گزارش مکینزی درباره فصل بعدی فناوری سازمانی: چهار تغییر مهم در هوش مصنوعی مولد

شرکت‌ها اغلب تأثیر تغییرات کوتاه‌مدت در تکنولوژی را بیش از حد برآورد می‌کنند و در مقابل، تاثیر تغییرات بلندمدت را کمتر در نظر می‌گیرند. این مورد که بسیار هم معروف و متداول است، به‌ویژه در مورد هوش مصنوعی مولد (Gen AI) در فناوری سازمانی صدق می‌کند. بسیاری از پیش‌بینی‌های جسورانه امروزی در مورد تأثیر آن بر فناوری سازمانی، به تغییرات و پیامدهای آینده‌نگرانه نمی‌پردازند. بلکه به بازه‌های زمانی کوتاه‌مدت توجه می‌کنند و فقط بر روی کارایی و بهره‌وری در دو سه زمینه مورد استفاده تمرکز دارند.

چهار تغییر نوظهور حاصل از هوش مصنوعی مولد

بحث‌های اخیر انجام شده با مدیران فناوری در صنایع مختلف نشان می‌دهد که کاربرد هوش مصنوعی مولد در کسب‌وکارها با چهار تغییر نوظهور همراه خواهد بود. هر کدام از این تغییرات، پیامدهایی در مورد روش مدیریت سازمان‌ها توسط مدیران فناوری خواهند داشت. این تغییر و تحولات شامل الگوهای کاری جدید، زیرساخت‌های معماری و ساختارهای سازمانی و هزینه‌ای هستند. به‌علاوه این تغییرات، هم روش تعامل تیم‌ها با هوش مصنوعی و هم نقش عاملیت‌ها یا عامل‌های مبتنی بر هوش مصنوعی مولد را تغییر می‌دهند.

برای تحقق این چشم‌انداز، هنوز کارهای زیادی باید انجام شود. تنها ۳۰ درصد از سازمان‌هایی که اوایل سال 2024 مورد بررسی قرار گرفتند، اعلام کردند که از هوش مصنوعی مولد در حوزه‌ی فناوری اطلاعات و مهندسی نرم‌افزار استفاده می‌کنند و به میزان قابل توجهی توانسته‌اند تاثیرات آن را اندازه‌گیری کنند. علاوه بر این، سازمان‌ها باید خطرات هوش مصنوعی مولد شامل امنیت، حریم خصوصی و قابلیت توضیح‌پذیری را به‌درستی درک کرده و با آن‌ها مقابله کنند. در این صورت است که می‌توانند برای بهره‌برداری از فرصت‌های پیش رو آماده شوند. اما مدیران فناوری که با آن‌ها مصاحبه شده، به این نکته اشاره کرده‌اند که سازمان‌هایشان در حال حاضر در حال انجام کارهای مقدماتی لازم هستند.

از ابزارهایی که پشتیبان تیم‌ها هستند تا تیم‌های «کارگاهی» و «کارخانه‌ای» هوش مصنوعی

گفت‌وگو با مدیران فناوری نشان می‌دهد که یک تحول اساسی در روش کار تیم‌های فناوری در حال رخ دادن است. این تحول بسیار فراتر از استفاده‌ی امروزی از ابزارهای هوش مصنوعی مولد برای افزایش بهره‌وری فردی خواهد بود. در عوض، مدیران همه فرآیندها و جریان‌های کاری را در تمامی حوزه‌های تکنولوژی سازمانی بازسازی می‌کنند. در این صورت می‌توانند با یکپارچه کردن فرایند همکاری بین تیم‌های انسانی و هوش مصنوعی، به حداکثر بهره‌وری و خلاقیت انسانی برسند. بنابراین تیم‌ها ممکن است بر اساس دو الگوی جدید از تعامل انسان و هوش مصنوعی شکل بگیرند: الگوی «کارخانه‌ای» یا factory و الگوی «کارگاهی» یا artisan.

الگوی کارخانه‌ای

در این مدل، مدیران، عاملیت‌ها یا عامل‌های خودکار مبتنی بر هوش مصنوعی مولد را به کار می‌گیرند که می‌توانند با همکاری یکدیگر کارها را از ابتدا تا انتها هدایت کنند. این رویکرد برای فرآیندهای قابل پیش‌بینی و روتین در فناوری سازمانی مناسب است. این فرایندها شامل نظارت بر لاگ‌ها، به‌روزرسانی‌های فناوری‌های نظارتی یا رگولاتوری، یا انتقال کدهای قدیمی هستند. این رویکرد نتایج امیدوارکننده‌ای داشته است. به‌گونه‌ای که سازمان‌ها توانسته‌اند با هماهنگی عامل‌های هوش مصنوعی مولد در انجام فعالیت‌های کدنویسی تکراری، کدها را در تقریباً نصف زمان همیشگی مدرن‌سازی کنند.

الگوی کارگاهی

در این مدل، ابزارهای هوش مصنوعی مولد در سطح گسترده اجرا می‌شوند تا به‌عنوان دستیار عمل کنند. بنابراین در بهبود کارها به مهندسان نرم‌افزار باتجربه، استراتژیست‌ها و مدیران فناوری سازمانی کمک می‌کنند. این رویکرد برای فرآیندهایی مناسب است که به قضاوت و ابتکار انسانی نیاز دارند. می‌توانیم به عنوان مثال این فرایندها به مدیریت و بهینه‌سازی هزینه‌های فناوری سازمانی و منبع‌یابی و ارزیابی تامین‌کنندگان اشاره کنیم. این‌ها فعالیت‌های غیرقطعی هستند، یعنی ممکن است راه‌حل‌های بالقوه بسیاری برای حل مشکل وجود داشته باشد. به همین دلیل است که این فرآیندها به‌طور معمول برای عامل‌های خودکار مبتنی بر هوش مصنوعی مناسب نیستند. چون به تفکر سطح بالا نیاز دارند. به‌علاوه معمولاً فاقد حجم زیادی از داده‌های آموزشی لازم برای مدل‌های زبانی بزرگ (LLM) هستند. و توانایی رسیدن به یک پاسخ قطعی و مشخص را ندارند.

کدام مدل مناسب‌تر است؟

مدیران فناوری که در این بحث مشارکت داشته‌اند، همگی موافق هستند که مدل مناسب تیم انسانی–هوش مصنوعی از میان مدل‌های کارگاهی و کارخانه‌ای، بسته به زمینه‌ی فناوری سازمانی و موارد استفاده خاص متفاوت است. به‌عنوان مثال، بسیاری پیشنهاد دادند که آزمایش پذیرش کاربر احتمالاً بیشتر به رهبری انسان و با وجود مقداری خودکارسازی ادامه انجام خواهد شد. در حالی که برای مدیریت خدمات فناوری اطلاعات، عکس این قضیه صادق خواهد بود. یکی از چالش‌هایی که مدیران ممکن است با آن مواجه شوند، ترکیب مؤثر این رویکردها برای ایجاد یک جریان کاری روان و هماهنگ است. چون وظایف از انسان به هوش مصنوعی و دوباره به انسان منتقل می‌شود.

برای پشتیبانی از این کار، مدیران فناوری باید توسعه‌ی یک چارچوب و استراتژی حاکمیتی و مدیریت ریسک را برای هدایت تلاش‌هایشان در نظر بگیرند. همچنین مدیران باید به پاسخ این سوالات هم فکر کنند:

• چه کارهایی باید تحت هدایت هوش مصنوعی قرار گیرد و چه کارهایی باید توسط انسان هدایت شود؟
• چگونه می‌توان رویکردهای کارخانه‌ای و کارگاهی را به‌طور مؤثر ترکیب کرد تا ارائه فناوری سازمانی به‌صورت بهینه صورت گیرد؟
• چه کارهایی بدون تغییر باقی می‌ماند و دلیلش این است که هوش مصنوعی کمی بیشتر از افزایش بهره‌وری اولیه، ارزش ارائه می‌دهد؟
• چگونه باید دست به دست شدن وظایف از انسان به هوش مصنوعی (و برعکس) را در هر فرآیند مدیریت کرد؟

در نهایت هر جریان کاری باید با قواعد مشخص و تعیین‌شده به‌عنوان روش اجرای کارها، مورد ارزیابی، تجزیه و بازسازی قرار گیرد.

الزامات و نیازها

ایجاد نقش‌ها و مهارت‌های جدید هم ضروری خواهند بود. برای وظایف تحت رهبری هوش مصنوعی، به ناظران «کارخانه‌ای» نیاز داریم که بتوانند بر مکانیزم‌های حسابرسی نظارت و آن‌ها را اجرا کنند. همچنین ناظران باید نمونه‌های خروجی هوش مصنوعی را تأیید کنند. انحرافات عامل‌های هوش مصنوعی از رفتار مورد نظر را شناسایی و اصلاح کنند. و مطمئن شوند که حاکمیت و توضیح‌پذیری لازم برای حفظ سطح بالایی از دقت و اعتماد وجود دارد.

در فرآیندهایی که توسط انسان هدایت می‌شوند، کارشناسان فناوری سازمانی باید مهارت‌های اجرایی، استراتژیک و قضاوت خود را توسعه دهند. به‌عنوان مثال می‌توانند در زمان بروز مشکل، به جای واگذاری کار به پرسنل کم‌تجربه باید راه‌حل‌ها را به‌سرعت بازگو و تکرار کنند. یا برای فعال‌سازی طوفان فکری و الهام بخشیدن به تفکرات جدید، از ایده‌های ارائه‌شده توسط هوش مصنوعی کمک بگیرند.

مزایای حاصل از اجرای الگوهای کارخانه‌ای و کارگاهی

با گسترش پذیرش الگوهای کارخانه‌ای و کارگاهی از چند حوزه فناوری سازمانی به سایر حوزه‌ها، انتظار می‌رود که میزان بدهی فنی یا تکنولوژیک به همراه زمان و هزینه‌های مدیریت محیط فنی، به میزان قابل‌توجهی کاهش یابد. در نتیجه، کارکنانی که بر وظایف مرتبط با نگهداری روزمره تمرکز دارند، می‌توانند در انجام کارهای نوآورانه فعالیت کنند.

این می‌تواند دو تغییر مهم را به‌دنبال داشته باشد. اول، انتظار می‌رود که مقیاس نوآوری افزایش یابد. چون فناوری اطلاعات منابع بیشتری را به حل مسائل استراتژیک، جبران عقب‌افتادگی درخواست‌های کسب‌وکار و پذیرش درخواست‌های جدید اختصاص می‌دهد. دوم، با افزایش بهره‌وری کارکنان، انتظار داریم سرعت درک، ایجاد و راه‌اندازی قابلیت‌ها توسط فناوری اطلاعات هم افزایش یابد. در حالی که هزینه‌ی آن احتمالاً کاهش خواهد یافت. هوش مصنوعی مولد ممکن است بودجه‌های فناوری سازمانی را به‌طور کامل کاهش ندهد. ولی در عوض، موجب یک تخصیص مجدد استراتژیک در پورتفوی فناوری سازمانی می‌شود. بنابراین، رهبران تکنولوژی می‌توانند به جای صرف زمان و انرژی برای نگهداری‌های روتین، بیشتر بر پروژه‌های مرتبط با رشد تمرکز کنند.

مدیران فناوری باید برای حفظ سرعت لازم، تلاش‌های برنامه‌ریزی و مدیریت ریسک خود را بهبود دهند. مثلاً برای تنظیم نقشه‌های راه نوآوری به‌صورت مستمر با سطح ارشد مدیریت هماهنگ باشند. همچنین باید دستورالعمل‌های دقیقی برای قابلیت توضیح‌پذیری، امنیت، حریم خصوصی و سایر ریسک‌های هوش مصنوعی طراحی کنند.

به‌علاوه، آن‌ها باید به‌طور منظم بررسی کنند که سازمان‌هایشان چگونه الگوهای کارگاهی و کارخانه‌ای را به کار می‌برند. باید رویکرد خود را برای برقراری تعادل مؤثر بین بهره‌وری هزینه و نوآوری در تناسب با تغییر اولویت‌های کسب‌وکار تنظیم کنند. مثلاً به‌دنبال فرصت‌های بیشتر برای استفاده از عامل‌های خودکار هوش مصنوعی در جریان‌های کاری باشند. یا روش‌هایی برای افزایش بهره‌وری تیم‌های کارگاهی اجرا کنند.

از معماری‌های نرم‌افزاری که بر چشم‌انداز فناوری مسلط هستند تا معماری‌های عمدتاً مبتنی بر عامل‌های هوش مصنوعی و داده‌ها.

انتظار می‌رود معماری‌های فناوری اطلاعات هم به میزان قابل توجهی تغییر کنند. یعنی از رویکرد سنتی متمرکز بر اپلیکیشن‌ها به معماری‌های جدید چندعاملی (multiagent) هدایت شوند. در معماری‌های چند عاملی، مدیران فناوری بر صدها یا هزاران عاملیت یا عامل هوش مصنوعی مولد متمایز نظارت می‌کنند. این عامل‌ها می‌توانند با یکدیگر و دنیای خارج ارتباط برقرار کرده و به هدف مشترکی دست یابند. به‌عنوان مثال، یک ناوگان از عامل‌های هوش مصنوعی مولد ممکن است با سیستم‌های موجود در زمینه موجودی، زنجیره تأمین و تحلیل داده‌ها تعامل داشته باشد تا به‌طور خودکار سطح موجودی را نظارت کند، کمبود موجودی را شناسایی کرده و سفارشات خرید را به تأمین‌کنندگان ارسال کند و هیچ کدام از این کارها به یکپارچه‌سازی‌های پیچیده قبلی نیاز ندارد.

انتظار می‌رود مدیران فناوری این عامل‌ها را در محیط‌های خود به سه روش اصلی پیاده‌سازی کنند:

پلتفرم‌های سوپر (Super platforms)

پلتفرم‌های سوپر نسل بعدی اپلیکیشن‌های کسب‌وکار شخص ثالث هستند. مانند ابزارهای همکاری (collaboration tools)، مدیریت ارتباط با مشتری (CRM) یا راه‌حل‌های برنامه‌ریزی منابع سازمانی (ERP) که عامل‌های هوش مصنوعی مولد در آن‌ها گنجانده شده است. این عامل‌ها عملاً کالاهایی هستند که می‌توانند به‌سرعت وارد سرویس شوند. به‌عنوان مثال، یک پلتفرم سوپر CRM می‌تواند به کاربر این امکان را بدهد که نه تنها گزارشی از فروش را اجرا کند، بلکه بدون نیاز به برنامه‌نویسی، به‌طور خودکار با ابزارهای تحلیل داده‌های شرکت ارتباط برقرار کند.

رابط‌های هوش مصنوعی (AI wrappers)

این‌ها در واقع پلتفرم‌های واسطه‌ای هستند که به سرویس‌های سازمانی این امکان را می‌دهند تا از طریق APIها با خدمات شخص ثالث ارتباط برقرار کرده و بدون افشای داده‌های اختصاصی‌شان با آن‌ها همکاری کنند. به‌عنوان مثال، یک بانک ممکن است یک رابط هوش مصنوعی مبتنی بر هوش مصنوعی مولد را حول یک مدل ریسک اعتباری توسعه‌داده‌شده داخلی بسازد. این رابط هوش مصنوعی می‌تواند هر کوئری را آغاز کند. برای مثال می‌تواند از مدل زبانی بزرگ یک تأمین‌کننده برای تولید عوامل ریسک یا ریسک فاکتورها بر اساس داده‌های مشتریان و نمرات اعتباری بانک استفاده کند. پس از ساخت، رابط‌های هوش مصنوعی می‌توانند به‌راحتی با هر سرویس شخص ثالثی تعامل داشته باشند. بنابراین واحد IT می‌تواند در صورت نیاز، به‌راحتی تأمین‌کننده‌ها را تغییر دهد.

عامل‌های هوش مصنوعی سفارشی (Custom AI agents)

عامل‌های هوش مصنوعی مولد سفارشی با تنظیم دقیق یک LLM از پیش آموزش‌دیده یا استفاده از تولید تقویت‌شده با بازیابی (RAG) یا retrieval-augmented generation، به‌صورت داخلی با داده‌های اختصاصی شرکت توسعه داده می‌شوند. به‌عنوان مثال، فناوری سازمانی ممکن است یک مدل موجود را با داده‌های مشتری، رونوشت‌ها یا ترنسکریپت‌های مرکز تماس، خط‌مشی‌های شرکت و سایر اطلاعات داخلی تغذیه کند تا یک عامل هوش مصنوعی مولد بسازد که بتواند به کارکنان مرکز تماس در پاسخ به سؤالات مشتریان کمک کند.

کدام مناسب‌تر است؟

اینکه یک واحد فناوری سازمانی کدام استراتژی پلتفرم را انتخاب می‌کند، ممکن است به عوامل مختلفی بستگی داشته باشد، از جمله پتانسیل داده‌های اختصاصی برای تمایز رقابتی کسب‌وکار. با پلتفرم‌های سوپر، سازمان‌ها دسترسی به داده‌های اختصاصی خود را به تامین‌کنندگان می‌دهند، با وجودی که می‌توان این داده‌ها را ناشناس‌ کرد، اما احتمال دارد برای آموزش و بهبود بیشتر مدل به نفع مشتریان تامین‌کننده، از جمله رقبا، استفاده شود. در نتیجه، برای حوزه‌هایی که داده‌های حساس یا اختصاصی دارند، ممکن است بهترین گزینه ایمن‌سازی داده‌ها در یک پلتفرم داخلی با استفاده از یک رابط هوش مصنوعی باشد. درک این‌که چه زمانی باید از داده‌های اختصاصی برای حفظ مزیت رقابتی محافظت کرد، دغدغه‌ای مداوم برای مدیران فناوری خواهد بود، زیرا پاسخ همیشه واضح نیست.

علاوه بر این، طراحی و مدیریت یک معماری چندعاملی که به‌طور مؤثر از سیستم‌های مختلف عاملی بهره‌برداری می‌کند، در مقایسه با مدیریت معماری‌های متمرکز بر اپلیکیشن‌ها به ملاحظات کاملاً متفاوتی نیاز دارد.

در نتیجه، اولویت اصلی تکنولوژی سازمانی از چرخه‌های انتشار و به‌روزرسانی‌های سنتی به بهبود مداوم عامل‌های هوش مصنوعی مولد و مجموعه‌های داده‌های زیرساختی تغییر می‌کند. مکانیزم‌های بازخورد قوی بخش مهمی از این فرآیند هستند. چون به واحدهای فناوری سازمانی امکان می‌دهند که عملکرد عامل‌ها را بهبود بخشند و همچنین از همکاری و هماهنگی وظایف کل عامل‌ها در اکوسیستم خود مطمئن شوند.

از ساختار سازمانی «هرم» یا «الماس» به ساختاری مسطح‌تر، با ملاحظات جدید در توسعه نیروی کار

با مقیاس‌پذیری اتوماسیون و همکاری هوش مصنوعی–انسان در فناوری اطلاعات، احتمالاً مدیران فناوری شروع به بازسازی ساختار سازمانی خود خواهند کرد تا از تمام منافع بهره‌وری استفاده کنند. کارکنان سطح میانه در حوزه‌هایی که بیشترین ارتباط را با مدل تیم‌های کارگاهی دارند (مانند توسعه نرم‌افزار، طراحی تجربه کاربری و امور مالی فناوری اطلاعات) به‌طور فزاینده‌ای نقش‌های یکپارچه‌تری بر عهده خواهند گرفت. این نقش‌ها تمامی دامنه‌های استراتژی و اجرا را شامل می‌شود و آن‌ها را قادر می‌سازد تا ایده‌ها را در زمان واقعی و توسط کارشناسان کسب‌وکار آزمایش و بهینه‌سازی کنند.

برای حوزه‌هایی که بیشتر با مدل تیم‌های کارخانه‌ای مرتبط هستند (مانند عملیات فناوری اطلاعات و خدمات ارائه اطلاعات و پشتیبانی)، ما شاهد مسطح شدن قابل توجه سازمان و کاهش سمت‌های کارشناس (در مقابل کارشناسان ارشد) خواهیم بود. همچنین تعدادی ناظر نیاز داریم که بتوانند بر مکانیسم‌های حسابرسی نظارت و آن‌ها را پیاده‌سازی کنند، نمونه‌های خروجی هوش مصنوعی را اعتبارسنجی کرده و هرگونه انحراف عامل‌های هوش مصنوعی از رفتار موردنظر را شناسایی و اصلاح کنند. به‌عنوان مثال، در توسعه نرم‌افزار، مهندسان فول‌استک که در استراتژی کسب‌وکار و توسعه مبتنی بر هوش مصنوعی مهارت دارند، وظایف بالا دستی مانند درک هدف کاربر نهایی و نتایج کسب‌وکار را انجام می‌دهند. همچنین نمونه اولیه از محصول دارای عملکردهای جدید را با مدیران محصول و رهبران کسب‌وکار مفهومی‌سازی کرده و توسعه می‌دهند.

تغییر در نقش‌های شغلی

برای برخی پروژه‌ها، مانند توسعه یک داشبورد تحلیلی داخلی مبتنی بر هوش مصنوعی برای تیم‌های فروش یا بازاریابی یک شرکت، مهندسان فول‌استک که توسط هوش مصنوعی مولد تقویت شده‌اند ممکن است نقش‌های ترکیبی (نقش خودشان و نقش مدیر محصول) را بر عهده بگیرند و هم‌زمان رهبری ایده‌پردازی کسب‌وکار و توسعه محصول را انجام دهند.

این تغییرات بدون شک منجر به یک انقلاب مهارتی خواهد شد که به ملاحظات جدید در توسعه نیروی کار و مسیرهای شغلی نیاز دارد. باید در نظر بگیرید که

• چگونه می‌توانید برنامه‌های ارتقای مهارت و آموزش را برای آماده‌سازی کارکنان برای این تغییرات سفارشی کنید؟
• چگونه می‌توانید کارشناسان ارشد را برای نقش‌های جدیدی آموزش دهید که نیاز به تجزیه مسائل پیچیده دارد. این نقش شغلی باید مفروضات (و تصمیمات عامل‌های هوش مصنوعی مولد) را به چالش بکشد و با استفاده از داده‌های محدود، راه‌حل‌های خلاقانه پیدا کنند.
• چگونه می‌توانید یک تیم قوی از کارشناسان مدیریت هزینه فناوری سازمانی، متخصصان عملیات و مهندسان فول‌استک ایجاد کنید، با در نظر گرفتن این‌که بسیاری از کارهایی که کارکنان کم‌تجربه‌تر به‌طور سنتی انجام می‌دادند، در حال حاضر خودکارسازی شده است؟
• چگونه می‌توانید کارکنان را آموزش دهید که به‌صورت کامل از هوش مصنوعی مولد استفاده کنند، اما آن را به‌عنوان جایگزینی برای تفکر انتقادی و خلاقانه در نظر نگیرند؟

فراتر از آموزش، احتمالاً لازم است افراد جدیدی را استخدام کرده و با تامین‌کنندگان خارجی همکاری کنید تا تخصص‌های خاص و ضروری هوش مصنوعی را به‌دست آورید. به‌عنوان مثال می‌توانیم به مهندسی پرامپت‌ها اشاره کنیم که در بهینه‌سازی هزینه‌های محاسباتی نقش حیاتی ایفا می‌کند.

از ساختارهای هزینه مبتنی بر اپلیکیشن به ساختارهای هزینه مبتنی بر زیرساخت، با تمرکز بیشتر بر هزینه‌های محاسباتی

با افزایش بهره‌وری کارکنان، هزینه‌های نیروی کار فناوری سازمانی کاهش خواهد یافت. در عین حال، مدیران فناوری ممکن است برای حمایت از عوامل هوش مصنوعی مولد، بیشتر روی زیرساخت‌ها، به ویژه محاسبات، هزینه کنند. چنین تغییری نیاز به توجه دقیق دارد تا مانع از افزایش هزینه‌های محاسباتی شود.

در بهینه‌سازی هزینه‌های محاسباتی، مدیران باید به‌دقت هزینه‌های محاسبات و ذخیره‌سازی را در کل چرخه بررسی کنند. این فرایند از برنامه‌ریزی اولیه تا مدیریت مداوم عامل‌های جدید هوش مصنوعی مولد را شامل می‌شود.

وقتی مدیران ارزیابی می‌کنند که کدام فعالیت‌ها باید توسط هوش مصنوعی هدایت شوند، اندازه‌گیری هزینه‌های فرآیندها با و بدون عامل‌های هوش مصنوعی مولد می‌تواند بینش ارزشمندی فراهم کند. برخی فرآیندها ممکن است در بلندمدت با ترکیبی از نیروی کار داخلی و خارجی هزینه کمتری داشته باشند، البته باید هزینه‌های محاسباتی و عملیاتی (شامل هزینه‌های ارتقای مهارت و حاکمیت) که برای تولید خروجی‌های دقیق از عامل‌ها ضروری است را در نظر بگیرید.

در نهایت، پس از راه‌اندازی عامل‌های هوش مصنوعی مولد، مدیران باید به‌طور مستمر بر هزینه‌های محاسباتی نظارت کنند تا مانع از افزایش غیرقابل کنترل هزینه‌ها شوند. بسیاری از مشکلات (از جمله استفاده از عامل‌ها بیش از حد پیش‌بینی‌شده، کوئری‌های پیچیده‌تر از آنچه که آزمایش شده‌اند و وابستگی‌های حل‌نشده وظایف که باعث می‌شوند عامل‌ها مراحل را تکرار کنند) ممکن است منجر به هزینه‌های محاسباتی بسیار بالاتر از آنچه که پیش‌بینی شده، شوند. همان‌طور که در مورد ابرداده‌ها هم صادق است، استفاده از رویکرد FinOps به‌عنوان کد (FaC) برای ادغام مدیریت مالی در عملیات مدل کارخانه‌ای می‌تواند بینش لحظه‌ای مورد نیاز مدیران را برای شناسایی پیشگیرانه مشکلات و مدیریت مؤثر هزینه‌های عملیاتی فراهم کند.

جمع‌بندی

اجرای کامل این مدل جدید از عملیات فناوری سازمانی احتمالاً دهه‌ها طول خواهد کشید و موفقیت به چیزی بیشتر از ابزار نیاز دارد. در واقع موفقیت به درک این موضوع بستگی دارد که کجا باید از الگوهای کارخانه‌ای و کارگاهی استفاده شود. همچنین طراحی یک معماری مؤثر برای عامل‌ها و آماده شدن برای پیامدهای احتمالی در زمینه‌های استعدادها، هزینه، عملیات و ریسک برای رسیدن به موفقیت ضروری هستند. شروع با چند حوزه از فناوری سازمانی می‌تواند به مدیران کمک کند تا بازوهای سازمانی خود را برای فعالیت در این روش‌های جدید تقویت کنند و یادگیری‌ها را برای رسیدن به کارایی در مقیاس‌های بزرگ‌تر تعمیم دهند. با توجه به مقیاس تغییرات، این سفر چالش‌برانگیز خواهد بود، اما تأثیر بلندمدت آن احتمالاً بیشتر از آن چیزی خواهد بود که در حال حاضر درک می‌شود.

منبع: mckinsey.com