آنچه J&J درباره ارزیابی موارد استفاده از هوش مصنوعی به ما می آموزد – قانون اینترنت و رسانه های اجتماعی – 11 نوامبر 2025

«بگذار هزار گل شکوفا شوند» استراتژی جانسون و جانسون برای ایجاد نوآوری در هوش مصنوعی بود. در مدت کوتاهی، نزدیک به 900 پروژه در شرکت ظاهر شد.

اما بررسی داخلی بعدی نشان داد که تنها 10 تا 15 درصد از این پروژه ها 80 درصد ارزش را ارائه کردند. در پاسخ، J&J برگشت. تمرکز خود را به موارد استفاده با تاثیر بالا محدود می کند و بقیه را حذف می کند. این تلاش‌های باقی‌مانده با استراتژی کسب‌وکار، کیفیت اجرا و اتخاذ همسو بود.

بازار گسترده تر داستان مشابهی را بیان می کند. فشار برای ساخت، خرید یا استفاده از هوش مصنوعی غیرقابل انکار است. یک مطالعه نشان داد که از هر 5 کارگر 1 نفر چنین احساسی دارد آنها دارند استفاده از هوش مصنوعی، حتی در شرایطی که از مناسب بودن آن مطمئن نیستند. و از هر 6 نفر 1 نفر اعتراف می‌کنند که وانمود می‌کنند که از هوش مصنوعی استفاده می‌کنند تا همگام با زمان باشند. تعصب بیش از حد هوش مصنوعی شروع به خسته کردن سرمایه گذاران کرده است، زیرا ترس از “حباب هوش مصنوعی” قریب الوقوع اخیراً به عدم اطمینان در بازارهای سهام ایالات متحده دامن زده است. علاوه بر این، کمیته‌های قانونی و حاکمیت هوش مصنوعی در بسیاری از سازمان‌ها مملو از درخواست‌های تأیید و مسئولیت‌های اضافی برای بررسی و تأیید هوش مصنوعی هستند. متأسفانه، موارد استفاده ممکن است از توانایی سازمان ها برای توسعه مکانیسم های حاکمیتی پیشی بگیرد، زیرا به نظر می رسد تنها 25٪ از شرکت ها برنامه های حاکمیتی هوش مصنوعی را به طور کامل اجرا کرده اند.

درس J&J ساده است: اندازه‌گیری پیشرفت را با تعداد پروژه‌ها متوقف کنید. همانطور که سازمان‌ها در سفر هوش مصنوعی خود به بلوغ می‌رسند، شاید بهتر باشد از تغییر استراتژی J&J درس گرفته و بر ضرب المثل قدیمی کیفیت بر کمیت تمرکز کنیم. موفقیت در نوآوری هوش مصنوعی در واقع به این نیست که تا آنجایی که می توانید انجام دهید، و به این نیست که همه چیز را با همان سرعتی که می توانید انجام دهید (یا حداقل سریعتر از فرد بعدی). در عوض، روی چیزهایی که ارزشمند هستند تمرکز کنید.

برای تمرکز بر ارزش بر پیشرفت به خاطر پیشرفت، ارزیابی موارد استفاده از هوش مصنوعی باید نتایج را فیلتر کند. تجربه J&J بر نیاز به یک چارچوب ارزیابی ساختاریافته در مدیریت هوش مصنوعی سازمانی تاکید دارد. استراتژی های زیر می تواند به سازمان ها کمک کند تا ارزیابی های هوش مصنوعی خود را دوباره متمرکز کنند.

ارزیابی دقیق موارد استفاده از هوش مصنوعی

1. ارزش کسب و کار را تعیین کنید
هر ابتکار هوش مصنوعی باید با پاسخ روشن به یک سوال ساده شروع شود: چه مشکلی را حل می کنیم و چرا اهمیت دارد؟ به جای شروع با فناوری، با نتایج کسب و کار مانند رشد درآمد، کاهش هزینه، کاهش ریسک یا رضایت مشتری شروع کنید. هنگامی که هدف تعریف شد، آن را به معیارهای قابل اندازه گیری ترجمه کنید. به عنوان مثال:

• • موارد استفاده بازده: کاهش زمان چرخه، نرخ خطا یا هزینه تراکنش.
  • موارد استفاده از درآمد: افزایش میانگین هزینه های مشتری، امکان فروش متقابل موفق تر را فراهم می کند.
  • ریسک و انطباق: کاهش مرورهای دستی، مثبت کاذب یا زمان تشخیص.

یک قرص سخت برای قورت دادن این است که اگر یک مورد استفاده را نمی توان اندازه گیری کرد، شاید نباید به جلو حرکت کند.

2. ارزیابی آمادگی سازمانی
عدم تطابق بین جاه طلبی هوش مصنوعی و بلوغ سازمانی یکی از دلایل رایج شکست موارد استفاده از هوش مصنوعی است. قبل از سرمایه‌گذاری در هر مورد استفاده از هوش مصنوعی، سازمان‌ها باید توانایی خود را در عملی کردن این فناوری ارزیابی کنند. این “ارزیابی آمادگی” پل بین جاه طلبی و اجراست. هدف این است که اندازه گیری شود که آیا یک ابزار پیشنهادی می تواند به طور موثر در اکوسیستم موجود شرکت کار کند یا خیر. سه بعد ارزیابی آمادگی وجود دارد:

• • آمادگی ابزار: آیا مدل یا محصول در شرایط واقعی کار را به طور قابل اعتماد انجام می دهد؟ یکی از بهترین راه‌ها برای تشخیص آمادگی یک ابزار، از طریق اثبات مفهوم، آزمایشی یا استقرار محدود است که امکان آزمایش کم‌خطر و کم‌هزینه را در یک آزمایش کنترل‌شده فراهم می‌کند. ما در مقاله قبلی به مزایای خلبان برای ابزارهای هوش مصنوعی اشاره کردیم. با این حال، بسیاری از سازمان‌ها همچنان در دام تلاش برای مقیاس‌بندی سریع ابزارهای آزمایش‌نشده یا تعهدات مالی بزرگ به فروشندگان هوش مصنوعی که در نهایت موفق به ارائه آن‌ها نمی‌شوند، می‌افتند. فعال کردن سازمان شما برای آزمایش ساخت یا ارائه دهنده در یک محیط کم خطر، یکی از بهترین راه‌ها برای جلوگیری از هزینه‌های غیرمجاز یا ریسک است.
  • آمادگی فنی: آیا زیرساخت سازمان می تواند از ابزار هوش مصنوعی پشتیبانی کند؟ عوامل شامل کیفیت داده ها، ادغام با سیستم های اصلی، وضعیت امنیت سایبری و مقیاس پذیری است. متأسفانه، یک مانع بزرگ برای آمادگی فنی، عدم مهارت تیم فناوری اطلاعات سازمان است. یک نظرسنجی از موسسات مالی در بریتانیا نشان داد که دو سوم شرکت‌های مورد بررسی، درک کاملی از نحوه عملکرد فناوری هوش مصنوعی ندارند. هیچ قرص جادویی برای حل این مشکل وجود ندارد، اگرچه سازمان ها برای شروع باید آموزش هدفمند، تجربه عملی و فرهنگ یادگیری مستمر را بر اساس نیازهای خاص نقش و اهداف تجاری ترکیب کنند. صرف نظر از این، ارزیابی آمادگی فنی کلی و به کارگیری ابزارهای متناسب با سازمان شما در جایی که هستید، بهترین راه برای اجرای موفق هوش مصنوعی است.
  • آمادگی سازمانی: آیا بلوغ هوش مصنوعی این شرکت با پیچیدگی ابزار پیشنهادی مطابقت دارد؟ ارزیابی‌های بلوغ که حاکمیت، استعداد، سواد داده‌ای و استانداردهای اخلاقی را ارزیابی می‌کنند، می‌توانند به نشان دادن آمادگی شرکت برای پذیرش، تطبیق و حمایت از فناوری کمک کنند. مانند آمادگی فنی، خرید کل سازمان، که کلید موفقیت هوش مصنوعی است، به این معنی است که سازمان شما باید درک صادقانه ای از سطح بلوغ و اهداف استراتژیک خود داشته باشد تا اطمینان حاصل شود که آنها با موارد استفاده از هوش مصنوعی مورد نظر هماهنگ هستند.

3. پیگیری و تطبیق
یک مورد استفاده از هوش مصنوعی هنگامی که فعال می شود کامل نیست. وارد مرحله جدیدی از یادگیری می شود. هنگامی که ابزار واقعاً مستقر شد، موفقیت به ردیابی منظم در برابر همان معیارهایی که در ابتدا تعریف شد بستگی دارد. ردیابی باید فراتر از اعداد خام باشد. ممیزی های منظم باید یکپارچگی داده ها، دقت مدل و رانش را آزمایش کنند. مقایسه نتایج فعلی با معیارهای اولیه نشان می دهد که آیا هوش مصنوعی برای هدف مناسب باقی می ماند یا خیر. وقتی انحراف رخ می دهد، تیم ها باید تجزیه و تحلیل کنند که آیا این انحرافات ناشی از تغییر ورودی ها، رفتار کاربر یا تغییرات در زمینه کسب و کار است. رویه های حاکمیتی به حفظ همسویی با سطح بلوغ هوش مصنوعی سازمان کمک می کند.

نتایج باید به استراتژی کسب و کار بازگردد. معیارهایی که قابل توجه هستند باید موارد استفاده جدید را اطلاع دهند. آنهایی که نمی توانند تاثیر را ثبت کنند باید اصلاح شوند. آمادگی و ردیابی کار پشت سر هم: Readiness یک ابتکار هوش مصنوعی را راه اندازی می کند و ردیابی آن را در هوا نگه می دارد. سازمان‌هایی که پیاده‌سازی را به‌عنوان آغاز حلقه بازخورد به جای پایان یک پروژه در نظر می‌گیرند، به احتمال زیاد ارزش پایدار را به دست می‌آورند.

در نهایت، اعتراف به شکست اشکالی ندارد. حفظ حق بسته شدن یک پروژه – چه در مرحله آزمایشی و چه پس از آن – در واقع یک نقطه قوت است نه یک ضعف.

بهترین نتیجه اجرای مسئولانه است
در حالی که تمرکز بر نتایج موفقیت آمیز کسب و کار برای موفقیت پیاده سازی هوش مصنوعی ضروری است، تمرکز بر دارایی های نامشهود نیز ضروری است. هر “ستاره شمالی” هوش مصنوعی نه تنها باید درآمد یا کارایی را در اولویت قرار دهد، بلکه باید بر حاکمیت مسئولانه نیز تمرکز کند.

تیم های حقوقی و تطبیق را نباید صرفاً به عنوان دروازه بان، بلکه به عنوان شریک در این فرآیند دید. به‌ویژه زمانی که سیستم‌های هوش مصنوعی با مشتریان تعامل دارند، بررسی حقوقی قوی به شکل‌دهی تصمیمات طراحی حول شفافیت، رضایت و مسئولیت‌پذیری کمک می‌کند. برای هوش مصنوعی به دست آمده از اشخاص ثالث، قراردادها باید ریسک را مطابق با ارزش های سازمانی و استانداردهای بازار تخصیص دهند.

مکانیسم های کنترل هوش مصنوعی را می توان به عنوان یک فرمان به جای ترمز در نظر گرفت. به عبارت دیگر، هدف تیم حاکمیت هوش مصنوعی یک سازمان نباید صرفاً تأیید یا رد موارد استفاده از هوش مصنوعی باشد. پس از استقرار، ابزارهای هوش مصنوعی باید در محدوده یک تیم راهبری AI مستقر نظارت شوند تا اطمینان حاصل شود که معیارها همچنان با اهداف تجاری همسو می شوند و در عین حال از آسیب ناخواسته ای که ممکن است همیشه از طریق سطح خدمات یا بازگشت سرمایه قابل اندازه گیری نباشد محافظت شود.

نتیجه گیری
پایه و اساس J&J در استراتژی هوش مصنوعی سوال جالبی را مطرح می کند. آیا باید از استقرار افسارگسیخته هوش مصنوعی در جوانی جلوگیری کنیم؟ دوران هوش مصنوعی به خاطر هوش مصنوعی باید به پایان برسد. در عوض، ما باید بر ساختارهای ارزیابی و پاسخگویی شفاف تمرکز کنیم و شاید حتی برخی از علف های هرز را اصلاح کنیم. مدیریت عملی که ریشه در اهداف کسب و کار، نیازهای کاربر و آگاهی از ریسک دارد، این تغییر را ممکن می سازد.

مقالات مرتبط

ترفندهای قدیمی برای سگ جدید: چرا بهترین شیوه های خرید فناوری سنتی برای هوش مصنوعی پیشرفته اهمیت دارد

جلب اعتماد شما: نیاز به “قابلیت توضیح” در سیستم های هوش مصنوعی