از نویدبخش تا مولد: نتایج واقعی حاصل از هوش مصنوعی مولد در خدمات

 

مکنزی اند کامپنی[1] |  کوانتوم‌بلک[2]، AI توسط مکنزی

 

شیوهٔ عملیات

از نویدبخش تا مولد: نتایج واقعی حاصل از هوش مصنوعی مولد در خدمات

سازمان‌های خدماتی‌ای که نخستین پذیرندگان هوش مصنوعی مولد هستند دریافته‌اند که جهت کسب ارزش بیشتر، به قاعده‌مندی بیشتری نیاز دارند.

 

به‌کوشش خورخه آمار[3] و اوآنا ِچتا[4]  با همراهی ایوان هوانگ[5] و ِاستِفِن شو[6]

 

AI مولد[7] (gen AI)، علاوه بر روشی جهت مبارزه با فشار هزینه‌ها، عملیاتی را برای افزایش بهره‌وری فراهم می‌کند که رهبران انتظارش را دارند – تنها در صورتی که رهبران شروع به کار کنند. طبق یافته‌های آخرین پژوهش در زمینهٔ روندهای فناوری که مکنزی انجام داده است، تنها 11 درصد از شرکت‌ها در سراسر جهان در مقیاس مناسب از gen AI استفاده می‌کنند.[8]

 

عملیات یک شکاف عمده است: طبق نظرسنجی‌ای که در فوریهٔ ۲۰۲۴ از 150 مدیر در شرکت‌های بزرگ آمریکای شمالی و اروپا به عمل آمد، تنها 3 درصد از پاسخ‌دهندگان گفتند که سازمانشان یکی از موارد کاربرد gen AI را در حوزه‌ای مرتبط با عملیات مقیاس کرده است. نظرسنجی جداگانه‌ای که در آوریل 2024 از بیش از 250 رهبر عملکرد شرکتی[9] در سراسر جهان به عمل آمد، نشان داد که پیشرفت عملیات خدماتی تنها اندکی بهتر شده است. برای مثال، در عملکردهای مالی[10]، حدود 45 درصد از سازمان‌ها اکنون راهکارهای gen AI آزموده‌اند، در مقایسه با 11 درصد در سال 2023 – اما تنها 6 درصد به مقیاس دست یافته‌اند.

 

نتایج نشان می‌دهد که در میان مدیران عملیات دراین‌باره عدم‌قطعیت[11] وجود دارد که کدام‌یک از موارد کاربرد فراوانی که آن‌ها به کار برده‌اند مزیت رقابت[12] واقعی به همراه خواهد داشت. مدیران می‌دانند که تحقق ارزش کامل حاصل از سرمایه‌گذاری‌های آن‌ها در gen AI آنی نخواهد بود:‌دوسوم از پاسخ‌دهندگان نظرسنجی آوریل گاه‌شمار سه تا پنج‌ساله‌ای را در نظر گرفتند (شکل1).

 

اما بسیاری نیز گفتند که می‌خواهند از این مطمئن‌تر باشند که تعهداتشان سودمند است. یکی از مدیران عامل به‌تازگی به ما گفت، «تاکنون حدود 100میلیون دلار برای تأمین مالی صدها آزمایش gen AI هزینه کرده‌ایم ؛ برداشت دست‌کم مقداری از ارزش مربوطه به ما کمک خواهد کرد که بفهمیم کجا به سرمایه‌گذاریِ بیشتر می‌ارزد.» شرکت‌ها نیز به نقشهٔ راه مبهم، کمبود استعداد و حاکمیت رشدنیافته به‌عنوان موانع دیگری در مسیر مقیاس‌بندی اشاره کردند.

 

بااین‌وجود، اکنون تعداد کمی از شرکت‌ها ارزش واقعی را کسب کرده‌اند و بیش از 10 درصد از [13]EBIT خود را به استفاده‌شان از gen AI نسبت می‌دهند.[14] موفقیت‌های اولیه مانند این‌ها سه کار حیاتی در تنظیم gen AI برای مقیاس‌بندی در یک سازمان را نشان می‌دهد. نخستین مورد عبارت است از طراحی یک راهبرد عملیاتی منسجم و قاعده‌مند برای به‌کارگیری gen AI. این یعنی اولویت‌بندی موارد کاربرد برای ارزش بلندمدت با تمرکز بر پتانسیل آن‌ها نه‌تنها برای ایجاد تحول در نقاط یا حوزه‌های خاص فرایند بلکه برای بازنگری در گردش کارهای کامل.

 

دوم اینکه، برای پایداری تأثیر گسترده در طول زمان، شرکت‌ها باید روی توانمندسازهایی تمرکز کنند که از انسان‌هایی که gen AI را به کار می‌اندازند پشتیبانی می‌کنند – با ایجاد زیرساخت حاکمیتی و عملکردی لازم و نیز هم‌زمان، سرمایه‌گذاری روی مدیریت تحول[15] و فرهنگ نوآوری مداوم.

 

کار سوم اوج دو تای نخست است: ادغام متفکرانهٔ ابزارهای gen AI با قابلیت‌های انسانی جهت خلق پیشرفته‌ترین راهکارها، مانند عوامل مستقلِ[16] gen AI یا کمک‌خلبان‌ها[17]. موفق‌ترین مورد می‌تواند از پس تمام مراحل یک گردش کار پیچیده برآید. برای مثال، اکنون در یکی از بانک‌ها، عامل gen AI تفهیم‌نامه‌های ریسک اعتباری[18] را تنظیم می‌کند و درآمد تمام مدیران ارتباط[19] را تا 20 درصد افزایش داده است. و  کمک‌خلبان در بخش مالیِ یکی از سازندگان کالای نهایی[20] هزینه‌های عملیاتی[21] مربوط به برنامه‌ریزی و تجزیه‌وتحلیل مالی را تا بین 6میلیون دلار و 10میلیون دلار کاهش داده است.

 

به‌کارگیری راهبردی gen AI عملیاتی

همچون امواج پیشین توسعهٔ فناوری[22]، gen AI کابوس برزخ آزمون[23] را پدید می‌آورند که در آن، ده‌ها آزمایش در رسیدن به تأثیر پایدار شکست می‌خورند. سازمان‌هایی که تاکنون قابلیت‌های خود را در به‌کارگیری gen AI ایجاد کرده‌اند، هم در کوتاه‌مدت و هم در بلندمدت، شاهد بازدهی بهتری در سرمایه‌گذاری‌های خود روی gen AI هستند. آن‌ها به‌ویژه در تفکر ترتیبی[24]، با تمرکز بر مقیاس‌پذیری[25] و بازبهره‌پذیری[26]  بی‌نظیرند، طوری که می‌توانند در کل زنجیره‌های ارزش‌آفرینی[27] بازنگری کنند.

 

 

سازمان‌هایی که تاکنون قابلیت‌های خود را در به‌کارگیری gen AI ایجاد کرده‌اند، هم در کوتاه‌مدت و هم در بلندمدت، شاهد بازدهی بهتری در سرمایه‌گذاری‌های خود روی gen AI هستند.

 

 

 

اکنون ایجاد این نوع بلوغ در تحول gen AI ضروری است و زمان چندانی برای شرکت‌ها باقی نمی‌گذارد که تلف کنند. مطلوب این است که درس‌های حاصل از اپلیکیشن‌های قدیمی‌تر و کم‌ریسک‌تر gen AI قابلیت‌های حیاتی‌ای ایجاد کند که به موفقیت اپلیکیشن‌های جدیدتر و پرریسک‌تر (و با پاداش بالاتر) کمک کند.

 

اولویت‌بندی موارد کاربرد

تجربهٔ یک بانک جهانی مزایای به‌کارگیری راهبردی gen AI را نشان می‌دهد. نخست، بر اساس ارزیابی دقیق تأثیر تجاری[28] و امکان‌سنجی فنی[29]، از 23 حوزهٔ بالقوه برای استفاده از gen AI تنها دو مورد را غربال کرد: مرکز تماس[30] در واحد بانکداری خردِ[31] خود و عملیات احراز هویت مشتری[32] (KTC) برای بانکداری شرکتی و سرمایه‌گذاری[33]. با وجود تفاوت‌های آشکار، ‌این دو حوزه نه‌تنها پتانسیل بالایی برای تأثیرگذاری gen AI از خود نشان دادند بلکه شباهت‌های اندکی نیز داشتند، به‌ویژه برای استخراج و تلفیق دانش[34] مبتنی بر gen AI. همین فناوری‌ها می‌توانند به مشتریانی که به‌دنبال اطلاعات و کارمندانی که به‌دنبال مستندات داخلی[35] هستند کمک کنند تا این فناوری زیربنایی به نحو مؤثرتری مورد استفادهٔ مجدد و مقیاس‌بندی قرار گیرد (شکل2).

 

برای تعیین اینکه کدام‌یک از این دو فینالیست اول شروع به کار می‌کند، این شرکت از معیار دیگری هم استفاده کرد: ریسک. ماهیت محرمانهٔ[36] ‌داده‌های عملیات KYC آن را به هدفی با ریسک بالاتر تبدیل کرد، در نتیجه این بانک به‌جای آن با مرکز تماس شروع کرد. تصمیم راهبردی نهایی مربوط به این بود که کدام‌یک از موارد کاربرد در امور مشتریان[37] به کار برود. با اولویت‌قراردادن «توانایی مقیاس‌بندی» و «بازبهره‌پذیری»، ربات مکالمه[38] در صدر قرار گرفت: پیاده‌سازی آن به‌نسبت راحت است، نتایج سنجش‌پذیر تولید می‌کند و جهت ساخت مبنایی برای موارد کاربرد مشابهی که داده‌های پیچیده را استخراج و تلفیق می‌کنند سودمند است.

 

پرسش اصلی این است: «gen AI چگونه می‌تواند در بازاندیشی پیرامون عملیات‌هایم به من کمک کند؟» پاسخ به این پرسش به‌معنای بررسی دوبارهٔ هر یک از فرایندها به‌عنوان بخشی از یک گردش کار بزرگ‌تر است.

 

 

از این گذشته، درس‌های حاصل از مرکز تماس مبنای بازبهره‌پذیری ایجاد کرده است  که این بانک می‌تواند برای عملیات KYC ترتیب دهد. ربات‌های مکالمه اکنون جزئی از یک «دستیار مجازی هوشمند[40]» هستند که مدیران ارتباط را از طریق یک فرایند KYC بسیار خودکارتر راهنمایی می‌کند. این دستیار مجازی می‌تواند اطلاعات مشتری را از پیش در فرم‌ها درج کند، تعیین کند که کدام اسناد موردنیازند، بارگذاری داده‌ها را تأیید کند و هرگونه اطلاعات گم‌شده[41] را پیگیری کند.

 

از راهکارهای نقطه‌ای تا گردش کارهای کامل

بااین‌حال، همان‌طور که مثال بانک نشان می‌دهد،‌ پرسش عملیاتی اصلی از AI مولد این نیست که «gen AI چگونه می‌تواند در بهبود فرایندهای فعلی به من کمک کند؟» «بهبود» فرایند اغلب به‌معنای پرداختن به تنها یک علامت است تا شرایط زیربنایی – برای مثال، استفاده از gen AI برای ایجاد خودکار یادداشت‌برداری و اقلام نیازمند اقدام[42] برای جلسات بدون توجه به اینکه اصلاً چرا این‌همه جلسه وجود داشت.

 

بنابراین، پرسش اصلی بسیار گسترده‌تر است: « gen AI چگونه می‌تواند در بازاندیشی پیرامون عملیات‌ها به من کمک کند؟» پاسخ به این پرسش به‌معنای بررسی دوبارهٔ هر یک از فرایندها به‌عنوان بخشی از یک گردش کار بزرگ‌تر است – و، در بسیاری از موارد، ‌به‌عنوان بخشی از سفر مشتری یا کاربر.

 

شکستن مرزها برای خدمات بهتر. برای نشان‌دادن تفاوت،‌ مورد یکی از شرکت‌های تلفن[43] پیشروی آمریکای شمالی را در نظر بگیرید که انجام اولویت‌بندی موارد کاربرد[44] توسط آن باعث شد که بر امور مشتریان تمرکز کند. شرکت به‌جای شروع با بررسی اینکه ابزارهای gen AI چگونه می‌توانند مراحل خاص فرایند را در این امور بهبود دهند، به عقب برگشت و در عوض پرسید که gen AI چگونه می‌تواند با شیوه‌های مرسومِ پیشرفت فرایند و استعدادهای جدید ترکیب شود تا بهره‌وری در عملکرد امور مشتریان به‌طور کلی افزایش یابد.

 

این تغییر دیدگاه شرکت  را بر آن داشت تا سفرهای مشتری خود را دوباره ارزیابی کند و با ترسیم همهٔ نقاط تماس[45] به‌طرز مرسوم، یعنی از تماس اولیه تا راه‌حل[46] نهایی، شروع کرد. رهبران شرکت، با دراختیارداشتن روندنماهای[47] حاصل، هر یک از مراحل فرایند را مورد بررسی قرار دادند تا ببینند که آیا زیادی پیچیده یا غیرضروی هست یا خیر . شرکت تأثیر مرحلهٔ مربوطه را بر تجربهٔ مشتری (مانند افزایش پیچیدگی یا زمان انتظار) نسبت به خطرات بالقوهٔ حاصل از حذف آن (مانند افزایش کلاهبرداری یا نقایص امنیتی) در نظر گرفت.

 

به‌عنوان مثال،‌ پس از آنکه شرکت سفر تغییر شماره‌تلفن را ترسیم کرد، یک مرحلهٔ خاص آن‌قدر پیچیده  و دشوار ظاهر شد که شرکت این امکان را به مشتریان داد تا در ازای کارمزد آن را به کارکنان محول کنند. اما چون مشتریان تمایلی به پرداخت نداشتند، کارکنان اغلب آن‌ها را تا پایان مرحله راهنمایی می‌کردند – جایگزینی پرهزینه برای مرکز تماس. هنگامی که شرکت دلایل گرفتارشدن مشتریان را دریافت، ‌توانست یک راهکار خودسرویس[48] طراحی کند. در ترکیب با سایر فناوری‌ها، قابلیت‌های gen AI جهت ارائهٔ راهنمایی دقیق و خودکار نشان می‌داد که شرکت می‌توانست، هم‌زمان با حذف کامل کارمزد، میانگین مدت (و هزینهٔ) تماس[49] را کاهش دهد، و این یعنی بهبود تجربهٔ مشتری (شکل3).

 

تجزیه‌وتحلیل عمیق‌تر پیرامون دلایل اصلی مشکلات مشتریان نیز ناهماهنگی‌های داخلی‌ای را آشکار ساخت که شرکت باید به آن‌ها رسیدگی می‌کرد، پیش از آنکه gen AI راهکار ارائه دهد – مانند زمانی که تغییر قیمت‌ها به‌دست تیم بازاریابی منجر به موجی از تماس‌های مشتریان شد که تیم امور مشتریان قادر به مدیریت آن نبود. عوامل[50]، بی‌اطلاع از این تغییرات و  اغلب در حلقه‌های متعدد، مشتریان را به سایر بخش‌ها انتقال می‌دادند و این امر تیم امور مشتریان را واداشت تا، به امید حفظ مشتریان سرخورده، تخفیفات زیادی ارائه دهد.

 

از این رو،‌ شرکت گردش کارهای چندمنظورهٔ خود را اصلاح کرد به‌گونه‌ای که تیم امور مشتریان توانست در همکاری با بازاریابی دغدغه‌های احتمالی مشتریان را پیش‌بینی کند و واکنش‌های مناسب را از قبل شکل دهد. رهبران نیز مهارت‌های موردنیاز در تیم‌های خدماتی را بازنگری کردند و پروفایل‌های جدیدی برای استعدادها (و پودمان‌هایی[51] برای ایجاد قابلیت مربوطه) به وجود آوردند که می‌توانست با این گردش کارها تکامل یابد. تغییر در مدل همکاری داخلی مبنای یکی از گزینه‌های خودسرویس بعدی مبتنی  بر gen AI را پدید آورد و در عین حال، ابزارهای تحلیلی AI تخصیص کارکنان را بهینه می‌ساختند تا پوشش بیشتری برای مرکز تماس فراهم شود.

 

آزادسازی ظرفیت‌های کارمندان. سفرهای کارمندان تکهٔ نهایی این پازل بود. شرکت تمام مراحل تجربهٔ عامل[52] را تجزیه‌وتحلیل کرد، از ورود به سامانه تا برآوردن درخواست‌های مشتریان و تکمیل وظایف. این تحلیل مستلزم ساده‌سازی فرایندها و کاهش پیچیدگی سامانه‌های فناوری‌ای بود که عوامل باید با آن‌ها تعامل می‌کردند. شرکت تلفن نیز ناهماهنگی‌های بالقوه‌ای را میان مشوق‌های عوامل و نیازهای مشتریان شناسایی کرد و تضمین کرد که به عوامل مشوق‌هایی می‌دهد تا رضایت و رفع نیازهای مشتریان را در اولویت قرار دهند، به‌جای آنکه صرفاً حجم بالای تماس‌ها را کنترل کنند.

 

شرکت تلفن، با اتخاذ رویکرد یکپارچه به بهینه‌سازی گردش کار به‌عنوان بخشی از سفرهای حیاتی و با ایجاد gen AI بر مبنای انواع مختلف پیشرفت‌های آنالوگ و مبتنی بر فناوری، به پیشرفت چشمگیر و ماندگاری در عملکرد امور مشتریان دست یافت. حجم کل تماس‌ها تا حدود 30 درصد و میانگین زمان رسیدگی[53] تا بیش از یک‌چهارم کاهش یافت، درست همان موقعی که کیفیت خدمات بهبود یافت: نرخ برآوردن درخواست در نخستین تماس[54] به‌میزان ده تا 20 واحد درصد[55] افزایش یافت.

 

راز (انسانی) تا مقیاس

همچون فناوری‌های پیشین‌، پتانسیل کامل gen AI به رسیدن آن به مقیاس در سراسر یک سازمان بستگی دارد. تعداد کمی از شرکت‌ها به این نقطه دست یافته‌اند. تجربهٔ آن‌ها بر اهمیت چهار عنصری تأکید می‌کند که همگی متمرکز بر انسان هستند تا فناوری. دو عنصر نخست راهنمایی حیاتی را ارائه می‌دهند؛ دو مورد دوم، با تمرکز ویژه بر مدیریت تحول، روش کار افراد را دقیق‌تر تغییر می‌دهند.

 

حاکمیت

به‌کارگیری موفقیت‌آمیز gen AI‌ نمی‌تواند موردی[56] باشد. این نه‌تنها به‌دلیل مخاطرات شناخته‌شدهٔ gen AI – از داده‌های آموزشی غیردقیق برای ابزارهای مبتنی بر gen AI تا «توهماتی» که سبب نتایج نادرست می‌شود – بلکه به‌دلیل تمایل پیشرفته‌ترین سازمان‌ها (آن‌هایی که بیش از 10 درصد EBIT را از gen AI به دست می‌آورند) به متمرکزسازی ابتکارات خود در زمینهٔ gen AI است. در مقایسه با تنها 35 درصد شرکت‌های دیگر، حدود نیمی از این افراد با عملکرد بالا خبر از متمرکزسازی می‌دهند.

 

 

همچون فناوری‌های پیشین‌، پتانسیل کامل gen AI به رسیدن آن به مقیاس در سراسر یک سازمان بستگی دارد. تعداد کمی از شرکت‌ها به این نقطه دست یافته‌اند.

 

 

مؤلفه‌های ساختار حاکمیت به پشتیبانی از اجرای سریع و استانداردهای رایج کمک می‌کند (شکل4). حقوق تصمیم‌گیری واضح به‌خصوص برای ارزیابی طرح‌های gen AI مهم هستند، طرح‌هایی که در یک فرایند بررسی شفاف تأیید می‌شوند، فرایندی که دارای استانداردهای روشنی برای هر یک از مراحل گذر[57] است.

 

زیرساخت عملکرد، داده‌ها و تجزیه‌وتحلیل‌ها

نوسازی ساختار عملکرد برای سازگاری تغییرات gen AI با چشم‌انداز کاریْ حیاتی است. نخستین مرحله بازتعریف معیارها برای نشان‌دادن راهبرد عملیاتی جدید شرکت – و برای این است که رهبران نحوهٔ پیشرفت خود gen AI را در سازمان ببینند. چنین معیارهایی می‌تواند در ایجاد و حفظ نتایج مثبت به سازمان کمک کند. در مرحلهٔ بعد،‌ یک فرایند بررسی قاعده‌مند معطوف به مراحل گذر با معیارهای روشن پذیرش/عدم‌پذیرش[58] به‌کارگیری‌های صرفاً نویدبخش را از آن‌هایی که به احتمال زیاد مولد هستند جدا می‌کند. در نهایت،‌ زمانی که عملکرد gen AI کند پیش می‌رود، شرکت‌ها می‌توانند با سنجش بهتر دستاوردهای بهره‌وری، پیشرفت‌های تجربهٔ مشتری و خروجی‌های مربوطه، برنامه‌های مربی‌گری و آموزش را متناسب با کارکنان و مداخلات انسانی ایجاد کنند.

 

 

 

مدیریت تحول

بدیهی است که تغییر فناوری بخش دشوار تحول یک سازمان نیست – این تغییر روش کار افراد است که دشوار است. ظاهراً تجربهٔ اولیه نشان می‌دهد که این امر در مورد gen AI بدیهی‌تر هم هست، که در رابطه با آن این حساب سرانگشتی خوبی است که «به‌ازای هر دلاری که صرف توسعهٔ مدل می‌شود، شرکت باید در نظر داشته باشد که سه دلار صرف مدیریت تحول کند.»

 

ارتباط نقطهٔ شروع است. سازمان‌ها می‌توانند، با به‌روزرسانی انتظارات و رفع پریشانی‌های احتمالی، به پذیرش آینده کمک کنند و فرهنگ تفاهم را در میان کارمندان پدید آورند. اما گوش‌دادن به حرف‌های کارکنان از اینکه فقط با آن‌ها صحبت شود بهتر هم هست: تخصص و دانش آن‌ها می‌تواند میان راهکارهای باثبات و مقرون‌به‌صرفهٔ مبتنی بر gen AI و گیمیک‌های[59] gen AI که تأثیر چندانی ندارند تفاوت ایجاد کند. به‌موازات آن، ابتکارات مهارت‌افزایی و مهارت‌آموزی می‌تواند برای هموارسازی این گذار[60]سودمند باشد.

 

فرهنگ نوآوری مداوم

جشن‌گرفتن موفقیت‌ها و مطرح‌ساختن بهترین شیوه‌ها به‌ویژه در رابطه با فناوری جدیدی مانند gen AI که چرخه‌های نوآوری در آن کوتاه هستند بسیار مهم است. واضح است که عقب‌نیفتادن از آخرین فرصت‌ها هم نیازمند تلاش است و هم پذیرندگی[61] است: مسئله «خرید در برابر ساخت» نیست بلکه «خرید و ساخت» است، یعنی بررسی مداوم آنچه بازار عرضه می‌کند.

 

سازمان‌ها می‌توانند محیطی ایجاد کنند که کارکنان خط مقدم در آن این اختیار را داشته باشند که ایده‌ها را، صرف‌نظر از منبعشان، ارائه دهند – و بتوانند با آسودگی خاطر در فرضیاتی که پیرامون نقش بالقوهٔ شرکا و فروشندگان در تأمین نوآوری وجود دارد بازنگری کنند. سازمان‌ها می‌توانند از طریق بازخورد و نوآوری به پیشرفت مداوم کمک کنند و به این ترتیب، تجربهٔ عامل و مشتری را بهینه سازند، در عین حال که ارزش gen AI را به حداکثر می‌رسانند.

 

به‌عنوان مثال، مورد یکی از شرکت‌های پیشروی اروپا در زمینهٔ رسانه و مخابرات را در نظر بگیرید. این سازمان، جهت صنعتی‌سازی و مقیاس‌بندی gen AI تا سال 2024، مأموریتی را آغاز کرد که انتظار می‌رود ظرف یک سال دیگر منافع مشهودی داشته باشد. رویکرد شرکت صرفاً دربارهٔ پیگیری آخرین روند فناوری نبود؛ دربارهٔ اختیاردهی به نیروی کار خود و تحول در تجربهٔ مشتری بود. این شرکت، به‌منظور تحقق دیدگاه خود، یک مورد کاربرد با تأثیرگذاری بالا را شناسایی کرد: کمک‌خلبانی مجهز به gen AI که طراحی می‌شود تا امکان بازیابی سریع‌تر و مؤثرتر دانش را در طول تماس‌ها برای عوامل خدمات مشتری فراهم سازد.

 

این شرکت مطلع‌ودرگیرنگه‌داشتن عوامل را در اولویت‌های بالای خود  داشت و هر هفته میزبان کارگروه‌ها بود تا بازخوردهای کیفی آن‌ها را پیرامون کاربردپذیری[62] و طراحی دریافت کند. از این گذشته،‌ عوامل پاسخ‌های حاصل از AI را رتبه‌بندی می‌کردند و بازخوردهای کمی به این شکل دریافت می‌شد. «ساعات اداری» انجمنی را برای پرسش‌ها و به‌روزرسانی پروژه‌ها فراهم می‌آورد که حس مالکیت را در میان عوامل تقویت می‌کرد. این شفافیت در کاهش ناکامی‌های احتمالی سودمند بود و اطمینان می‌داد که عوامل این حس را دارند که در موفقیت این کمک‌خلبان سرمایه‌گذاری کرده‌اند – و به تغییرات اساسی در طراحی انجامید.

 

این رویکرد کاربرمحور[63] نه‌تنها در پالایش کمک‌خلبان مورد نظر بلکه در کمک به مقیاس‌بندی موفقیت‌آمیز هم مفید واقع شد. با گنجاندن عوامل خط مقدم در اوایل فرایند، شرکت اطمینان یافت که این راهکار مشکلات واقعی موجود در فرایندهای جاری را حل می‌کند و خدمات مشتری و تجربهٔ عامل[64] را بهبود می‌بخشد. نتیجهٔ نهایی کاهش 65درصدی در میانگین زمان رسیدگی برای عوامل در یافتن دانش مربوطه بود.

 

تقویت پیشرفته‌ترین مرحله در توسعهٔ[65] gen AI

پیشرفته‌ترین شرکت‌ها اکنون ابزارهایی را در هم آمیخته‌اند که می‌تواند به رفع برخی از محدودیت‌های موجود در مدل‌های زبانی بزرگ[66] (LLMs) و فناوری‌های تولید به‌همراه بازیابی[67] (RAG) در هستهٔ موج اولیهٔ gen AI کمک کند. به‌ویژه،‌ LLMs و RAG با فرایندهای پیچیده مشکل دارند – اما خودکارسازیِ تنها بخشی از یک فرایند، حتی در سطح بالای پایایی، اغلب ساعت کاری کافی برای ایجاد مزیتِ بسیار خالی نمی‌کند. نبود تأیید متقابل[68] می‌تواند LLMs و RAG را مستعد خطا کند. LLMs نیز محدود به اپلیکیشن‌های متنی هستند، در حالی که ساخت و مقیاس‌بندی LLMs و RAG که از منابع داده‌ای مختلف استفاده می‌کنند ‌هزینه‌بر است. در نهایت، LLMs تنها قابلیت‌های محدودی در تجزیه‌وتحلیل کمی دارد و این کل جریان‌های ارزش را از دسترس خارج می‌کند.

در مقابل، سامانهٔ چندعاملی[69] به انسان کمک می‌کند تا، اغلب با تقویت مدل‌ها به‌وسیلهٔ تخصص انسانی، ماشین‌ها را برای اجرای گردش کارهای پیچیده آموزش دهد. مورد چندعاملیْ یک فرایند را به‌صورت بازگشتی به وظایف کوچک‌تر تجزیه می‌کند تا زمانی که هر وظیفه بتواند به‌نحوی پایا اجرا شود و به این ترتیب، خود را اصلاح می‌کند و کیفیت نتیجهٔ مربوطه را بهبود می‌بخشد.

 

این رویکرد به بانکی در آمریکای شمالی امکان داده تا برای نوشتن تفهیم‌نامه‌های ریسک اعتباری که کاری کسل‌کننده و زمان‌بر است و فرصت چندانی برای خطا ندارد گردش کارهای خود را متحول سازد. مدیران ارتباط[70] (RMs) یک تا سه روز را صرف گردآوری داده از ده‌ها منبع (یا بیشتر)، تجزیه‌وتحلیل وابستگی‌های متقابل[71] متعدد و در نهایت، نوشتن تفهیم‌نامه‌ای 20صفحه‌ای کردند که استدلال‌های ظریفی جهت حمایت از تصمیم‌گیری برای وام ارائه می‌دهد.

 

اکنون یک سامانهٔ چندعاملی منابع درست داده‌ها را به‌طور خودکار شناسایی می‌کند، داده‌های به‌روز را دریافت می‌کند و بینش‌های کمی و کیفی‌‌ای را ادغام می‌کند که نشان‌دهندهٔ آخرین قوانین کسب‌وکار و آخرین محصولات تجاری است. منابع داده‌ای هر یک از فرضیات را می‌آورد و منطق کلیدی در پس روندهای کمی را ارائه می‌دهد، در عین حال، نظرات خردمندانه‌ای را نیز بر اساس داده‌هایی که یکپارچه ساخته، محتوای تفهیم‌نامه‌های پیشین، بازخورد RMها و تخصص انسانی تولید می‌کند.

 

در حال حاضر، تصمیم‌گیری‌های اعتباری 30 درصد سریع‌تر و هم‌زمان، بهره‌وری RM بیش از دوبرابر شده است. مهم‌تر از همه اینکه درآمد هر RM به‌میزان 20 درصد افزایش یافته است.

 

تجدید پتانسیل gen AI

با توجه به اینکه تاکنون شرکت‌های بسیاری در gen AI سرمایه‌گذاری کرده‌اند، پرسش این نیست که از کجا شروع کنیم، بلکه این است که چگونه به‌سرعت پتانسیل gen AI را بیابیم – و شروع به کسب پاداش کنیم. 97 درصد از شرکت‌هایی که هنوز gen AI را در عملیات خود مقیاس‌بندی نکرده‌اند، نیاز مبرمی به تمرکز دارند. در عین حال،‌ فناوری gen AI آن‌قدر سریع پیش می‌رود که شرکت‌ها اغلب می‌توانند با آهنگی دو تا سه‌ماهه جایگاه خود را بازنگری کنند و از این طریق، به‌سادگی فرصت‌ها را بیایند. مسائلی که باید در نظر گرفت شامل موارد زیر است:

• کارهای ناتمام فعلی ما پیرامون ایده‌های gen AI کدامند؟ نخستین گام بررسی ایده‌هایی است که هنوز پیش نرفته‌اند.

 

• اکنون چه‌چیزی ممکن است؟ ترکیب‌های جدیدی از ابزارهای gen AI نشان می‌دهد که مشکلاتی که در سه‌ماههٔ پیش حل آن‌ها بیش از حد دشوار بود ممکن است در حال حاضر قابل‌حل باشند.

 

• ارزش در کدام‌یک از طرح‌های آزمایشی دیده نمی‌شود؟ توجیه اقدامات صورت‌گرفته در زمینهٔ gen AI به‌معنای رهاکردن آن دسته از ایده‌های gen AI است که انتظارات را برآورده نمی‌سازند، هرقدر که وسوسه‌انگیز باشند. هرچند، ممکن است بعدها با تکامل ابزارها دوباره رواج یابند.

 

• آیا رویکرد ما به تحول gen AI هنوز هم مؤثر است؟ وقتی سازمان در به‌کارگیری gen AI به بلوغ می‌رسد، احتمالاً رویکرد آن به تحول باید تکامل یابد – یعنی وقتی فناوری‌ها با مشخص‌شدن خطرات شناخته‌تر یا باثبات‌تر می‌شوند سازمان چابک‌تر شود. اِعمال چهارچوب ذهنی پیشرفت مداوم در خود تحول کمک می‌کند تا سازمان مطمئن شود که همچنان ارزش بیشتر را از gen AI به دست می‌آورد.

 

ــــــــــــــــــــــــــــــــــــــــــ

 

با عملکرد بهتر، تخصص بیشتر و افزایش دسترس‌پذیری، gen AI می‌تواند عملیات خدماتی را در صنایع با تحول اساسی روبه‌رو کند. اکنون چند تصمیم سنجیده به شرکت کمک می‌کند تا در ایجاد ارزش جدید و پایدار رقبای خود را با جهش پشت سر بگذارد.

[1] McKinsey & Company (نام شرکت)

[2] QuantumBack

[3] Jorge Amar

[4] Oana Cheta

[5] Ivan Huang

[6] Stephen Xu

[7] هوش مصنوعی مولد (Generative AI)

[8] توضیح مندرج در مقاله: «عبور از مرحلهٔ روزهای خوش gen AI: هفت حقیقت تلخ برای مدیران ارشد فناوری اطلاعات در مسیر رسیدن از طرح آزمایشی به مقیاس،» مکنزی، 13 مه 2024

[9] Corporate-function leader

[10] Finance function

[11] Uncertainty

[12] Competitive advantage

[13] Earnings before interest and taxes (سود قبل از بهره و مالیات)

[14] توضیح مندرج در مقاله: «وضعیت AI دراوایل سال 2024: پذیرش Gen AI به‌سرعت و شدت افزایش یافت و شروع به تولید ارزش کرد،» مکنزی، 30 مه 2024. از 876 پاسخ‌دهنده به نظرسنجی که سهم EBIT سازمان خود را که حاصل gen AI بود برآورد کردند، 46 نفر رقمی بیش از 10 درصد را ارائه دادند.

[15] Change management

[16] Autonomous agent

[17] Copilot (نوعی فناوری)

[18] Credit-risk memo

[19] Relationship manager

[20] Consumer good

[21] Operating expense

[22] Technological change

[23] Pilot purgatory

[24] Thinking through sequencing

[25] Scalability

[26] Reusability

[27] Value creation

[28] Business impact

[29] Technical feasibility

[30] Contact center

[31] Consumer banking

[32] Know your customer

[33] Corporate and investment banking

[34] knowledge extraction and synthesis

[35] Internal documents

[36] Confidential nature

[37] Customer care

[38] Chatbot

[39] Customer-facing chatbot

[40] Smart virtual agent

[41] Missing information

[42] Action-item

[43] Telecommunications provider

[44] Use case prioritization

[45] Touchpoint

[46] Resolution

[47] Flowchart

[48] Self-service solution

[49] Call length (مدت تماس)

[50] Agent

[51] Module

[52] Agent experience

[53] Handle time

[54] First-call resolution rates

[55] Percentage point

[56] Ad hoc

[57] Stage gate

[58] Go/no-go

[59] Gimmick (وسیلهٔ جلب‌توجه؛ وسیله یا ایدهٔ جدیدی که بیشتر برای جلب توجه یا افزایش جذابیت طراحی می‌شود)

[60] Transition

[61] Openness

[62] Usability

[63] User-centric approach

[64] Agent experience

[65] Cutting edge

[66] Large Language Models

[67] Retrieval Augmented Generation

[68] Cross-verification

[69] Multiagent system

[70] Relationship Managers

[71] Interdependency