هوش مصنوعی قرار نیست مدیر را حذف کند و قرار نیست همه مشکلات صنعت را حل نماید. ارزش واقعی آن در جای دیگری است: در اینکه بتواند حجم بزرگی از اطلاعات را سریعتر تحلیل کند، الگوهایی را که برای انسان دشوار است آشکار سازد، امکان پیشبینی ایجاد کرده و زمان مدیر را از جمعآوری اطلاعات به تصمیمگیری منتقل کند.
به گزارش پایگاه خبری بهره ورنیوز، محسن یادبروقی، تحلیلگر راهبردی هوش مصنوعی، فناوری و نوآوری(مشاور و رئیس امور کارشناسی انجمن سازندگان تجهیزات صنعت نفت ایران- استصنا) در یادداشتی با عنوان «هوش مصنوعی؛ ابزار جدید مدیران صنعتی برای تصمیمگیری، بهرهوری و نوآوری؛ از هیجان فناوری تا حل مسئله در صنعت» نوشته است:
هوش مصنوعی دیگر موضوعی برای نمایشگاههای فناوری یا بحثهای آیندهپژوهانه نیست. این فناوری آرامآرام وارد کارخانهها، واحدهای تحقیق و توسعه، زنجیره تأمین و حتی جلسات مدیران شده است. به همین دلیل، بحث امروز صنعت، دیگر این نیست که «آیا باید از هوش مصنوعی استفاده کنیم یا نه؟»؛ مسئله مهمتر این است که هوش مصنوعی دقیقاً در کدام بخش از صنعت میتواند ارزش ایجاد کند؟
این پرسش ساده به نظر میرسد، اما پاسخ آن چندان ساده نیست. صنایع امروز با مجموعهای از مشکلات همزمان روبهرو هستند؛ از افزایش هزینه تولید و محدودیت منابع گرفته تا نوسانات بازار، دشواری تأمین مواد اولیه، کمبود نیروی متخصص، فشار برای کاهش زمان تحویل و ضرورت افزایش بهرهوری. در چنین شرایطی طبیعی است که مدیران به فناوریهای جدید بهعنوان راهی برای حل بخشی از این مسائل نگاه کنند.
گزارشهای AI Index دانشگاه استنفورد در سالهای ۲۰۲۴ و ۲۰۲۵ نیز نشان میدهد که قابلیتهای هوش مصنوعی و دامنه استفاده از آن در سازمانها با سرعت قابل توجهی در حال گسترش است [۱،۲]. با این حال، یک فاصله جدی میان «استفاده از ابزارهای AI» و«خلق ارزش اقتصادی با AI » وجود دارد. به بیان روشنتر، خرید یک نرمافزار هوش مصنوعی، یک شرکت را هوشمند نمیکند. مسئله را پیدا کنیم، بعد سراغ AI برویم.
یکی از اشتباهات رایج در مواجهه با هوش مصنوعی این است که سازمان ابتدا فناوری را انتخاب کرده و بعد به دنبال کاربرد آن میگردد. گاهی حتی پروژهای با عنوان «استقرار هوش مصنوعی» تعریف میشود، بدون اینکه معلوم باشد قرار است کدام مسئله کسب وکار حل شود. مسیر درست باید برعکس باشد. مدیر ابتدا باید بپرسد: درد اصلی سازمان کجاست؟ آیا سفارشها با تاخیر تحویل میشوند؟ آیا ضایعات تولید بالاست؟
چرا برخی ماشینآلات مرتباً از کار میافتند؟ چرا موجودی انبار بیش از نیاز است؟ آیا پیشبینی فروش قابل اعتماد نیست؟ چرا طراحی محصول زمان زیادی میبرد؟ یا اینکه اطلاعات و تجربهای که سالها در سازمان تولید شده، بهراحتی در دسترس مدیر و کارشناس قرار ندارد؟ بعد از مشخصشدن مسئله باید پرسید: آیا AI واقعاً میتواند این مشکل را بهتر از روش موجود حل نماید؟ همین تغییر زاویه دید، تفاوت میان AI بهعنوان یک فناوری و AI بهعنوان یک ابزار مدیریتی است.
هنوز یک مرحله قبل از هوش مصنوعی داریم
پیش از آنکه درباره هوش مصنوعی صحبت کنیم، باید یک سوءتفاهم رایج را برطرف کنیم. دیجیتالیشدن، اتوماسیون و هوشمندسازی یک چیز نیستند. اگر یک فرم کاغذی را به فرم الکترونیکی تبدیل کنیم، دیجیتالیشدن اتفاق افتاده است. اگر سیستم بتواند بدون دخالت کاربر یک سفارش خرید ایجاد کند، اتوماسیون داریم.
اما وقتی سیستم بتواند با تحلیل اطلاعات گذشته و شرایط موجود، احتمال تأخیر یک سفارش را پیشبینی نماید، وارد حوزه هوشمندسازی شدهایم. این تفاوت برای صنعت بسیار مهم است؛ زیرا AI بر بستر فرآیند، داده و زیرساخت اطلاعاتی سازمان کار میکند. اگر دادهها ناقص، پراکنده یا غیرقابل اعتماد باشند، هوش مصنوعی نمیتواند بهسادگی این ضعف را جبران کند.در واقع، یکی از خطرهای تحول AI این است که سازمان بخواهد با یک فناوری پیشرفته، مشکلات قدیمی مدیریت خود را پنهان نماید.
هوش مصنوعی بینظمی سازمانی را بهطور خودکار درمان نمیکند.
AI در کارخانه چه کاری میتواند انجام دهد؟
کاربردهای هوش مصنوعی در صنعت بسیار گسترده است و از یک صنعت به صنعت دیگر تفاوت دارد. با این حال، چند حوزه تقریباً برای بیشتر صنایع اهمیت دارند.
از دانش سازمانی تا نوآوری
هر شرکت صنعتی، حتی اگر خودش متوجه نباشد، یک بانک بزرگ دانش دارد: گزارش پروژهها، نقشهها، سوابق تعمیرات، نتایج آزمونها، مشخصات محصولات، استانداردها، گزارشهای عدم انطباق و تجربه کارکنان. مشکل اینجاست که این دانش معمولاً پراکنده است و بخش مهمی از آن در ذهن کارکنان قرار دارد.
هوش مصنوعی میتواند دسترسی به این دانش را سریعتر و هوشمندتر کند؛ اسناد را جستوجو کرده، اطلاعات مرتبط را کنار هم قرار دهد، سوابق پروژهها را مقایسه و در اختیار مهندس یا مدیر قرار بگذارد. در تحقیق و توسعه نیز میتوان از AI برای بررسی روندهای فناوری، تحلیل بازار، شناسایی فرصتهای محصول و پشتیبانی از مراحل اولیه طراحی استفاده کرد. اما یک خط قرمز وجود دارد AI پیشنهاد میدهد؛ مسئولیت تخصصی همچنان با انسان است.
تولید؛ جایی که بهرهوری باید خودش را نشان دهد.
در کارخانه، ارزش AI باید در کف تولید دیده شود.
دادههای مربوط به ماشینآلات، ظرفیت خطوط، برنامه تولید، مواد اولیه، کیفیت و زمان عملیات میتوانند برای پیدا کردن گلوگاهها و پیشبینی اختلالات تحلیل شوند. تصور کنید مدیر تولید قبل از آنکه یک سفارش واقعاً از برنامه عقب بماند، از احتمال تأخیر آن مطلع شود.
در این حالت، AI به جای اینکه فقط یک گزارش تولید کند، به مدیر فرصت اقدام پیشگیرانه میدهد. اما معیار موفقیت روشن است. اگر AI قرار است در تولید استفاده شود، باید بتواند یکی از این شاخصها را بهبود دهد: کاهش زمان تولید، کاهش توقف، کاهش ضایعات، کاهش دوبارهکاری یا افزایش تحویل بهموقع. تعداد الگوریتمها و تعداد داشبوردها، شاخص بهرهوری نیستند.
کیفیت؛ تشخیص سریعتر، نه حذف متخصص
بینایی ماشین و تحلیل داده میتوانند در تشخیص عیوب و انحرافات فرآیند نقش مؤثری داشته باشند. این کاربرد بهخصوص در تولید انبوه جذاب است، اما در تولید سفارشی نیز تحلیل سوابق کیفیت میتواند الگوهای تکرارشونده خطا را آشکار کند. با این حال، استفاده از AI نباید به معنای حذف مسئولیت کارشناس کیفیت باشد. هدف اصلی باید این باشد که متخصص سریعتر و دقیقتر تصمیم بگیرد.
از همین نویسنده بخوانید
مجله بهرهوری (۴۲): شکاف خاموش
مجله بهرهوری (۴۱): صنعت ۶.۰؛ آیا ایران بازیگر خواهد بود یا تماشاگر؟!
مجله بهرهوری (۴۰): وقتی موفقیت به یک ریسک راهبردی تبدیل میشود
مجله بهرهوری (۳۹): راز واقعی موفقیت تویوتا
نگهداری؛ حرکت از واکنش به پیشبینی
در بسیاری از کارخانهها، تعمیرات هنوز زمانی جدی گرفته میشود که ماشین خراب شده است. AI میتواند این منطق را تغییر دهد. دادههایی مانند دما، ارتعاش، فشار، مصرف انرژی و سایر پارامترهای عملکردی، در صورت وجود داده مناسب و زیرساخت لازم، میتوانند برای شناسایی نشانههای اولیه خرابی تحلیل شوند. ارزش اقتصادی این کار روشن است: کاهش توقف تولید، کاهش تعمیرات اضطراری و افزایش قابلیت اطمینان تجهیزات.
زنجیره تأمین؛ جایی که تصمیم اشتباه هزینه دارد
کمبود مواد اولیه، تأخیر تأمینکنندگان و افزایش موجودی از مشکلات مشترک بسیاری از صنایع است. AI میتواند در پیشبینی تقاضا، تحلیل عملکرد تأمینکنندگان، مدیریت موجودی و شناسایی ریسکهای زنجیره تأمین کمک کند. اما باز هم باید از شیفتگی به فناوری فاصله گرفت. سؤال اصلی این نیست که «مدل چقدر پیچیده است؟» بلکه این است که آیا موجودی کاهش پیدا کرده، توقف تولید کمتر شده و خرید اضطراری کاهش یافته است یا نه؟
مدیر صنعتی آینده باید چه بداند؟
مدیر صنعتی آینده لزوماً برنامهنویس نخواهد بود. اما مدیری که قابلیتها و محدودیتهای AI را نشناسد، در آینده برای تصمیمگیری به دیگران وابسته خواهد شد. مدیر باید بتواند چند سؤال ساده اما اساسی بپرسد:
مسئله چیست؟
چه دادهای داریم؟
آیا داده قابل اعتماد است؟
AI دقیقاً کدام بخش مسئله را حل میکند؟
نتیجه چگونه اعتبارسنجی میشود؟
مسئول تصمیم نهایی چه کسی است؟
و موفقیت پروژه با چه شاخصی سنجیده خواهد شد؟
این همان چیزی است که میتوان آن را سواد مدیریتی هوش مصنوعی نامید.
از کجا شروع کنیم؟
برای بسیاری از شرکتها، شروع AI نباید یک پروژه بزرگ و پرهزینه باشد. یک مسیر ششمرحلهای میتواند ریسک را کاهش دهد.
مسئله ارزش اقتصادی آمادگی پایلوت ارزیابی مقیاسگذاری
ابتدا مسئله مشخص شود. سپس ارزش اقتصادی حل آن اندازهگیری شود. بعد آمادگی داده، زیرساخت و نیروی انسانی بررسی شود. یک پروژه کوچک و قابل اندازهگیری اجرا شود و نتیجه آن با وضعیت قبل مقایسه گردد. اگر ارزش واقعی اثبات شد، پروژه توسعه پیدا کند.
اصل این رویکرد بسیار ساده است:
از مسئله شروع کنید، نه از فناوری.
AI بدون ریسک نیست
نباید اجازه داد هیجان پیرامون هوش مصنوعی، ریسکهای آن را پنهان کند. مدلهای مولد ممکن است اطلاعات نادرست تولید کنند. دادههای محرمانه ممکن است در معرض خطر قرار گیرند و کیفیت خروجی الگوریتم به کیفیت داده وابسته است. چارچوب مدیریت ریسک هوش مصنوعی NIST و پروفایل هوش مصنوعی مولد این مؤسسه بر ضرورت شناسایی و مدیریت چنین ریسکهایی در چرخه عمر سیستمهای AI تأکید دارند]. ۳،۴]
برای صنایع، بهویژه در حوزههای مرتبط با ایمنی، کیفیت و قابلیت اطمینان، یک اصل باید جدی گرفته شود:
مسئولیت تصمیم را نمیتوان به یک الگوریتم واگذار کرد. AI باید قدرت تحلیل انسان را افزایش دهد، نه اینکه مسئولیت مدیر و متخصص را از بین ببرد.
سیاست صنعتی نیز باید تغییر کند
اگر قرار است هوش مصنوعی به افزایش بهرهوری صنعت کمک کند، سیاستگذاری نیز باید از نگاه صرفاً فناوریمحور فاصله بگیرد.ایجاد آزمایشگاه و برگزاری رویداد لازم است، اما کافی نیست. معیار اصلی باید حل مسائل واقعی بنگاهها باشد: افزایش بهرهوری، کاهش هزینه، توسعه محصول، ارتقای کیفیت، کاهش وابستگی و افزایش توان رقابت و صادرات. سیاست صنعتی موفق در حوزه AI، سیاستی نیست که بیشترین پروژه هوش مصنوعی را ایجاد کند؛ سیاستی است که بیشترین مسئله واقعی صنعت را با کمک هوش مصنوعی حل کند.
سخن آخر
هوش مصنوعی قرار نیست مدیر را حذف کند و قرار نیست همه مشکلات صنعت را حل نماید. ارزش واقعی آن در جای دیگری است: در اینکه بتواند حجم بزرگی از اطلاعات را سریعتر تحلیل کند، الگوهایی را که برای انسان دشوار است آشکار سازد، امکان پیشبینی ایجاد کرده و زمان مدیر را از جمعآوری اطلاعات به تصمیمگیری منتقل نماید. اما شرط آن روشن است.
AI از سازمان ضعیف، الزاماً سازمان هوشمند نمیسازد. شرکتی که میخواهد از هوش مصنوعی مزیت رقابتی بسازد، ابتدا باید مسئله خود را بشناسد، داده خود را سامان دهد، ارزش اقتصادی پروژه را مشخص و سپس فناوری مناسب را انتخاب کند.
شاید مهمترین سؤال مدیر صنعتی امروز این نباشد که: «هوش مصنوعی چه کارهایی میتواند انجام دهد؟» بلکه این باشد: «کدام مسئله صنعت من را میتوان با کمک هوش مصنوعی بهتر حل کرد؟» پاسخ به همین سؤال میتواند مرز میان هیجان فناوری و بهرهوری واقعی را مشخص کند.
پست الکترونیک نویسنده: mohsenborooghi@gmail.com
منابع
- Stanford Institute for Human-Centered Artificial Intelligence. AI Index Report 2024. Stanford University, 2024.
https://aiindex.stanford.edu/report/ - Stanford Institute for Human-Centered Artificial Intelligence. AI Index Report 2025. Stanford University, 2025.
https://aiindex.stanford.edu/report/ - National Institute of Standards and Technology. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1.
https://doi.org/10.6028/NIST.AI.100-1 - National Institute of Standards and Technology. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. NIST AI 600-1, 2024.
https://doi.org/10.6028/NIST.AI.600-1 - International Federation of Robotics. World Robotics 2024 – Industrial Robots. ۲۰۲۴.
https://ifr.org/worldrobotics/ - International Energy Agency. Energy and AI. Paris: IEA, 2025.
https://www.iea.org/reports/energy-and-ai
مطالب مرتبط:
مجله بهرهوری (۳۸): هوش مصنوعی چگونه کارایی تخصیص منابع شرکتها را بهبود میبخشد؟