hoosh masnooei

تحول مدارس کسب و کار برای بیکاری جوانان

تحول مدارس کسب و کار برای بیکاری جوانان

فارغ‌التحصیلان تازه‌نفس دانشگاه‌های آمریکا این روزها حال ‌و هوای جشن و افتخار ندارند. نتایج دو نظرسنجی تازه موسسه گالوپ نشان می‌دهد که جوانان بیش از گذشته نسبت به پیدا کردن شغل بدبین شده‌اند؛ دلیل: هوش مصنوعی. وقتی شرکت‌های بزرگ تکنولوژی از رشد چشم‌گیر قیمت سهام خود و هم‌زمان کاهش تعداد کارکنانشان سخن می‌گویند، درحالی‌که نرخ بیکاری جوانان همچنان نزدیک به بالاترین سطح خود پس از همه‌گیری کرونا باقی مانده، سرزنش کردن این نسل چندان منصفانه نیست. در اقتصادی که شکاف میان برندگان و بازندگان روزبه‌روز عمیق‌تر می‌شود، حتی گرفتن بهترین نمره‌ها در دانشگاه هم، چندان به کار نمی‌آید.

این وضعیت، به‌ویژه برای دانشکده‌های کسب و کار، معمایی جدی ایجاد کرده است. اگر قرار باشد کسی برای مدیریت کردن باقی نماند، اصلا یاد گرفتن مدیریت منابع انسانی چه فایده‌ای دارد؟ چگونه می‌توان یک دوره دوساله MBA را طراحی کرد، درحالی‌که تکنولوژی‌ای آمده که تقریبا هر دو هفته، یک صنعت جدید را دستخوش تحول می‌کند؟ وقتی احتمال دارد که ابزارهای هوش مصنوعی مختص استخدام از همان اول بسیاری از متقاضیان کار را کنار بگذارند، شبکه‌سازی حرفه‌ای چه ارزشی خواهد داشت؟

پائول پاولو، رئیس مدرسه کسب و کار «آلن هربرت» در دانشگاه میامی، معتقد است که راه‌حل، مقاومت در برابر تحول ناشی از هوش مصنوعی نیست، بلکه باید آموزش مدیریت و کسب ‌و کار را بر اساس این تحول از نو طراحی کرد. این مدرسه، طی چند سال گذشته برنامه درسی خود را با محوریت تسلط بر هوش مصنوعی، یادگیری مبتنی بر تجربه و همکاری با شرکت‌هایی که هم‌اکنون در حال تغییر شیوه انجام کارها هستند، بازسازی کرده است.

پاولو نسبت به آینده در بلندمدت خوش‌بین است، اما در عین حال نگرانی‌هایی هم دارد. او یادآوری می‌کند که موج‌های قبلی تحولات تکنولوژیک، با وجود اینکه باعث رونق کشاورزی و صنعت شدند، بسیاری از مشاغل را نیز از بین بردند. به گفته او: «اگر ۲۰۰ سال پیش به کسی می‌گفتید که فقط ۲ درصد از نیروی کار، غذای ۸‌میلیارد انسان را تامین خواهند کرد، حتما فکر می‌کرد دیوانه شده‌اید!» با این حال، او تاکید می‌کند که چالش‌های امروز را نمی‌توان نادیده گرفت. او می‌گوید: «بزرگ‌ترین نگرانی من این است که چگونه فارغ‌التحصیلانم را برای مصاحبه با هوش مصنوعی آماده کنم؟ وقتی کارفرمایان از متقاضیان انتظار دارند دو سال تجربه یا تسلط در کار با هوش مصنوعی داشته باشند، چطور می‌توان مهارت‌ها و فرصت‌های یادگیری لازم را فراهم کرد تا دانشجویان به سطحی معادل آن برسند؟»

اگر پاولو بخواهد برای دانشجویان آینده و همچنین کارفرمایان، در مورد مدارس کسب و کار توصیه‌‌ای داشته باشد، سه هدف اصلی را دنبال می‌کند: اول، بازطراحی برنامه درسی مدارس کسب و کار و دانشکده‌های مدیریت، با تمرکز بر راهبردهای هوش مصنوعی، نه صرفا آموزش ابزارهای آن؛ دوم، کمک به طراحی و شکل‌گیری نقش‌ها و فرصت‌های شغلی جدیدی که هوش مصنوعی ایجاد می‌کند؛ و سوم، قرار دادن دانشجویان در شرکت‌هایی که هنوز دقیقا نمی‌دانند به چه تخصص‌ها و مهارت‌هایی نیاز دارند، اما اطمینان دارند که همین حالا به نیروهای مستعد احتیاج دارند.

پذیرش «هوش انسانی»

تحول اساسی دانشکده میامی هربرت از کلاس درس آغاز می‌شود. از نگاه این دانشکده، آموزش مهارت‌های فنی ضروری است، اما به‌تنهایی کافی نیست. پاولو می‌گوید: «تکنولوژی دیگر هر شش ماه یک‌بار تغییر نمی‌کند، بلکه تقریبا هر شش روز یک دگرگونی ایجاد می‌شود.» به همین دلیل، او تصمیم گرفته که آموزش هوش مصنوعی به یک یا چند درس برنامه‌نویسی محدود نشود، بلکه در سراسر برنامه درسی ادغام شود. در حال حاضر، گرایش فرعی هوش مصنوعی یکی از پرطرفدارترین برنامه‌های آموزشی این دانشکده است و از پاییز امسال نیز یک رشته کارشناسی میان‌رشته‌ای راه‌اندازی می‌شود که علاوه بر آموزش مهارت‌هایی مانند کدنویسی با کمک هوش مصنوعی، گرایش‌هایی در بازاریابی، امور مالی و مدیریت زنجیره تامین را نیز در برمی‌گیرد.

در روش‌های تدریس عملی هم، استادان این دانشکده از هوش مصنوعی برای ارائه آموزشی کاملا شخصی‌سازی‌شده در مقیاسی گسترده استفاده می‌کنند. استادان، مشاوران آموزشی و مشاوران شغلی با کمک هوش مصنوعی، برنامه درسی، مسیر یادگیری، راهنمایی‌های فردی و حتی مسیر دریافت مدرک هر دانشجو را متناسب با نیازها و توانایی‌های او تنظیم می‌کنند. فراتر از مزایای آشکار این شخصی‌سازی، دانشجویان به‌طور غیرمستقیم نیز درس مهمی می‌آموزند: تجربه کار و تعامل با هوش مصنوعی. این تجربه اهمیت دارد، زیرا در آینده، نقش افراد در محیط کار احتمالا رابطه‌ای دوطرفه با هوش مصنوعی خواهد بود؛ یعنی هم از آن دستور می‌گیرند و هم آن را هدایت می‌کنند. در پس همه این تغییرات، دانشکده بر «هوش انسانی» هم تاکید دارد؛ یعنی ویژگی‌هایی مانند تاب‌آوری، توانایی یافتن راه‌حل در شرایط دشوار، و هوش هیجانی (EQ) که برای مذاکره، تاثیرگذاری بر دیگران و مدیریت یک جلسه یا جمع ضروری هستند.

بازآفرینی مشاغل از درون

اینکه مشاغل آینده دقیقا چه خواهند بود، هنوز چندان روشن نیست. بسیاری از آنها همین حالا و هم‌زمان با پیشرفت هوش مصنوعی در حال شکل‌گیری هستند. یکی از نمونه‌های جدید، شغل «شتاب‌دهنده هوش مصنوعی» است که شرکت تکنولوژی مالی «استرایپ» در تیم بازاریابی خود قرار داده است. وظیفه فردی که این شغل را بر عهده دارد، این است که استفاده از هوش مصنوعی را به شیوه پیش‌فرض و استاندارد کار در میان بازاریابان تبدیل کند. سقف حقوق این جایگاه شغلی نیز به ۱۹۸ هزار دلار در سال می‌رسد.

این دقیقا همان چشم‌اندازی است که پاولو دنبال می‌کند: آماده کردن فارغ‌التحصیلان برای ورود به مشاغل امروزی در حوزه‌هایی مانند حسابداری، مدیریت زنجیره تامین و امور مالی، درحالی‌که به اندازه کافی بر هوش مصنوعی مسلط باشند تا بتوانند این مشاغل را از درون متحول و بازآفرینی کنند، نه اینکه صرفا با آنها سازگار شوند.

پاولو می‌گوید: «من کاملا خوش‌بینم که هوش مصنوعی به ما کمک می‌کند عملکردمان را به سطح بالاتری برسانیم.» او آینده‌ای را ترسیم می‌کند که در آن هوش مصنوعی توانایی‌های کارکنان را تقویت می‌کند و کارهای تکراری و خسته‌کننده را به عهده می‌گیرد. شاید جوانان امروز از وضعیت موجود ناراضی و عصبانی باشند، اما در نهایت این خود آنها هستند که آینده دنیای کار را شکل خواهند داد.»

منبع: Fast Company

آمارگیر وبلاگ

hoosh masnooei

هوش مصنوعی چگونه استراتژی ایکیا و مزیت رقابتی امروز آن را تغییر می‌دهد؟

گفت‌وگو با مدیرکل دیجیتال بزرگ‌ترین زیرمجموعه ایکیا درباره تحول کسب و کار

مشتری‌مداری با تکنولوژی جدید

منبع: McKinsey مترجم: مهدی نیکوئی

غول لوازم خانگی سوئدی ایکیا، سال‌ها قبل شیوه خرید اثاثیه منزل مصرف‌کنندگان در جهان را برای همیشه تغییر داد. اکنون این شرکت در تغییری دیگر، دستیاران هوش مصنوعی را به کار می‌گیرد تا شیوه تعامل با مصرف‌کنندگان را نیز تغییر دهد؛ به شکلی که رابطه با مصرف‌کنندگان از رابطه‌ای صرفا تجاری و تراکنشی به رابطه‌ای عمیق و جامع ارتقا یابد. «پاراگ پارخ»، مدیرکل دیجیتال بزرگ‌ترین زیرمجموعه ایکیا با عنوان «اینکگا گروپ» در مصاحبه‌ای با موسسه مک‌کینزی توضیح می‌دهد که چه جنبه‌هایی در تجربه خرید مصرف‌کنندگان اهمیت دارد و چرا ایده‌های مرتبط با هوش مصنوعی نیازمند اولویت‌بندی هستند. نسخه ویرایش شده و کوتاه شده این مصاحبه را بخوانید.

مک‌کنیزی: هوش مصنوعی چگونه استراتژی ایکیا و مزیت رقابتی امروز آن را تغییر می‌دهد؟

پارخ: ما به اثر هوش مصنوعی در سه حوزه متفاوت توجه داریم. نخستین مورد، تجربه مشتری است که در آن، هر دو نوع هوش مصنوعی مولد و دستیار تجاری شیوه تعامل مشتریان با ما را به شکلی بنیادین تغییر می‌دهند. تغییر از رابطه تراکنش‌محور به سمت رابطه عمیق و جامع است که متمرکز بر یافتن راهکار باشد. دومین حوزه تغییرات، زنجیره تامین و حمل‌ونقل است. در این زمینه ما از طریق هوش مصنوعی تلاش می‌کنیم هزینه‌های تامین و حمل‌ونقل را کاهش دهیم و همزمان به تجربه مشتریان متعهد بمانیم. سومین حوزه، بخش ستادی کار و بهره‌وری واحدهای اداری است؛ جایی که هدف ما آزاد کردن همکاران از وظایف کاری تکراری و استفاده از زمان خالی شده آنها برای افزایش تعامل با مشتریان است.

چگونه بین کاربردهای مختلف هوش مصنوعی و بزرگی فرصت‌های آنها، اولویت‌بندی می‌کنید؟

یک ماتریس مربعی ۴ بخشی ایجاد می‌کنیم که دو محور دارد: یکی از محورها، کاربردها و طرح‌های مختلف هوش مصنوعی را بر اساس مشتری‌محور یا همکارمحور بودن آنها دسته‌بندی می‌کند و محور دیگر آنها را بر اساس رشدمحور یا هزینه‌محور بودنشان تفکیک می‌کند. کاربردهایی مانند سیستم‌های پیشنهاددهنده، قیمت‌گذاری هوشمند و تجارت عامل‌محور عمدتا با هدف رشد مشتری و افزایش درآمد به کار گرفته می‌شوند؛ درحالی‌که مدیریت زنجیره تامین و بهینه‌سازی تحویل نهایی کالا بیشتر بر کاهش هزینه‌ها و افزایش بهره‌وری تمرکز دارند. ما هر طرح و کارکردی را براساس اثراتش بر کسب‌وکار و تجربه مشتریان می‌سنجیم و حتی نتایج بلندمدت و گسترده‌تر آن بر صورت‌های سودوزیان را بررسی می‌کنیم. اولویت‌بندی این طرح‌ها، به اندازه ایده اولیه آنها اهمیت دارد. در این مرحله، در صورتی که اولویت‌بندی نکنیم، این ریسک وجود دارد که درگیر همه کار شویم و شاید هیچ کار نکنیم. به همین دلیل، بسیار مراقب هستیم که تمرکز و انرژی خود را برای مهم‌ترین و موثرترین طرح‌ها صرف کنیم و اجازه ندهیم طرح‌های پیشنهادی هوش مصنوعی مانند قارچ زیاد شوند.

امروز بزرگ‌ترین فرصت سرمایه‌گذاری با بهترین بازگشت سرمایه از هوش مصنوعی را در کجا می‌بینید؟

بیشترین ارزش اقتصادی هوش مصنوعی معمولا از پروژه‌های قدیمی و اثبات‌شده حاصل می‌شود، نه از فناوری‌های نوظهور و پرهیاهو که هنوز در مراحل اولیه هستند. ملموس‌ترین مثال، طرحی است که آن را اختصاص سفارش‌ها به شیوه هدف‌محور می‌نامیم. شرکت بیش از ۴۰۰ انبار، فروشگاه، مرکز توزیع یا‌هاب لجستیک دارد که با کمک هوش مصنوعی برای هر سفارش بهینه‌ترین محل پردازش و مسیر ارسال را بر اساس اهداف کسب‌ و کار انتخاب می‌کند. به این شکل، توانسته‌ایم هزینه حمل‌ونقل و لجستیک شرکت را به شکل معناداری کاهش دهیم. شخصی‌سازی سفارش‌های خرید، چه از بازارهای جانبی و چه از طریق تامین نیازهای بالادستی و پایین‌دستی مشتریان، حوزه دیگری است که هوش مصنوعی توانسته با پیشنهادهای به‌جای خود، همزمان رضایت مشتری و بهای تمام‌شده هر سفارش را بهبود دهد. از بین کارکردهای هوش مصنوعی مولد، خدمات مشتریان یکی از نویدبخش‌ترین حوزه‌های سرمایه‌گذاری آینده است که به‌ویژه برای خدمات چندزبانه، قابلیت‌های غیرکلامی و خودکارسازی تعاملات روتین، می‌شود روی آن حساب کرد و هنوز بخش زیادی از پتانسیل‌های آن تحقق نیافته است.

تجربه آینده مشتریان در ایکیا چگونه خواهد بود و هوش مصنوعی چگونه آن را تسهیل خواهد کرد؟

آنچه ما می‌بینیم، یک دگردیسی بنیادین در نگاه به مشتریان است. در گذشته، یک مشتری ممکن بود با این تصمیم که یک مبل یا یک میز ناهارخوری می‌خواهد، به وب‌سایت ما سر بزند. اما به طور روزافزونی، قصد او از این بازدید تغییر می‌کند. در حال حاضر مشتریان به طور مثال می‌گویند: «به من کمک کن تا اتاق پذیرایی خود را طراحی و چیدمان کنم. به من کمک کن تا به زندگی‌ام در خانه، سروشکل بدهم.» در اینجا است که هوش مصنوعی به همراه فناوری‌های دیگری مانند لیدار (LiDAR)، اتاق شما را اسکن می‌کنند و نوع کاملا متفاوتی از تعاملات با اهدافی کاملا متفاوت را پی می‌گیرند. زمانی که یک مشتری از ما تقاضای طراحی، دکوراسیون و چیدمان می‌کند، ما چند سوال ساده درباره سبک، رنگ و بودجه او می‌پرسیم و سپس با استفاده از اسکن‌های سه‌بعدی اتاق می‌توانیم ۴ یا ۵ طرح الهام‌بخش ارائه دهیم. شما یکی از آن طرح‌ها را انتخاب می‌کنید، آنها را اصلاح می‌کنید، به ما می‌گویید که کجایش را دوست ندارید و این مراحل را تا رسیدن به نتیجه مطلوب تکرار می‌کنیم. به این صورت است که نوع تعامل ما با مشتری، از یک رابطه تراکنش‌محور به حل مشارکتی مشکل مشتری می‌رسد. حتی این تعامل نیز می‌تواند با دخالت دادن دستیاران صوتی یا چت‌محور، یک مرحله دیگر تکامل یابد. هوش مصنوعی تا این حد می‌تواند تجربه مشتریان در صنعت ما را به طور بنیادین تغییر دهد.

دشوارترین بخش پیاده‌سازی گسترده هوش مصنوعی در شرکتی با ۱۶۰ هزار پرسنل چه بوده است؟

در هر فناوری، یکی از بزرگ‌ترین چالش‌ها همواره مدیریت تغییر است. هر توانمندی و قابلیتی فقط به اندازه میزان توسعه و به‌کارگیری آن مفید است و این تمام چیزی است که ما برای سنجش موفقیت هر محصول دیجیتال خود مدنظر داریم. برخی افراد هوش مصنوعی را یک فرصت می‌بینند و برخی دیگر آن را یک تهدید تلقی می‌کنند. بنابراین، هدف ما کمک کردن به همکارانمان است تا درک بهتری از هوش مصنوعی و توانمندی‌های آن پیدا کنند و همچنین ابزارهای مورد نیاز آنها را برای اجرای هرچه بهتر وظایفشان در اختیارشان قرار دهیم. ما کارگاه‌های آشناسازی مدیران ارشد را شروع کرده‌ایم و تاکنون برنامه‌های دانش هوش‌مصنوعی را برای ۴۰ هزار نفر از همکارانمان به پایان رسانده‌ایم. همچنین طرح‌های آزمایشی در سه کشور را آغاز کرده‌ایم که در آنها با سفیران خود در سطح فروشگاه‌ها همکاری می‌کنیم تا کارکردهای هوش مصنوعی را به آنها نشان دهیم.

هوش مصنوعی چگونه مهارت‌ها و نقش‌های مورد نیاز در کارکنان شما را تغییر می‌دهد؟

من با گروه خودمان در سازمان دیجیتال ایکیا به عنوان شاخص پیشرو شروع می‌کنم؛ چرا که دسترسی بیشتری به آن کارکنان داریم و تغییرات را در آنجا ملموس‌تر از هر جای دیگر می‌بینیم. چرخه عمر سنتی توسعه نرم‌افزار (که شامل نیازسنجی، ساخت، آزمایش و به‌کارگیری می‌شد) با هوش مصنوعی فشرده‌سازی شده است تا با سرعت بیشتری نمونه‌های اولیه و چرخه‌های آزمایشی آنها طی شود. در نتیجه، آن‌طور که فردا نقش یک مدیر محصول، طراح کارآزموده یا مهندس به نظر می‌رسد، تفاوت چشم‌گیری با امروز دارد.

ما روی این موضوع در پروژه‌ای بلندمدت کار می‌کنیم که آن را «دیجیتال نکست» (Digital Next) نامیده‌ایم. در این پروژه از خودمان می‌پرسیم که یک گروه دیجیتال در سال ۲۰۲۸ باید چگونه باشد و سپس همین امروز شروع به آماده‌سازی خودمان برای آن می‌کنیم. اما چنین نگاه و الزامی برای هر کارکرد و وظیفه‌ای اعمال می‌شود. اگر شما در واحد منابع انسانی، مدیریت مالی، بازاریابی یا فروش هستید، باید از خود بپرسید: هوش مصنوعی چه فرآیندهایی را در حوزه کاری من به طور بنیادین تغییر خواهد داد؟ چه فرصت‌هایی پدید خواهد آمد که پیش‌تر بسیار گران یا غیرممکن بود؟ من باور دارم که نقش‌ها و جایگاه‌های شغلی دگرگون می‌شوند و باور دارم که این دگرگونی مثبت خواهد بود.

از نگاه شما، کارکنان چگونه بر هوش مصنوعی اثر می‌گذارند و کجا فرصت و کجا اختلال مشاهده می‌کنید؟

از جنبه‌های مرتبط با مشتری، هوش مصنوعی خدماتی می‌سازد که پیش‌تر در سطح قیمتی ایکیا ارائه آنها ممکن نبود. در گذشته، کمک کردن به یک مشتری برای طراحی فضای خانه‌اش به طور متوسط ۶ ساعت وقت همکاران ما را می‌گرفت و برای مشتری نیز هر جلسه ۷۰ یورو هزینه داشت. از طریق اتوماسیون، آن زمان از ۶ ساعت به حدود ۳۰ دقیقه برای هر اتاق توسط هر یک از همکاران کاهش یافته است. در بخش ستادی، فشار هزینه‌ها باعث شده که در سال‌های اخیر اقدام به صرفه‌جویی، بهینه‌سازی و کاهش هزینه‌ها کنیم و در نتیجه کیفیت برخی خدمات از برخی واحدهای خاص کاهش یافته است. اگر من بتوانم بهره‌وری را از طریق هوش مصنوعی بالا ببرم، می‌توانم زمان یکی از همکاران یا مدیران را خالی کنم تا با من برای تمرکز بر موضوعات مهم‌تر و ارزش‌آفرین تمرکز کند؛ نه آنکه زمان و انرژی‌اش صرف وظایف تکراری و کم‌ارزش شود. چنین اتفاقی می‌تواند ما را قادر به ارائه خدماتی بسیار باکیفیت‌تر کند.

موضع شما درباره دستیاران خرید و دستیاران تجاری هوش مصنوعی چیست و ایکیا چگونه باید به این فناوری واکنش نشان دهد؟

این فناوری با تغییری بلندمدت‌تر آغاز شده است که دست‌کم به ۱۵ تا ۲۰ سال قبل بازمی‌گردد. زمانی بود که برندها تصمیم می‌گرفتند چگونه با مشتریان خود ملاقات کنند، اما اکنون مدتی است که مشتریان تصمیم می‌گیرند برندها را کجا ملاقات کنند و برندها باید انتخاب کنند که در آنجا حضور به هم برسانند یا خیر.

آنچه ما در دو یا سه سال اخیر شاهدش بوده‌ایم، تغییر چشم‌گیر سهم جست‌وجوهای اینترنتی از جست‌وجوی سنتی به سمت جست‌وجوی دستیاران هوش مصنوعی بوده است و نشان می‌دهد که مصرف‌کنندگان از هوش مصنوعی استقبال کرده‌اند. اکنون برای برندها، قرار گرفتن در نتایج جست‌وجوی این دستیاران دیجیتالی بسیار حیاتی شده است. سوال حل‌نشده این است که منافع فروش نصیب بسترهای دستیار می‌شود یا به برندها بازمی‌گردد. این مساله‌ای است که طی دو تا پنج سال آینده روشن خواهد شد. ساده‌انگارانه خواهد بود اگر تصور کنم که آینده را می‌توانم به طور دقیق پیش‌بینی کنم اما تصورم آن است که به جای پیروزی قاطع یکی از این قطب‌های تجاری، شاهد همکاری بین آنها خواهیم بود.

آمارگیر وبلاگ

hoosh masnooei

راهنمای طراحی «سیستم حافظه‌ی جمعی ریسک»و«شبیه‌ساز تصمیم‌گیری مالی»و«داشبورد توجه جمعی ریسک»

پیوستها
اینک به صورت گام‌به‌گام و عملیاتی، نحوه‌ی پیاده‌سازی هر یک از ابزارهای پیشنهادی را تشریح می‌کنیم. این راهنما به گونه‌ای طراحی شده است که بانک‌ها و مؤسسات مالی ایران بتوانند با کمترین هزینه و بیشترین بازده، منش جمعی ریسک و هوش مالی کارکنان خود را ارتقا دهند.

راهنمای عملیاتی پیاده‌سازی هوش جمعی ریسک در بانک

گام اول: پیاده‌سازی «سیستم حافظه‌ی جمعی ریسک» (مشابه چت‌بات انویدیا)
۱.۱. معماری فنی سیستم
مؤلفه توضیح پیشنهاد برای ایران
موتور جستجوی معنایی موتوری که بتواند پرسش‌های طبیعی کارکنان را درک کرده و مستندات مرتبط را پیدا کند. استفاده از مدل‌های زبان بزرگ (LLM) بومی‌سازی‌شده مانند «آذرخش» یا «پارس» که با داده‌های فارسی آموزش دیده‌اند.
پایگاه داده‌ی دانش مخزن تمام مستندات ریسک شامل: صورت‌جلسات کمیته ریسک، نامه‌های بانک مرکزی، گزارش‌های حسابرسی، تحلیل‌های اقتصادی، ایمیل‌های کلیدی و حتی خروجی‌های جلسات توجیهی. یک پایگاه داده‌ی ابری (مثلاً با زیرساخت داخلی) که به‌صورت روزانه به‌روز می‌شود.
سیستم برچسب‌زنی هوشمند هر سند، با برچسب‌های مرتبط (مثل: «تسهیلات تکلیفی»، «نوسان ارز»، «تحریم»، «تورم ۴۰٪») برچسب‌گذاری می‌شود تا بازیابی آسان‌تر شود. استفاده از الگوریتم‌های طبقه‌بندی خودکار (بدون نیاز به نیروی انسانی اضافی).
رابط کاربری ساده کارمند باید بتواند به زبان ساده (مثلاً: «مثال تسهیلات تکلیفی که در تورم ۵۰٪ به معوق تبدیل شد») سوال کند و پاسخ دریافت کند. یک چت‌بات درون‌سازمانی (مثل تلگرام یا وب‌اپلیکیشن داخلی).
۱.۲. فرآیند پیاده‌سازی گام‌به‌گام
جمع‌آوری و دیجیتال‌سازی داده‌ها:

تمام گزارش‌های ریسک، صورت‌جلسات، و نامه‌های داخلی را از ۱۰ سال گذشته جمع‌آوری کنید.

اسناد کاغذی را اسکن و با استفاده از نرم‌افزارهای OCR (تبدیل تصویر به متن) دیجیتال کنید.

داده‌ها را به‌صورت ساختاریافته (با تاریخ، نویسنده، واحد سازمانی، کلمات کلیدی) ذخیره کنید.

آموزش مدل زبان بر روی داده‌های اختصاصی:

با همکاری شرکت‌های دانش‌بنیان داخلی، مدل زبان بزرگ را با داده‌های داخلی بانک «فاین‌تیون» کنید تا اصطلاحات تخصصی (مثل «تسهیلات قرض‌الحسنه»، «نسبت کفایت سرمایه»، «بخشنامه‌ی ۲۵۸» را به‌درستی درک کند.

راه‌اندازی و آزمایش:

ابتدا سیستم را در اختیار ۲۰ کارمندِ کلیدی (از واحدهای اعتبارات، حقوقی و بازرسی) قرار دهید تا بازخورد بگیرید.

پس از رفع اشکالات، به‌تدریج در اختیار تمام کارکنان قرار دهید.

به‌روزرسانی مستمر:

هر بار که سند جدیدی (بخشنامه، گزارش، ایمیل مهم) تولید می‌شود، سیستم به‌صورت خودکار آن را به پایگاه داده اضافه کند.

از کارکنان بخواهید که مفیدترین پاسخ‌ها را «امتیازدهی» کنند تا سیستم هوشمندتر شود.

گام دوم: طراحی «شبیه‌ساز تصمیم‌گیری مالی» برای ارتقای هوش مالی
۲.۱. سناریوهای شبیه‌سازی (با توجه به واقعیت‌های ایران)
سناریو شرح متغیرهای کلیدی خروجی آموزشی
سناریو شرح متغیرهای کلیدی خروجی آموزشی
سناریوی ۱: تخصیص سرمایه در شرایط تورم کارمند ۱۰۰ میلیارد تومان سرمایه دارد و باید بین سه گزینه تصمیم بگیرد: تسهیلات تکلیفی ۴٪، سپرده ۲۲٪، اوراق ۳۰٪. نرخ تورم (۲۰٪، ۳۰٪، ۴۰٪)، نرخ سود اسمی، زمان بازپرداخت. درک مفهوم «نرخ بازده واقعی» و «هزینه فرصت».
سناریوی ۲: ارزیابی ریسک اعتباری در رکود یک متقاضیِ وام با سابقه‌ی خوب، اما در صنعتی که تحت تأثیر تحریم است. نرخ ارز، قیمت مواد اولیه، قدرت خرید مشتریانِ وام‌گیرنده. اهمیت تحلیل «صنعت» و «کلان‌اقتصاد» در کنار امتیاز اعتباری فرد.
سناریوی ۳: مدیریت ریسک نقدینگی در شرایط بحران خروج ناگهانی ۲۰٪ سپرده‌ها به دلیل شایعه‌ی سیاسی. نسبت سپرده به تسهیلات، نرخ سود بین‌بانکی، دسترسی به خط اعتباری اضطراری. اهمیت «ذخیره نقدینگی» و «پیش‌بینی سناریوهای بدبینانه».
سناریوی ۴: تصمیم‌گیری در مورد وثایق وام‌گیرنده، وثیقه‌ای به ارزش ۱۰ میلیارد تومان (ملک) ارائه می‌دهد، اما بازار مسکن در رکود است. نرخ تورم مسکن، زمان فروش اجباری، هزینه‌های حقوقی. مفهوم «ارزش تعدیل‌شده با نقدشوندگی» (Liquidity-Adjusted Value).

۲.۲. نحوه‌ی اجرا
فرمت: یک وب‌اپلیکیشن تعاملی که هر کارمند با نام کاربری خود وارد شود و سناریوها را یکی‌یکی تجربه کند.

فرآیند: در هر سناریو، کارمند باید تصمیم خود را بگیرد و سپس سیستم:

نتیجه‌ی مالیِ تصمیم را شبیه‌سازی کند (سود یا زیان).

یک «گزارش آموزشی» تولید کند که اشتباهات و نکات کلیدی را توضیح دهد.

امتیازِ کارمند را بر اساسِ کیفیتِ تصمیمات ثبت کند.

دوره‌ی زمانی: هر کارمند باید حداقل ۱۰ سناریو را در طول سال تجربه کند (مثلاً ماهانه یک سناریو).

پاداش: کارمندانی که بالاترین امتیاز را کسب کنند، در ارزیابی عملکرد (و پاداش سالانه) امتیاز مثبت دریافت کنند.

گام سوم: راه‌اندازی «داشبورد توجه جمعی ریسک»
۳.۱. مؤلفه‌های داشبورد
مؤلفه توضیح منبع داده
شاخص هشدار زودهنگام (EWS) ترکیبی از ۱۰ شاخص کلان اقتصادی که به‌صورت روزانه به‌روز می‌شود. مثلاً: نرخ ارز آزاد، نرخ سود بین‌بانکی، شاخص بورس، قیمت طلا، نرخ تورم ماهانه، اخبار تحریمی. APIهای بانک مرکزی، بورس، سایت‌های خبری اقتصادی.
اولویت‌بندی ریسک‌های سازمانی سیستمی که ریسک‌های شناسایی‌شده را بر اساسِ «شدت اثر» و «احتمال وقوع» در شرایط فعلی اولویت‌بندی کند. ورودی از کارگروه‌های ریسک واحدهای مختلف.
نقشه‌ی حرارتی (Heatmap) ریسک نمایش گرافیکی از ریسک‌های سازمان با رنگ‌های مختلف (سبز: کم، زرد: متوسط، قرمز: بحرانی). خروجی الگوریتم‌های ارزیابی ریسک.
آخرین اخبار و بخشنامه‌ها به‌روزرسانی لحظه‌ای از ابلاغیه‌های بانک مرکزی، دولت و خبرهای مرتبط با تحریم. RSS خبرگزاری‌های رسمی.
وضعیت نقدینگی بانک نسبت‌های کلیدی مانند: نسبت سپرده به تسهیلات، نسبت کفایت سرمایه، مانده ذخایر قانونی نزد بانک مرکزی. سیستم‌های داخلی بانک.
۳.۲. فرآیند استفاده
هر روز صبح، به‌مدت ۱۰ دقیقه: تمام مدیران و کارشناسان ارشد، داشبورد را بررسی کرده و درباره‌ی ریسک‌های با اولویتِ قرمز، در یک گروهِ تلگرامی یا واتس‌اپی (با حفظ امنیت) تبادل نظر کنند.

هفته‌ای یک‌بار: جلسه‌ی ۱ ساعته با حضور مدیرعامل و اعضای کمیته‌ی ریسک برای بررسی روندِ تغییراتِ ریسک‌ها (بر اساسِ داده‌های داشبورد).

ماهانه: یک گزارشِ تحلیلی از وضعیتِ ریسک‌ها تهیه و به هیئت‌مدیره ارائه شود.

گام چهارم: فرهنگ‌سازی و ایجاد انگیزه برای مشارکت
فرهنگِ ریسک، با بخشنامه تغییر نمی‌کند؛ با الگو و انگیزه تغییر می‌کند.

۴.۱. نقش مدیران ارشد (الگوسازی)
مدیرعامل و اعضای هیئت‌مدیره باید به‌صورتِ علنی از گزارش‌دهیِ ریسک استقبال کنند و هرگز کارمندی را به خاطر گزارشِ یک ریسک (حتی اگر اشتباه باشد) تنبیه نکنند.

مدیران باید در جلسات، پرسش‌هایِ ریسکی مطرح کنند (مثلاً: «تأثیرِ افزایشِ نرخ ارز بر پرتفویِ تسهیلاتِ ما چیست؟») تا فرهنگِ پرسش‌گری را نهادینه کنند.

۴.۲. سیستم پاداش و تشویق
رفتار مطلوب پاداش پیشنهادی
گزارشِ یک ریسکِ جدید که قبلاً شناسایی نشده بود. امتیاز مثبت در ارزیابی عملکرد + یک جایزه نقدی کوچک.
ارائه‌ی راهکارِ خلاقانه برای کاهشِ یک ریسک (مثلاً راهی برای کاهشِ زیانِ تسهیلاتِ تکلیفی). افزایشِ حقوق یا پاداش سالانه.
تکمیلِ موفقِ سناریوهای شبیه‌ساز با امتیاز بالا. گواهیِ رسمیِ «هوش مالی پیشرفته» + اولویت در ارتقاء شغلی.
مشارکتِ فعال در جلساتِ ریسک و ارائه‌ی تحلیل‌هایِ مبتنی بر داده. دعوت به جلساتِ کمیته‌ی ریسک به عنوان «کارشناسِ مهمان».

گزارشِ یک ریسکِ جدید که قبلاً شناسایی نشده بود. امتیاز مثبت در ارزیابی عملکرد + یک جایزه نقدی کوچک.
ارائه‌ی راهکارِ خلاقانه برای کاهشِ یک ریسک (مثلاً راهی برای کاهشِ زیانِ تسهیلاتِ تکلیفی). افزایشِ حقوق یا پاداش سالانه.
تکمیلِ موفقِ سناریوهای شبیه‌ساز با امتیاز بالا. گواهیِ رسمیِ «هوش مالی پیشرفته» + اولویت در ارتقاء شغلی.
مشارکتِ فعال در جلساتِ ریسک و ارائه‌ی تحلیل‌هایِ مبتنی بر داده. دعوت به جلساتِ کمیته‌ی ریسک به عنوان «کارشناسِ مهمان».
۴.۳. داستان‌سرایی (Storytelling) سازمانی
به‌صورتِ ماهانه، یک «داستانِ ریسک» از تجربیاتِ واقعیِ بانک تهیه و در اختیارِ تمام کارکنان قرار دهید. مثلاً:

«چگونه یک کارمندِ تازه‌وارد با گزارشِ یک مغایرتِ کوچک، از یک زیانِ ۲۰ میلیاردی جلوگیری کرد.»

«چگونه تیمی از تحلیلگران با شبیه‌سازیِ تورم، تصمیم به تعدیلِ سبدِ تسهیلات گرفتند و بانک را از ورشکستگی نجات دادند.»

این داستان‌ها را در وب‌سایتِ داخلی، ایمیل‌هایِ هفتگی و یا جلساتِ عمومی بازگو کنید.

گام پنجم: ارزیابی و بهبود مستمر
برای اینکه بدانید تلاش‌های شما نتیجه‌بخش بوده یا نه، به شاخص‌هایِ زیر توجه کنید (و هر ۳ ماه یک‌بار اندازه‌گیری کنید):

شاخص روش اندازه‌گیری هدف (در بازه‌ی ۱ ساله)
تعدادِ ریسک‌هایِ گزارش‌شده توسط کارکنان (غیر از واحد ریسک) گزارشِ ماهانه از سیستمِ ثبت شکایات/ریسک. افزایش ۵۰٪.
میانگینِ امتیازِ کارکنان در شبیه‌سازِ مالی خروجیِ شبیه‌ساز. افزایش ۲۰٪.
تعدادِ جلساتِ ریسک با حضورِ مدیرانِ غیرمالی صورت‌جلسات. افزایش ۱۰۰٪.
کاهشِ تسهیلاتِ معوقِ جدید (ناشی از تصمیماتِ آگاهانه‌تر) گزارشِ معوقات. کاهش ۱۰٪.
نتایجِ نظرسنجیِ سالانه‌ی فرهنگِ ریسک (از کارکنان) پرسشنامه‌ی ناشناس. بهبودِ ۱۵٪ در سؤالِ «آیا احساس امنیت می‌کنم که ریسک را گزارش دهم؟».

جمع‌بندی نهایی؛ از نظریه تا عمل
ارتقای منش جمعی ریسک و هوش مالی در نظام بانکی ایران، سفری است که با ابزارهای هوشمند شروع می‌شود، با آموزشِ مستمر ادامه می‌یابد، و با فرهنگِ سازمانیِ حمایت‌گر به ثمر می‌نشیند.

سه ابزاری که در این راهنما معرفی شدند (چت‌باتِ حافظه‌ی جمعی، شبیه‌سازِ تصمیم‌گیری، و داشبوردِ توجه جمعی)، همگی در ایران قابلِ پیاده‌سازی هستند و نیازی به فناوری‌هایِ فوق‌پیشرفته ندارند. مهم‌تر از فناوری، عزمِ مدیریت ارشد برای تغییرِ فرهنگ و اعتماد به کارکنان است.

به یاد داشته باشید که در شرایطی که نرخِ سود را سیاست تعیین می‌کند و تورم، ارزشِ پول را می‌بلعد، تنها سرمایه‌ی ارزشمندِ بانک، خردِ جمعیِ کارکنانی است که ریسک را با چشمِ باز می‌بینند و با دستِ هم، تاب‌آوری را می‌سازند. این سرمایه، با هیچ تحریمی از بین نمی‌رود و با هیچ تورمی بی‌ارزش نمی‌شود.

«در بانکی که نرخ‌ها را دستور تعیین می‌کند و بازار را سیاست، هوشمندترین مدیر، کسی نیست که الگوریتمِ بهتری دارد، بلکه کسی است که تیمی آگاه‌تر و متعهدتر ساخته است.»

آمارگیر وبلاگ

hoosh masnooei

ارتقای منش جمعی ریسک و هوش مالی کارکنان در نظام بانکی ایران؛ رویکرد مبتنی بر هوش جمعی و هوش مصنوعی

ارتقای منش جمعی ریسک و هوش مالی کارکنان در نظام بانکی ایران؛
رویکردی مبتنی بر هوش جمعی و هوش مصنوعی در شرایط تورم، نرخ‌های دستوری و تحریم

مقدمه؛ چرا منش جمعی ریسک، مهم‌تر از دانش فردی ریسک است؟
در نظام بانکی ایران، که با معضلات ساختاریِ عمیقی (تورم مزمن، نرخ‌های سودِ دستوری، تسهیلاتِ تکلیفی، تحریم‌ها و دخالت‌های سیاسی) دست‌وپنجه نرم می‌کند، دانشِ فردیِ ریسک، به‌تنهایی کافی نیست. آنچه یک بانک را در برابر طوفان‌های اقتصادی تاب‌آور می‌کند، «منش جمعی ریسک» است؛ یعنی فرهنگی که در آن:

هر کارمند (از صندوقدار تا مدیرعامل) خود را مسئولِ شناسایی و گزارشِ ریسک می‌داند.
تصمیماتِ ریسکی، نه بر اساسِ دستورِ سیاسی یا احساس، که بر اساسِ داده و تحلیلِ جمعی گرفته می‌شود.
هوش مالی (تواناییِ درکِ ارزشِ واقعیِ پول، نرخِ بازدهِ تعدیل‌شده با تورم، و هزینه‌ی فرصتِ سرمایه) به یک تواناییِ عمومی در تمامِ سطوحِ سازمان تبدیل شده است.
اما چگونه می‌توان چنین منشِ جمعی را در محیطی که اغلب، «انطباقِ اجباری» جایگزین «تفکرِ نقادانه» شده، ایجاد کرد؟ پاسخ در ترکیبِ سه عنصر نهفته است: چارچوبِ هوش جمعی، ابزارهایِ هوش مصنوعی، و بومی‌سازیِ مفاهیم با واقعیت‌هایِ اقتصاد ایران.
بخش اول: هوش جمعی و سه مؤلفه‌ی آن (حافظه، توجه، استدلال)
همان‌طور که روانشناسان می گویند، هوش جمعی از سه جزءِ به‌هم‌پیوسته تشکیل شده است. این سه جزء، دقیقاً همان مؤلفه‌هایی هستند که برای ارتقای منشِ ریسک در بانک به آن نیاز داریم:

بخش دوم: چگونه هوش مصنوعی هر سه مؤلفه را تقویت می‌کند؟
۱. تقویت حافظه جمعی ریسک (با الهام از تجربه‌ی انویدیا)
چالش در بانک‌های ایران:
تجاربِ گران‌بهایِ مدیریت ریسک (مثل پرونده‌هایِ تسهیلاتِ معوقِ بزرگ، زیان‌هایِ ناشی از نوساناتِ ارزی، یا درس‌هایِ دوره‌هایِ تحریم) اغلب در ذهنِ چند مدیرِ باتجربه محبوس می‌ماند و با جابه‌جاییِ آن‌ها، دانشِ سازمانی از بین می‌رود.

راهکارِ هوش مصنوعی (مشابه چت‌باتِ انویدیا):
یک سیستمِ مدیریتِ دانشِ ریسکِ مبتنی بر هوش مصنوعی طراحی کنید که:

تمامِ گزارش‌هایِ ریسک، صورت‌جلساتِ کمیته‌ی ریسک، نامه‌هایِ بانکِ مرکزی، و حتی ایمیل‌هایِ کارکنان درباره‌ی ریسک‌ها را در خود ذخیره کند.

به کارکنان اجازه دهد به زبانِ ساده (مثلاً: «نمونه‌ای از تسهیلاتِ تکلیفی که در دوره‌ی تورمِ ۴۰٪ به زیان تبدیل شد») سوال کنند و سیستم، مستنداتِ مرتبط را به همراهِ تحلیلِ علت‌و‌معلولی ارائه دهد.

به‌روزرسانیِ پویا: هر بار که یک ریسکِ جدید شناسایی می‌شود (مثلاً یک بخشنامه‌ی جدیدِ بانکِ مرکزی)، سیستم به‌طورِ خودکار، آن را به حافظه‌ی جمعی اضافه کند.

نتیجه برای منشِ جمعی:
کارمندِ تازه‌وارد، به جایِ اینکه با آزمون‌و‌خطا، ریسک‌ها را بشناسد، از «حافظه‌ی ۵۰ ساله‌ی سازمان» بهره می‌برد. این یعنی افزایشِ هوش مالیِ فردی و کاهشِ خطاهایِ تکراری.

۲. تقویت توجه جمعی ریسک (هماهنگیِ اولویت‌ها در شرایط بحران)
چالش در بانک‌های ایران:
در شرایطی که نرخِ ارزِ یک‌شبه ۲۰٪ افزایش می‌یابد یا بخشنامه‌ای برای وام‌هایِ تکلیفی صادر می‌شود، تیم‌هایِ مختلف (اعتبارات، امورِ بین‌الملل، حقوقی) اغلب به‌صورتِ جزیره‌ای عمل می‌کنند و توجهِ خود را بر رویِ ریسکِ واحدِ خود متمرکز می‌کنند، در حالی که ریسکِ واقعی، در «تعاملِ» این حوزه‌هاست.

راهکارِ هوش مصنوعی:
یک داشبوردِ توجه جمعی (Collective Attention Dashboard) طراحی کنید که:

به‌صورتِ لحظه‌ای، مهم‌ترین ریسک‌هایِ روز را بر اساسِ داده‌هایِ کلان (نرخِ ارز، قیمتِ طلا، شاخصِ بورس، اخبارِ سیاسی، اعلامیه‌هایِ بانکِ مرکزی) اولویت‌بندی کند.
به هر تیم، اعلانِ هوشمند بفرستد که «توجهِ خود را بر رویِ ریسکِ X متمرکز کنید» و منابعِ تحلیلیِ مرتبط را در اختیارشان قرار دهد.

جلساتِ اضطراریِ ریسک را با استفاده از الگوریتم‌هایِ زمان‌بندی، با حضورِ همه‌ی افرادِ کلیدی هماهنگ کند.
نتیجه برای منشِ جمعی:
کارکنان یاد می‌گیرند که «توجهِ خود را با دیگران هماهنگ کنند» و به جایِ پرداختن به ریسک‌هایِ حاشیه‌ای، بر رویِ ریسک‌هایِ کلیدی که بقایِ بانک را تهدید می‌کنند، متمرکز شوند. این یعنی افزایشِ هوشِ موقعیتی و کاهشِ واکنش‌هایِ دیرهنگام.

۳. تقویت استدلال جمعی ریسک (همسوسازیِ اهداف در شرایطِ تعارضِ منافع)
چالش در بانک‌های ایران:
در نظامِ بانکیِ ایران، اهدافِ متعارضی وجود دارد:
از یک سو، بانک باید به تکالیفِ قانونی (تسهیلاتِ تکلیفی، قرض‌الحسنه) عمل کند.
از سوی دیگر، باید سودآوریِ خود را در برابرِ تورم حفظ کند.
از سوی سوم، باید از دستوراتِ سیاسیِ مقطعی تبعیت کند که اغلب با دو هدفِ قبلی در تضاد است.

راهکارِ هوش مصنوعی:
یک سیستمِ شبیه‌سازیِ سناریوهایِ ریسک ایجاد کنید که:
برای هر تصمیمِ ریسکی (مثل تصویبِ یک تسهیلاتِ تکلیفیِ کلان)، پیامدهایِ آن را بر رویِ سودآوری، نسبت‌هایِ نظارتی، و تاب‌آوریِ بانک در ۵ سناریویِ مختلف (تورمِ ۲۰٪، ۳۰٪، ۴۰٪، تحریمِ شدید، تحریمِ خفیف) شبیه‌سازی کند.
این شبیه‌سازی را به‌صورتِ یک «گزارشِ استدلالِ جمعی» در اختیارِ کمیته‌ی ریسک قرار دهد که در آن، موافقان و مخالفانِ هر تصمیم، بتوانند استدلالِ خود را بر اساسِ داده، نه احساس، ارائه دهند.
پس از تصمیم‌گیری، سیستم به‌صورتِ خودکار، «منطقِ تصمیم» را مستند کرده و به حافظه‌ی جمعی اضافه کند تا در آینده قابلِ بازبینی باشد.

نتیجه برای منشِ جمعی:
کارکنان یاد می‌گیرند که تصمیماتِ ریسکی را بر اساسِ شواهد، نه دستور، توجیه کنند. این یعنی افزایشِ شفافیت، کاهشِ فساد و تقویتِ حاکمیت شرکتی که خود یکی از بزرگ‌ترین چالش‌هایِ نظامِ بانکی ایران است.

بخش سوم: بومی‌سازیِ هوش مالی در شرایطِ تورم و نرخ‌هایِ دستوری
برای ارتقای «هوش مالی» کارکنان در محیطِ خاصِ ایران، باید مفاهیمِ کلاسیکِ مالی را با واقعیت‌هایِ زیر تطبیق دهید:

مفهومِ کلاسیک واقعیت در ایران هوش مالیِ مورد نیاز
مفهومِ کلاسیک واقعیت در ایران هوش مالیِ مورد نیاز
ارزشِ زمانیِ پول تورم، ارزشِ زمانیِ پول را به شدت تحت‌تأثیر قرار می‌دهد. کارکنان باید بتوانند «نرخِ بازدهِ واقعی» (با کسرِ تورم) را محاسبه کنند و بدانند که نرخِ سودِ ۲۰٪ در تورمِ ۴۰٪، به معنایِ بازدهِ منفیِ ۲۰٪ است.
هزینه‌ی فرصتِ سرمایه با توجه به نرخ‌هایِ دستوری، هزینه‌ی فرصتِ واقعیِ سرمایه اغلب با نرخِ تورم یا بازارِ آزاد سنجیده می‌شود. کارکنان باید بدانند که تخصیصِ سرمایه به تسهیلاتِ تکلیفیِ ۴٪، به معنایِ از دست دادنِ فرصتِ سرمایه‌گذاری در اوراقِ با بازدهِ ۳۰٪ است.
ریسکِ اعتباری در شرایطِ تورمی، قدرتِ بازپرداختِ وام‌گیرنده به شدت تحتِ تأثیرِ تورم و رکود قرار می‌گیرد. ارزیابیِ اعتبار، باید شاملِ «تحلیلِ سناریویِ تورمی» باشد؛ یعنی پیش‌بینیِ اینکه آیا در تورمِ ۵۰٪، وام‌گیرنده همچنان توانِ بازپرداخت دارد یا خیر.
ارزشِ وثایق ارزشِ وثایقِ ملکی یا خودرو، با تورم افزایش می‌یابد، اما با رکود، نقدشوندگیِ خود را از دست می‌دهد. کارکنان باید «ارزشِ تعدیل‌شده با نقدشوندگی» وثایق را محاسبه کنند و بدانند که یک ملکِ ۱۰ میلیاردی، در شرایطِ رکود، شاید فقط ۳ میلیارد بفروشد.

ابزارِ پیشنهادی برای تقویت هوش مالی:
یک شبیه‌سازِ تصمیم‌گیریِ مالی (Financial Decision Simulator) مبتنی بر هوش مصنوعی طراحی کنید که کارکنان بتوانند در آن، سناریوهایِ مختلفِ تخصیصِ سرمایه را تجربه کنند. مثلاً:

به یک کارمندِ تازه‌وارد، ۱۰۰ میلیارد تومان سرمایه‌ی مجازی بدهید و از او بخواهید که بینِ سه گزینه تصمیم بگیرد: «تسهیلاتِ تکلیفی ۴٪»، «سپرده‌گذاری در بانکِ دیگر با نرخِ ۲۲٪»، یا «خریدِ اوراقِ مشارکتِ ۳۰٪». سیستم، پس از شبیه‌سازیِ تورمِ ۳۵٪، نتیجه را نشان دهد و توضیح دهد که چرا انتخابِ او به زیان یا سود منجر شده است.

این شبیه‌ساز، به مرور، «منشِ ریسکِ متعادل» را در کارکنان نهادینه می‌کند، چون آن‌ها با عواقبِ تصمیماتِ خود در محیطی امن آشنا می‌شوند.

بخش چهارم: گام‌های عملی برای پیاده‌سازی در بانک‌های ایران
گام اقدامِ عملی ابزارِ پیشنهادی
۱ تشکیلِ «کارگروهِ هوش جمعی ریسک» متشکل از نمایندگانِ واحدهایِ اعتبارات، حقوقی، امورِ بین‌الملل و فناوری اطلاعات. جلساتِ هفتگی با هدفِ شناساییِ ریسک‌هایِ اولویت‌دار.
۲ طراحی و پیاده‌سازیِ «سیستمِ حافظه‌ی جمعی ریسک» (مشابه چت‌باتِ انویدیا) با استفاده از مدل‌هایِ زبانِ بزرگِ بومی‌سازی‌شده. همکاری با شرکت‌هایِ دانش‌بنیانِ داخلی برای آموزشِ مدل بر رویِ داده‌هایِ داخلیِ بانک.
۳ راه‌اندازیِ «داشبوردِ توجه جمعی» که ریسک‌هایِ لحظه‌ای را اولویت‌بندی کند. اتصال به APIهایِ بانکِ مرکزی، بورس، و خبرگزاری‌هایِ اقتصادی.
۴ برگزاریِ کارگاه‌هایِ «شبیه‌سازیِ تصمیم‌گیریِ مالی» برای تمامِ کارکنان (از سطحِ کارشناسی تا مدیریت). استفاده از نرم‌افزارهایِ شبیه‌سازِ مبتنی بر هوش مصنوعی.
۵ بازنگری در خط‌مشی‌هایِ پاداش و تنبیه، به گونه‌ای که کارکنانی که ریسک‌ها را به‌موقع گزارش می‌دهند، تشویق شوند. ایجادِ «سیستمِ امتیازدهیِ ریسک‌آگاهی» که در ارزیابیِ عملکردِ سالانه لحاظ شود.
۶ برگزاریِ جلساتِ «بازبینیِ پس از وقوع» (Post-Mortem) برای هر ریسکِ بزرگ که در بانک رخ داده است. مستندسازیِ درس‌آموخته‌ها در حافظه‌ی جمعی.

جمع‌بندی؛ از انطباقِ اجباری تا خردِ جمعیِ ریسک‌آگاه
ارتقای منشِ جمعیِ ریسک و هوش مالی در نظام بانکی ایران، یک پروژه‌ی نرم‌افزاری یا بخشنامه‌ای نیست؛ یک تحولِ فرهنگی و شناختی است. این تحول، نیازمندِ سه اقدامِ هم‌زمان است:

۱. تقویتِ حافظه‌ی جمعی با استفاده از هوش مصنوعی، تا تجربیاتِ گرانبهایِ گذشته، به‌سادگی در دسترسِ همه باشد.
۲. هماهنگ‌سازیِ توجهِ جمعی با ابزارهایِ اولویت‌بندیِ لحظه‌ای، تا همه‌ی کارکنان بر رویِ ریسک‌هایِ کلیدی متمرکز شوند.
۳. توسعه‌ی استدلالِ جمعی با شبیه‌سازیِ سناریوها و مستندسازیِ منطقِ تصمیمات، تا تصمیماتِ ریسکی، شفاف، قابلِ دفاع و مبتنی بر داده باشند.

در نهایت، موفق‌ترین بانک‌هایِ ایران در دهه‌ی آینده، آنهایی نخواهند بود که پیشرفته‌ترین الگوریتم‌ها را خریداری کرده‌اند، بلکه آنهایی خواهند بود که فرهنگِ ریسک‌آگاهی را در رگ‌هایِ سازمان خود جاری ساخته‌اند. جایی که هر کارمند، نه فقط یک مجری، که یک «نگهبانِ هوشمندِ منافعِ بانک» است و با درکِ عمیق از تورم، نرخ‌هایِ دستوری و تحریم‌ها، در هر تصمیمِ مالی، «منشِ متعادلِ ریسک» را به کار می‌گیرد.

«در بانکی که نرخِ سود را سیاست تعیین می‌کند و تورم، ارزشِ پول را می‌بلعد، تنها پناهگاهِ مدیران، خردِ جمعیِ کارکنانی است که ریسک را با چشمِ باز می‌بینند و با دستِ هم، تاب‌آوری را می‌سازند.»

پیوستها
اینک به صورت گام‌به‌گام و عملیاتی، نحوه‌ی پیاده‌سازی هر یک از ابزارهای پیشنهادی را تشریح می‌کنیم. این راهنما به گونه‌ای طراحی شده است که بانک‌ها و مؤسسات مالی ایران بتوانند با کمترین هزینه و بیشترین بازده، منش جمعی ریسک و هوش مالی کارکنان خود را ارتقا دهند.

راهنمای عملیاتی پیاده‌سازی هوش جمعی ریسک در بانک

گام اول: پیاده‌سازی «سیستم حافظه‌ی جمعی ریسک» (مشابه چت‌بات انویدیا)
۱.۱. معماری فنی سیستم
مؤلفه توضیح پیشنهاد برای ایران
موتور جستجوی معنایی موتوری که بتواند پرسش‌های طبیعی کارکنان را درک کرده و مستندات مرتبط را پیدا کند. استفاده از مدل‌های زبان بزرگ (LLM) بومی‌سازی‌شده مانند «آذرخش» یا «پارس» که با داده‌های فارسی آموزش دیده‌اند.
پایگاه داده‌ی دانش مخزن تمام مستندات ریسک شامل: صورت‌جلسات کمیته ریسک، نامه‌های بانک مرکزی، گزارش‌های حسابرسی، تحلیل‌های اقتصادی، ایمیل‌های کلیدی و حتی خروجی‌های جلسات توجیهی. یک پایگاه داده‌ی ابری (مثلاً با زیرساخت داخلی) که به‌صورت روزانه به‌روز می‌شود.
سیستم برچسب‌زنی هوشمند هر سند، با برچسب‌های مرتبط (مثل: «تسهیلات تکلیفی»، «نوسان ارز»، «تحریم»، «تورم ۴۰٪») برچسب‌گذاری می‌شود تا بازیابی آسان‌تر شود. استفاده از الگوریتم‌های طبقه‌بندی خودکار (بدون نیاز به نیروی انسانی اضافی).
رابط کاربری ساده کارمند باید بتواند به زبان ساده (مثلاً: «مثال تسهیلات تکلیفی که در تورم ۵۰٪ به معوق تبدیل شد») سوال کند و پاسخ دریافت کند. یک چت‌بات درون‌سازمانی (مثل تلگرام یا وب‌اپلیکیشن داخلی).
۱.۲. فرآیند پیاده‌سازی گام‌به‌گام
جمع‌آوری و دیجیتال‌سازی داده‌ها:

تمام گزارش‌های ریسک، صورت‌جلسات، و نامه‌های داخلی را از ۱۰ سال گذشته جمع‌آوری کنید.

اسناد کاغذی را اسکن و با استفاده از نرم‌افزارهای OCR (تبدیل تصویر به متن) دیجیتال کنید.

داده‌ها را به‌صورت ساختاریافته (با تاریخ، نویسنده، واحد سازمانی، کلمات کلیدی) ذخیره کنید.

آموزش مدل زبان بر روی داده‌های اختصاصی:

با همکاری شرکت‌های دانش‌بنیان داخلی، مدل زبان بزرگ را با داده‌های داخلی بانک «فاین‌تیون» کنید تا اصطلاحات تخصصی (مثل «تسهیلات قرض‌الحسنه»، «نسبت کفایت سرمایه»، «بخشنامه‌ی ۲۵۸» را به‌درستی درک کند.

راه‌اندازی و آزمایش:

ابتدا سیستم را در اختیار ۲۰ کارمندِ کلیدی (از واحدهای اعتبارات، حقوقی و بازرسی) قرار دهید تا بازخورد بگیرید.

پس از رفع اشکالات، به‌تدریج در اختیار تمام کارکنان قرار دهید.

به‌روزرسانی مستمر:

هر بار که سند جدیدی (بخشنامه، گزارش، ایمیل مهم) تولید می‌شود، سیستم به‌صورت خودکار آن را به پایگاه داده اضافه کند.

از کارکنان بخواهید که مفیدترین پاسخ‌ها را «امتیازدهی» کنند تا سیستم هوشمندتر شود.

گام دوم: طراحی «شبیه‌ساز تصمیم‌گیری مالی» برای ارتقای هوش مالی
۲.۱. سناریوهای شبیه‌سازی (با توجه به واقعیت‌های ایران)

سناریو شرح متغیرهای کلیدی خروجی آموزشی
سناریوی ۱: تخصیص سرمایه در شرایط تورم کارمند ۱۰۰ میلیارد تومان سرمایه دارد و باید بین سه گزینه تصمیم بگیرد: تسهیلات تکلیفی ۴٪، سپرده ۲۲٪، اوراق ۳۰٪. نرخ تورم (۲۰٪، ۳۰٪، ۴۰٪)، نرخ سود اسمی، زمان بازپرداخت. درک مفهوم «نرخ بازده واقعی» و «هزینه فرصت».
سناریوی ۲: ارزیابی ریسک اعتباری در رکود یک متقاضیِ وام با سابقه‌ی خوب، اما در صنعتی که تحت تأثیر تحریم است. نرخ ارز، قیمت مواد اولیه، قدرت خرید مشتریانِ وام‌گیرنده. اهمیت تحلیل «صنعت» و «کلان‌اقتصاد» در کنار امتیاز اعتباری فرد.
سناریوی ۳: مدیریت ریسک نقدینگی در شرایط بحران خروج ناگهانی ۲۰٪ سپرده‌ها به دلیل شایعه‌ی سیاسی. نسبت سپرده به تسهیلات، نرخ سود بین‌بانکی، دسترسی به خط اعتباری اضطراری. اهمیت «ذخیره نقدینگی» و «پیش‌بینی سناریوهای بدبینانه».
سناریوی ۴: تصمیم‌گیری در مورد وثایق وام‌گیرنده، وثیقه‌ای به ارزش ۱۰ میلیارد تومان (ملک) ارائه می‌دهد، اما بازار مسکن در رکود است. نرخ تورم مسکن، زمان فروش اجباری، هزینه‌های حقوقی. مفهوم «ارزش تعدیل‌شده با نقدشوندگی» (Liquidity-Adjusted Value).

۲.۲. نحوه‌ی اجرا
فرمت: یک وب‌اپلیکیشن تعاملی که هر کارمند با نام کاربری خود وارد شود و سناریوها را یکی‌یکی تجربه کند.

فرآیند: در هر سناریو، کارمند باید تصمیم خود را بگیرد و سپس سیستم:

نتیجه‌ی مالیِ تصمیم را شبیه‌سازی کند (سود یا زیان).

یک «گزارش آموزشی» تولید کند که اشتباهات و نکات کلیدی را توضیح دهد.

امتیازِ کارمند را بر اساسِ کیفیتِ تصمیمات ثبت کند.

دوره‌ی زمانی: هر کارمند باید حداقل ۱۰ سناریو را در طول سال تجربه کند (مثلاً ماهانه یک سناریو).

پاداش: کارمندانی که بالاترین امتیاز را کسب کنند، در ارزیابی عملکرد (و پاداش سالانه) امتیاز مثبت دریافت کنند.

گام سوم: راه‌اندازی «داشبورد توجه جمعی ریسک»
۳.۱. مؤلفه‌های داشبورد

۳.۲. فرآیند استفاده
هر روز صبح، به‌مدت ۱۰ دقیقه: تمام مدیران و کارشناسان ارشد، داشبورد را بررسی کرده و درباره‌ی ریسک‌های با اولویتِ قرمز، در یک گروهِ تلگرامی یا واتس‌اپی (با حفظ امنیت) تبادل نظر کنند.

هفته‌ای یک‌بار: جلسه‌ی ۱ ساعته با حضور مدیرعامل و اعضای کمیته‌ی ریسک برای بررسی روندِ تغییراتِ ریسک‌ها (بر اساسِ داده‌های داشبورد).

ماهانه: یک گزارشِ تحلیلی از وضعیتِ ریسک‌ها تهیه و به هیئت‌مدیره ارائه شود.

گام چهارم: فرهنگ‌سازی و ایجاد انگیزه برای مشارکت
فرهنگِ ریسک، با بخشنامه تغییر نمی‌کند؛ با الگو و انگیزه تغییر می‌کند.

۴.۱. نقش مدیران ارشد (الگوسازی)
مدیرعامل و اعضای هیئت‌مدیره باید به‌صورتِ علنی از گزارش‌دهیِ ریسک استقبال کنند و هرگز کارمندی را به خاطر گزارشِ یک ریسک (حتی اگر اشتباه باشد) تنبیه نکنند.

مدیران باید در جلسات، پرسش‌هایِ ریسکی مطرح کنند (مثلاً: «تأثیرِ افزایشِ نرخ ارز بر پرتفویِ تسهیلاتِ ما چیست؟») تا فرهنگِ پرسش‌گری را نهادینه کنند.

۴.۲. سیستم پاداش و تشویق
رفتار مطلوب پاداش پیشنهادی
گزارشِ یک ریسکِ جدید که قبلاً شناسایی نشده بود. امتیاز مثبت در ارزیابی عملکرد + یک جایزه نقدی کوچک.
ارائه‌ی راهکارِ خلاقانه برای کاهشِ یک ریسک (مثلاً راهی برای کاهشِ زیانِ تسهیلاتِ تکلیفی). افزایشِ حقوق یا پاداش سالانه.
تکمیلِ موفقِ سناریوهای شبیه‌ساز با امتیاز بالا. گواهیِ رسمیِ «هوش مالی پیشرفته» + اولویت در ارتقاء شغلی.
مشارکتِ فعال در جلساتِ ریسک و ارائه‌ی تحلیل‌هایِ مبتنی بر داده. دعوت به جلساتِ کمیته‌ی ریسک به عنوان «کارشناسِ مهمان».

گزارشِ یک ریسکِ جدید که قبلاً شناسایی نشده بود. امتیاز مثبت در ارزیابی عملکرد + یک جایزه نقدی کوچک.
ارائه‌ی راهکارِ خلاقانه برای کاهشِ یک ریسک (مثلاً راهی برای کاهشِ زیانِ تسهیلاتِ تکلیفی). افزایشِ حقوق یا پاداش سالانه.
تکمیلِ موفقِ سناریوهای شبیه‌ساز با امتیاز بالا. گواهیِ رسمیِ «هوش مالی پیشرفته» + اولویت در ارتقاء شغلی.
مشارکتِ فعال در جلساتِ ریسک و ارائه‌ی تحلیل‌هایِ مبتنی بر داده. دعوت به جلساتِ کمیته‌ی ریسک به عنوان «کارشناسِ مهمان».
۴.۳. داستان‌سرایی (Storytelling) سازمانی
به‌صورتِ ماهانه، یک «داستانِ ریسک» از تجربیاتِ واقعیِ بانک تهیه و در اختیارِ تمام کارکنان قرار دهید. مثلاً:

«چگونه یک کارمندِ تازه‌وارد با گزارشِ یک مغایرتِ کوچک، از یک زیانِ ۲۰ میلیاردی جلوگیری کرد.»

«چگونه تیمی از تحلیلگران با شبیه‌سازیِ تورم، تصمیم به تعدیلِ سبدِ تسهیلات گرفتند و بانک را از ورشکستگی نجات دادند.»

این داستان‌ها را در وب‌سایتِ داخلی، ایمیل‌هایِ هفتگی و یا جلساتِ عمومی بازگو کنید.

گام پنجم: ارزیابی و بهبود مستمر
برای اینکه بدانید تلاش‌های شما نتیجه‌بخش بوده یا نه، به شاخص‌هایِ زیر توجه کنید (و هر ۳ ماه یک‌بار اندازه‌گیری کنید):
شاخص روش اندازه‌گیری هدف (در بازه‌ی ۱ ساله)
تعدادِ ریسک‌هایِ گزارش‌شده توسط کارکنان (غیر از واحد ریسک) گزارشِ ماهانه از سیستمِ ثبت شکایات/ریسک. افزایش ۵۰٪.
میانگینِ امتیازِ کارکنان در شبیه‌سازِ مالی خروجیِ شبیه‌ساز. افزایش ۲۰٪.
تعدادِ جلساتِ ریسک با حضورِ مدیرانِ غیرمالی صورت‌جلسات. افزایش ۱۰۰٪.
کاهشِ تسهیلاتِ معوقِ جدید (ناشی از تصمیماتِ آگاهانه‌تر) گزارشِ معوقات. کاهش ۱۰٪.
نتایجِ نظرسنجیِ سالانه‌ی فرهنگِ ریسک (از کارکنان) پرسشنامه‌ی ناشناس. بهبودِ ۱۵٪ در سؤالِ «آیا احساس امنیت می‌کنم که ریسک را گزارش دهم؟».

جمع‌بندی نهایی؛ از نظریه تا عمل
ارتقای منش جمعی ریسک و هوش مالی در نظام بانکی ایران، سفری است که با ابزارهای هوشمند شروع می‌شود، با آموزشِ مستمر ادامه می‌یابد، و با فرهنگِ سازمانیِ حمایت‌گر به ثمر می‌نشیند.

سه ابزاری که در این راهنما معرفی شدند (چت‌باتِ حافظه‌ی جمعی، شبیه‌سازِ تصمیم‌گیری، و داشبوردِ توجه جمعی)، همگی در ایران قابلِ پیاده‌سازی هستند و نیازی به فناوری‌هایِ فوق‌پیشرفته ندارند. مهم‌تر از فناوری، عزمِ مدیریت ارشد برای تغییرِ فرهنگ و اعتماد به کارکنان است.

به یاد داشته باشید که در شرایطی که نرخِ سود را سیاست تعیین می‌کند و تورم، ارزشِ پول را می‌بلعد، تنها سرمایه‌ی ارزشمندِ بانک، خردِ جمعیِ کارکنانی است که ریسک را با چشمِ باز می‌بینند و با دستِ هم، تاب‌آوری را می‌سازند. این سرمایه، با هیچ تحریمی از بین نمی‌رود و با هیچ تورمی بی‌ارزش نمی‌شود.

«در بانکی که نرخ‌ها را دستور تعیین می‌کند و بازار را سیاست، هوشمندترین مدیر، کسی نیست که الگوریتمِ بهتری دارد، بلکه کسی است که تیمی آگاه‌تر و متعهدتر ساخته است.»

آمارگیر وبلاگ

hoosh masnooei

مدیریت یکپارچه ریسک شرکتی (ERM) در عصر هوش مصنوعی؛ تلفیق چارچوب کوزو و استاندارد ISO 31000

مدیریت یکپارچه ریسک شرکتی (ERM) در عصر هوش مصنوعی؛ تلفیق چارچوب کوزو و استاندارد ISO 31000

مقدمه؛ چرا دیگر مدیریت ریسکِ سنتی پاسخگو نیست؟
در دو دهه‌ی اخیر، حجم و پیچیدگیِ ریسک‌های پیش روی سازمان‌ها به طرز بی‌سابقه‌ای افزایش یافته است. ریسک‌های ژئوپلیتیک، تغییرات اقلیمی، اختلالات زنجیره‌تأمین، حملات سایبری و نوساناتِ شدیدِ اقتصادی، همگی در هم تنیده شده‌اند و یک رویدادِ کوچک می‌تواند کل سازمان را با بحرانی وجودی مواجه کند.

در چنین فضایی، رویکردهای سنتی که ریسک را به صورتِ مجزا و در هر واحدِ سازمانی بررسی می‌کردند، نه تنها ناکارآمد، که خطرآفرین شده‌اند. آنچه سازمان‌های امروز به آن نیاز دارند، مدیریت یکپارچه ریسک شرکتی (ERM) است؛ رویکردی که ریسک را نه به عنوان یک تهدیدِ بخشی، که به عنوان بخشی از راهبری، استراتژی و فرهنگِ کل سازمان می‌بیند.

برای پیاده‌سازیِ مؤثرِ ERM، دو چارچوبِ جهانی بیش از همه مورد توجه قرار گرفته‌اند:

چارچوب کوزو (COSO): که بر حاکمیت، فرهنگ و همسوسازیِ ریسک با اهدافِ سازمان تأکید دارد.

استاندارد ISO 31000: که اصول، چارچوب و فرآیندِ مدیریت ریسک را به صورتِ یک سیستمِ مدیریتیِ منسجم ارائه می‌دهد.

حال، پرسشِ کلیدی این است: هوش مصنوعی چگونه می‌تواند این دو چارچوب را به هم پیوند زند و ERM را از یک فرآیندِ دستی و دوره‌ای، به یک قابلیتِ پویا، لحظه‌ای و آینده‌نگر تبدیل کند؟

بخش اول: چارچوب کوزو (COSO) در عصر هوش مصنوعی
چارچوب کوزو، مدیریت ریسک را در پنج مؤلفه‌ی به‌هم‌پیوسته تعریف می‌کند. در ادامه، هر مؤلفه را با مثال‌هایِ عینی از کاربردِ هوش مصنوعی بررسی می‌کنیم:

۱. محیط داخلی (Internal Environment)؛ فرهنگِ ریسکِ هوشمند
مفهوم در کوزو:
محیط داخلی، شاملِ لحنِ ارشدِ سازمان (Tone at the Top)، فلسفه‌ی ریسک‌پذیری، استانداردهایِ اخلاقی و ساختارِ حاکمیت است. این مؤلفه، اساسِ تمامِ مؤلفه‌هایِ دیگر را شکل می‌دهد.

نقشِ هوش مصنوعی:
هوش مصنوعی می‌تواند با تحلیلِ داده‌هایِ رفتاری و ارتباطیِ کارکنان، فرهنگِ ریسک را به‌صورتِ مستمر پایش کند. برای مثال:

تحلیلِ محتوایِ ایمیل‌ها و پیام‌ها: شناساییِ الگوهایِ زبانی که نشان‌دهنده‌ی بی‌توجهی به کنترل‌هایِ داخلی یا ریسک‌پذیریِ بیش‌ازحد است.

تحلیلِ شبکه‌هایِ سازمانی (Organizational Network Analysis): تشخیصِ اینکه آیا ارتباطاتِ مؤثر درباره‌ی ریسک، در تمامِ سطوحِ سازمان جریان دارد یا خیر.

پایشِ انحراف از خط‌مشی‌ها: تشخیصِ خودکارِ مواردی که کارکنان از رویه‌هایِ مصوبِ مدیریت ریسک تخطی می‌کنند و گزارشِ آن به واحدِ انطباق.

مثالِ عینی:
یک بانکِ بزرگ، از هوش مصنوعی برای تحلیلِ مکالماتِ تلفنیِ کارکنانِ خود با مشتریان استفاده می‌کند. اگر الگوریتم تشخیص دهد که یک کارمند، به طورِ مکرر، ریسکِ بالایِ یک محصولِ سرمایه‌گذاری را کم‌جلوه می‌دهد، بلافاصله به سرپرستِ او هشدار می‌دهد. این کار، هم فرهنگِ شفافیت را تقویت می‌کند و هم از بروزِ ریسکِ شهرت و مقرراتی جلوگیری می‌نماید.

۲. تعیین اهداف (Objective Setting)؛ همسوسازیِ ریسک و استراتژی
مفهوم در کوزو:
سازمان باید اهدافِ راهبردی و عملیاتیِ خود را به گونه‌ای تعیین کند که با میزانِ ریسک‌پذیریِ تعیین‌شده (Risk Appetite) همسو باشد. اهداف باید قابلِ اندازه‌گیری و قابلِ تفکیک در سطوحِ مختلفِ سازمان باشند.

نقشِ هوش مصنوعی:
الگوریتم‌هایِ شبیه‌سازی و بهینه‌سازی می‌توانند برای هر هدفِ راهبردی، صدها سناریویِ مختلف را مدل‌سازی کنند و نشان دهند که:

کدام مسیرِ رشد، با سطحِ ریسک‌پذیریِ سازمان سازگارتر است؟

برای دستیابی به یک هدفِ خاص (مثلاً افزایش ۲۰٪ سودآوری)، چه سطحی از ریسک (مثلاً ریسکِ اعتباری یا ریسکِ نرخِ ارز) قابلِ قبول است؟

اثرِ متقابلِ اهدافِ مختلف بر یکدیگر چیست؟ (مثلاً افزایشِ سهمِ بازار ممکن است با افزایشِ ریسکِ اعتباری همراه باشد).

مثالِ عینی:
یک شرکتِ تولیدیِ چندملیتی، قصد دارد واردِ بازارِ یک کشورِ جدید شود. هوش مصنوعی با ترکیبِ داده‌هایِ اقتصادی، سیاسی، نرخِ ارز، مقرراتِ محلی و رفتارِ رقبا، ۵۰۰ سناریویِ مختلف را شبیه‌سازی می‌کند و به مدیران نشان می‌دهد که در ۸۵٪ سناریوها، ورود به این بازار با ریسکِ بیش از حدِ مجاز همراه است. در نتیجه، مدیران تصمیم می‌گیرند که هدفِ خود را تعدیل کنند و به جای ورودِ مستقیم، از طریقِ مشارکتِ استراتژیک (Joint Venture) وارد شوند.

۳. شناسایی رویدادها (Event Identification)؛ از داده‌هایِ گذشته تا سیگنال‌هایِ ضعیف
مفهوم در کوزو:
شناساییِ رویدادهایِ بالقوه‌ای (چه مثبت و چه منفی) که در صورتِ وقوع، می‌توانند بر اهدافِ سازمان تأثیر بگذارند. این رویدادها می‌توانند داخلی (مثل خرابیِ تجهیزات) یا خارجی (مثل تغییرِ مقررات) باشند.

نقشِ هوش مصنوعی:
روش‌هایِ سنتی، اغلب بر اساسِ داده‌هایِ تاریخی و تجربه‌یِ مدیران عمل می‌کنند. اما هوش مصنوعی، به ویژه مدل‌هایِ پردازشِ زبانِ طبیعی (NLP) و یادگیریِ عمیق، می‌توانند «سیگنال‌هایِ ضعیف» (Weak Signals) را از میانِ حجمِ عظیمِ داده‌هایِ غیرساختاریافته استخراج کنند:

تحلیلِ اخبار و رسانه‌ها: شناساییِ زودهنگامِ تغییراتِ مقرراتی، تحریم‌ها یا بحران‌هایِ سیاسی که ممکن است بر کسب‌وکار تأثیر بگذارد.

تحلیلِ شبکه‌هایِ اجتماعی: رصدِ نظراتِ مشتریان و شناساییِ روندهایِ نوظهورِ مصرف‌کننده که می‌توانند به ریسکِ شهرت یا فرصتِ بازار تبدیل شوند.

تحلیلِ داده‌هایِ حسگرها (IoT): در صنایعِ تولیدی، پایشِ داده‌هایِ حسگرهایِ ماشین‌آلات برای پیش‌بینیِ خرابیِ تجهیزات و جلوگیری از توقفِ تولید.

مثالِ عینی:
یک شرکتِ هواپیمایی، از هوش مصنوعی برای تحلیلِ داده‌هایِ حسگرهایِ موتورِ هواپیماها استفاده می‌کند. الگوریتم، الگویِ غیرعادیِ ارتعاشات را ۴۸ ساعت قبل از وقوعِ نقصِ جدی تشخیص می‌دهد. شرکت، هواپیما را برای بازبینیِ پیشگیرانه به زمین می‌فرستد و از یک حادثه‌ی احتمالی و میلیون‌ها دلار خسارت جلوگیری می‌کند.

۴. ارزیابی ریسک (Risk Assessment)؛ مدل‌سازیِ پویا و تحلیلِ وابستگی‌ها
مفهوم در کوزو:
ارزیابیِ احتمال و تأثیرِ ریسک‌هایِ شناسایی‌شده و تعیینِ اولویتِ آن‌ها برای پاسخ‌دهی. این ارزیابی باید هم به صورتِ ذاتی (Inherent) و هم با در نظر گرفتنِ کنترل‌هایِ موجود (Residual) انجام شود.

نقشِ هوش مصنوعی:
هوش مصنوعی، ارزیابیِ ریسک را از یک فرآیندِ سالانه و ذهنی، به یک فرآیندِ پیوسته، لحظه‌ای و مبتنی بر داده تبدیل می‌کند:

مدل‌سازیِ وابستگی‌ها (Dependency Modeling): الگوریتم‌ها می‌توانند روابطِ پیچیده‌ی بینِ ریسک‌ها را شناسایی کنند. مثلاً نشان دهند که افزایشِ نرخِ بهره، چگونه بر ریسکِ اعتباری، ریسکِ نقدینگی و حتی ریسکِ عملیاتی تأثیر می‌گذارد.

ارزیابیِ پویا: با تغییرِ هر متغیر (مثل نرخِ ارز یا قیمتِ نفت)، مدل به‌روز می‌شود و تأثیرِ جدیدِ آن بر کلِ سبدِ ریسکِ سازمان محاسبه می‌گردد.

کاهشِ سوگیری (Bias Reduction): مدل‌ها بر اساسِ داده‌هایِ گسترده و عینی عمل می‌کنند و خطاهایِ شناختیِ رایج در ارزیابیِ انسانی (مثل خوش‌بینیِ بیش‌ازحد یا تکیه بر تجربه‌هایِ اخیر) را به حداقل می‌رسانند.

مثالِ عینی:
یک صندوقِ سرمایه‌گذاری، از یک مدلِ یادگیریِ ماشین برای ارزیابیِ ریسکِ پرتفویِ خود استفاده می‌کند. مدل، نه تنها ریسکِ هر دارایی را محاسبه می‌کند، بلکه وابستگیِ بینِ دارایی‌ها را نیز مدل‌سازی می‌نماید. وقتی بازارِ سهام دچارِ نوسان می‌شود، مدل به‌سرعت واریانسِ پرتفوی را به‌روز می‌کند و به مدیران پیشنهاد می‌دهد که کدام دارایی‌ها را بفروشند و کدام را نگه دارند تا ریسکِ کلیِ پرتفوی در سطحِ مجاز باقی بماند.

۵. پاسخ به ریسک (Risk Response)؛ انتخابِ هوشمندانه و اجرایِ خودکار
مفهوم در کوزو:
انتخابِ یکی از چهار استراتژیِ اصلی در مواجهه با ریسک: اجتناب (Avoidance)، کاهش (Reduction)، اشتراک‌گذاری (Sharing) و پذیرش (Acceptance) . همچنین، طراحی و اجرایِ کنترل‌هایِ مناسب برای پیاده‌سازیِ استراتژیِ انتخاب‌شده.

نقشِ هوش مصنوعی:
هوش مصنوعی، فرآیندِ پاسخ به ریسک را به دو شکل متحول می‌کند:

توصیه‌ی بهینه: الگوریتم، برای هر ریسک، گزینه‌هایِ مختلفِ پاسخ را با هزینه و اثربخشیِ آن‌ها محاسبه کرده و بهترین ترکیب را پیشنهاد می‌دهد.

اجرایِ خودکار (Automated Response): در برخی موارد، پاسخ‌هایِ از پیش‌تعیین‌شده می‌توانند به‌صورتِ خودکار اجرا شوند. مثلاً وقتی قیمتِ یک کالا به زیرِ حدِ معینی می‌رسد، سیستمِ معاملاتی به‌طورِ خودکار، پوزیشنِ خرید را می‌بندد تا از ضررِ بیشتر جلوگیری کند.

مثالِ عینی:
یک شرکتِ صادراتی، با ریسکِ نوسانِ نرخِ ارز مواجه است. هوش مصنوعی با تحلیلِ داده‌هایِ تاریخی و پیش‌بینیِ روندِ آینده، به مدیران پیشنهاد می‌دهد که:

۵۰٪ از ریسک را از طریقِ قراردادهایِ آتی (Futures) پوشش دهند (اشتراک‌گذاری).

۳۰٪ از ریسک را با تغییرِ استراتژیِ قیمت‌گذاری (افزایشِ حاشیه‌ی سود به ریال) کاهش دهند (کاهش).

۲۰٪ از ریسک را به عنوانِ ریسکِ باقی‌مانده بپذیرند و برای آن ذخیره‌ی سرمایه در نظر بگیرند (پذیرش).

بخش دوم: پیوند با استاندارد ISO 31000؛ اصول و فرآیند
استاندارد ISO 31000، مدیریت ریسک را بر پایه‌ی اصولی مانند شفافیت، مشارکتِ ذی‌نفعان و بهبودِ مستمر تعریف می‌کند. فرآیندِ آن شاملِ سه گامِ اصلی است:

گامِ ISO 31000 شرح کاربردِ هوش مصنوعی
۱. تشخیصِ زمینه (Establishing the Context) درکِ محیطِ داخلی و خارجی، ذی‌نفعان و معیارهایِ ریسک‌پذیری. تحلیلِ محیطِ کلان (اقتصاد، سیاست، فناوری) از طریقِ پردازشِ داده‌هایِ کلان و ارائه‌ی تصویریِ جامع از بافتِ سازمان.
۲. ارزیابیِ ریسک (Risk Assessment) شناسایی، تحلیل و اولویت‌بندیِ ریسک‌ها (همانندِ مؤلفه‌های ۳ و ۴ کوزو). استفاده از مدل‌هایِ پیش‌بینی‌کننده و شبیه‌سازیِ مونت‌کارلو برای تحلیلِ عمیق‌تر و پویاتر.
۳. درمانِ ریسک (Risk Treatment) انتخاب و اجرایِ اقدامات برای اصلاحِ ریسک. شبیه‌سازیِ اثربخشیِ اقداماتِ مختلف و پیشنهادِ بهینه‌ترین ترکیب.
نکته‌ی کلیدی این است که ISO 31000 بر بهبودِ مستمر تأکید دارد؛ یعنی فرآیندِ مدیریت ریسک باید دائماً پایش و بازبینی شود. هوش مصنوعی با ارائه‌ی گزارش‌هایِ لحظه‌ای از عملکردِ کنترل‌ها و شناساییِ ریسک‌هایِ جدید، این اصل را به بهترین شکل ممکن عملیاتی می‌سازد.

بخش سوم: نقشِ مدیر مالی/ریسک؛ از انطباق‌گر تا معمارِ تاب‌آوری
با تلفیقِ چارچوب کوزو، استاندارد ISO 31000 و قابلیت‌هایِ هوش مصنوعی، نقشِ مدیر مالی (که به‌طورِ سنتی مسئولیتِ ریسک‌هایِ مالی را بر عهده داشته) به مدیرِ یکپارچه‌ی ریسک شرکتی ارتقا می‌یابد. او اکنون باید:

زبانِ داده را بفهمد: بتواند خروجیِ مدل‌هایِ هوش مصنوعی را تفسیر کند و محدودیت‌هایِ آن را بشناسد.

تفکرِ سیستمی داشته باشد: وابستگی‌هایِ بینِ ریسک‌ها را درک کند و پیامدهایِ زنجیره‌ایِ آن‌ها را پیش‌بینی نماید.

حکمرانیِ الگوریتم را پیاده کند: اطمینان حاصل کند که مدل‌هایِ هوش مصنوعی، شفاف، عادلانه و امن هستند.

مهارتِ روایت‌گری داشته باشد: داده‌ها و تحلیل‌هایِ پیچیده را به زبانی ساده و قانع‌کننده برای هیئت‌مدیره و سایر ذی‌نفعان تبدیل کند.

بخش چهارم: مخاطراتِ استفاده از هوش مصنوعی در مدیریت ریسک

هوش مصنوعی، خود نیز منبعِ ریسک‌هایِ جدیدی است که باید در چارچوبِ ERM مدیریت شوند :
نوع ریسک توضیح راهکار
ریسکِ داده (Data Risk) داده‌هایِ ناقص، نامعتبر یا دارای سوگیری، منجر به خروجیِ گمراه‌کننده می‌شوند. پیاده‌سازیِ سیستم‌هایِ حاکمیتِ داده (Data Governance) و پایشِ مستمرِ کیفیتِ داده.
ریسکِ شفافیت (Black Box Risk) عدمِ توانایی در توضیحِ تصمیمِ الگوریتم، اعتمادِ ذی‌نفعان را خدشه‌دار می‌کند. استفاده از مدل‌هایِ قابلِ تفسیر (Explainable AI یا XAI) و مستندسازیِ کامل.
ریسکِ امنیتِ سایبری حملات به مدل‌ها یا دستکاریِ داده‌هایِ ورودی (Data Poisoning). طراحیِ سیستم‌هایِ امنیتیِ چندلایه و پایشِ مستمرِ تهدیدات.
ریسکِ وابستگیِ بیش‌ازحد اتکایِ کامل به الگوریتم، قضاوتِ مستقلِ انسانی را تضعیف می‌کند. حفظِ «حلقه‌ی انسانی در فرآیند» (Human-in-the-Loop) برای تصمیماتِ کلیدی.

جمع‌بندی؛ آینده‌ای که با تلفیقِ کوزو، ISO 31000 و هوش مصنوعی ساخته می‌شود
مدیریت یکپارچه ریسک شرکتی در عصر هوش مصنوعی، دیگر یک فرآیندِ اداریِ سالانه نیست؛ بلکه هسته‌ی راهبردیِ تصمیم‌گیریِ سازمان است. چارچوب کوزو، با تأکید بر حاکمیت و فرهنگ، و استاندارد ISO 31000، با ارائه‌ی فرآیندیِ نظام‌مند، بسترِ مناسبی برای پیاده‌سازیِ هوشمندانه‌ی این فناوری فراهم می‌آورند. هوش مصنوعی نیز با توانایی‌هایِ بی‌نظیرِ خود در تحلیلِ داده، پیش‌بینی، شبیه‌سازی و یکپارچه‌سازی، اجرایِ مؤثرِ این چارچوب‌ها را از یک آرزو به واقعیت تبدیل می‌کند.
سازمان‌هایِ پیشرو، آنهایی خواهند بود که از این تلفیقِ سه‌گانه (چارچوب + استاندارد + فناوری) برای تبدیلِ ریسک‌ها به فرصت و ایجادِ مزیتِ رقابتیِ پایدار استفاده کنند. مدیرانی که بتوانند تعاملِ هوشمندانه‌ای میانِ الگوریتم‌هایِ پیش‌بینی‌کننده و قضاوتِ انسانی برقرار سازند، معمارانِ تاب‌آوریِ سازمان در دنیایی خواهند بود که هر روز غیرقابل‌پیش‌بینی‌تر می‌شود.
«مدیریت ریسکِ نوین، نه در دایره‌هایِ رنگیِ ماتریسِ احتمال-تأثیر، که در تحلیلِ لحظه‌ایِ داده‌ها، طراحیِ سناریوهایِ هوشمند و قضاوتِ شجاعانه‌ی انسانی برای مواجهه با عدم‌قطعیت، معنا می‌یابد.»

آمارگیر وبلاگ

hoosh masnooei

مدیریت یکپارچه ریسک شرکتی (ERM) در عصر هوش مصنوعی؛ از انطباق تا هوشمندیِ راهبردی

مدیریت یکپارچه ریسک شرکتی (ERM) در عصر هوش مصنوعی؛ از انطباق تا هوشمندیِ راهبردی

در دنیای پرنوسان امروز، ریسک‌ها دیگر خطی، قابل‌پیش‌بینی یا محدود به یک حوزه‌ی خاص نیستند. ریسکِ زنجیره‌تأمین، ریسکِ اعتباری، ریسکِ شهرت، ریسکِ سایبری و ریسکِ انطباق، همگی در هم تنیده شده‌اند و یک شوکِ کوچک می‌تواند کل سازمان را به لرزه درآورد. در چنین فضایی، مدیریت یکپارچه ریسک شرکتی (Enterprise Risk Management یا ERM) دیگر یک انتخاب نیست؛ یک ضرورتِ حیاتی است. اما پرسش اینجاست: هوش مصنوعی چگونه می‌تواند این مدیریتِ یکپارچه را متحول کند و آن را از یک فرآیندِ ایستا و انطباق‌محور، به یک قابلیتِ پویا و آینده‌نگر تبدیل نماید؟

برای پاسخ به این پرسش، ابتدا باید به سراغ یکی از معتبرترین چارچوب‌های جهانی در این حوزه برویم: چارچوب کوزو (COSO) . این چارچوب، مدیریت ریسک را نه یک فعالیتِ جداگانه، که به عنوان بخشی از راهبری، استراتژی و فرهنگِ سازمان تعریف می‌کند. در ادامه، نگاهی خواهیم داشت به اینکه هوش مصنوعی چگونه هر یک از ارکانِ این چارچوب را دگرگون می‌سازد و نقشِ مدیر مالی/ریسک را از «نگهبانِ انطباق» به «معمارِ تاب‌آوری» ارتقا می‌دهد.

۱. چارچوب کوزو (COSO)؛ پنج مؤلفه‌ای که مدیریت ریسک را تعریف می‌کنند
چارچوب کوزو (که توسط کمیته‌ی سازمان‌های حامیِ کمیسیونِ ترویویِ سازمان‌ها منتشر شده) مدیریت ریسک را در پنج مؤلفه‌ی به‌هم‌پیوسته خلاصه می‌کند. درک این مؤلفه‌ها، برای تحلیلِ تأثیرِ هوش مصنوعی ضروری است:

مؤلفه‌ی کوزو توضیح مختصر
۱. محیط داخلی (Internal Environment) فرهنگ، اخلاقیات، فلسفه‌ی ریسک‌پذیری و ساختارِ حاکمیتِ سازمان.
۲. تعیین اهداف (Objective Setting) تعریفِ اهدافِ راهبردی و عملیاتی به گونه‌ای که ریسک‌ها در راستایِ آن‌ها شناسایی شوند.
۳. شناسایی رویدادها (Event Identification) تشخیصِ رویدادهایِ بالقوه (مثبت و منفی) که بر اهداف تأثیر می‌گذارند.
۴. ارزیابی ریسک (Risk Assessment) تحلیلِ احتمال و تأثیرِ ریسک‌ها و تعیینِ اولویت‌ها.
۵. پاسخ به ریسک (Risk Response) انتخابِ استراتژیِ مناسب: اجتناب، کاهش، اشتراک‌گذاری یا پذیرشِ ریسک.
حال، بیایید ببینیم هوش مصنوعی در هر یک از این پنج حوزه، چه تحولی ایجاد می‌کند و چگونه «مدیریت یکپارچه» را ممکن می‌سازد.

۲. هوش مصنوعی و مؤلفه‌های کوزو؛ تحولی بنیادین در هر لایه
الف) محیط داخلی (فرهنگ و حکمرانیِ ریسک)
هوش مصنوعی می‌تواند با تحلیلِ الگوهایِ رفتاریِ کارکنان، مکالماتِ سازمانی و داده‌هایِ عملکردی، فرهنگِ ریسکِ سازمان را به‌صورتِ لحظه‌ای پایش کند. مثلاً تشخیص دهد که آیا انحراف از خط‌مشی‌هایِ ریسک در یک واحدِ خاص، روندی صعودی دارد یا خیر. این داده‌ها به مدیران ارشد کمک می‌کند تا به جای برخوردهایِ سلیقه‌ای، تصمیماتِ مبتنی بر شواهد برای اصلاحِ فرهنگِ ریسک‌پذیری اتخاذ کنند.

ب) تعیین اهداف (همسوسازیِ ریسک و استراتژی)
یکی از چالش‌هایِ اصلیِ ERM، همسوسازیِ اهدافِ راهبردی با سطحِ ریسکِ پذیرفتنی است. الگوریتم‌هایِ پیش‌بینی‌کننده می‌توانند برای هر هدفِ راهبردی، ده‌ها سناریویِ ریسک را شبیه‌سازی کنند و نشان دهند که کدام مسیرِ رشد، با میزانِ ریسک‌پذیریِ تعیین‌شده‌ی سازمان، سازگارتر است. به عبارت دیگر، هوش مصنوعی به مدیران کمک می‌کند تا «اهدافِ هوشمندِ ریسک‌آگاه» (Risk-Informed Objectives) تعیین کنند.

ج) شناسایی رویدادها (از داده‌هایِ تاریخی تا سیگنال‌هایِ ضعیف)
روش‌های سنتی، رویدادها را بر اساسِ داده‌هایِ گذشته شناسایی می‌کنند. اما هوش مصنوعی، به ویژه مدل‌های یادگیری عمیق، می‌توانند «سیگنال‌هایِ ضعیف» (Weak Signals) را از میانِ حجمِ عظیمِ داده‌هایِ ساختاریافته و غیرساختاریافته (اخبار، گزارش‌هایِ تحلیلی، شبکه‌های اجتماعی) استخراج کنند. ریسکِ ورشکستگیِ یک تأمین‌کننده، ریسکِ تغییرِ مقررات یا ریسکِ شهرت ناشی از یک رویدادِ زیست‌محیطی، همه می‌توانند روزها یا هفته‌ها زودتر از طریقِ الگوهایِ پنهان در داده‌ها، شناسایی شوند.

د) ارزیابی ریسک (از قضاوتِ ذهنی به مدل‌هایِ پویا)
ارزیابیِ ریسک در گذشته، اغلب مبتنی بر ماتریس‌هایِ احتمال-تأثیر با درجه‌بندیِ ذهنی بود. هوش مصنوعی این بخش را به‌کلی متحول می‌کند:
ارزیابیِ پیوسته و لحظه‌ای: به جای ارزیابی‌هایِ سالانه، ریسک‌ها به‌صورتِ بلادرنگ (Real-Time) پایش می‌شوند.
مدل‌سازیِ وابستگی‌ها: الگوریتم‌ها می‌توانند وابستگیِ پیچیده‌ی بین ریسک‌ها (مثلاً ریسکِ ارزی و ریسکِ نرخِ بهره و ریسکِ تورم) را مدل‌سازی کنند و اثرِ همزمانِ آن‌ها را بر صورت‌هایِ مالی شبیه‌سازی نمایند.
کاهشِ سوگیریِ انسانی: مدل‌ها با داده‌هایِ گسترده، سوگیری‌هایِ شناختیِ مدیران را به حداقل می‌رسانند.

ه) پاسخ به ریسک (تصمیم‌گیریِ بهینه و خودکار)
پس از ارزیابی، نوبت به انتخابِ پاسخ می‌رسد. هوش مصنوعی می‌تواند برای هر ریسکِ شناسایی‌شده، گزینه‌هایِ مختلفِ پاسخ (کاهش، انتقال، اجتناب یا پذیرش) را با هزینه‌یِ هرکدام محاسبه کند و بهینه‌ترین ترکیب را پیشنهاد دهد. در برخی موارد، حتی می‌تواند پاسخ‌هایِ از پیش‌تعیین‌شده (مثلاً تعدیلِ خودکارِ موقعیتِ ارزی یا فعال‌سازیِ خطوطِ اعتباریِ اضطراری) را به‌صورتِ خودکار اجرا کند.

۳. مدیریت یکپارچه؛ جایی که هوش مصنوعی، حلقه‌هایِ گم‌شده را به هم متصل می‌کند
ارزشِ واقعیِ هوش مصنوعی در ERM، زمانی آشکار می‌شود که این پنج مؤلفه را به هم متصل می‌کند. در رویکردِ سنتی، هر واحد (مالی، عملیات، فناوری اطلاعات، حقوقی) ریسک‌هایِ خود را به‌طورِ مجزا مدیریت می‌کرد. اما هوش مصنوعی به عنوان یک «پلِ داده‌ای» عمل می‌کند و اطلاعاتِ ریسک را از تمامِ نقاطِ سازمان جمع‌آوری، تلفیق و تحلیل می‌نماید. نتیجه، یک داشبوردِ یکپارچه از ریسک‌هایِ سازمان است که مدیرعامل و هیئت‌مدیره می‌توانند در یک نگاه، هم تصویرِ کلان را ببینند و هم به جزئیاتِ هر ریسک نفوذ کنند.
این یکپارچگی، مزایایِ راهبردیِ زیر را به همراه دارد:
اولویت‌بندیِ پویا: با تغییرِ شرایط، اولویتِ ریسک‌ها به‌صورتِ خودکار به‌روز می‌شود.
تخصیصِ بهینه‌ی سرمایه: سرمایه‌ی محدودِ سازمان، به سمتِ ریسک‌هایی هدایت می‌شود که بیشترین اثر را بر اهدافِ راهبردی دارند.
شفافیتِ کامل برای ذی‌نفعان: گزارش‌هایِ شفاف و مبتنی بر داده، اعتمادِ سهامداران، بانک‌ها و ناظران را جلب می‌کند.

۴. نقشِ نوینِ مدیر مالی/ریسک؛ از انطباق‌گر تا معمارِ تاب‌آوری
با این تحولات، نقشِ مدیر مالی (که به‌طورِ سنتی مسئولیتِ ریسک‌هایِ مالی را بر عهده داشته) به مدیرِ یکپارچه‌ی ریسک شرکتی ارتقا می‌یابد. او دیگر فقط بر ریسک‌هایِ اعتباری، نقدینگی و بازار نظارت نمی‌کند، بلکه با اتکا به هوش مصنوعی، ریسک‌هایِ عملیاتی، راهبردی و حتی ریسک‌هایِ نوظهور (Emerging Risks) را نیز در چارچوبِ کوزو مدیریت می‌کند.

مهارت‌هایِ کلیدیِ این مدیرِ نوین عبارتند از:
سوادِ داده (Data Literacy): تواناییِ درک، تفسیر و چالش با خروجی‌هایِ مدل‌هایِ هوش مصنوعی.
تفکرِ سیستمی: درکِ وابستگی‌هایِ میانِ ریسک‌ها و پیامدهایِ دومینووارِ آن‌ها.

مهارتِ روایت‌گری (Storytelling): تبدیلِ اعداد و مدل‌هایِ پیچیده به روایتِ ساده و قانع‌کننده برای هیئت‌مدیره.
حکمرانیِ الگوریتم: اطمینان از شفافیت، انصاف و امنیتِ مدل‌هایِ هوش مصنوعیِ مورد استفاده در مدیریت ریسک.

۵. هشدار؛ مخاطراتِ استفاده از هوش مصنوعی در مدیریت ریسک
همان‌طورکه هوش مصنوعی به کمکِ مدیریت ریسک می‌آید، خود نیز منبعِ ریسک‌هایِ جدیدی می‌شود. از جمله:
ریسکِ داده (Data Risk): مدل‌ها با داده‌هایِ ناقص یا سوگی‌دار، نتایجِ گمراه‌کننده تولید می‌کنند.
ریسکِ «جعبه‌سیاه» (Black Box Risk): غیرقابل‌توضیح‌بودنِ برخی مدل‌ها، اعتمادِ ذی‌نفعان را خدشه‌دار می‌کند.
ریسکِ امنیتِ سایبری: حملات به مدل‌ها یا دستکاریِ داده‌هایِ ورودی (Data Poisoning) می‌تواند کل سیستمِ مدیریت ریسک را مختل کند.
ریسکِ وابستگیِ بیش‌ازحد: اتکایِ کامل به الگوریتم، تواناییِ قضاوتِ مستقلِ انسانی را تضعیف می‌کند.
بنابراین، مدیرِ یکپارچه‌ی ریسک، باید علاوه بر پیاده‌سازیِ هوش مصنوعی، چارچوبی برای حکمرانیِ خودِ هوش مصنوعی نیز طراحی کند و اطمینان حاصل نماید که این ابزار قدرتمند، تحت نظارتِ انسانیِ مستمر قرار دارد.

۶. جمع‌بندی؛ آینده‌ای که با تلفیقِ کوزو و هوش مصنوعی ساخته می‌شود
مدیریت یکپارچه ریسک شرکتی در عصر هوش مصنوعی، دیگر یک فرآیندِ اداری و انطباق‌محور نیست؛ بلکه به هسته‌ی راهبردیِ تصمیم‌گیری در سازمان تبدیل می‌شود. چارچوبِ کوزو، با نگاهِ جامعِ خود به ریسک، بسترِ مناسبی برای پیاده‌سازیِ هوشمندانه‌ی این فناوری فراهم می‌آورد. هوش مصنوعی نیز با توانایی‌هایِ بی‌نظیرِ خود در تحلیلِ داده، پیش‌بینی و یکپارچه‌سازی، اجرایِ مؤثرِ این چارچوب را امکان‌پذیر می‌سازد.
موفق‌ترین سازمان‌هایِ فردا، آنهایی خواهند بود که نه تنها ریسک‌ها را مدیریت می‌کنند، بلکه از ریسک‌ها به عنوان منبعی برای ایجادِ ارزش و مزیتِ رقابتی استفاده می‌نمایند. مدیرانی که بتوانند تعاملِ هوشمندانه‌ای میانِ الگوریتم‌هایِ پیش‌بینی‌کننده و قضاوتِ انسانی برقرار کنند، معماریِ تاب‌آوریِ سازمان را در دنیایی که هر روز غیرقابل‌پیش‌بینی‌تر می‌شود، تضمین خواهند کرد.

«مدیریت ریسکِ نوین، نه در دایره‌هایِ رنگیِ ماتریسِ احتمال-تأثیر، که در تحلیلِ لحظه‌ایِ داده‌ها و قضاوتِ شجاعانه‌ی انسانی برای مواجهه با عدم‌قطعیت، معنا می‌یابد.»

آمارگیر وبلاگ

hoosh masnooei

مدیریت مالی در عصر هوش مصنوعی؛ از گزارش‌گری گذشته تا معماری آینده

مدیریت مالی در عصر هوش مصنوعی؛ از گزارش‌گری گذشته تا معماری آینده
در سال‌های اخیر، هر موج تازه‌ای از فناوری، این پرسش را داغ کرده که «آیا این بار نقش مدیران کمرنگ‌تر می‌شود؟» از سیستم‌های برنامه‌ریزی منابع سازمانی (ERP) گرفته تا داشبوردهای هوش تجاری (BI)، همه نویدِ کاهش وابستگی به قضاوت انسانی را داده‌اند. اما هوش مصنوعی، برخلاف تمام پیشینیان، نه فقط یک ابزارِ کارآمدتر، بلکه یک پارادایمِ تازه در ذاتِ مدیریت است. این پرسش که «آیا هوش مصنوعی جای مدیر مالی را می‌گیرد؟»، پرسش درستی نیست؛ پرسشِ اصلی این است: مدیر مالیِ آینده، با چه منطقی و با چه مهارت‌هایی، در کنارِ هوش مصنوعی تعریف خواهد شد؟

۱. ارزشِ گم‌شده؛ مدیر مالیِ امروز، اسیرِ داده‌های دیروز
در بسیاری از سازمان‌ها، واحد مالی هنوز به عنوان یک «مرکز هزینه» دیده می‌شود که وظیفه‌اش ثبت، تلخیص و گزارش‌دهیِ رویدادهای گذشته است. جمع‌آوری فاکتورها، تطبیق حساب‌ها، تهیه‌ی صورت‌های مالی و کنترل پرداخت‌ها، گرچه ضروری‌اند، اما در بهترین حالت، تصویری از «اتفاقِ افتاده» ارائه می‌دهند. مدیر مالی اغلب شبیه به یک آیینه گذشته‌نگر است؛ آنچه را که رخ داده، منعکس می‌کند، اما نه در شکل‌دهیِ آینده نقشی دارد و نه در تحلیلِ لحظه‌ایِ موقعیت.
هوش مصنوعی دقیقاً این نقطه را هدف قرار می‌دهد. الگوریتم‌های یادگیری ماشین می‌توانند در کسری از ثانیه، هزاران تراکنش را ردیابی، الگوهای پنهانِ خطا یا تقلب را کشف کنند و حتی اثرِ سناریوهای مختلف را بر جریان نقدیِ شرکت شبیه‌سازی نمایند. بنابراین، نخستین دستاوردِ هوش مصنوعی، آزادسازیِ مدیر مالی از انبوهِ داده‌هایِ خام است تا بتواند انرژی خود را صرفِ تفسیرِ راهبردیِ آن داده‌ها کند.
۲. از پاسخ‌گویی به پرسش‌گری؛ مهارتِ کلیدیِ آینده
وقتی هوش مصنوعی بتواند پاسخ‌های متعددی برای یک مسئله‌ی مالی تولید کند (مثلاً بهترین ترکیبِ تأمین مالی یا بهینه‌ترین زمانِ سرمایه‌گذاری)، ارزشِ مدیر مالی دیگر در «دانستنِ پاسخ» نیست، بلکه در «پرسیدنِ پرسشِ درست» است. کدام ریسک‌ها را باید مدل‌سازی کرد؟ چه داده‌هایی ممکن است دچار سوگیری باشند؟ آیا پیش‌بینیِ الگوریتم با منطقِ اقتصادیِ صنعتِ ما سازگار است؟
هوش مصنوعی دامنه‌ی انتخاب‌ها را گسترده‌تر و شفاف‌تر می‌کند، اما بارِ مسئولیتِ انتخابِ نهایی، همچنان بر دوشِ مدیر انسانی است. این نقطه‌ی اوجِ تمایز است: ماشین محاسبه می‌کند، اما انسان قضاوتِ مبتنی بر تجربه، اخلاق و درکِ بافتِ سازمانی را به کار می‌گیرد.
۳. از نگهبانِ هزینه‌ها به شریکِ استراتژیکِ مدیرعامل
نقشِ سنتیِ مدیر مالی، نظارت بر انضباطِ مالی و تضمینِ سلامتِ گزارش‌ها بود. اما در سازمانِ آینده، از او انتظار می‌رود که به معمارِ رشد و هشداردهنده‌ی ریسک تبدیل شود. او با استفاده از تحلیل‌های مبتنی بر هوش مصنوعی، می‌تواند:
فرصت‌های پنهانِ بازار را پیش از رقبا شناسایی کند.
ریسک‌های زنجیره‌ی تأمین یا تغییراتِ نرخ ارز را شبیه‌سازی نماید.
سناریوهایِ سرمایه‌گذاری را با دقتی بی‌سابقه مقایسه کند.
در این چارچوب، مرز میان واحد مالی و سایر بخش‌ها (بازاریابی، عملیات، منابع انسانی) کمرنگ می‌شود. مدیر مالیِ نوین، نه فقط بر اعداد و ارقام، که بر منطقِ اقتصادیِ کلِ سازمان مسلط خواهد بود و داده‌هایِ پراکنده را به تصمیم‌هایی منسجم پیوند می‌زند.
۴. چالش‌های پنهان؛ از سوگیریِ داده تا جعبه‌سیاهِ الگوریتم
این تحول، بی‌مخاطره نیست. الگوریتم‌ها به اندازه‌ی داده‌هایی که با آنها تغذیه می‌شوند، قابل اعتمادند. داده‌های ناقص، مدل‌های نامناسب یا سوگیری‌های پنهان در داده‌های تاریخی، می‌توانند تصمیم‌های مالی را به انحراف بکشند. اما عمیق‌تر از آن، چالش «شفافیتِ الگوریتم» (Black Box) است. وقتی مدیر مالی نتواند به هیئت‌مدیره توضیح دهد که چرا الگوریتمِ پیشنهاددهنده، یک دارایی را می‌فروشد یا در پروژه‌ای سرمایه‌گذاری می‌کند، اعتمادِ سازمانی از بین می‌رود.
بنابراین، مدیر مالیِ آینده باید زبانِ فناوری را بفهمد؛ نه به مثابه یک برنامه‌نویس، بلکه به عنوان کسی که می‌داند مدل‌های پیش‌بینی‌کننده چگونه کار می‌کنند، محدودیت‌هایشان کجاست و چگونه باید بر فرآیندِ تصمیم‌گیریِ الگوریتمی، نظارت و حکمرانی کرد. حکمرانیِ داده، امنیتِ سایبری و شفافیتِ مدل، به اندازه‌ی دانشِ حسابداری، جزءِ مهارت‌هایِ ضروری او خواهد شد.
۵. یک سوءبرداشتِ ریشه‌دار؛ آیا هوش مصنوعی جایِ تجربه را می‌گیرد؟
بزرگ‌ترین خطا در مواجهه با هوش مصنوعی، این باور است که این فناوری جایگزینِ تجربه و شهودِ انسانی می‌شود. تاریخِ مدیریت نشان داده که هر فناوریِ جدید، برخی مهارت‌ها را کمرنگ و برخی دیگر را برجسته‌تر کرده است. ماشین‌حساب، حسابدار را حذف نکرد؛ او را از محاسباتِ دستی رها کرد و به سمتِ تحلیل‌هایِ سطحِ بالاتر سوق داد. نرم‌افزارهایِ مالی نیز مدیران مالی را از میان نبردند؛ آنان را از گزارش‌گیریِ خسته‌کننده، به مشاوره‌ی راهبردی تبدیل کردند.
هوش مصنوعی نیز از همین قاعده پیروی می‌کند. آنچه حذف می‌شود، بخشی از فعالیت‌هایی است که امروز هسته‌ی اصلیِ این حرفه به حساب می‌آیند؛ اما آنچه پدید می‌آید، نقشی بسیار تأثیرگذارتر، راهبردی‌تر و مبتنی بر قضاوتِ انسانیِ مسلح به داده است.
۶. مدیر مالیِ آینده؛ زاده‌ی تعاملِ انسان و الگوریتم
پرسشِ اصلی این نیست که آیا هوش مصنوعی جایگزین مدیر مالی می‌شود یا خیر. پرسشِ این است که کدام مدیران مالی آماده‌ی پذیرشِ این تحول هستند؟ سازمان‌ها به مدیرانی نیاز دارند که:
هم زبانِ صورت‌های مالی را بفهمند، هم منطقِ الگوریتم‌ها را.
هم به داده‌ها مسلط باشند، هم به روایتِ اقتصادیِ پشتِ داده‌ها.
هم قدرتِ پیش‌بینیِ ماشین را بپذیرند، هم مسئولیتِ انتخابِ نهایی را بر عهده بگیرند.
مدیر مالیِ آینده، نه صرفاً یک «تفسیرکنندهٔ داده» که یک «معمارِ تصمیم» است. او با اتکا به هوش مصنوعی، افق‌های دورتر را می‌بیند و سازمان را برای مواجهه با فردا آماده می‌کند. موفق‌ترین مدیران مالی، آنهایی خواهند بود که از دلِ داده‌ها، روایتِ آینده را استخراج کنند و با قضاوتِ انسانیِ خود، آن روایت را به اقدامِ راهبردی بدل سازند.
«مدیر مالیِ نوین، نه با انبوهی از گزارش‌ها، که با چشمی باز به افق و دستی بر شانه‌ی الگوریتم، مسیرِ سرمایه را در عدم‌قطعیتِ فردا هموار می‌کند.»
اسمعیل حسن آبادی
کارشناس مالی اعتباری و بازاریابی خدمات بانکی

آمارگیر وبلاگ

hoosh masnooei

​​​​​​​  هم‌افزایی انسان و هوش‌مصنوعی   پیمان شمس*در سال‌های اخیر، هوش مصنوعی از یک مفهوم تخصصی در ح

هم‌افزایی انسان و هوش‌مصنوعی

پیمان شمس*

در سال‌های اخیر، هوش مصنوعی از یک مفهوم تخصصی در حوزه فناوری، به یکی از مهم‌ترین موضوعات مدیریتی در جهان تبدیل شده است. مدیران در صنایع مختلف به دنبال پاسخ یک سوال اساسی هستند: «هوش مصنوعی چگونه می‌تواند سازمان ما را رقابتی‌تر، سریع‌تر و بهره‌ورتر کند؟»

سرمایه‌گذاری روی ابزارهای هوش مصنوعی، توسعه زیرساخت‌های دیجیتال و استفاده از الگوریتم‌های هوشمند، بدون تردید بخش مهمی از آینده کسب‌وکارها خواهد بود؛ اما یک واقعیت مهم وجود دارد که نباید از آن غافل شد: فناوری به‌تنهایی سازمان‌ها را متحول نمی‌کند؛ انسان‌ها هستند که فناوری را به ارزش تبدیل می‌کنند. تجربه تحول‌های بزرگ سازمانی در دهه‌های گذشته نشان داده که موفقیت فناوری، بیش از آنکه به قدرت ابزار وابسته باشد، به میزان آمادگی سازمان و سرمایه انسانی آن بستگی دارد. هوش مصنوعی می‌تواند حجم عظیمی از داده‌ها را تحلیل کند، فرآیندهای تکراری را خودکار سازد و سرعت تصمیم‌گیری را افزایش دهد؛ اما همچنان این انسان است که مساله درست را تعریف می‌کند، سوال مناسب را مطرح می‌کند، بینش ایجاد می‌کند و تصمیم‌های ارزش‌آفرین می‌گیرد.

تغییر اصلی

یکی از نگرانی‌های رایج درباره هوش مصنوعی، جایگزین شدن انسان توسط ماشین است. این نگرانی قابل درک است؛ اما نگاه دقیق‌تر نشان می‌دهد که مساله اصلی آینده کار، حذف انسان نیست، بلکه تغییر نقش انسان در سازمان‌هاست.

کارکنانی که توانایی استفاده از ابزارهای هوش مصنوعی را یاد می‌گیرند، می‌توانند تصمیم‌های دقیق‌تر، سریع‌تر و خلاقانه‌تری بگیرند.

در مقابل، سازمان‌هایی که فقط فناوری خریداری می‌کنند اما برای توسعه مهارت کارکنان برنامه‌ای ندارند، بخش بزرگی از ظرفیت این تحول را از دست خواهند داد.

آینده متعلق به کسانی نیست که با هوش مصنوعی رقابت می‌کنند؛ بلکه متعلق به کسانی است که یاد می‌گیرند چگونه در کنار آن کار کنند.

حلقه مفقوده تحول هوشمند

بسیاری از پروژه‌های تحول دیجیتال، نه به دلیل ضعف فناوری، بلکه به دلیل آماده نبودن فرهنگ سازمانی و کارکنان با شکست مواجه می‌شوند. وقتی کارکنان ندانند فناوری جدید چه مساله‌ای را حل می‌کند، چه فرصتی برای رشد آنها ایجاد می‌کند و چگونه می‌توانند از آن استفاده کنند، مقاومت طبیعی شکل خواهد گرفت.

به همین دلیل، سازمان‌ها باید در کنار سرمایه‌گذاری فناورانه، روی چهار حوزه مهم نیز تمرکز کنند:

آمارگیر وبلاگ

hoosh masnooei

هوش مصنوعی مولد، کسی را متخصص نمی‌کند

تکنولوژی شکاف مهارت‌ها را کم می‌کند، اما هنوز نمی‌تواند جایگزین تجربه دنیای واقعی شود؛

هوش مصنوعی مولد، کسی را متخصص نمی‌کند

منبع: HBR * مدرس دانشگاه مترجم: رضا کارزار جدی‌وند * [email protected]

مدیران امروزه مطمئن هستند هوش مصنوعی مولد (Gen AI) می‌تواند در زمینه‌های مختلف، از حق نشر گرفته تا توسعه نرم‌افزار، به کارکنان کمک کند مسوولیت‌های بزرگ‌تری را بر عهده بگیرند. تحقیقات پروفسور دیوید آتور و همکارانش از دانشگاه MIT نشان داده هوش مصنوعی مولد مدت ‌زمان لازم برای یادگیری و تسلط افراد تازه‌کار بر مهارت‌های مورد نیاز جهت انجام وظایف جدید را کاهش می‌دهد. اما هنوز چیزهای زیادی در مورد پتانسیل این تکنولوژی برای ارتقای مهارت کارکنان نمی‌دانیم، از جمله این سوال کلیدی: آیا هوش مصنوعی مولد می‌تواند به کارکنان کمک کند وظایف را به خوبی متخصصان انجام دهند.

برای پاسخ به این سوال، محققان دانشگاه استنفورد و موسسه طراحی داده‌های دیجیتال دانشکده کسب‌وکار‌ هاروارد، یک آزمایش کنترل‌شده با ۷۸کارمند در گروه IG، یک شرکت فین‌تک مستقر در بریتانیا، انجام دادند. آنها کارکنان را در سه گروه قرار دادند: متخصصان، افراد خارجی نزدیک و افراد خارجی دور. متخصصان نویسندگانی بودند که مرتب برای وب‌سایت IG مقاله می‌نوشتند.

افراد خارجی نزدیک، متخصصان بازاریابی از بخش نویسندگان بودند که هیچ تجربه مقاله‌نویسی نداشتند، اما از آنچه نویسندگان انجام می‌دادند، درک کلی داشتند. افراد خارجی دور، توسعه‌دهندگان و دانشمندان داده بودند که سابقه بازاریابی یا نویسندگی نداشتند. از هر گروه خواسته شد دو وظیفه را انجام دهند: مفهوم‌سازی و نوشتن مقاله‌ای مانند آنچه در وب‌سایت شرکت یافت می‌شود. محققان به طور تصادفی هوش مصنوعی مولد را برای کمک به برخی از شرکت‌کنندگان اختصاص دادند. سپس مدیران IG نتایج هر تکلیف را در مقیاسی از ۱ (پایین‌ترین نمره) تا ۵ (بالاترین نمره) ارزیابی کردند.

هنگام مفهوم‌سازی مقاله بدون کمک‌هوش مصنوعی مولد، نویسندگان بالاترین میانگین امتیاز (۳.۸۲) را کسب کردند و پس از آنها متخصصان بازاریابی (۳.۰۴) و متخصصان تکنولوژی (۳.۰۲) قرار گرفتند. این نتایج شکاف مهارتی قابل‌توجهی را بین متخصصان و سایرین نشان داد. با این حال، وقتی هوش مصنوعی مولد به کمک افراد مورد بررسی آمد، این شکاف کاهش یافت: مفاهیم توسعه‌یافته توسط نویسندگان به طور متوسط ​​۴.۱۲ امتیاز کسب کردند، درحالی‌که مفاهیم توسعه‌یافته توسط متخصصان بازاریابی و تکنولوژی به ترتیب ۴.۱۸ و ۴.۰۵ امتیاز کسب کردند. به عبارت دیگر، بازاریاب‌هایی که از هوش‌مصنوعی استفاده می‌کردند، نسبت به نویسندگانی که از هوش مصنوعی استفاده می‌کردند، کمی عملکرد بهتری داشتند.

و هر سه گروهی که از هوش مصنوعی استفاده می‌کردند، نسبت به نویسندگانی که از آن استفاده نمی‌کردند، عملکرد بهتری داشتند. وقتی صحبت از نوشتن مقالات شد، نتایج متفاوت بود. بدون هوش مصنوعی مولد، نویسندگان بهترین عملکرد را در بین همه گروه‌ها داشتند. حتی استفاده از هوش مصنوعی هم نمی‌توانست به افراد غیرمتخصص کمک کند همان کیفیت کار متخصصان را تولید کنند. همان‌طور که پیش‌بینی می‌شد، نویسندگان بهترین عملکرد را در بین کسانی که از این تکنولوژی استفاده می‌کردند، داشتند (به طور متوسط ​​۳.۹۶). متخصصان بازاریابی که از هوش مصنوعی کمک می‌گرفتند، با اختلاف کمی عقب بودند (۳.۹۲). اما متخصصان تکنولوژی که از هوش مصنوعی کمک می‌گرفتند، عملکرد خوبی نداشتند.

در واقع، نمرات آنها با و بدون هوش مصنوعی مولد اساسا یکسان بود (به ترتیب ۳.۳۸ و ۳.۴۲).

دیوار هوش مصنوعی مولد

چرا هوش مصنوعی مولد عملکرد یک کار را بیشتر از کار دیگر افزایش داد و به متخصصان تکنولوژی در نوشتن چندان کمکی نکرد؟

پس از انجام مصاحبه با شرکت‌کنندگان، محققان به این نتیجه رسیدند که هر چه کارکنان از دانش مورد نیاز برای یک کار دورتر باشند، احتمال کمتری دارد که به خوبی همکاران دارای تخصص مرتبط عمل کنند؛ حتی با کمک هوش مصنوعی مولد. افراد غیرمتخصصی که از هوش مصنوعی بهره می‌بردند، در ایده‌پردازی عملکرد بهتری داشتند، چون این کار نسبت به نویسندگی به تخصص کمتری نیاز داشت. افراد فقط باید درک می‌کردند که آیا موضوع پیشنهادی به اندازه کافی خوب است یا خیر. با این حال، نوشتن یک مقاله شامل دانستن نحوه انتقال پیام مورد نظر به زبان صحیح بود. یکی از شرکت‌کنندگان، استعاره‌ای برای نشان دادن این تمایز ارائه داد: مفهوم‌سازی مانند تصور دویدن در یک ماراتن است، اما نوشتن مانند دویدن واقعی است که به سطح کاملا متفاوتی از تخصص نیاز دارد. و محققان دریافتند که تخصص همان چیزی است که به انسان‌ها اجازه می‌دهد به طور موثرتری با ابزارهای هوش مصنوعی همکاری کنند.

متخصصان بازاریابی زبان عمومی مورد استفاده نویسندگان را درک می‌کردند و در حوزه مربوطه برای اصلاح محتوای تولیدشده توسط هوش مصنوعی مولد، دانش کافی داشتند. اما متخصصان تکنولوژی (که کارشان هیچ ارتباطی با نویسندگی نداشت) نمی‌توانستند به طور موثر از پیشنهادهای هوش مصنوعی استفاده کنند یا آنها را بهبود بخشند. آنها فاقد شهود و دانش لازم برای تصمیم‌گیری خوب در این مورد بودند که از چه زبانی استفاده کنند و چه چیزی را کنار بگذارند. محققان این پدیده را «دیوار هوش مصنوعی» نامیدند؛ محدودیتی که هوش مصنوعی مولد می‌تواند به افراد در انجام وظایف خارج از حوزه تخصصشان کمک کند.

این یافته، برای نحوه استقرار ابزارهای هوش مصنوعی مولد توسط سازمان‌ها پیامدهایی دارد و این دیدگاه را به پرسش می‌کشد که این تکنولوژی می‌تواند سلسله‌مراتب مهارت‌ها را هموار کند و پدیده‌ای را که دانشگاهیان «جاری‌بودن وظیفه جهانی» می‌نامند، فعال سازد.

در عوض، محققان ادعا می‌کنند که اثربخشی هوش مصنوعی مولد به فاصله تخصص بین کاربر و حوزه وظیفه بستگی دارد. آنها استدلال می‌کنند که دیوار هوش مصنوعی فراتر از زمینه نویسندگان و متخصصان تکنولوژی مرتبط است.

محققان دو روش برتر را برای هماهنگ کردن هوش مصنوعی مولد با کارکنانی در سطوح مختلف تخصص توصیه می‌کنند:

۱- توانایی‌های هوش مصنوعی مولد را بیش از حد ارزیابی نکنید.

بسیار مهم است که کارکنان در زمینه‌ای که هوش مصنوعی را در آن به کار می‌برند، درک کلی و تجربه‌ای داشته باشند. دانش آنها حداقل باید به اندازه‌ای گسترده باشد که بتوانند کار تولید شده توسط هوش مصنوعی را ارزیابی کنند و بهبود بخشند. به عنوان مثال، در طول مطالعه نگارش، بسیاری از متخصصان تکنولوژی به سادگی پیشنهادهای هوش مصنوعی مولد را در مقالات کپی و پیست می‌کردند، زیرا فاقد قضاوت دقیق برای تنظیم و ادغام زبان بودند. لوکا وندرامینلی، محقق فوق دکترای استنفورد که رهبری این مطالعه را بر عهده داشت، می‌گوید: «اگر هوش مصنوعی نتواند وظایف را به طور کامل خودکار کند، یک راه‌حل جادویی برای همه چیز در محل کار نیست. وقتی هوش مصنوعی نمی‌تواند به تنهایی کار را انجام دهد و جایگزین متخصصان می‌شود، به برخی افراد کمک می‌کند تا شکاف بین خود و متخصصان را کاهش دهند، اما فقط در موقعیت‌های خاص و زمانی که شرایط مناسب باشد. این یک راه‌حل یکسان برای همه نیست.»

۲- نحوه انجام کار را دوباره بررسی کنید.

در نظر بگیرید که پس از شروع استفاده موثر کارکنان از هوش مصنوعی مولد، سازمان شما چگونه باید تغییر کند. برای به دست آوردن بهره‌وری بیشتر، ممکن است کسب و کار نیاز به تغییر فرآیندها، رویکردهای تصمیم‌گیری و نحوه همکاری تیم‌ها داشته باشد. ابزارهای هوش مصنوعی مولد حتی ممکن است عناوین شغلی در زمینه‌های مرتبط، مانند متخصص و استراتژیست محتوا را محو کنند. با این حال، استفاده از آنها برای پر کردن شکاف‌های بزرگ‌تر - مانند شکاف‌های بین تیم‌های بازاریابی، فروش و محصول - بسیار دشوارتر است، زیرا این مشاغل به تخصص، بودجه و ساختارهای قدرت متفاوتی وابسته هستند. طراحی مشاغل به گونه‌ای گسترده‌تر و انعطاف‌پذیرتر می‌تواند به غلبه بر این چالش کمک کند، اما ایجاد این تغییر نیاز به تغییرات ساختاری و فرهنگی دارد.

و همان‌طور که هوش مصنوعی مولد را در گردش‌های کاری ادغام می‌کنید، زمینه انسانی را در نظر بگیرید: چه کسی از آن استفاده می‌کند؟ این افراد چه می‌دانند؟ چگونه خروجی‌های هوش مصنوعی را تفسیر و اصلاح می‌کنند؟ وندرامینلی می‌گوید: «هوش مصنوعی فقط می‌تواند افراد را تا حدی پیش ببرد. تخصص غیرقابل تکرار است. هیچ تکنولوژی‌ای نمی‌تواند جایگزین آن شود.»

میان‌بری به سوی تخصص

اولگا پیروگ، رئیس سابق بخش جهانی داده‌ها و تحول هوش مصنوعی در گروه IG، (شرکتی که این مطالعه نوشتاری در آن انجام شده)، چند سال را صرف استفاده از داده‌ها، تجزیه و تحلیل و هوش مصنوعی برای بهبود عملکرد کسب‌وکار کرده است. پیروگ در گفت‌وگو با نشریه کسب‌وکار ‌هاروارد، در مورد چگونگی کمک هوش مصنوعی مولد به بازاریابان برای نوشتن مقالاتی به خوبی نویسندگان حرفه‌ای گفته: «هوش مصنوعی مولد به آنها مهارت‌های عملی که فاقد آن بودند را داد. بازاریابان دانش بنیادی را داشتند، زیرا می‌دانستند محتوای خوب چگونه است. اما خودشان تجربه نوشتن آن را نداشتند. هوش مصنوعی مولد به عنوان یک پُل عمل کرد و به آنها اجازه داد با متخصصان ما برابری کنند. این امر هنر نویسندگی را برای کسانی که از قبل مفهوم بازاریابی را درک می‌کردند، دموکراتیک کرد.»

درسی که از این ماجرا می‌توان گرفت این است که هوش مصنوعی مولد، رسیدن به تخصص را کوتاه می‌کند، اما هنوز نمی‌تواند جایگزین تجربه دنیای واقعی شود. سیستم هوش مصنوعی پیش‌نویس‌های اولیه محکمی تولید کرد که پس از مطالعه، به نویسندگان متخصص کمک کرد مقالات را اصلاح کنند، لحن خود را تنظیم کنند و قبل از انتشار آنها مطمئن شوند که عناصر SEO آنها درست است.

پیروگ در پایان گفت: «دیدگاه من در مورد چگونگی کارکرد کارآموزی تغییر کرده است. قبلا فکر می‌کردم تنها راه یادگیری از طریق اجرای تاکتیک است، یعنی مرور صدها پیش‌نویس برای ایجاد حافظه سنتی. اما دیدیم برای افرادی که زمینه مناسبی دارند، هوش مصنوعی این اجرا را مدیریت می‌کند. تنگنای واقعی زمانی اتفاق می‌افتد که شما فاقد دانش بنیادی هستید و نمی‌توانید قضاوت کنید که آیا هوش مصنوعی درست است یا غلط. مدل آموزشی باید به سمتی تغییر کند که به افراد آموزش دهد چه چیزی برای بهبود نوشته می‌شود، نه اینکه به تازه‌کارها یاد بدهد که چطور بنویسند.»

آمارگیر وبلاگ

hoosh masnooei

هوش مصنوعی راندمان کار را بالا می‌برد /: معلوم نیست!

مدیران: هوش مصنوعی راندمان کار را بالا می‌برد کارکنان: معلوم نیست!

منبع: Wall Street Journal مترجم: مریم مرادخانی

از زمانی که استفاده از هوش مصنوعی در امور روزمره و کاری گسترش یافت، رهبران کسب‌وکارها همواره بر این باور بوده‌اند که این تکنولوژی، بهره‌وری را به طرز چشم‌گیری بالا می‌برد. اما حالا کارکنان می‌گویند واقعیت چیز دیگریست. کارکنان می‌گویند تا به این لحظه، هوش مصنوعی نتوانسته در زمانشان صرفه‌جویی کند. خیلی‌ها هم می‌گویند نمی‌دانند چطور از این تکنولوژی در امور کاریشان استفاده کنند و این، آنها را کلافه کرده. این در حالی‌است که شرکت‌ها دارند مبالغ هنگفتی را خرج هوش مصنوعی می‌کنند، به این امید که این تکنولوژی بتواند بسیاری از امور، از فروش گرفته تا کارهای اداری و پشت‌ صحنه را سرعت ببخشد و دوره‌ای جدید از کارآیی و رشد سود را رقم بزند.

طبق نظرسنجی اخیر شرکت مشاوره هوش مصنوعی Section از ۵ هزار کارمند «یقه‌سفید»، فاصله بین تصور مدیران ارشد و تجربه واقعی کارکنان از هوش مصنوعی، بسیار زیاد است.

دو سوم کارکنان می‌گویند زمانی که با کمک هوش مصنوعی، ذخیره کرده‌اند کمتر از دو ساعت در هفته است یا هوش مصنوعی هیچ تاثیری بر زمانشان نداشته. در مقابل، ۴۰ درصد مدیران ارشد گفته‌اند که این تکنولوژی بیش از ۸ساعت در هفته از وقتشان را آزاد کرده است.

استیو مک‌گاروی، طراح تجربه کاربری ساکن رالی در کارولینای شمالی می‌گوید: «فرض مدیران بر این است که هوش مصنوعی قرار است نجات دهنده باشد. بارها پیش آمده که برای حل یک مشکل، سراغ هوش مصنوعی LLM رفته‌ام و از آن راه‌حل خواسته‌ام، اما جواب‌هایی که برای مسائل مربوط به دسترسی‌پذیری داده، از اساس اشتباه بوده است.»

مک‌گاروی ۵۳ ساله می‌گوید بعضی کاربردهای مشخص هوش مصنوعی، مثل استفاده از Perplexity به‌عنوان دستیار پژوهشی، به او کمک کرده‌اند زمان قابل‌توجهی ذخیره کند. اما بخشی از کار او این است که مطمئن شود کاربران کم‌بینا یا نابینا بتوانند به وب‌سایت‌ها دسترسی داشته باشند. به گفته خودش، بارها مجبور شده در چندین نوبت برای یک روبات هوش مصنوعی توضیح دهد که چرا راه‌حل پیشنهادی‌اش اصلا جواب نمی‌دهد.

او می‌گوید: «اگر در حوزه‌ای که کار می‌کنی، قضاوت حرفه‌ای و قدرت تشخیص نداشته باشی، و صرفا متکی به این فرض باشی که هر چیزی که هوش مصنوعی می‌گوید درست است، ممکن است به تیمت یا مشتری‌ها آسیب بزنی.»

کارکنانی که در نظرسنجی Section شرکت کرده‌اند گفته‌اند بیش از اینکه بابت هوش مصنوعی هیجان‌زده باشند، احساس اضطراب یا فشار می‌کنند (درحالی‌که وضعیت برای مدیران ارشد، دقیقا برعکس بوده). ۴۰ درصد شرکت‌کنندگان گفتند مشکلی ندارند اگر دیگر هیچ وقت از هوش مصنوعی استفاده نکنند.

بیشتر افراد گفتند رایج‌ترین استفاده‌ای که از ابزارهای هوش مصنوعی می‌کنند، کارهای ابتدایی بوده. مثلا خیلی‌ها به جای سرچ در گوگل، حالا از هوش مصنوعی استفاده می‌کنند. یا برای تولید متن پیش‌نویس. استفاده از هوش مصنوعی برای کارهای پیچیده‌تری مثل تحلیل داده یا کدنویسی، خیلی کمتر گزارش شده.

شرکت نرم‌افزاری Workday در گزارش اخیر خود، تعبیر جالبی به کار برده و این مشکلات و ناامیدی‌ها را به «مالیات هوش مصنوعی بر بهره‌وری» تشبیه کرده است. گرچه ۸۵ درصد از حدود ۱۶۰۰کارمندی که این گزارش بررسی کرده، گفته‌اند با استفاده از هوش مصنوعی بین ۱ تا ۷ ساعت در هفته در زمان صرفه‌جویی کرده‌اند، اما بخش زیادی از این زمان، صرف اصلاح اشتباهات و دوباره‌کاری محتوای تولید شده توسط هوش مصنوعی شده و در واقع، از بین رفته است.

«دن‌هایستر»، مهندس تجربه کاربری ۴۴ ساله در سیاتل، می‌گوید بخشی از مشکل این است که نمی‌دانیم هوش مصنوعی چه کارهایی را خوب انجام می‌دهد و کجاها ممکن است اشتباه کند. تابستان گذشته،‌هایستر برای اصلاح یک کد، سراغ هوش مصنوعی رفت. او فکر می‌کرد کارش کمتر از نیم ساعت طول بکشد اما در نهایت، کل بعدازظهر طول کشید. از طرف دیگر، یک کار دیگر که قبلا چند روز طول می‌کشید، با کمک هوش مصنوعی مولد فقط ۲۰ دقیقه وقت او را گرفت. او می‌گوید: «این تجربه، کاملا دید من را نسبت به اینکه چطور باید زمان انجام یک کار را تخمین بزنم تغییر داده است.»

با وجود همه تغییراتی که هوش مصنوعی در کارها و عملیات کسب‌وکار ایجاد می‌کند، مدیران ارشد می‌گویند هنوز اثری روی سود واقعی شرکت‌ها نداشته. در یک نظرسنجی از مدیران عامل که در نشست سالانه مجمع جهانی اقتصاد در داووس سوئیس ارائه شد، تنها ۱۲درصد گفته‌اند که هوش مصنوعی هم باعث کاهش هزینه‌ها و هم افزایش درآمد شده. بیش از نیمی از نزدیک به ۴۵۰۰ مدیرعامل شرکت‌کننده در سراسر جهان هم گفته‌اند تاکنون منفعت مالی قابل‌توجهی از هوش مصنوعی ندیده‌اند.

برخی شرکت‌ها گزارش داده‌اند که ابتدا اقدامات جاه‌طلبانه‌ای در زمینه هوش مصنوعی انجام داده‌اند، اما بعدا به کمک انسان‌ها نیاز پیدا کرده‌اند. شرکت پرداخت Klarna در سال ۲۰۲۴ روی هوش مصنوعی حساب کرد تا کار صدها نیروی خدمات مشتری برون‌سپاری‌شده را با هوش مصنوعی جایگزین کند، اما بعدا دوباره مسیرش را تغییر داد و حدود دوازده نیروی انسانی کوتاه‌مدت برای پاسخ به پرسش‌های پیچیده‌تر استخدام کرد.

در نظرسنجی نشریه وال‌استریت‌ژورنال، ۶ نفر از هر ۱۰ نفر، هوش مصنوعی و فناوری‌های نو را تهدیدی برای اقتصاد آمریکا می‌دانند، چون ممکن است مشاغل پردرآمد را جایگزین کند. بقیه معتقد بودند هوش مصنوعی به محصولات جدید و افزایش بهره‌وری می‌انجامد.

سناتور مارک کلی می‌گوید: «مردم تردید دارند.» او افزوده حمایت گسترده از کارکنان برای آموزش هوش مصنوعی باعث می‌شود بیشتر مایل باشند از این فناوری استفاده کنند: «اگر صنعت، اعتماد عمومی کارکنان را به این تکنولوژی جلب کند، استفاده افزایش می‌یابد و شرکت‌ها از افزایش بهره‌وری بهره‌مند خواهند شد.»

آمارگیر وبلاگ