متمرکز، فدرال یا توزیعشده؟ مدل عملیاتی هوش مصنوعی باید با بلوغ سازمان عوض شود
ساختار تیم هوش مصنوعی ثابت نیست. مرور شواهد BCG، HBR و MIT درباره شروع متمرکز، خطر گلوگاه در مقیاس، حاکمیت فدرال و نشانههای زمان تغییر ساختار.
فهرست مطالب
یک پرسش رایج در سازمانها این است که تیم هوش مصنوعی متمرکز بماند یا در واحدهای کسبوکار پخش شود. به گفته BCG، ساختار و اهداف هاب هوش مصنوعی ثابت نیست و با بلوغ سازمان تغییر میکند[۱]. همین گزارش مینویسد شروع کاملاً غیرمتمرکز به پراکندگی میرسد و اگر توزیع مالکیت بیش از حد عقب بیفتد، یک گلوگاه مرکزی شکل میگیرد[۱]. به ادعای همین مؤسسه، فقط ۱۰ درصد ارزش هوش مصنوعی از الگوریتمها و ۲۰ درصد از داده میآید و ۷۰ درصد باقیمانده حاصل تغییر مدل عملیاتی و شیوههای کار است[۱]. این نسبتها برآورد تجربی خود BCG است و اندازهگیری مستقل به حساب نمیآید، اما جهت استدلال روشن است: گره اصلی در ساختار سازمان است و مدل هوش مصنوعی در درجه دوم قرار دارد. برداشت ما این است که پرسش اصلی انتخاب یک ساختار نیست. پرسش این است که کدام ساختار با مرحله فعلی سازمان جور است و چه نشانههایی میگوید وقت تغییر آن رسیده است.
واقعیتهای کلیدی
- به ادعای BCG، ۱۰ درصد ارزش هوش مصنوعی از الگوریتم، ۲۰ درصد از داده و ۷۰ درصد از تغییر مدل عملیاتی و شیوه کار میآید.[۱]
- BCG میگوید شروع کاملاً غیرمتمرکز به پراکندگی میرسد و تأخیر در توزیع مالکیت گلوگاه مرکزی میسازد.[۱]
- به ادعای BCG، یک هاب با حدود ۱۵ نیروی تماموقت زمان رسیدن موارد کاربرد به بازار را ۵۰ درصد کوتاه کرد.[۱]
- Adobe برای هر سامانه هوش مصنوعی مالک مشخص دارد و کمیته راهبری آن به سازمان اعتماد و امنیت گزارش میدهد، نه به تیم محصول.[۴]
- براکت طراحیشده با هوش مصنوعی در جنرال موتورز ۴۰ درصد سبکتر بود، اما چون زنجیره تولید توان ساختش را نداشت به تولید نرسید.[۳]
چرا شروع متمرکز منطقی است
به گفته BCG، هوش مصنوعی برخلاف بسیاری از فناوریهای قبلی از مرز کارکردها، جریانهای کاری، حوزههای داده، مرزهای ریسک و حقوق تصمیمگیری عبور میکند و تیمهای فناوری، کسبوکار، مالی، ریسک، منابع انسانی و حقوقی را مجبور میکند با هماهنگی بسیار نزدیکتری کار کنند[۱]. این گزارش الگوی آشنایی را توصیف میکند: واحدها پایلوت راه میاندازند اما تعداد کمی از آنها در کل سازمان مقیاس میگیرد، تیم فناوری ابزار مستقر میکند بدون آنکه منابع انسانی تغییر شیوه کار را مدیریت کند، و تیمهای ریسک و حقوقی قواعدی مینویسند که در فرایند تحویل پروژه جا نیفتاده است[۱]. در نظرسنجی AI at Work همین مؤسسه، نیمی از پاسخدهندگان گفتهاند سازمانشان حاکمیت روشنی برای مدیریت تیمهای مشترک انسان و هوش مصنوعی ندارد[۱].
مقالهای تازه در Harvard Business Review هم تأکید میکند که پایلوتهای جسورانه هوش مصنوعی وقتی مدل عملیاتی توان پشتیبانی از آنها را نداشته باشد فرو میریزند[۳]. این مقاله ماجرای جنرال موتورز را روایت میکند که با نرمافزار طراحی مولد Fusion 360 از Autodesk یک براکت صندلی طراحی کرد[۳]. قطعه جدید ۴۰ درصد سبکتر و ۲۰ درصد محکمتر از نمونه قبلی بود، اما هیچوقت به تولید نرسید، چون زنجیره تأمین و تولیدی که برای فولاد پرسی ساخته شده بود توان ساخت آن هندسه را نداشت[۳]. به نظر میرسد درس اصلی این مثال روشن است: موفقیت فنی یک پایلوت نشان نمیدهد که سازمان ظرفیت جذب آن را دارد.
BCG مرحله اول را هابمحور مینامد. در این مرحله هاب طرحها را اجرا میکند، واحدهای کسبوکار اولویتها و دانش دامنه را فراهم میکنند و تقریباً همه استعدادهای هوش مصنوعی در هاب هستند[۱]. هدف این مرحله نشان دادن سریع و معتبر ارزش و متمرکز کردن منابع کمیاب است[۱]. به ادعای BCG، یک شرکت فناوری پزشکی هاب خود را با حدود ۱۵ نیروی تماموقت شروع کرد و زمان رسیدن موارد کاربرد جدید به بازار را ۵۰ درصد کوتاه کرد[۱]. این گزارش اندازه هاب را از ۱۰ تا بیش از ۱۰۰ نیروی تماموقت انعطافپذیر میداند و چهار کارکرد برای آن برمیشمارد: انسجام، سرعت، حاکمیت و پذیرش[۱].
نقطهای که مرکز به گلوگاه تبدیل میشود
به گفته BCG، در ابتدا پروژهها و انضباط کاری در هاب متمرکز است و با توانمندتر شدن تیمها به واحدهای کسبوکار منتقل میشود[۱]. در مرحله دوم، که BCG آن را مرکز و پاد مینامد، تمرکز از اثبات ارزش به ساختن توان سازمانی برای مقیاس تغییر میکند و هاب همچنان پشتیبانی قابلتوجهی میدهد[۱]. همین گزارش توصیه میکند بسیاری از شرکتها با مدل هابمحور شروع کنند و به تدریج مالکیت بیشتری به واحدها بدهند، ولی برخی سازمانها ممکن است آنقدر بالغ باشند که از نزدیکی مرحله دوم شروع کنند[۱].
فشار برای توزیع فقط از داخل سازمان نمیآید. پژوهش MIT CISR که بر پایه مصاحبههای نیمهساختاریافته با مدیران داده و فناوری انجام شده، نشان میدهد ریسکهای هوش مصنوعی مولد با گذر از آزمایش ابزار به استقرار راهکار و سپس به عاملهای هوش مصنوعی بهطور محسوسی بیشتر شده است[۵]. به گفته این پژوهش، تقاضای گسترده و غیرمتمرکز این ریسکها را تشدید کرده است، چون رابط زبان طبیعی استفاده را آسان کرده، زیرساخت ابری دسترسی ارزان و همهجایی فراهم کرده و ماهیت همهمنظوره این فناوری آن را برای کارهای بسیار زیادی قابل استفاده کرده است[۵].
برداشت ما این است که همین تقاضای پراکنده معمولاً نخستین نشانه گلوگاه است. وقتی صف درخواستها پشت در هاب طولانی میشود، واحدها به ابزارهای خودشان رو میآورند و کنترلی که قرار بود هاب فراهم کند عملاً از بین میرود. BCG چهار علت رایج برای متوقف شدن برنامهها را مالکیت نامشخص، پذیرش ناکافی، ریسکهای پیشبینینشده و ارزش اندازهگیرینشده میداند[۱]. این چهار علت را میشود به فهرست بررسی برای تغییر ساختار تبدیل کرد. اگر گره اصلی سازمان در پذیرش و مالکیت باشد، تمرکز بیشتر احتمالاً کمکی نمیکند. اگر گره در ریسک و سنجش ارزش باشد، توزیع زودهنگام میتواند اوضاع را بدتر کند.
هابواسپوک فقط با پلتفرم مشترک و اختیار روشن کار میکند
BCG در گزارش دیگری استدلال میکند که هوش مصنوعی روی پلتفرمهای مشترک بهترین عملکرد را دارد و حاکمیت و کنترلها باید از همان ابتدا در منطق عملیاتی ساخته شوند و بعداً به آن اضافه نشوند[۲]. در گزارش هاب نیز نظارت بر معماری، داده، ابزارها، استانداردها و اولویتهای سرمایهگذاری از وظایف هاب شمرده شده تا از دوبارهکاری جلوگیری شود و قابلیتها در چند مورد کاربرد دوباره به کار روند[۱]. به نظر میرسد اگر واحدها بدون این لایه مشترک مستقل شوند، نتیجه همان پراکندگی ابزارهایی است که مدل متمرکز قرار بود جلوی آن را بگیرد.
پیششرط دوم اختیار واقعی است. مسئول حاکمیت داده و هوش مصنوعی Adobe در MIT Sloan Management Review نوشته است که این شرکت یک مدل حاکمیت فدرال ساخته است: برای هر سامانه هوش مصنوعی یک مالک مشخص تعیین شده و یک کمیته راهبری مرکزی با اختیار ارجاع وجود دارد که به سازمان اعتماد و امنیت گزارش میدهد و زیر نظر تیم محصول نیست[۴]. به گفته او، در بیشتر شرکتها اختیار واقعی توقف یک مدل در دست کسی است که وظیفه اصلیاش عرضه محصول و رسیدن به هدف درآمدی است[۴]. او همچنین مینویسد قانون هوش مصنوعی اتحادیه اروپا مستندسازی تصمیمها و خطوط روشن پاسخگویی را الزامی میکند[۴]. به نظر میرسد همین منطق در طراحی هویت و دسترسی عاملها هم کاربرد دارد، یعنی جایی که باید روشن باشد چه کسی حق اقدام یا توقف دارد.
پیششرط سوم به مالکیت ارزش مربوط است. BCG میگوید هاب میتواند زیر نظر مدیر مالی قرار بگیرد تا تخصیص سرمایه و ردیابی ارزش تقویت شود و تصمیم درباره خط گزارشدهی باید در سطح مدیرعامل گرفته شود[۱]. طبق تحلیل همین مؤسسه، ۷۳ درصد مدیران عامل گفتهاند حرف آخر در تصمیمهای هوش مصنوعی را خودشان میزنند و این رقم نسبت به سال قبل دو برابر شده است[۱]. برداشت ما این است که بدون یک واحد سنجش مشترک، مثلاً هزینه هر کار، واحدها و هاب درباره اینکه ارزش را چه کسی خلق کرده اختلاف پیدا میکنند و مدل هابواسپوک به بحث درباره سهم هر طرف تبدیل میشود.
آیا تز اصلی اغراقآمیز است؟ شواهد از تکامل مرحلهای پشتیبانی میکنند، اما بخش مهمی از آن تجربه مشاورهای BCG است و مقایسه کنترلشدهای میان ساختارها ارائه نمیدهد. به ادعای BCG، شرکتهای پیشرو ۱٫۷ برابر عقبماندگان رشد درآمد و ۳٫۶ برابر آنها بازده کل سهساله سهامدار دارند[۱]. این ارقام همبستگی را نشان میدهند و ثابت نمیکنند که ساختار هاب علت این تفاوت است.
| مدل یا مرحله | نقش مرکز | نقش واحدها | ویژگی یا خطر اصلی |
|---|---|---|---|
| شروع کاملاً غیرمتمرکز | هماهنگی ضعیف | اجرای مستقل | پراکندگی |
| مرحله ۱: هابمحور | اجرا و تأمین تقریباً همه استعدادها | تعیین اولویت و دانش دامنه | اثبات سریع ارزش؛ اگر ادامه یابد گلوگاه |
| مرحله ۲: مرکز و پاد | پشتیبانی قابلتوجه | مالکیت رو به افزایش | ساختن توان سازمانی برای مقیاس |
| حاکمیت فدرال Adobe | کمیته راهبری با اختیار ارجاع | مالک مشخص برای هر سامانه | اختیار توقف مستقل از تیم محصول |
برای کسبوکارهای ایرانی
برای سازمانهایی که با کمبود نیروی متخصص هوش مصنوعی روبهرو هستند، منطق مرحله هابمحور، یعنی متمرکز کردن استعداد کمیاب و ساختن داراییهای قابل استفاده دوباره، میتواند کاربرد عملی داشته باشد. به نظر میرسد در این شرایط خطر ماندن طولانی در مدل متمرکز هم بیشتر است، چون تیم کوچک مرکزی زودتر زیر بار درخواستها میماند. تعیین مالک مشخص برای هر سامانه و ثبت تصمیمها کاری است که به بودجه زیادی نیاز ندارد و میتوان آن را از روز اول شروع کرد.
چه چیزی را باید دنبال کرد
- طول صف درخواستهای هاب و تعداد ابزارهایی که واحدها بیرون از پلتفرم مشترک راه میاندازند، بهعنوان نشانه زودهنگام گلوگاه
- اینکه آیا برای هر سامانه هوش مصنوعی یک مالک مشخص و یک مسیر ارجاع مستقل از تیم محصول وجود دارد
- وجود واحد سنجش مشترک ارزش میان هاب و واحدها پیش از انتقال مالکیت
- اثر گسترش عاملهای هوش مصنوعی بر ریسک و فشاری که برای بازطراحی ساختار حاکمیت ایجاد میکند
دادههای مرتبط در همین سایت: دانلود روزانه کیتهای توسعه هوش مصنوعی در npm
منابع
- Why Your Organization Needs an AI Hub — Boston Consulting Group، منبع مرجع، دسترسی: 2026-09-18
- Enterprise as Code: An Operating Model for the AI Era — Boston Consulting Group، منبع مرجع، دسترسی: 2026-09-18
- Match Your AI Strategy to Your Organization’s Reality — Harvard Business Review، انتشار: 2026-01-01، شواهد تازه، دسترسی: 2026-09-18
- The Real Question to Ask About AI Governance — MIT Sloan Management Review، منبع مرجع، دسترسی: 2026-09-18
- Mapping the Generative AI Risk Space — MIT CISR، منبع مرجع، دسترسی: 2026-09-18
روش تهیه: این تحلیل با سامانه پایش خودکار khavarzadeh.com و کمک مدلهای زبانی از منابع بالا تهیه شده و پیش از انتشار، تطابق اعداد، تاریخها و ارجاعها با منابع بهصورت خودکار کنترل شده است. واقعیتها با شماره منبع مشخص شدهاند و بقیه متن برداشت تحلیلی است. تاریخ تهیه: 2026-09-18.
نظرات
هنوز نظری ثبت نشده است؛ اولین نفر باشید.
افزودن نظر