعال تشویق شود و بخش مهمی از استفاده از این فناوری متحول کننده برای بیشترین تأثیر است.

با این حال، آموزش کارکنان به گونه‌ای مهم است که آنها رویکردی آگاهانه از هزینه‌ها داشته باشند و از مدل‌های مناسب برای نوع کار استفاده کنند - از مدل‌های کم‌هزینه‌تر مانند فلش جمینی و کلود هایکو برای اکثر کارها و فقط استفاده از مدل‌های گران‌تر و قدرتمندتر مانند کلود اوپوس و کلود استفاده می‌کنند.

افسانه برای کارهای پیچیده تر. این چالش زمانی پیش می‌آید که سازمان‌ها بدون صرف انرژی برای ارائه آموزش مناسب، راهنمایی در مورد پذیرش آگاهانه هزینه‌ها و فرصت‌های توسعه برای کارکنان خود، استفاده را تشویق می‌کنند و پاداش می‌دهند.

بهره وری به طراحی گردش کار بستگی دارد

بزرگترین دستاوردهای بهره وری ناشی از شناسایی سناریوهایی است که در آن هوش مصنوعی اصطکاک را بدون کاهش کیفیت حذف می کند. کار اداری و حذف زحمت یک نقطه شروع آشکار است. زمان‌بندی، مدیریت ایمیل، ارتباطات با مشتری و مستندات معمول، همگی می‌توانند به کارمندان فرصتی برای انجام کارهای بالاتر بدهند.

از آنجا، فرصت واقعی این است که به کارمندان کمک می کند تا مهارت های موجود خود را با استفاده از هوش مصنوعی ایجاد کنند تا ایده ها را آزمایش کنند و سریعتر حرکت کنند. در آن زمان است که مشارکت انسان و هوش مصنوعی آنطور که باید کار می کند، با فناوری کارهایی که مردم می توانند انجام دهند به جای تبدیل شدن به جایگزینی برای قضاوت آنها گسترش می یابد.

هدایت نقش خاص چیزی است که این امر را ممکن می کند. اگرچه قابلیت‌های هوش مصنوعی به سرعت در حال بهبود هستند، اما هر عملکردی از فناوری متفاوت استفاده می‌کند. یک متخصص امور مالی با الزامات حاکمیتی متفاوتی از جانب یک مهندس نرم‌افزار مواجه است و تیم‌های خدمات مشتری به حفاظت‌های متفاوتی از تیم‌های منابع انسانی نیاز دارند. آموزش هوش مصنوعی باید چنین تفاوت هایی را در نظر بگیرد.

همچنین به همین دلیل است که سازمان‌ها باید از کارمندان انتظار نداشته باشند که بهترین کاربردهای هوش مصنوعی را به طور مستقل کشف کنند. اگر مردم زمان خود را صرف یافتن راه‌هایی برای سودمند ساختن هوش مصنوعی، آزمایش ابزارها بدون راهنمایی یا بررسی چگونگی تناسب قابلیت‌های جدید در فرآیندهای موجود می‌کنند، برخی از سود بالقوه بهره‌وری قبل از اینکه فناوری حتی خروجی ارائه کند از بین می‌رود.

یک رویکرد بهتر، طراحی مجدد گردش کار حول نتایج واقعی کسب و کار است. این بدان معنی است که شناسایی جایی که هوش مصنوعی می تواند تلاش های غیرضروری را حذف کند، سپس به کارکنان ابزار و راهنمایی هایی برای استفاده از آن در چارچوب نقش خود ارائه دهید.

این همچنین به معنای در دسترس قرار دادن هوش مصنوعی مفید و تایید شده در سیستم هایی است که کارمندان از قبل استفاده می کنند. هنگامی که هوش مصنوعی در جریان کار روزانه ادغام می شود، افراد به احتمال زیاد به جای جستجوی جایگزین های پشتیبانی نشده، آن را در موارد استفاده ایمن و با ارزش به کار می برند.

کیفیت به معیار گمشده تبدیل شده است

یکی از بالاترین هزینه های پنهان پذیرش گسترده هوش مصنوعی، بار اضافی بررسی و اصلاح است. هوش مصنوعی می تواند به سرعت پاسخ دهد، اما اگر کارمندان مجبور باشند زمان قابل توجهی را صرف بررسی دقیق، کامل یا مناسب بودن پاسخ کنند، سرعت ارزش محدودی دارد.

این امر به ویژه مهم است زیرا محتوای تولید شده توسط هوش مصنوعی در کارهای روزمره جاسازی می شود. بررسی ضعیف خروجی می تواند کار بیشتری را برای کارمند دیگری ایجاد کند، خطاها را در فرآیند کسب و کار وارد کند یا به طور کلی اعتماد به فناوری را تضعیف کند. بنابراین، محاسبه بهره‌وری نیاز دارد تا آنچه را که پس از ایجاد پاسخ هوش مصنوعی رخ می‌دهد، در نظر بگیرد.

کیفیت خروجی، و در نهایت، نتایج با کیفیت، باید بخشی از خود معماری هوش مصنوعی شود. این بدان معناست که فرآیندهای بررسی را در گردش‌های کاری ایجاد کنید، حاکمیتی را معرفی کنید که در آن تصمیم‌ها ریسک بالاتری دارند و اطمینان حاصل شود که کارکنان اهمیت اعتبارسنجی پاسخ‌های هوش مصنوعی را قبل از تبدیل شدن آن پاسخ‌ها به تصمیمات تجاری درک می‌کنند.

اگر به خوبی انجام شود، این تدابیر حفاظتی نباید مانع پذیرش یا کاهش سرعت کار کارکنان شود. آنها باید به کارمندان اعتماد به نفس برای استفاده موثرتر از هوش مصنوعی بدهند و در مواردی که نیاز به بررسی دقیق یا قضاوت انسانی است، مشارکت را تنظیم کنند. با اجرای مراحل تأیید خودکار و پارامترهای نقش خاص، رهبران فناوری اطلاعات به تیم‌ها نرده‌هایی را می‌دهند که برای افزایش بهره‌وری بدون به خطر انداختن دقت و اعتماد نیاز دارند.

سازمان‌هایی که ارزش ایجاد می‌کنند، باعث ایجاد اعتماد می‌شوند

بزرگترین تغییری که در حال حاضر مورد نیاز است، فرهنگی است. کارمندان به وضوح در مورد زمان و نحوه استفاده از هوش مصنوعی، اطمینان از اینکه تصمیمات مناسب می گیرند و پشتیبانی عملی هنگام معرفی قابلیت های جدید نیاز دارند.

این پشتیبانی باید فراتر از یادگیری نحوه استفاده از یک ابزار خاص باشد. کارمندان باید بهترین شیوه های بررسی کار تولید شده توسط هوش مصنوعی را از نظر دقت و تعصب بیاموزند، چه زمانی به یک خروجی اعتماد کنند یا آن را زیر سوال ببرند و چه زمانی خلاقیت یا قضاوت انسانی اولویت دارد.

خط‌مشی‌ها برای دستیابی به این امر با ایجاد یکپارچگی کلیدی هستند، اما آموزش، راهنمایی و یادگیری مستمر برای نقش‌های خاص در نهایت تعیین می‌کند که آیا این سیاست‌ها به رفتار روزمره تبدیل می‌شوند یا خیر.

برای رهبران فناوری اطلاعات، پذیرش مسئولانه به معنای ایجاد شرایط برای این اطمینان است. آنها نیاز به دید و نظارت کافی برای مدیریت امنیت، انطباق و کیفیت دارند، بدون اینکه اصطکاک زیادی ایجاد کنند که کارمندان به سادگی به دنبال راه حل باشند.

همین اصل در مورد خود فناوری نیز صدق می کند. سازمان ها به ابزارهایی نیاز دارند که به طور طبیعی در جریان های کاری موجود قرار بگیرند و به کارکنان قابلیت های مناسب برای کاری را که در واقع انجام می دهند می دهد. زمانی که کارکنان مجبورند مجموعه ابزارهای خود را بدون راهنمایی روشن در مورد تأیید، مناسب یا ایمن بودن، جمع آوری کنند، پذیرش هوش مصنوعی بسیار دشوارتر می شود.

در مقیاس کلان، سازمان‌ها باید پذیرش مسئولانه را به‌عنوان یک فرآیند مستمر و نه یک‌بار عرضه تلقی کنند. از آنجایی که ابزارها و قابلیت‌های هوش مصنوعی به سرعت در حال تکامل هستند، راهنمایی در مورد آنها باید به سرعت ادامه یابد.

بنابراین، سازمان‌هایی که ارزش ماندگاری را از هوش مصنوعی ایجاد می‌کنند، سؤالات بسیار متفاوتی از سازمان‌هایی که بر مصرف توکن متمرکز هستند، می‌پرسند.

آیا کار دقیق تر می شود؟ آیا کارمندان تصمیمات بهتری می گیرند؟ آیا بهینه ترین مدل ها برای نوع کار استفاده می شود؟ آیا ما به نتایج قابل اعتماد و با کیفیت می‌رسیم و هزینه‌های هوش مصنوعی را برای رسیدن به آن بهینه می‌کنیم؟ آیا وظایف تکراری در حالی که تخصص انسانی در جایی که بیشترین ارزش را ایجاد می کند به کار می رود خودکار می شوند؟

هنگامی که رهبران ابزارها، زمینه و اعتماد به نفس مورد نیاز کارکنان را فراهم می کنند، بهره وری و بازگشت سرمایه به طور طبیعی به دنبال خواهد داشت.

ما بهترین سازنده وب سایت هوش مصنوعی را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit