نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

21 آذر 1403 1:02 ق.ظ

ایجاد نوآوری با هوش مصنوعی مولد

ایجاد نوآوری با هوش مصنوعی مولد

25 مارس 2024

شرکت‌هایی که دارای فرهنگ نوآوری هستند در به کارگیری و بهره‌مندی از هوش مصنوعی مولد بسیار جلوتر از همتایان خود هستند.

از آنجایی که داغ‌ترین موضوع سال گذشته – هوش مصنوعی مولد  به موضوع بحث استقرار آن در امسال تبدیل شد، شرکت‌ها مشتاق هستند تا بحث در مورد پتانسیل هوش مصنوعی مولد را به عمل تبدیل کنند تا از مزایای آن بهره ببرند. در این قسمت از اتاق استراتژی، دو کارشناس مک کینزی درباره نحوه استفاده نوآوران برتر از این فناوری برای پیشبرد رشد صحبت می کنند.

Laura LaBerge متخصص در خدمات رشد و نوآوری استراتژیک ما است که مت بانهولزر یکی از رهبران جهانی آن است. آنها یکی از نویسندگان مقاله اخیر هستند که توضیح می دهد چرا شرکت هایی با فرهنگ هایی که از نوآوری استقبال می کنند برتری با هوش مصنوعی مولد دارند. این متن ویرایش شده گفتگوی آنهاست.

شان براون: قبل از اینکه به این موضوع بپردازیم که چگونه هوش مصنوعی مولد می تواند به کسب و کارها در نوآوری کمک کند، زیر چتر نوآوری چه چیزی را پوشش می دهید؟

Matt Banholzer: تعریف ما نه تنها محصولات جدید، بلکه فرآیندها و مدل‌های عملیاتی جدید را نیز در بر می‌گیرد که می‌توانند با روان‌تر، سازگارتر یا مقرون‌به‌صرفه‌تر شدن ، مزیت رقابتی ایجاد کنند. نوآوری همچنین در مورد تجربیات جدید مشتری و روش های تعامل با آنها و مدل های کسب و کار جدید و پیشنهادهای ارزشی است. به عنوان مثال، در ده سال گذشته، بسیاری از شرکت ها از فروش محصولات به فروش خدمات یا رویکردهای مبتنی بر اشتراک روی آوردند. نوآوری‌های مدل کسب‌وکار همچنین می‌تواند شامل مسیرهای مختلف برای بازاریابی یا استفاده از دارایی‌های شما به روش‌های جدید باشد.

تحقیقات ما نشان می دهد که ممکن است در حال گذار به عصر جدیدی باشیم که توسط پلتفرم های فناوری جدید و تغییرات عمده جمعیتی شکل گرفته است. برای پیشرفت در این دنیا، باید نوآوری کنید، زیرا چیزی که شما را به اینجا رساند ممکن است شما را به آنجا نرساند. بسیاری از هنجارهای کسب و کار، مدل های عملیاتی یا محصولات شما ممکن است در آینده موثر نباشند و عدم نوآوری ممکن است خطرناک تر از شرط بندی های بزرگ بر روی فرصت های رشد باشد. زمان‌های عدم قطعیت نه تنها مستلزم شکستن دریچه‌ها، بلکه استفاده از بهره‌وری برای تولید جریان‌های نقدی است که با آن می‌توانید پیشینه‌هایی را برای رشد جدید ایجاد کنید.

شان براون: مقاله شما می گوید که نوآوران برتر در یافتن و سرمایه گذاری بر روی این منابع جدید رشد برتری دارند. آنها چگونه این کار را انجام می دهند، و نسل هوش مصنوعی از کجا وارد می شود؟

Matt Banholzer: ما یک نظرسنجی انجام دادیم تا بفهمیم چه چیزی باعث عملکرد بهتر این شرکت‌ها می‌شود و متوجه شدیم که وجه مشترک آنها فرهنگ نوآوری است. ما از فاصله بین بازیگران برتر و پایین، که به اندازه 1000 درصد اختلاف (نمودار) بود، شوکه شدیم. کسانی که دارای فرهنگ نوآوری قوی هستند، به احتمال زیاد گزارش می دهند که محصولات و خدمات آنها صنایع خود را رهبری می کنند و سازمان های آنها از نظر سرعت توسعه محصول جدید در کلاس بهترین هستند. اینجاست که هوش مصنوعی مولد وارد می‌شود: در مورد توسعه، آزمایش و استقرار است. برخی از شرکت‌های پیشرو یک یا دو سال قبل از آغاز به کار ChatGPT، هوش مصنوعی را به کار می‌گرفتند.

نوآوران برتر در ایجاد ارزش تجاری از طریق سرمایه گذاری و فناوری و تحقیق و توسعه موفق تر بوده اند.

شان براون: داشتن فرهنگ نوآوری به چه معناست؟

مت بانهولزر: ما قبلاً در مورد القای تعهد نوآوری، عوامل انسانی در نوآوری و هشت اصل اساسی نوآوری نوشته‌ایم، جایی که ما بلوک‌های سازنده فرهنگ نوآوری را تعریف می‌کنیم. به عنوان مثال، آیا آرزوهای جسورانه ای را تعیین می کنید که تنها از طریق نوآوری می توان به آنها دست یافت؟ اغلب، شرکت‌ها می‌توانند استراتژی‌های خود را بدون نوآوری ارائه دهند، بنابراین جای تعجب نیست که آنها نوآوری نمی‌کنند. فرهنگ نوآوری همچنین به معنای استفاده از بینش های مبتنی بر مشتری و آنچه بازار به شما می گوید است. علاوه بر این، مبتکران برتر مفروضات و ادعاها را به چالش می کشند، عدم اطمینان را پذیرفته و توسعه تکراری را امکان پذیر می کنند.

شان براون: آیا حوزه های خاصی وجود دارد که این شرکت ها توجه و سرمایه گذاری خود را در آنجا متمرکز می کنند؟

Laura LaBerge: یک تفاوت بین آنها و دیگران این است که نوآوران برتر بیشتر روی تحقیق و توسعه و فناوری دیجیتال سرمایه گذاری می کنند. اما این فقط بیشتر نیست – آنها متفاوت سرمایه گذاری می کنند و بازدهی بسیار بالاتری از این سرمایه گذاری ها دریافت می کنند. به طور متوسط، آنها 55 درصد بیشتر بر روی فناوری های دیجیتال، با تمرکز بر فناوری که آنها را قادر به توسعه تمایز استراتژیک می کند، خرج می کنند. علاوه بر این، آنها بر سرعت، ریزه کاری و یکپارچگی تمرکز می کنند و دو تا سه برابر بیشتر از یک شرکت معمولی در این زمینه ها و 9 برابر بیشتر از نوآوران ضعیف گزارش می دهند. این سرمایه‌گذاری‌ها آن‌ها را از پیش سیم‌کشی می‌کند تا از انواع جدیدی از فناوری‌ها بهره ببرند، بنابراین جای تعجب نیست که آنها در به کارگیری هوش مصنوعی مولد در مقیاس برای تسریع فرآیندهای تحقیق و توسعه و نوآوری پیش‌تر هستند. در گذشته، این سازمان‌ها در انواع دیگر پیشرفت‌های تکنولوژیک مانند اینترنت اشیا یا مهندسی طراحی جلوتر بودند. چیزی که در این لحظه جالب است، درجه ای است که هوش مصنوعی می تواند به نقاط قوت خود عمل کند.

شان براون: این شرکت ها چگونه سرعت، تفکیک  و یکپارچگی را که شما به آن اشاره کردید توسعه می دهند؟

Laura LaBerge: برای مثال، در مورد سرعت، رهبران کسب‌وکار و تیم‌های محصول از داده‌های بلادرنگ برای بهبود سریع استفاده می‌کنند. آنها از فناوری به طور گسترده در سراسر سازمان استفاده می کنند و فراتر از اتوماسیون ساده به ادغام فرآیندهای توسعه، امنیت و عملیات می روند. دانه بندی و تفکیک یا  Granularity در مورد استفاده از یادگیری ماشینی برای تجزیه و تحلیل داده ها در مقیاس است و یکپارچه سازی به تمرکز آنها در سطح سازمان بر روی کاربران نهایی و تعبیه سیستم یکپارچه عملکردهای کنترلی اشاره دارد. شرکت‌های نوآور همه این عناصر را قبل از وارد شدن به حیطه ژنرال هوش مصنوعی در اختیار داشتند، و این قابلیت‌ها برای استفاده و اجتناب از خطرات نسل هوش مصنوعی بسیار مهم است.

شان براون: شرکت هایی که در مراحل اولیه آزمایش با ژنرال هوش مصنوعی هستند چه چیزی می توانند از این رهبران بیاموزند؟

مت بانهولزر: پنج عنصر در نحوه برخورد این شرکت ها با نسل هوش مصنوعی وجود دارد. اول، آنها می دانند چگونه سؤالات خوبی بپرسند. این فراتر از مهندسی ساده و تفکر در مورد نحو است – آنها می‌دانند که کسب‌وکار چه مشکلاتی را باید حل کند و چگونه از هوش مصنوعی ژنرال برای پاسخگویی به این سؤالات استفاده کند. دوم، آنها بر حذف پاسخ های بد تمرکز می کنند. این به معنای صرفاً رد پاسخ‌هایی نیست که منطقی نیستند، بلکه همیشه ادعاها را به چالش می‌کشند و آن‌ها را به‌عنوان فرضیات در نظر می‌گیرند. هنگامی که شرکت‌ها کسب‌وکارهای جدیدی می‌سازند یا محصولات جدیدی را خارج از هسته اصلی خود راه‌اندازی می‌کنند، در مورد ترجیحات مشتریان و تمایل آن‌ها به پرداخت مفروضاتی ایجاد می‌کنند، یا اینکه آیا می‌توانند محصول را تولید کنند و نیروی فروش می‌تواند آن را بفروشد. در تجارت طبق معمول، می‌توانید ادعا کنید که چگونه پیش می‌رود زیرا تشخیص الگو دارید. در نوآوری، شما باید این مفروضات را زیر سوال ببرید، و این طرز فکر به وضوح به نسل هوش مصنوعی ترجمه می شود. وقتی ژنرال هوش مصنوعی پاسخی را می دهد، نوآوران برتر می پرسند: “آیا این پاسخ مفیدی است؟”

تفاوت سوم این است که آنها به طور مداوم داده های اختصاصی می سازند. هوش مصنوعی ژنرال یک راه عالی برای خلاصه کردن و ترکیب سریع داده ها است، اما توانایی آن برای هدایت بینش از داده های بدون ساختار محدود است، به ویژه در مورد تصمیمات خاص شرکت. در مک‌کینزی، ما ابزارهای هوش مصنوعی نسلی داریم که به برخی از پایگاه‌های داده اختصاصی ما در مورد عملکرد شرکت، اندازه بازار و غیره متصل می‌شوند، بنابراین پاسخ‌ها به روش درست ترکیب می‌شوند و ما می‌توانیم داده‌هایی را که دیگران ندارند بررسی کنیم .

چهارمین قابلیتی که مبتکران برتر از قبل سیم کشی ارتباط سازمانی کرده اند یادگیری و تغییر سریع دوره است. تمرینات چابک به طور موثر به معنای توانایی حرکت رو به جلو در شرایط عدم قطعیت، آزمایش و یادگیری و عمل بدون داشتن پاسخ کامل است. این مربوط به هوش مصنوعی ژنرال است زیرا به شما اجازه می‌دهد بگویید: «این جریان کاری نسل AI ممکن است به نتیجه نرسد، اما ما آن را آزمایش می‌کنیم و اگر کار کرد، آن را با حداکثر سرعتی که می‌توانیم مقیاس‌بندی می‌کنیم.» این حلقه تکراری تست و یادگیری نحوه فرار سازمان ها از برزخ آزمایشی است.

و پنجم، شرکت‌هایی که فرهنگ نوآوری دارند، جریان‌های کاری از قبل بدون تماس انسانی طراحی شده‌اند. مردم سؤالات را می پرسند و پاسخ های بد را تشخیص می دهند، اما بسیاری از مراحل دیگر خودکار هستند. برای مثال یک سیستم CRM، این شرکت‌ها می‌توانند از شناسایی مشتریان به توسعه اعلان‌های بالقوه هوش مصنوعی برای دسترسی به این مشتریان و پیگیری آن‌ها بروند. شما کار را تا حد امکان برای فروشندگان آسان و بدون درز می کنید.

شان براون: اگر در مراحل اولیه پذیرش نسل AI هستید، چگونه این پیش سیم‌کشی را در جای خود قرار می‌دهید؟ آیا می توانید آن را به صورت مرحله ای انجام دهید؟ یا همه چیز است یا هیچ؟

لورا لابرژ: لازم نیست همه این کارها را به یکباره انجام دهید، و مطمئناً نباید همه آن را در مقیاس انجام دهید. اساس این است که هیچ آسیبی به خصوص در مورد امنیت داده ها وارد نشود. همانطور که با این فناوری‌ها آزمایش می‌کنید، باید مرزهای نظارتی و امنیت داده‌ها را تعیین کنید. سپس، دریابید که در کجای سازمان شما، هوش مصنوعی می‌تواند بزرگترین مزیت استراتژیک را به همراه داشته باشد، زیرا شما را قادر می‌سازد شتاب دهید یا دقیق‌تر باشید و آزمایش را شروع کنید.

مت بانهولزر: اکثر شرکت‌های پیشرو رویکردی مبتنی بر استفاده را در پیش گرفته‌اند که در آن عنصری را انتخاب می‌کنند که می‌دانند می‌خواهند تغییر دهند. نمونه‌های اولیه به مواردی مانند درخواست‌های خدمات مشتری منحرف بودند، اما می‌توانند همکاری کنند

من از هر کجا من می خواهم تأکید کنم که شرکت ها در هر بخش در حال آزمایش این فناوری هستند. در زمینه تحقیق و توسعه شیمیایی یا دارویی، شرکت‌هایی که سعی در کشف مولکول‌های جدید دارند با کتابخانه بزرگی از مولکول‌های کاندید شروع می‌کنند که ممکن است توسط هوش مصنوعی ژنرال یا متخصصان تولید شوند. مراحل زیادی دنبال می‌شوند، اما می‌توانید گام‌های آهسته زودهنگام را تسریع کنید.

شان براون: مقررات متعددی در رابطه با نسل هوش مصنوعی معرفی یا پیشنهاد شده است. در صورت وجود، چه تأثیری ممکن است بر روی پنج ناحیه پیش سیم کشی که در مورد آنها صحبت کردید داشته باشند؟

مت بانهولزر: بحث های زیادی در مورد دستورات اجرایی و مقرراتی که صادر شده است وجود دارد. بسیاری از آنها عمدتاً بر نحوه اعلام استفاده از ابزار متمرکز هستند، اما به مثال های قبلی من برگردیم، مقرراتی در مورد مواد شیمیایی که می توان استفاده کرد، نحوه سنتز آنها، مقررات ایمنی و غیره وجود دارد. شما می توانید از یک ماده شیمیایی پیشرفته استفاده کنید، اما به نرده های محافظ نیاز دارد.

Laura LaBerge: احتمالاً در امتداد خطوط مشابهی پیش می رود که در قوانین مربوط به داده های شخصی مشاهده کردیم، که براساس منطقه متفاوت بوده و در طول زمان تکامل یافته اند. سازمان‌ها باید در راس آن قرار می‌گرفتند و سازگار می‌شدند.

شان براون: بیایید به پنج حوزه ای که نوآوران برتر در آن ها رهبری می کنند، عمیق تر بپردازیم. چگونه سوالات خوبی از ژنرال هوش مصنوعی می‌پرسید؟

مت بانهولزر: بسیاری از مهارت‌های مورد نیاز برای استفاده حداکثری از هوش مصنوعی نسل، مهارت‌هایی هستند که شرکت‌ها در راه‌اندازی محصول یا استفاده از یادگیری ماشینی به آن‌ها دست یافته‌اند، اما ما از میزان تمایز بین افراد برتر و کارآمد شگفت‌زده شدیم. بهترین عملکردها محدودیت های ابزار را درک می کنند. همانطور که از چکش برای چرخاندن پیچ استفاده نمی کنید، سوالات هوش مصنوعی ژنرال را که به بهترین شکل به روش های دیگر پاسخ داده می شود، نمی پرسید. این در مورد اجتناب از زباله در داخل، زباله است. سوال باید قابل پاسخ باشد، و شما باید قابلیت اطمینان داده ها را درک کنید، اما احتمالاً سوالات خاصی در نقاط مشخصی از یک گردش کار وجود دارد که می توانید آنها را خودکار کنید.

اینجاست که مهندسی سریع وارد می شود. فقط درخواست از یک تیم فروش یا محقق برای استفاده از ابزار و دیدن آنچه که به دست می آورند کار نمی کند. با این حال، اگر می‌دانید که پنج سؤال مرتبط با باز کردن سرنخ فروش یا پنج عنصر از گروه‌های مولکول عملکردی وجود دارد که همیشه برای به دست آوردن ویژگی جدید آنها را بررسی می‌کنید، می‌توانید این سؤالات را به سختی بررسی کنید. در آزمایش‌های اولیه، ممکن است دستورالعمل‌های غیرمستقیم ارائه دهید و به افراد اجازه دهید یاد بگیرند، اما وقتی آنها پیچیده‌تر می‌شوند، باید سؤالات را مهندسی کنید و آن‌ها را زمینه‌سازی کنید.

به عنوان مثال، برخی از ابزارهای دانش هوش مصنوعی McKinsey به ما اجازه می دهند پایگاه داده داخلی خود را جستجو کنیم. در ماه مارس، درخواست این بود: “این ابزار داخلی ما با مجموعه داده های سفارشی است که توسط یک موتور خاص کار می کند.” اکنون، ابزارها یک اعلان دریافت می‌کنند و می‌دانند که پنج یا شش سؤال دیگر معمولاً با آن درخواست مرتبط هستند و آنها به طور خودکار آن سؤالات را به موتور فشار می‌دهند تا پاسخ‌های متنی و همچنین آنها را به سایر گردش‌های کاری مرتبط کنند. اما ما حفاظ هایی در مورد آنچه می توانید و نمی توانید اعتماد کنید، با تمرکز بر نقل قول ها و داده های منبع داریم.

شان براون: نوآوران قوی چگونه با پاسخ های بد یا داده های توهمی برخورد می کنند؟

لورا لابرج: تیم‌های چندکاره همیشه مهم بوده‌اند، اما با هوش مصنوعی مولد بسیار مهم هستند. به یاد داشته باشید که هدف ژنرال هوش مصنوعی ایجاد پاسخ های جدید است. در هنر، ابزار از نگاه کردن به تصاویر یاد می گیرد و سپس تصاویر جدید ایجاد می کند. ادبیات و کد هم همینطور. برای مثال، وقتی درباره پتنت‌ها یا تغییرات نظارتی سؤال می‌پرسید، باید مراقب باشید که به گونه‌ای سؤال نکنید که ژنرال هوش مصنوعی مقاله‌ای را تولید کند که وجود نداشته یا نقل قولی غیرواقعی باشد. اگر از تیم‌های متقابل با دیدگاه‌های گسترده استفاده نمی‌کنید که می‌توانند چیزهای غیر منطقی را تشخیص دهند، یا از اشکالی از هوش مصنوعی مولد استفاده می‌کنید که منابعی را که از آنها استفاده می‌کنند نشان نمی‌دهند، می‌توانید با این توهم‌ها مواجه شوید.

یکی دیگر از عناصری که شرکت های نوآور باید از این مشکلات اجتناب کنند، عملکردهای کنترلی است که به طور یکپارچه در جریان کار تعبیه شده است تا به کاهش ریسک کمک کند. مقررات مربوط به کاربردهای داده‌ها و هوش مصنوعی ژنرال در حال تغییر است، بنابراین می‌خواهید مطمئن شوید که تیم‌هایی که با این ابزارها آزمایش می‌کنند با آن‌هایی که به تغییرات نظارتی توجه می‌کنند و از بینش‌ها و داده‌های اختصاصی شما محافظت می‌کنند، مرتبط هستند. شما نمی خواهید به طور تصادفی چیزی را با استفاده از ابزار هوش مصنوعی نسل آزاد عمومی کنید.

Matt Banholzer: این حوزه ای است که رهبران سازمانی می توانند ارزش زیادی را اضافه کنند. به‌عنوان تخصیص‌دهنده منابع یا تصمیم‌گیرندگان، می‌توانید بگویید: «اگر بخواهیم از هوش مصنوعی ژنرال استفاده کنیم، پنج نفر در بخش فناوری اطلاعات نیستند، بلکه یک تیم متقابل است که شامل تعدادی از اعضای فروش و P&L است.» شما همچنین می توانید توابع کنترل و حلقه های بازخورد را ادغام کنید. اغلب، رهبران می گویند: “اجازه دهید فقط پنج نفر علاقه مند آزمایش کنند، زیرا من با این موضوع آشنا نیستم.” در عوض، باید بگویید: “من از جلو رهبری خواهم کرد، زیرا اگر این کار را درست انجام دهم، پنج تا ده برابر شانس موفقیت داریم.”

شان براون: چگونه به شرکت‌ها توصیه می‌کنید که سرمایه‌گذاری در داده‌های اختصاصی را برای تغذیه مدل‌های هوش مصنوعی مولد ارائه کنند؟

Matt Banholzer: تعداد کمی از شرکت‌ها هوش مصنوعی را در سراسرسیستم کامپیوتری اعمال می‌کنند زیرا هوش مصنوعی بدون داده های اختصاصی بینش زیادی ارائه نمی دهد. در عین حال، نمی‌خواهید اولین مورد استفاده را با سیم‌کشی مجموعه داده‌های مختلف بیش از حد مهندسی کنید. به طور معمول، شرکت‌ها یک یا دو مورد استفاده می‌کنند که ممکن است بار داده اختصاصی کمتری داشته باشند یا می‌توانند به یک یا دو مجموعه داده متصل به هم تکیه کنند، سپس از آنجا گسترش پیدا کنند.

شان براون: با توجه به نکته قبلی شما در مورد یادگیری سریع مبتکران برتر، آیا بهتر است از آزمایشات درون سازمانی یاد بگیریم یا استعدادهایی را از بیرون استخدام کنیم که قبلاً دارای تخصص هستند؟

مت بانهولزر: وقتی به آنچه که تیم‌های نوآوری با عملکرد بالا را هدایت می‌کند نگاه کردیم، متوجه شدیم که چندین ویژگی مهم هستند. مردم تمایل دارند برخی از عناصر مانند علم داده یا مهارت‌های توسعه‌دهنده را بیش از حد نمایه کنند، اما مهارت‌های نوآوری نرم‌تر به همان اندازه مهم هستند. آن‌ها شامل داشتن چشم‌انداز و درک جسورانه‌ای هستند که یک محصول یا خدمات جدید می‌تواند مناسب باشد، مهارت‌های همکاری و توانایی هدایت سازمان به جمع‌آوری منابع، مهارت‌های پیرامون یادگیری مداوم، و توانایی تلفیق مفهومی با تحلیلی. احتمالاً باید افراد را به سازمان بیاورید، اما به گونه‌ای که این دسته‌بندی مهارت‌ها را تکمیل کند. همچنین این نیست که تیم فعلی‌تان کارهای جدید انجام دهد، بلکه به مهارت‌هایی که تیمتان دارد فکر کنید و افرادی را با مهارت‌هایی که از دست داده‌اید اضافه کنید.

لورا لابرج: از نظر استعداد، اکثر نوآوران برتر تیم‌های رهبری اجرایی با درصد بالاتری از رهبران فناورانه نسبت به سایر سازمان‌ها دارند. در مورد چابکی، یکی از بزرگترین تمایزها، توانایی چابک بودن در سطح سازمان است. مبتکران برتر در این زمینه بسیار جلوتر از دیگران هستند. اتوبوس را در نظر بگیرید: اگر یک چرخ با سرعت 200 مایل در ساعت و بقیه با سرعت 20 مایل در ساعت حرکت کنند، شما سریع به جایی نخواهید رسید. بسیاری از سازمان‌ها روی فناوری یا تجزیه و تحلیل در نقاط خاص سرمایه‌گذاری می‌کنند و بازگشت سرمایه پایینی دریافت می‌کنند، زیرا سازمان نمی‌تواند بر اساس بینش‌ها عمل کند، یا بدتر از آن، اقدامات لکنت‌آمیزی انجام می‌دهد که صرفاً یک فرصت را به بازار نشان می‌دهد که دیگران سپس آن را بدست می‌آورند. پول خود را برای سرمایه گذاری در بخش هایی از کسب و کار که فراتر از توانایی سازمان شما برای اجرا است، هدر ندهید. شما باید گلوگاه های مهم را باز کنید.

شان براون: رهبران چگونه باید این قابلیت ها را ایجاد کنند تا سازمان آماده باشد تا عمیق تر در ژنرال هوش مصنوعی سرمایه گذاری کند؟

مت بانهولزر: رهبران تجاری باید در مورد راه هایی برای القای این شیوه ها فکر کنند. آیا می توانید آزمایشی را روی یک تعامل بدون لمس انجام دهید و حواستان به ایجاد نرده های محافظ باشد؟ آیا می‌توانید فرآیند بودجه‌ریزی خود را در مقایسه با چرخه‌های بودجه سالانه، دوره‌ای‌تر یا با رویکرد بودجه‌سنجی اندازه‌گیری کنید؟ در تحقیقات ما بر روی هزاران شرکت، نوآورترین سازمان‌ها آرزوی کمی برای آنچه می‌خواهند از نوآوری به دست آورند، دارند. آنها منابع را با دقت تخصیص می دهند. این کار در سیلوها انجام نمی شود – این مقدار برای M&A، این مقدار برای سرمایه گذاری، این مقدار برای تحقیق و توسعه – بلکه به روشی یکپارچه و پویا، تقریباً مانند یک شرکت سرمایه گذاری خطرپذیر انجام می شود: شما مقداری بودجه برای ارائه مجموعه ای از نکات اثباتی دریافت می کنید. سپس به طور موثری شما را به سری A هدایت می کند. سپس آنها سرعت می گیرند و خطر را از بین می برند. و آنها در یادگیری بی باک هستند و اطمینان حاصل می کنند که شکست های بزرگ جشن گرفته می شود.

شان براون: چه توصیه ای به رهبرانی می کنید که می خواهند سریعاً در هوش مصنوعی ژنرال هوشمند شوند؟

مت بانهلزر: از آن استفاده کنید. این به هسته رویکرد چابک می‌رود. در مک‌کینزی، ما پذیرش را به سرعت آغاز کردیم زیرا مردم ابزارها را ساختند و سپس سیل استفاده را دیدند. نشان دادن، نه گفتن، فوق العاده مهم است.

لورا لابرج: به عنوان رهبران کسب و کار، می توانید به تعیین جهتی که در کسب و کارتان شتاب می تواند بیشترین فاصله استراتژیک را به همراه داشته باشد کمک کنید. انواع مزایا و پاسخ هایی که هوش مصنوعی ژنرال می تواند به شما کمک کند کجا می تواند کمک کند؟ در حال حاضر کمی سندرم اشیاء براق با ژن AI وجود دارد، اما این ابزار برای هر نوع سؤالی مناسب نیست، بنابراین به سازمان خود کمک کنید تا در مورد محل استقرار آن فکر کند.

درباره نویسنده (نویسندگان)

مت بانهولزر شریک دفتر مک کینزی در شیکاگو است. لورا لابرج متخصص در دفتر استمفورد، کانکتیکات است. شان براون مدیر جهانی ارتباطات برای استراتژی و فعالیت مالی شرکت است و در بوستون مستقر است.

https://www.mckinsey.com

آیا این نوشته برایتان مفید بود؟

مطالب مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *