هوش مصنوعی بهره وری را افزایش می دهد اما آیا ارزشش را دارد؟

کسب‌وکارها دستاوردهای بهره‌وری ناشی از هوش مصنوعی را گزارش می‌کنند، اما بسیاری در تلاش هستند تا نشان دهند این پیشرفت‌ها واقعا چه ارزشی دارند.

نظرسنجی چشم‌انداز مدیرعامل EY Parthenon که در اکتبر منتشر شد، نشان داد که نیمی از 1200 مدیر عامل شرکت‌کننده در 21 کشور جهان، هوش مصنوعی را بزرگ‌ترین عامل در افزایش بهره‌وری در سال گذشته می‌دانستند. با این حال، 23 درصد گفتند که این دستاوردها قبل از رسیدن به قیمت نهایی جذب شده است، در حالی که تنها 16 درصد گفتند که دید واضح و بی‌درنگ نسبت به هزینه‌ها و بازده هوش مصنوعی دارند.

برای شرکت‌ها، چالش از نشان دادن اینکه هوش مصنوعی می‌تواند فرآیندی را بهبود بخشد به اثبات اینکه این بهبود ارزش کافی برای توجیه سرمایه‌گذاری ایجاد می‌کند، حرکت می‌کند.

یک کارمند ممکن است از هوش مصنوعی برای تکمیل یک کار به جای سه ساعت در یک ساعت استفاده کند. این ظرفیت اضافی ایجاد می کند، اما به طور خودکار به این معنا نیست که شرکت دو ساعت در هزینه های حقوق و دستمزد صرفه جویی کرده است. سود مالی بستگی به این دارد که با آن زمان اضافی چه اتفاقی می افتد.

طاهر نثار، استاد استراتژی و سازمان اقتصادی در دانشگاه ساوتهمپتون در انگلیس، در گفتگو با نیوزویک، گفت که کسب و کارها باید به جای اندازه گیری میزان استفاده گسترده از هوش مصنوعی، روی تغییراتی که در نتیجه هوش مصنوعی ایجاد می شود تمرکز کنند.

شرکت‌ها باید نتایج را بسنجند، نه پذیرش. سوال مهم این نیست که چه تعداد کارمند از هوش مصنوعی استفاده می‌کنند، بلکه این است که آیا این هوش مصنوعی هزینه‌ها را کاهش می‌دهد، درآمد را افزایش می‌دهد، کیفیت را بهبود می‌بخشد یا افراد را قادر می‌سازد کارهای ارزشمندتری انجام دهند.

این تمایز می تواند بین ادعای بهره وری و نتیجه مالی تفاوت ایجاد کند.

او گفت: "بزرگترین اشتباه این است که فرض کنیم زمان پس انداز شده برابر با پول پس انداز شده است." اگر هوش مصنوعی پنج ساعت در هفته برای کارمندی صرفه جویی کند اما این ساعات به خروجی بیشتر، تصمیمات بهتر یا هزینه های کمتر تبدیل نشود، بازده مالی ممکن است ناچیز باشد.

حتی زمانی که عملکرد یک شرکت پس از معرفی هوش مصنوعی بهبود می‌یابد، تشخیص اینکه چه میزان از این پیشرفت از فناوری حاصل شده است، می‌تواند دشوار باشد.

نثار گفت که کسب و کارها باید قبل از ادعایی در مورد تأثیر هوش مصنوعی، مقایسه ای معتبر انجام دهند.

شرکت‌ها باید یک سوال خلاف واقع ساده بپرسند: بدون هوش مصنوعی چه اتفاقی می‌افتاد؟ مقایسه تیم‌ها یا فرآیندهای مجهز به هوش مصنوعی با خطوط پایه معتبر یا گروه‌های غیر AI مشابه می‌تواند به تمایز تأثیر هوش مصنوعی از تغییرات در تقاضا، کارکنان، مدیریت یا شرایط گسترده‌تر بازار کمک کند.

تیلور تریس، بنیانگذار Timbuc، یک پلتفرم مشاوره که از هوش مصنوعی برای تجزیه و تحلیل داده‌های شرکت و ایجاد برنامه‌های رشد استفاده می‌کند، گفت: کسب‌وکارها اغلب برای اثبات ارزش خدمات مشاوره‌ای و سرمایه‌گذاری‌های فناوری تلاش می‌کنند زیرا نمی‌توانند یک خط پایه را قبل از اجرا ایجاد کنند.

او به نیوزویک گفت: "کوچینگ و مشاوره ROI [بازده سرمایه] هرگز یک مشکل مربیگری نبود. این یک مشکل پایه و اندازه گیری بود." "از لحاظ تاریخی، مربیگری کسب و کار از یک مشکل اندازه گیری رنج می برد: ROI به جای داده های مالی سخت به یادآوری ذهنی گره خورده بود. ما TIMBUC را ساختیم تا تشخیص کسب و کار و اجرای رشد را به یک علم عینی تبدیل کنیم."

Iavor Bojinov، دانشیار مدیریت بازرگانی در مدرسه بازرگانی هاروارد، به نیوزویک گفت که شرکت‌های نیوزویک باید به جای تلاش برای محاسبه ROI پس از اجرا، اندازه‌گیری را از همان ابتدا در استقرار هوش مصنوعی ایجاد کنند.

بوجینوف گفت: "شما ممکن است پذیرش بالا، بهره وری فردی بالا، اما عملکرد مالی کمتری در کوتاه مدت داشته باشید." معمولا یک منحنی J بهره‌وری وجود دارد که عملکرد قبل از اینکه بهتر شود بدتر می‌شود.»

برای نثار، ROI واقعی به چیزی بیش از ارقام پذیرش یا نمایش نیاز دارد.

او گفت: «قوی‌ترین شواهد، بهبود پایدار در نتایج کسب‌وکار است که می‌توان آن را به طور منطقی به هوش مصنوعی نسبت داد و از هزینه کامل استقرار آن فراتر رفت.»

جنرال موتورز گفته است که در تلاش است تا با شروع با مشکلات خاص تجاری و مهندسی و تعیین نتایج قابل اندازه گیری قبل از گسترش استقرار، این رشته را در پروژه های هوش مصنوعی خود ایجاد کند.

جیسون فیشر، مدیر اجرایی مهندسی ادغام مجازی جنرال موتورز، گفت که این شرکت به عواملی مانند سرعت ورود به بازار، بهره‌وری، هزینه، کیفیت و ایمنی توجه می‌کند.

فیشر به نیوزویک گفت: «در جنرال موتورز، استراتژی هوش مصنوعی ما از نظر طراحی عملی است. "ما با یک تجارت یا چالش مهندسی خاص شروع می کنیم، ابزار مناسب را به کار می گیریم و تنها چیزی را که به طور قابل اندازه گیری کار را بهبود می بخشد مقیاس می کنیم."

جنرال موتورز می‌گوید که با ایجاد یک خط پایه و تعریف اینکه موفقیت چگونه باید باشد، شروع می‌شود. رویکرد آن شامل آزمایش‌های آزمایشی، اندازه‌گیری بر اساس شاخص‌های عملکرد شرکت و نظارت انسانی قبل از استقرار گسترده‌تر است.

این شرکت می‌گوید هوش مصنوعی اکنون می‌تواند جریان هوا را در سطح خودرو از یک طرح اولیه دو بعدی در کمتر از یک دقیقه ارزیابی کند، در مقایسه با فرآیند سنتی که ممکن است روزها، هفته‌ها یا ماه‌ها طول بکشد.

"فرایند آزمایش ما اکنون 10 برابر بیشتر نقص ها را در حین توسعه پیدا کرده و آنها را زودتر شناسایی می کند."

فیشر گفت که ارزش صرفا تکمیل سریعتر وظایف فردی نیست. بازخوردهای اولیه به مهندسان امکان می دهد طرح های بیشتری را بررسی کنند و تصمیمات آگاهانه تری بگیرند.

GM این را به عنوان یک رویکرد "اول مجازی، از نظر فیزیکی اثبات شده" توصیف می کند که از ابزارهای مجازی برای تسریع توسعه قبل از اعتبارسنجی فیزیکی نتایج استفاده می کند.

این شرکت همچنین در حال تعیین اهداف بلندمدت است، از جمله کاهش زمان مورد نیاز برای تولید یک خودروی مفهومی جدید از حدود چهار یا پنج سال به حدود دو سال. برای کاهش 65 درصدی هزینه های مواد و ابزار کار می کند. هر دو هدف هستند، نه نتایج به دست آمده.

جنرال موتورز همچنین دشواری تخصیص هر پیشرفتی به هوش مصنوعی را تصدیق می کند.

فیشر گفت: «این به ما کمک می‌کند از نسبت دادن هر پیشرفتی به هوش مصنوعی، زمانی که ممکن است تغییرات یا فناوری‌های دیگری نیز دخیل باشند، اجتناب کنیم.

یافته‌های EY نشان می‌دهد که شرکت‌ها وارد مرحله سخت‌تر سرمایه‌گذاری هوش مصنوعی می‌شوند.

او گفت: "بازده واقعی به معنای بهبود قابل اندازه گیری در هزینه ها، درآمدها، کیفیت یا ظرفیت است که احتمالا در غیر این صورت اتفاق نمی افتاد."