چالش‌های پنهان در مسیر هوش مصنوعی
در حالی که تب و تاب هوش مصنوعی در دنیای فناوری همچنان بالاست، جولی اوریل، مدیر اجرایی سابق لولولمون، در مقاله‌ای که در ۳ اوت ۲۰۲۶ منتشر شد، استدلال می‌کند که این انقلاب در سطح مدیریتی با مانع مواجه شده است. به گفته او، مشکل اصلی ضعف مدل‌های هوش مصنوعی نیست، بلکه شرکت‌ها از پذیرش این واقعیت که یکپارچه‌سازی این فناوری فرآیندی زمان‌بر، گران و نیازمند تلاش انسانی گسترده است، سر باز می‌زنند.
فراتر از مدل‌های نمایشی
اوریل تأکید می‌کند که دوران «نمایش‌های اولیه» به پایان رسیده و اکنون زمان درک این موضوع است که مدل‌های هوش مصنوعی تنها بخش کوچکی از کار هستند. چالش‌های اصلی که شرکت‌ها با آن روبرو هستند عبارتند از:
- پاک‌سازی و یکپارچه‌سازی داده‌های پراکنده و ناسازگار.
- بازطراحی فرآیندهای تصمیم‌گیری سازمانی.
- ایجاد ساختارهای حاکمیتی برای جلوگیری از خطاهای مدل.
- سرمایه‌گذاری در نیروی انسانی برای نظارت و پیکربندی مداوم.
بسیاری از شرکت‌ها با عجله به سمت اجرای پروژه‌های آزمایشی می‌روند، اما به دلیل عدم اصلاح زیرساخت‌های داده‌ای، این پروژه‌ها در مراحل عملیاتی مانند زنجیره تأمین یا مدیریت موجودی با شکست مواجه می‌شوند. اوریل معتقد است مدیرانی که به دنبال نتایج سریع هستند، باید نگاه خود را از «اثبات مفهوم» (PoC) به سمت تحول عملیاتی تغییر دهند.
تغییر رویکرد به سوی بهره‌وری
در شرایطی که هیئت‌مدیره‌ها خواستار بازگشت سرمایه (ROI) شفاف از پروژه‌های هوش مصنوعی هستند، اوریل هشدار می‌دهد که فروشندگان فناوری اغلب با وعده «بردهای سریع» به دنبال جذب مشتری هستند. با این حال، واقعیت این است که برندگان واقعی در این حوزه، شرکت‌هایی نخواهند بود که پرزرق‌وبرق‌ترین مدل‌ها را خریداری می‌کنند، بلکه سازمان‌هایی هستند که بر مهندسی داده، حاکمیت فرآیندها و تیم‌های انسانی سرمایه‌گذاری می‌کنند.
اگرچه برخی منتقدان معتقدند که این دیدگاه ممکن است چالش‌های فنی ذاتی مدل‌ها را نادیده بگیرد، اما تأکید اوریل بر «تغییر ساختار به جای استفاده از افزونه» هشداری جدی برای مدیران ارشد فناوری است. در نهایت، گذار از مرحله آزمایشی به بهره‌وری پایدار، مستلزم پذیرش این حقیقت است که هوش مصنوعی نه یک میان‌بر، بلکه یک پروژه تحول‌آفرین بلندمدت است.
منبع خبر: AI Daily News. این مطلب با بازنویسی و ترجمهٔ تحریریه تهیه شده است.