در خدمت چابکی سازمان

• دگرگونی ترکیب کار: تمرکز بیشتر بر «کار اصلی»

تیمی به رهبری پروفسور «مانوئل هافمن» از دانشکده کسب‌وکار هاروارد، برای بررسی نحوه استفاده واقعی افراد از هوش مصنوعی مولد، داده‌های رفتاری مرتبط را در پژوهشی، رصد کرد.

در این تحقیق، رفتار ۵۰,۰۳۲ توسعه‌دهنده نرم‌افزار از اقصی نقاط جهان، در فاصله سال‌های ۲۰۲۲ تا ۲۰۲۴ زیر نظر گرفته شد؛ نیمی از آن‌ها از GitHub Copilot به‌عنوان دستیار کدنویسی مبتنی بر هوش مصنوعی استفاده می‌کردند. کوپایلوت با پیشنهاد قطعات کد، تسریع رفع باگ و پشتیبانی از یادگیری مستقل، بهره‌وری برنامه‌نویسان را بالا می‌برد. هافمن و همکارانش بیش از ۲.۴ میلیون تعامل را در دو سبد دسته‌بندی کردند: کار اصلی (کدنویسی) و کار مدیریتی.

به‌گفته هافمن، مشاهده مستقیم رفتار توسعه‌دهندگان در گیت‌هاب امکان رصد دقیق تغییرات را فراهم کرد: «می‌توانستیم با جزئیات ببینیم آیا و چگونه GenAI الگوی کار را تغییر می‌دهد؟»

نتایج نشان داد دسترسی به کوپایلوت، سهم فعالیت‌های کدنویسی را ۵ واحد درصد افزایش و سهم فعالیت‌های مدیریت پروژه را ۱۰ واحد درصد کاهش داده است. دو سازوکار اصلی شناسایی شد:

• خودمختاری بالاتر: استفاده از GenAI نیاز به هماهنگی را کم کرد و وابستگی به مدیران و هم‌تیمی‌ها را کاهش داد.

• سرعت بیشتر در تولید: دولوپرها تندتر کدنویسی کردند و زمان آزادشده را صرف یادگیری و آزمودن ایده‌های تازه نمودند.

• رهاورد هوش مصنوعی برای مدیران میانی

نویسندگان این تحقیق معتقدند یافته‌های مذکور می‌تواند راهنمایی برای شرکت‌ها در بازطراحی ساختار سلسله‌مراتبی باشد. هدف حذف کامل مدیران میانی نیست؛ بلکه کاهش تعداد و تغییر ماهیت نقش آن‌هاست: زمان کمتر برای هماهنگی و نظارت روتین و فرصت بیشتر برای خلق ارزش؛ از مشارکت در کار عملیاتی (مثلاً کدنویسی) تا بهبود فرآیندها و آزمایش محصول.

اما بهره‌برداری از این ظرفیت، صرفا با تغییر جعبه‌های نمودار سازمانی حاصل نمی‌شود. برای آزاد کردن مدیران میانی از بار تمرکز بر بخش‌هایی از مدیریت پروژه، باید به دو پرسش کلیدی پاسخ داده شود: چه کارهایی را خودکار کنیم؟ و منتفعان اصلی این فرآیند، چه کسانی هستند؟

*گام اول: تعیین وظایف قابل‌خودکارسازی

الگوی کوپایلوت از جهات متعددی، قابل تعمیم است. هر شرکت می‌تواند ابتدا وظایف را دسته‌بندی کند (مثلاً کارِ اصلی در برابر مدیریت پروژه) و سپس بسنجد کدام وظایف از دوش مدیران میانی به GenAI قابل انتقال است. در مطالعه هافمن، کاربران GenAI کمتر به مدیر یا هم‌تیمی برای دریافت کمک، مراجعه کردند و غالبا در گروه‌های کوچک‌تر کار کردند. اجرای آزمایشی مشابه در هر سازمان، نقاطی را که GenAI می‌تواند استقلال تیم را افزایش دهد، آشکار می‌کند.

هافمن می‌گوید: «GenAI گاهی می‌تواند جای مدیر یا مربی را برای پرسش‌های روزمره کارکنان جوان پُر کند. وقتی ظرفیت جلسات یا زمان مدیر محدود است، افراد می‌توانند بدون افزودن لایه مدیریتی، مسئله را حل کنند.

*گام دوم: شناسایی منتفعان اصلی

یافته مهم دیگر این بود که کارکنان کم‌تجربه‌تر بیشترین سود را از GenAI بردند؛ چون تمرکزشان بر کارِ اصلی بیشتر بود و ورودشان به امورات مدیریتی خُرد کاهش یافت. از آن‌سو، افراد هرچه دانش بیشتری داشته باشند، تمایل بیشتری به تکیه بر قضاوت خود دارند نه بر خروجی هوش مصنوعی، بنابراین شیب منفعت برای گروه‌های مهارتی متفاوت است.

این شکاف منفعت، فرصتی برای شرکت‌هاست در راستای سبک‌کردن بار آموزشی مدیران میانی و متمرکز نمودن آن‌ها بر کارهای دست‌اول. وقتی کارکنان کم‌مهارت بتوانند با کمک GenAI سریع‌تر و مستقل‌تر یاد بگیرند، ساعات مدیریتی آزاد می‌شود و بهره‌وری کل تیم بالا می‌رود. افزون‌براین، مشاهده الگوهای استفاده افراد از GenAI به مدیران کمک می‌کند نقاط قوت و ضعف تیم را روشن‌تر ببینند و برای انتقال دانش ضمنی کارکنان خبره به سایرین برنامه بچینند.

البته تمرکز صِرف بر گروه کم‌عملکرد کافی نیست. GenAI برای همه سطوح مهارت فرصت خلق می‌کند. پایش هم‌زمان رفتار افراد قوی و ضعیف (در هر حوزه‌ای فراتر از برنامه‌نویسی) به شناسایی وظایفی کمک می‌کند که می‌توان از دوش مدیران میانی برداشت و سلسله‌مراتب را کاهش داد. لازمه این کار گفت‌وگو با افراد و فهم دقیق کار و وظایف روزانه آن‌هاست.

*هوش مصنوعی در مدیریت: آری/ خیر؟

به احتمال زیاد، شرکت‌هایی که به‌صورت سنجیده از هوش مصنوعی مولد بهره می‌گیرند، چابک‌تر می‌شوند؛ سلسله‌مراتب‌شان کاهش یافته و نیازشان به بخشی از وظایف سنتی مدیریت میانی کمتر خواهد شد. کلید موفقیت، نه فقط ابزار، بلکه مهندسی دوباره کار است؛ یعنی، شفاف‌سازی وظایفی که قابلیت خودکارسازی دارند، طراحی نقش‌های بازتعریف‌شده برای مدیران میانی و در نهایت، سنجش پیوسته آثار بر بهره‌وری و یادگیری تیم.