استخدام با سه قابلیت کلیدی

۱. پذیرش نقش‌های گسترده‌تر

هوش مصنوعی با بر عهده گرفتن کار‌های سطح پایین و تکراری، وقت کارکنان را آزاد کرده و حالا می‌توانند چندین نقش مختلف را به تنهایی و تک‌نفره بر عهده بگیرند. تحولی که در شغل «مدیریت محصول» در شرکت‌های نرم‌افزاری و تکنولوژی رخ داده، یکی از بهترین نمونه‌هاست.

سابقا، محصولات توسط یک مثلث طلایی متشکل از مدیران محصول، طراحان تجربه کاربر و برنامه‌نویسان ساخته می‌شدند؛ و افراد همزمان با پیشروی در مسیر شغلی خود، می‌توانستند تنها در یکی از این حوزه‌ها تخصص پیدا کنند. اما حالا هوش مصنوعی باعث همگرایی و ادغام این نقش‌ها با یکدیگر شده. وظایف اولیه مدیریت محصول، مثل پیگیری تیکت‌ها، هماهنگی‌ها، جمع‌آوری داده‌ها، تحلیل و گزارش‌دهی، همگی در حال خودکارسازی توسط هوش مصنوعی هستند. توانایی هوش مصنوعی در تولید طرح‌های رابط کاربری تنها با یک پرامپت، مشاغل سطح پایین این حوزه، مثل ساخت ماکت‌های اولیه را از بین برده است. در نتیجه، مدیران ارشدی که با آنها مصاحبه کردیم بر این باورند که نقش‌های سطح پایین در مدیریت محصول، تجربه کاربر و مهندسی نرم‌افزار، به زودی در یک نقش واحد به نام «تکنولوژیست عمومی» ادغام خواهند شد؛ نیرویی که با استفاده از ابزار‌های هوش مصنوعی، خودش به تنهایی ماکت‌ها را می‌سازد، کد‌های اولیه را می‌نویسد و نمونه‌های اولیه محصول را روانه بازار می‌کند.

حالا که مدیران محصول، زمان کمتری را صرف کار‌های اجرایی و اولیه می‌کنند، شرکت‌های نرم‌افزاری از آنها انتظار دارند که رویکردی استراتژیک‌تر و آینده‌نگرانه‌تر داشته باشند. مدیران محصول آینده باید هم درک عمیقی از بستر کسب و کار و هم ابعاد فنی محصولات داشته باشند. آنها باید چرخه عمر محصول را از صفر تا صد بشناسند، بتوانند یک نقشه راه دقیق برای رسیدن از نقطه A به B ترسیم کنند و بدانند که در این مسیر چه مشکلاتی ممکن است پیش بیاید.

اگرچه داشتن تخصص فنی در حوزه خودتان، همچنان مهم خواهد بود، اما دیگر به تنهایی کافی نیست. متخصصان باید به یک «دانش سیستم‌محور» یا تفکر «کل‌نگر» مجهز شوند تا بفهمند چطور ابعاد مختلف یک محصول برای ارزش‌آفرینی، در کنار هم قرار می‌گیرند. آنها باید بتوانند با کمک ابزار‌های هوش مصنوعی مثل کلاود، فیگما، لاوابل و گیت‌هاب کوپایلت، کل مسیر خلق محصول را خودشان طی کنند؛ یعنی ایده را به یک نمونه اولیه تبدیل کنند تا تجربه کاربران هدف از محصول را تست کنند و سپس آن را به مرحله اثبات برسانند تا نشان دهند طرحشان به لحاظ فنی، کار می‌کند. به زبان ساده، آنها باید برای حل مسائل، یک رویکرد «هوش‌مصنوعی‌محور» داشته باشند تا بتوانند در کوتاه‌ترین زمان، ایده‌پردازی کنند و نمونه‌های اولیه بهتری بسازند.

طراحی «پشتیبانی خودکار مشتریان بر پایه هوش مصنوعی» در بازار‌های آنلاین، یکی از بهترین نمونه‌ها در این رابطه است. تا پیش از پیدایش هوش مصنوعی، زمانی که انسان‌ها وظیفه پشتیبانی از مشتریان را بر عهده داشتند، مدیریت نیروها، یعنی اموری مثل آموزش، تعیین شاخص‌های ارزیابی، سنجش عملکرد و بازخورد دادن، محوری‌ترین مهارت برای اداره این بخش بود. اما حالا که از هوش مصنوعی در ارائه خدمات مشتری استفاده می‌کنیم، «مهارت‌های مدیریت محصول» هستند که حرف اول را می‌زنند. دلیلش این است که هوش مصنوعی، بازی را کاملا عوض کرده: حالا بخش پشتیبانی، درون خود محصول یا خدمات ادغام شده و به مشتریان این امکان را می‌دهد تا کار‌هایی را که قبلا برای انجامشان نیاز به کمک داشتند، خودشان انجام دهند.

این یعنی مدیران محصول برای طراحی یک راهکار از صفر تا صد، باید نیاز‌های مشتری را به خوبی درک کنند. آنها باید تصمیم بگیرند که به چه داده‌هایی برای آموزش عامل‌های هوش مصنوعی نیاز است، چه دستورالعمل‌ها و خطوط قرمزی باید برای آنها تعریف شود، کدام عامل‌ها باید پیکربندی و اعمال شوند و در نهایت، چطور باید از بازخورد‌های مشتریان و گزارش‌های میدانی برای بهبود عملکرد بهره برد.

۲. جمع‌آوری و تلفیق دانش از منابع مختلف

تحولی که در فرآیند «توسعه محصولات جدید» در شرکت‌های تولیدی و کارخانه‌ای رخ داده، نمونه بارز این مهارت است. خلق یک محصول جدید، کار بسیار پیچیده‌ای است که به سرمایه‌گذاری‌های هنگفت و شناخت عمیق بازار در حوزه‌های مختلف نیاز دارد، از جمله طراحی و مهندسی محصول، زنجیره تامین، پایداری، امور مالی و طراحی تجربه کاربر. سابقا، تیمی از متخصصان باید ماه‌ها وقت می‌گذاشتند تا با دقت، اطلاعات را جمع‌آوری کنند، داده‌ها را تحلیل کنند و تک تک این مراحل را جلو ببرند تا یک محصول جدید طراحی شود.

اما یکی از شرکت‌های مطرح مشاوره مدیریت به ما نشان داد که چطور توسعه محصول به کمک هوش مصنوعی، نوآوری در تولید کالا‌های فیزیکی را افزایش داده. حالا مجموعه‌ای از ابزار‌های تخصصی هوش مصنوعی می‌توانند داده‌های مشتریان سازمان را واکاوی کنند تا با استفاده از آنها، خلق و تست ایده را کلید بزنند، هزینه‌های محصول را بر اساس ویژگی‌ها و داده‌های مالی گذشته تخمین بزنند، ایده‌ها را به سرعت روی «مشتریان فرضی شبیه‌سازی شده» (که نماینده بخش‌های مختلف بازار هستند) تست کنند و در نهایت، استراتژی‌های مختلف خرید و حمل‌ونقل کالا را بسنجند. این عامل‌های هوش مصنوعی طوری برنامه‌نویسی شده‌اند که بتوانند اطلاعات لازم را از دل داده‌های غیرساختاریافته‌ای (مانند فایل‌های متنی یا گزارش‌ها) که در بخش‌های مختلف سازمان پراکنده شده‌اند، بیرون بکشند. به عنوان مثال، هوش مصنوعی می‌تواند در مدت زمان کوتاهی، فهرستی از تامین‌کنندگانی که الزامات خاص زیست‌محیطی را رعایت می‌کنند، آماده کند. همچنین می‌توان از بازخورد‌های مشتریان درباره نسخه‌های قبلی محصول، برای تست ایده‌های جدید استفاده کرد.

در چنین فضایی، مهم‌ترین نقش طراحان محصول، دیگر کار‌های فنی و طراحی اجرایی نیست. کار اصلی آنها ارزیابی موشکافانه کیفیت داده‌های ورودی، طراحی سناریو‌های تست، به چالش کشیدن خروجی‌های هوش مصنوعی و اصلاح و صیقل دادن طرح نهایی است. آنها باید تصویری کامل از داده‌های درون سازمان و زنجیره تامین خود داشته باشند، عوامل کلیدی موثر بر عملکرد را بشناسند و بدانند چه خلأ‌های اطلاعاتی درباره مشتریانشان دارند. به عنوان مثال، آنها باید مطمئن شوند که مشتریان فرضی (شبیه‌سازی‌شده توسط هوش مصنوعی)، تنوع و ظرافت‌های رفتاری مشتریان واقعی‌شان را به خوبی منعکس می‌کنند.

۳. طراحی مجدد فرآیند‌های کاری با ادغام هوش مصنوعی

وقتی ابزار‌های هوش مصنوعی عامل‌محور برای خودکارسازی اموری مثل جمع‌آوری داده‌ها، تحلیل و گزارش‌نویسی به کار گرفته می‌شوند، زمان لازم برای انجام این کار‌ها عملا به صفر می‌رسد. در عوض، وظایف جدیدی متولد می‌شوند، مثل آموزش و نظارت بر خود مدل‌های هوش مصنوعی. برای بهره‌مندی بهینه از این تکنولوژی در دنیای جدید، مدیران نباید فقط به وارد کردن ابزار‌های هوش مصنوعی به فرآیند‌های فعلی بسنده کنند، بلکه باید بتوانند جریان‌های کاری کاملا جدیدی را طراحی کنند.

برای شروع باید تشخیص دهیم که کدام کار‌ها باید به هوش مصنوعی واگذار شوند، کدام کار‌ها باید همچنان دستی انجام شوند و چه وظایف یا نقش‌های جدیدی باید به سیستم اضافه شوند. درست مانند طراحی خط تولید در کارخانه‌ها، مدیران باید هر وظیفه را از نظر منابع، آموزش‌ها، دستورالعمل‌ها، چارچوب‌های کنترلی و اطلاعات مورد نیاز بررسی کنند. آنها همچنین باید سرعت و زمان‌بندی کار را تغییر دهند، چرا که حالا چرخه صفر تا صد فرآیند‌ها بسیار سریع‌تر شده. در این فضای جدید، جلسات کمتری برای مدیریت پروژه نیاز است و کار‌هایی که قبلا هفته‌ها زمان می‌بردند، حالا ممکن است در کمتر از یک روز و با منابع کمتری انجام شوند.

استفاده از هوش مصنوعی عامل‌محور در شرکت OKX، سرعت عرضه محصولات را تا ۶۰ درصد افزایش داده است. در این فرآیند جدید، نقش مدیران محصول از کار‌های اجرایی به «نظارت استراتژیک» تغییر یافته؛ آنها حالا به جای کار‌های تکراری، روی سنجش تصمیمات هوش مصنوعی، تست موارد استثنایی و مدیریت ریسک عرضه تمرکز دارند. همچنین وظیفه جدیدی به نام «کنترل و نظارت بر هوش مصنوعی» اضافه شده تا با ایجاد چارچوب‌های امن، جلوی خطا‌های فاجعه‌بار گرفته شود.

مدیران ارشد در شرکت‌های مورد مطالعه ما به وضوح اعلام کردند که به جای اخراج و جایگزین کردن نیرو‌های خود با افراد جدیدی که ذاتا با هوش مصنوعی بزرگ شده‌اند (موسوم به بومی‌ها)، ترجیح می‌دهند روی آموزش متخصصان میان‌رده فعلی خود سرمایه‌گذاری کنند تا کار با این فناوری را به خوبی یاد بگیرند. به باور آنها، دانش تخصصی، مهارت‌های تصمیم‌گیری و تجربه انباشته این نیرو‌ها همچنان نقشی حیاتی و تعیین‌کننده خواهد داشت. اما برای فارغ‌التحصیلان MBA که مایلند در شرکت‌های فعال در این سه حوزه استخدام شوند، معیار‌ها بسیار سخت‌گیرانه‌ترند. مدیران ارشد از این افراد انتظار دارند که علاوه بر تسلط عمیق بر اصول پایه کسب‌وکار، تجربه عملی و اثبات‌شده‌ای در استفاده از ابزار‌های هوش مصنوعی برای حل چالش‌های کسب و کار داشته باشند و بتوانند با تفکر نقادانه، خروجی‌های هوش مصنوعی را ارزیابی و راستی‌آزمایی کنند.

نویسندگان: Jim Doucette /Vishal Gaur
مترجم: مریم مرادخانی 
منبع: دنیای اقتصاد /HBR