نویسنده: توبی ای. استوارت
مجله Harward Business Review ۲۷ آوریل ۲۰۲۶
اعتماد به یک چشمانداز مشخص از آینده، بنیان سرمایهگذاری بلندمدت است. زمانی یک اوراق قرضه ۳۰ ساله میخرید که به توانایی پرداخت بدهیِ صادرکننده آن باور داشته باشید. یک دهه زمان صرف میکنید تا رادیولوژیست شوید، زیرا باور دارید در طول دوران حرفهایتان برای تخصصی که با زحمت به دست آوردهاید جبران خواهید شد. در یک شرکت نرمافزاری سرمایهگذاری میکنید وقتی مطمئن هستید که سالها درآمد تکرارشونده ایجاد خواهد کرد.
همیشه مقداری عدم قطعیت وجود دارد، اما وقتی به توانایی خود برای دیدن ۳۰ سال آینده اطمینان دارید، آسمانخراش و راهآهن میسازید. وقتی فقط چند ماه آینده را میبینید، چادر برپا میکنید و یک دوچرخه میخرید.
هوش مصنوعی ما را به دورهای پرتاب کرده است که بهترین توصیفی که میتوانم برای آن به کار ببرم «کدری شدید درباره آینده» است. با توجه به همه چیزهایی که ممکن است به دلیل هوش مصنوعی تغییر کنند، احساس میشود مهی فرو آمده که توانایی ما برای دیدن آینده را میپوشاند. و در حال حاضر، این مهمترین و شاید کمبرآوردشدهترین اثر اقتصادی آن است.
فکر کنید چگونه عدم قطعیت درباره واقعیتهای پایهای اقتصادی مدام در حال افزایش است. داریو آمودئی یا سم آلتمن رسیدن به سامانههای هوش مصنوعی فوقهوشمند را در چند سال آینده پیشبینی میکنند. «آخرالزمان شغلی» که ممکن است در راه باشد و «آخرالزمان SaaS» که همین حالا نیز بسیار واقعی است، نشان دادهاند وضعیت اقتصادی فعلی ما تا چه اندازه ممکن است در برابر اختلال ناشی از هوش مصنوعی آسیبپذیر باشد. همین موضوع درباره نوسانات بزرگ در ارزشگذاری بازارهای عمومی نیز صدق میکند که ظاهراً ناشی از انتشار قابلیتهای جدید توسط شرکتهای بزرگ هوش مصنوعی است. و سپس پیشرفتهای هوش مصنوعی فیزیکی وجود دارد؛ شاید بهترین نمونه آن حس سورئالی باشد که بسیاری از ما هنگام تماشای عبور جهان از صندلی عقب یک خودروی Waymo تجربه کردهایم تجربهای که میتواند احساس عبور از مرزهای علمیتخیلی را ایجاد کند.
کار کردن روی تمام پیامدهای هوش ماشینی فراگیر که به قدرتمندترین نرمافزارهای ما متصل شده و در قالب سامانههای رباتیک مختلف تجسم یافته؛ غیرممکن است. آیا هوش مصنوعی نیاز به تقریباً تمام مهندسان نرمافزار را از بین خواهد برد، یا برعکس به شکلی خلاف انتظار باعث ایجاد شغلهای بیشتری در این حوزه خواهد شد؟ رباتها در چند سال آینده تا چه اندازه توانمند خواهند شد و این برای بازار کار چه معنایی دارد؟ آیا مراکز سنتی خدمات مشتری واقعاً به پایان رسیدهاند؟
هر پرسشی از این دست محدودیت دید ما نسبت به آینده کوتاهمدت را آشکار میکند، و این عدم قطعیت شدید معیارهایی را که برای تعهد به سرمایهگذاریهای آیندهنگرانه استفاده میکنیم به چالش میکشد. وقتی رهبران به این مه خیره میشوند، وسوسه خواهند شد که سودهای بالقوه آینده از آسمانخراشها و راهآهنها را با کارکرد موقت چادرها و دوچرخهها معاوضه کنند.
بدون توانایی پیشبینی مطمئن اینکه از اینجا به کجا خواهیم رفت، و با در نظر گرفتن هزینه بالای تعهد زودهنگام در محیطهای بیثبات، من معتقدم بهترین رویکرد این است که برای «ناشناختهها» بهینهسازی کنیم. به عنوان استاد کارآفرینی که به شرکتهای پیشرو نیز مشاوره میدهد، استدلال میکنم که موفقیت در دورهای از کدری شدید اغلب متعلق به کسانی است که «اختیارپذیری» را استادانه مدیریت میکنند؛ کسانی که میآموزند سرمایه را مرحلهبندی کنند، در هویتهای حرفهای خود چابک بمانند، و سیستمهای سازمانی قابلانطباق بسازند.
معمای سرمایه انسانی
به آموزش فکر کنید؛ بزرگترین سرمایهگذاری بلندمدتی که بسیاری از ما انجام میدهیم. ما سالها زمان صرف میکنیم و برای تحصیل در دانشگاه و مقاطع پیشرفته بدهی قابلتوجهی میپذیریم، با این امید که وارد نردبان شغلی با پلههای قابل پیشبینی شویم. اگر جوان و جاهطلب باشید، ممکن است در یک مدرک پزشکی گرانقیمت سرمایهگذاری کنید در ازای ۳۰ تا ۴۰ سال درآمد از یک حرفه رضایتبخش و پردرآمد. یا در یک برنامه MBA ثبتنام کنید تا مهارتهای تحلیلی و مدیریتی خود را برای چند دهه رهبری یک P&L تقویت کنید. اینها شرطبندیهایی بر ارزش بلندمدت سرمایه انسانی هستند.
امروز، توجیه تصمیم برای سرمایهگذاری در سرمایه انسانی دشوارتر شده است. اگر نتوانیم حتی تعریف کنیم که «پزشک» در سال ۲۰۳۵ چه کسی است، چه کسی در دانشکده پزشکی ثبتنام خواهد کرد؟ این را بهعنوان یک تحریک ارزان مطرح نمیکنم. منظورم کاملاً تحتاللفظی است. آیا پزشک یک تشخیصدهنده خواهد بود؟ یک مشاور کنار تخت بیمار؟ مجریِ رویههای پزشکی؟ ناظر یک سیستم تریاژ مبتنی بر هوش مصنوعی؟ امضاکننده فرمهای مسئولیت حقوقی؟ هیچکدام از اینها؟ چه کسی میداند.
به همین ترتیب، چه کسی میتواند با اطمینان احساس کند که شرکتهای مشاوره، بانکداری و فناوری در سال ۲۰۲۹ فارغالتحصیلان MBA را استخدام خواهند کرد؟ حتی مدارک کارشناسی عمومی که دانشجویان را برای فکر کردن، نوشتن، تحلیل، تدوین استراتژی و ارتباط برقرار کردن آموزش میدهند ممکن است سرمایهگذاریهای مشکوکی شوند، اگر سیستمهای هوش مصنوعی بتوانند این کارها را با هزینه نهایی تقریباً صفر انجام دهند.
اگر این حرفها هشداردهنده به نظر میرسند، دادهها بهآرامی در حال انباشته شدن هستند. به نظر میرسد یافتن شغل برای فارغالتحصیلان دانشگاه نسبت به گذشته نزدیک بسیار دشوارتر شده است (هرچند چشمانداز امسال شاید کمی بهتر به نظر برسد)، و همین موضوع بازده سرمایهگذاری در تحصیلات کارشناسی را زیر سؤال میبرد. با اینکه فضای سیاسی نیز نقش دارد، درخواست برای برنامههای MBA نیز امسال بهطور قابلتوجهی کاهش یافته است.
این استدلال بر تمایزی استوار است که اقتصاددانان بهندرت درباره سرمایه انسانی به کار میبرند: تفاوت میان «ریسک» و «عدم قطعیت». ریسک قابل اندازهگیری است؛ میتوان احتمالهایی تعیین کرد که به ما اجازه میدهد یک شرطبندی را قیمتگذاری کنیم. عدم قطعیت محیطهایی را توصیف میکند که در آن خودِ توزیع احتمالات ناشناخته است که دقیقاً پیامد ناپیدایی است. دامنه نتایج ممکن برای یک رادیولوژیست که در سال ۲۰۳۵ دوره تخصصی خود را به پایان میرساند از «ضروری و غیرقابلجایگزین» تا «از نظر حرفهای منسوخ» گسترده است. این همان جایی است که اثر بازدارنده مه هوش مصنوعی ظاهر میشود. وقتی افراد با توزیع نتایجی مواجه میشوند که گسترده و ناشناخته است، اغلب از شرطبندیهای پرهزینه عقب میکشند.
شرکتها در سوی دیگر سرمایهگذاری افراد در سرمایه انسانی قرار دارند. برای شرکتهایی که به نیروی کار ماهر وابستهاند، مه هوش مصنوعی یک مسئله بیسابقه در برنامهریزی نیروی کار ایجاد میکند. رهبران باید تصمیم بگیرند چند نفر استخدام کنند، در چه نقشهایی و با چه حقوقی، در شرایطی که طول عمر هر مهارت مشخصی نامعلوم است. همان عدم قطعیتی که افراد را از سرمایهگذاری در آموزش بازمیدارد، استخدام و سرمایهگذاری در کارکنان را نیز برای رهبران دشوارتر میکند، بهویژه در مناطقی که مقررات سختگیرانهای درباره کاهش تعداد کارکنان وجود دارد. البته ممکن است همین موضوع توضیح دهد چرا بازار کار برای فارغالتحصیلان جدید دانشگاهی متزلزل بوده است. اگر عاملهای هوش مصنوعی بتوانند یادداشتها را تنظیم کنند، کد بنویسند، کارهای اداری پایه انجام دهند، پژوهش کنند و مدلهای مالی بسازند سریعتر و ارزانتر از کارکنان تازهکار، آنگاه شرکتها برنامههای استخدامی خود را بر اساس آن تنظیم خواهند کرد.
به بیان ساده، انتظارات درباره برنامههای استخدام شرکتها و سرمایهگذاری افراد در سرمایه انسانی دو روی یک سکه هستند.
ریاضیات شرکتی
مهِ آینده همچنین این پرسش را مطرح میکند که شرکتها چگونه ارزشگذاری میشوند، و بنابراین آیا و چگونه سرمایه جذب میکنند و ارزش خود را به سرمایهگذاران و سایر ذینفعان منتقل میکنند. برای رهبران، این بدان معناست که مه هوش مصنوعی بر هزینه سرمایه، شرایط تأمین مالی رشد، و اینکه آیا یک برنامه استراتژیک از نظر تحلیلگران و سرمایهگذاران قابل قبول است یا نه تأثیر خواهد گذاشت. سازوکار این تغییر ناشی از مه ساده است، اما پیامدهای آن بنیادین است.
ارزش سهام بر اساس میزان پول نقدی که یک شرکت در آینده تولید خواهد کرد تعیین میشود. تحلیلگران جریان نقد آزاد شرکت را برای دهه آینده پیشبینی میکنند، سپس جریان درآمدیای را اضافه میکنند که عملکرد بلندمدت را نشان میدهد و در نهایت این جریانهای نقدی را تنزیل میکنند تا ارزش فعلی به دست آید. در مضارب فعلی بازارهای عمومی، «ارزش نهایی» یک شرکت معمولی ممکن است ۶۰ تا ۸۰ درصد از کل ارزش بازار آن را تشکیل دهد.
یک فرض حیاتی در اینجا وجود دارد (تنها توجیه ارزش نهایی) و آن این است که ما باور داریم کسبوکار پایدار است. اگر مه هوش مصنوعی دوام بلندمدت محصول یا خدمت اصلی یک شرکت را زیر سؤال ببرد، آنگاه باید این پرسش را نیز مطرح کنیم که آیا اصلاً ارزش نهایی خود را به دست خواهد آورد یا نه. و اگر به ارزش نهایی شک کنیم، ارزشگذاری فرو میریزد. شرکت به سادگی کمتر میارزد.
راه دیگر برای درک این پیامد مه این است که هوش مصنوعی در حال به چالش کشیدن حفظ «خندقهای رقابتی» شرکتهاست. هر کسبوکاری که مزیت رقابتی آن عمدتاً مبتنی بر نرمافزار، فرایند، سرمایه انسانی یا محتوا باشد اکنون در برابر رقیبی آسیبپذیر است که بتواند قابلیتها را سریعتر و ارزانتر بازتولید کند.
این همان چیزی است که در بخش نرمافزار بهعنوان خدمت (SaaS) در بازار B2B دیدهایم. شرکتهای SaaS برای دههها محبوب بازارهای سهام بودهاند، زیرا از هزینههای بالای تغییر سرویس، نرخ ریزش پایین و حاشیه سود بالا بهره بردهاند. اما اگر هوش مصنوعی جایگزین کارکردهای موجود نرمافزار شود، تولید نرمافزار را کالایی کند، مدل درآمدی را از اشتراکهای گران به ازای هر کاربر به مصرف توکنیِ حاشیهای تغییر دهد، یا اساساً پشته نرمافزارهای سازمانی را مختل کند، چه بر سر این کسبوکارها خواهد آمد؟ آیا بازار هنوز میتواند مضارب ارزشگذاری ۵۰ برابر جریان نقد آزاد یا بیشتر را توجیه کند، همانطور که اکنون در شرکتهایی مانند Samsara، Cloudflare و دیگران میبینیم؟
درون شرکت، همان مه
این مه فراگیر همچنین بازارهای سرمایه داخلی را تحت تأثیر قرار میدهد. تقریباً هر سازمان بزرگی یک فرایند تخصیص منابع مرحلهای اجرا میکند. یک تیم ابتکار جدیدی را پیشنهاد میدهد که به سرمایهگذاری نیاز دارد. رهبران این پیشنهاد را در برابر آستانه بازده سرمایه سرمایهگذاریشده (ROIC) ارزیابی میکنند. حامیان پروژه در یک افق زمانی پنج یا ده ساله پیشبینیهایی انجام میدهند تا بازده مورد انتظار را محاسبه کنند. اگر اعداد از آستانه هزینه سرمایه عبور کنند و با مسیر استراتژیک شرکت همسو باشند، پروژه تأمین مالی میشود. اما وقتی آینده مبهم باشد چه اتفاقی برای این رویکرد میافتد؟
یک تولیدکننده قراردادی متوسط را در نظر بگیرید که قطعات ماشینکاریشده دقیق برای مشتریان هوافضا و دفاعی تولید میکند. تیم عملیات شرکت پیشنهاد یک سرمایهگذاری ۳۰ میلیون دلاری برای یک خط تولید جدید را مطرح میکند که به ماشینهای پیشرفته CNC، پرداخت در اتاق تمیز و سیستمهای بازرسی خودکار نیاز دارد. گسترش تأسیسات بر اساس دفتر سفارش پیشبینیشده شرکت طراحی شده است. تیم مالی یک دهه درآمد پیشبینیشده را در برابر هزینه سرمایه مدلسازی میکند. نرخ بازده داخلی (IRR) بهراحتی از نرخ مانع عبور میکند.
آیا رهبری باید این سرمایهگذاری را تأیید کند؟ وقتی مه فرو میآید، آنها باید بپرسند آیا ظرف دو تا سه سال نسل جدیدی از رباتهای کنترلشده با هوش مصنوعی که بتوانند تلرانسها را از چند اجرای نمونه یاد بگیرند( به جای ماهها تنظیم ) به رقبا (یا حتی مشتریان خودشان) اجازه خواهد داد این تولید را با کسری از هزینه سرمایه به داخل شرکت بیاورند؟ با ابزارهای اختصاصی، دورههای تولید طولانی و ماشینکاران ماهر، خط جدید برای الگوی تولید امروزی بهینه شده است. اما اگر سیستمهای رباتیک عمومی هزینههای راهاندازی را که همیشه از تولیدکنندگان تخصصی محافظت کردهاند فروبریزند، خندق رقابتی که پیشبینی دهساله شرکت را محافظت میکند دیگر قابل اعتماد نیست. پیشبینی درآمد اولیه دود میشود و به هوا میرود.
بهینهسازی برای ناشناختهها
ما وارد دورهای شدهایم که در آن اطمینان نسبت به چشمانداز بسیاری از سرمایهگذاریهای بلندمدت کاهش یافته است. هرچه آینده مبهمتر شود، توجیه شرطبندیهای بلندمدت دشوارتر میشود. این موضوع برای شرکتها، افراد، سرمایهگذاران و حتی دولتها صادق است. کدری آینده هزینه سرمایه را افزایش میدهد، زیرا عدم قطعیت بالا بهسختی قابل قیمتگذاری است. چند پیامد قابل پیشبینی از این پیشبینیناپذیری وجود دارد: صرف ریسک افزایش خواهد یافت و پروژههایی با بازدههای دوردست جذابیت خود را از دست خواهند داد. اگر نتوانید آینده را ببینید، ساختن برای آن دشوار است.
این نوع کدری برای بسیاری از ما در غرب ناآشناست. برای دههها، ترکیبی غیرمعمول از مصونیت ژئوپولیتیکی، ثبات نهادی و تغییرات فناورانه را تجربه کردهایم که هرچند در نهایت مخرب بودهاند، اما آنقدر آهسته رخ دادهاند که برنامهریزی بلندمدت را مختل نکنند. این ثبات باعث میشد سرمایهگذاری در پروژههای زیرساختی بلندعمر، مسیرهای شغلی تخصصی، زنجیرههای تأمین گسترده و ساختارهای سازمانی طراحیشده برای تغییرات تدریجی و نه انقلابی منطقی باشد. ما این امتیاز را داشتهایم که طوری سرمایهگذاری کنیم که گویی فردا فقط نسخهای کمی بهروزشده از امروز خواهد بود.
اما در مواجهه با مه هوش مصنوعی، نامرئی شدن ناگهانی آینده به این معناست که تنها گزینه قانعکننده، خودِ «اختیارپذیری» است.
برای افراد، این به معنای پرورش چابکی روانشناختی و حرفهای خواهد بود. منظورم توانایی رها کردن یک برنامه علیرغم سرمایهگذاری در آن، بازآموزی مکرر مهارتها، تمرکز دوباره بر فرصتها هنگام ظهورشان، و رها کردن هویتهای حرفهایمان است تا بتوانیم آنها را با تغییر شرایط تطبیق دهیم.
رهبران سازمانی باید اختیارپذیری را هم در مدلهای تخصیص سرمایه و هم در طراحیهای سازمانی خود نهادینه کنند.
نخست، زمان آن رسیده است که از تعهدات سرمایهای چندساله به سرمایهگذاری مرحلهای با نقاط تصمیمگیری صریح تغییر جهت دهیم. همچنین زمان آن رسیده است که سیستمهای بودجهبندی مبتنی بر صفر را (دوباره) بررسی کنیم تا بخشی از اینرسی در تخصیص منابع حذف شود. لازم خواهد بود پرسش «بازده دهساله این سرمایهگذاری چیست؟» را با این پرسش جایگزین کنیم: «کوچکترین تعهدی که اکنون میتوانیم بدهیم و به ما اطلاعات و حق (اما نه الزام) ادامه سرمایهگذاری میدهد چیست؟» سرمایهگذاری خطرپذیر همیشه این منطق را درک کرده است. شرکتهای بزرگ نیز اکنون باید آن را به کار گیرند.
دوم، بهجای قفل کردن ساختارهای سازمانی که برای آیندهای باثبات بهینه شدهاند، باید فکر کنیم چگونه برای ورود هوش مصنوعی عاملی سازماندهی کنیم. اگر «مدل عملیاتی» آینده شرکت نامطمئن باشد همانطور که شاید اقداماتی مانند شرکت Block که حدود ۴۰ درصد کارکنان خود را در چارچوب تغییرات مرتبط با هوش مصنوعی که جک دورسی به آن اشاره کرد اخراج کرد نشان میدهد و اگر درباره سبد محصولات و اقتصاد واحدی تردید وجود داشته باشد، رهبران نمیتوانند شرکت را برای یک پیشبینی واحد سیمکشی کنند. تیمهای ماژولار، تغییرات مکرر در فرایندها و طراحیهای سازمانی، طراحی شغل با انعطافپذیری درونی، و لایههای نازک و قابلانطباق هماهنگی (چه انسان و چه عاملهای هوش مصنوعی) همگی به حفظ قدرت مانور کمک خواهند کرد.
سوم، رهبران به سیستمهای حسگری بهتر نیاز دارند. ما در حال مشاهده دورهای از تغییرات مداوم و بیسابقه در مقیاس و دامنه قابلیتهای هوش مصنوعی در سطح سازمانی هستیم. حتی آگاهی منفعل از همه آنچه در حال رخ دادن است نیز دشوار است و آگاهی منفعل کافی نیست.
رهبران باید تیم کوچکی ایجاد کنند که کار تماموقت آن رصد تواناییهای پیشرفته هوش مصنوعی و ترجمه پیشرفتهای فنی به پیامدهای مدیریتی برای شرکت باشد؛ از جمله اینکه چه چیزی را اتخاذ کنند، چه زمانی آن را اتخاذ کنند، چگونه آن را اجرا کنند و همه اینها برای شرکت چه معنایی دارد. این تیم باید زودتر از بازار پرسشهای ناراحتکننده را مطرح کند. پیش از آنکه بازار همان پرسشها را با شدت بیشتری از رهبران بپرسد. چه فرصتهای جدیدی که با فناوری ممکن شدهاند در راهاند؟ کدام بخشهای سبد محصولات با پیشرفتهای فنی کالایی خواهند شد؟ کدام پیشنهادها واقعاً قابل دفاع هستند و کدامها فقط به این دلیل هنوز سودآورند که هیچکس هنوز یک سیستم توانمند را به سمت آنها نشانه نرفته است؟ کدام جریانهای کاری اکنون میتوانند از نیروی کار جدا شوند؟
. . .
بازارها و شرکتها قطعاً با این مه سازگار خواهند شد. سرمایهگذاران دوباره کالیبره خواهند کرد. شرکتهای بومی هوش مصنوعی تأسیس خواهند شد. شرکتهای موجود بازساخت خواهند شد، هرچند بسیاری ممکن است شکست بخورند. هیچیک از اینها مانع یک نتیجه کلی خوشبینانه نمیشود. هماکنون مقدار عظیمی سرمایه به حوزههایی سرازیر شده است که در آنها اعتماد جمعی به دوام بلندمدت وجود دارد؛ مانند زیرساخت انرژی، توسعه مدلهای پایه، رباتیک و اکوسیستم روبهگسترشی از شرکتهایی که زیرساخت فیزیکی و محاسباتی موردنیاز سیستمهای هوشمند را میسازند. احتمالاً افزایش بهرهوری نیز ظاهر خواهد شد و برای بسیاری از شرکتها اقتصاد واحدی را بهبود خواهد داد.
اما مه به این معناست که رشد انفجاری در برخی بخشها همزمان با جابهجاییهای دردناک در بخشهای دیگر رخ خواهد داد و هنوز زود است که بدانیم کدامها کداماند.
به طور خلاصه، ما در حال ورود به تغییر پارادایمی در نحوه شرطبندی بر آینده هستیم. سرمایهگذاریهای بلندمدتی که زندگی اقتصادی مدرن را تعریف میکنند مانند وامهای مسکن، مدرک حقوق، یا توسعه محصولات با سرمایهگذاری سرمایهای بالا در دورهای شکل گرفتند که آینده به اندازه کافی قابل خواندن بود تا تعهد به آن منطقی باشد. هوش مصنوعی این آینده را در بسیاری از حوزهها مبهم کرده است، و این کار را سریعتر از آن انجام داده که نهادهای ما بتوانند با آن سازگار شوند. بازارهای سهام تا حد زیادی سریع به این تغییر واکنش نشان دادهاند، زیرا سرمایه معمولاً با چند فشار کلید میتواند دوباره تخصیص یابد. البته قیمتگذاری مجدد ارزش یک شرکت بسیار سادهتر از بازسازی آن است. اما رهبران هنوز مدلهای DCF دهساله اجرا میکنند. دانشگاهها هنوز مدارک چهار ساله گرانقیمت را بهعنوان داراییهای مادامالعمر میفروشند. دولتها هنوز درباره اینکه آیا هوش مصنوعی اصلاً مخرب خواهد بود یا نه بحث میکنند.
مه اینجاست. دیگر پرسش این نیست که آیا نحوه سرمایهگذاری، استخدام، ساختن و برنامهریزی ما را تغییر خواهد داد یا نه. پرسش واقعاً فوری این است: آیا پیش از آنکه انواع سرمایهگذاری از حرکت بازایستند، نهادهای خود را برای این کدری دوباره طراحی خواهیم کرد؟
درباره نویسنده
توبی ای. استوارت دارنده کرسی هلزل در کارآفرینی، استراتژی و نوآوری؛ مدیر هیئت علمی برنامه کارآفرینی برکلی هاس؛ معاون امور خارجی؛ و مدیر هیئت علمی مؤسسه نوآوری کسبوکار در دانشکده کسبوکار هاس، دانشگاه کالیفرنیا برکلی است.
