https://www.ey.com/en_gl/megatrends/why-shared-intelligence-will-redefine-talent

چرا هوش مشترک (Shared Intelligence) استعداد را بازتعریف خواهد کرد

نویسندگان:

• سعید واحدیان

زمان مطالعه: ۲۶ دقیقه

تاریخ: 5 بهمن 1404

موضوعات مرتبط: نیروی کار، هوش مصنوعی (AI)

سازمان‌ها باید اکوسیستم‌های توانمندی جدیدی را بپذیرند و از یادگیری برای هدایت تکامل هم‌افزای پتانسیل‌های انسانی و هوش مصنوعی استفاده کنند.

به طور خلاصه

• استعداد اکنون به عنوان یک مشارکت بین هوش انسانی و هوش مصنوعی برای ایجاد قابلیت‌هایی تعریف می‌شود که از طریق سازگاری متقابل و یادگیری مشترک پیشرفت می‌کنند.
• استعداد کمیاب نیست، قابلیت (Capability) کمیاب است. سازمان‌هایی که در آینده پیروز خواهند شد، آن‌هایی هستند که قابلیت — و نه فقط تعداد کارکنان — را معیار واقعی قدرت رقابتی خود می‌دانند.
• مدیران منابع انسانی (CHROs)، مدیران ارشد یادگیری (CLOs)، مدیران مالی (CFOs) و مدیران عامل (CEOs) باید یادگیری را به عنوان یک سرمایه و قابلیت را به عنوان یک پورتفولیوی زنده (درون و بیرون سازمان) در نظر بگیرند.
• این مقاله بخشی از مجموعه بینش‌های دوم از سری جدید روندهای کلان EY با عنوان “مرزهای جدید: منابع فردا” است.

دهه‌هاست که سازمان‌ها برای استعداد انسانی رقابت می‌کنند، گویی که آن کمیاب و ثابت است. اما این نبرد دیگر منسوخ شده است. قابلیت انسانی اکنون با سیستم‌های هوش مصنوعی (AI) که به سرعت در حال پیشرفت هستند، در هم تنیده شده است؛ این سیستم‌ها یاد می‌گیرند، اجرا می‌کنند و تکامل می‌یابند تا هوش مشترک ایجاد کنند. استعداد دیگر محدود به دیوارهای سازمانی نیست، بلکه در سراسر اکوسیستم‌هایی از کارمندان، پیمانکاران، شرکا، خدمات مدیریتی و ماشین‌های هوشمند توزیع شده است.

تکامل هم‌گام داروین یک قیاس قدرتمند برای نحوه توسعه قابلیت‌های انسانی و هوش مصنوعی ارائه می‌دهد. همان‌طور که دو گونه، توسعه یکدیگر را شکل می‌دهند، انسان‌ها و سیستم‌های هوش مصنوعی اکنون از طریق هر تعامل، دستور (prompt) و مجموعه‌داده، یکدیگر را اصلاح می‌کنند. اگرچه این فرآیند غیرخطی و غیرقابل پیش‌بینی خواهد بود، اما پتانسیل قابل توجهی برای افزایش ارزش انسانی دارد و به مردم کمک می‌کند تا به نقش‌های سطح بالاتر مانند متصدیان، متولیان، هماهنگ‌کنندگان و ناظران اخلاقی قابلیت‌ها ارتقا یابند.

چالش‌های ساختاری سازمان‌ها را وادار به اقدام می‌کنند. مهارت‌ها — توانایی‌های آموخته‌شده برای انجام وظایف خاص — اکنون سریع‌تر از آنکه سیستم‌های یادگیری سنتی بتوانند آن‌ها را به‌روز کنند، منقضی می‌شوند. سیستم‌های یادگیری که در ۱۸ ماه به‌روز می‌شوند، نمی‌توانند با نیازهایی که در ۱۸ هفته تکامل می‌یابند، همگام شوند. این امر باعث افزایش چیزی می‌شود که ما آن را “بدهی استعداد” (Talent Debt) می‌نامیم: پتانسیل تحقق‌نیافته‌ای که زمانی انباشته می‌شود که قابلیت‌های انسانی و ماشینی نتوانند تکامل یابند. ما تخمین می‌زنیم که این بدهی در ایالات متحده به تنهایی می‌تواند بیش از ۱ تریلیون دلار ارزش تحقق‌نیافته باشد.

سازمان‌های پیشرو در یادگیری مشترک با پرورش سه عنصر تقویت‌کننده متقابل به این چالش پاسخ می‌دهند:

• ذهنیت (Mindset): ریشه گرفته در کنجکاوی، اعتماد و آزمایش.
• مجموعه مهارت‌ها (Skill set): مبتنی بر نقاط قوت انسانی مانند قضاوت، شهود و تخیل.
• مجموعه ابزارها (Toolset): شامل سیستم‌های هوش مصنوعی، پلتفرم‌های یادگیری و تحلیلی که یادگیری مستمر مشترک را پشتیبانی می‌کنند.

قابلیت مؤثر تنها زمانی پدیدار می‌شود که هر سه عنصر یکدیگر را تقویت کنند.

هدف صرفاً آموزش سریع‌تر افراد نیست؛ بلکه ایجاد محیطی است که در آن هم هوش انسانی و هم هوش ماشینی با هم تکامل یابند، نقاط قوت یکدیگر را تقویت کنند و به طور مستمر پتانسیل سازمان را بالا ببرند. موج بعدی سازمان‌های موفق، آن‌هایی خواهند بود که قابلیت انطباقی — و نه صرفاً تعداد کارکنان — را معیار واقعی قدرت رقابتی خود می‌دانند.

فصل ۱: ظهور هوش مشترک: استعداد به یک فرآیند تکامل هم‌گام تبدیل می‌شود

استعداد اکنون ترکیبی پویا و تکامل هم‌گام از قابلیت‌های انسانی و ماشینی است که در اکوسیستم‌ها، نه در مرزهای سازمانی ثابت، کار می‌کند.

استعداد، بازتعریف شد

صد سال پیش، مرز بین کار و سرمایه به راحتی قابل ترسیم بود: کارگران از دروازه‌های کارخانه عبور می‌کردند، در حالی که سرمایه در ماشین‌آلات کف کارخانه قرار داشت. امروزه، این خط تقریباً ناپدید شده است. یک گردش کار واحد ممکن است ترکیبی از یک کارمند در لندن، یک پیمانکار در آمریکای شمالی، یک مدل در حال اجرا در فضای ابری و یک عامل هوش مصنوعی باشد که یک شبه آموزش دیده است. سازمان‌ها با یک بازتعریف بنیادی از “استعداد” روبرو هستند، جایی که قابلیت انسانی توسط هوش ماشینی تقویت شده و نکته حیاتی اینکه، در شبکه‌های توزیع‌شده‌ای از پیمانکاران، شرکای اکوسیستم و ارائه‌دهندگان خدمات مدیریتی قرار دارد. این دیدگاه گسترده، تمرکز را از “مالکیت” به “هماهنگ‌سازی” تغییر می‌دهد، جایی که ارزش در نحوه هماهنگی قابلیت‌هاست، نه در محل قرارگیری آن.

مزیت رقابتی واقعی اکنون در این نهفته است که سازمان‌ها با چه هوشمندی اکوسیستم‌های قابلیت خود را طراحی و اداره می‌کنند و چگونه یادگیری را در سراسر مرزها به هم متصل می‌سازند. در دنیایی که هوش فراوان است، مزیت از وضوح هدف ناشی می‌شود: دانستن اینکه کجا ارزش اضافه می‌کنید، چه چیزی را باید مالک باشید و کجا باید شریک شوید.

مرزهای جدید همکاری انسان و هوش مصنوعی

ادغام اشکال جدیدی از استعداد هوش مصنوعی پتانسیل انتقال قابلیت انسانی به قلمروهای جدید را دارد. سازمان‌هایی که بیشترین بازده را از این تغییر به دست می‌آورند، آن‌هایی نخواهند بود که صرفاً وظایف را خودکار می‌کنند، بلکه آن‌هایی هستند که کار را بر اساس نقاط قوت انسانی بازطراحی می‌کنند.

“تجربیات منحصربه‌فرد انسانی ما – پیشینه، روابط، احساساتمان – تفکر واگرا (divergent thinking) ما را هدایت می‌کند؛ این‌ها ایده‌های جدید را به وجود می‌آورند و به طور متمایز انسانی باقی خواهند ماند.”

هوش مصنوعی عاملی (Agentic AI) مرز فعلی است – سیستم‌هایی که قادر به استدلال، ابتکار عمل و همکاری مستقل هستند. اما تکامل هم‌گام بدان معناست که هوش مصنوعی در اینجا متوقف نخواهد شد. با عمیق‌تر شدن تعامل انسان و ماشین، سیستم‌های هوش مصنوعی شروع به فراتر رفتن از منطق و بهینه‌سازی به سمت اشکالی از هوش عاطفی (affective intelligence) می‌کنند: توانایی تشخیص، تفسیر و حتی پاسخ دادن به احساسات انسانی. این موضوع شباهت‌های جذابی با مطالعات چارلز داروین در مورد همزیستی بین گونه‌ها دارد، که نمونه کلیدی آن تکامل یک ارکیده با لوله شهد عمیق و به نوبه خود، رشد یک خرطوم در پروانه به اندازه‌ای است که به آن برسد.

این سیستم‌های هوش مصنوعی جدیدتر برای درک احساسات و افکار مردم طراحی شده‌اند، که گامی حیاتی در توسعه هوش مصنوعی است که می‌تواند به شیوه‌ای معنادارتر در زمینه‌های متعدد انسانی همکاری کند.

سیستم‌های هوش مصنوعی جدیدتر که بر محل کار تأثیر می‌گذارند:

• هوش مصنوعی عصبی-نمادین (Neurosymbolic AI): یادگیری عصبی را با استدلال نمادین ترکیب می‌کند و سیستم‌هایی را قادر می‌سازد که هم الگوها را از داده‌ها تشخیص دهند و هم منطق ساختاریافته را به کار ببرند – رویکردی که نویدبخش قابلیت اطمینان و تفسیرپذیری بیشتر است.
• هوش مصنوعی خودهدفمند (Autotelic AI): سیستم‌هایی که هدایت خود را در مرزهای انسانی تعریف شده نشان می‌دهند.
• هوش مصنوعی مشارکتی (Collaborative AI): درباره مصالحه‌ها مذاکره کرده و استدلال خود را به طور شفاف با شرکای انسانی به اشتراک می‌گذارد.
• هوش مصنوعی بازتابی (Reflective AI): ممکن است روزی خودآگاهی را شبیه‌سازی کند – توانایی ارزیابی عملکرد خود و تنظیم پویا اهداف، متمایز از خودآگاهی.
• هوش مصنوعی عاطفی (Affective AI) (که به عنوان هوش مصنوعی احساس نیز شناخته می‌شود): یاد می‌گیرد که به طور مناسب و همدلانه به دینامیک‌های عاطفی و اجتماعی پاسخ دهد، که در صورت مدیریت صحیح، می‌تواند به ایجاد اعتماد و ایمنی روانی در محیط‌های کاری دیجیتال کمک کند.
• هوش مصنوعی فیزیکی (Physical AI): به عنوان یک حوزه شناخته‌شده که رباتیک، علم مواد و طراحی بیولوژیکی را ترکیب می‌کند، در حال ظهور است.
• هوش مصنوعی تجسم‌یافته و بیو هیبریدی (Embodied and biohybrid intelligence): هوش مصنوعی با سیستم‌های فیزیکی و بیولوژیکی، از طریق رباتیک تطبیقی یا هوش مصنوعی که مستقیماً از سیگنال‌های عصبی یاد می‌گیرد، ادغام می‌شود.

هر پیشرفت، یک چرخه تکامل هم‌گام را تقویت می‌کند: همان‌طور که هوش مصنوعی نسبت به نیازهای انسانی سازگارتر می‌شود، انسان‌ها نیز به نوبه خود، قابلیت خود را برای تعامل مؤثر با این سیستم‌ها اصلاح می‌کنند.

نکته حیاتی این است که این تغییر، تأکید بیشتری بر وجود ویژگی‌های ذاتی انسانی و واگرایی طبیعی تفکر انسانی می‌گذارد. همان‌طور که دانا ضاهر می‌گوید: “تجربیات منحصربه‌فرد انسانی ما – پیشینه، روابط، احساساتمان – تفکر واگرای ما را هدایت می‌کند؛ این‌ها ایده‌های جدید را به وجود می‌آورند و به طور متمایز انسانی باقی خواهند ماند.”

فصل ۲: مدیریت ترازنامه پتانسیل انسانی و هوش مصنوعی

اصول مالی را می‌توان برای ارزیابی ارزش پتانسیل استفاده‌نشده به کار برد و از یادگیری برای به حداکثر رساندن بازده سرمایه‌گذاری‌های استعداد و اجتناب از هزینه‌های “بدهی استعداد” استفاده کرد.

چرا مدل‌های استعداد باید تغییر کنند

تغییرات ساختاری در بازار کار، رویکردهای سنتی استعداد را منسوخ کرده است. نیروهای جمعیتی و فناوری در حال کاهش عرضه قابلیت انسانی هستند، در حالی که سرعت منقضی شدن مهارت‌ها را تسریع می‌کنند. تا سال ۲۰۵۰، بیش از ۲ میلیارد نفر بالای ۶۰ سال خواهند بود که عرضه نیروی کار را کاهش می‌دهد. در سوی دیگر بازار کار، نسل‌های جوان‌تر به طور فزاینده‌ای تمایلی به کار در بخش‌های خاصی مانند تولید ندارند. در حال حاضر، یک چهارم نیروی کار با عدم تطابق مهارت مواجه است و پیش‌بینی می‌شود که نزدیک به ۴۰٪ از مهارت‌های اصلی ظرف پنج سال تغییر کنند. همزمان، ۶۴٪ از کارکنان افزایش حجم کاری را گزارش می‌دهند.

نیازهای مهارتی اکنون با سرعتی فوق‌العاده تغییر می‌کنند. به عنوان مثال، نقش “مهندس پرامپت” (Prompt Engineer) به سرعت ظهور و سپس افول کرد، زیرا کاربران مهارت‌های پرامپت‌نویسی پیچیده‌تری توسعه دادند و ابزارها در پرامپت‌نویسی بهتر شدند. این نشان می‌دهد که چشم‌انداز چقدر سریع می‌تواند دگرگون شود. سیستم‌های یادگیری که برای چرخه‌های ۱۲ تا ۱۸ ماهه طراحی شده‌اند، نمی‌توانند با مهارت‌هایی که هر ۱۲ تا ۱۸ هفته تکامل می‌یابند، همگام شوند.

این وضعیت یک چالش دوگانه عمیق ایجاد می‌کند. سازمان‌ها باید بتوانند فوراً به تقاضاهای مهارتی که به سرعت در حال تغییر هستند پاسخ دهند — با جابجایی استعداد، آموزش مجدد تیم‌ها و به‌روزرسانی سیستم‌های هوش مصنوعی با سرعت بالا — و همزمان قابلیت‌های عمیق‌تر، ذهنیت‌ها و زیرساخت‌های لازم برای رقابت‌پذیری بلندمدت را ایجاد کنند. چابکی در این زمینه به معنای جلوگیری از تأخیر (latency) در استقرار عملیاتی و استراتژیک و ساخت قابلیت‌ها است.

در مثال مهندس پرامپت، سازمان‌ها می‌توانستند با تمرکز بر نحوه ساخت قابلیت‌های مورد نیاز خود از منابع مختلف استعداد، به جای صرفاً افزایش تعداد کارکنان، از سرمایه‌گذاری در نقش‌های زائد اجتناب کنند.

موفقیت بستگی به دستیابی همزمان به چابکی مهارتی کوتاه‌مدت و تاب‌آوری قابلیت بلندمدت دارد. سازمان‌هایی که هر دو را حل کنند، قادر خواهند بود اختلالات را به منبعی برای مزیت پایدار تبدیل کنند.

تغییر اساسی از خطوط لوله (Pipelines) به پورتفولیوها (Portfolios)

خط لوله سنتی استعداد — استخدام، آموزش، حفظ و ارتقاء — برای دنیایی طراحی شده بود که مهارت‌ها به آرامی تکامل می‌یافتند و کار عمدتاً قابل پیش‌بینی بود. آن دنیای کاری از بین رفته است.

پذیرش سریع هوش مصنوعی مقیاس و سرعت دگرگونی جاری را نشان می‌دهد. مطالعه ما با عنوان “بازنگری کار ۲۰۲۵” (Work Reimagined 2025) نشان داد که ۸۸٪ از کارکنان اکنون از هوش مصنوعی در محل کار استفاده می‌کنند، در حالی که این رقم در سال ۲۰۲۳ تنها ۲۲٪ بود. به طور فزاینده‌ای، کارمندان هوش مصنوعی را نه به عنوان یک ابزار، بلکه به عنوان یک همکار می‌بینند — همکار مستقر در گردش کارهای روزمره. و این شتاب کاهشی ندارد. انتظار می‌رود با ورود برنامه‌های هوش مصنوعی پیشرفته‌تر به محیط کار، پذیرش سریع‌تر شود. سایمون براون، رهبر جهانی یادگیری و توسعه EY می‌گوید: “فکر می‌کنم ما اکنون در یک نقطه عطف هستیم و رشد فقط سریع‌تر و مخرب‌تر خواهد شد.”

در این محیط، سازمان‌ها دیگر نمی‌توانند به خطوط لوله خطی استعداد تکیه کنند. در عوض، آن‌ها باید پورتفولیوهایی از دارایی‌های قابلیت را مدیریت کنند – ترکیبی از تخصص انسانی، مدل‌های هوش مصنوعی و ابزارهای مشارکتی. هر یک از این “دارایی‌ها” دارای پروفایل عملکردی، منحنی استهلاک و افق سرمایه‌گذاری مجدد خاص خود است. مدیریت قابلیت به فرآیندی مستمر برای ارزیابی آنچه کار می‌کند، آنچه عقب مانده است و اینکه مرحله بعد کجا سرمایه‌گذاری شود، تبدیل می‌شود. عملکرد پایدار به این بستگی دارد که یک سازمان با چه سرعتی نسبت به سرعت تغییر، یاد بگیرد.

تغییر از خطوط لوله به پورتفولیوها مشابه تنوع‌بخشی مالی است. رهبران استعداد به طور فزاینده‌ای نیاز دارند که این موارد را متعادل کنند:

• سرمایه‌گذاری‌های مهارتی بلندمدت در برابر چرخه‌های یادگیری سریع
• قابلیت‌های ماندگار انسانی در برابر هوش ماشینی
• برنامه‌های ساختاریافته در برابر توسعه خودراهبر

مدیریت ترازنامه پتانسیل انسانی و ماشینی

مدیریت استعداد به عنوان یک پورتفولیو به سازمان‌ها این امکان را می‌دهد که قابلیت‌ها را با سرعت تغییر، مجدداً تخصیص دهند و نیروی کاری بسازند که به جای جایگزینی دوره‌ای، به طور مداوم نوسازی شود.

متیو کارنی، شریک مشاوره نیروی کار EY، می‌گوید: “در نهایت، قابلیت همان سرمایه است.”

استعداد انسانی و هوش مصنوعی هر کدام پروفایل‌های ریسک-بازده و افق‌های زمانی متفاوتی دارند. دارایی‌های “رشد” با بازده بالا ممکن است اتوماسیون هدایت‌شده توسط هوش مصنوعی یا مهارت‌های دیجیتال نوظهور باشند، در حالی که دارایی‌های “ارزش پایدار” در نقاط قوت ماندگار انسانی مانند رهبری، خلاقیت و همدلی نهفته‌اند. هر دو حیاتی هستند. تعادل استراتژیک، سازگاری را در زمانی که بازارها، فناوری‌ها و اولویت‌ها تغییر می‌کنند، تضمین می‌کند.

این رویکرد مدیریت نیروی کار را به تخصیص سرمایه هوش بازتعریف می‌کند و مستلزم آن است که مدیران ارشد منابع انسانی (CHROs) و مدیران ارشد استعداد (CTOs) رویکردهایی را از مدیران پورتفولیو قرض بگیرند تا چابکی سازمانی و بینش استراتژیک را حفظ کنند. در این زمینه، یادگیری یک دارایی مرکب است که اساس سازگاری سازمانی و خلق ارزش بلندمدت را تشکیل می‌دهد.

با این حال، این رویکرد پورتفولیویی یک ریسک اساسی را نیز آشکار می‌سازد: چگونه قابلیت‌های انسانی با ارزش بلندمدت‌تر — به ویژه رهبری — را در سازمان‌هایی که مسیرهای شغلی آن‌ها توسط اتوماسیون و هوش مصنوعی در حال بازسازی است، رشد دهیم؟ نقش‌های سنتی سطح ورودی مدت‌ها به عنوان میدان آزمایشی برای رهبران آینده عمل می‌کردند و به کارمندان اوایل مسیر شغلی فرصت می‌دادند تا قضاوت، آگاهی از ذینفعان و توانایی هماهنگی کارهای پیچیده را بسازند. با خودکار شدن بسیاری از این وظایف، ریسک واضح است: بدون بازطراحی، افراد کمتری فرصت خواهند داشت تا قابلیت‌های مورد نیاز برای رهبری در دنیای مجهز به هوش مصنوعی را توسعه دهند.

تحقیقات اخیر مقیاس این چالش را نشان می‌دهد. مطالعه‌ای توسط کینگز کالج لندن نشان داد شرکت‌هایی که در معرض هوش مصنوعی بالا قرار دارند، از سال ۲۰۲۱ تا ۲۰۲۵ تعداد کارکنان سطح پایین خود را کاهش داده‌اند. نویسندگان هشدار دادند:

“تمرکز از دست دادن مشاغل در میان موقعیت‌های سطح ورودی، مسیرهای سنتی توسعه مهارت را مختل می‌کند، جایی که کارگران از طریق تجربه عملی، وظایف را به طور فزاینده‌ای پیچیده و تسلط می‌یابند. بدون نقش‌های جونیور به عنوان زمینه‌های آموزشی، شرکت‌ها ممکن است در توسعه استعدادهای ارشد در داخل سازمان با مشکل مواجه شوند.”

یک ریسک دوم نیز وجود دارد: حتی در جایی که نقش‌های سطح ورودی باقی مانده‌اند، ممکن است کارمندان بیش از حد به هوش مصنوعی وابسته شوند – اجازه دهند سیستم کار فکری پیچیده را برای آن‌ها انجام دهد. این امر می‌تواند به طور پنهانی توسعه مهارت‌های اساسی: استدلال انتقادی، ترکیب، ساخت روایت و قضاوت متنی را از بین ببرد.

سازمان‌های آینده‌نگر تشخیص می‌دهند که ساخت قابلیت رهبری آینده برای سپردن به شانس بیش از حد مهم است. آن‌ها عمداً اقدام می‌کنند و کارهای اوایل مسیر شغلی را بازطراحی می‌کنند تا توسعه قابلیت انسانی را در دنیای مجهز به هوش مصنوعی حفظ کنند – و حتی تسریع بخشند – از طریق:

• تلفیق سواد هوش مصنوعی با اصول اساسی رهبری: ترکیب مهارت‌های فنی با تفکر سیستمی، ارتباطات استراتژیک و تمرینات تصمیم‌گیری.
• اجتناب از شاخص‌های کلیدی عملکرد (KPIs) که صرفاً سرعت و اتوماسیون را پاداش می‌دهند، زیرا این امر جونیورها را به دور زدن تفکر و تکیه بر مدل تشویق می‌کند.
• ایجاد “مسیرهای آهسته” (slow lanes) برای تفکر انتقادی از طریق بررسی‌های ساختاریافته، زمان تأمل و آیین‌های “استدلال خود را توضیح دهید” که تعامل شناختی عمیق‌تری را اجبار می‌کند.
• ایجاد مسئولیت مشترک در کارمندان اوایل مسیر شغلی برای بهبود سیستم‌های هوش مصنوعی – از طریق حلقه‌های بازخورد، ثبت خطا یا توسعه کتابخانه پرامپت‌ها – تا خود را به عنوان شکل‌دهندگان ابزارها ببینند تا صرفاً مصرف‌کنندگان آن‌ها.

خلاصه اینکه، ناپدید شدن کارهای سنتی سطح ورودی اجتناب‌ناپذیر نیست، اما خطوط لوله رهبری تضعیف خواهند شد مگر اینکه سازمان‌ها عمداً تجربه اوایل مسیر شغلی را برای دنیای مجهز به هوش مصنوعی بازطراحی کنند.

این تغییرات نقش CHRO و CTO را از مدیران نیروی کار امروز به متولیان قابلیت‌های فردا ارتقا می‌دهد. خلق ارزش بلندمدت به رهبرانی بستگی دارد که بتوانند مسیرهایی را که از طریق آن‌ها قابلیت‌های انسانی و ماشینی با هم رشد می‌کنند، تصور و مهندسی کنند.

این بخش بر روی مدیریت ریسک‌های سرمایه‌گذاری در هوش مصنوعی و اهمیت حیاتی حفظ و توسعه مهارت‌های رهبری انسانی تمرکز دارد.

فصل ۳: سازمان هم‌آموزش‌پذیر (The Co-learning Organization)

هم‌آموزش‌پذیری هسته اصلی سازمان نسل بعدی خواهد بود؛

فصل ۳: سازمان هم‌آموزش‌پذیر (The Co-learning Organization)

هم‌آموزش‌پذیری هسته اصلی سازمان نسل بعدی خواهد بود؛ اکوسیستم‌هایی که در آن‌ها انسان‌ها و ماشین‌ها به طور مستمر به یکدیگر آموزش می‌دهند و یکدیگر را بهبود می‌بخشند.

سازمان‌هایی که در مشارکت استعداد انسانی و هوش مصنوعی مهارت پیدا کنند، سریع‌تر از سرعت تغییر، خواهند آموخت – و با این کار، آینده استعداد را تعریف خواهند کرد.

هم‌تکاملی (Co-evolution) یک رویکرد طراحی قدرتمند ارائه می‌دهد، و چهار اصل راهنمای عملی را فراهم می‌کنند:

۱. نفوذ متقابل (Reciprocal influence) پیشرفت را هدایت می‌کند

تغییر در یک گونه می‌تواند مسیر گونه دیگر را دگرگون کند. به طور مشابه، تصمیمات مربوط به یادگیری انسانی و توسعه هوش مصنوعی مستقیماً بر یکدیگر تأثیر می‌گذارند. استراتژی‌های استعداد و فناوری باید با هم طراحی شوند تا اطمینان حاصل شود که پیشرفت‌های هوش مصنوعی، پتانسیل انسانی را ارتقا می‌دهند، نه اینکه آن را فرسایش دهند.

۲. دفعات تعامل (Interaction frequency) سازگاری را تعیین می‌کند

گونه‌هایی که تعامل بیشتری دارند، سریع‌تر تکامل می‌یابند. برای سازمان‌ها، این به معنای تعبیه یادگیری در جریان کار است – ایجاد حلقه‌های بازخورد مستمر و بلادرنگ بین افراد و سیستم‌های هوشمند، و نه اتکا صرف به آموزش‌های دوره‌ای.

۳. تکامل نامنظم است (Evolution is uneven)

اکوسیستم‌های طبیعی نقاط داغ تغییر سریع و نقاط سرد رکود را توسعه می‌دهند. سازمان‌ها نیز باید همین کار را انجام دهند: به طور مداوم اندازه‌گیری کنند که یادگیری کجا در حال تثبیت شدن است، شناسایی کنند که کجا متوقف شده است و سرمایه‌گذاری‌ها را به سمت حوزه‌های ارزش نوظهور هدایت کنند.

۴. زمینه (Context) حیاتی است

تکامل به محیط زیست بستگی دارد. به همین ترتیب، طراحی یادگیری انسان و هوش مصنوعی به ساختار و مدل عملیاتی سازمان وابسته است. آیا انسان‌ها در حال آموزش دادن به عامل‌ها (Agents) هستند، با آن‌ها همکاری می‌کنند، یا توسط هماهنگ‌سازی (Orchestration) مبتنی بر هوش مصنوعی کمک می‌گیرند؟ هر سناریو به مهارت‌ها و حکمرانی متمایزی نیاز دارد.

این اصول، سازمان‌ها را از مدل‌های توسعه خطی به سیستم‌های یادگیری زنده هدایت می‌کنند – که به طور مستمر خود را حس، تطبیق و تجدید می‌کنند. در یک سازمان هم‌آموزش‌پذیر، هر پروژه، گردش کار و پلتفرمی به فرصتی برای بهبود متقابل بین انسان‌ها و سیستم‌های هوشمند تبدیل می‌شود.

ساخت ذهنیت، مجموعه مهارت و ابزار برای هم‌آموزش‌پذیری

تغییر فناوری از حالت انفعالی به فعال، حرکت فراتر از مدل‌های سنتی مهارت و حرکت به سمت یک چارچوب گسترده‌تر و سازگارتر از ذهنیت (Mindset)، مجموعه مهارت (Skill Set) و مجموعه ابزار (Toolset) را ضروری می‌سازد. در یک سازمان توانمند شده با هوش مصنوعی، قابلیت نه تنها از آنچه افراد می‌دانند، بلکه از نحوه کار آن‌ها با سیستم‌های هوشمند و نحوه استفاده از زمان صرفه‌جویی شده برای به حداکثر رساندن ارزش «انسان بودن» ناشی می‌شود. این به سرعت به یک ضرورت استراتژیک تبدیل می‌شود: مطالعه EY CHRO 2030 نشان می‌دهد که ۸۵٪ از کارفرمایان اکنون یک عملکرد منابع انسانی استراتژیک را برای موفقیت حیاتی می‌دانند و سازمان‌هایی با رهبری قوی منابع انسانی به طور مداوم از همتایان خود بهتر عمل می‌کنند.

ذهنیت – ایجاد شرایط برای یادگیری مداوم و متقابل

یک سازمان هم‌آموزش‌پذیر با ذهنیت آغاز می‌شود. رهبران باید محیطی پرورش دهند که در آن انسان‌ها و هوش مصنوعی به صورت بلادرنگ از یکدیگر بیاموزند. این امر مستلزم موارد زیر است:

• کنجکاوی و آزمایش: تشویق افراد به کاوش، آزمون و تکرار با سیستم‌های هوش مصنوعی.
• امنیت روانی: دادن اعتماد به تیم‌ها برای به چالش کشیدن خروجی‌های هوش مصنوعی و بهبود آن‌ها.
• حس مالکیت: جایی که افراد هم نسبت به توسعه خود و هم نسبت به عملکرد سیستم‌های هوشمندی که استفاده می‌کنند احساس مسئولیت کنند.

فناوری همچنین انتظارات کارکنان از یادگیری را تغییر می‌دهد. همانطور که جنی لین، رئیس جهانی یادگیری و رشد زیمنس توضیح می‌دهد: “تکامل فناوری نیاز به یادگیری را در لحظه نیاز ایجاد می‌کند… تطبیقی، در دسترس من و در قالبی قابل درک فوری.”

این دیدگاه‌ها در کنار هم، جوهر ذهنیت جدید را در بر می‌گیرند: یادگیری باید فوری، یکپارچه و طراحی‌شده برای سازگاری مستمر و متقابل بین انسان‌ها و سیستم‌های هوشمند باشد.

مجموعه مهارت – ارتقاء قابلیت‌های انسانی که مکمل هوش مصنوعی هستند

با پذیرش وظایف تحلیلی و عملیاتی بیشتر توسط هوش مصنوعی، نقاط قوت متمایز انسانی به عامل‌های تمایز تبدیل می‌شوند. بنابراین، رهبران یادگیری باید به دنبال توسعه قابلیت‌هایی مانند موارد زیر باشند:

• قضاوت، استدلال اخلاقی و تفکر سیستمی، برای هدایت و حکمرانی سیستم‌های با خودمختاری فزاینده.
• خلاقیت، قصه‌گویی و چارچوب‌بندی متنی، برای تبدیل بینش‌ها به اقداماتی که با افراد و اهداف کسب و کار همسو شوند.
• همکاری، ارتباطات و همدلی، که به انسان‌ها و هوش مصنوعی اجازه می‌دهد تا به طور مؤثر در سراسر گردش کارها و تیم‌ها با هم کار کنند.

این مجموعه‌های مهارتی نه تنها به انسان‌ها امکان همزیستی با هوش مصنوعی را می‌دهند، بلکه پتانسیل آن را نیز تقویت می‌کنند. همانطور که یوریتسه کرامر، مردم‌شناس فرهنگی اشاره می‌کند: “هوش مصنوعی به طور بالقوه این شانس را به ما می‌دهد که انسانیت خود را ارتقا دهیم. با آزاد شدن زمان، فرصتی برای ارتقاء نقش خلاقیت، توجه آگاهانه، اخلاق و نحوه ارتباط ما با یکدیگر وجود دارد.”

اما این نتیجه تضمین شده نیست. زمانی که هوش مصنوعی به عنوان جایگزینی برای تفکر انتقادی، قصه‌گویی و تعامل عمیق استفاده می‌شود – فرآیندی که به عنوان “بار شناختی” (cognitive offloading) شناخته می‌شود – قابلیت‌های انسانی در معرض فرسایش قرار می‌گیرند. تفکر انتقادی دشوار است و بسیاری از افراد سعی می‌کنند از آن اجتناب کنند. سازمان‌ها باید از این واقعیت آگاه باشند و فضا و مشوق‌هایی ایجاد کنند تا اطمینان حاصل شود که این قابلیت حیاتی پرورش می‌یابد. همانطور که هوش مصنوعی سرعت اجرا را افزایش می‌دهد، سازمان‌ها برای تفکر بهتر به اصطکاک طراحی‌شده وابسته خواهند شد – نقاط آهسته عمدی که تحلیل را تحریک می‌کنند، نتایج را به چالش می‌کشند و تفکر انتقادی را در کارهای کمکی هوش مصنوعی تقویت می‌کنند.

این چالش زمانی تشدید می‌شود که افراد شروع به دیدن هوش مصنوعی به عنوان یک رقیب به جای یک شریک می‌کنند. افرادی که خود را در رقابت با ماشین‌ها می‌بینند، مشارکت خود را محدود می‌کنند. همانطور که کرامر هشدار می‌دهد: “ما باید تلاش کنیم که ماشین‌های بهتری نباشیم.”

تمام این موارد، یک نکته حیاتی را تقویت می‌کند: طراحی و استقرار سیستم‌های هوش مصنوعی باید قابلیت‌های انسانی را تقویت کند، نه تضعیف. اعتماد زیربنای این امر است. همانطور که کرامر توضیح می‌دهد: “همکاری انسان و هوش مصنوعی به اعتماد بستگی دارد. این امر مسئولیت بیشتری را بر دوش کسانی می‌گذارد که سیستم‌های هوش مصنوعی را طراحی و می‌سازند تا این کار را با هدف – و با شفافیت در مورد اینکه چه کسی سود می‌برد – انجام دهند.”

بنابراین، تقویت مجموعه مهارت‌های انسانی تنها به معنای توسعه قابلیت‌های فردی نیست؛ بلکه تضمین می‌کند که هوش مصنوعی به روش‌هایی معرفی و حکمرانی شود که قضاوت، خلاقیت و اعتماد به نفس انسانی را تقویت کند، نه جایگزین یا تضعیف آن‌ها.

مجموعه ابزار – طراحی زیرساخت برای یادگیری در جریان کار

مجموعه ابزار، چیزی است که مقیاس‌پذیری را ممکن می‌سازد. این شامل سیستم‌ها، پلتفرم‌ها و محیط‌های فیزیکی است که یادگیری مستمر را امکان‌پذیر می‌سازد:

• پلتفرم‌های یادگیری تطبیقی: ارائه محتوای شخصی‌سازی شده و درخواستی.
• حلقه‌های بازخورد بلادرنگ: اتصال عملکرد انسان و رفتار سیستم هوش مصنوعی.
• چارچوب‌های حکمرانی یکپارچه: ترویج هم‌آموزش‌پذیری اخلاقی، مسئولانه و شفاف.
• مسیرهای انعطاف‌پذیر بازآموزی (Reskilling): اجازه دادن به به‌روزرسانی و استقرار مجدد سریع هم افراد و هم سیستم‌های هوش مصنوعی.
• محیط‌های فیزیکی: عمل کردن به عنوان تقویت‌کننده پتانسیل انسانی و ماشینی – با فضاهایی که به افراد اعتماد به نفس، عاملیت و امنیت روانی لازم برای آزمایش، یادگیری و همکاری را می‌دهند.

محل کار به امتدادی از مجموعه ابزار تبدیل می‌شود – اکوسیستمی که اکتشاف، آزمایش و همکاری انسان و هوش مصنوعی را پشتیبانی می‌کند. همانطور که هاروی لوئیس، شریک مشاوره فناوری، ارنست و یانگ LLP، مشاهده می‌کند: “کلید، حرکت از یک برنامه درسی تجویز شده به فعال‌کننده‌های یادگیری است. به جای آموزش دادن افراد برای مهارت‌ها یا نقش‌های خاص، باید ابزارهایی برای درک اصول محیط جدید به آن‌ها بدهیم.”

مأموریت جدید برای رهبران یادگیری

در کنار هم، ذهنیت، مجموعه مهارت و مجموعه ابزار، بنیان یک سازمان هم‌آموزش‌پذیر را تشکیل می‌دهند. همانطور که یادگیری متقابل می‌شود – انسان‌ها از هوش مصنوعی و هوش مصنوعی از انسان‌ها یاد می‌گیرند – سازمان به یک سیستم خودبهبود تبدیل می‌شود.

این امر همچنین نقش مدیر ارشد یادگیری (CLO) را تغییر می‌دهد. لین این تغییر را به وضوح توصیف می‌کند: “شما دیگر نمی‌توانید یک ارائه‌دهنده خدمات واکنشی برای کسب و کار باشید. به عنوان یک مدیر ارشد یادگیری، شما باید مانند یک مدیر ارشد استراتژی فکر کنید – درک کنید که چگونه همه چیز به آنچه در بالاترین سطح می‌خواهید به آن برسید متصل می‌شود. تفکر استراتژیک، تفکر سیستمی، هوش تجاری… این موارد اکنون یک ضرورت هستند.”

در این مدل، CLO به یک معمار استراتژیک قابلیت تبدیل می‌شود، که سرمایه یادگیری را تخصیص می‌دهد، هوش سازمانی را شکل می‌دهد و شرایط تکامل مستمر انسان و هوش مصنوعی را طراحی می‌کند.

در عصر هوش مشترک، جنگ بر سر استعداد به پایان رسیده است. ضرورت جدید، یادگیری است.

اقدامات، ملاحظات و سؤالات سطح C-Suite

سؤالات استراتژیک متقاطع برای همه رهبران

• آیا در مورد اینکه کدام قابلیت‌ها باید متمایز انسانی باقی بمانند، کدام‌ها قابل خودکارسازی هستند و کدام‌ها باید با شرکا و هوش مصنوعی مشترکاً توسعه یابند، شفافیت داریم؟
• ما میزان استهلاک و سرمایه‌گذاری مجدد استعداد را چگونه اندازه‌گیری می‌کنیم – و برنامه ما برای کاهش “بدهی استعداد” قبل از تبدیل شدن به یک ریسک استراتژیک چیست؟
• آیا سیستم‌های استعداد خود را برای هم‌تکاملی طراحی می‌کنیم – جایی که انسان‌ها و ماشین‌ها با هم یاد می‌گیرند و در طول زمان یکدیگر را تقویت می‌کنند؟
• برای رهبری و مدیریت سیستم‌های استعدادی که مبتنی بر هم‌تکاملی انسان و ماشین هستند، به چه مهارت‌های رهبری جدیدی نیاز داریم؟
• برای مدیریت اخلاقی و همدلانه هم‌تکاملی استعداد، به چه مهارکننده‌هایی (Guardrails) نیاز داریم؟

مدیران عامل (CEOs) – معمارسازی سازمان انسان–هوش مصنوعی

ملاحظات

• آیا به اندازه کافی سریع حرکت می‌کنیم تا تأخیر استراتژیک در مدل‌های مهارتی و عملیاتی خود را کاهش دهیم؟
• آیا انتخاب‌های ما در مورد اتوماسیون، برون‌سپاری و مراکز قابلیت با هدف بلندمدت و ارزش‌آفرینی ما همسو است؟
• برای حفظ اعتماد در زمانی که هوش مصنوعی به یک همکار اصلی تبدیل می‌شود، به چه مهارکننده‌های فرهنگی و اخلاقی نیاز داریم؟

اقدامات

• ایجاد یک اکوسیستم قابلیت تطبیقی، با حرکت از خطوط لوله خطی به پورتفولیوهای قابلیت پویا در سراسر کارکنان، شرکا، عامل‌های هوش مصنوعی و خدمات مدیریت شده.
• تعیین جهت سازمان برای پذیرش مسئولانه هوش مصنوعی؛ حفظ خلاقیت، هدف و قضاوت انسانی در کانون توجه.
• حمایت از رهبری برای هماهنگ‌سازی (Orchestration)، توانمندسازی تیم‌ها برای کار در شبکه‌های توزیع‌شده از قابلیت‌های انسانی و الگوریتمی.

سؤالات استراتژیک برای رهبران

• نقش قابلیت در سازمان آینده ما برای ایجاد مزیت رقابتی چه خواهد بود؟
• آیا به وضوح درک می‌کنیم که کدام قابلیت‌ها در سازمان ما باید انسانی باقی بمانند، کدام‌ها قابل خودکارسازی هستند و کدام‌ها باید در سراسر اکوسیستم گسترده‌تر ما مشترکاً توسعه یابند؟
• آیا سازمان ما سیستم‌های قابلیت تطبیقی برای هم‌تکاملی طراحی می‌کند – جایی که انسان‌ها و ماشین‌ها با هم یاد می‌گیرند و اطمینان حاصل می‌کنند که هر دو مرتبط و تقویت‌کننده متقابل باقی می‌مانند؟

مدیران ارشد مالی (CFOs) – اعمال انضباط مالی بر استعداد

ملاحظات

• سطح فعلی “بدهی استعداد” ما چقدر است و با چه سرعتی در حال انباشت است؟
• چه مقدار از صرفه‌جویی‌های حاصل از اتوماسیون مجدداً در قابلیت انسانی و هم‌آموزش‌پذیری سرمایه‌گذاری می‌شود؟
• آیا معیارهای مالی ما ارزشی را که از طریق توسعه مهارت، سازگاری و همکاری بین‌بخشی ایجاد می‌شود، ثبت می‌کنند؟

اقدامات

• کمی‌سازی استهلاک استعداد و پتانسیل تحقق‌نیافته (“بدهی استعداد”) با استفاده از تجزیه و تحلیل نیروی کار بلادرنگ و مدل‌سازی سناریو.
• رفتار با سرمایه‌گذاری در یادگیری و توسعه قابلیت به عنوان سرمایه‌گذاری سرمایه‌ای، ارزیابی بازده از طریق بهره‌وری، نوآوری و انعطاف‌پذیری.
• ایجاد یک ترازنامه استعداد (Talent Balance Sheet)، که قابلیت انباشته‌شده، نرخ‌های سرمایه‌گذاری مجدد و حوزه‌های ریسک نوظهور را ردیابی کند.

سؤالات استراتژیک برای رهبران

• بهترین روش برای اعمال اصول مالی بر استعداد و اندازه‌گیری بازده سرمایه‌گذاری بر قابلیت برای سازمان چیست؟
• ما استهلاک و سرمایه‌گذاری مجدد استعداد را چگونه اندازه‌گیری می‌کنیم و برنامه ما برای کاهش پتانسیل تحقق‌نیافته (“بدهی استعداد”) قبل از تبدیل شدن به ریسک استراتژیک چیست؟
• چگونه می‌توانیم یادگیری را به عنوان سرمایه سرمایه‌گذاری در نظر بگیریم، با بازده عملکردی که در بهره‌وری، نوآوری و انعطاف‌پذیری اندازه‌گیری می‌شود؟

مدیران ارشد منابع انسانی (CHROs) – طراحی معماری نیروی کار آینده

ملاحظات

• همانطور که مسیرهای شغلی دوباره تعریف می‌شوند، چگونه قابلیت‌های مورد نیاز برای نسل بعدی رهبران را می‌سازیم؟
• اصول طراحی، رهبری و مدیریت یک سیستم استعدادی سیال، پویا و مبتنی بر تقاطع انسان و ماشین چیست؟
• فضاهای فیزیکی ما چگونه باید دوباره طراحی شوند تا عاملیت انسانی را فعال کرده و افزایش انسان از طریق تقاطع با فناوری را به حداکثر برسانند؟

اقدامات

• راه‌اندازی یک سیستم هوش مهارتی که داده‌های قابلیت انسانی، دیجیتال و الگوریتمی را برای برنامه‌ریزی پویای نیروی کار ادغام کند.
• بازطراحی نقش‌ها و تیم‌ها برای هم‌تکاملی، که به انسان‌ها و هوش مصنوعی اجازه دهد به طور مداوم از یکدیگر یاد بگیرند و یکدیگر را اصلاح کنند.
• تعبیه بازارهای استعدادی که استقرار مجدد سریع، آزمایش و توسعه را در زمینه‌های کاری زنده ممکن می‌سازد.
• پذیرش اصول کلیدی مانند تفکر سیستمی در طراحی سیستم استعداد خود.

سؤالات استراتژیک برای رهبران

• چگونه سازمان و نقش‌ها را بازطراحی کنیم تا انسان‌ها و هوش مصنوعی با تمرکز هر کدام بر نقاط قوت متمایز خود تکامل یابند؟
• چگونه معماری قابلیت‌هایی را طراحی و منابع مالی تأمین کنیم که سریع‌تر از محیط – در سراسر کارکنان، شرکا، عامل‌های هوش مصنوعی و خدمات مدیریت شده – سازگار شود؟
• چگونه اطمینان حاصل کنیم که سیستم‌های هوش مصنوعی ما با قصد طراحی و ساخته می‌شوند تا انسان‌ها مهارت‌های ارزشمندی مانند تفکر انتقادی و خلاق را در اولویت قرار دهند؟

مدیران ارشد یادگیری (CLOs) – ساخت سازمان هم‌آموزش‌پذیر

ملاحظات

• آیا مصرف یادگیری برای نیازهای مهارتی که هر ۱۸ هفته می‌توانند تکامل یابند، به اندازه کافی سریع است؟
• بزرگترین فرصت‌های هم‌آموزش‌پذیری بین انسان‌ها و هوش مصنوعی در گردش کارهای ما کجا هستند؟
• چگونه تأثیر واقعی یادگیری بر عملکرد، نوآوری و انعطاف‌پذیری را ردیابی کنیم؟

اقدامات

• ایجاد حلقه‌های مستمر هم‌آموزش‌پذیری که در آن انسان‌ها و هوش مصنوعی یکدیگر را آموزش می‌دهند، بهبود می‌بخشند، اعتبارسنجی می‌کنند و قابلیت‌های یکدیگر را گسترش می‌دهند.
• اولویت دادن به یادگیری برای مهارت‌های مکمل هوش مصنوعی نوظهور، از جمله تفکر انتقادی، استدلال سیستمی، خلاقیت انسانی و نظارت بر هوش مصنوعی.
• بازطراحی معماری یادگیری برای حداقل تأخیر، که امکان یادگیری خُرد، به‌روزرسانی‌های قابلیت در زمان نیاز و مسیرهای توسعه شخصی‌سازی شده توسط هوش مصنوعی را فراهم می‌کند.

سؤالات استراتژیک برای رهبران

• برای اولویت‌بندی و ایجاد انگیزه برای یادگیری مهارت‌های هوش مصنوعی و قابلیت‌های جدید، با تعبیه حلقه‌های هم‌آموزش‌پذیری مستمر بین انسان‌ها و هوش مصنوعی، چه چیزی لازم است؟
• سیستم هوش مهارتی که قابلیت‌های انسانی، دیجیتال و الگوریتمی را ترسیم کند، چگونه خواهد بود؟
• چه اقدامات ملموسی می‌توانیم برای ساخت مدل قابلیت ذهنیت، مجموعه مهارت و مجموعه ابزار مناسب برای سازمان خود انجام دهیم؟