مجله بهره‌وری (38): هوش مصنوعی چگونه کارایی تخصیص منابع شرکت‌ها را بهبود می‌بخشد؟

برای ایران که با محدودیت منابع و نیاز شدید به رشد بهره‌وری روبه‌روست، سرمایه‌گذاری هدفمند در هوش مصنوعی و تشویق شرکت‌ها به استفاده از آن، می‌تواند یکی از هوشمندانه‌ترین تصمیم‌های راهبردی باشد.

به گزارش پایگاه خبری بهره ورنیوز، محسن یادبروقی، تحلیلگر راهبردی هوش مصنوعی، فناوری و نوآوری و مشاور و رئیس امور کارشناسی انجمن سازندگان تجهیزات صنعت نفت ایران- استصنا در ترجمه مقاله ای نوشته است:

در عصر پیشرفت سریع فناوری و افزایش رقابت جهانی، اهمیت تخصیص منابع برای بقا، توسعه و رشد اقتصادی شرکت‌ها را نمی‌توان نادیده گرفت. تخصیص منابع باعث می‌شود سرمایه، نیروی کار و مواد کارآمدترین استفاده را داشته باشند و هدررفت به حداقل برسد و خروجی ارزش به حداکثر برسد. کارایی تخصیص منابع، سودآوری، تاب‌آوری عملیاتی و نوآوری شرکت را بهبود می‌بخشد.

همچنین با کاهش ناکارآمدی کلی و تخصیص مجدد منابع از صنایع با بهره‌وری پایین به صنایع با بهره‌وری بالاتر، بهره‌وری، پیشرفت صنعتی و رشد اقتصادی بلندمدت را افزایش می‌دهد. از آنجا که بازار در حال تغییر است، شرکت‌ها نیز باید تغییر کنند. آن‌ها باید با تغییر خواسته‌های مردم، پیشرفت‌های فناوری و قوانین جدید سازگار شوند. بنابراین لازم است تصمیمات سریع‌تر گرفته شوند و بر پایه بینش‌های مبتنی بر داده قرار گیرند تا با اهداف و فرصت‌های بازار همسو گردند.

با وجود ادبیات گسترده‌ای که به بررسی عوامل تعیین‌کننده کارایی تخصیص منابع شرکت‌ها می‌پردازد و به حاکمیت شرکتی، توسعه مالی، موضوعات فناورانه مانند نوآوری و رقابت بازار اشاره می‌کند، هنوز شکاف‌های قابل توجهی در درک این که چگونه هوش مصنوعی – این فناوری قدرتمند که نحوه انجام کارها را در سراسر جهان تغییر می‌دهد – می‌تواند بر نحوه مدیریت و استفاده شرکت‌ها از منابع تأثیر بگذارد، وجود دارد.

مطالعات قبلی عمدتاً بر این متمرکز بوده‌اند که فناوری‌های تثبیت‌شده قدیمی و روش‌های سنتی چگونه روش تخصیص منابع را در شرکت‌ها تغییر می‌دهند. اما اطلاعات زیادی در مورد این فناوری جدید یعنی هوش مصنوعی و قابلیت‌های ویژه آن مانند تحلیل پیشرفته داده‌ها، یادگیری ماشینی و بهینه‌سازی لحظه‌ای برای بهبود عملکرد در دنیای واقعی ارائه نشده است.

بنابراین به نظر می‌رسد که مطالعه عمیقی درباره علت استفاده متفاوت شرکت‌ها از منابع به کمک هوش مصنوعی و انگیزه دقیق آن‌ها برای پذیرش این فناوری‌های جدید صورت نگرفته است. درک این موضوع مهم است، زیرا هوش مصنوعی اکنون یک تغییر اساسی در بستر گسترده‌تر جهان و نحوه اداره کسب‌وکارها ایجاد کرده است.

برای پر کردن این شکاف، پژوهشگران با استفاده از داده‌های گزارش سالانه از شرکت‌های پذیرفته‌شده در بورس اوراق بهادار نوع A چین در بازه زمانی ۲۰۱۷ تا ۲۰۲۴، به بررسی تأثیر پیاده‌سازی هوش مصنوعی بر کارایی تخصیص منابع پرداخته‌اند. آن‌ها با بهره‌گیری از روش‌های یادگیری ماشین، واژگانی از کلیدواژه‌های مرتبط با هوش مصنوعی تهیه کردند – واژگانی مانند یادگیری عمیق، بینایی کامپیوتر، پردازش زبان طبیعی، رباتیک و شبکه‌های عصبی. سپس بر اساس تعداد دفعات تکرار این واژه‌ها در گزارش سالانه هر شرکت، شاخصی برای میزان پذیرش هوش مصنوعی ساختند.

در ادامه، این شاخص را با کارایی تخصیص منابع هر شرکت که با روش استاندارد ریچاردسون محاسبه شده بود، مقایسه کردند. برای اطمینان از صحت نتایج، متغیرهای کنترلی مانند سن شرکت، مالکیت دولتی، سودآوری، اهرم مالی و سهام بزرگترین سهامدار نیز در مدل لحاظ شد تا تأثیر سایر عوامل حذف گردد.

نتایج این پژوهش به روشنی نشان می‌دهد که بین پذیرش هوش مصنوعی و بهبود کارایی تخصیص منابع رابطه مثبت و معناداری وجود دارد. به عبارت دیگر، شرکت‌هایی که بیشتر از فناوری‌های هوش مصنوعی استفاده می‌کنند، منابع خود را کارآمدتر به کار می‌گیرند.

این نتیجه حتی پس از انجام آزمون‌های مختلف برای حذف اثر عوامل مخدوش‌کننده – مانند علیت معکوس (این احتمال که شرکت‌های کارآمدتر ممکن است بیشتر سراغ هوش مصنوعی بروند) یا شوک‌های اقتصادی بیرونی (همچون همه‌گیری کرونا) – همچنان پایدار و قابل اعتماد باقی بمانند. به بیان ساده، هوش مصنوعی صرفاً یک فناوری زینتی نیست، بلکه ابزاری عملی است که می‌تواند چگونگی تصمیم‌گیری مدیران درباره توزیع منابع را دگرگون سازد.

اما این بهبود از چه راه‌هایی حاصل می‌شود؟ پژوهش دو مکانیسم اصلی را شناسایی کرده است. نخست، افزایش بهره‌وری کل عوامل. هوش مصنوعی به شرکت‌ها کمک می‌کند تا ترکیب نهاده‌های خود – نیروی کار، سرمایه، مواد اولیه – را بهینه کنند. برای نمونه، الگوریتم‌های یادگیری ماشین می‌توانند الگوهای پنهان در داده‌های تولید را کشف کرده و پیشنهاد دهند که چه مقدار از هر منبع در کدام مرحله به کار رود. همچنین خودکارسازی فرایندهای تکراری، خطای انسانی را کاهش می‌دهد و زمان انجام کارها را کم می‌کند.

نتیجه این می‌شود که با همان مقدار ورودی، خروجی بیشتری به دست آید؛ یعنی بهره‌وری کل عوامل افزایش می‌یابد و این افزایش بهره‌وری مستقیماً به معنی استفاده کارآمدتر از منابع است. دوم، افزایش شفافیت اطلاعاتی. در بسیاری از سازمان‌ها، اطلاعات بین بخش‌ها یا سطوح مختلف به صورت نامتقارن توزیع می‌شود: مدیران نمی‌دانند در خط تولید چه می‌گذرد، کارکنان از وضعیت سفارش‌های مشتریان بی‌خبرند، و تأمین‌کنندگان از نوسانات تقاضا آگاه نیستند.

هوش مصنوعی با یکپارچه‌سازی داده‌های ساختاریافته و بدون ساختار از سیستم‌های برنامه‌ریزی منابع سازمان، مدیریت ارتباط با مشتری و حتی سیگنال‌های بیرونی بازار، داشبوردهای لحظه‌ای فراهم می‌کند که همه ذی‌نفعان می‌توانند تصویر یکسانی از وضعیت ببینند.

این شفافیت، عدم تقارن اطلاعاتی را کاهش می‌دهد، هزینه‌های نظارت و مذاکره را پایین می‌آورد و تصمیم‌گیری را مبتنی بر واقعیت می‌کند نه حدس و گمان. نتیجه نهایی: منابع به سمت فرصت‌های پربازده هدایت می‌شوند و از هدررفت در فعالیت‌های کم‌بازده جلوگیری می‌گردد.

یک یافته جالب دیگر این پژوهش، تفاوت تأثیر هوش مصنوعی بر دو نوع ناکارآمدی تخصیص منابع است: مازاد منابع (موجودی بیش از حد، ماشین‌آلات بیکار، نیروی کار اضافی) در مقابل کمبود منابع (نداشتن سرمایه کافی برای یک پروژه خوب، نبود تخصص لازم).

داده‌ها نشان می‌دهد که هوش مصنوعی در کاهش مازاد منابع بسیار مؤثرتر از رفع کمبودها عمل می‌کند. چرا؟ چون تشخیص و حذف مازاد اساساً یک مسئله بهینه‌سازی است: با استفاده از الگوریتم‌های پیش‌بینی تقاضا و تحلیل ظرفیت، هوش مصنوعی به راحتی می‌تواند بگوید چه مقدار موجودی اضافی است و کدام دستگاه‌ها را می‌توان به واحد دیگری منتقل کرد.

اما رفع کمبودها اغلب نیازمند منابع جدید (پول، استعداد، مواد) است که ممکن است در دسترس نباشد و به تصمیم‌گیری فراتر از داده – مانند سیاست‌گذاری کلان یا جذب سرمایه – نیاز دارد. بنابراین مدیرانی که می‌خواهند بیشترین بهره را از هوش مصنوعی ببرند، بهتر است ابتدا سراغ حذف اتلاف و مازاد بروند.

یافته‌های این پژوهش برای سیاست‌گذاران نیز پیام روشنی دارد. اگر هوش مصنوعی می‌تواند کارایی تخصیص منابع را تا این حد بالا ببرد، دولت‌ها باید بستر را برای پذیرش گسترده آن فراهم کنند. نخست، سرمایه‌گذاری در زیرساخت داده ضروری است. بسیاری از شرکت‌ها، به‌ویژه کوچک و متوسط، به داده‌های استاندارد شده و بسترهای امن اشتراک داده دسترسی ندارند.

ایجاد پلتفرم‌های ملی داده می‌تواند این شکاف را پر کند. دوم، حمایت مالی از آزمایش و نوآوری: هزینه اولیه پیاده‌سازی هوش مصنوعی بالاست. ارائه مشوق‌های مالیاتی، کمک‌های بلاعوض برای پروژه‌های پایلوت و تسهیلات کم‌بهره به شرکت‌ها انگیزه می‌دهد. سوم، توسعه نیروی کار ماهر از طریق آموزش و بازآموزی نیروی انسانی متناسب با عصر هوش مصنوعی، هم از طریق دانشگاه‌ها و هم از طریق دوره‌های فنی-حرفه‌ای ضروری است.

چهارم، تسهیل مقررات: ساده‌سازی فرآیندهای مجوزدهی، تدوین استانداردهای امنیت داده و ایجاد محیط‌های آزمایشی برای استارتاپ‌های هوش مصنوعی، موانع ورود را کاهش می‌دهد. در صنایعی مانند تولید، لجستیک و کشاورزی که بیشترین هدررفت منابع دیده می‌شود، دولت می‌تواند مستقیماً میان ارائه‌دهندگان راهکارهای هوش مصنوعی و شرکت‌های معمولی ارتباط برقرار کند و همکاری‌های دسته‌جمعی را تسهیل نماید.

در سطح شرکت نیز مدیران بدون نیاز به انتظار برای اقدام دولت، می‌توانند از امروز شروع کنند. پیشنهاد می‌شود ابتدا ممیزی داخلی انجام دهند تا دقیقاً مشخص کنند منابع در کجا هدر می‌روند: موجودی انبار، ظرفیت بیکار ماشین‌آلات، نیروی انسانی کم‌بازده. سپس با استفاده از ابزارهای ساده هوش مصنوعی مانند سیستم‌های پیش‌بینی تقاضا، نرم‌افزارهای بهینه‌سازی زنجیره تأمین و پلتفرم‌های تحلیل استعدادها، گام‌های اولیه کم‌هزینه و پراثر بردارند.

توجه به کیفیت و یکپارچگی داده بسیار حیاتی است؛ بدترین سناریو این است که هوش مصنوعی با داده‌های کثیف، پراکنده یا ناقص تغذیه شود. بنابراین پیش از هر چیز روی حکمرانی داده سرمایه‌گذاری کنید. همچنین باید فرهنگ داده‌محور بسازید: کارکنان را آموزش دهید تا خروجی مدل‌های هوش مصنوعی را درک کنند و به جای تصمیم‌گیری شهودی، از آن‌ها به عنوان ابزار کمکی استفاده کنند.

در نهایت، به صورت پلکانی پیش بروید: با یک پروژه پایلوت در یک بخش پرتأثیر (مثلاً مدیریت موجودی یک کارخانه) شروع کنید، نتایج را اندازه بگیرید، سپس به تدریج گسترش دهید.

البته این پژوهش نیز محدودیت‌هایی دارد. تمرکز آن فقط بر شرکت‌های چینی نوع A بوده و تعمیم نتایج به کشورها و صنایع دیگر نیاز به تحقیقات بیشتری دارد. همچنین شاخص پذیرش هوش مصنوعی بر اساس تکرار کلیدواژه در گزارش‌های سالانه است که ممکن است با واقعیت میدانی فاصله داشته باشد – بعضی شرکت‌ها ممکن است ادعا کنند بدون آنکه واقعاً پیاده کرده باشند.

افزون بر این، تأثیر بلندمدت هوش مصنوعی بر تخصیص منابع، از جمله اثرات بالقوه منفی مانند بیکاری یا تمرکز بیش از حد ثروت، هنوز به خوبی بررسی نشده است. پژوهش‌های آینده می‌توانند با پوشش شرکت‌های بیشتر از کشورهای گوناگون و با استفاده از معیارهای مستقیم‌تر، تصویر کامل‌تری ارائه دهند. با این حال، آنچه تاکنون روشن شده این است که در دنیایی با پیچیدگی و پویایی روزافزون بازارها، تکیه بر روش‌های سنتی تخصیص منابع دیگر پاسخگو نیست.

این پژوهش با شواهد تجربی قوی نشان می‌دهد که هوش مصنوعی، هم از طریق افزایش بهره‌وری کل عوامل و هم از طریق شفاف‌سازی اطلاعات، می‌تواند به شرکت‌ها کمک کند تا منابع خود را بسیار کارآمدتر از گذشته به کار گیرند. اگرچه چالش‌هایی در مسیر پذیرش گسترده وجود دارد، مزایای حاصل از آن – کاهش هدررفت، افزایش سودآوری، تقویت رقابت‌پذیری – به قدری چشمگیر است که هیچ بنگاه اقتصادی آگاه به آینده نمی‌تواند آن را نادیده بگیرد.

= = = = = = = = = = = =

روزهای جمعه میتوانید در پایگاه خبری بهره ورنیوز، ترجمه مقالاتی در حوزه بهره وری را که در معتبرترین مراجع منتشر شده است، را با عنوان «مجله بهره وری» مطالعه کنید.

این مقاله ترجمه ای است از «How does artificial intelligence improve firms’ resource allocation efficiency?» نوشته شوانگ‌کشوان سان (Shuangxuan Sun) و شیائویون ژو (Xiaoyun Zhou) از دانشکده اقتصاد و مدیریت آنتای، دانشگاه جیائو تونگ شانگهای، چین است.

مطالب مرتبط:

مجله بهره‌وری (۳۷): ترجمه دانش به عمل: بررسی اجمالی ابتکارهای آموزشی سازمان بهره‌وری آسیایی

مجله بهره‌وری (۳۶): مسیر بهره‌وری به‌سمت گذار از کشورهای کمتر توسعه‌یافته

مجله بهره‌وری (۳۵): بهبود بهره‌وری در تولید سبزیجات گلخانه‌ای

مجله بهره‌وری (۳۴): افزایش بهره‌وری بانک‌ها از طریق ساده‌سازی در مقیاس بزرگ

مجله بهره‌وری (۳۳): افزایش بهره‌وری در دولت فدرال ایالات متحده

مجله بهره‌وری (۳۲): مقدمه‌ای بر هوش مصنوعی و اقتصاد دانش

مجله بهره‌وری (۳۱): افزایش بهره‌وری از طریق همکاری بین‌رشته‌ای و توسعه مهارت

مجله بهره‌وری (۳۰): هماهنگ‌سازی سیاست‌ها برای بهره‌وری ملی: رویکردی استراتژیک برای رشد پایدار

مجله بهره‌وری (۲۹): تغییرات اقلیمی و بهره‌وری در چشم‌انداز کشورهای آسیایی

مجله بهره‌وری (۲۸): سیستم‌های توزیع مواد غذایی مدرن و دنیای امروز

مجله بهره‌وری (۲۷): فناوری‌های ساختارشکن و آینده بهره‌وری