محسن یادبروقی*
هوش‌مصنوعی دیگر موضوعی برای نمایشگاه‌های فناوری یا بحث‌های آینده‌پژوهانه نیست. این فناوری آرام‌آرام وارد کارخانه‌ها، واحدهای تحقیق و توسعه، زنجیره تامین و حتی جلسات مدیران شده است. به همین دلیل بحث امروز صنعت، دیگر این نیست که «آیا باید از هوش‌مصنوعی استفاده کنیم یا نه؟»؛ مساله مهم‌تر این است که هوش‌مصنوعی دقیقا در کدام بخش از صنعت می‌تواند ارزش ایجاد کند؟ این پرسش ساده به نظر می‌رسد اما پاسخ آن چندان ساده نیست. صنایع امروز با مجموعه‌ای از مشکلات همزمان روبه‌رو هستند؛ از افزایش هزینه تولید و محدودیت منابع گرفته تا نوسانات بازار، دشواری تامین مواد اولیه، کمبود نیروی متخصص، فشار برای کاهش زمان تحویل و ضرورت افزایش بهره‌وری. در چنین شرایطی طبیعی است که مدیران به فناوری‌های جدید به‌عنوان راهی برای حل بخشی از این مسائل نگاه کنند. گزارش‌های AI Index دانشگاه استنفورد در سال‌های۲۰۲۴ و ۲۰۲۵ نیز نشان می‌دهد که قابلیت‌های هوش‌مصنوعی و دامنه استفاده از آن در سازمان‌ها با سرعت قابل‌توجهی در حال گسترش است با این حال یک فاصله جدی میان «استفاده از ابزارهایAI » و «خلق ارزش اقتصادی باAI » وجود دارد. به بیان روشن‌تر، خرید یک نرم‌افزار هوش‌مصنوعی، یک شرکت را هوشمند نمی‌کند. مساله را پیدا کنیم، بعد سراغ AI برویم. یکی از اشتباهات رایج در مواجهه با هوش‌مصنوعی این است که سازمان ابتدا فناوری را انتخاب کرده و بعد به‌دنبال کاربرد آن می‌گردد. گاهی حتی پروژه‌ای با عنوان «استقرار هوش‌مصنوعی» تعریف می‌شود، بدون اینکه معلوم باشد قرار است کدام مساله کسب‌وکار حل شود. مسیر درست باید برعکس باشد. مدیر ابتدا باید بپرسد: درد اصلی سازمان کجاست؟ آیا سفارش‌ها با تاخیر تحویل می‌شوند؟ آیا ضایعات تولید بالاست؟ چرا برخی ماشین‌آلات مرتبا از کار می‌افتند؟ چرا موجودی انبار بیش از نیاز است؟ آیا پیش‌بینی فروش قابل‌اعتماد نیست؟ چرا طراحی محصول زمان زیادی می‌برد؟ یا اینکه اطلاعات و تجربه‌ای که سال‌ها در سازمان تولید شده، به‌راحتی در دسترس مدیر و کارشناس قرار ندارد؟ بعد از مشخص‌شدن مساله باید پرسید: آیا AI واقعا می‌تواند این مشکل را بهتر از روش موجود حل کند؟ همین تغییر زاویه دید، تفاوت میان AI به‌عنوان یک فناوری و AI به‌عنوان یک ابزار مدیریتی است.
هنوز یک مرحله قبل از هوش‌مصنوعی داریم
پیش از آنکه درباره هوش‌مصنوعی صحبت کنیم، باید یک سوءتفاهم رایج را برطرف کنیم. دیجیتالی‌شدن، اتوماسیون و هوشمندسازی یک چیز نیستند. اگر یک فرم کاغذی را به فرم الکترونیکی تبدیل کنیم، دیجیتالی‌شدن اتفاق افتاده است. اگر سیستم بتواند بدون دخالت کاربر یک سفارش خرید ایجاد کند، اتوماسیون داریم اما وقتی سیستم بتواند با تحلیل اطلاعات گذشته و شرایط موجود، احتمال تاخیر یک سفارش را پیش‌بینی کند، وارد حوزه هوشمندسازی شده‌ایم. این تفاوت برای صنعت بسیار مهم است زیرا AI بر بستر فرآیند، داده و زیرساخت اطلاعاتی سازمان کار می‌کند. اگر داده‌ها ناقص، پراکنده یا غیرقابل‌اعتماد باشند، هوش‌مصنوعی نمی‌تواند به‌سادگی این ضعف را جبران کند. درواقع یکی از خطرهای تحول AI این است که سازمان بخواهد با یک فناوری پیشرفته، مشکلات قدیمی مدیریت خود را پنهان کند.
هوش‌مصنوعی بی‌نظمی سازمانی را به‌طور خودکار درمان نمی‌کند.
AI در کارخانه چه کاری می‌تواند انجام دهد؟
کاربردهای هوش‌مصنوعی در صنعت بسیار گسترده است و از یک صنعت به صنعت دیگر تفاوت دارد. با این حال چند حوزه تقریبا برای بیشتر صنایع اهمیت دارند.
از دانش سازمانی تا نوآوری
هر شرکت صنعتی حتی اگر خودش متوجه نباشد، یک بانک بزرگ دانش دارد: گزارش پروژه‌ها، نقشه‌ها، سوابق تعمیرات، نتایج آزمون‌ها، مشخصات محصولات، استانداردها، گزارش‌های عدم انطباق و تجربه کارکنان. مشکل اینجاست که این دانش معمولا پراکنده است و بخش مهمی از آن در ذهن کارکنان قرار دارد. هوش‌مصنوعی می‌تواند دسترسی به این دانش را سریع‌تر و هوشمندتر کند؛ اسناد را جست‌وجو کرده، اطلاعات مرتبط را کنار هم قرار دهد، سوابق پروژه‌ها را مقایسه و در اختیار مهندس یا مدیر قرار بگذارد. در تحقیق و توسعه نیز می‌توان از AI برای بررسی روندهای فناوری، تحلیل بازار، شناسایی فرصت‌های محصول و پشتیبانی از مراحل اولیه طراحی استفاده کرد اما یک خط قرمز وجود دارد. AI پیشنهاد می‌دهد مسوولیت تخصصی همچنان با انسان است.
تولید؛ جایی که بهره‌وری باید خودش را نشان دهد.
در کارخانه ارزش AI باید در کف تولید دیده شود.
داده‌های مربوط به ماشین‌آلات، ظرفیت خطوط، برنامه تولید، مواد اولیه، کیفیت و زمان عملیات می‌توانند برای پیدا کردن گلوگاه‌ها و پیش‌بینی اختلالات تحلیل شوند. تصور کنید مدیر تولید قبل از آنکه یک سفارش واقعا از برنامه عقب بماند، از احتمال تاخیر آن مطلع شود. در این حالت AI به جای اینکه فقط یک گزارش تولید کند، به مدیر فرصت اقدام پیشگیرانه می‌دهد. اما معیار موفقیت روشن است. اگر AI قرار است در تولید استفاده شود، باید بتواند یکی از این شاخص‌ها را بهبود دهد: کاهش زمان تولید، کاهش توقف، کاهش ضایعات، کاهش دوباره‌کاری یا افزایش تحویل به‌موقع. تعداد الگوریتم‌ها و تعداد داشبوردها، شاخص بهره‌وری نیستند.
کیفیت؛ تشخیص سریع‌تر، نه حذف متخصص
بینایی ماشین و تحلیل داده می‌توانند در تشخیص عیوب و انحرافات فرآیند نقش موثری داشته باشند. این کاربرد به‌خصوص در تولید انبوه جذاب است اما در تولید سفارشی نیز تحلیل سوابق کیفیت می‌تواند الگوهای تکرارشونده خطا را آشکار کند. با این حال استفاده از AI نباید به‌معنای حذف مسوولیت کارشناس کیفیت باشد. هدف اصلی باید این باشد که متخصص سریع‌تر و دقیق‌تر تصمیم بگیرد.
نگهداری؛ حرکت از واکنش به پیش‌بینی
در بسیاری از کارخانه‌ها تعمیرات هنوز زمانی جدی گرفته می‌شود که ماشین خراب شده است.AI می‌تواند این منطق را تغییر دهد. داده‌هایی مانند دما، ارتعاش، فشار، مصرف انرژی و سایر پارامترهای عملکردی، در صورت وجود داده مناسب و زیرساخت لازم می‌توانند برای شناسایی نشانه‌های اولیه خرابی تحلیل شوند. ارزش اقتصادی این کار روشن است: کاهش توقف تولید، کاهش تعمیرات اضطراری و افزایش قابلیت اطمینان تجهیزات.
زنجیره تامین؛ جایی که تصمیم اشتباه هزینه دارد
کمبود مواد اولیه، تاخیر تامین‌کنندگان و افزایش موجودی از مشکلات مشترک بسیاری از صنایع است. AI می‌تواند در پیش‌بینی تقاضا، تحلیل عملکرد تامین‌کنندگان، مدیریت موجودی و شناسایی ریسک‌های زنجیره تامین کمک کند اما باز هم باید از شیفتگی به فناوری فاصله گرفت. سوال اصلی این نیست که مدل چقدر پیچیده است؟ بلکه این است که آیا موجودی کاهش پیدا کرده، توقف تولید کمتر شده و خرید اضطراری کاهش یافته است یا نه؟
مدیر صنعتی آینده باید چه بداند؟
مدیر صنعتی آینده لزوما برنامه‌نویس نخواهد بود اما مدیری که قابلیت‌ها و محدودیت‌های AI را نشناسد، در آینده برای تصمیم‌گیری به دیگران وابسته خواهد شد. مدیر باید بتواند چند سوال ساده اما اساسی بپرسد:
مساله چیست؟
چه داده‌ای داریم؟
آیا داده قابل اعتماد است؟
AI دقیقا کدام بخش مساله را حل می‌کند؟
نتیجه چگونه اعتبارسنجی می‌شود؟
مسوول تصمیم نهایی چه کسی است؟
و موفقیت پروژه با چه شاخصی سنجیده خواهد شد؟
این همان چیزی است که می‌توان آن را سواد مدیریتی هوش‌مصنوعی نامید.
از کجا شروع کنیم؟
برای بسیاری از شرکت‌ها، شروع AI نباید یک پروژه بزرگ و پرهزینه باشد. یک مسیر شش‌مرحله‌ای می‌تواند ریسک را کاهش دهد:
مساله ارزش اقتصادی آمادگی پایلوت ارزیابی مقیاس‌گذاری
ابتدا مساله مشخص شود. سپس ارزش اقتصادی حل آن اندازه‌گیری شود. بعد آمادگی داده، زیرساخت و نیروی انسانی بررسی شود. یک پروژه کوچک و قابل‌اندازه‌گیری اجرا شود و نتیجه آن با وضعیت قبل مقایسه گردد. اگر ارزش واقعی اثبات شد، پروژه توسعه پیدا کند.
اصل این رویکرد بسیار ساده است:
از مساله شروع کنید، نه از فناوری.
AI بدون ریسک نیست
نباید اجازه داد هیجان پیرامون هوش‌مصنوعی، ریسک‌های آن را پنهان کند. مدل‌های مولد ممکن است اطلاعات نادرست تولید کنند. داده‌های محرمانه ممکن است در معرض خطر قرار گیرند و کیفیت خروجی الگوریتم به کیفیت داده وابسته است. چارچوب مدیریت ریسک هوش‌مصنوعی NIST و پروفایل هوش‌مصنوعی مولد این موسسه بر ضرورت شناسایی و مدیریت چنین ریسک‌هایی در چرخه عمر سیستم‌های AI تاکید دارند.
برای صنایع به‌ویژه در حوزه‌های مرتبط با ایمنی، کیفیت و قابلیت اطمینان، یک اصل باید جدی گرفته شود و آن اینکه مسوولیت تصمیم را نمی‌توان به یک الگوریتم واگذار کرد. AI باید قدرت تحلیل انسان را افزایش دهد، نه اینکه مسوولیت مدیر و متخصص را از بین ببرد.
سیاست صنعتی نیز باید تغییر کند
اگر قرار است هوش‌مصنوعی به افزایش بهره‌وری صنعت کمک کند، سیاستگذاری نیز باید از نگاه صرفا فناوری‌محور فاصله بگیرد. ایجاد آزمایشگاه و برگزاری رویداد لازم است اما کافی نیست. معیار اصلی باید حل مسائل واقعی بنگاه‌ها باشد: افزایش بهره‌وری، کاهش هزینه، توسعه محصول، ارتقای کیفیت، کاهش وابستگی و افزایش توان رقابت و صادرات. سیاست صنعتی موفق در حوزه AI، سیاستی نیست که بیشترین پروژه هوش‌مصنوعی را ایجاد کند؛ سیاستی است که بیشترین مساله واقعی صنعت را با کمک هوش‌مصنوعی حل کند.
سخن آخر
هوش‌مصنوعی قرار نیست مدیر را حذف و همه مشکلات صنعت را حل کند. ارزش واقعی آن در جای دیگری است: در اینکه بتواند حجم بزرگی از اطلاعات را سریع‌تر تحلیل، الگوهایی را که برای انسان دشوار است آشکار کند، امکان پیش‌بینی ایجاد کرده و زمان مدیر را از جمع‌آوری اطلاعات به تصمیم‌گیری منتقل کند. اما شرط آن روشن است. AI از سازمان ضعیف، الزاما سازمان هوشمند نمی‌سازد. شرکتی که می‌خواهد از هوش‌مصنوعی مزیت رقابتی بسازد، ابتدا باید مساله خود را بشناسد، داده خود را سامان دهد، ارزش اقتصادی پروژه را مشخص و سپس فناوری مناسب را انتخاب کند. شاید مهم‌ترین سوال مدیر صنعتی امروز این نباشد که: «هوش‌مصنوعی چه کارهایی می‌تواند انجام دهد؟» بلکه این باشد: «کدام مساله صنعت من را می‌توان با کمک هوش‌مصنوعی بهتر حل کرد؟» پاسخ به همین سوال می‌تواند مرز میان هیجان فناوری و بهره‌وری واقعی را مشخص کند.
* تحلیلگر راهبردی هوش مصنوعی، فناوری و نوآوری
