کاتالیزوری برای تحول خلاقانه

هوش مصنوعی مولد در واقع به عنوان یک عامل کلیدی در تمام مراحل فرآیندهای نوآوری، مورد توجه قرار گرفته است. این تغییر مستلزم ساختار، استراتژی و نتایج قابل اندازه‌گیری است. در این مطلب، از آخرین تحقیقات مرکز کنترل و نظارت تفکر استارت‌آپی در دانشگاه پلی‌تکنیک میلان استفاده شده، تا مشخص شود شرکت‌ها چگونه می‌توانند فراتر از نوآوری حرکت کنند و هوش مصنوعی مولد را به‌عنوان یک جزء ساختاری در سیستم‌های نوآوری خود ادغام کنند.

هوش مصنوعی مولد ویژگی‌های اصلی فناوری‌های همه‌منظوره (GPTs) مانند برق و اینترنت را که همه‌کاره، مقیاس‌پذیر و قادر به ایجاد نوآوری‌های مکمل در صنایع مختلف هستند، به اشتراک می‌گذارد. اما یک بُعد منحصر‌به‌فرد دیگر را هم در اختیار می‌گذارد: دسترسی. امروزه به لطف رابط‌های کاربری بصری و موانع نسبتا کم برای ورود، افراد غیرمتخصص نیز می‌توانند از هوش مصنوعی مولد برای انجام وظایف پیچیده استفاده کنند؛ پدیده‌ای که به ندرت در سایر فناوری‌های متحول‌کننده مشاهده می‌شود.

براساس شاخص روند کاری مایکروسافت در سال ۲۰۲۴، در حال حاضر ۷۵درصد کارکنان در محل کار خود از هوش مصنوعی استفاده می‌کنند که اغلب به طور غیررسمی و پیش از هرگونه برنامه پذیرش ساختاریافته است. این حرکت از پایین به بالا، ضرورت کنترل و تنظیم این خلاقیت توسط مدیریت را پیش از آنکه به طور تصادفی گسترش پیدا کند، برجسته می‌کند. اما اغلب اوقات دیگر خیلی دیر شده است.

هر پروژه نوآوری، باید چهار مرحله سنتی را طی کند. با کمک این مراحل، به راحتی می‌توان فهمید که در حال حاضر چگونه هوش مصنوعی مولد ارزش عینی و قابل لمسی را در طول چرخه حیات نوآوری ارائه می‌دهد:

۱- شناسایی: در این مرحله، ابزارهای هوش مصنوعی مولد مجموعه‌ای از داده‌های گسترده‌ را تجزیه و تحلیل می‌کنند تا بتوانند روندهای نوظهور، نیازهای برآورده نشده و سناریوهای پیش‌بینی استراتژیک را شناسایی کنند. این ابزارها می‌توانند سیگنال‌های بازار و چشم‌اندازهای رقابتی را بسیار سریع‌تر از روش‌های سنتی با هم ادغام کنند.

۲- تولید ایده: سیستم‌های هوش مصنوعی مولد با ارائه طیفی گسترده‌ از ایده‌های خلاقانه و غیرمتعارف، از تفکر واگرا پشتیبانی می‌کنند. آزمایش‌‌های کنترل‌شده نشان داده‌اند که برای مثال، مدل‌های زبانی بزرگ، می‌توانند از نظر امکان‌پذیری و تاثیر، از گروه‌های توفان فکری انسانی بهتر عمل کنند؛ هرچند لزوما از نظر اصالت ایده‌ها این‌ طور نیست.

۳- آزمایش و نمونه‌سازی اولیه: از ماکت‌های رابط کاربری تا کدهای کاربردی یا طرح‌های اولیه محصول، هوش مصنوعی مولد امکان توسعه سریع حداقل محصولات قابل پذیرش را فراهم می‌کند. این امر رویکرد «سریع شکست بخور، سریع‌تر یاد بگیر» را تسریع می‌کند و چرخه زمان بازخورد را کاهش می‌دهد.

۴- اجرا و ورود به بازار: در این مرحله، هوش مصنوعی مولد می‌تواند در شخصی‌سازی کمپین‌ها، خودکارسازی تقسیم‌بندی بازار و تولید محتوای متناسب به مخاطبان خود کمک کرده و افتتاح بازار را پویاتر و پاسخگوتر سازد.

فراتر از مراحل عملیاتی، نقش هوش مصنوعی مولد در سطح استراتژی نیز در حال پررنگ شدن است. هوش مصنوعی مولد می‌تواند در شناسایی روندهای نوظهور، تغییر شکل استراتژی‌های نوآوری و نظارت بر کل پرتفوی اقدامات نوآوری، به تیم‌های مدیریت کمک کند. این ابزارها از طریق تبدیل داده‌های بدون ساختار به بینش‌های استراتژیک، فرآیندهای تصمیم‌گیری آگاهانه‌تر، چابک‌تر و آینده‌نگرانه‌تر را امکان‌پذیر می‌کنند.

   کاربرد در دنیای واقعی

در حال حاضر چند شرکت مزایای عملی هوش مصنوعی مولد در نوآوری را به نمایش گذاشته‌اند:

 ایکیا از هوش مصنوعی مولد برای طراحی مبلمان با الهام از «زیبایی‌شناسی آینده‌نگرانه» (retro-futuristic، سبکی تخیلی که تصور قدیمی‌ها از آینده را نشان می‌دهد) استفاده می‌کند و به این ترتیب، تیم‌های طراحی خود را برای بازطراحی دسته‌بندی محصولاتش به چالش کشیده است.

 اورئو (موندلز اینترنشنال) برای تسریع تولید دستور تهیه میان وعده‌های جدید خود از هوش مصنوعی استفاده می‌کند. ابزار هوش مصنوعی آنها از یادگیری ماشین برای تولید دستور تهیه میان وعده‌ها بر اساس ویژگی‌های مورد نظر مانند طعم، عطر و ظاهر استفاده می‌کند.

 شرکت شیمی آلبرت اینونت، در حال استفاده از هوش مصنوعی آموزش‌دیده بر روی بیش از ۱۵‌میلیون ساختار مولکولی است تا ترکیبات موثر و ایمن مواد را به سرعت شناسایی و خواص فیزیکی، سم‌شناسی و زیبایی‌شناختی آنها را پیش‌بینی کند. 

این موارد نشان می‌دهند که هوش مصنوعی مولد نه تنها کارآیی نوآوری داخلی را بهبود می‌بخشد، بلکه شکل جدیدی از مشارکت و هم‌آفرینی کاربر را نیز امکان‌پذیر می‌کند. در برخی موارد، شرکت‌ها این پروژه‌ها را صرفا به‌عنوان آزمایش‌های تجربی دنبال کردند. برخی دیگر از شرکت‌ها، به استفاده ملموس‌تری پرداختند. در هر صورت، این تجربیات نمونه‌های معناداری هستند که اغلب با ابزارهایی که در حال تکامل هستند اجرا می‌شوند و می‌توانند الهام‌‌بخش کاربردهای بیشتر و اصلاحات استراتژیک باشند.

روی دیگر سکه: محدودیت‌ها و خطرات

به‌رغم هیجاناتی که در این خصوص وجود دارد، سازمان‌ها باید همچنان نگرشی موشکافانه به این قضیه داشته باشند. چالش‌های متعدد می‌توانند اثربخشی استراتژیک هوش مصنوعی مولد را با محدودیت مواجه کنند. یکی از نگرانی‌های کلیدی در این خصوص، خطر همگن‌‌سازی است. همگن‌سازی علاوه بر اینکه یک محدودیت است، می‌تواند محرک بالقوه‌ای برای سوگیری باشد. با تقویت روایت‌ها و الگوهای غالب موجود در داده‌های آموزشی، هوش مصنوعی مولد می‌تواند به شکلی ناخواسته تعصبات و کلیشه‌های موجود را تقویت کند. مساله دیگری که وجود دارد مربوط به کیفیت داده‌هاست.

کیفیت خروجی‌ها به میزان کیفیت ورودی‌ها بستگی دارد به طوری که داده‌های بی‌کیفیت می‌توانند به نتایج نادرست و گمراه‌کننده منجر شوند. علاوه بر این، هنوز ابهامات اخلاقی و قانونی بسیاری پیرامون هوش مصنوعی مولد وجود دارد. سوالات مربوط به مالکیت محتوای تولیدشده توسط هوش مصنوعی، خطر سرقت ادبی غیرعمد و فقدان چارچوب‌های نظارتی شفاف، از جمله چالش‌هایی هستند که همچنان حل نشده باقی مانده‌اند. نهایتا، اگرچه هوش مصنوعی مولد می‌تواند به طور چشم‌گیری خلاقیت را افزایش دهد، اما نمی‌تواند جایگزین نظارت انسانی شود. البته اثربخشی این ابزارها به شدت به تخصص و تفکر انتقادی کاربرانی بستگی دارد که می‌توانند خروجی‌های تولید‌شده توسط هوش مصنوعی را مدیریت و تایید کنند.

منبع: European Business Review