آیندهٔ شرکت

یادداشت نویسندگان: این دومین مقاله از مجموعهٔ ما دربارهٔ اقتصاد آینده است و بخشی از بستری جدید برای میزبانی دیدگاه‌های مستقل دربارهٔ آینده‌ای با AGI به شمار می‌رود. این مقاله بازتاب دیدگاه‌های ماست، نه OpenAI یا همکارانمان.

هر دوی ما بیست‌وچهارساله بودیم که مدیریت تیم‌های خودمان را اینجا در OpenAI آغاز کردیم. البته اگر با تیم‌هایمان آشنا شوید، این موضوع دیگر چندان چشمگیر نیست.

قاعدتاً باید کارهای پیش‌پاافتاده را انجام بدهیم. در بیست‌وچهارسالگی، روی پایین‌ترین پلهٔ نردبان سازمانی هستید. صورت‌جلسه می‌نویسید و چند یادداشت اداری تهیه می‌کنید. پس از سال‌ها کار ملال‌آور، امیدوارید مسئولیت‌های گسترده‌تری به شما سپرده شود.

اما مسیر ما، و مسیر بسیاری از جوانان امروز، شکل دیگری پیدا کرده است. از همان بدو ورود به بازار کار، «کارکنانی» در اختیار داریم. این دستیاران شب و روز، آخر هفته و تعطیلات کار می‌کنند. در انجام کارهای پیش‌پاافتاده عالی‌اند. حتی در میان همکارانمان برندگان مدال طلای المپیاد ریاضی داریم که به ما مشورت می‌دهند. این زیردستان تازه هنوز هم کم اشتباه نمی‌کنند. اما بهتر می‌شوند و نیازهای ما را می‌شناسند؛ ما هم یاد می‌گیریم چطور مدیریتشان کنیم.

هیچ‌کدام از ما از نردبان سازمانی بالا نرفتیم. در عوض، مدیریت تا پلهٔ ما پایین آمده است. این مقاله دربارهٔ ارتقای ما و راه‌های دیگری است که شرکت‌ها ممکن است با ورود به عصر هوش، ساختار خود را تغییر دهند.

هوش مصنوعی وقتی وارد شرکت می‌شود، کجا جای می‌گیرد؟ برای روشن شدن موضوع، سه سناریو مطرح می‌کنیم:

هیچ‌یک از این سناریوها دقیقاً مطابق توصیف ما پیش نخواهد رفت، اما فکر می‌کنیم جنبه‌هایی از هر سه محقق شود. نشانه‌های ظریفی از وقوع هر سه را همین حالا هم می‌بینیم.

تمرکز ما در اینجا بر خودکارسازی کامل نیست، بلکه بر اقتصادی در حال گذار است. می‌خواهیم ببینیم با پیشرفت هوش مصنوعی و تنیده شدن آن در سازمان‌های موجود، شرکت‌های آمیخته از انسان و هوش مصنوعی چه شکلی خواهند داشت.

به باور ما، مفهوم شرکت ترکیبی مهم است، چون به‌کارگیری بهره‌ورانهٔ هوش مصنوعی یک‌شبه اتفاق نمی‌افتد. وقتی مدل‌ها فقط بخشی از وظایف را انجام می‌دهند، شاید کارکنان ردهٔ پایه که با کار آشنا هستند راحت‌تر بتوانند آن‌ها را به کار بگیرند. وقتی مدل‌ها فعالیت‌های گسترده را از ابتدا تا انتها انجام دهند، مدیران بالادست می‌توانند مستقیماً از آن‌ها استفاده کنند. از نظر ما، هرچه هوش مصنوعی تواناتر باشد، به‌کارگیری‌اش آسان‌تر است: شرکت باید فناوری را یاد بگیرد، اما نیروی کار شرکت را می‌شناسد و خودش با آن سازگار می‌شود.

سه نوع جدید نمودار سازمانی را واکاوی می‌کنیم و سپس پیامدهایشان را برای آیندهٔ تشریفات اداری، اختیار کارکنان، اندازهٔ شرکت و نابرابری دستمزد بررسی خواهیم کرد.

سناریوی اول ظاهراً کمترین دگرگونی را ایجاد می‌کند. در این سناریو، افراد در جایگاه‌های قبلی و زیر نظر همان مدیران می‌مانند و ظاهراً همان کارهای پیشین را انجام می‌دهند. بخش انسانی نمودار سازمانی از امروز تا آن آینده ظاهراً تغییری نمی‌کند.

تفاوت، زیر پای ماست. زیر هر کارشناسِ بدون مسئولیت مدیریتی، نیروی کار تازه‌ای از هوش مصنوعی قرار می‌گیرد که به همان فرد پاسخ‌گوست. نمودار سازمانی‌مان صاحب یک زیرزمین می‌شود و همهٔ ما مدیر می‌شویم.

این زیرزمین در ابتدا نیمه‌کاره است. هرکدام با یکی دو عامل شروع می‌کنیم؛ نه چندان شبیه کارکنانی کارکشته، بلکه بیشتر شبیه کارآموزانی مشتاق که باید بر کارشان نظارت کنیم و اشتباهاتشان را آسان ببخشیم. توقعمان کم است: اینجا ایمیلی بفرستند، آنجا پیش‌نویس یادداشتی تهیه کنند و همه‌جا به پیام‌های Slack پاسخ دهند. مثل کارکنان انسانی تازه‌کار، در ابتدا اختیار کمی دارند و اعتماد چندانی به آن‌ها نداریم.

اما با پیشرفت مدل‌ها، عامل‌هایمان با نظارت کمتر، کارهای بیشتری بر عهده می‌گیرند. با یکدیگر هماهنگ می‌شوند. ممکن است هوش‌های مصنوعیِ مدیر و کارمند ساده، حسابدار و وکیل داشته باشید که همگی به خواست شما با هم کار می‌کنند. دیگر خبری از راه بردن قدم‌به‌قدم یک کارآموز نیست؛ مجموعه‌تان سرانجام شبیه شرکتی کوچک و مستقل می‌شود، با نمودار سازمانی خودش و شما در جایگاه هیئت‌مدیرهٔ آن.

توجه کنید که این سناریو لزوماً به معنای اخراج کارکنان نیست. در اینجا هوش مصنوعی را به کار می‌گیریم، بی‌آنکه جای خودمان را به آن بدهیم. در عوض، نقش گذشتهٔ خودمان را خودکار می‌کنیم و در سلسله‌مراتب بالاتر می‌رویم. هوش مصنوعی بخش بیشتری از کارهای سابق ما را بر عهده می‌گیرد. شغل‌هایمان باقی می‌مانند، چون کار بیشتری برای مدیریت هست و مسئولیت حجم بیشتری از خروجی را بر عهده می‌گیریم.

شغل‌ها ثابت نمی‌مانند⁠(در یک پنجره جدید باز می‌شود). فرض کنید هوش مصنوعی بتواند نود درصد کارهای قبلی شما را انجام دهد. شاید نتیجه بگیرید فقط ده درصد کار برایتان باقی مانده است. احتمال دیگر این است که هنوز یک شغل کامل دارید، اما شغلی متفاوت که حالا بر هدفی ده برابر بزرگ‌تر متمرکز است. این همان هدیهٔ همیشگی فناوری است: بهره‌وری بالا می‌رود، بلندپروازی همپای آن رشد می‌کند و همراه با بلندپروازی، دستمزدها هم می‌توانند افزایش یابند⁠(در یک پنجره جدید باز می‌شود).

همهٔ این‌ها به این بستگی دارد که آیا هنوز در تولید ارزش می‌آفرینیم⁠(در یک پنجره جدید باز می‌شود) یا نه. تمرکز این مقاله بر سال‌های پیش روست که خودکارسازی هنوز در همهٔ زمینه‌ها توانمند یا فراگیر نشده است. حتی اگر هوش مصنوعی بتواند همهٔ کارها را انجام دهد، شاید همچنان برای چیزی به این دلیل که ساختهٔ انسان است ارزش بیشتری قائل شویم، یا اصرار کنیم حرف آخر را انسان بزند.

این به میل ما به مصرف هم بستگی دارد. اگر ما مصرف‌کنندگان خواهان ده برابر محصول بیشتر نباشیم، تعادل به‌سوی کارکنان کمتر یا ساعت‌های کاری کمتر جابه‌جا می‌شود. در طول تاریخ، افزایش تولید ما را سیر نکرده است. بسیار بیشتر⁠(در یک پنجره جدید باز می‌شود) داریم، اما فقط کمی کمتر⁠(در یک پنجره جدید باز می‌شود) کار می‌کنیم. اگر با چند برابر شدن تولید، میل ما به مصرف هم همچنان رشد کند و هنوز در تولید ارزش‌افزا باشیم، انتخاب می‌کنیم باز هم کارمان را با مصرف بیشتر مبادله کنیم. اما اگر تولید چنان فراوان شود که سیر شویم، شاید به انتخاب خودمان نیروی کار کوچک‌تری داشته باشیم.

نقدهای دیگری هم هست که بعداً بررسی می‌کنیم؛ مثلاً اینکه آیا شرکت‌های کوچک‌تر اما بیشتری خواهیم داشت یا نه. بااین‌حال، این سناریو را مهم می‌دانیم، چون به‌کارگیری باید از جایی شروع شود. شرکت‌ها به راهی نیاز دارند تا از ساختار سازمانی فعلی‌شان به‌شکلی باثبات تکامل پیدا کنند. تقویت کار کارکنان فعلی شاید گام نخست آسان‌تری از بازسازی کامل ساختار باشد. امروز این را در عمل می‌بینیم: کارکنان یکی پس از دیگری کار را به هوش مصنوعی می‌سپارند، بی‌آنکه تا اینجا انقلاب سازمانی رخ داده باشد.

این سناریو بر این فرض استوار است که استخدام ابتدا از خط مقدم شروع شود. کارکنان ردهٔ پایه، نه مدیران و مدیران ارشد، پیشگام به‌کارگیری هوش مصنوعی می‌شوند. تا وقتی کسی که قبلاً خودش کار را انجام می‌داد بهتر از هرکس بتواند هوش مصنوعی را به انجام آن وادارد، این روند محتمل به نظر می‌رسد.

مدل‌ها همین حالا می‌توانند بسیاری از وظایف علم داده را خودکار کنند، اما رئیس واحدی که با روش‌ها و ریزه‌کاری‌ها آشنا نیست، برای بهره‌گیری از این ابزارها به مشکل می‌خورد. تا وقتی هوش مصنوعی آن‌قدر پیش‌دست نشود که نادانسته‌هایتان را به شما بگوید (سناریوی بعد را ببینید)، احتمالاً برای کسانی بهتر کار می‌کند که از قبل با شیوهٔ انجام کار آشنا هستند.

بزرگ‌ترین تغییر در این سناریو نصیب کارکنان تازه‌کار می‌شود. دیگر پایین‌ترین پله‌ای وجود نخواهد داشت، دست‌کم نه برای انسان‌ها. وقتی جوانان را استخدام می‌کنیم، قرار نیست آن‌ها را به پایین‌ترین بخش ملال‌آور شرکت بفرستیم. آن جایگاه‌ها را چیزی پر می‌کند که از این کار ناراضی نمی‌شود.

با این تغییر، بعضی مسیرهای سنتی آموزش کارکنان جوان را از دست می‌دهیم: شاگردی⁠(در یک پنجره جدید باز می‌شود)، یادگیری با کارهای پیش‌پاافتاده و اثبات شایستگی با پشت سر گذاشتن سختی‌ها. این‌ها هزینه‌های واقعی‌اند، اما ما این تغییر را بیشتر یک امتیاز می‌بینیم. حتی بی‌تجربه‌ترین نیروی تازه‌استخدام، اگر ایدهٔ خوبی داشته باشد، منابعی برای آزمودنش در اختیار دارد. قدیمی‌ترین بهانهٔ محل کار، نیروی کافی نداریم، دارد از اعتبار می‌افتد. کارمند تازه‌کاری که ایدهٔ یک بازی ویدئویی عالی در سر دارد و راهی برای گرفتن نیروی کار ندارد، حالا می‌تواند خودش آن را بسازد.

از نظر ما، در سناریوی «ارتقا» هنوز چیزهای زیادی برای آموختن کارکنان تازه‌کار هست: قضاوت، سلیقه، توان مدیریت و بینش خلاقانه. انگیزه خواهیم داشت این مهارت‌ها را پرورش دهیم، چون در حاصل کارمان دیده می‌شوند. هنوز هم با انجام دادن یاد می‌گیریم⁠(در یک پنجره جدید باز می‌شود)، اما در دامنه‌ای گسترده‌تر. پیشکسوتان شرکت هم همچنان انگیزه دارند راهنمای مسئولیت‌پذیر ما باشند، چون از موفقیت ما سهم می‌برند. فرصت اینجاست: نقشی جذاب‌تر و چالش‌برانگیزتر برای همه، در هر پله. هر کارمند می‌تواند با مسئولیت‌های گسترده‌تر استعدادهایش را نشان دهد؛ این برای تازه‌کارانی که پیش‌تر هیچ حیطهٔ اختیاری نداشتند، بیش از همه اهمیت دارد.

دومین مسیر ورود هوش مصنوعی به شرکت، از میان نمودار سازمانی موجود می‌گذرد. اینجا عامل‌ها پایین‌دست‌ترین نیروها نیستند، بلکه همکارند. یک مدیر سنتی بخشی از کار تیم را به مدل می‌سپارد، درست همان‌طور که به هر کارمند دیگری واگذار می‌کند. هوش مصنوعی کنار انسان‌ها جا می‌گیرد، نه فقط زیر دست آن‌ها.

تفاوت اصلی با سناریوی اول این است: اینجا هوش مصنوعی مولد را مدیران انسانیِ فعلی به کار می‌گیرند، نه فقط کارشناسان فعلیِ بدون مسئولیت مدیریتی. برای این کار، باید آن‌قدر توانمند باشد که عضو تمام‌عیار تیم شود.

انسان‌ها همه‌فن‌حریف‌اند. چکش در یک کار کمک می‌کند؛ انسان کارهای بسیار بیشتری انجام می‌دهد. سفر هوش مصنوعی از ابزار به نیروی کار، گسترش دامنه است: خودکارسازیِ وظیفه، سپس شغل، بعد تیم و سرانجام شرکت. هر گام در گسترش دامنه، توانایی گسترده‌تری می‌طلبد.

شغل مانند چمدانی پر از وظایف متعدد است. برای یک تیم کامل، این چمدان از انواع کارهای متنوع انباشته می‌شود. وظایف بیشتر در حیطهٔ مسئولیت، یعنی گلوگاه‌های احتمالی بیشتر. اگر حتی یکی از وظایف ضروری تیم به کار فیزیکی نیاز داشته باشد، مجموعه‌ای کاملاً تازه از تجهیزات جانبی لازم می‌شود. هوش مصنوعی برای آنکه بتواند به‌سادگی جای یک تیم کامل را بگیرد، باید از عهدهٔ همهٔ مسئولیت‌های متنوع آن برآید.

ساخت هوش مصنوعی‌ای که از پس دامنهٔ گسترده‌تری از کار برآید، دشوارتر است. اما برای شرکت‌ها، و این ناهم‌ترازیِ محوریِ کل این گذار است، هرچه دامنه گسترده‌تر باشد، به‌کارگیری آسان‌تر است.

یک مدیر ارشد می‌تواند مستقیماً تیمی کاملاً خودکار یا یک بخش کاری گسترده و خودکار را به کار بگیرد. ابزاری با قابلیت‌های محدودتر را نمی‌توان به همین سادگی با دستور از بالا پیاده کرد. ابزار ساده‌تر به همراهی گسترده و بازآموزی نیروی کار وابسته است.

فناوری‌های جدید به‌طور سنتی انجام مجموعه‌ای محدود از وظایف را ارزان‌تر می‌کنند. سپس بار کار به دوش خریدار می‌افتد. شرکت باید راه بهره‌گیری از ابزار جدید را پیدا کند و متناسب با آن، نیروهایش را بازآموزی، ساختارش را بازسازمان‌دهی و فرایندهایش را بازطراحی کند⁠(در یک پنجره جدید باز می‌شود). نرم‌افزار صفحه‌گسترده خودش را در واحد حسابداری جا نداد؛ واحد حسابداری خودش را متناسب با نرم‌افزار تغییر داد.

در مورد نیروی کار، برعکس است. یک کارآموز، یک کارمند و یک تیم خوب، خودشان می‌فهمند چطور برای شما مفید باشند. از شما سؤال می‌کنند، شرایطتان را می‌شناسند و نیازهایتان را تشخیص می‌دهند. چیزهایی را به شما می‌گویند که حتی نمی‌دانستید از آن‌ها بی‌خبرید. بهترین نیروها خودشان را با محیط کار سازگار می‌کنند.

هرچه هوش مصنوعی از این نظر، با ابتکار عمل و سازگاری، بیشتر به نیروی کار شبیه شود، شرکت کمتر لازم است یاد بگیرد چطور از آن بهره بگیرد و خودِ هوش مصنوعی بیشتر می‌فهمد چطور برای شرکت مفید باشد. یک مدیر ارشد احتمالاً برای یادگیری ابزاری تازه پای کلاس مقدماتی نرم‌افزار طراحی نمی‌نشیند. اما با خوشحالی به پیشنهادی از این دست گوش می‌دهد: کافی است بگویید تا کل بخش بازاریابی‌تان را راه بیندازم.

خیلی وقت‌ها خودکارسازی یک شغل را هدف غایی AGI می‌نامیم. درست است که هنوز حتی به همان هم نرسیده‌ایم. شغل‌ها فوق‌العاده پیچیده‌اند، چون ما به‌طرز چشمگیری توانمندیم. بااین‌حال، سهم بسیار اندکی⁠(در یک پنجره جدید باز می‌شود) از تولید اقتصاد ما حاصل کار تک‌روهاست. شغل‌های مولد به تیم‌ها کمک می‌کنند، تیم‌ها به شرکت‌ها، و شرکت‌ها تقریباً هرچه مصرف می‌کنیم تولید می‌کنند.

معیار «شغل» برای AGI، حق توانمندی ما انسان‌ها را ادا نمی‌کند. کار فقط انجام وظایف یا حتی رسیدگی به بخش‌های غیرروتین نیست؛ کار ما به هماهنگی شگرفی هم متکی است، به انعطافمان برای انجام بخش‌های کوچکِ خروجی‌های بزرگ‌تر. اگر خودمان را صرفاً مجموعه‌ای از وظایف بدانیم، ارزشمان را بسیار ناچیز شمرده‌ایم. توان انسان بیش از آنکه در فرد باشد، در سازمان‌های ماست⁠(در یک پنجره جدید باز می‌شود). AGI در عرصهٔ اقتصاد باید به سطح انسان‌ها برسد، نه یک انسان.

در نتیجه، سناریوی «درهم‌تنیدگی» ممکن است بسیار ناکارآمد باشد، اگر هوش مصنوعی هنوز شبیه ابزار یا حتی کارمند باشد، نه شبیه تیم یا شرکت. قرار دادن یک مدل کنار هر کارمند یعنی هزاران مرز و نقطهٔ تحویل کار⁠(در یک پنجره جدید باز می‌شود). این چیدمان تکه‌تکه ممکن است به‌کارگیری را کند کند.

از نظر ما، رقابتی میان پیاده‌سازی‌های زودتر اما کم‌توان‌تر و مدل‌های دیرتر اما تواناتر در جریان است. برنده به این بستگی دارد که آیا به‌کارگیری مدل‌های آینده آن‌قدر سریع‌تر خواهد بود که زمان بیشترِ لازم برای رسیدن به آن توانایی‌ها را جبران کند یا نه.

این سناریوی «درهم‌تنیدگی» می‌تواند در کنار سناریوی اول، یعنی «ارتقا»، وجود داشته باشد. شاید با خودکار شدن برخی فعالیت‌ها به‌وسیلهٔ هوش مصنوعی، حضور انسانی در شرکت‌ها کمتر شود، اما انسان‌های باقی‌مانده به کمک نیروی کارِ متشکل از عامل‌هایشان، مسئولیت‌های بسیار گسترده‌تری بگیرند. نکتهٔ مهم این است که این سناریو به‌خودی‌خود به معنای کاهش کل اشتغال انسان‌ها نیست. ممکن است شرکت‌های بیشتری داشته باشیم که هرکدام کارکنان کمتری دارند.

سناریوی سوم ما از همه گیج‌کننده‌تر است. در اینجا هوش مصنوعی در جایگاهی بالاتر از انسان‌ها وارد شرکت می‌شود. چیدمان دیگر انسان بالای ماشین نیست، بلکه انسان، هوش مصنوعی، انسان است: یک ساندویچ خودکارسازی. برخی افراد به هوش مصنوعی «گزارش می‌دهند».

بعید به نظر می‌رسد، به‌خصوص به‌عنوان نقطهٔ شروع به‌کارگیری در شرکت‌ها. اما فکر می‌کنیم شکل‌های ملایم‌تر آن همین حالا آغاز شده است.

حتی وقتی هوش مصنوعی را ابزاری برای ماشینی کردن کار ذهنی می‌دانیم، معمولاً بر پله‌های پایین‌تر تمرکز می‌کنیم. معمولاً می‌گوییم هوش مصنوعی کار با صفحه‌گسترده‌ها و مجموعه اسلایدها را خودکار می‌کند، نه مدیریت را. برداشت شهودی ما این است که خودکارسازی از سلسله‌مراتب بالا می‌رود: اول کارهای ذهنی پیش‌پاافتاده، آخر قضاوت؛ و مدیر آخرین سنگر است.

اما کار مدیر عمدتاً در رایانه و ذهن انجام می‌شود: خواندن، جلسه گذاشتن، سنجیدن، در نظر داشتن شرایط و تصمیم‌گیری. حضور فیزیکی، سر زدن به طبقات دفتر و بودن در کنار کارکنان ارزش خود را دارد. بااین‌حال، کار رده‌های پایه، حتی وقتی عمدتاً ذهنی است، بیش از مدیریت با دنیای فیزیکی و ابزارها سروکار دارد. کارآموز را سراغ دستگاه فتوکپی می‌فرستند، نه رئیسش را.

آموزش تصمیم‌گیری مدیریتی به مدل دشوار است، چون موفقیت تعریف روشنی ندارد و در بازه‌های زمانی طولانی سنجیده می‌شود. تربیت مدیران انسانی خوب هم به دلایل مشابهی⁠(در یک پنجره جدید باز می‌شود) دشوار است. هنوز نمی‌دانیم مدل‌ها چقدر در مدیریت خوب‌اند. برای کارهای ذهنیِ اجرامحور ارزیابی‌های فراوانی داریم، اما تعداد کمی هماهنگ‌سازی کلان در سطح مدیران و مدیران ارشد را می‌سنجند.

بااین‌حال، ارزش دارد در نظر بگیریم که شاید مدل‌های امروز از نظر توانایی، به مدیران انسانی نزدیک‌تر باشند تا به کارکنان ردهٔ پایه. شاید برخی وظایف مدیریتی پیش از کاری که بر آن نظارت می‌کنند، خودکار شوند.

شاید شکل کامل این سناریوی «لایه‌گذاری»، هوش مصنوعی‌ای باشد که فکر می‌کند و سپس خلأهای توانایی خود را با پیمانکاران انسانیِ پاسخ‌گو به خودش پر می‌کند. آن دنیا برای ما بسیار ناآشنا به نظر می‌رسد. چیزهای زیادی باید تغییر کند.

اما شکل طبیعی‌تری هم دارد که پردهٔ نخستش همین حالا آغاز شده است: مشاوره دادن. امروز یک مدیر ارشد می‌تواند از ChatGPT بخواهد صدها کانال Slack، سند، نامه و فایل کد را از سراسر شرکتش بخواند و سپس به پرسش‌ها پاسخ دهد. این تیم واقعاً چه کاری انجام می‌دهد؟ آن آسیب‌پذیری کجا خودش را نشان می‌دهد؟ هر بخش سازمان برای او روزبه‌روز قابل‌تحلیل‌تر می‌شود⁠(در یک پنجره جدید باز می‌شود).

مدت‌هاست مدیران ارشد واسطه‌های مزدبگیر را لابه‌لای نمودار سازمانی جا داده‌اند؛ نامش را هم مشاوره گذاشته‌اند. مؤسسهٔ مشاورهٔ مدیریت، برای مدتی کوتاه و با هزینه‌ای گزاف، لایه‌ای بالای سر شما می‌گذارد. در آینده، مشاوران هوش مصنوعی می‌توانند تقریباً بی‌هزینه و همیشه حاضر باشند.

مدل‌ها تازه دارند به توانایی تحلیل قابل‌اعتماد اسناد و مکاتبات شرکت می‌رسند. سلیقه و پیش‌دستی آن‌ها هنوز باید پخته‌تر شود. فعلاً ChatGPT به مدیر ارشد مشتاق کمک می‌کند سازمانش را با جزئیات بیشتری بشناسد. ما انتظار داریم سرانجام به مؤسسهٔ مشاوره‌ای با خدمات جامع تبدیل شود. برای کارکنان رده‌های پایین‌تر، «مدیر» واقعی نخواهد بود؛ بلکه گزارشگر درون‌سازمانی و مشاور مدیران ارشد است. با تکیه بر تخصص کسب‌وکار، همه‌چیز را بررسی می‌کند، پیشاپیش مشکلات را آشکار می‌کند و به اولویت‌بندی رسیدگی به آن‌ها کمک می‌کند.

اینکه سودمند باشد یا زیان‌بار، به مدیر ارشد بستگی خواهد داشت. پیامد ساختاری آن تمرکزگرایی است. از نظر ما، این فاصلهٔ مدیریت ارشد با بدنهٔ شرکت را کوتاه می‌کند. قدرت بیشتری به رأس سازمان می‌دهد؛ جایی که پیش‌تر موانع جریان اطلاعات، تصمیم‌گیری غیرمتمرکزتر را مطلوب می‌کرد.

اهمیت عمیق این سناریو از نظر ما فقط در جابه‌جایی اختیار نیست؛ در این هم هست که هوش مصنوعی در نقش مؤسسهٔ مشاوره چقدر آسان به کار گرفته می‌شود. درست مثل مشاورهٔ سنتی، استفاده از مؤسسهٔ مشاورهٔ هوش مصنوعی هم نیازمند مهارت فنی مدیر ارشد نیست. این رایانه نیست که هرکس تایپ و کار با ترمینال بلد بود، از رده‌های پایین آن را وارد سازمان کند. فقط با مشاورتان صحبت می‌کنید و او به امور فنی رسیدگی می‌کند. این موج به‌کارگیری می‌تواند از دفتر مدیر ارشد آغاز شود. مؤسسهٔ مشاوره هم به نوبهٔ خود می‌تواند به‌کارگیری هوش مصنوعی را در بقیهٔ سازمان شتاب دهد.

یک دلیل مهم برای بی‌اعتمادی شرکت‌ها به دورکاری و پیمانکاری وجود دارد: امکان تضمین اجرای تعهدات. هیچ‌وقت راه ارزان‌قیمتی نبوده که شرکت‌ها انجام کار را با تمام ظرافت و پیچیدگی‌ای که شایستهٔ آن است، مشاهده کنند. پس نمایشِ کار کردن را می‌سنجند⁠(در یک پنجره جدید باز می‌شود): شمار کلیک‌ها، تکان‌های ماوس و نقطه‌های سبز وضعیت؛ نشانه‌هایی که ارتباط چندانی با انجام کار خوب ندارند.

هوش مصنوعی ناظری فراهم می‌کند که می‌فهمد. می‌تواند به حاصل کار فرد نگاه کند و پیشرفت واقعی به‌سوی هدف‌های بزرگ‌تر را تشخیص دهد. همان‌طور که در بخش بعد بررسی می‌کنیم، هیچ شکل تازه‌ای از نظارت را نباید بدون تأمل اجرا کرد⁠(در یک پنجره جدید باز می‌شود). اما در شرایط مناسب، می‌تواند اعتماد را افزایش دهد و شرکت‌ها را به دادن آزادی بیشتر به کارکنان تشویق کند.

اگر ناظر مسیرهای بسیار متفاوتی را که به حاصل کار خوب می‌رسند درک کند، کارکنان می‌توانند بیشتر به شیوهٔ دلخواهشان کار کنند. پیشرفت به‌سوی نتیجهٔ خوب مهم‌تر می‌شود، نه پیروی از یک روش تجویزی که پیگیری‌اش برای مدیران آسان است. ناظر هوشمند انعطاف‌پذیری می‌دهد و بهره‌وری نمایشی‌ای را که همه از آن بیزاریم، جریمه می‌کند.

مزیت پیشنهادی اینجا شبیه پیشنهاد بیمه‌گرانی است که در صورت نصب ردیاب در خودرو، حق بیمه را کاهش می‌دهند. اگر دنبال دور زدن سیستم باشید، به ضررتان است؛ اگر صرفاً کارتان را انجام دهید، ناظر می‌تواند حقانیت شما را نشان دهد و مدیریت بیشتر به شما اعتماد می‌کند.

این اعتماد راه‌گشاست. شاید شرکت‌هایی که قبلاً به کار ترکیبی، افراد با ذهنیت نامتعارف، پیمانکاران یا استخدام استعدادهای درخشان در کشورهای دور تمایلی نداشتند، تمایل تازه‌ای⁠(در یک پنجره جدید باز می‌شود) نشان دهند.

کارکنان ردهٔ پایه امروز با نمودار سازمانی مشکلات بسیاری دارند. اینکه مشکلی را از نزدیک ببینیم و هیچ راهی برای رساندن آن به رده‌های بالاتر نداشته باشیم، بسیار دلسردکننده است. منصفانه نیست زیر دست مدیری ناکارآمد گیر کنیم یا کار درخشانی انجام دهیم که دیده نشود.

از نظر ما، موج قبلی بهینه‌سازی افراطی کسب‌وکار بر داده‌های محدود، دستورالعمل‌های تقریبی و الگوریتم‌های فاقد درک بنا شده بود. اگر فقط نسبت چرخ‌دنده‌ها را بتوانید پردازش کنید، همه به چشمتان چرخ‌دنده می‌آیند. شرکت‌ها مدت‌هاست در سنجش عملکرد نیروی کارشان مشکل دارند. ناظر هوشمند می‌تواند نقش‌آفرینی‌های ارزشمند و رویکردهای منحصربه‌فردی را تشخیص دهد که معیارهای زمخت امروزی از قلم می‌اندازند.

اکنون با تکیه بر هر سه سناریوی ساده‌سازی‌شده، برخی پرسش‌های تعیین‌کننده دربارهٔ آیندهٔ شرکت را بررسی می‌کنیم.

ساختن معمولاً پرهزینه است. اپلیکیشن، فیلم، مجموعه اسلاید، قابلیت یا تحلیل؛ از نو ساختن هرکدام پرهزینه، زمان‌بر و طاقت‌فرساست. وقتی عملاً فقط یک تیر دارید، برای نشانه‌گیری وقت و هزینه می‌گذارید. چرخه‌های برنامه‌ریزی، تشریفات تدوین نقشهٔ راه و کمیته‌های تأیید، همه برای این‌اند که وقتی شرکت سرانجام چراغ سبز نشان می‌دهد، کاری ارزشمند آغاز شود. بسیاری از کنترل‌ها در سلسله‌مراتب ما از آن رو شکل گرفته‌اند که اجرا بسیار پرهزینه بوده است.

در بسیاری از حوزه‌ها، هوش مصنوعی هزینهٔ ساخت را به‌شدت کاهش می‌دهد؛ اگر نه تا مرحلهٔ تکمیل نهایی، دست‌کم تا مرحلهٔ نمونه‌سازی. به باور ما، رویکرد شرکت هم باید متناسب با آن تغییر کند: نشانه‌گیری کمتر، شلیک بیشتر. شرکت می‌تواند نمونه‌ای بسازد، مشاهده کند، سریع یاد بگیرد، مسیرش را تغییر دهد و دوباره بسازد. آسان شدن نمونه‌سازی⁠(در یک پنجره جدید باز می‌شود) باید شرکت‌ها را به‌تدریج از سازوکارهایی دور کند که تولیدِ متکی بر برنامه‌ریزی سنگین را پشتیبانی می‌کنند.

ساده‌ترین شکل این تغییر، تیمی است که چرخه‌های اصلاح و بهبود را سریع‌تر طی می‌کند. در برداشتی ریشه‌ای‌تر، خودِ تیم زیر سؤال می‌رود. اگر اهمیت برنامه‌ریزی جمعی کمتر و اهمیت ایده‌های متنوع و مستقل بیشتر شود، بهتر است یک تیم داشته باشیم که سریع اصلاح و بهبود می‌دهد، یا افراد متعددی که هرکدام نمونهٔ عملی خود را ارائه می‌کنند؟ اگر یک نمونهٔ واقعی بهتر از هر سند تعیین محدوده‌ای، چشم‌انداز را منتقل کند، آیا شیوهٔ ارتباطمان عوض می‌شود؟ یعنی بیشتر و زودتر به اشتراک می‌گذاریم و به‌جای یادداشت اداری، خودِ ساخته‌ها را ارائه می‌کنیم؟

ارزان شدن ساخت ممکن است کفهٔ شرکت را به سود افراد سنگین کند. این یعنی لایه‌های کمتر مدیریت میانی و نیاز کمتر به اجازه گرفتن؛ چون قبلاً اجازه گرفتن ارزان‌تر از انجام دادن بود و حالا دیگر نیست.

بااین‌حال، همان‌طور که در ادامه خواهیم گفت، همان فناوری که به افراد امکان نمونه‌سازی کم‌خطرتر می‌دهد، می‌تواند تشریفات اداری پیچیده‌تری را هم تحمیل کند.

یکی از دلایل اصلی مدیریت از بالا به پایین در شرکت‌ها این باور است که مدیران ارشد بهتر از کارکنان تازه‌کار تصمیم‌های مرتبط با کسب‌وکار⁠(در یک پنجره جدید باز می‌شود) می‌گیرند. شرکت‌ها برای افراد باتجربه و بسیار توانمند در رأس سازمان بیشتر هزینه می‌کنند؛ مدیران هم اغلب در راهبرد کسب‌وکار آموزش دیده‌اند، درحالی‌که کارشناسان در حوزهٔ تخصصی خود مهارت دارند. اگر هوش مصنوعی به همهٔ کارکنان مشاورهٔ عالی بدهد، شکاف کیفیت تصمیم‌گیری کمتر می‌شود. آن‌وقت دلیل کمتری برای دخالت مدیران وجود خواهد داشت. این امر استقلال کارکنان را بیشتر می‌کند و شاید لایه‌های مدیریت را کاهش دهد.

به همین ترتیب، «مؤسسهٔ مشاورهٔ هوش مصنوعی» اطمینان می‌دهد که هیچ اتفاق بسیار مهمی بدون مطلع شدن مدیر ارشد رخ ندهد. اگر کارمندی در آستانهٔ انتشار مطلبی در وبلاگ باشد که پیامدهای جدی برای شرکت دارد، مؤسسهٔ مشاوره پیش‌دستی می‌کند و به مدیر ارشد هشدار می‌دهد. این اعتماد می‌آورد: مدیران لازم نیست نگران وقوع خطاهای بزرگ بدون اطلاع خود باشند، پس نیازی هم نیست بر شیوهٔ کار کارکنان چنین کنترل سخت‌گیرانه‌ای⁠(در یک پنجره جدید باز می‌شود) داشته باشند.

اما مؤسسهٔ مشاورهٔ هوش مصنوعی شمشیری دولبه⁠(در یک پنجره جدید باز می‌شود) است. می‌تواند در نقش ناظری هوشمند، اعتماد به کارکنان را افزایش دهد؛ همچنین می‌تواند روش دلخواه مدیرعامل برای انجام کارها را با شدت بیشتری در سراسر سازمان اجرا کند. شرکت‌ها برای انسجام⁠(در یک پنجره جدید باز می‌شود) ارزش قائل‌اند: نه صرفاً تصمیمی خوب، بلکه تصمیمی سازگار با فرهنگ، برند و صرفه‌های ناشی از مقیاس شرکت. یک رستوران زنجیره‌ای شاید منوی مشترکی برای شعب دارای حق امتیازش بخواهد تا مواد اولیه عمده خریداری شوند و مشتریان انتظار محصولی یکسان داشته باشند.

به همین موضوع مربوط است که انگیزه‌های رؤسای شرکت همیشه با انگیزه‌های کارکنان همسو نیست. کارکنان برای موفقیت حوزهٔ خود⁠(در یک پنجره جدید باز می‌شود) تلاش می‌کنند، اما مدیران ارشد به کل شرکت توجه دارند. ترجیحات سهام‌داران با کارکنان حقوق‌بگیر فرق دارد، چون آن‌ها از کار سخت‌تر بهره می‌برند⁠(در یک پنجره جدید باز می‌شود). مؤسسهٔ مشاوره می‌تواند رعایت رویه‌های مشخصِ ابلاغ‌شده از بالا را سخت‌گیرانه‌تر الزامی کند.

به نظر ما، در مجموع اختیار کارکنان بیشتر خواهد شد. خوش‌بینی ما بر این فرض استوار است که شرکت‌ها از هوش مصنوعی برای شناسایی موارد استثناییِ مهم استفاده کنند و تصمیم‌های بیشتری را به کارکنان بسپارند.

به باور ما، هوش مصنوعی نقشی حمایتی خواهد داشت؛ حتی اگر مدیران ارشد بخواهند انسجام برند را حفظ کنند، این صرفاً چارچوبی برای فعالیت خواهد بود. کارکنان از محدودیت‌های کسب‌وکار بهتر آگاه می‌شوند و در فضای آزادِ فراتر از آن محدودیت‌ها، با پشتوانهٔ بیشتری خلاقیت به خرج می‌دهند. وقتی خیال مدیران ارشد از خطرهای اصلی راحت باشد، می‌توانند به کارکنان اجازه دهند رویکردهای تازه و بالقوه سودآور را امتحان کنند. به کمک دستیاران هوش مصنوعیِ زیر دستمان، ما کارکنان مسئول خروجی‌های مهم‌تری هم خواهیم شد. به نظر ما، هدایت کارهای پیچیده‌تر فرصت‌های بیشتری برای خلاقیت فراهم می‌کند.

همان منطق استقلال کارکنان دربارهٔ اندازهٔ شرکت هم صدق می‌کند. رونالد کوز⁠(در یک پنجره جدید باز می‌شود) پرسید چرا تولید را درون شرکت‌ها سازمان می‌دهیم، نه از طریق شبکه‌ای از قراردادها. حتی می‌توان هواپیما را صرفاً با قراردادهای مستقیم میان افراد ساخت، اما این کار بسیار ناکارآمد خواهد بود. شرکت‌ها صرفه‌های ناشی از مقیاس ایجاد می‌کنند، انگیزه‌ها را همسو می‌کنند، پروژه‌های بزرگ را سازمان می‌دهند و نیاز به چانه‌زنی مداوم را از بین می‌برند.

هوش مصنوعی با آسان‌تر کردن ارتباطات می‌تواند هم شرکت‌های بزرگ‌تر و هم شرکت‌های کوچک‌تر را توجیه‌پذیر کند. شرکت سنتی زیرساختی است برای انتقال اطلاعات به بالا و دستورها به پایین؛ مسیری پر از اصطکاک و پیام‌هایی که دهان‌به‌دهان تغییر می‌کنند. اگر هوش مصنوعی نقش لایهٔ هماهنگی را داشته باشد، ادارهٔ شرکتی بزرگ‌تر با کارکنان انسانی بیشتر، آسان‌تر می‌شود. با «مؤسسهٔ مشاورهٔ هوش مصنوعی»، یک مدیر ارشد می‌تواند شرکتش را به‌اندازهٔ بنیان‌گذار یک استارتاپ بیست‌نفره بشناسد. به‌جای انتظار برای گزارش فصلی یک طرح، می‌تواند اجرای آن را دنبال کند و اگر اتفاقی افتاد، مطلع شود. دیدگاه او می‌تواند در بخش‌های بیشتری از شرکت جاری شود. همه از کار یکدیگر و اولویت‌های کلی سازمان آگاه‌تر می‌شوند.

البته ممکن است نتیجه برعکس باشد. اگر ارتباطات بی‌مانع باشد و نظارت بر پایبندی به تعهدات آسان‌تر شود، شرکت دیگر نیازی ندارد این‌همه از زنجیرهٔ تأمین را درون خود جای دهد. شرکت می‌تواند بیشتر به تأمین‌کنندگان و پیمانکاران بیرونی اعتماد کند.

یکی از انگیزه‌های اصلی یکپارچگی عمودی، همسو کردن انگیزه‌هاست. مفهومی به نام قراردادهای ناقص⁠(در یک پنجره جدید باز می‌شود) وجود دارد: یک شرکت هوافضا می‌تواند با شرکت سازندهٔ موتور جت قرارداد ببندد، اما شرکت موتور جت در هر موردی که صریحاً در قرارداد الزام نشده، انگیزه دارد از هزینه‌ها بزند و سود خودش را در اولویت بگذارد. برای جلوگیری از این وضع، شرکت هوافضا شرکت موتور جت را می‌خرد. درست مانند رابطهٔ کارکنان و مدیران: اگر نظارت بر قراردادها آسان‌تر شود و داوری دربارهٔ آن‌ها هوشمندانه باشد، نه صرفاً تیک زدن بندهای فهرست، شرکت‌ها شاید با خیال راحت‌تری به شرکت‌های دیگر تکیه کنند. در این صورت، دلایل کمتری برای انجام همهٔ کارها در داخل شرکت وجود خواهد داشت.

انتظار داریم شرکت‌های کوچک‌ترِ بسیاری ببینیم، اما در کنار آن‌ها «شرکت‌های هلدینگ» عظیم مبتنی بر هوش مصنوعی هم شکل بگیرند که انبوهی از پروژه‌های گوناگون را در یک بنگاه پیش می‌برند. شرکت چندرشته‌ای زمانی صرفهٔ اقتصادی دارد که دارایی مشترکی در اختیار همهٔ پروژه‌های مختلف باشد. این دارایی مشترک می‌تواند توان پردازشی باشد، هرچند توان پردازشی را می‌توان به‌راحتی در مقادیر کم و برحسب نیاز تأمین کرد. یک کارخانه یا ناوگان رباتیک مشترک، دلیل قانع‌کننده‌تری است.

همسویی انگیزه‌ها هم می‌تواند وجود یک «شرکت هلدینگ» بزرگ را توجیه کند. اگر سازمانی بزرگ متشکل از هوش‌های مصنوعی و سرمایه، کاملاً وقف مأموریتی مشترک، مثلاً درمان سرطان، باشد، نیاز کمتری به طرح‌های کوچک‌تر و جداگانه خواهد بود. یک شرکت هوش مصنوعی می‌تواند از کشمکش قدرت دوری کند، همهٔ اطلاعات را به اشتراک بگذارد و هرجا لازم شد، میان عامل‌هایش تنوع خلاقانه ایجاد کند تا مسیرهای مختلف بررسی شوند.

قرار است نظام امروزی به کارکنان برجسته پاداش بدهد. آن‌ها در سلسله‌مراتب بالا می‌روند و دریافتی بیشتری پیدا می‌کنند. اما در جهانی با مدل‌هایی که مشاورانی عالی‌اند، کارکنان چگونه خود را متمایز خواهند کرد؟

اگر هوش مصنوعی همان ایدهٔ عالی را به همه بدهد، فرصت کمتری برای متمایز شدن داریم. در نتیجه، انتظار می‌رود فاصلهٔ سطوح دستمزد کمتر شود.

آنچه در برابر این کاهش فاصله می‌ایستد، قضاوت، سلیقه و دامنهٔ مسئولیت است. اگر هرکدام شرکتی از هوش مصنوعی را زیر دست خود رهبری کنیم، ارزش انسانیِ باقی‌مانده در تصمیم‌گیری ماست. اگر هر فرد مسئول فعالیت گسترده‌تری در زیرمجموعه‌اش باشد، تفاوت قضاوت خوب و بد اثر پررنگ‌تری پیدا می‌کند⁠(در یک پنجره جدید باز می‌شود).

مدت‌هاست این منطق را دربارهٔ رأس نمودار سازمانی به کار می‌بریم. دستمزد مدیرعامل⁠(در یک پنجره جدید باز می‌شود) را این‌طور توجیه می‌کنیم که تصمیم‌های حتی اندکی بهتر در رأس سازمان می‌توانند تأثیر بزرگی بر سود نهایی بگذارند. اگر برخی کارکنان شرکت‌های هوش مصنوعیِ زیر دستشان را برای به‌کارگیری منابع کمیاب بهتر مدیریت کنند، ممکن است نابرابری دستمزد افزایش یابد.

هرچه پای منافع بیشتری در میان باشد، برتری اندک شما نسبت به دیگری بیشتر در فیش حقوقی‌تان نمایان می‌شود. از سوی دیگر، هوش مصنوعی به همه مشاورهٔ خوب خواهد داد. تمایز کمتر، توزیع دستمزدها را فشرده‌تر می‌کند.

اینجا و در موارد دیگر، اینکه کدام نیرو غالب شود شاید به این بستگی داشته باشد که بیشتر قضاوت می‌کنیم یا از قضاوت پیروی می‌کنیم.