برای چندین دهه، اقتدار سازمان‌های فناوری بر پایه یک اصل ساده استوار بود: آن‌ها توانمندی‌هایی داشتند که هیچ بخش دیگری از سازمان فاقد آن بود. اما با ظهور هوش مصنوعی (AI)، این معادلات تغییر کرده است. امروزه تیم‌های غیرفنی مانند بازاریابی می‌توانند با استفاده از ابزارهای AI، نمونه‌های اولیه (Prototypes) کاربردی را در مدت کوتاهی بسازند، بدون اینکه نیاز به نظارت مستقیم بخش IT داشته باشند. این موضوع باعث شده تا نقش مدیران فناوری (CIO) از یک تأمین‌کننده تکنولوژی، به یک ناظر و حاکم استراتژیک تغییر یابد.
چالش هوش مصنوعی سایه (Shadow AI) و ریسک‌های سازمان
این توانمندسازی گسترده، منجر به پدیده‌ای شده است که می‌توان آن را هوش مصنوعی سایه (Shadow AI) نامید. وقتی کاربران بدون در نظر گرفتن استانداردهای امنیتی یا معماری سازمان، ابزارهای جدید را به کار می‌گیرند، ریسک‌های زیر ایجاد می‌شود:
- تکه تکه شدن داده‌ها (Data Fragmentation): عدم هماهنگی ابزارها باعث می‌شود پاسخ‌های متناقض از داده‌های سازمان دریافت شود و کارایی هوش مصنوعی کاهش یابد.
- مسئله پاسخگویی (Accountability): سیستم‌های خودکار می‌توانند گزینه‌ها را تحلیل کنند، اما نمی‌توانند در برابر مراجع قانونی یا رگولاتورها مسئولیت‌پذیر باشند.
- افزایش هزینه‌های پنهان: اگرچه هزینه ساخت یک ابزار با AI بسیار کم است، اما هزینه نگهداری، امنیت (Security)، پشتیبانی و در نهایت بازنشستگی آن ابزار، هزینه‌های سنگینی را بر سازمان تحمیل می‌کند.
استراتژی جدید: ایجاد یک بستر دیجیتال (Digital Harness)
برای مقابله با این چالش‌ها، نقش IT باید از “کنترل مستقیم” به سمت “ایجاد زیرساخت‌های قابل اعتماد” تغییر کند. مدیران فناوری باید بر ایجاد یک بستر یا چارچوب دیجیتال (Digital Harness) تمرکز کنند که ویژگی‌های زیر را به صورت پیش‌فرض ارائه دهد:
- امنیت و حریم خصوصی (Security & Privacy): اعمال الگوهای دسترسی و هویت (Identity) بر تمامی ابزارهای ساخته شده توسط کاربران.
- کیفیت داده‌ها (Data Quality): اطمینان از اینکه تمامی ابزارهای AI به منابع داده‌ای معتبر و یکپارچه متصل هستند.
- مشاهده‌پذیری (Observability): نظارت بر عملکرد و رفتار عامل‌های هوشمند (AI Agents) مشابه با اپلیکیشن‌های سنتی.
گام‌های عملیاتی برای مدیران فناوری
مدیران باید به جای تلاش برای بستن مسیرهای نوآوری، مسیرهای رسمی و امن (Sanctioned Paths) را سریع‌تر و آسان‌تر از مسیرهای غیررسمی کنند. این امر مستلزم ایجاد سطوح مختلف (Tiering) برای پروژه‌های AI بر اساس میزان ریسک، معماری و تأثیر بر داده‌ها است. هدف نهایی این است که تیم‌های فناوری، به جای تمرکز بر “چگونه ساختن”، بر “چه چیزی باید ساخته شود” و “چگونه آن را ایمن نگه داشت” تمرکز کنند.
