دانشنامه تحول دیجیتال رهبری دیجیتال فناوری دیجیتال

ذهنیت هوش مصنوعی برای مدیران عامل

۱۳ مهر ۱۴۰۵

آنچه از مدیران عامل در عصر هوش مصنوعی انتظار داریم

دوشنبه صبح است و مدیرعامل در جلسه کمیته مدیران شرکت نشسته است. مدیر فناوری اطلاعات گزارش می دهد که ابزارهای هوش مصنوعی در بیشتر واحدها فعال شده اند. صدها نفر حساب کاربری دارند، تیم فروش از دستیارهای متنی استفاده می کند و واحد منابع انسانی شرح شغل ها را سریع تر می نویسد. مسئول خدمات مشتریان هم از کاهش زمان پاسخ گویی به ایمیل ها می گوید. چند مدیر تجربه های خوبی دارند. کاری که پیش تر نصف روز وقت می گرفت، حالا در یک ساعت انجام می شود.

مدیر مالی تصویر دیگری نشان می دهد. هزینه اشتراک ابزارها، آموزش و زیرساخت داده بالا رفته، اما هنوز تغییر روشنی در حاشیه سود دیده نمی شود. مدیر عملیات می گوید کیفیت خروجی ها یکدست نیست. مدیر حقوقی چند پاسخ نادرست هوش مصنوعی را مطرح می کند و مدیر منابع انسانی نگران است که کارکنان به پیشنهادهای ماشین بیش از اندازه تکیه کنند. مدیران میانی هم برداشت مشترکی از این تغییر ندارند. بعضی مقاومت می کنند و بعضی هر پیشنهادی را که نام هوش مصنوعی دارد می پذیرند.

مدیرعامل با گزارش هایی روبه روست که هرکدام بخشی از واقعیت را نشان می دهند. استفاده بیشتر شده و زمان بعضی کارها کاهش یافته است، اما هنوز معلوم نیست این تغییر چه کمکی به عملکرد شرکت کرده است. برای فهم این فاصله باید شیوه کار سازمان را دید. آیا تصمیم ها بهتر شده اند؟ زمان آزادشده کجا صرف می شود؟ آیا همان فرایندهای قبلی بدون اصلاح جدی، با سرعت بیشتری ادامه دارند یا سازمان توانسته روش مناسب تری برای انجام کار پیدا کند؟

پیمایش های حرفه ای نیز میان فراگیری استفاده و دستیابی به نتیجه سازمانی فاصله نشان می دهند. بسیاری از شرکت ها هوش مصنوعی را در دست کم یک بخش به کار گرفته اند، اما گسترش آن در سراسر سازمان و مشاهده اثر مالی، به همان اندازه پیش نرفته است. بهبود بهره وری فردی هم لزوماً به بهبود سود عملیاتی نمی انجامد. این تفاوت را نمی توان با تعداد کاربران یا کیفیت مدل توضیح داد.

در چنین موقعیتی، نگاه مدیرعامل به هوش مصنوعی بر مسیر شرکت اثر می گذارد. اگر آن را ابزاری برای سریع تر انجام دادن کارهای موجود بداند، گزارش استفاده و صرفه جویی زمانی برایش برجسته می شود. اگر آن را تغییری در شیوه اندیشیدن و سازمان دادن کار ببیند، سراغ کیفیت تصمیم، طراحی فرایند و پیامدهای انسانی می رود. هر نگاه، بعضی پرسش ها را پیش می کشد و بعضی را از توجه دور نگه می دارد.

ذهنیت هوش مصنوعی در چارچوب معماری ذهنیت رهبران

ذهنیت در انتخاب های روزمره مدیر دیده می شود. دو مدیرعامل گزارش یکسانی می خوانند، اما به نشانه های متفاوتی توجه می کنند و تصمیم های متفاوتی می گیرند. یکی افزایش استفاده را موفقیت می داند. دیگری می خواهد بداند چه مسئله ای بهتر حل شده است. این تفاوت به باورها و پیش فرض هایی مربوط می شود که قضاوت آن ها را شکل می دهد، حتی وقتی خودشان آن باورها را به زبان نمی آورند.

معماری ذهنیت رهبران با شناخت همین پیش فرض ها سروکار دارد. باید ببینیم چه چیزی را بی نیاز از بررسی دانسته ایم، تجربه را چگونه تفسیر می کنیم و کدام باورها انتخاب هایمان را محدود کرده اند. برای مثال، مدیری که کنترل را به معنای تأیید شخصی همه تصمیم ها می داند، در همکاری با ماشین هم احتمالاً همان روش را ادامه می دهد. مدیری که سرعت را معیار اصلی پیشرفت می بیند، ممکن است کاهش زمان پاسخ را بسنجد و افت کیفیت قضاوت را نبیند.

ذهنیت هوش مصنوعی در این مقاله، شیوه نگاه رهبر به حضور ماشین در کار و تصمیم های سازمان است. ماشین بخشی از دیدن، تحلیل، تولید و عمل را به عهده می گیرد. انسان تشخیص می دهد چه چیزی مهم و درست است و مسئولیت تصمیم را می پذیرد. مدیرعامل باید بفهمد این تقسیم کار چه تغییری در ارزش آفرینی شرکت ایجاد می کند و سازمان برای آن به چه آمادگی نیاز دارد.

علاقه به فناوری به تنهایی چنین نگاهی نمی سازد. مدیرعاملی ممکن است هر روز با مدل های تازه کار کند و همچنان کاربرد آن ها را به خلاصه سازی گزارش‎ها یا آماده‎سازی فایل ارائه محدود بداند. مدیر دیگری، بدون تخصص فنی، اثر این فناوری را بر رابطه با مشتری، نقش کارکنان و منطق درآمد شرکت تشخیص می دهد. مهارت کار با ابزار به شناخت امکانات آن کمک می کند، اما قضاوت درباره جایگاهش در کسب وکار به فهم گسترده تری نیاز دارد.

پژوهش درباره قابلیت های شناختی مدیران نیز نشان می دهد نحوه توجه و تفسیر رهبران در سازگاری سازمان با تغییر نقش دارد. وقتی هوش مصنوعی وارد تحلیل و تولید می شود، آنچه مدیر می بیند و نحوه مواجهه او با مسئله اهمیت بیشتری پیدا می کند. یک تصمیم ظاهراً فنی، مانند انتخاب سامانه پیشنهاددهنده، می تواند بر اختیار کارکنان و معیار ارزیابی عملکرد آن ها اثر بگذارد. بررسی این پیامدها به گفت وگوی مدیریتی نیاز دارد.

ده ذهنیت پیشنهادی این مقاله، حاصل کنار هم گذاشتن یافته های پژوهشی و گزارش های حرفه ای درباره مسئله های مدیران عامل است. این چارچوب، طبقه بندی دانشگاهی آزمون شده ای نیست و قرار نیست پاسخ یکسانی برای همه شرکت ها بدهد. هدف آن روشن کردن باورهایی است که پشت تصمیم های مربوط به هوش مصنوعی قرار دارند. معیار کارآمدی هر ذهنیت هم تغییری است که در پرسش، انتخاب و رفتار مدیر ایجاد می کند.

۱. راهبری هوش مصنوعی در سطح مدیرعامل

مدیرعامل درباره اولویت های هوش مصنوعی تصمیم می گیرد، زیرا این اولویت ها با مسیر کسب وکار پیوند دارند. اجرای فنی را می توان به متخصصان سپرد. انتخاب اینکه شرکت در کدام حوزه سرمایه گذاری کند، چه مزیتی را تقویت کند و چه سطحی از ریسک را بپذیرد، به قضاوت مدیرعامل و هیئت مدیره نیاز دارد. واگذاری کامل موضوع به واحد فناوری اطلاعات، این تصمیم ها را بدون گفت وگوی کافی درباره کسب وکار باقی می گذارد.

پیش فرضی که در اینجا نیاز به بازبینی دارد، این است که «هوش مصنوعی به متخصصان فناوری مربوط است». این باور در ظاهر به تقسیم کار کمک می کند، اما ممکن است مدیرعامل را از تصمیم هایی دور کند که مسئولیتشان با اوست. برای مثال، انتخاب خودکارسازی خدمات مشتریان به وعده شرکت درباره کیفیت خدمت مربوط می شود. مدیر فناوری اطلاعات می تواند امکان اجرا را بررسی کند، اما درباره کیفیتی که شرکت حاضر است ارائه دهد، باید در سطح کسب وکار تصمیم گرفت.

در پیمایش BCG میان بیش از دو هزار مدیر ارشد (۲۰۲۶)، بیش از دو سوم مدیران عامل خود را تصمیم گیرنده اصلی در موضوع هوش مصنوعی دانسته اند. این یافته نشان می دهد موضوع در بسیاری از شرکت ها وارد دستور کار مدیریت ارشد شده است. با این حال، اعلام مسئولیت کافی نیست. باید در تخصیص منابع و پیگیری نتیجه هم دیده شود. شرکتی که ده ها آزمایش پراکنده دارد، ممکن است هنوز اولویت روشنی برای هوش مصنوعی نداشته باشد.

در یک بانک، بهبود تشخیص ریسک یا طراحی خدمت می تواند اولویت باشد. در خرده فروشی، پیش بینی تقاضا و کاهش موجودی نامناسب اهمیت پیدا می کند. در شرکت صنعتی، کاهش توقف خط تولید می تواند از تولید سریع تر گزارش ها ارزش بیشتری داشته باشد. اولویت را باید با شناخت مسئله و موقعیت شرکت انتخاب کرد. رایج بودن یک کاربرد در بازار، دلیل کافی برای سرمایه گذاری روی آن نیست.

نظریه قابلیت های پویا بر توان سازمان در شناخت تغییر و بازآرایی منابع تأکید دارد. این نگاه به مدیرعامل کمک می کند پروژه هوش مصنوعی را در ارتباط با جهت حرکت شرکت بسنجد. اگر پروژه قرار است مزیتی بسازد، باید معلوم باشد چه تصمیم یا فرایندی تغییر می کند و چرا این تغییر برای رقابت مهم است. پروژه ای که ارتباطش با مسیر شرکت روشن نیست، حتی با نمایش فنی خوب، برای دریافت منابع به توجیه بیشتری نیاز دارد.

در جلسه آغازین، مدیرعامل می تواند از تیم بخواهد کاربردهای پیشنهادی را با اولویت های کسب وکار مرتبط کنند. سپس برای حوزه های منتخب، مسئول تجاری و منابع لازم را مشخص کند. چنین انتخابی به معنای محدود کردن ابتکار کارکنان نیست. سازمان نیاز دارد بداند کدام تجربه ها در اولویت اند و مدیرعامل نتیجه کدام تغییرها را پیگیری می کند.

۲. یادگیری با تجربه مستقیم

مدیرعامل برای قضاوت درباره هوش مصنوعی به تجربه مستقیم نیاز دارد. گزارش متخصصان ضروری است، اما همه ظرافت های کار با مدل را منتقل نمی کند. وقتی خودمان با ابزار کار می کنیم، تفاوت پاسخ روان و پاسخ قابل اتکا را بهتر می بینیم. درمی یابیم که یک درخواست مشابه، با تغییر اطلاعات زمینه ای، می تواند خروجی متفاوتی بدهد و توان مدل هم در همه کارها یکسان نیست.

آزمایش میدانی روی صدها مشاور مدیریت این ناهمگونی را نشان داده است. استفاده از هوش مصنوعی در بعضی وظایف به افزایش سرعت و کیفیت کمک کرد، اما در کارهایی بیرون از توان ابزار، عملکرد را ضعیف تر کرد. پژوهشگران این وضعیت را «مرز ناهموار فناوری» نامیده اند. در عمل، موفقیت مدل در تهیه یک تحلیل اولیه، مجوز اعتماد به آن در هر تصمیم مدیریتی نیست.

تجربه مستقیم به مدیرعامل کمک می کند ادعاهای فروشندگان و گزارش واحدها را دقیق تر ارزیابی کند. او می تواند یک مسئله آشنا را با مدل بررسی کند و ببیند کدام بخش از پاسخ با شناختش سازگار است، کدام بخش به بررسی نیاز دارد و چه اطلاعاتی نادیده گرفته شده است. مسئله آشنا برای شروع مناسب تر است، چون مدیر می تواند خطاهای ظریف را تشخیص دهد. در موضوعی که هیچ شناختی از آن ندارد، روانی متن ممکن است جای صحت را بگیرد.

پژوهش درباره ظرفیت جذب نشان می دهد استفاده از دانش بیرونی به دانش مرتبط درون سازمان نیاز دارد. تجربه مدیرعامل با هوش مصنوعی نیز به همین شناخت کمک می کند. او لازم نیست روش ساخت مدل را بداند، اما باید بتواند درباره تناسب ابزار با کار و محدودیت های استفاده گفت وگو کند. در غیر این صورت، قضاوتش به توضیح کسانی وابسته می ماند که هرکدام دغدغه و برداشت متفاوتی دارند.

این تجربه فرصتی برای بازبینی واکنش خود مدیر هم هست. پس از یک خطای مدل، آیا کل فناوری را کنار می گذاریم؟ پس از یک پاسخ خوب، آیا اعتبار آن را به موضوع های دیگر تعمیم می دهیم؟ پژوهش های الگوریتم گریزی و ترجیح قضاوت الگوریتمی، هر دو نوع واکنش را بررسی کرده اند. شناخت واکنش خودمان کمک می کند اعتماد را متناسب با عملکرد ابزار تنظیم کنیم.

مدیرعامل می تواند هر هفته زمانی محدود را به بررسی یک مسئله واقعی با هوش مصنوعی اختصاص دهد. برای مثال، نقد یک یادداشت هیئت مدیره یا بررسی فرض های برنامه فروش را تمرین کند و خروجی را با شناخت خود و نظر همکاران مقایسه کند. این کار باید با رعایت محرمانگی اطلاعات انجام شود. آنچه اهمیت دارد، فهمیدن دلیل کیفیت یا خطای پاسخ و استفاده از این شناخت در تصمیم های بعدی است.

۳. معماری مسئله

پیش از انتخاب ابزار باید معلوم باشد چه مسئله ای قرار است حل شود. سازمان ها معمولاً مسئله را روشن فرض می کنند و وقت بیشتری برای جست وجوی راه حل می گذارند. با ورود هوش مصنوعی، این عادت می تواند پرهزینه تر شود. مدل به درخواستی که دریافت کرده پاسخ می دهد، حتی اگر درخواست بر برداشت ناقصی از مسئله بنا شده باشد. خروجی مرتب و مفصل هم ممکن است آن برداشت را معتبرتر جلوه دهد.

در پژوهش های مربوط به تعریف مسئله راهبردی، اهمیت مشارکت دیدگاه های متفاوت بررسی شده است. واحد فروش، عملیات و مالی یک وضعیت را از زاویه های متفاوتی می بینند. کنار هم قرار گرفتن این نگاه ها می تواند تعریف مسئله را دقیق تر کند، به شرط آنکه گفت وگو به فهم اختلاف ها کمک کند. هوش مصنوعی می تواند اطلاعات را مرتب و فرض ها را آشکار کند، اما اختلاف درباره هدف و معیار موفقیت را باید در خود سازمان حل کرد.

فرض کنید خدمات مشتریان با تماس های زیاد روبه روست. اگر مسئله را کاهش زمان پاسخ گویی بدانیم، احتمالاً سراغ تولید سریع تر پیام می رویم. اگر بررسی نشان دهد مشتریان به دلیل حل نشدن مشکل دوباره تماس می گیرند، مسئله شکل دیگری پیدا می کند. در این حالت، لازم است سابقه تماس ها، اختیار کارشناس و علت حل نشدن مشکل بررسی شود. پاسخ سریع تر می تواند تعداد تماس ها را هم بیشتر کند، اگر مشتری مجبور باشد همان موضوع را دوباره توضیح دهد.

این تفاوت نشان می دهد شاخص را نباید پیش از فهم مسئله قطعی کرد. تعداد پیام های تولیدشده با تعداد مسائل حل شده یکسان نیست. داده های در دسترس هم لزوماً تصویر مناسبی از مسئله نمی دهند. شکایت های ثبت شده، تجربه مشتریانی را که بی سروصدا شرکت را ترک کرده اند نشان نمی دهد. مدیرعامل باید مراقب باشد آسان بودن اندازه گیری، تعیین نکند چه چیزی مهم است.

معماری مسئله با روشن کردن هدف، محدودیت ها و معیار نتیجه آغاز می شود. پیش از شروع پروژه، تیم باید بتواند توضیح دهد چه وضعیتی را می خواهد تغییر دهد و چه شواهدی نشان خواهد داد که آن وضعیت بهتر شده است. مدیرعامل هم باید فرض هایی را که در این تعریف پذیرفته شده اند بررسی کند. اگر درباره خود مسئله توافق کافی نداریم، خرید ابزار این اختلاف را حل نمی کند.

۴. هم اندیشی و استقلال قضاوت

هوش مصنوعی می تواند به ما کمک کند فرض های یک تصمیم را بررسی کنیم، گزینه های بیشتری ببینیم و استدلال خود را نقد کنیم. هم اندیشی در این مقاله به چنین استفاده ای اشاره دارد. ارزش آن به کیفیت مواجهه انسان با پاسخ وابسته است. اگر پیشنهاد مدل را بدون بررسی وارد تصمیم کنیم، فرصت اندیشیدن کمتر می شود. اگر آن را موضوع گفت وگو قرار دهیم، می تواند فهم مسئله را گسترش دهد.

در مطالعه ای درباره استفاده دانشوران از هوش مصنوعی، اعتماد بیشتر به ابزار با تلاش کمتر برای تفکر انتقادی همراه بود. این نتیجه برای مدیرعامل پرسش روشنی ایجاد می کند. آیا تیم با کمک مدل بهتر استدلال می کند یا صرفاً پاسخ آماده را بازبینی سطحی می کند؟

در برخی آزمایش ها، درخواست پاسخ اولیه از کاربر پیش از نمایش پیشنهاد ماشین، اتکای بیش از اندازه را کاهش داده است. چنین روشی برای همه کارها لازم نیست، اما در تصمیم های حساس می تواند مفید باشد. برای مثال، اعضای تیم می توانند پیش از دریافت تحلیل مدل، برداشت و دلیل خود را ثبت کنند. مقایسه این برداشت ها با خروجی ماشین روشن می کند چه چیزی واقعاً به فهم آن ها اضافه شده است.

پژوهش درباره خلاقیت نیز نشان داده است کمک هوش مصنوعی می تواند کیفیت خروجی فردی را بالا ببرد و هم زمان شباهت میان خروجی افراد را بیشتر کند. این یافته را نباید به همه فعالیت های خلاق تعمیم داد، اما مدیرعامل باید احتمال کاهش تنوع فکر را جدی بگیرد. وقتی همه اعضای تیم مسئله را با ابزار و درخواست مشابه بررسی می کنند، تفاوت ظاهری پاسخ ها ممکن است اختلاف واقعی دیدگاه ها را پنهان کند.

حفظ ظرفیت اندیشیدن سازمان به شیوه اداره جلسه و ارزیابی پیشنهادها مربوط می شود. تیم باید بتواند دلیل پذیرش یک پیشنهاد را توضیح دهد، اطلاعات مخالف را بررسی کند و نشان دهد کدام فرض هنوز نامطمئن است. هوش مصنوعی می تواند نقدی بر نظر غالب تولید کند، اما نقد آن هم به ارزیابی نیاز دارد. شنیدن مخالفت همکاران، به ویژه کسانی که تجربه متفاوتی دارند، همچنان ضروری است.

مرز این ذهنیت با معماری مسئله روشن است. آنجا درباره تعریف چیزی صحبت می کنیم که باید حل شود. اینجا کیفیت اندیشیدن هنگام بررسی پاسخ ها و انتخاب میان آن ها مطرح است. مدیرعامل لازم است بداند استدلال تیم چگونه شکل گرفته و چرا نتیجه را پذیرفته است. عبارت «هوش مصنوعی پیشنهاد کرده» دلیل مدیریتی کافی برای یک انتخاب نیست.

۵. بازاندیشی در ارزش آفرینی

صرفه جویی در زمان می تواند ارزشمند باشد، اما باید دید چه تغییری در عملکرد کسب وکار ایجاد می کند. اگر کارشناس گزارشی را سریع تر آماده کند و گزارش همچنان چند روز منتظر بررسی بماند، زمان کل تصمیم گیری چندان تغییر نمی کند. اگر تیم فروش وقت آزادشده را صرف کار کم اثر دیگری کند، درآمد افزایش نمی یابد. بنابراین مدیرعامل باید رابطه میان بهبود یک وظیفه و نتیجه ای را که شرکت دنبال می کند بررسی کند.

پیش فرضی که این نگاه را محدود می کند، این است که «بهتر انجام دادن کار فعلی، همان ارزش آفرینی بیشتر است». این رابطه همیشه برقرار نیست. ممکن است کار با کیفیت و سرعت بیشتری انجام شود، اما ارزش آن برای مشتری محدود باشد. هوش مصنوعی فرصتی ایجاد می کند که خود خدمت، محصول یا روش درآمدزایی را دوباره بررسی کنیم. این تصمیم به شناخت نیاز مشتری وابسته است.

برای مثال، یک شرکت بیمه می تواند رسیدگی به خسارت را سریع تر کند. بررسی داده ها ممکن است امکان کمک به پیشگیری از خسارت را هم فراهم کند. این کاربرد، رابطه متفاوتی با مشتری می سازد و به مدل اقتصادی مناسب نیاز دارد. در یک شرکت صنعتی، خودکارسازی گزارش نگهداشت مفید است، اما کاهش توقف خط تولید نتیجه ملموس تری برای کسب وکار دارد. هر کاربرد را باید با ارزشی که قرار است ایجاد کند سنجید.

اقتصاددانان درباره فناوری های عمومی توضیح داده اند که اثر بهره وری می تواند با تأخیر ظاهر شود، چون استفاده مؤثر به سرمایه گذاری های مکمل نیاز دارد. در هوش مصنوعی هم مهارت کارکنان، داده مناسب و تغییر فرایند بخشی از این سرمایه گذاری است. فاصله میان خرید ابزار و مشاهده نتیجه، لزوماً نشانه بی فایده بودن فناوری نیست. مدیرعامل باید بررسی کند چه تغییرهای مکملی انجام نشده اند و انتظار نتیجه در چه بازه ای معقول است.

مزیت رقابتی هم به دسترسی به مدل وابسته نمی ماند. رقبا ممکن است به ابزار مشابهی دسترسی داشته باشند، اما داده اختصاصی، شناخت مشتری و دانش فرایندی شرکت ها متفاوت است. مدیرعامل باید ببیند ترکیب این داشته ها با هوش مصنوعی چه امکان مشخصی ایجاد می کند. برای مثال، سال ها داده خدمات پس از فروش وقتی ارزش پیدا می کند که به تشخیص بهتر مشکل و اصلاح محصول کمک کند.

انتخاب حوزه سرمایه گذاری وقتی کامل تر می شود که منفعت آن برای مشتری و شرکت روشن باشد. لازم است بدانیم مشتری چه تغییری در خدمت دریافت می کند و این تغییر چگونه به درآمد یا عملکرد بهتر شرکت کمک می کند. تا این رابطه روشن نباشد، افزایش فعالیت یا خروجی را نمی توان نشانه موفقیت اقتصادی دانست.

۶. معماری همکاری انسان و ماشین

پس از روشن شدن ارزش مورد انتظار، باید روش انجام کار طراحی شود. اضافه کردن هوش مصنوعی به فرایند موجود برای شروع مفید است، اما ممکن است همه ظرفیت آن را به کار نگیرد. کارهایی که پیش تر به دلیل محدودیت زمان یا دسترسی به اطلاعات تقسیم شده بودند، می توانند تقسیم متفاوتی پیدا کنند. مدیرعامل باید مطمئن شود این بازطراحی با کیفیت مورد انتظار و توان کارکنان سازگار است.

در پژوهشی روی بیش از پنج هزار کارشناس پشتیبانی مشتری، دستیار هوش مصنوعی به افزایش متوسط بهره وری کمک کرد و اثر آن برای کارکنان کم تجربه بیشتر بود. این یافته نشان می دهد ابزار می تواند در دسترس قرار گرفتن دانش کاری را تغییر دهد. کارشناس تازه کار هنگام پاسخ گویی به الگوهایی دسترسی پیدا می کند که پیش تر با تجربه یا کمک همکاران می آموخت. طراحی آموزش و ارزیابی او هم باید این تغییر را در نظر بگیرد.

فراتحلیل پژوهش های همکاری انسان و هوش مصنوعی نشان داده است ترکیب این دو همیشه از بهترین عملکرد انسان یا ماشین به تنهایی بهتر نیست. نتیجه به نوع کار و نحوه همکاری وابسته است. در بعضی فعالیت های تولید محتوا، همکاری سودمندتر بوده و در برخی وظایف تصمیم گیری، نتیجه ضعیف تر شده است. پس وجود انسان و ماشین در یک فرایند، به خودی خود کیفیت آن را تضمین نمی کند.

در طراحی همکاری، لازم است ترتیب کار و محل بررسی خروجی مشخص شود. برای مثال، در خدمات مشتریان مدل می تواند اطلاعات مرتبط را پیدا کند و پیش نویس پاسخ بدهد. کارشناس در موارد حساس، سابقه مشتری و تناسب راه حل را بررسی می کند. تجربه او باید ثبت شود تا بتوان خطاهای تکراری ابزار یا نقص فرایند را اصلاح کرد. اگر بازخورد ثبت شود اما هیچ کس آن را بررسی نکند، کیفیت همکاری تغییر نخواهد کرد.

نقش انسانی را هم باید واقع بینانه تعریف کرد. کارشناسی که برای بررسی هر پیشنهاد وقت کافی ندارد، نمی تواند ناظر مؤثری باشد. اگر شاخص عملکردش فقط سرعت پاسخ را بسنجد، انگیزه بررسی دقیق کمتر می شود. مدیرعامل باید هماهنگی میان نقش، حجم کار و معیار ارزیابی را پیگیری کند. طراحی همکاری، ترتیب انجام کار و نقش افراد را مشخص می کند. پس از آن باید درباره سطح مجاز اقدام خودکار و شرایط مداخله هم تصمیم گرفت.

۷. آمادگی سازمان برای تغییر

کیفیت مدل، بخشی از شرایط موفقیت است. داده های پراکنده، مسئولیت های نامشخص یا کارکنانی که فرصت یادگیری ندارند می توانند استفاده مؤثر را دشوار کنند. آمادگی سازمان یعنی شرایطی فراهم شود که افراد بتوانند روش تازه کار را بفهمند و اجرا کنند. مدیرعامل باید این شرایط را پیش از گسترش کاربرد بررسی کند، زیرا موفقیت محدود در یک تیم، آمادگی همه واحدها را نشان نمی دهد.

پژوهش های آمادگی سازمانی بر هدف روشن، منابع کافی و کیفیت داده تأکید کرده اند. داده نامناسب می تواند در مراحل بعدی به خطاهای متعدد منجر شود. برای مثال، اگر اطلاعات محصول در واحدهای مختلف ناسازگار باشد، دستیار خدمات مشتریان ممکن است پاسخ های متفاوتی تولید کند. اصلاح ظاهر پاسخ، اختلاف داده را برطرف نمی کند. باید مسئول نگهداری اطلاعات و روش به روزرسانی آن مشخص باشد.

آمادگی کارکنان هم با برگزاری یک دوره عمومی به دست نمی آید. کارشناس فروش و مسئول منابع انسانی با اطلاعات و پیامدهای متفاوتی سروکار دارند. آموزش باید به کار واقعی آن ها مرتبط باشد و استفاده مجاز، شیوه بررسی خروجی و گزارش خطا را توضیح دهد. کارکنان لازم است بدانند هنگام تردید از چه کسی کمک بگیرند. دستورالعملی که در موقعیت کاری قابل استفاده نیست، احتمال خطا را چندان کاهش نمی دهد.

پژوهش درباره امنیت روانی، امکان بیان خطا و تردید را با یادگیری تیم مرتبط می داند. در استفاده از هوش مصنوعی، واکنش مدیر به خبر نامطلوب اهمیت دارد. اگر گزارش خطای مدل به سرزنش کاربر منجر شود، کارکنان ممکن است خطا یا استفاده خود را پنهان کنند. در آن صورت، سازمان اطلاعات لازم برای اصلاح را از دست می دهد. تشخیص استفاده سهل انگارانه باید با حفظ امکان گزارش صادقانه همراه باشد.

هوش مصنوعی بر اختیار و رابطه کارکنان با مدیریت هم اثر می گذارد. سامانه پیشنهاددهنده ممکن است به تدریج به معیاری برای ارزیابی افراد تبدیل شود. اگر کارشناس با پیشنهاد آن مخالفت کند، آیا باید توضیح بدهد؟ آیا حق دارد بر پایه شناخت مشتری تصمیم متفاوتی بگیرد؟ این موضوع ها بر رفتار کارکنان اثر دارند و لازم است پیش از اجرا درباره آن ها گفت وگو شود. توضیح صرفه جویی زمانی، نگرانی درباره کاهش اختیار حرفه ای را پاسخ نمی دهد.

مدیران میانی در آماده کردن سازمان نقش مؤثری دارند، چون محدودیت های کار روزانه را می شناسند. اگر اختیار اصلاح فرایند نداشته باشند، از آن ها نمی توان انتظار اجرای تغییر داشت. مشارکت کارکنان خط مقدم هم کمک می کند طراحی با واقعیت کار سازگار شود. مدیرعامل باید برای این مشارکت زمان و اختیار فراهم کند و آمادگی هر واحد را با شواهد کاری بسنجد. تعداد افراد آموزش دیده، به تنهایی چنین آمادگی را ثابت نمی کند.

۸. سرمایه گذاری همراه با یادگیری

سرمایه گذاری در هوش مصنوعی در شرایطی انجام می شود که توان ابزارها و هزینه استفاده از آن ها تغییر می کند. انتظار برای روشن شدن همه ابهام ها می تواند فرصت یادگیری را از شرکت بگیرد. مدیرعامل به روشی نیاز دارد که تصمیم سرمایه گذاری را با آنچه شرکت در عمل می آموزد پیوند دهد.

نظریه یادگیری سازمانی، تفاوت میان بهره برداری از توان موجود و جست وجوی امکان های تازه را توضیح می دهد. سبد پروژه های هوش مصنوعی نیز به هر دو نیاز دارد. کاربردی که کیفیت یک فرایند شناخته شده را بهتر می کند با آزمایشی که امکان یک خدمت تازه را بررسی می کند، هدف و عدم قطعیت یکسانی ندارد. مقایسه این دو با یک معیار کوتاه مدت می تواند انتخاب ها را منحرف کند.

هزینه واقعی پروژه شامل آماده سازی داده، تغییر فرایند و بررسی کیفیت هم می شود. مقایسه هزینه اشتراک با ساعات صرفه جویی شده، تصویر کاملی نمی دهد. وقت کارکنانی که خروجی را اصلاح می کنند و هزینه رسیدگی به خطا باید دیده شود. در مقابل، دانش و قابلیتی که برای استفاده های بعدی ایجاد می شود هم می تواند ارزش داشته باشد. این ارزش را باید مشخص توضیح داد، نه اینکه هر هزینه ای را با عنوان یادگیری توجیه کرد.

ادامه دادن پروژه نباید صرفاً به هزینه ای که قبلاً صرف شده وابسته باشد. پیش از شروع، لازم است شرایط ادامه، اصلاح یا توقف روشن شود. پس از تجربه‎گری نیز باید دانسته ها ثبت شوند تا تیم بعدی همان خطا را تکرار نکند. ذهنیت سرمایه گذاری همراه با یادگیری، تصمیم بعدی را به شواهد تازه متصل می کند. ممکن است یک واحد برای اجرای تغییر آماده باشد، اما شواهد تجربه‎گری هنوز افزایش سرمایه گذاری را توجیه نکند.

۹. طراحی زمینه و حدود اختیار

مدل برای تولید پاسخ مناسب به اطلاعات مرتبط با کار نیاز دارد. تاریخچه مشتری، قواعد شرکت و محدودیت های تصمیم می توانند نتیجه را تغییر دهند. توان بالای مدل، ناآگاهی از این اطلاعات را جبران نمی کند. مدیرعامل باید مطمئن شود سازمان درباره اطلاعاتی که در اختیار ابزار قرار می دهد و دسترسی هایی که به آن می دهد، تصمیم آگاهانه گرفته است.

زمینه را نباید به نوشتن یک درخواست مفصل محدود کرد. اگر اطلاعات قیمت یا سیاست مرجوعی قدیمی باشد، مدل ممکن است پاسخی منظم اما نامناسب بدهد. اگر سامانه به داده ای دسترسی دارد که کاربر مجاز به دیدنش نیست، کیفیت متن مسئله اصلی نخواهد بود. فراهم کردن زمینه به نگهداری دانش سازمان، تعیین دسترسی و شناخت موقعیت استفاده نیاز دارد.

با افزایش توان عامل های هوش مصنوعی برای انجام اقدام، حدود اختیار حساس تر می شود. ابزاری که پیش نویس سفارش را آماده می کند با سامانه ای که سفارش را ثبت می کند، پیامد یکسانی ندارد. حتی خروجی متنی هم می تواند اثر مهمی داشته باشد، اما امکان اقدام مستقیم، فاصله میان خطا و پیامد را کمتر می کند. میزان خودکارسازی باید با هزینه خطا و امکان بازگرداندن اقدام تناسب داشته باشد.

شرکت می تواند برای هر کاربرد، سطح مجاز عملکرد را مشخص کند. یک مدل ممکن است اجازه خلاصه سازی اطلاعات داشته باشد و برای اقدام به تأیید انسان نیاز پیدا کند. در کاربرد دیگری، اقدام محدود و قابل بازگشت می تواند خودکار باشد. این سطح ها را نباید برای همه فرایندها یکسان تعیین کرد. حساسیت داده و اثر تصمیم بر افراد، در انتخاب حد اختیار نقش دارد.

در طراحی عملی باید مشخص باشد چه نشانه ای کار را متوقف می کند و چه کسی اختیار مداخله دارد. برای مثال، یک عامل هوشمند خرید می تواند سفارش های زیر مبلغ معین را در چارچوب تأمین کنندگان تأییدشده ثبت کند، اما تغییر مشخصات کالا یا افزایش غیرعادی حجم سفارش به بررسی انسانی نیاز پیدا کند. این قواعد باید در دسترسی و عملکرد سامانه اجرا شوند. نوشته شدن آن ها در دستورالعمل، به تنهایی مانع اقدام نامناسب نمی شود.

۱۰. پاسخ گویی در برابر پیامدها

شرکت باید بتواند تصمیم استفاده از هوش مصنوعی و پیامدهای آن را توضیح دهد. مشتری یا کارمند آسیب دیده با سازمان روبه روست و انتظار دارد کسی موضوع را بررسی و اصلاح کند. نسبت دادن خطا به مدل، این انتظار را پاسخ نمی دهد. مدیرعامل مسئول فراهم کردن ترتیباتی است که مسئولیت در آن گم نشود، هرچند تقسیم مسئولیت اجرایی و حقوقی به نوع کاربرد و رابطه با تأمین کننده وابسته است.

مطالعه جهانی دانشگاه ملبورن و KPMG با بیش از چهل وهشت هزار نفر در چهل وهفت کشور، فاصله میان استفاده و اعتماد به هوش مصنوعی را نشان داده است. فرد می تواند از خدمت سریع تر استفاده کند و همچنان درباره تصمیمی که بر زندگی او اثر می گذارد نگرانی داشته باشد. برای کسب وکار، تجربه آسان جای پاسخ روشن درباره نحوه تصمیم گیری و امکان رسیدگی به اعتراض را نمی گیرد.

چارچوب مدیریت ریسک NIST و راهنمای هوش مصنوعی مولد آن، شناسایی و مدیریت ریسک را در طول استفاده از سیستم مطرح می کنند. اصول OECD بر حقوق بشر، ایمنی و پاسخ گویی تأکید دارند. توصیه اخلاقی یونسکو نیز مسئولیت نهایی را متوجه انسان ها و نهادهای حقوقی می داند. در سطح شرکت، این اصول باید به مسئولیت مشخص و روش رسیدگی تبدیل شوند تا فرد بداند درخواستش کجا بررسی می شود.

در استخدام، داوطلب باید با روشی منصفانه ارزیابی شود. در اعتبارسنجی، لازم است تصمیم نامناسب قابل بررسی باشد. شرکت باید ببیند چه کسانی بیشتر در معرض خطا قرار می گیرند و آیا داده یا معیار ارزیابی، نابرابری موجود را تکرار می کند. این بررسی با کنترل فنی عملکرد مدل مرتبط است، اما به پرسش درباره انصاف و حقوق افراد هم نیاز دارد. میانگین دقت خوب، آسیب واردشده به یک گروه را توجیه نمی کند.

پاسخ گویی می تواند به محدود کردن یا کنار گذاشتن یک کاربرد منجر شود. امکان فنی برای شروع کافی نیست، اگر شرکت نتواند پیامد قابل انتظار را مدیریت کند. همین منطق در انتخاب تأمین کننده هم کاربرد دارد. ابهام درباره استفاده از داده یا امکان بررسی خطا باید در تصمیم خرید اثر بگذارد. سرعت اجرای پروژه نباید مانع بررسی موضوعی شود که بعداً هزینه اش به کارکنان یا مشتریان منتقل خواهد شد.

این ذهنیت به آنچه پس از تصمیم رخ می دهد توجه دارد. ذهنیت نهم، حد دسترسی و اقدام مجاز را طراحی می کند. پاسخ گویی مشخص می کند سازمان در برابر پیامدها چگونه توضیح می دهد، اعتراض را بررسی می کند و خطا را جبران می کند. برای هر کاربرد اثرگذار بر افراد، باید مسئول مشخصی وجود داشته باشد و تجربه رسیدگی به خطا به بازنگری کاربرد منجر شود. مدیرعامل لازم است این روند را پیگیری کند و به هیئت مدیره درباره مسائل حل نشده گزارش دهد.

تصمیم بعدی مدیرعامل

در جلسه دوشنبه، لازم نیست مدیرعامل درباره همه کاربردها تصمیم فوری بگیرد. می تواند از تیم بخواهد برای یک فرایند مهم، تصویر دقیق تری از مسئله و نتیجه مورد انتظار ارائه کند. معلوم شود روش فعلی چه محدودیتی دارد، هوش مصنوعی کدام بخش را تغییر می دهد و شرکت چگونه اثر این تغییر را خواهد سنجید. چنین بررسی، گزارش استفاده را به تصمیمی درباره کسب وکار متصل می کند.

این ده ذهنیت به هم مرتبطند، اما هرکدام موضوع مشخصی برای تأمل دارند. هدف، افزودن عنوان های تازه به برنامه تحول نیست. مدیرعامل می تواند با یکی از تصمیم های واقعی خود شروع کند و ببیند چه پیش فرضی پشت آن قرار دارد. آیا چون رقبا سرمایه گذاری کرده اند، پروژه را ضروری دانسته است؟ آیا روانی پاسخ مدل را نشانه درستی گرفته است؟ آیا کاهش زمان را بدون بررسی کیفیت، موفقیت حساب کرده است؟

معماری ذهنیت در همین بازبینی معنا پیدا می کند. پیش فرضی که شناخته می شود، قابل بررسی و تغییر است. هوش مصنوعی می تواند توان انجام کار را افزایش دهد، اما قضاوت درباره کار ارزشمند و پیامد پذیرفتنی همچنان به رهبری نیاز دارد. برای شروع، یک تصمیم کافی است که این بار با دقت بیشتری به دلیل گرفتنش نگاه کنیم.

📄 دانلود فایل ذهنیت هوش مصنوعی برای مدیران عاملPDF

منابع:

Amershi, S., Weld, D., Vorvoreanu, M., Fourney, A., Nushi, B., Collisson, P., Suh, J., Iqbal, S., Bennett, P. N., Inkpen, K., Teevan, J., Kikin-Gil, R., & Horvitz, E. (۲۰۱۹). Guidelines for human-AI interaction. Proceedings of the ۲۰۱۹ CHI Conference on Human Factors in Computing Systems, ۱–۱۳٫ https://doi.org/۱۰.۱۱۴۵/۳۲۹۰۶۰۵.۳۳۰۰۲۳۳
Apotheker, J., Beauchene, V., de Bellefonds, N., Forth, P., Franke, M. R., Grebe, M., Kataeva, N., Kirvelä, S., Kleine, D., de Laubier, R., Lukic, V., Luther, A., Martin, M., Walters, J., & Schweizer, C. (۲۰۲۵, September ۳۰). The widening AI value gap. Boston Consulting Group. https://www.bcg.com/publications/۲۰۲۵/are-you-generating-value-from-ai-the-widening-gap
Apotheker, J., Duranton, S., Lukic, V., de Bellefonds, N., & Schweizer, C. (۲۰۲۶, January ۱۵). As AI investments surge, CEOs take the lead. Boston Consulting Group. https://www.bcg.com/publications/۲۰۲۶/as-ai-investments-surge-ceos-take-the-lead
Baer, M., Dirks, K. T., & Nickerson, J. A. (۲۰۱۳). Microfoundations of strategic problem formulation. Strategic Management Journal, ۳۴(۲), ۱۹۷–۲۱۴٫ https://doi.org/۱۰.۱۰۰۲/smj.۲۰۰۴
Bansal, G., Wu, T., Zhou, J., Fok, R., Nushi, B., Kamar, E., Ribeiro, M. T., & Weld, D. (۲۰۲۱). Does the whole exceed its parts? The effect of AI explanations on complementary team performance. Proceedings of the ۲۰۲۱ CHI Conference on Human Factors in Computing Systems, ۱–۱۶٫ https://doi.org/۱۰.۱۱۴۵/۳۴۱۱۷۶۴.۳۴۴۵۷۱۷
Barton, C., Bedard, J., de Bellefonds, N., & Wallenstein, J. (۲۰۲۶, June ۲۳). AI for CEOs: Amplifying time and judgment at the top. Boston Consulting Group. https://www.bcg.com/publications/۲۰۲۶/ai-for-ceos
Beauchene, V., Duranton, S., Martin, D., Lyon, V., & Walters, J. (۲۰۲۶, June ۳). AI at work: Strategy matters more than tools. Boston Consulting Group. https://www.bcg.com/publications/۲۰۲۶/ai-at-work-why-strategy-matters-more-than-tools
Berente, N., Gu, B., Recker, J., & Santhanam, R. (۲۰۲۱). Managing artificial intelligence. MIS Quarterly, ۴۵(۳), ۱۴۳۳–۱۴۵۰٫ https://doi.org/۱۰.۲۵۳۰۰/MISQ/۲۰۲۱/۱۶۲۷۴
Boston Consulting Group. (۲۰۲۶, July ۳۱). The cost of caution with AI investments. https://www.bcg.com/publications/۲۰۲۶/building-business-value-with-ai-investment
Brynjolfsson, E., Li, D., & Raymond, L. (۲۰۲۵). Generative AI at work. The Quarterly Journal of Economics, ۱۴۰(۲), ۸۸۹–۹۴۲٫ https://doi.org/۱۰.۱۰۹۳/qje/qjae۰۴۴
Brynjolfsson, E., Rock, D., & Syverson, C. (۲۰۲۱). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, ۱۳(۱), ۳۳۳–۳۷۲٫ https://doi.org/۱۰.۱۲۵۷/mac.۲۰۱۸۰۳۸۶
Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (۲۰۲۱). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, ۵(CSCW۱), Article ۱۸۸, ۱–۲۱٫ https://doi.org/۱۰.۱۱۴۵/۳۴۴۹۲۸۷
Cohen, W. M., & Levinthal, D. A. (۱۹۹۰). Absorptive capacity: A new perspective on learning and innovation. Administrative Science Quarterly, ۳۵(۱), ۱۲۸–۱۵۲٫ https://doi.org/۱۰.۲۳۰۷/۲۳۹۳۵۵۳
Dell’Acqua, F., Ayoubi, C., Lifshitz, H., Sadun, R., Mollick, E., Mollick, L., Han, Y., Goldman, J., Nair, H., Taub, S., & Lakhani, K. R. (۲۰۲۶). The cybernetic teammate: A field experiment on generative AI and teamwork. Organization Science, ۳۷(۴), ۱۲۱۷–۱۲۴۲٫ https://doi.org/۱۰.۱۲۸۷/orsc.۲۰۲۵.۲۰۷۰۲
Dell’Acqua, F., McFowland, E., III, Mollick, E. R., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (۲۰۲۶). Navigating the jagged technological frontier: Field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality. Organization Science, ۳۷(۲), ۴۰۳–۴۲۳٫ https://doi.org/۱۰.۱۲۸۷/orsc.۲۰۲۵.۲۱۸۳۸
Deloitte. (۲۰۲۶, January ۲۱). From ambition to activation: Organizations stand at the untapped edge of AI’s potential, reveals Deloitte survey. https://www.deloitte.com/us/en/about/press-room/state-of-ai-report-۲۰۲۶.html
Dhar, J., Ellmer, K., Jameson, P., Martin, D., Lukic, V., & Sivakumar, V. (۲۰۲۶, May ۱۹). Your AI change is actually a people change. Boston Consulting Group. https://www.bcg.com/publications/۲۰۲۶/why-ai-change-is-actually-a-people-change
Dietvorst, B. J., Simmons, J. P., & Massey, C. (۲۰۱۵). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, ۱۴۴(۱), ۱۱۴–۱۲۶٫ https://doi.org/۱۰.۱۰۳۷/xge۰۰۰۰۰۳۳
Doshi, A. R., & Hauser, O. P. (۲۰۲۴). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, ۱۰(۲۸), eadn۵۲۹۰. https://doi.org/۱۰.۱۱۲۶/sciadv.adn۵۲۹۰
Edmondson, A. (۱۹۹۹). Psychological safety and learning behavior in work teams. Administrative Science Quarterly, ۴۴(۲), ۳۵۰–۳۸۳٫ https://doi.org/۱۰.۲۳۰۷/۲۶۶۶۹۹۹
Enholm, I. M., Papagiannidis, E., Mikalef, P., & Krogstie, J. (۲۰۲۲). Artificial intelligence and business value: A literature review. Information Systems Frontiers, ۲۴(۵), ۱۷۰۹–۱۷۳۴٫ https://doi.org/۱۰.۱۰۰۷/s۱۰۷۹۶-۰۲۱-۱۰۱۸۶-w
Faraj, S., Pachidi, S., & Sayegh, K. (۲۰۱۸). Working and organizing in the age of the learning algorithm. Information and Organization, ۲۸(۱), ۶۲–۷۰٫ https://doi.org/۱۰.۱۰۱۶/j.infoandorg.۲۰۱۸.۰۲.۰۰۵
Gillespie, N., Lockey, S., Ward, T., Macdade, A., & Hassed, G. (۲۰۲۵). Trust, attitudes and use of artificial intelligence: A global study ۲۰۲۵. The University of Melbourne and KPMG. https://doi.org/۱۰.۲۶۱۸۸/۲۸۸۲۲۹۱۹
Helfat, C. E., & Peteraf, M. A. (۲۰۱۵). Managerial cognitive capabilities and the microfoundations of dynamic capabilities. Strategic Management Journal, ۳۶(۶), ۸۳۱–۸۵۰٫ https://doi.org/۱۰.۱۰۰۲/smj.۲۲۴۷
Jarrahi, M. H. (۲۰۱۸). Artificial intelligence and the future of work: Human-AI symbiosis in organizational decision making. Business Horizons, ۶۱(۴), ۵۷۷–۵۸۶٫ https://doi.org/۱۰.۱۰۱۶/j.bushor.۲۰۱۸.۰۳.۰۰۷
Jöhnk, J., Weißert, M., & Wyrtki, K. (۲۰۲۱). Ready or not, AI comes: An interview study of organizational AI readiness factors. Business & Information Systems Engineering, ۶۳(۱), ۵–۲۰٫ https://doi.org/۱۰.۱۰۰۷/s۱۲۵۹۹-۰۲۰-۰۰۶۷۶-۷
Kellogg, K. C., Valentine, M. A., & Christin, A. (۲۰۲۰). Algorithms at work: The new contested terrain of control. Academy of Management Annals, ۱۴(۱), ۳۶۶–۴۱۰٫ https://doi.org/۱۰.۵۴۶۵/annals.۲۰۱۸.۰۱۷۴
Krakowski, S., Luger, J., & Raisch, S. (۲۰۲۳). Artificial intelligence and the changing sources of competitive advantage. Strategic Management Journal, ۴۴(۶), ۱۴۲۵–۱۴۵۲٫ https://doi.org/۱۰.۱۰۰۲/smj.۳۳۸۷
Lebovitz, S., Lifshitz-Assaf, H., & Levina, N. (۲۰۲۲). To engage or not to engage with AI for critical judgments: How professionals deal with opacity when using AI for medical diagnosis. Organization Science, ۳۳(۱), ۱۲۶–۱۴۸٫ https://doi.org/۱۰.۱۲۸۷/orsc.۲۰۲۱.۱۵۴۹
Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (۲۰۲۵). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proceedings of the ۲۰۲۵ CHI Conference on Human Factors in Computing Systems, Article ۱۱۲۱, ۱–۲۲٫ https://doi.org/۱۰.۱۱۴۵/۳۷۰۶۵۹۸.۳۷۱۳۷۷۸
Logg, J. M., Minson, J. A., & Moore, D. A. (۲۰۱۹). Algorithm appreciation: People prefer algorithmic to human judgment. Organizational Behavior and Human Decision Processes, ۱۵۱, ۹۰–۱۰۳٫ https://doi.org/۱۰.۱۰۱۶/j.obhdp.۲۰۱۸.۱۲.۰۰۵
March, J. G. (۱۹۹۱). Exploration and exploitation in organizational learning. Organization Science, ۲(۱), ۷۱–۸۷٫ https://doi.org/۱۰.۱۲۸۷/orsc.۲.۱.۷۱
McKinsey & Company. (۲۰۲۵, December ۱۰). AI at work but not at scale. https://www.mckinsey.com/featured-insights/charts/ai-at-work-but-not-at-scale
METR. (۲۰۲۶, February ۲۴). We are changing our developer productivity experiment design. https://metr.org/blog/۲۰۲۶-۰۲-۲۴-uplift-update/
Microsoft. (۲۰۲۵, April ۲۳). ۲۰۲۵: The year the Frontier Firm is born [Work Trend Index annual report]. https://www.microsoft.com/en-us/worklab/work-trend-index/۲۰۲۵-the-year-the-frontier-firm-is-born
Mikalef, P., & Gupta, M. (۲۰۲۱). Artificial intelligence capability: Conceptualization, measurement calibration, and empirical study on its impact on organizational creativity and firm performance. Information & Management, ۵۸(۳), ۱۰۳۴۳۴. https://doi.org/۱۰.۱۰۱۶/j.im.۲۰۲۱.۱۰۳۴۳۴
National Institute of Standards and Technology. (۲۰۲۴). Artificial intelligence risk management framework: Generative artificial intelligence profile (NIST AI ۶۰۰-۱). https://doi.org/۱۰.۶۰۲۸/NIST.AI.۶۰۰-۱
Noy, S., & Zhang, W. (۲۰۲۳). Experimental evidence on the productivity effects of generative artificial intelligence. Science, ۳۸۱(۶۶۵۴), ۱۸۷–۱۹۲٫ https://doi.org/۱۰.۱۱۲۶/science.adh۲۵۸۶
OECD. (۲۰۲۴). OECD AI principles. https://oecd.ai/en/ai-principles
Raisch, S., & Krakowski, S. (۲۰۲۱). Artificial intelligence and management: The automation-augmentation paradox. Academy of Management Review, ۴۶(۱), ۱۹۲–۲۱۰٫ https://doi.org/۱۰.۵۴۶۵/amr.۲۰۱۸.۰۰۷۲
Ransbotham, S., Candelon, F., Kiron, D., LaFountain, B., & Khodabandeh, S. (۲۰۲۱). The cultural benefits of artificial intelligence in the enterprise. MIT Sloan Management Review and Boston Consulting Group. https://web-assets.bcg.com/۸۵/۹۰/۹۵۹۳۹۱۸۵۴۰۴cbd۹۰۱aba۰d۵۴f۱d۷/the-cultural-benefits-of-artificial-intelligence-in-the-enterprise-r.pdf
Sambasivan, N., Kapania, S., Highfill, H., Akrong, D., Paritosh, P., & Aroyo, L. M. (۲۰۲۱). “Everyone wants to do the model work, not the data work”: Data cascades in high-stakes AI. Proceedings of the ۲۰۲۱ CHI Conference on Human Factors in Computing Systems, ۱–۱۵٫ https://doi.org/۱۰.۱۱۴۵/۳۴۱۱۷۶۴.۳۴۴۵۵۱۸
Shneiderman, B. (۲۰۲۰). Human-centered artificial intelligence: Reliable, safe & trustworthy. International Journal of Human-Computer Interaction, ۳۶(۶), ۴۹۵–۵۰۴٫ https://doi.org/۱۰.۱۰۸۰/۱۰۴۴۷۳۱۸.۲۰۲۰.۱۷۴۱۱۱۸
Shrestha, Y. R., Ben-Menahem, S. M., & von Krogh, G. (۲۰۱۹). Organizational decision-making structures in the age of artificial intelligence. California Management Review, ۶۱(۴), ۶۶–۸۳٫ https://doi.org/۱۰.۱۱۷۷/۰۰۰۸۱۲۵۶۱۹۸۶۲۲۵۷
Stanford Institute for Human-Centered Artificial Intelligence. (۲۰۲۶). The ۲۰۲۶ AI Index report. https://hai.stanford.edu/ai-index/۲۰۲۶-ai-index-report
Tabassi, E. (۲۰۲۳). Artificial intelligence risk management framework (AI RMF ۱.۰) (NIST AI ۱۰۰-۱). National Institute of Standards and Technology. https://doi.org/۱۰.۶۰۲۸/NIST.AI.۱۰۰-۱
Teece, D. J. (۲۰۰۷). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, ۲۸(۱۳), ۱۳۱۹–۱۳۵۰٫ https://doi.org/۱۰.۱۰۰۲/smj.۶۴۰
Tinkoff, D., Van der Veken, L., Chui, M., & Balakrishnan, T. (۲۰۲۶, August ۲۵). The state of AI in ۲۰۲۶: On the road to ROI. McKinsey & Company. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
UNESCO. (۲۰۲۱). Recommendation on the ethics of artificial intelligence. https://www.unesco.org/en/legal-affairs/recommendation-ethics-artificial-intelligence
Vaccaro, M., Almaatouq, A., & Malone, T. (۲۰۲۴). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, ۸(۱۲), ۲۲۹۳–۲۳۰۳٫ https://doi.org/۱۰.۱۰۳۸/s۴۱۵۶۲-۰۲۴-۰۲۰۲۴-۱