در سال‌های اخیر، خبرهای متعددی درباره تعدیل نیرو در شرکت‌های مختلف به دلیل پذیرش هوش مصنوعی (AI) منتشر شد. اما اخیراً روند معکوسی مشاهده می‌شود؛ برخی از این سازمان‌ها پس از درک نیاز مبرم به متخصصان باسابقه، در حال بازنگری در تصمیمات استخدامی خود هستند.
درس آموزنده شرکت فورد: توازن بین اتوماسیون و تجربه
شرکت فورد در سال ۲۰۲۳ به شدت بر کنترل کیفیت مبتنی بر AI تکیه کرد و از بیش از ۹۰۰ دوربین هوشمند برای شناسایی عیوب تولید استفاده نمود. با این حال، چالش‌های کیفی همچنان ادامه داشت. فورد متوجه شد که در مسیر اتوماسیون دچار «تصحیح بیش از حد» (Overcorrection) شده است. در نتیجه، این شرکت طی سه سال ۳۵۰ مهندس باسابقه را مجدداً استخدام کرد تا تجربه، قضاوت و دانش سازمانی آن‌ها را در کنار تکنولوژی به کار گیرد.
این اقدام به معنای جایگزینی AI نبود، بلکه هدف آن بازآموزی مدل‌ها، شناسایی نقاط شکست در مراحل اولیه و منتورینگ کارکنان جوان‌تر بود. نتایج این رویکرد، صرفه‌جویی صدها میلیون دلاری در هزینه‌های گارانتی و فراخوان‌ها (Recall) و همچنین کسب رتبه‌های برتر در مطالعات کیفی J.D. Power بود.
AI به عنوان تک‌افزاینده (Force Multiplier)، نه جایگزین
سیستم‌های بینایی ماشین (Computer Vision) می‌توانند ناهنجاری‌ها را در مقیاس وسیع شناسایی کنند، اما همچنان به مهندسان خبره نیاز است تا تشخیص دهند کدام سیگنال‌ها اهمیت دارند، چه ریسک‌هایی ایجاد می‌کنند و چه اقدامی باید صورت گیرد. تحقیقات مدرسه کسب‌وکار هاروارد و دانشگاه برکلی نشان می‌دهد که دسترسی به AI، شکاف بین افراد با عملکرد بالا و پایین را بیشتر کرده است؛ زیرا تفاوت اصلی در نحوه انتخاب و اجرای توصیه‌های AI توسط کاربر است.
علاوه بر این، یافته‌های MIT نشان می‌دهد که مدل‌های AI دقیقاً زمانی که دچار توهم (Hallucination) می‌شوند، با اعتمادبه‌نفس بیشتری صحبت می‌کنند. این موضوع تأکید می‌کند که تایید انسانی (Human Verification) و تشخیص تخصصی، غیرقابل مذاکره است.
ارزش افزوده در حل مسائل پیچیده و تشخیص
زمانی که همه به ابزارهای یکسانی دسترسی دارند، تمایز واقعی از طریق قضاوت انسانی و ارزیابی انتقادی ایجاد می‌شود. متخصصانی که می‌توانند به عنوان «هماهنگ‌کننده AI» (AI Orchestrators) عمل کرده و تسلط بر ابزار را با تخصص عمیق در دامنه (Domain Expertise) ترکیب کنند، ارزش سازمانی بیشتری خواهند داشت.
توصیه‌های استراتژیک برای مدیران ارشد فناوری (CIOs)
- طراحی نقش‌ها: تفکر انتقادی و قدرت قضاوت باید به طور صریح در ارزیابی استعدادها و طراحی تیم‌ها لحاظ شوند.
- ایجاد نقاط بازرسی (Checkpoints): در گردش‌های کاری حساس (High-stakes workflows)، باید نقاط بازرسی ساختاریافته‌ای تعریف شود تا کارکنان باسابقه خروجی‌های AI را اعتبارسنجی کنند.
- حفظ دانش سازمانی: متخصصان باسابقه نباید به عنوان «مرکز هزینه» دیده شوند، بلکه آن‌ها سرمایه‌ای برای انتقال دانش به نسل بعدی هستند.
مسیر درست، «هوش افزوده» (Augmented Intelligence) است؛ یعنی دانستن اینکه AI در کجا سرعت و مقیاس ایجاد می‌کند و در کجا قضاوت انسانی باید حرف آخر را بزند. سازمان‌های پیروز، کسانی نیستند که بیشترین ابزارهای AI را دارند، بلکه کسانی هستند که بهترین ادغام بین AI و تصمیم‌گیری انسانی را پیاده‌سازی کرده‌اند.
