بازتعریف هوش سازمانی با هوش مصنوعی مستقل

هوش مصنوعی سازمانی دیگر یک جاه طلبی آینده نیست. در حال پرواز کامل است. قابلیت‌های مدل سریع‌تر از آنچه اکثر سازمان‌ها می‌توانند جذب کنند در حال پیشرفت هستند، در حالی که هزینه عملکرد همچنان کاهش می‌یابد. در سطح جهانی، سرمایه گذاری در هوش مصنوعی قرار است در سال 2026 به 2.5 تریلیون دلار برسد که 44 درصد بیشتر از سال قبل است.

برای بسیاری از شرکت ها، این سرمایه گذاری باعث چندپارگی شده است. اطلاعات می تواند در سیلوها انباشته شود به طوری که نمایندگان فروش از بلیط های پشتیبانی باز بی خبرند، به عنوان مثال، یا سیستم های بازاریابی در حال شخصی سازی محتوا بدون مشاهده اطلاعات مالی در مورد مشتری هستند. هر تابع ممکن است به طور مجزا به خوبی عمل کند، اما شرکت به عنوان یک کل اطلاعات کمی دارد و اطلاعات کمتری برای عمل کردن دارد.

گزارش را دانلود کنید

تغییر از هوش مصنوعی به عنوان یک ابزار به هوش مصنوعی به عنوان یک مدل عملیاتی - چیزی که ما در این گزارش "تغییر عاملی" می نامیم - به چیزی اساسی تر از مدل های بهتر یا زیرساخت های سریع تر نیاز دارد. این نیاز به اتصال افراد، فرآیندها و داده ها در زمان واقعی، همراه با حاکمیت و کنترل دارد تا به طور قابل اعتماد بر روی آن اطلاعات عمل کند.

این به معنی بازنگری در معماری و مدل های عملیاتی به طور همزمان است. اول، بازسازی زیرساخت داده برای دسترسی به جای حجم. دوم، جایگزینی پشته‌های فناوری ثابت با معماری‌های ترکیب‌پذیر که می‌توانند با تغییر مدل‌ها و ابزارها تکامل یابند. و در نهایت، حل و فصل مسائل مربوط به حاکمیت هوش مصنوعی، از جمله اینکه اطلاعات در کجا اجرا می شود، چه کسی آن را کنترل می کند، و چگونه در سراسر مرزهای سازمانی و حوزه قضایی عمل می کند.

یافته های کلیدی شامل موارد زیر است:

مشکل مقیاس‌پذیری هوش مصنوعی سازمانی ساختاری است. شرکت های فرآیند اول در حال پیشرفت هستند. هزینه‌های جهانی هوش مصنوعی به شدت در حال افزایش است و قابلیت‌های مدل سریع‌تر از آن‌چه بیشتر سازمان‌ها می‌توانند آنها را ادغام کنند در حال پیشرفت است. با این حال، اکثر شرکت‌ها هنوز درآمد خود را از طریق هوش مصنوعی افزایش نمی‌دهند یا اساسا در نحوه عملکرد خود تجدید نظر نمی‌کنند. شرکت‌هایی که بازدهی پایدار ایجاد می‌کنند نظم و انضباط مشترکی دارند. آن‌ها طراحی مجدد فرآیند را به‌عنوان کاری که مقدم بر انتخاب مدل است، در نظر می‌گیرند، به‌جای اینکه پس از استقرار، نقش‌ها و جریان‌های کاری را بازسازی کنند.

برای آنها، تغییر عامل با مدل عملیاتی آغاز می شود.

آمادگی داده، نه فراوانی داده، چیزی است که هوش مصنوعی را ترکیب پذیر می کند. اکثر شرکت ها خیلی دیر متوجه می شوند که داشتن داده و داشتن داده های آماده هوش مصنوعی چیزهای بسیار متفاوتی هستند. یک بنیاد مستقل و قابل ترکیب - بنیادی که داده‌ها را در جایی که در آن ساکن است، بدون مهاجرت یا تمرکز آماده می‌کند - می‌تواند داده‌های خام را به اطلاعاتی تبدیل کند که عوامل هوش مصنوعی می‌توانند بر اساس آن عمل کنند. از آنجایی که قوانین محل سکونت داده ها، محیط های چند ابری و پیچیدگی ساختاری تمرکز را به طور فزاینده ای غیرعملی می کند، کنترل حاکمیتی بر محل اجرا مدل ها و زندگی داده ها چیزی است که این سازگاری را دست نخورده نگه می دارد.

گزارش را دانلود کنید.

این محتوا توسط Insights، بازوی محتوای سفارشی MIT Technology Review، نه اعضای تحریریه آن تولید شده است. این توسط انسان ها تحقیق و نوشته شده است، با هر ابزار هوش مصنوعی که ممکن است محدود به فرآیندهای تولید تحت نظارت انسان باشد.