انتخاب‌های هوشمند، تصمیم‌گیری و بهره‌وری را تغییر می‌دهند

هوش مصنوعی می‌تواند گزینه‌های بهتری برای نتایج استراتژیک بهتر ارائه دهد.

مایکل شراگ و دیوید کیرون، ۲۹ اکتبر ۲۰۲۴ در وب سایت MIT Sloan

انتخاب‌های بهتر، تصمیم‌گیری‌های بهتری را ممکن می‌سازند.

رونق سودآور در خلال اختلالات بازار، مستلزم آن است که مدیران اجرایی تشخیص دهند که تصمیمات بهتر کافی نیستند – آنها به انتخاب‌های بهتری نیاز دارند. انتخاب‌ها مواد اولیه تصمیم‌گیری هستند؛ بدون گزینه‌های متنوع، دقیق و با کیفیت بالا، حتی بهترین فرآیندهای تصمیم‌گیری نیز عملکرد ضعیفی دارند. داشبوردها و کارت‌های امتیازی سنتی که توسط حسابداری قدیمی و الزامات انطباق تعریف شده‌اند، به طور قابل اعتمادی پیشرفت را اندازه‌گیری می‌کنند، اما نمی‌توانند بینش یا پیش‌بینی لازم برای ایجاد انتخاب‌های برتر را ایجاد کنند. آنها برای این کار طراحی نشده‌اند.

انتخاب‌های هوشمند

هوش مصنوعی مولد و سیستم‌های پیش‌بینی‌کننده برای این کار طراحی شده‌اند. آنها می‌توانند گزینه‌های پنهان را آشکار کنند، وابستگی‌های متقابل نادیده گرفته شده را برجسته کنند و مسیرهای جدیدی را برای موفقیت پیشنهاد دهند. این سیستم‌ها و عوامل هوشمند نه تنها از تصمیمات بهتر پشتیبانی می‌کنند – بلکه آنها را الهام می‌بخشند. با افزایش سرعت ورود به بازار و تطبیق‌پذیری، سیستم‌های اندازه‌گیری پیشرفته هوش مصنوعی به طور فزاینده‌ای مدیران را قادر می‌سازند تا رقابت را بهتر پیش‌بینی، تطبیق و از آن پیشی بگیرند. تحقیقات ما شواهد قانع‌کننده‌ای ارائه می‌دهد که سیستم‌های هوش مصنوعی پیش‌بینی‌کننده و مولد را می‌توان برای ارائه انتخاب‌های بهتر، نه فقط تصمیمات بهتر، آموزش داد.

انتخاب‌های طراحی‌شده توسط ماشین می‌توانند – و باید – همتایان انسانی خود را توانمند سازند. همانطور که آنجالی باگرا، پزشک ارشد و رئیس مرکز اتوماسیون در کلینیک مایو، توضیح می‌دهد: “اساساً، کاری که ما در هسته انجام می‌دهیم، چه هوش مصنوعی، اتوماسیون یا سایر فناوری‌های نوآورانه، این است که تیم‌هایمان را قادر می‌سازد تا مشکلات را حل کنند و اصطکاک را در ارائه مراقبت‌های بهداشتی به حداقل برسانند. ابتکارات ما توسط مردم، برای مردم طراحی شده است.”

رهبران، مدیران و همکاران در تمام سطوح می‌توانند از سیستم‌های هوشمند – که ریشه در تجزیه و تحلیل داده‌های پیچیده، ترکیب و تشخیص الگو دارند – برای ایجاد معماری‌های انتخاب هوشمند استفاده کنند که گزینه‌های بهتری را ایجاد می‌کنند که به نوبه خود منجر به تصمیمات بهتری می‌شوند که نتایج بهتری را به همراه دارند. اصطلاح معماری‌های انتخاب که توسط ریچارد تالر، اقتصاددان برنده جایزه نوبل، و کاس سانستین، محقق حقوقی، در کتابشان با عنوان «تلنگر: بهبود تصمیم‌گیری‌ها در مورد سلامت، ثروت و شادی» ابداع شده است، به عمل تأثیرگذاری بر یک انتخاب از طریق «سازماندهی عمدی زمینه‌ای که افراد در آن تصمیم‌گیری می‌کنند» اشاره دارد.1

کار تالر و سانستین با بهره‌گیری از ادبیات تجربی غنی تحقیقات اقتصاد رفتاری، بررسی کرد که چگونه عوامل خاص (مانند تعداد انتخاب‌ها، گنجاندن انتخاب‌های پیش‌فرض و توصیف انتخاب‌ها) بر تصمیم‌گیری تأثیر می‌گذارند. ادغام هوش مصنوعی در فرآیند طراحی و تولید معماری انتخاب، ارتباط بین طراحی و تصمیم‌گیری را بیش از پیش تقویت می‌کند. آنچه معماری‌های انتخاب مبتنی بر هوش مصنوعی را متمایز می‌کند، توانایی‌های آنها در تعامل نوآورانه با تصمیم‌گیرندگان انسانی و یادگیری ارائه توصیه‌ها و انتخاب‌های بهتر از طریق حلقه‌های بازخورد است.

معماری‌های انتخاب هوشمند می‌توانند محیط‌های تصمیم‌گیری را طوری طراحی کنند که با تزریق و چارچوب‌بندی گزینه‌های «غیرمتعارف»، مدیران را به سمت تفکر نوآورانه‌تر سوق دهند. به عنوان مثال، هنگام طوفان فکری در مورد ویژگی‌های محصول جدید، یک معماری انتخاب هوشمند ممکن است شامل گزینه‌های عجیب و غریب از صنایع غیرمرتبط باشد و باعث ایجاد ایده‌های خلاقانه شود. معماری‌های انتخاب هوشمند همچنین می‌توانند یاد بگیرند که گزینه‌های استراتژیک را به روش‌هایی ارائه دهند که با سوگیری ریسک‌گریزی کمیته اجرایی مقابله کند. به عنوان مثال، یک معماری انتخاب هوشمند ممکن است خریدهای بالقوه را به عنوان «فرصت‌های رشد» به جای «ریسک‌های مالی» در نظر بگیرد و به طور نامحسوس تصمیمات جسورانه‌تری را تشویق کند.

با پیوند بیشتر سرمایه‌گذاری‌های استراتژیک در هوش مصنوعی و سرمایه انسانی، رهبران آینده‌نگر تشخیص خواهند داد که سیستم‌های اندازه‌گیری هوشمند می‌توانند با ایجاد گزینه‌های جدید، پیش‌بینی نتایج و هدایت انتخاب‌ها، رفتارهای تصمیم‌گیری سازمانی را بهبود بخشند. این ساختارها با طراحی زمینه‌هایی که تصمیمات کلیدی استراتژیک و عملیاتی در آنها گرفته می‌شود، آینده سازمانی تصمیم‌گیری و نحوه انتخاب رهبران برای دنبال کردن آرمان‌های استراتژیک را شکل می‌دهند.

در نتیجه، ما استدلال می‌کنیم که اندازه‌گیری هوشمند برای انتخاب‌های بهتر، پیامدهای عظیمی برای تصمیم‌گیری عملیاتی و استراتژیک، اندازه‌گیری بهره‌وری و طراحی سازمانی دارد.

اندازه‌گیری هوشمند منجر به انتخاب‌های بهتر و تصمیم‌گیری‌های بهتر می‌شود

تبدیل قابلیت‌های اندازه‌گیری مبتنی بر هوش مصنوعی به بینش‌ها، تلنگرها و گزینه‌های عملی، به طور مؤثر معماری‌های انتخاب هوشمند پویا را ایجاد می‌کند. این ساختارها، بینش‌های هوش مصنوعی را در چارچوب‌ها و جریان تصمیم‌گیری جاسازی می‌کنند؛ انتخاب‌هایی را ارائه می‌دهند که شخصی‌سازی شده، پیش‌بینی‌کننده و از نظر اخلاقی آگاه هستند؛ و به کاربران کمک می‌کند تا تصمیمات خود را با اهداف سازمانی همسو کنند. برای مثال، تجزیه و تحلیل هوشمند داده‌ها می‌تواند به طور قابل توجهی گزینه‌های مدیریتی بهتری را برای تصمیمات فروش، زنجیره تأمین و بازاریابی ارائه دهد: نتایج کلیدی در اینجا انتخاب‌ها هستند، نه پاسخ‌ها. عوامل اندازه‌گیری هوشمند می‌توانند داده‌های دقیق و قابل اعتمادی ارائه دهند.

بینش دقیقی که دوقلوهای دیجیتال را قادر می‌سازد تا پیشنهادهای کارآمدتر یا نوآورانه‌تری برای عملیات زنجیره تأمین ارائه دهند. رهبران می‌توانند از سرمایه‌گذاری‌های الگوریتمی خود در حوزه‌هایی از منابع انسانی گرفته تا توسعه نرم‌افزار و اتوماسیون نیروی کار، انتظار گزینه‌ها و توصیه‌های بهتری – نه فقط «بهترین» پاسخ – داشته باشند.

مدیران اجرایی نیازی به انحصار این مزایا ندارند. معماری‌های انتخاب هوشمند می‌توانند حقوق تصمیم‌گیری را در سراسر سازمان بازتعریف کنند. برای پشتیبانی مشتری، معماری‌های انتخاب غنی‌شده با هوش مصنوعی می‌توانند توصیه‌های سفارشی را بر اساس تجزیه و تحلیل داده‌های بلادرنگ از رفتارها، تراکنش‌ها و احساسات مشتری به عوامل انسانی ارائه دهند. راهنمایی پیش‌بینی‌کننده می‌تواند به تیم‌های پشتیبانی مشتری کمک کند تا مسائل را با کارایی بیشتری حل کنند – مثلاً با افزایش درصد تیکت‌های پشتیبانی حل‌شده در اولین تماس – و در عین حال تجربه مشتری را بهبود بخشند. این سیستم‌ها با کمک گزینه‌های تصمیم‌گیری خودکار و تقویت‌شده در محیط‌های پرفشار، می‌توانند کارمندانی را که با مشتری در ارتباط هستند، نه با گفتن اینکه چه کاری انجام دهند، بلکه با ارائه انتخاب‌های شخصی‌تر به آنها، توانمند سازند. این امر به نوعی حساسیت «حقوق تصمیم‌گیری» احترام می‌گذارد و آن را منعکس می‌کند.

معماری‌های انتخاب هوشمند باید الزامات توضیح‌پذیری، تفسیرپذیری و شفافیت اصول هوش مصنوعی مسئولانه را در خود جای دهند. معماری‌های انتخاب هوشمند به طور مشابه می‌توانند از تصمیم‌گیری مدیران میانی و سرپرستان از طریق بینش‌های عملی ارائه شده از طریق داشبوردهای KPI تطبیقی که مسیرهای تصمیم‌گیری را برای بهینه‌سازی عملکرد تیم، کاهش تنگناهای عملیاتی یا انعطاف‌پذیری جدول زمانی پروژه نشان می‌دهند، پشتیبانی کنند. در چنین حالتی، مدیران فقط از میان فهرستی از گزینه‌ها انتخاب نمی‌کنند؛ آنها توصیه‌هایی در مورد بده‌بستان بین گزینه‌ها دریافت می‌کنند. به عنوان مثال، یک هوش مصنوعی ممکن است روند داده‌های فروش را تجزیه و تحلیل کند و استراتژی‌هایی را برای دستیابی به اهداف سه‌ماهه بدون نیاز به کارمندان برای انجام حجم کار غیرمنطقی، یا ارسال هشدارهای عملکرد کارکنان مرتبط با بهبود فرصت‌های فروش یا افزایش فروش، توصیه کند. برجسته کردن اعداد فروش از نظر عملیاتی و تحلیلی در مقایسه با هدایت فعالانه مدیران برای بهبودهای «قابل تحریک» در بهره‌وری و روحیه تیمی، در درجه دوم اهمیت قرار دارد. آیا این امر نگرانی‌های اخلاقی، قانونی و حریم خصوصی را به همراه دارد؟ بله. به همین دلیل است که معماری‌های انتخاب هوشمند باید الزامات توضیح‌پذیری، تفسیرپذیری و شفافیت اصول هوش مصنوعی مسئولانه را در خود جای دهند.

برای منابع انسانی، آموزش معماری انتخاب هوشمند می‌تواند گزینه‌های هوشمندی را برای مدیریت برجسته کند تا با ادغام داده‌ها در مورد عملکرد، رضایت و توسعه شغلی کارکنان، مربیگری و راهنمایی بهتری داشته باشند. آنها می‌توانند مسیرهای شغلی شخصی‌سازی‌شده را پیشنهاد دهند، رهبران بالقوه را شناسایی کنند یا برنامه‌های آموزشی هدفمند را برای ارتقای بهتر مهارت کارکنان یا رفع شکاف‌های مهارتی توصیه کنند.

به عنوان مثال، والمارت در حال بررسی هوش مصنوعی برای شناسایی استعدادهای پنهان یا کم‌ارزش است، استعدادهایی که بن پترسون، معاون رئیس بخش محصولات و طراحی افراد والمارت، آنها را «الماس‌های خام» این خرده‌فروش می‌نامد. همانطور که پترسون توضیح می‌دهد: «چه کسی در حال حاضر در فروشگاه ۲۴۶۳ در فریسکو، تگزاس کار می‌کند که ما از آنها بی‌خبریم؟ چگونه می‌توانیم از فناوری برای بررسی جمعیت کارکنان خود و شناسایی شکاف‌های مهارتی در جایگاهی که می‌خواهیم پنج یا ده سال آینده باشیم، استفاده کنیم؟» علاوه بر این، والمارت به دنبال استفاده از هوش مصنوعی برای شناسایی فرصت‌های یادگیری و توسعه در زمان واقعی برای کارکنان است که «آنها را به جایی که می‌خواهند باشند و جایی که ما نیاز می‌بینیم، می‌رساند». پترسون می‌گوید: «چگونه آنها را برای نقش‌های آینده آماده کنیم؟» پاسخ این است که با ارائه انتخاب‌های بهتر به آنها کمک کنیم تا تصمیمات بهتری برای خود و والمارت بگیرند. معماری‌های انتخاب هوشمند همچنین سهم قابل توجهی در بازاندیشی و طراحی مجدد شاخص‌ها و نتایج کلیدی عملکرد دارند. اگر تولید، زمان از کارافتادگی طولانی‌تر از حد انتظار را پیش‌بینی کند، یک معماری انتخاب هوشمند می‌تواند به طور تطبیقی با مدیران میانی تعامل داشته باشد تا تخصیص مجدد منابع، تنظیمات گردش کار یا جابجایی پرسنل را پیشنهاد دهد. سیستم اندازه‌گیری هوشمند تضمین می‌کند که مدیران تولید صرفاً به نوسانات KPI واکنش نشان نمی‌دهند، بلکه قبل از تشدید هزینه‌های گزاف، به طور پیشگیرانه مشکلات را پیش‌بینی می‌کنند.

انتخاب معماری انتخاب مناسب

کدام معماری انتخاب هوشمند برای یک مورد یا شرایط خاص مناسب‌تر است؟ آیا معماری‌های انتخاب هوشمند باید تجربه مشتری را نسبت به تجربه کارکنان ارجحیت دهند یا به آن وزن بیشتری بدهند؟ آیا تصمیمات مالی عملیاتی باید به دنبال بهینه‌سازی ارزش طول عمر مشتری نسبت به جریان‌های نقدی فصلی باشند؟ آیا مدیران باید دستورالعمل‌ها، گاردریل‌ها و توصیه‌های معماری انتخاب هوشمند شخصی‌سازی شده خود را برای همکارانشان قابل مشاهده کنند؟ در نهایت، معماری‌های انتخاب هوشمند باید منعکس کننده و احترام به حقوق تصمیم‌گیری تعیین شده توسط مدیریت ارشد (یا هر جای دیگری در سازمان – این یک انتخاب است) باشند. هنگام سنجش گزینه‌های معماری انتخاب، رهبران باید به صراحت در نظر بگیرند که چگونه این سیستم‌ها با کاربران تعامل می‌کنند و آنها را با شغل یا وظیفه‌ای که برای آن مناسب‌تر هستند، مرتبط می‌کنند. اینها چند گزینه برای معماری‌های انتخاب هوشمند هستند:

  • الگوریتم‌های تلنگربرای تصمیم‌گیری‌های بهینه: هوش مصنوعی می‌تواند استراتژی‌های تلنگر سانستین و تالر را در خود جای دهد که به آرامی رهبران را به سمت تصمیمات بهینه‌تر هدایت می‌کند، بدون اینکه استقلال و اختیار واقعی یا ادراکی آنها را محدود یا تهدید کند. این امر با بهینه‌سازی نامحسوس نتایج، ضمن حفظ اختیار تصمیم‌گیرندگان، تصمیمات سازمانی را بهبود می‌بخشد. این امر اعتماد بیشتری بین معماران انتخاب هوشمند و کاربران این سیستم‌ها ایجاد می‌کند.
  • محیط‌های تصمیم‌گیری شخصی‌سازی‌شده: سیستم‌های اندازه‌گیری مبتنی بر هوش مصنوعی می‌توانند محیط‌های تصمیم‌گیری سفارشی ایجاد کنند که منعکس‌کننده نقش‌های منحصر به فرد، انتخاب‌های گذشته و زمینه‌های رهبران، مدیران یا همکاران فردی است. همانطور که آمازون، نتفلیکس و اسپاتیفای توصیه‌های خود را با مصرف‌کنندگان فردی تنظیم می‌کنند، این گزینه‌های شخصی‌سازی‌شده به صراحت با ترجیحات، اولویت‌ها یا خواسته‌های موقعیتی حرفه‌ای همسو می‌شوند.
  • مدل‌سازی انتخاب پیش‌بینی‌کننده: این سیستم‌ها با استفاده از داده‌های تاریخی و تجزیه و تحلیل هوش مصنوعی، بینش‌های آینده‌نگرانه‌ای ارائه می‌دهند و نتایج احتمالی – و بده‌بستان‌های – تصمیمات استراتژیک مختلف را پیش‌بینی می‌کنند. قابلیت‌های پیش‌بینی‌کننده، رهبران را تشویق می‌کند تا به طور فعال تأثیر بالقوه انتخاب‌های خود و نتایج احتمالی آنها را ارزیابی کنند.
  • مدیریت پیچیدگی: هوش مصنوعی می‌تواند حجم عظیمی از داده‌های پیچیده را به بینش‌های ساده و عملی تبدیل کند و تصمیم‌گیرندگان را قادر سازد تا به طور مؤثرتری در مناظر انتخاب چالش‌برانگیز حرکت کنند. کاهش پیچیدگی، وضوح و شفافیت پیرامون تصمیمات را افزایش می‌دهد و در عین حال تضمین می‌کند که رهبران بر معنادارترین معیارها تمرکز کنند.
  • تصمیم‌گیری اخلاقی: هوش مصنوعی می‌تواند ملاحظات اخلاقی را در معماری‌های انتخاب هوشمند بگنجاند تا تصمیمات استراتژیک را به طور شفاف در راستای ارزش‌های سازمانی و انطباق هدایت کند. این ادغام، تصمیمات مسئولانه‌ای را که منعکس‌کننده اهداف گسترده‌تر سازمانی برای ذینفعان و همچنین برای سرمایه‌گذاران و اپراتورها هستند، ارج می‌نهد.

بازاندیشی بهره‌وری: از خروجی‌ها تا نتایج

معماری‌های انتخاب هوشمند پیامدهای عظیمی برای تعریف، طراحی و اندازه‌گیری بهره‌وری سازمانی دارند. سیستم‌های اندازه‌گیری هوشمند که حجم وسیعی از داده‌های مرتبط را تجزیه و تحلیل می‌کنند و الگوهای ضروری را شناسایی می‌کنند، اکنون می‌توانند بینش و مشاوره‌ای در مورد گزینه‌ها، فرصت‌ها و خروجی‌هایی که به احتمال زیاد نتایج مطلوب را ایجاد می‌کنند، ارائه دهند. آنها می‌توانند سهم در نتایج، نه فقط خروجی‌ها را اندازه‌گیری کنند. معماری‌های انتخاب هوشمند، هنگامی که به طور مناسب در جریان داده‌ها و گردش‌های کاری تعبیه شوند، می‌توانند معیارهای تأثیر را نسبت به معیارهای فعالیت تولید و اولویت‌بندی کنند. این قابلیت مدیران را قادر می‌سازد تا آرزوهای بهره‌وری خود را برای سرمایه انسانی، مالی و سایر اشکال سرمایه دوباره بررسی و بازنگری کنند. به طور خلاصه، معماری‌های انتخاب هوشمند می‌توانند به رهبران کمک کنند تا بازده دارایی‌های ملموس و ناملموس خود را به طور مؤثرتری همسو کنند.

یک نمونه بارز، یک بانک بین‌المللی بزرگ است که از همه‌گیری کووید-۱۹ بیرون آمد و تنها با این واقعیت ناخوشایند روبرو شد که در نظرسنجی‌های پی در پی، اکثر کارمندانش اعلام کردند که در جلسات زیادی شرکت می‌کنند – و بیشتر آنها اتلاف وقت هستند. نتایج نظرسنجی، نقاط درد فرهنگی و عملیاتی را شناسایی کرد که منجر به بررسی چندین طرح آزمایشی هوش مصنوعی برای ارزشمندتر کردن جلسات برای شرکت‌کنندگانشان شد.

معماری‌های انتخاب هوشمند، پیامدهای عظیمی برای تعریف، طراحی و اندازه‌گیری بهره‌وری سازمانی دارند.

در یکی از طرح‌های آزمایشی موفق‌تر، تمام مطالب ارائه، متن جلسات و دستور جلسات برخی از جلسات تیمی برای خلاصه‌سازی، ترکیب و اشتراک‌گذاری به یک مدل زبان بزرگ (LLM) وارد شد. خروجی‌های تولیدی فوری، خلاصه‌های مختصری از نکات کلیدی و پیشنهاد مراحل بعدی بودند. شرکت‌کنندگان در این جلسات تحت پشتیبانی LLM، سطوح رضایت بسیار بالاتری را نسبت به سطوح رضایت از جلسه در نتایج نظرسنجی گزارش کردند. این یافته‌ها به مدیران و مدیریت ارشد، روشی جدید برای اندازه‌گیری و ارزیابی سهم جلسات و همکاری‌های تیمی در ارائه پروژه‌هایی که به موقع و طبق بودجه انجام می‌شدند و از سطوح بالاتری از کیفیت و قابلیت اطمینان برخوردار بودند، ارائه داد. تأثیر ماندگارتری از شرکت‌کنندگانی حاصل شد که از آن خلاصه‌ها و مراحل بعدی برای بهبود هماهنگی و همکاری در پیگیری و ایجاد دستور کارها و چک لیست‌های پیشنهادی برای جلسات و مکالمات آینده استفاده کردند. جلسات کمتر «اتلاف وقت» و بیشتر فرصتی برای تعاملات ارزش افزوده شد که به کارمندان امکان می‌داد نحوه اولویت‌بندی زمان، وظایف و تلاش‌های خود را بهبود بخشند. این مورد استفاده نشان می‌دهد که کاربرد عمدی قابلیت‌های LLM می‌تواند کیفیت و نتایج جلسات را بهبود بخشد.

پیامدهای طراحی سازمانی: حقوق تصمیم‌گیری

معماری‌های انتخابی که گزینه‌های هوشمندی را برای رهبران و مدیران ارائه می‌دهند، ناگزیر سوالات مهم – و اجتناب‌ناپذیری – در مورد حقوق تصمیم‌گیری مطرح می‌کنند. چه زمانی پیروی از یک توصیه خودکار، مسائل مربوط به پاسخگویی را افزایش می‌دهد؟ تحت چه شرایطی یک تصمیم‌گیرنده انسانی می‌تواند گزینه‌ها یا توصیه‌های تولید شده توسط ماشین را نادیده بگیرد؟ به عنوان هوش مصنوعی مولد

سیستم‌ها یاد می‌گیرند که به معماران انتخاب توانمندتری تبدیل شوند، چگونه حقوق تصمیم‌گیری برای کارگران انسانی بااستعداد تغییر خواهد کرد؟ رهبران قادر نخواهند بود از پیامدهای طراحی سازمانی معماری‌های انتخاب هوشمند اجتناب کنند.

معماری‌های انتخابی که گزینه‌های هوشمندی را برای رهبران و مدیران ارائه می‌دهند، ناگزیر سوالات مهم – و اجتناب‌ناپذیری – در مورد حقوق تصمیم‌گیری مطرح می‌کنند.

به عنوان مثال، رویکرد چارچوب RACI (مسئول، پاسخگو، مشورت‌شده، آگاه) را برای تخصیص حقوق تصمیم‌گیری و مسئولیت‌ها برای مدیریت پروژه در نظر بگیرید. به معنای واضح و معنادار، RACI نمایانگر یک معماری انتخاب برای حقوق تصمیم‌گیری است. با ساختاردهی و شفاف‌سازی نقش‌های تصمیم‌گیری سازمانی، پیاده‌سازی‌های مؤثر RACI به طور صریح و مشخص نحوه ارائه و انجام انتخاب‌ها را شکل می‌دهند.

با عذرخواهی از سانستین و تالر، این چارچوب رفتارهای سازمانی را به سمت تصمیمات واضح‌تر، کارآمدتر و پاسخگوتر سوق می‌دهد. RACI اصول معماری انتخاب را در زمینه صریح حقوق تصمیم‌گیری و مسئولیت‌ها تجسم می‌بخشد. ترکیب LLMها با رویکردهای سنتی RACI، پیاده‌سازی عملیاتی RACI را تقویت می‌کند. یک چارچوب هوشمند RACI موارد زیر را انجام می‌دهد:

  • پیش‌بینی تخصیص بهینه مسئولیت‌ها بر اساس داده‌های بلادرنگ و نتایج مطلوب.
  • تنظیم روان حقوق تصمیم‌گیری با تغییر زمینه‌های پروژه.
  • شخصی‌سازی معماری‌های انتخاب برای هر نقش، افزایش کیفیت تصمیم‌گیری.
  • پیش‌بینی و بهینه‌سازی تأثیر پیکربندی‌های مختلف RACI بر موفقیت پروژه.
  • شناسایی فعالانه تنگناهای تصمیم‌گیری و پیشنهاد تخصیص مجدد مسئولیت‌ها.

این تحول، RACI قدیمی را از یک چارچوب سفت و سخت که (صرفاً) نقش‌ها را در مرحله خاصی از پروژه تعیین می‌کند، به یک سیستم اندازه‌گیری و یادگیری تطبیقی تبدیل می‌کند که به طور مداوم یاد می‌گیرد حقوق تصمیم‌گیری را بهتر تخصیص دهد.

ایجاد مشترک انتخاب‌ها، تصمیمات و نتایج بهتر

اگر تیم‌های رهبری تصمیم به ایجاد آنها بگیرند، معماری‌های انتخاب هوشمند می‌توانند مدیران و کارمندان را در تمام سطوح توانمند سازند تا با استقلال و بینش بیشتری عمل کنند. این ساختارها با پشتیبانی تجزیه و تحلیل‌های دقیق‌تر، نحوه تعامل سازنده رهبران، مدیران و کارمندان با داده‌ها، ارزیابی و عمل بر اساس آنها را تغییر می‌دهند. همچنان که رهبران به متولیان سیستم‌های هوشمندی تبدیل می‌شوند که یاد می‌گیرند، یاد می‌گیرند که یاد بگیرند، سازگار شوند و بهبود یابند، باید نقش‌های پیش‌فرض خود را به عنوان تصمیم‌گیرندگان مسلط، دوباره ارزیابی کنند. بازاندیشی در مورد اختیار، پاسخگویی و حقوق تصمیم‌گیری به یک اولویت استراتژیک و فرهنگی حیاتی تبدیل می‌شود. حقوق تصمیم‌گیری باید به اندازه داده‌ها و مدل‌هایی که آنها را هدایت می‌کنند، پویا شوند. سوال اساسی مدیران دیگر این نیست که آیا هوش مصنوعی پیش‌بینی‌کننده و مولد، تصمیم‌گیری را به دست خواهند گرفت یا خیر، بلکه این است که چگونه تخصص انسانی و هوش مصنوعی یکدیگر را برای ایجاد مشترک انتخاب‌ها، تصمیمات و نتایج بهتر تکمیل خواهند کرد.

درباره نویسندگان

مایکل شراگ، پژوهشگر طرح ابتکاری اقتصاد دیجیتال دانشکده مدیریت اسلون MIT است. تحقیقات، نوشته‌ها و کارهای مشاوره‌ای او بر اقتصاد رفتاری رسانه‌های دیجیتال، مدل‌ها و معیارها به عنوان منابع استراتژیک برای مدیریت فرصت و ریسک نوآوری متمرکز است.

دیوید کیرون، مدیر تحریریه، تحقیق، MIT Sloan Management Review و سرپرست برنامه برای طرح‌های تحقیقاتی Big Ideas آن است.

منابع

1. آر. اچ. تالر و سی. آر. سانستین، «تلنگر: بهبود تصمیمات در مورد سلامت، ثروت و شادی» (نیوهیون، کنتیکت: انتشارات دانشگاه ییل، 2008).

به اشتراک بگذارید:

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

رتبه بندی :
امتیاز 5 از 5

مطالب مرتبط

مشاوره ثبت نام
پیام در واتس آپ