بسیاری از سازمان‌ها، پذیرش هوش مصنوعی را صرفاً یک چالش فناوری می‌دانند؛ پروژه‌ای نرم‌افزاری که باید توسط واحد فناوری اطلاعات اجرا شود و مدیران ارشد از نتایج آن استقبال کنند. برخی شرکت‌ها نیز هوش مصنوعی را راهی سریع برای کاهش تعداد کارکنان می‌بینند.

اما تجربه واقعی سازمان‌ها چیز دیگری را نشان می‌دهد.

برای درک بهتر اینکه پذیرش هوش مصنوعی در عمل چگونه اتفاق می‌افتد، ما با ۱۸ نفر از شرکا (Partners)، مدیران و مشاوران جوان در دو شرکت بزرگ مشاوره مدیریت، مصاحبه‌های نیمه‌ساختاریافته انجام دادیم.

به جای آنکه صرفاً نگرش افراد نسبت به هوش مصنوعی را بررسی کنیم، از آن‌ها پرسیدیم:

• در عمل چگونه از هوش مصنوعی استفاده می‌کنید؟
• چه حمایت‌هایی از سوی سازمان دریافت کرده‌اید؟
• بیشترین اصطکاک و چالش را در کدام بخش تجربه می‌کنید؟

نتیجه این تحقیق، برخلاف انتظار، بیشتر از آنکه داستانی درباره فناوری باشد، داستانی درباره ساختار سازمان بود.

در هر دو شرکت، نقطه فشار تقریباً یکسان بود.

پژوهش ما نشان می‌دهد موفقیت یا شکست پروژه‌های هوش مصنوعی، بیش از هر چیز به لایه میانی مدیریت بستگی دارد.

یک روز عادی از زندگی یک مدیر میانی در عصر هوش مصنوعی

برای درک بهتر این وضعیت، تصویری ترکیبی از زندگی روزمره یک مدیر در یک شرکت مشاوره را در نظر بگیرید.

او روز خود را با یادگیری تکنیک‌های جدید Prompt Engineering آغاز می‌کند؛ پیش از آنکه اعضای تیمش حتی وارد سیستم شوند.

کمی بعد، وارد جلسات مشتریان می‌شود و باید به پرسش‌هایی مانند این پاسخ دهد:

• سازمان شما چگونه از هوش مصنوعی استفاده می‌کند؟
• تیم شما چه بخش‌هایی از پروژه را با کمک هوش مصنوعی انجام داده است؟

در میانه روز، وظایف او پیچیده‌تر می‌شود.

او باید خروجی‌های تولیدشده توسط هوش مصنوعی را بررسی کند تا مطمئن شود خطا یا اطلاعات نادرست در آن‌ها وجود ندارد.

هم‌زمان، باید یک تحلیلگر تازه‌کار را آموزش دهد؛ فردی که تاکنون حتی یک ارائه (Presentation Deck) را بدون کمک هوش مصنوعی از ابتدا تهیه نکرده است.

در همین حین، یکی از شرکای شرکت از او می‌خواهد یادداشتی «تقویت‌شده با هوش مصنوعی» تهیه کند، بدون آنکه دقیقاً مشخص کند منظور از چنین درخواستی چیست یا چه انتظاری از نتیجه دارد.

در پایان روز نیز، این مدیر باید تمام آموخته‌های جدید تیم درباره استفاده از هوش مصنوعی را مستندسازی کند تا در پروژه‌های بعدی دوباره از همان تجربه‌ها استفاده شود.

این فقط داستان یک نفر نیست

در تقریباً تمام مصاحبه‌ها، نسخه‌ای از همین روایت بارها تکرار شد.

مدیری که توصیف کردیم، یک استثنا نیست.

احتمالاً امروز چنین مدیری به الگوی رایج بسیاری از سازمان‌ها تبدیل شده است.

اگرچه این پژوهش در صنعت مشاوره انجام شده، اما الگوهای مشاهده‌شده محدود به این صنعت نیستند.

در بسیاری از کسب‌وکارهای دانش‌محور، مدیران میانی دقیقاً در نقطه‌ای قرار گرفته‌اند که باید میان جاه‌طلبی مدیران ارشد و واقعیت‌های اجرایی سازمان تعادل برقرار کنند؛ آن هم بدون آنکه حمایت رسمی و کافی دریافت کنند.

شکاف میان توانمندی و واقعیت (The Capability-Reality Gap)

داده‌های نظرسنجی‌ها نشان می‌دهد که پذیرش هوش مصنوعی در سازمان‌ها گسترده شده، اما عمق آن هنوز محدود است و ارزش واقعی آن به‌صورت یکنواخت ایجاد نمی‌شود.

امروزه حدود ۸۸ درصد سازمان‌ها از هوش مصنوعی دست‌کم در یکی از واحدهای کسب‌وکار خود استفاده می‌کنند.

اما تنها حدود یک‌چهارم آن‌ها توانسته‌اند قابلیت‌هایی ایجاد کنند که فراتر از پروژه‌های آزمایشی اولیه، ارزش تجاری ملموس تولید کند.

فناوری، عامل اصلی موفقیت نیست

پژوهش‌های شرکت McKinsey نشان می‌دهد عامل اصلی موفقیت پروژه‌های هوش مصنوعی، پیشرفته بودن فناوری نیست.

آنچه بیشترین تأثیر را دارد، بازطراحی فرایندهای کاری (Workflow Redesign) است.

مصاحبه‌های ما نیز دقیقاً توضیح می‌دهد چرا چنین نتیجه‌ای به دست آمده است.

مدیران ارشد، مدیران میانی و کارشناسان؛ هرکدام در دنیای متفاوتی زندگی می‌کنند

در سطح مدیران ارشد، نگاه به هوش مصنوعی عمدتاً استراتژیک است.

آن‌ها به دنبال:

• گسترش خدمات،
• افزایش سرعت اجرای پروژه‌ها،
• کاهش اندازه تیم‌ها،
• و بازطراحی مدل کسب‌وکار هستند.

در مقابل، کارشناسان و مشاوران جوان تجربه متفاوتی دارند.

آن‌ها از افزایش چشمگیر بهره‌وری صحبت می‌کنند.

برای مثال:

تحقیقاتی که پیش‌تر چند روز زمان نیاز داشت، اکنون در حدود ۳۰ دقیقه انجام می‌شود.

تحلیل‌هایی که قبلاً هفته‌ها طول می‌کشید، اکنون تنها در چند ساعت آماده می‌شوند.

در نتیجه، کارشناسان جوان زمان بیشتری برای انجام فعالیت‌های ارزشمندتر پیدا کرده‌اند.

آن‌ها زودتر از نسل‌های قبل وارد تحلیل‌های استراتژیک می‌شوند و خیلی زودتر در جلسات کشف نیازهای مشتریان حضور پیدا می‌کنند.

تمام فشارها روی مدیران میانی متمرکز می‌شود

اما دستاوردهای مدیران ارشد و کارشناسان جوان، در نهایت روی دوش یک گروه قرار می‌گیرد:

مدیران میانی.

مصاحبه‌ها و یافته‌های این پژوهش نشان می‌دهد مدیران میانی زیر بار حجم عظیمی از مسئولیت‌های جدید قرار گرفته‌اند.

یکی از مهم‌ترین مشکلاتی که تقریباً همه به آن اشاره کردند، چیزی است که پژوهشگران آن را Workslop می‌نامند.

Workslop چیست؟

منظور از Workslop، خروجی‌هایی است که هوش مصنوعی تولید می‌کند و در ظاهر بسیار حرفه‌ای، منظم و قابل قبول به نظر می‌رسند، اما در عمل:

• محتوای عمیقی ندارند،
• استدلال محکمی ارائه نمی‌کنند،
• و مسئله اصلی را واقعاً حل نمی‌کنند.

به همین دلیل، مدیران مجبورند تقریباً تمام این خروجی‌ها را دوباره بررسی و ارزیابی کنند.

مسئولیت‌های جدید مدیران میانی

امروزه از مدیران انتظار می‌رود که هم‌زمان:

• خروجی‌های تولیدشده توسط هوش مصنوعی را اعتبارسنجی کنند.
• خطاها و توهم‌های هوش مصنوعی (Hallucination) را تشخیص دهند.
• اعضای تیم را در استفاده صحیح از ابزارهای هوش مصنوعی آموزش دهند.
• اصول پایه‌ای حرفه و مهارت‌های شغلی را نیز به نیروهای تازه‌کار منتقل کنند.
• کیفیت نهایی پروژه‌ها را حفظ کنند.

تمام این وظایف جدید در حالی به آن‌ها واگذار شده که:

• حجم پروژه‌ها کاهش نیافته است.
• فشار تحویل پروژه‌ها کمتر نشده است.
• و تقریباً هیچ سازوکار حمایتی رسمی برای آن‌ها ایجاد نشده است.

بحرانی که پیش از هوش مصنوعی آغاز شده بود

واقعیت این است که مدیران میانی حتی پیش از ظهور هوش مصنوعی نیز تحت فشار زیادی قرار داشتند.

در سال‌های اخیر، تعدیل نیروها و بازسازی ساختار سازمان‌ها باعث شده بود بسیاری از لایه‌های مدیریتی حذف شوند.

در نتیجه، تعداد کمتری از مدیران مجبور بودند تعداد بیشتری از کارکنان را مدیریت کنند.

اکنون هوش مصنوعی این فشار را چند برابر کرده است.

بر اساس پیش‌بینی مؤسسه Gartner، تا سال ۲۰۲۶ حدود ۲۰ درصد سازمان‌ها از هوش مصنوعی برای تخت‌تر کردن ساختار سازمانی خود استفاده خواهند کرد و بیش از نیمی از جایگاه‌های فعلی مدیران میانی را حذف خواهند کرد.

از سوی دیگر، داده‌های Gallup نشان می‌دهد میزان مشارکت و انگیزه مدیران از ۳۰ درصد در سال ۲۰۲۳ به تنها ۲۲ درصد در سال ۲۰۲۵ کاهش یافته است؛ شدیدترین افتی که در میان تمام گروه‌های شغلی مشاهده شده است.

به بیان دیگر، هوش مصنوعی بحران فرسودگی مدیران میانی را ایجاد نکرد.

بلکه فقط سرعت و شدت آن را افزایش داد.

نادیده گرفتن مدیران میانی، یک ریسک ساختاری است

تحمیل این حجم از مسئولیت به مدیران میانی، یک ریسک جدی برای کل سازمان ایجاد می‌کند.

سؤال اصلی رهبران سازمان دیگر این نیست که:

«چگونه تعداد مدیران میانی را کاهش دهیم؟»

بلکه باید بپرسند:

«چگونه این لایه را تقویت کنیم؟»

زیرا اگر مدیران میانی نتوانند وظیفه خود را به‌درستی انجام دهند، نه افزایش بهره‌وری کارشناسان جوان به ارزش واقعی تبدیل خواهد شد و نه برنامه‌های استراتژیک مدیران ارشد به نتیجه خواهد رسید.

در نهایت، این مشتریان هستند که اثر این ضعف را در کیفیت خدمات و خروجی‌ها احساس خواهند کرد.

گذار به عصر هوش مصنوعی، به سرمایه‌گذاری بیشتر نیاز دارد؛ به‌ویژه روی مدیران میانی

سال‌هاست که گفته می‌شود هوش مصنوعی می‌تواند کارکنان را از انجام کارهای تکراری و کم‌ارزش آزاد کند تا زمان بیشتری برای فعالیت‌های مهم‌تر و ارزش‌آفرین داشته باشند.

اما آنچه در این پژوهش مشاهده شد، فراتر از این ایده بود.

پژوهشگران الگویی را شناسایی کردند که آن را ارتقای نقش (Role Elevation) می‌نامند.

در تیم‌هایی که پذیرش هوش مصنوعی با موفقیت پیش می‌رفت، از AI برای حذف نقش‌ها استفاده نمی‌شد؛ بلکه نقش افراد به سطح بالاتری ارتقا پیدا می‌کرد.

برای مثال، کارشناسان جوان دیگر زمان خود را صرف جمع‌آوری اولیه اطلاعات یا انجام تحلیل‌های تکراری نمی‌کردند. آن‌ها فرصت پیدا کرده بودند تا کارهای ارزشمندتری مانند:

• تفسیر داده‌ها،
• تحلیل نتایج،
• مشارکت در جلسات استراتژی،
• و حضور در گفت‌وگوهای اولیه با مشتریان

را بسیار زودتر از نسل‌های قبل تجربه کنند.

در همین حال، شرکا (Partners) نیز از فروش صرفِ متدولوژی‌های مشاوره فاصله گرفته بودند و بیشتر بر قضاوت حرفه‌ای تقویت‌شده با هوش مصنوعی تمرکز می‌کردند.

اما مدیران میانی ارتقا پیدا نکردند

در حالی که کارشناسان جوان و مدیران ارشد نقش‌های جدید و ارزشمندتری پیدا کردند، مدیران میانی تجربه کاملاً متفاوتی داشتند.

وظایف جدید آن‌ها شامل موارد زیر بود:

• نظارت بر خروجی‌های هوش مصنوعی،
• آموزش اعضای تیم،
• کنترل کیفیت،
• مدیریت ریسک،
• و هدایت فرایند پذیرش AI.

اما این مسئولیت‌ها جایگزین وظایف قبلی نشدند.

بلکه به کارهای قبلی آن‌ها اضافه شدند.

در نتیجه، بدون حمایت سازمانی، مدیران میانی ارتقای نقش پیدا نمی‌کنند؛ بلکه زیر بار مسئولیت‌های جدید دفن می‌شوند.

سه نقطه شکست در پذیرش هوش مصنوعی

مصاحبه‌های این پژوهش نشان داد که مدیران میانی عمدتاً در سه بخش با شکست ساختاری مواجه می‌شوند.

شکست اول: یادگیری غیررسمی است، اما فشار تحویل پروژه‌ها هرگز متوقف نمی‌شود

در بسیاری از تیم‌های مورد بررسی، زمانی که هوش مصنوعی صرفه‌جویی می‌کرد، این زمان آزادشده بلافاصله صرف انجام پروژه‌های جدید می‌شد.

در عمل، هیچ زمانی برای یادگیری باقی نمی‌ماند.

از مدیران انتظار می‌رفت که:

• ابزارهای جدید را آزمایش کنند،
• روش‌های مؤثر را پیدا کنند،
• آن‌ها را به اعضای تیم آموزش دهند،
• و هم‌زمان تمام پروژه‌ها را طبق برنامه تحویل دهند.

اما مسئولیت‌های رسمی آن‌ها هیچ تغییری نکرده بود.

نتیجه چه بود؟

هر تیم مجبور بود بارها و بارها همان مشکلات را از ابتدا حل کند.

پرامپت‌های مؤثر، گردش‌کارهای مناسب و تجربه‌های ارزشمند استفاده از هوش مصنوعی، در ذهن افراد باقی می‌ماند و به دانش سازمانی تبدیل نمی‌شد.

به همین دلیل، بسیاری از تیم‌ها مرتباً اشتباهات مشابهی را تکرار می‌کردند.

تیم‌های موفق چه تفاوتی داشتند؟

پژوهش نشان داد تیم‌هایی که پذیرش هوش مصنوعی را با موفقیت مدیریت کرده بودند، دو تغییر مهم در شیوۀ کار خود ایجاد کرده بودند.

۱. برای یادگیری، زمان مشخصی اختصاص داده بودند

این تیم‌ها یادگیری را به زمان‌های خالی یا ساعات اضافه موکول نمی‌کردند.

مدیران ارشد به‌طور موقت اهداف بهره‌برداری (Utilization Targets) را در دوره گذار به هوش مصنوعی کاهش داده بودند تا افراد فرصت یادگیری داشته باشند.

در برخی تیم‌ها حتی جلسات هفتگی ثابتی برگزار می‌شد که در آن، کارشناسان جوان تجربه‌های خود از کار با هوش مصنوعی را با سایر اعضای تیم به اشتراک می‌گذاشتند.

علاوه بر این، در ارزیابی عملکرد کارکنان نیز میزان مستندسازی و اشتراک‌گذاری تجربیات مرتبط با AI به‌عنوان یکی از معیارهای سنجش عملکرد در نظر گرفته شده بود.

به محض اینکه زمان یادگیری به‌صورت رسمی وارد تقویم کاری شد، روند پذیرش هوش مصنوعی نیز به‌صورت تصاعدی رشد کرد.

۲. دانش را به دارایی سازمان تبدیل کرده بودند

عامل تمایز اصلی میان تیم‌های موفق و ناموفق، نوع ابزارهای هوش مصنوعی مورد استفاده آن‌ها نبود.

تقریباً همه به ابزارهای مشابه دسترسی داشتند.

تفاوت اصلی در این بود که آیا سازمان یک مرکز دانش (Knowledge Hub) برای هوش مصنوعی ایجاد کرده بود یا خیر.

یک مرکز دانش متمرکز برای هوش مصنوعی

موفق‌ترین تیم‌ها اطلاعات خود را در یک مخزن متمرکز جمع‌آوری کرده بودند؛ جایی که شامل موارد زیر بود:

• ابزارهای مورد استفاده،
• نمونه‌های موفق (Use Cases)،
• پرامپت‌های مؤثر،
• دستورالعمل‌های حاکمیت داده (Governance)،
• استانداردهای استفاده از AI،
• و راهنماهای داخلی.

وجود یک موتور جستجوی مناسب نیز باعث می‌شد کارکنان دقیقاً بدانند پاسخ سؤال خود را از کجا پیدا کنند.

نوآوری از دل تیم‌های عملیاتی شکل می‌گرفت

نکته جالب این بود که بهترین روش‌های استفاده از هوش مصنوعی معمولاً توسط مدیران ارشد طراحی نمی‌شد.

این روش‌ها اغلب از دل تیم‌هایی به وجود می‌آمد که در حال حل مشکلات واقعی پروژه‌های مشتریان بودند.

اما این تجربه‌ها تنها زمانی در کل سازمان گسترش پیدا می‌کرد که زیرساخت مناسبی برای ثبت، سازمان‌دهی و اشتراک‌گذاری آن‌ها وجود داشت.

در نتیجه:

• آزمایش‌های تکراری کاهش پیدا می‌کرد،
• تیم‌ها از تجربیات یکدیگر استفاده می‌کردند،
• و کیفیت پروژه‌های مختلف به‌تدریج افزایش می‌یافت.

مهم‌ترین درس این بخش

یافته‌های این پژوهش نشان می‌دهد بزرگ‌ترین مانع پذیرش موفق هوش مصنوعی، کمبود ابزار نیست.

مشکل اصلی این است که بسیاری از سازمان‌ها هنوز فرایند یادگیری هوش مصنوعی را به بخشی از کار رسمی کارکنان تبدیل نکرده‌اند.

تا زمانی که یادگیری، مستندسازی و انتقال دانش فقط به انگیزه شخصی افراد وابسته باشد، تجربه‌های ارزشمند در سطح افراد باقی می‌ماند و هر تیم مجبور خواهد بود دوباره همان مسیر را از ابتدا طی کند.

سازمان‌هایی که برای یادگیری زمان اختصاص می‌دهند و دانش حاصل از پروژه‌ها را به یک دارایی مشترک تبدیل می‌کنند، بسیار سریع‌تر از سایر رقبا می‌توانند از مزایای واقعی هوش مصنوعی بهره‌مند شوند.

شکست دوم: سیستم‌های ارزیابی عملکرد، رفتارهای اشتباه را پاداش می‌دهند

هوش مصنوعی در حال تغییر تعریف «عملکرد خوب» در سازمان‌هاست، اما در بسیاری از شرکت‌ها، سیستم‌های ارزیابی عملکرد هنوز با این تغییر همگام نشده‌اند.

در شرکت‌های مورد بررسی این پژوهش، معیارهای سنتی همچنان بر شاخص‌هایی مانند:

• ساعات قابل‌صورتحساب (Billable Hours)
• میزان خروجی فردی
• تحویل پروژه‌ها

تمرکز داشتند.

در مقابل، رفتارهایی که واقعاً باعث موفقیت در پذیرش هوش مصنوعی می‌شوند، معمولاً در ارزیابی عملکرد جایی نداشتند.

رفتارهایی مانند:

• به اشتراک گذاشتن پرامپت‌های مؤثر با سایر تیم‌ها،
• آموزش همکاران،
• مشارکت در توسعه ابزارهای داخلی،
• مستندسازی تجربیات،
• و انتقال دانش.

در بسیاری از موارد، این فعالیت‌ها اصلاً دیده نمی‌شدند.

حتی برخی کارکنان استفاده از هوش مصنوعی را پنهان می‌کردند

یکی از یافته‌های جالب این پژوهش این بود که بعضی از کارکنان ترجیح می‌دادند استفاده خود از هوش مصنوعی را در پروژه‌ها اعلام نکنند.

چرا؟

زیرا ساختار فعلی ارزیابی عملکرد هنوز این پیام را منتقل می‌کند که:

هرچه تلاش شخصی بیشتری انجام داده باشید، ارزش حرفه‌ای بیشتری خلق کرده‌اید.

در چنین شرایطی، برخی کارکنان تصور می‌کنند اگر بگویند بخشی از کار خود را با کمک هوش مصنوعی انجام داده‌اند، ممکن است ارزش کارشان کمتر به نظر برسد.

راه‌حل چیست؟

اصلاح این وضعیت به تغییراتی در تمام سطوح سازمان نیاز دارد؛ اما نقش مدیران میانی در این میان بسیار پررنگ‌تر است.

رهبران سازمان باید بپذیرند که مدیران میانی اکنون سه مسئولیت هم‌زمان بر عهده دارند:

• مدیریت فرایند آزمایش و استفاده از هوش مصنوعی،
• حفظ کیفیت و تحویل پروژه‌های مشتریان،
• و آموزش و توسعۀ اعضای تیم.

اگر سیستم‌های ارزیابی عملکرد این واقعیت را منعکس نکنند، مدیران نیز ناچار خواهند شد روی همان شاخص‌هایی تمرکز کنند که اندازه‌گیری می‌شوند.

در نتیجه، فعالیت‌هایی مانند:

• مربی‌گری،
• انتقال تجربه،
• آموزش،
• و توسعه دانش سازمانی

به تدریج به حاشیه رانده خواهند شد؛ در حالی که دقیقاً همین فعالیت‌ها هستند که باعث می‌شوند پذیرش هوش مصنوعی در سازمان به‌مرور زمان تقویت شود.

شکست سوم: مدیران ارشد و مدیران میانی در دو واقعیت متفاوت زندگی می‌کنند

داده‌های مؤسسه BCG نشان می‌دهد مدیران ارشد تقریباً دو برابر بیشتر از کارکنان عملیاتی معتقدند که کارکنان سازمان نسبت به هوش مصنوعی دیدگاه مثبتی دارند و با اشتیاق از آن استقبال می‌کنند.

مصاحبه‌های این پژوهش نیز همین شکاف را تأیید می‌کند.

اما مهم‌تر از خود شکاف، محل بروز آن است.

این فاصله بیش از هر جای دیگر، بر دوش مدیران میانی قرار می‌گیرد.

مدیران ارشد، کمتر با واقعیت روزمره مواجه هستند

در بسیاری از شرکت‌های مورد بررسی، شرکا و مدیران ارشد کمتر درگیر تغییرات روزمره‌ای بودند که هوش مصنوعی در اجرای پروژه‌ها ایجاد کرده بود.

به همین دلیل، میان چشم‌انداز استراتژیک مدیران ارشد و واقعیت عملیاتی تیم‌ها فاصله قابل توجهی به وجود آمده بود.

چه کسی این شکاف را پر می‌کند؟

پاسخ روشن است:

مدیران میانی.

آن‌ها هر روز باید تصمیم بگیرند:

• آیا خروجی تولیدشده توسط هوش مصنوعی برای مشتری قابل قبول است؟
• کدام مهارت‌ها را هنوز باید به اعضای جوان تیم به روش سنتی آموزش داد؟
• چه استانداردهایی باید برای پروژه‌های مشتریان رعایت شود؟
• اگر مشتری تصور کند تمام کار توسط هوش مصنوعی انجام شده، چگونه باید این نگرانی را مدیریت کرد؟

در بسیاری از سازمان‌ها، هیچ دستورالعمل واحدی برای پاسخ به این پرسش‌ها وجود ندارد.

در نتیجه، هر مدیر مجبور است به‌تنهایی و بر اساس قضاوت شخصی خود تصمیم بگیرد.

به بیان دیگر، سیاست‌های سازمانی عملاً به‌صورت تیم‌به‌تیم و مدیر‌به‌مدیر شکل می‌گیرند.

چگونه این شکاف را کاهش دهیم؟

پژوهشگران معتقدند نخستین گام، حضور فعال و قابل مشاهده مدیران ارشد در فرایند پذیرش هوش مصنوعی است.

زمانی که رهبران سازمان شخصاً در جلسات کاری مرتبط با AI حضور پیدا می‌کردند، مدیران میانی گزارش دادند که بخش زیادی از فشار تصمیم‌گیری از روی دوش آن‌ها برداشته شده است.

در این شرایط، به جای آنکه هر مدیر به‌تنهایی قوانین را تفسیر کند، جهت‌گیری واحدی در سطح سازمان شکل می‌گرفت.

در مقابل، مدیران ارشد نیز تصویر دقیق‌تری از چالش‌های واقعی تیم‌ها به دست می‌آوردند و می‌توانستند انتظارات خود را واقع‌بینانه‌تر تنظیم کنند.

آموزش مدیران میانی باید تخصصی باشد

پژوهش تأکید می‌کند که آموزش عمومی استفاده از ابزارهای هوش مصنوعی کافی نیست.

سازمان‌ها باید برای مدیران میانی، آموزش‌های اختصاصی طراحی کنند.

از جمله:

• تشخیص توهم‌های هوش مصنوعی (Hallucination Detection)
• ارزیابی کیفیت پرامپت‌ها
• اعتبارسنجی خروجی‌های AI
• بررسی صحت تحلیل‌های تولیدشده توسط هوش مصنوعی

مدیران باید از یکدیگر یاد بگیرند

یکی دیگر از پیشنهادهای پژوهش، ایجاد انجمن‌های یادگیری میان مدیران است.

در این انجمن‌ها، مدیران می‌توانند:

• روش‌های بررسی خروجی‌های AI،
• تجربیات پروژه‌ها،
• اشتباهات رایج،
• و راهکارهای موفق خود

را با یکدیگر به اشتراک بگذارند.

در نتیجه، هر مدیر مجبور نخواهد بود همه چیز را از ابتدا تجربه کند.

قوانین استفاده از هوش مصنوعی باید شفاف باشند

در نهایت، سازمان باید انتظارات خود درباره استفاده از هوش مصنوعی را به‌صورت شفاف مشخص کند.

برای مثال:

• در چه بخش‌هایی استفاده از AI مجاز است؟
• چه خروجی‌هایی باید حتماً توسط انسان بررسی شوند؟
• چه مسئولیتی بر عهده مدیر است؟
• چه استانداردهایی باید برای تحویل پروژه رعایت شود؟

تا زمانی که پاسخ این پرسش‌ها به‌صورت رسمی مشخص نباشد، هر مدیر ناچار است بر اساس برداشت شخصی خود تصمیم بگیرد.

این موضوع نه‌تنها کیفیت پروژه‌ها را کاهش می‌دهد، بلکه فشار روانی و مسئولیت مدیران میانی را نیز به‌طور قابل توجهی افزایش می‌دهد.

جمع‌بندی این بخش

دو مانع مهم در مسیر موفقیت پروژه‌های هوش مصنوعی، نه فناوری هستند و نه ابزارها.

نخست، سیستم‌های ارزیابی عملکرد که هنوز رفتارهای مناسب برای عصر هوش مصنوعی را تشویق نمی‌کنند.

دوم، شکاف میان مدیران ارشد و مدیران میانی که باعث می‌شود تصمیم‌های حیاتی درباره استفاده از AI بدون استاندارد مشخص و به‌صورت پراکنده در تیم‌های مختلف گرفته شوند.

سازمان‌هایی که این دو مشکل را برطرف کنند، نه‌تنها سرعت پذیرش هوش مصنوعی را افزایش خواهند داد، بلکه فشار واردشده بر مدیران میانی را نیز به شکل چشمگیری کاهش می‌دهند و مسیر پایدارتری برای تحول دیجیتال ایجاد خواهند کرد.

حفاظت از مسیر پرورش رهبران آینده

در پسِ تمام فشارهایی که امروز بر مدیران میانی وارد می‌شود، مسئله عمیق‌تر و مهم‌تری وجود دارد که نباید نادیده گرفته شود:

اگر مدیران میانی بیشتر زمان خود را صرف بررسی خروجی‌های هوش مصنوعی و رفع خطاهای آن کنند، چه کسی مسئول پرورش نسل بعدی رهبران سازمان خواهد بود؟

این پرسش، یکی از مهم‌ترین دغدغه‌هایی است که سازمان‌ها باید در دوران گذار به هوش مصنوعی به آن پاسخ دهند.

هوش مصنوعی، مدل سنتی یادگیری را تغییر داده است

در شرکت‌های مشاوره، یادگیری همیشه بر پایۀ «شاگردی در کنار استاد» شکل می‌گرفت.

کارشناسان جوان در کنار مدیران خود کار می‌کردند و به‌مرور یاد می‌گرفتند که چگونه:

• برای یک پروژه برنامه‌ریزی کنند،
• تحلیل‌های خود را به چالش بکشند،
• نقاط ضعف یک استدلال را تشخیص دهند،
• و در گفت‌وگوهای دشوار با مشتری تصمیم‌های درست بگیرند.

بخش عمده‌ای از این آموزش‌ها هرگز در قالب کتاب یا دوره آموزشی منتقل نمی‌شد؛ بلکه در جریان همکاری روزانه و مشاهده رفتار مدیران شکل می‌گرفت.

دورکاری و هوش مصنوعی، این مسیر را تضعیف کرده‌اند

پژوهشگران معتقدند که مدل‌های کاری ترکیبی (Hybrid Work) پیش از این نیز بخشی از این فرایند یادگیری را تضعیف کرده بودند.

اکنون هوش مصنوعی ممکن است این روند را تشدید کند.

چرا؟

زیرا بسیاری از وظایف فنی که پیش‌تر فرصتی برای یادگیری تدریجی فراهم می‌کردند، اکنون تنها در چند دقیقه توسط هوش مصنوعی انجام می‌شوند.

امروز یک کارشناس جوان می‌تواند با کمک AI، در مدت کوتاهی گزارشی بسیار حرفه‌ای یا یک ارائه ظاهراً کامل تولید کند.

اما آنچه هنوز به زمان، تجربه و راهنمایی مدیران نیاز دارد، چیز دیگری است.

مهارت‌هایی که هوش مصنوعی هنوز آموزش نمی‌دهد

هوش مصنوعی می‌تواند متن تولید کند، تحلیل بنویسد و اسلاید طراحی کند.

اما هنوز نمی‌تواند به یک کارشناس تازه‌کار یاد بدهد:

• چه زمانی یک تحلیل، اگرچه منطقی به نظر می‌رسد، اما در واقع ضعیف است؟
• آیا توصیه‌های ارائه‌شده واقعاً با مسئله مشتری تناسب دارند؟
• چگونه باید بدون از بین بردن اعتماد مشتری، با او مخالفت کرد؟
• چه زمانی باید خروجی هوش مصنوعی را کنار گذاشت و دوباره از ابتدا فکر کرد؟

این مهارت‌ها تنها از طریق تجربه، بازخورد و مربی‌گری مدیران شکل می‌گیرند.

مسئله فقط بهره‌وری نیست؛ آینده رهبری سازمان است

به همین دلیل، نویسندگان مقاله تأکید می‌کنند که این موضوع صرفاً یک مسئله مربوط به گردش‌کار یا افزایش بهره‌وری نیست.

بلکه مسئله‌ای درباره پرورش رهبران آینده سازمان است.

اگر شرکت‌ها بتوانند زمانی را که مدیران صرف بررسی مکرر خروجی‌های هوش مصنوعی می‌کنند کاهش دهند، بخشی از این ظرفیت آزادشده می‌تواند دوباره به فعالیت‌هایی اختصاص یابد که بیشترین ارزش بلندمدت را ایجاد می‌کنند:

• مربی‌گری،
• آموزش،
• انتقال تجربه،
• و توسعۀ استعدادهای آینده.

سازمان‌های موفق پنج سال آینده چه تفاوتی خواهند داشت؟

پژوهشگران پیش‌بینی می‌کنند سازمان‌هایی که بتوانند از این ظرفیت محافظت کنند، طی پنج سال آینده همچنان از یک مسیر قوی برای پرورش رهبران برخوردار خواهند بود.

اما سازمان‌هایی که تنها بر افزایش سرعت و بهره‌وری کوتاه‌مدت تمرکز کنند، با مشکلی جدی روبه‌رو خواهند شد.

هوش مصنوعی شاید باعث شود کارشناسان جوان سریع‌تر خروجی تولید کنند، اما در عین حال ممکن است مسیری را که یک کارشناس را به یک مدیر و سپس به یک رهبر تبدیل می‌کند، به‌تدریج از بین ببرد.

سرمایه‌گذاری روی مدیران میانی، اثر هوش مصنوعی را چند برابر می‌کند

سرمایه‌گذاری روی مدیران میانی تنها به کاهش فشار کاری آن‌ها منجر نمی‌شود.

این سرمایه‌گذاری می‌تواند باعث شود پذیرش هوش مصنوعی در سراسر سازمان به‌صورت تصاعدی رشد کند.

در چنین شرایطی:

• تیم‌ها روی تجربیات یکدیگر بنا می‌کنند، نه اینکه هر بار همه چیز را از ابتدا شروع کنند.
• مدیران با گذشت زمان در استفاده و ارزیابی هوش مصنوعی مهارت بیشتری پیدا می‌کنند.
• کارشناسان جوان سریع‌تر رشد می‌کنند.
• مدیران ارشد نیز هنگام گفت‌وگو با مشتریان، بر اساس تجربه واقعی سازمان درباره هوش مصنوعی صحبت می‌کنند، نه صرفاً بر اساس چشم‌اندازها یا وعده‌های آینده.

موفقیت در پذیرش هوش مصنوعی به فناوری وابسته نیست

شاید مهم‌ترین نتیجه این پژوهش همین باشد.

تفاوت میان سازمان‌هایی که در پذیرش هوش مصنوعی موفق می‌شوند و آن‌هایی که با شکست مواجه می‌شوند، به کیفیت ابزارهای هوش مصنوعی آن‌ها مربوط نیست.

عامل تعیین‌کننده این است که آیا رهبران سازمان، ساختار حمایتی مناسبی برای افرادی ایجاد کرده‌اند که قرار است هوش مصنوعی را در عمل به کار بگیرند یا خیر.

به بیان دیگر، موفقیت پروژه‌های AI بیش از آنکه یک مسئله فنی باشد، یک مسئله مدیریتی و سازمانی است.

سه پرسشی که هر مدیر ارشد باید از خود بپرسد

نویسندگان مقاله در پایان، سه سؤال کلیدی را مطرح می‌کنند که هر رهبر سازمان باید صادقانه به آن‌ها پاسخ دهد:

۱. هزینۀ واقعی جاه‌طلبی‌های هوش مصنوعی سازمان شما را چه کسانی پرداخت می‌کنند؟

آیا فشار اصلی اجرای پروژه‌های AI بر دوش گروه خاصی از کارکنان، به‌ویژه مدیران میانی، قرار گرفته است؟

۲. آیا حمایت کافی از آن‌ها انجام می‌دهید؟

آیا مدیران میانی به آموزش، زمان، ابزار، استانداردها و اختیارات لازم برای مدیریت این تحول دسترسی دارند؟

یا تنها انتظار می‌رود با همان منابع قبلی، مسئولیت‌های جدید را نیز بر عهده بگیرند؟

۳. آیا زمانی را که مدیران برای پرورش رهبران آینده نیاز دارند، حفظ کرده‌اید؟

اگر مدیران تمام وقت خود را صرف کنترل خروجی‌های هوش مصنوعی، اصلاح خطاها و پاسخ‌گویی به پروژه‌ها کنند، چه زمانی برای آموزش، مربی‌گری و انتقال تجربه باقی خواهد ماند؟

جمع‌بندی

هوش مصنوعی بدون تردید نحوۀ کار سازمان‌ها را متحول خواهد کرد، اما این تحول صرفاً با خرید ابزارهای جدید یا استقرار مدل‌های پیشرفته اتفاق نمی‌افتد.

پذیرش موفق AI زمانی امکان‌پذیر است که سازمان‌ها ساختار، فرایندها و نظام مدیریتی خود را نیز متناسب با این تغییر بازطراحی کنند.

مدیران میانی، حلقۀ اتصال میان چشم‌انداز مدیران ارشد و اجرای عملی تیم‌ها هستند.

اگر این حلقه تضعیف شود، نه افزایش بهره‌وری کارکنان به ارزش واقعی تبدیل خواهد شد و نه سرمایه‌گذاری‌های کلان در هوش مصنوعی به نتایج پایدار منجر می‌شود.

بنابراین، شاید مهم‌ترین سرمایه‌گذاری سازمان‌ها در عصر هوش مصنوعی، خرید ابزارهای جدید نباشد؛ بلکه تقویت مدیران میانی باشد؛ افرادی که هر روز، بدون دیده شدن، بار اصلی تحول دیجیتال را بر دوش می‌کشند.

منبع

این مقاله ترجمه و بازنویسی فارسی از مقاله زیر است:

AI Adoption Is Overloading Your Middle Managers – Harvard Business Review

نویسندگان:

• Julia Shin
• Sandra J. Sucher

تاریخ انتشار: ۲۶ ژوئن ۲۰۲۶