اطلاعیه دوره چهارم همخوانی رشد
سلام به همه‌ی همراهان عزیز کانال تورق
امیدوارم حالتون خوب باشه و در صحت و سلامت کامل باشید. با برنامه‌ریزی‌های انجام‌شده، قصد دارم دوره چهارم همخوانی رشد رو با کمک خود شما برگزار کنم. برای این دوره، سه موضوع زیر رو بهش فکر کردم که دوست دارم با هم در موردشون یاد بگیریم:
1️⃣ نگاه استراتژیک به هوش مصنوعی
2️⃣ طراحی اکوسیستم‌ها و پلتفرم‌ها
3️⃣ بررسی دیدگاه‌های کارآفرینان (پیتر تیل)
برای شروع دوره یک نظرسنجی میذارم و هر کدوم از این موضوعات که بیشتر مورد استقبال قرار بگیره، دوره رو بر همون اساس برنامه‌ریزی می‌کنیم. منتظر نظرات شما هستم.
🆔@tavaroghstd
سلام به همه‌ی همراهان عزیز کانال تورق
امیدوارم حالتون خوب باشه و در صحت و سلامت کامل باشید. با برنامه‌ریزی‌های انجام‌شده، قصد دارم دوره چهارم همخوانی رشد رو با کمک خود شما برگزار کنم. برای این دوره، سه موضوع زیر رو بهش فکر کردم که دوست دارم با هم در موردشون یاد بگیریم:
1️⃣ نگاه استراتژیک به هوش مصنوعی
2️⃣ طراحی اکوسیستم‌ها و پلتفرم‌ها
3️⃣ بررسی دیدگاه‌های کارآفرینان (پیتر تیل)
برای شروع دوره یک نظرسنجی میذارم و هر کدوم از این موضوعات که بیشتر مورد استقبال قرار بگیره، دوره رو بر همون اساس برنامه‌ریزی می‌کنیم. منتظر نظرات شما هستم.
🆔@tavaroghstd
❤1
موضوع مورد علاقه خودتون برای دوره همخوانی رشد 4 رو پیشنهاد بدهید. (بیش از یک گزینه هم امکان پذیر هست)
Anonymous Poll
42%
نگاه استراتژیک به هوش مصنوعی
60%
طراحی اکوسیستم‌ها و پلتفرم‌ها
39%
بررسی دیدگاه‌های کارآفرینان (پیتر تیل)
اگر فردا آخرین روز زندگی‌ات باشد...
اگر می‌دانستی فردا خواهی مرد، آیا برنامه‌های امروزت را عوض می‌کردی؟ آیا با زندگی‌ات کاری جز آنچه تا امروز کرده‌ای، انجام می‌دادی؟
مارک فیشر در حکایت دولت و فرزانگی می‌نویسد:
این سؤال را از هر کس که می‌شناسی بپرس. پاسخشان قطعاً در دو دسته جا خواهد گرفت. مردمان بدبختی که از زندگی خود لذت نمی‌برند، به تو خواهند گفت که کاری کاملاً متفاوت خواهند کرد. اگر فقط بیست‌وچهار ساعت از زندگی‌شان مانده بود، چرا به کاری ادامه دهند که از آن نفرت دارند؟
افراد دسته دوم که بدبختانه در اقلیت‌اند، دقیقاً به همان کاری می‌پردازند که هر روز زندگی‌شان به طور معمول انجام می‌دهند. آیا چیزی را عوض خواهند کرد؟ کارشناسان شور و شوق آن‌هاست. آیا این کاملاً قابل فهم نیست که به همان کار خواهند پرداخت تا لحظه اجلشان فرارسد؟
باخ به این دسته تعلق داشت. در بستر مرگ سرگرم تصحیح آخرین قطعه موسیقی خود بود.
منبع: حکایت دولت و فرزانگی، مارک فیشر
🆔@tavaroghstd
اگر می‌دانستی فردا خواهی مرد، آیا برنامه‌های امروزت را عوض می‌کردی؟ آیا با زندگی‌ات کاری جز آنچه تا امروز کرده‌ای، انجام می‌دادی؟
مارک فیشر در حکایت دولت و فرزانگی می‌نویسد:
این سؤال را از هر کس که می‌شناسی بپرس. پاسخشان قطعاً در دو دسته جا خواهد گرفت. مردمان بدبختی که از زندگی خود لذت نمی‌برند، به تو خواهند گفت که کاری کاملاً متفاوت خواهند کرد. اگر فقط بیست‌وچهار ساعت از زندگی‌شان مانده بود، چرا به کاری ادامه دهند که از آن نفرت دارند؟
افراد دسته دوم که بدبختانه در اقلیت‌اند، دقیقاً به همان کاری می‌پردازند که هر روز زندگی‌شان به طور معمول انجام می‌دهند. آیا چیزی را عوض خواهند کرد؟ کارشناسان شور و شوق آن‌هاست. آیا این کاملاً قابل فهم نیست که به همان کار خواهند پرداخت تا لحظه اجلشان فرارسد؟
باخ به این دسته تعلق داشت. در بستر مرگ سرگرم تصحیح آخرین قطعه موسیقی خود بود.
منبع: حکایت دولت و فرزانگی، مارک فیشر
🆔@tavaroghstd
❤2
تورق
موضوع مورد علاقه خودتون برای دوره همخوانی رشد 4 رو پیشنهاد بدهید. (بیش از یک گزینه هم امکان پذیر هست)
نظرسنجی دوره همخوانی به صورت همزمان در کانال تلگرام و بله تورق منتشر شده است. تا این لحظه رقابت بسیار تنگاتنگ هست.
1️⃣نگاه استراتژیک به هوش مصنوعی 39 رای
2️⃣طراحی اکوسیستم‌ها و پلتفرم‌ها 39 رای
3️⃣بررسی دیدگاه‌های کارافرینان 28 رای
کسانی که رای ندادند هم ظرف تا آخر هفته رای خودشون رو به صندوق بندازند تا تصمیم نهایی رو بگیریم🙏
1️⃣نگاه استراتژیک به هوش مصنوعی 39 رای
2️⃣طراحی اکوسیستم‌ها و پلتفرم‌ها 39 رای
3️⃣بررسی دیدگاه‌های کارافرینان 28 رای
کسانی که رای ندادند هم ظرف تا آخر هفته رای خودشون رو به صندوق بندازند تا تصمیم نهایی رو بگیریم🙏
هوش مصنوعی، پارادایم چهارم مدیریت؛ نه صرفاً یک فناوری
بیشتر تحلیل‌هایی که این روزها درباره هوش مصنوعی می‌خوانیم، بر یک محور مشترک متمرکزند؛ اینکه AI هزینه‌ها را کاهش می‌دهد، بهره‌وری را افزایش می‌دهد، بسیاری از فعالیت‌ها را خودکار می‌کند و در نهایت جای بخشی از نیروی انسانی را می‌گیرد. هرچند این گزاره‌ها درست‌اند، اما به نظر من هیچ‌کدام توضیح نمی‌دهند که چرا هوش مصنوعی تا این اندازه اهمیت دارد و چرا بسیاری آن را هم‌سنگ انقلاب صنعتی یا ظهور اینترنت می‌دانند.
برای پاسخ به این سؤال، شاید لازم باشد یک گام به عقب برداریم و از خود بپرسیم که اساساً علم مدیریت در طول تاریخ چه مسئله‌ای را حل کرده است؟
پاسخ رایج این است که مدیریت برای افزایش سود، کاهش هزینه یا برنامه‌ریزی، سازماندهی و کنترل به وجود آمده است. اما به نظر من این‌ها بیشتر ابزارها و پیامدهای مدیریت هستند تا مسئله اصلی آن. اگر بخواهیم مدیریت را در یک جمله خلاصه کنیم، شاید بتوان گفت مدیریت یعنی *توانایی تحقق اهداف در شرایط عدم قطعیت*.
جهان ذاتاً سرشار از عدم قطعیت است؛ رفتار انسان‌ها، تغییرات بازار، فناوری، قوانین، رقبا و حتی شرایط محیطی همگی می‌توانند نتیجه یک تصمیم را تغییر دهند. به همین دلیل، تاریخ مدیریت را می‌توان تاریخ تلاش بشر برای کاهش اثرات این عدم قطعیت دانست. هر بار که پیچیدگی جهان از ظرفیت روش‌های قبلی فراتر رفته، پارادایم جدیدی در مدیریت شکل گرفته است.
پارادایم اول: استانداردسازی رفتار انسان
در دوره‌ای که نیروی انسانی مهم‌ترین منبع تولید محسوب می‌شد، بزرگ‌ترین منبع عدم قطعیت نیز رفتار انسان بود. از ارتش‌های منظم و نظام برده‌داری گرفته تا مدیریت علمی فردریک تیلور، همگی یک هدف مشترک داشتند و آن اینکه رفتار انسان را تا حد امکان قابل پیش‌بینی کنند. تقسیم کار، دستورالعمل‌های اجرایی، زمان‌سنجی و استانداردسازی، همگی ابزارهایی برای کاهش عدم قطعیتی بودند که از رفتار افراد ناشی می‌شد.
پارادایم دوم: استانداردسازی فرایند
با بزرگ‌تر شدن سازمان‌ها، مشخص شد که حتی اگر رفتار افراد نیز استاندارد شود، کل سازمان همچنان می‌تواند غیرقابل پیش‌بینی عمل کند. در نتیجه، تمرکز مدیریت از انسان به فرآیند منتقل شد. مفاهیمی مانند مدیریت فرآیند، ERP، BPM، کنترل کیفیت و استانداردهای مدیریتی، همگی بر این ایده استوار بودند که اگر جریان خلق ارزش استاندارد شود، خروجی سازمان نیز قابل اتکا خواهد بود.
پارادایم سوم: ارکستریشن پلتفرم‌ها
با ظهور اینترنت و اقتصاد دیجیتال، مسئله بار دیگر تغییر کرد. دیگر تمام ارزش در داخل یک سازمان خلق نمی‌شد، بلکه میان هزاران تأمین‌کننده، توسعه‌دهنده، شریک تجاری و مشتری توزیع شده بود. در چنین شرایطی، استاندارد کردن فرآیندهای داخلی دیگر پاسخگو نبود. سازمان‌ها به این نتیجه رسیدند که لازم نیست مالک تمام اجزای زنجیره ارزش باشند؛ کافی است معماری تعامل میان آنها را طراحی کنند. پلتفرم‌هایی مانند آمازون، اوبر، اندروید یا ویزا دقیقاً بر همین منطق شکل گرفتند. آنها بیش از آنکه مالک منابع باشند، قواعد تعامل میان میلیون‌ها بازیگر مستقل را طراحی می‌کنند. به همین دلیل، پارادایم سوم را می‌توان گذار از «مدیریت سازمان» به «ارکستریشن اکوسیستم» دانست.
پارادایم چهارم: ارکستریشن شناختی
اما به نظر من، هوش مصنوعی آغاز پارادایم چهارمی است که تفاوت آن بسیار عمیق‌تر از افزایش سرعت یا اتوماسیون است. در هر سه پارادایم گذشته، یک ویژگی مشترک وجود داشت: انسان باید هدف خود را به مجموعه‌ای از قوانین، فرآیندها و دستورالعمل‌های دقیق ترجمه می‌کرد. هرچه سیستم پیچیده‌تر می‌شد، تعداد این قوانین نیز بیشتر می‌شد. در واقع، زبان مشترک میان انسان و سیستم همیشه «قانون» بود.
هوش مصنوعی این زبان را تغییر داده است.
برای نخستین بار، دیگر لازم نیست همه قواعد از قبل نوشته شوند. کافی است هدف مشخص شود. سیستم هوشمند می‌تواند شرایط را تحلیل کند، زمینه را درک کند، میان گزینه‌های مختلف استدلال کند و خود، قواعد مناسب را برای رسیدن به آن هدف تولید کند. به همین دلیل، تصور می‌کنم هوش مصنوعی صرفاً نسل جدید اتوماسیون نیست؛ بلکه نسل جدیدی از مدیریت است.
اما به اعتقاد من، این تحول تنها زمانی رخ می‌دهد که هوش مصنوعی به سطحی از «آگاهی سازمانی» برسد. منظور من از آگاهی، خودآگاهی فلسفی نیست؛ بلکه توانایی سیستم برای ساختن یک مدل ذهنی از سازمان است. سیستمی که بداند این سازمان چه هدفی را دنبال می‌کند، موفقیت را چگونه تعریف می‌کند، میان هزینه، کیفیت، سرعت، ریسک و رضایت مشتری چه اولویت‌هایی دارد، چه محدودیت‌هایی را باید رعایت کند و ارزش‌های بنیادین آن چیست.
بیشتر تحلیل‌هایی که این روزها درباره هوش مصنوعی می‌خوانیم، بر یک محور مشترک متمرکزند؛ اینکه AI هزینه‌ها را کاهش می‌دهد، بهره‌وری را افزایش می‌دهد، بسیاری از فعالیت‌ها را خودکار می‌کند و در نهایت جای بخشی از نیروی انسانی را می‌گیرد. هرچند این گزاره‌ها درست‌اند، اما به نظر من هیچ‌کدام توضیح نمی‌دهند که چرا هوش مصنوعی تا این اندازه اهمیت دارد و چرا بسیاری آن را هم‌سنگ انقلاب صنعتی یا ظهور اینترنت می‌دانند.
برای پاسخ به این سؤال، شاید لازم باشد یک گام به عقب برداریم و از خود بپرسیم که اساساً علم مدیریت در طول تاریخ چه مسئله‌ای را حل کرده است؟
پاسخ رایج این است که مدیریت برای افزایش سود، کاهش هزینه یا برنامه‌ریزی، سازماندهی و کنترل به وجود آمده است. اما به نظر من این‌ها بیشتر ابزارها و پیامدهای مدیریت هستند تا مسئله اصلی آن. اگر بخواهیم مدیریت را در یک جمله خلاصه کنیم، شاید بتوان گفت مدیریت یعنی *توانایی تحقق اهداف در شرایط عدم قطعیت*.
جهان ذاتاً سرشار از عدم قطعیت است؛ رفتار انسان‌ها، تغییرات بازار، فناوری، قوانین، رقبا و حتی شرایط محیطی همگی می‌توانند نتیجه یک تصمیم را تغییر دهند. به همین دلیل، تاریخ مدیریت را می‌توان تاریخ تلاش بشر برای کاهش اثرات این عدم قطعیت دانست. هر بار که پیچیدگی جهان از ظرفیت روش‌های قبلی فراتر رفته، پارادایم جدیدی در مدیریت شکل گرفته است.
پارادایم اول: استانداردسازی رفتار انسان
در دوره‌ای که نیروی انسانی مهم‌ترین منبع تولید محسوب می‌شد، بزرگ‌ترین منبع عدم قطعیت نیز رفتار انسان بود. از ارتش‌های منظم و نظام برده‌داری گرفته تا مدیریت علمی فردریک تیلور، همگی یک هدف مشترک داشتند و آن اینکه رفتار انسان را تا حد امکان قابل پیش‌بینی کنند. تقسیم کار، دستورالعمل‌های اجرایی، زمان‌سنجی و استانداردسازی، همگی ابزارهایی برای کاهش عدم قطعیتی بودند که از رفتار افراد ناشی می‌شد.
پارادایم دوم: استانداردسازی فرایند
با بزرگ‌تر شدن سازمان‌ها، مشخص شد که حتی اگر رفتار افراد نیز استاندارد شود، کل سازمان همچنان می‌تواند غیرقابل پیش‌بینی عمل کند. در نتیجه، تمرکز مدیریت از انسان به فرآیند منتقل شد. مفاهیمی مانند مدیریت فرآیند، ERP، BPM، کنترل کیفیت و استانداردهای مدیریتی، همگی بر این ایده استوار بودند که اگر جریان خلق ارزش استاندارد شود، خروجی سازمان نیز قابل اتکا خواهد بود.
پارادایم سوم: ارکستریشن پلتفرم‌ها
با ظهور اینترنت و اقتصاد دیجیتال، مسئله بار دیگر تغییر کرد. دیگر تمام ارزش در داخل یک سازمان خلق نمی‌شد، بلکه میان هزاران تأمین‌کننده، توسعه‌دهنده، شریک تجاری و مشتری توزیع شده بود. در چنین شرایطی، استاندارد کردن فرآیندهای داخلی دیگر پاسخگو نبود. سازمان‌ها به این نتیجه رسیدند که لازم نیست مالک تمام اجزای زنجیره ارزش باشند؛ کافی است معماری تعامل میان آنها را طراحی کنند. پلتفرم‌هایی مانند آمازون، اوبر، اندروید یا ویزا دقیقاً بر همین منطق شکل گرفتند. آنها بیش از آنکه مالک منابع باشند، قواعد تعامل میان میلیون‌ها بازیگر مستقل را طراحی می‌کنند. به همین دلیل، پارادایم سوم را می‌توان گذار از «مدیریت سازمان» به «ارکستریشن اکوسیستم» دانست.
پارادایم چهارم: ارکستریشن شناختی
اما به نظر من، هوش مصنوعی آغاز پارادایم چهارمی است که تفاوت آن بسیار عمیق‌تر از افزایش سرعت یا اتوماسیون است. در هر سه پارادایم گذشته، یک ویژگی مشترک وجود داشت: انسان باید هدف خود را به مجموعه‌ای از قوانین، فرآیندها و دستورالعمل‌های دقیق ترجمه می‌کرد. هرچه سیستم پیچیده‌تر می‌شد، تعداد این قوانین نیز بیشتر می‌شد. در واقع، زبان مشترک میان انسان و سیستم همیشه «قانون» بود.
هوش مصنوعی این زبان را تغییر داده است.
برای نخستین بار، دیگر لازم نیست همه قواعد از قبل نوشته شوند. کافی است هدف مشخص شود. سیستم هوشمند می‌تواند شرایط را تحلیل کند، زمینه را درک کند، میان گزینه‌های مختلف استدلال کند و خود، قواعد مناسب را برای رسیدن به آن هدف تولید کند. به همین دلیل، تصور می‌کنم هوش مصنوعی صرفاً نسل جدید اتوماسیون نیست؛ بلکه نسل جدیدی از مدیریت است.
اما به اعتقاد من، این تحول تنها زمانی رخ می‌دهد که هوش مصنوعی به سطحی از «آگاهی سازمانی» برسد. منظور من از آگاهی، خودآگاهی فلسفی نیست؛ بلکه توانایی سیستم برای ساختن یک مدل ذهنی از سازمان است. سیستمی که بداند این سازمان چه هدفی را دنبال می‌کند، موفقیت را چگونه تعریف می‌کند، میان هزینه، کیفیت، سرعت، ریسک و رضایت مشتری چه اولویت‌هایی دارد، چه محدودیت‌هایی را باید رعایت کند و ارزش‌های بنیادین آن چیست.
❤1👍1
تا زمانی که هوش مصنوعی صرفاً به داده‌ها یا دستورات دسترسی داشته باشد، نقش آن به یک ابزار پیشرفته محدود خواهد ماند. اما زمانی که بتواند منطق تصمیم‌گیری سازمان را نیز بازنمایی کند، ماهیت آن تغییر خواهد کرد. در آن نقطه، دیگر سیستم فقط مجری فرآیندها نیست، بلکه به بخشی از فرآیند تصمیم‌گیری سازمان تبدیل می‌شود.
شاید بتوان این پارادایم جدید را «ارکستریشن شناختی» نامید. در این پارادایم، دیگر هدف، هماهنگ کردن فرآیندها یا بازیگران نیست؛ بلکه هماهنگ کردن تصمیم‌ها بر اساس درکی مشترک از اهداف و نیت سازمان است. هر زیرسیستم، هر عامل هوشمند و هر عضو اکوسیستم، به جای اجرای کورکورانه قوانین، تلاش می‌کند هدف کل سیستم را درک کند و متناسب با شرایط همان لحظه، بهترین تصمیم را بگیرد.
اگر چنین آینده‌ای محقق شود، مدیران دیگر بخش عمده‌ای از زمان خود را صرف نوشتن فرآیندها، دستورالعمل‌ها و کنترل اجرای آنها نخواهند کرد. وظیفه اصلی آنها، تعریف دقیق اهداف، ارزش‌ها، محدودیت‌ها و منطق تصمیم‌گیری سازمان خواهد بود؛ زیرا این همان چیزی است که هوش مصنوعی بر مبنای آن تصمیم خواهد گرفت.
به همین دلیل، تصور می‌کنم مزیت رقابتی آینده سازمان‌ها از داشتن مدل‌های زبانی بزرگ یا ابزارهای هوش مصنوعی عمومی به دست نخواهد آمد. مزیت واقعی زمانی شکل می‌گیرد که هر سازمان بتواند «آگاهی سازمانی» خود را درون سیستم‌های هوشمندش نهادینه کند. در آن صورت، هوش مصنوعی دیگر یک ابزار عمومی نخواهد بود؛ بلکه به بازنمایی دیجیتال ذهن سازمان تبدیل خواهد شد.
شاید سال‌ها بعد، وقتی به امروز نگاه کنیم، هوش مصنوعی را نه به خاطر سرعت بیشتر یا هزینه کمتر، بلکه به عنوان نقطه آغاز پارادایم چهارم مدیریت به یاد بیاوریم؛ پارادایمی که در آن، برای نخستین بار، سیستم‌ها نه فقط قوانین، بلکه اهداف و منطق تصمیم‌گیری سازمان را نیز درک می‌کنند.
🆔@tavaroghstd
شاید بتوان این پارادایم جدید را «ارکستریشن شناختی» نامید. در این پارادایم، دیگر هدف، هماهنگ کردن فرآیندها یا بازیگران نیست؛ بلکه هماهنگ کردن تصمیم‌ها بر اساس درکی مشترک از اهداف و نیت سازمان است. هر زیرسیستم، هر عامل هوشمند و هر عضو اکوسیستم، به جای اجرای کورکورانه قوانین، تلاش می‌کند هدف کل سیستم را درک کند و متناسب با شرایط همان لحظه، بهترین تصمیم را بگیرد.
اگر چنین آینده‌ای محقق شود، مدیران دیگر بخش عمده‌ای از زمان خود را صرف نوشتن فرآیندها، دستورالعمل‌ها و کنترل اجرای آنها نخواهند کرد. وظیفه اصلی آنها، تعریف دقیق اهداف، ارزش‌ها، محدودیت‌ها و منطق تصمیم‌گیری سازمان خواهد بود؛ زیرا این همان چیزی است که هوش مصنوعی بر مبنای آن تصمیم خواهد گرفت.
به همین دلیل، تصور می‌کنم مزیت رقابتی آینده سازمان‌ها از داشتن مدل‌های زبانی بزرگ یا ابزارهای هوش مصنوعی عمومی به دست نخواهد آمد. مزیت واقعی زمانی شکل می‌گیرد که هر سازمان بتواند «آگاهی سازمانی» خود را درون سیستم‌های هوشمندش نهادینه کند. در آن صورت، هوش مصنوعی دیگر یک ابزار عمومی نخواهد بود؛ بلکه به بازنمایی دیجیتال ذهن سازمان تبدیل خواهد شد.
شاید سال‌ها بعد، وقتی به امروز نگاه کنیم، هوش مصنوعی را نه به خاطر سرعت بیشتر یا هزینه کمتر، بلکه به عنوان نقطه آغاز پارادایم چهارم مدیریت به یاد بیاوریم؛ پارادایمی که در آن، برای نخستین بار، سیستم‌ها نه فقط قوانین، بلکه اهداف و منطق تصمیم‌گیری سازمان را نیز درک می‌کنند.
🆔@tavaroghstd
❤2👍2
تورق
نظرسنجی دوره همخوانی به صورت همزمان در کانال تلگرام و بله تورق منتشر شده است. تا این لحظه رقابت بسیار تنگاتنگ هست. 1️⃣نگاه استراتژیک به هوش مصنوعی 39 رای 2️⃣طراحی اکوسیستم‌ها و پلتفرم‌ها 39 رای 3️⃣بررسی دیدگاه‌های کارافرینان 28 رای کسانی که رای ندادند هم…
سلام. طبق نظر سنجی انجام شده کانال‌ها در دوره چهارم همخوانی رشد موضوع «طراحی اکوسیستم‌ها و پلتفرم‌ها» رو پیش میبریم. لیست مقالات و شیوه ثبت نام تا آخر وقت امروز اعلام خواهد شد. ارادت
❤1🙏1
همخوانی رشد 4 | طراحی اکوسیستم و پلتفرم
سلام به همه دوستان عزیز 🌱
خیلی از کسب‌وکارهای بزرگ دنیا از آمازون و اپل گرفته تا اوبر و حتی OpenAI صرفاً یک شرکت نیستند. بلکه شبکه‌ای از کاربران، توسعه‌دهندگان، تأمین‌کنندگان، داده‌ها و سرویس‌ها که ارزش را به‌صورت جمعی خلق می‌کنند.
ما در تورق در سال‌های اخیر بارها درباره پلتفرم، اثر شبکه‌ای و آینده کسب‌وکارها صحبت کردیم. در دوره همخوانی 4 قصد داریم یکبار 5 مقاله‌ی مرجع و معتبر در حوزه طراحی اکوسیستم و پلتفرم را با هم بخوانیم و درباره‌شان گفتگو کنیم.
مقالاتی که در پنج جلسه می‌خوانیم
جلسه اول: Pipelines, Platforms, and the New Rules of Strategy چرا مدل‌های خطی کسب‌وکار دیگر کافی نیستند و پلتفرم‌ها قواعد استراتژی را تغییر داده‌اند.
جلسه دوم: The Dynamics of Network Effects اثر شبکه‌ای چیست، چگونه تقویت می‌شود و چرا بعضی شبکه‌ها هرگز به نقطه‌ی جهش نمی‌رسند.
جلسه سوم: Why Some Platforms Thrive and Others Don’t تحلیل موفقیت و شکست پلتفرم‌ها با مثال‌های واقعی از بازارهای دیجیتال.
جلسه چهارم: Finding the Platform in Your Product چگونه در یک محصول معمولی، فرصت تبدیل شدن به پلتفرم را کشف کنیم.
جلسه پنجم: Competing in the Age of AI بررسی اینکه هوش مصنوعی چگونه مرز میان شرکت، پلتفرم و اکوسیستم را تغییر می‌دهد و نسل بعدی کسب‌وکارهای شبکه‌ای چه شکلی خواهند بود.
هر جلسه مثل همیشه حدود ۱.۵ تا ۲ ساعت طول می‌کشد.
برای ثبت نام از این لینک استفاده کنید. (https://survey.porsline.ir/s/kHOFyGO)
🆔@tavaroghstd
سلام به همه دوستان عزیز 🌱
خیلی از کسب‌وکارهای بزرگ دنیا از آمازون و اپل گرفته تا اوبر و حتی OpenAI صرفاً یک شرکت نیستند. بلکه شبکه‌ای از کاربران، توسعه‌دهندگان، تأمین‌کنندگان، داده‌ها و سرویس‌ها که ارزش را به‌صورت جمعی خلق می‌کنند.
ما در تورق در سال‌های اخیر بارها درباره پلتفرم، اثر شبکه‌ای و آینده کسب‌وکارها صحبت کردیم. در دوره همخوانی 4 قصد داریم یکبار 5 مقاله‌ی مرجع و معتبر در حوزه طراحی اکوسیستم و پلتفرم را با هم بخوانیم و درباره‌شان گفتگو کنیم.
مقالاتی که در پنج جلسه می‌خوانیم
جلسه اول: Pipelines, Platforms, and the New Rules of Strategy چرا مدل‌های خطی کسب‌وکار دیگر کافی نیستند و پلتفرم‌ها قواعد استراتژی را تغییر داده‌اند.
جلسه دوم: The Dynamics of Network Effects اثر شبکه‌ای چیست، چگونه تقویت می‌شود و چرا بعضی شبکه‌ها هرگز به نقطه‌ی جهش نمی‌رسند.
جلسه سوم: Why Some Platforms Thrive and Others Don’t تحلیل موفقیت و شکست پلتفرم‌ها با مثال‌های واقعی از بازارهای دیجیتال.
جلسه چهارم: Finding the Platform in Your Product چگونه در یک محصول معمولی، فرصت تبدیل شدن به پلتفرم را کشف کنیم.
جلسه پنجم: Competing in the Age of AI بررسی اینکه هوش مصنوعی چگونه مرز میان شرکت، پلتفرم و اکوسیستم را تغییر می‌دهد و نسل بعدی کسب‌وکارهای شبکه‌ای چه شکلی خواهند بود.
هر جلسه مثل همیشه حدود ۱.۵ تا ۲ ساعت طول می‌کشد.
برای ثبت نام از این لینک استفاده کنید. (https://survey.porsline.ir/s/kHOFyGO)
🆔@tavaroghstd
Porsline
دوره همخوانی
با پُرس‌لاین به راحتی پرسشنامه خود را طراحی و ارسال کنید و با گزارش‌های لحظه‌ای آن به سرعت تصمیم بگیرید.
❤2🔥1
پرسش اصلی این نیست که آیا هوش مصنوعی می‌تواند مانند انسان فکر کند؟ پرسش مهم‌تر این است که هوش مصنوعی چگونه شیوه فکر کردن، تصمیم گرفتن و هماهنگ شدن ما را تغییر می‌دهد؟
🆔 @tavaroghstd
🆔 @tavaroghstd
❤2
تورق
همخوانی رشد 4 | طراحی اکوسیستم و پلتفرم سلام به همه دوستان عزیز 🌱 خیلی از کسب‌وکارهای بزرگ دنیا از آمازون و اپل گرفته تا اوبر و حتی OpenAI صرفاً یک شرکت نیستند. بلکه شبکه‌ای از کاربران، توسعه‌دهندگان، تأمین‌کنندگان، داده‌ها و سرویس‌ها که ارزش را به‌صورت…
سلام.
به امیدخدا از هفته آینده دوره همخوانی رو شروع خواهیم کرد. اطلاعات برای عزیزانی که ثبت نام کردند ظرف این هفته ارسال خواهد شد. اگر کسی هنوز ثبت نام نکرده و علاقه مند به حضور هست حتما در اسرع وقت ثبت نامش رو تکمیل کنه که جا نماند.
ارادت
به امیدخدا از هفته آینده دوره همخوانی رو شروع خواهیم کرد. اطلاعات برای عزیزانی که ثبت نام کردند ظرف این هفته ارسال خواهد شد. اگر کسی هنوز ثبت نام نکرده و علاقه مند به حضور هست حتما در اسرع وقت ثبت نامش رو تکمیل کنه که جا نماند.
ارادت
❤5
سلام. گروه مربوط به هماهنگی دوره همخوانی رشد 4 رو ایجاد کردم و کسانی که ثبت نام کرده بودند رو عضو گروه کردم. اگر کسی ثبت نام کرده و در گروه عضو نشده حتما به بنده پیام بده تا عضوش کنم.
موفق باشید
موفق باشید
❤3
تنگنای مرگبار
یکی از خطرناک‌ترین وضعیت‌هایی که ممکن است یک استارتاپ در آن گرفتار آن شود وضعیت تنگنای مرگبار است. آنها هنوز پول قابل توجهی در بانک دارند، هر ماه مقدار زیادی می‌سوزانند، رشد درآمدشان صفر یا ناچیز است و مثلاً ۶ ماه تا اتمام سرمایه فرصت دارند. بنیان‌گذاران در این وضعیت معمولاً به یک راه‌حل امید می‌بندند: «قبل از اینکه پولمان تمام شود، دوباره از سرمایه‌گذاران پول می‌گیریم.»
از نظر گراهام، همین جمله ممکن است مرگبارترین اشتباه آنها باشد.
مشکل اینجاست که بنیان‌گذاران معمولاً احتمال جذب سرمایه بعدی را بیش از حد تخمین می‌زنند. علی رغم اینکه جذب سرمایه در مرحله اول سخت بوده، اما آن زمان به دلیل اینکه استارتاپ تازه متولد شده بوده است، سرمایه‌گذاران هنوز نمی‌توانسته‌اند درباره موفقیت یا شکست شرکت قضاوت کنند. اما در دور دوم سه اتفاق همزمان رخ داده است:
1. شرکت بیشتر از قبل پول خرج می‌کند.
2. سرمایه‌گذاران از شرکتی که قبلاً سرمایه گرفته، انتظار بیشتری دارند.
3. مهم‌تر از همه، شرکت کم‌کم شبیه یک شکست به نظر می‌رسد.
این یعنی شرکتی که در دور اول «هنوز معلوم نیست موفق می‌شود یا نه» بود، در دور دوم ممکن است به شرکتی تبدیل شود که پاسخ پیش‌فرض درباره‌اش این است: احتمالاً شکست خورده است.
اینجا تنگنای مرگبار شکل می‌گیرد.
اما نکته مهم این است که وضعیت بالا خودتقویت‌شونده است. تصور اشتباه بنیان‌گذاران باعث می‌شود فشار چندانی برای رسیدن به سودآوری ایجاد نکنند. در نتیجه، شرکت همچنان پول می‌سوزاند و وضعیت مالی‌اش بدتر می‌شود. و همین موضوع احتمال جذب سرمایه بعدی را کمتر می‌کند.
گراهام برای جلوگیری از این وضعیت یک اصل بسیار ساده پیشنهاد می‌کند: وقتی سرمایه جذب کردید، طوری رفتار کنید که انگار دیگر هیچ‌وقت سرمایه‌ای دریافت نخواهید کرد.
چون یک پارادوکس مهم وجود دارد: هرچه کمتر به سرمایه بعدی نیاز داشته باشید، احتمال اینکه سرمایه‌گذار به شما پول بدهد بیشتر می‌شود.
اگر همین حالا در «تنگنای مرگبار» هستید کار کنید؟
اولین کار این است که احتمال جذب سرمایه بعدی را دوباره ارزیابی کنید. گراهام البته پیش‌بینی را ساده کرده است. از دید او این احتمال برابر صفر است!!!
از اینجا به بعد سه راه بیشتر وجود ندارد: شرکت را ببندید، درآمد را افزایش دهید، یا هزینه‌ها را کاهش دهید.
اگر واقعاً مطمئن هستید شرکت در هر صورت شکست خواهد خورد، بهتر است تعطیلش کنید. حداقل می‌توانید بخشی از پول باقی‌مانده را به سرمایه‌گذاران برگردانید. اما اگر نمی‌خواهید تعطیل کنید، باید به سراغ دو اهرم واقعی بروید: درآمد و هزینه.
در اکثر استارتاپ‌ها، بزرگ‌ترین بخش هزینه یعنی افراد و کاهش هزینه یعنی اخراج افراد:
- اگر افرادی در شرکت هستند که می‌دانید نباید استخدام می‌شدند یا باید اخراج شوند، الان وقت تعلل نیست
- اگر مشکل شرکت استخدام بیش از حد بوده، باید کوچک شوید. چون ممکن است حتی آدم‌های خوبی که استخدام کرده‌اید، برای محصولی که نهایتاً می‌سازید مناسب نباشند.
- اگر تیم کوچک است به جای تمرکز روی کاهش هزینه، به‌طور جدی روی درآمد تمرکز کنید.
ایده جالب گراهام این است که به جای تلاش برای فروش بیشتر سعی کنید به شکل دیگری پول در بیاورید. مثلاً اگر یک نفر در حال فروش است و بقیه مشغول کدنویسی‌اند، شاید بهتر باشد همه روی فروش کار کنند. چون وقتی شرکت شش ماه دیگر پول ندارد، کد بیشتر لزوماً ارزشی ندارد.
پیشنهاد جالب گراهام: کارهای شبه مشاوره‌ای
گراهام در اینجا وارد ایده‌ای می‌شود که برای فهم مدل رشد بسیاری از استارتاپ‌ها مهم است. او می‌گوید اگر محصول هنوز آن‌قدر جذاب نیست که مشتریان زیادی برایش پول بدهند به جای اینکه از مشتری بپرسید آیا محصول ما را می‌خرید؟ از مشتری بپرسید: چه مشکلی دارید که حاضر هستید برای حل آن پول زیادی پرداخت کنید؟
ممکن است پاسخ، یک پروژه سفارشی یا چیزی شبیه مشاوره باشد. البته مراقب باشید، استارتاپ محصولی شما به یک شرکت خدمات مشاوره‌ای تبدیل نشود که برای هر مشتری چیزی متفاوت می‌سازد.اما در شرایط مرگ و زندگی، هدف اول نجات شرکت است.
پس می‌توانید یک کار سفارشی با قیمت بالا برای یک مشتری انجام دهید، اما بهتر است آن کار تا حد امکان نسخه‌ای محدود و مشخص از محصول خودتان باشد. یعنی:
- پول را سریع دریافت کنید
- مالکیت فکری را حفظ کنید
- وارد مدل مشاوره ساعتی نشوید
ایده گراهام این است که شاید همین کار در نهایت همان thing that doesn't scale باشد که مسیر محصول واقعی شرکت را به شما نشان می‌دهد. یعنی ممکن است در جریان کار متوجه مساله‌ای شوید که پشت آن نیاز خاص، یک بازار بسیار بزرگ‌تر وجود دارد. پس انتظار نداشته باشید هر کار سفارشی تبدیل به محصول شود؛ اما وقتی درگیر نیازهای واقعی مشتریان می‌شوید، باید چشم‌تان دنبال شکاف‌های کوچک با چشم‌اندازهای بزرگ باشد.
🆔 @tavaroghstd
یکی از خطرناک‌ترین وضعیت‌هایی که ممکن است یک استارتاپ در آن گرفتار آن شود وضعیت تنگنای مرگبار است. آنها هنوز پول قابل توجهی در بانک دارند، هر ماه مقدار زیادی می‌سوزانند، رشد درآمدشان صفر یا ناچیز است و مثلاً ۶ ماه تا اتمام سرمایه فرصت دارند. بنیان‌گذاران در این وضعیت معمولاً به یک راه‌حل امید می‌بندند: «قبل از اینکه پولمان تمام شود، دوباره از سرمایه‌گذاران پول می‌گیریم.»
از نظر گراهام، همین جمله ممکن است مرگبارترین اشتباه آنها باشد.
مشکل اینجاست که بنیان‌گذاران معمولاً احتمال جذب سرمایه بعدی را بیش از حد تخمین می‌زنند. علی رغم اینکه جذب سرمایه در مرحله اول سخت بوده، اما آن زمان به دلیل اینکه استارتاپ تازه متولد شده بوده است، سرمایه‌گذاران هنوز نمی‌توانسته‌اند درباره موفقیت یا شکست شرکت قضاوت کنند. اما در دور دوم سه اتفاق همزمان رخ داده است:
1. شرکت بیشتر از قبل پول خرج می‌کند.
2. سرمایه‌گذاران از شرکتی که قبلاً سرمایه گرفته، انتظار بیشتری دارند.
3. مهم‌تر از همه، شرکت کم‌کم شبیه یک شکست به نظر می‌رسد.
این یعنی شرکتی که در دور اول «هنوز معلوم نیست موفق می‌شود یا نه» بود، در دور دوم ممکن است به شرکتی تبدیل شود که پاسخ پیش‌فرض درباره‌اش این است: احتمالاً شکست خورده است.
اینجا تنگنای مرگبار شکل می‌گیرد.
اما نکته مهم این است که وضعیت بالا خودتقویت‌شونده است. تصور اشتباه بنیان‌گذاران باعث می‌شود فشار چندانی برای رسیدن به سودآوری ایجاد نکنند. در نتیجه، شرکت همچنان پول می‌سوزاند و وضعیت مالی‌اش بدتر می‌شود. و همین موضوع احتمال جذب سرمایه بعدی را کمتر می‌کند.
گراهام برای جلوگیری از این وضعیت یک اصل بسیار ساده پیشنهاد می‌کند: وقتی سرمایه جذب کردید، طوری رفتار کنید که انگار دیگر هیچ‌وقت سرمایه‌ای دریافت نخواهید کرد.
چون یک پارادوکس مهم وجود دارد: هرچه کمتر به سرمایه بعدی نیاز داشته باشید، احتمال اینکه سرمایه‌گذار به شما پول بدهد بیشتر می‌شود.
اگر همین حالا در «تنگنای مرگبار» هستید کار کنید؟
اولین کار این است که احتمال جذب سرمایه بعدی را دوباره ارزیابی کنید. گراهام البته پیش‌بینی را ساده کرده است. از دید او این احتمال برابر صفر است!!!
از اینجا به بعد سه راه بیشتر وجود ندارد: شرکت را ببندید، درآمد را افزایش دهید، یا هزینه‌ها را کاهش دهید.
اگر واقعاً مطمئن هستید شرکت در هر صورت شکست خواهد خورد، بهتر است تعطیلش کنید. حداقل می‌توانید بخشی از پول باقی‌مانده را به سرمایه‌گذاران برگردانید. اما اگر نمی‌خواهید تعطیل کنید، باید به سراغ دو اهرم واقعی بروید: درآمد و هزینه.
در اکثر استارتاپ‌ها، بزرگ‌ترین بخش هزینه یعنی افراد و کاهش هزینه یعنی اخراج افراد:
- اگر افرادی در شرکت هستند که می‌دانید نباید استخدام می‌شدند یا باید اخراج شوند، الان وقت تعلل نیست
- اگر مشکل شرکت استخدام بیش از حد بوده، باید کوچک شوید. چون ممکن است حتی آدم‌های خوبی که استخدام کرده‌اید، برای محصولی که نهایتاً می‌سازید مناسب نباشند.
- اگر تیم کوچک است به جای تمرکز روی کاهش هزینه، به‌طور جدی روی درآمد تمرکز کنید.
ایده جالب گراهام این است که به جای تلاش برای فروش بیشتر سعی کنید به شکل دیگری پول در بیاورید. مثلاً اگر یک نفر در حال فروش است و بقیه مشغول کدنویسی‌اند، شاید بهتر باشد همه روی فروش کار کنند. چون وقتی شرکت شش ماه دیگر پول ندارد، کد بیشتر لزوماً ارزشی ندارد.
پیشنهاد جالب گراهام: کارهای شبه مشاوره‌ای
گراهام در اینجا وارد ایده‌ای می‌شود که برای فهم مدل رشد بسیاری از استارتاپ‌ها مهم است. او می‌گوید اگر محصول هنوز آن‌قدر جذاب نیست که مشتریان زیادی برایش پول بدهند به جای اینکه از مشتری بپرسید آیا محصول ما را می‌خرید؟ از مشتری بپرسید: چه مشکلی دارید که حاضر هستید برای حل آن پول زیادی پرداخت کنید؟
ممکن است پاسخ، یک پروژه سفارشی یا چیزی شبیه مشاوره باشد. البته مراقب باشید، استارتاپ محصولی شما به یک شرکت خدمات مشاوره‌ای تبدیل نشود که برای هر مشتری چیزی متفاوت می‌سازد.اما در شرایط مرگ و زندگی، هدف اول نجات شرکت است.
پس می‌توانید یک کار سفارشی با قیمت بالا برای یک مشتری انجام دهید، اما بهتر است آن کار تا حد امکان نسخه‌ای محدود و مشخص از محصول خودتان باشد. یعنی:
- پول را سریع دریافت کنید
- مالکیت فکری را حفظ کنید
- وارد مدل مشاوره ساعتی نشوید
ایده گراهام این است که شاید همین کار در نهایت همان thing that doesn't scale باشد که مسیر محصول واقعی شرکت را به شما نشان می‌دهد. یعنی ممکن است در جریان کار متوجه مساله‌ای شوید که پشت آن نیاز خاص، یک بازار بسیار بزرگ‌تر وجود دارد. پس انتظار نداشته باشید هر کار سفارشی تبدیل به محصول شود؛ اما وقتی درگیر نیازهای واقعی مشتریان می‌شوید، باید چشم‌تان دنبال شکاف‌های کوچک با چشم‌اندازهای بزرگ باشد.
🆔 @tavaroghstd
👍1
شکنندگی پنهان هوش مصنوعی؛ از اتوماسیون تا پادشکنندگی
هوش مصنوعی هر روز قابلیت‌های جدیدی را به دنیا نشان می‌دهد. بسیاری از افراد مجذوب ظرفیت بالای آن در خودکارسازی یا انجام امور شده‌اند. اما درک جایگاه این تکنولوژی در آینده شرکت‌ها برای خلق قابلیت‌های استراتژیک نیازمند توجه به ابعاد پنهان‌تری از این فناوری است.
با یک ساده‌سازی مختصر، سامانه‌های هوشمند الگوهای آماری پیچیده‌ای هستند که بر اساس داده‌های گذشته، احتمال رخدادهای مختلف را تخمین می‌زنند و محتمل‌ترین گزینه را تشخیص می‌دهند. این مدل‌ها در شرایطی که مسئله در چارچوب الگوهای آموخته‌شده قرار داشته باشد، عملکرد بسیار قدرتمندی دارند؛ اما در مواجهه با شرایطی که خارج از الگوهای شناخته‌شده قرار می‌گیرند لزوماً عملکرد مناسبی ندارند. یعنی قدرت تشخیص الگوهای پیشین می‌تواند در مواجهه با تغییرات بنیادین به نقطه ضعف تبدیل شود.
روند فعلی توسعه هوش مصنوعی و تسلط شرکت‌های مختلف اگر چه تحول بزرگی را در جهان رقم خواهد زد اما در نهایت آن را به یک فناوری عمومی مثل اینترنت یا موتور جستجو تبدیل خواهد کرد. به عبارت دیگر، اگر از منظر یک منبع استراتژیک به آن نگاه کنیم هوش مصنوعی عمومی یا مدل زبانی به‌تنهایی منبعی برای خلق مزیت رقابتی پایدار نخواهد بود. در چنین شرایطی مزیت رقابتی به لایه‌هایی از زنجیره ارزش منتقل می‌شود که کمیاب‌تر و دشوارتر برای تقلید هستند: مانند داده اختصاصی، دانش زمینه، فرایندهای سازمان و ...
از سوی دیگر، این فناوری‌ها به دلیل اینکه از داده‌های گذشته یاد می‌گیرند، گرایش دارند الگوهای رایج یا همان Status Quo را بازتولید کنند. این به معنای آن نیست که AI عمداً از وضعیت موجود دفاع می‌کند، بلکه تابع هدف و داده‌های آموزشی آن عمدتاً بر اساس آنچه قبلاً رخ داده شکل گرفته است. بنابراین، تا زمانی که آینده شبیه گذشته باشد، همین ویژگی یک مزیت بزرگ است؛ اما زمانی که قواعد بازی تغییر کنند یا سازمان بخواهد خارج از الگوهای رایج اقدام کند، می‌تواند به نقطه ضعف تبدیل شود.
نیکلاس طالب پادشکنندگی را حالتی می‌نامد که سیستم از نوسان، خطا، شوک، فشار و بی‌نظمی سود می‌برد و بهتر می‌شود. مثلا می‌گوید اگر چه سنگ یک سیستم مقاوم است اما سیستم ایمنی بدن در مواجهه کنترل‌شده با بیماری می‌تواند نسبت به قبل تقویت شود که آن را تبدیل به سیستمی پادشکننده می‌نماید.
با توجه به روندهای ذکر شده سوال مهم این است که سازمان‌ها در توسعه هوش مصنوعی باید چه مولفه‌هایی را رعایت کنند تا تبدیل به سیستم‌های پادشکننده شوند؟
با این نگاه، سیستم‌های هوشمند فعلی می‌توانند در شرایط خاص بسیار شکننده باشند؛ چرا که عمدتاً به دنبال بازآفرینی الگوهای رایج هستند. اگر شرایط تغییر کند، یک پارادایم شیفت اتفاق بیفتد یا مثلاً یک «قوی سیاه» رخ دهد، این سیستم‌ها ممکن است آن را به‌عنوان یک ناهنجاری، توهم یا خطای سیستمی تفسیر کنند و در نتیجه نادیده گرفتن این الگوها آسیب‌پذیر شوند. در یک جمله، این سیستم‌ها در تشخیص محتمل‌ترین گزینه بسیار قدرتمندند، اما لزوماً درست‌ترین یا نوآورانه‌ترین پاسخ را در شرایط ناشناخته ارائه نمی‌کنند.
مثلاً اگر به‌عنوان یک شرکت تمام تصمیمات استراتژیک، تحلیل بازار و مدیریت ریسک خود را به LLM بسپارید، در واقع ذهن سازمان را به یک سیستم شکننده واگذار کرده‌اید. چرا که در صورت بروز یک بحران جهانی یا تغییر در الگوهای قدرت، وابستگی شدید به این سیستم‌ها می‌تواند توانایی شما برای تحلیل مستقل واقعیت و تصمیم‌گیری را کاهش دهد.
برای محافظت در برابر شکنندگی هوش مصنوعی باید چند استراتژی را دنبال کرد:
تنوع شناختی خود را حفظ کنید. برخلاف جریان غالب، حضور انسان در فرایندهای تصمیم‌گیری برای حفظ تنوع شناختی اهمیت زیادی دارد. برای مقابله با همگرایی مدل‌ها، بهتر است انسان‌ها دست‌کم به‌عنوان «وکیل مدافع شیطان» در تصمیم‌گیری حضور داشته باشند. یعنی حضور انسان، همراه با تلاش برای ایجاد تضاد و تنوع در آرا، باید حفظ شود.
ابزارهای تخصصی و متناسب با خود توسعه دهید. به جای تکیه بر مدل‌های جهانی، باید به سمت مدل‌های کوچک‌تر، تخصصی‌تر و مبتنی بر داده‌های محلی حرکت کرد. مثلاً واقعیت‌های فرهنگی و استراتژیک باید در آموزش مدل‌ها مورد استفاده قرار گیرد. ممکن است این مدل در دانش عمومی ضعیف‌تر باشد، اما در درک شرایط خاص و بحرانی خود، بسیار پادشکننده‌تر خواهد بود.
سیستم‌هایی برای کشف لبه‌های آشوب طراحی کنید. مدل‌های فعلی عمدتاً در مرکز احتمالات فعالیت می‌کنند، در حالی که ما به سیستم‌هایی نیاز داریم که در لبه‌ها فعالیت کنند. این یعنی طراحی سیستم‌های خاص برای کشف ناهنجاری‌ها. هدف این سیستم‌ها الزاماً پیدا کردن الگوی درست نیست، بلکه کشف هر نوع الگوی متفاوتی است که ممکن است آینده را تغییر دهد؛ یعنی تلاشی فعالانه برای یافتن قوی سیاه.
🆔 @tavaroghstd
هوش مصنوعی هر روز قابلیت‌های جدیدی را به دنیا نشان می‌دهد. بسیاری از افراد مجذوب ظرفیت بالای آن در خودکارسازی یا انجام امور شده‌اند. اما درک جایگاه این تکنولوژی در آینده شرکت‌ها برای خلق قابلیت‌های استراتژیک نیازمند توجه به ابعاد پنهان‌تری از این فناوری است.
با یک ساده‌سازی مختصر، سامانه‌های هوشمند الگوهای آماری پیچیده‌ای هستند که بر اساس داده‌های گذشته، احتمال رخدادهای مختلف را تخمین می‌زنند و محتمل‌ترین گزینه را تشخیص می‌دهند. این مدل‌ها در شرایطی که مسئله در چارچوب الگوهای آموخته‌شده قرار داشته باشد، عملکرد بسیار قدرتمندی دارند؛ اما در مواجهه با شرایطی که خارج از الگوهای شناخته‌شده قرار می‌گیرند لزوماً عملکرد مناسبی ندارند. یعنی قدرت تشخیص الگوهای پیشین می‌تواند در مواجهه با تغییرات بنیادین به نقطه ضعف تبدیل شود.
روند فعلی توسعه هوش مصنوعی و تسلط شرکت‌های مختلف اگر چه تحول بزرگی را در جهان رقم خواهد زد اما در نهایت آن را به یک فناوری عمومی مثل اینترنت یا موتور جستجو تبدیل خواهد کرد. به عبارت دیگر، اگر از منظر یک منبع استراتژیک به آن نگاه کنیم هوش مصنوعی عمومی یا مدل زبانی به‌تنهایی منبعی برای خلق مزیت رقابتی پایدار نخواهد بود. در چنین شرایطی مزیت رقابتی به لایه‌هایی از زنجیره ارزش منتقل می‌شود که کمیاب‌تر و دشوارتر برای تقلید هستند: مانند داده اختصاصی، دانش زمینه، فرایندهای سازمان و ...
از سوی دیگر، این فناوری‌ها به دلیل اینکه از داده‌های گذشته یاد می‌گیرند، گرایش دارند الگوهای رایج یا همان Status Quo را بازتولید کنند. این به معنای آن نیست که AI عمداً از وضعیت موجود دفاع می‌کند، بلکه تابع هدف و داده‌های آموزشی آن عمدتاً بر اساس آنچه قبلاً رخ داده شکل گرفته است. بنابراین، تا زمانی که آینده شبیه گذشته باشد، همین ویژگی یک مزیت بزرگ است؛ اما زمانی که قواعد بازی تغییر کنند یا سازمان بخواهد خارج از الگوهای رایج اقدام کند، می‌تواند به نقطه ضعف تبدیل شود.
نیکلاس طالب پادشکنندگی را حالتی می‌نامد که سیستم از نوسان، خطا، شوک، فشار و بی‌نظمی سود می‌برد و بهتر می‌شود. مثلا می‌گوید اگر چه سنگ یک سیستم مقاوم است اما سیستم ایمنی بدن در مواجهه کنترل‌شده با بیماری می‌تواند نسبت به قبل تقویت شود که آن را تبدیل به سیستمی پادشکننده می‌نماید.
با توجه به روندهای ذکر شده سوال مهم این است که سازمان‌ها در توسعه هوش مصنوعی باید چه مولفه‌هایی را رعایت کنند تا تبدیل به سیستم‌های پادشکننده شوند؟
با این نگاه، سیستم‌های هوشمند فعلی می‌توانند در شرایط خاص بسیار شکننده باشند؛ چرا که عمدتاً به دنبال بازآفرینی الگوهای رایج هستند. اگر شرایط تغییر کند، یک پارادایم شیفت اتفاق بیفتد یا مثلاً یک «قوی سیاه» رخ دهد، این سیستم‌ها ممکن است آن را به‌عنوان یک ناهنجاری، توهم یا خطای سیستمی تفسیر کنند و در نتیجه نادیده گرفتن این الگوها آسیب‌پذیر شوند. در یک جمله، این سیستم‌ها در تشخیص محتمل‌ترین گزینه بسیار قدرتمندند، اما لزوماً درست‌ترین یا نوآورانه‌ترین پاسخ را در شرایط ناشناخته ارائه نمی‌کنند.
مثلاً اگر به‌عنوان یک شرکت تمام تصمیمات استراتژیک، تحلیل بازار و مدیریت ریسک خود را به LLM بسپارید، در واقع ذهن سازمان را به یک سیستم شکننده واگذار کرده‌اید. چرا که در صورت بروز یک بحران جهانی یا تغییر در الگوهای قدرت، وابستگی شدید به این سیستم‌ها می‌تواند توانایی شما برای تحلیل مستقل واقعیت و تصمیم‌گیری را کاهش دهد.
برای محافظت در برابر شکنندگی هوش مصنوعی باید چند استراتژی را دنبال کرد:
تنوع شناختی خود را حفظ کنید. برخلاف جریان غالب، حضور انسان در فرایندهای تصمیم‌گیری برای حفظ تنوع شناختی اهمیت زیادی دارد. برای مقابله با همگرایی مدل‌ها، بهتر است انسان‌ها دست‌کم به‌عنوان «وکیل مدافع شیطان» در تصمیم‌گیری حضور داشته باشند. یعنی حضور انسان، همراه با تلاش برای ایجاد تضاد و تنوع در آرا، باید حفظ شود.
ابزارهای تخصصی و متناسب با خود توسعه دهید. به جای تکیه بر مدل‌های جهانی، باید به سمت مدل‌های کوچک‌تر، تخصصی‌تر و مبتنی بر داده‌های محلی حرکت کرد. مثلاً واقعیت‌های فرهنگی و استراتژیک باید در آموزش مدل‌ها مورد استفاده قرار گیرد. ممکن است این مدل در دانش عمومی ضعیف‌تر باشد، اما در درک شرایط خاص و بحرانی خود، بسیار پادشکننده‌تر خواهد بود.
سیستم‌هایی برای کشف لبه‌های آشوب طراحی کنید. مدل‌های فعلی عمدتاً در مرکز احتمالات فعالیت می‌کنند، در حالی که ما به سیستم‌هایی نیاز داریم که در لبه‌ها فعالیت کنند. این یعنی طراحی سیستم‌های خاص برای کشف ناهنجاری‌ها. هدف این سیستم‌ها الزاماً پیدا کردن الگوی درست نیست، بلکه کشف هر نوع الگوی متفاوتی است که ممکن است آینده را تغییر دهد؛ یعنی تلاشی فعالانه برای یافتن قوی سیاه.
🆔 @tavaroghstd
👍1👎1
تغییر نگرش‌های کلیدی برای طراحی استراتژی پلتفرمی
دیروز در جلسه نخست همخوانی، مقاله مهمی در حوزه طراحی پلتفرم‌ها با نام "Pipelines, Platforms, and the New Rules of Strategy" از سانجیت چودری را خواندیم. در این مقاله، سه تغییر نگرش مهم برای حرکت از مدل‌های سنتی Pipeline به سمت مدل‌های Platform بیان شده است:
۱. حرکت از کنترل منابع به سمت هماهنگ‌سازی منابع (Orchestration): در مدل‌های سنتی، مزیت رقابتی از طریق کنترل دارایی‌های کمیاب و ارزشمند (مثل املاک یا مالکیت فکری) به دست می‌آید؛ اما در پلتفرم‌ها، دارایی اصلی همان شبکه تولیدکننده و مصرف‌کننده و منابعی است که اعضای این شبکه در اختیار دارند و به سیستم تزریق می‌کنند.
۲. حرکت از بهینه‌سازی داخلی به سمت تعامل خارجی: شرکت‌های سنتی ارزش را با بهینه‌سازی زنجیره فعالیت‌های داخلی خود (از تامین مواد اولیه تا فروش) خلق می‌کنند؛ اما پلتفرم‌ها با تسهیل تعامل بین تولیدکنندگان و مصرف‌کنندگان خارجی ارزش‌آفرینی می‌کنند. در اینجا تمرکز از «دیکته کردن فرآیندها» به سمت «متقاعد کردن شرکت‌کنندگان» و مدیریت اکوسیستم تغییر می‌کند.
۳. حرکت از تمرکز بر ارزش مشتری به سمت تمرکز بر ارزش اکوسیستم: در مدل سنتی، هدف حداکثرسازی ارزشِ طول عمرِ هر مشتری در انتهای یک فرآیند خطی است؛ اما در پلتفرم، هدف اصلی حداکثرسازی ارزش کل یک اکوسیستم در حال گسترش است که از طریق فرآیندهای چرخشی، تکرارپذیر و مبتنی بر بازخورد (Feedback) رشد می‌کند.
این سه تغییر ذهنیت و نگاه باعث می‌شود که استراتژی از مدیریت یک جریان خطی و بسته، به سمت مدیریت یک شبکه پویا و باز تغییر یابد که یکی از استراتژی های کلیدی در دنیای تکنولوژیک امروزی است.
🆔 @tavaroghstd
دیروز در جلسه نخست همخوانی، مقاله مهمی در حوزه طراحی پلتفرم‌ها با نام "Pipelines, Platforms, and the New Rules of Strategy" از سانجیت چودری را خواندیم. در این مقاله، سه تغییر نگرش مهم برای حرکت از مدل‌های سنتی Pipeline به سمت مدل‌های Platform بیان شده است:
۱. حرکت از کنترل منابع به سمت هماهنگ‌سازی منابع (Orchestration): در مدل‌های سنتی، مزیت رقابتی از طریق کنترل دارایی‌های کمیاب و ارزشمند (مثل املاک یا مالکیت فکری) به دست می‌آید؛ اما در پلتفرم‌ها، دارایی اصلی همان شبکه تولیدکننده و مصرف‌کننده و منابعی است که اعضای این شبکه در اختیار دارند و به سیستم تزریق می‌کنند.
۲. حرکت از بهینه‌سازی داخلی به سمت تعامل خارجی: شرکت‌های سنتی ارزش را با بهینه‌سازی زنجیره فعالیت‌های داخلی خود (از تامین مواد اولیه تا فروش) خلق می‌کنند؛ اما پلتفرم‌ها با تسهیل تعامل بین تولیدکنندگان و مصرف‌کنندگان خارجی ارزش‌آفرینی می‌کنند. در اینجا تمرکز از «دیکته کردن فرآیندها» به سمت «متقاعد کردن شرکت‌کنندگان» و مدیریت اکوسیستم تغییر می‌کند.
۳. حرکت از تمرکز بر ارزش مشتری به سمت تمرکز بر ارزش اکوسیستم: در مدل سنتی، هدف حداکثرسازی ارزشِ طول عمرِ هر مشتری در انتهای یک فرآیند خطی است؛ اما در پلتفرم، هدف اصلی حداکثرسازی ارزش کل یک اکوسیستم در حال گسترش است که از طریق فرآیندهای چرخشی، تکرارپذیر و مبتنی بر بازخورد (Feedback) رشد می‌کند.
این سه تغییر ذهنیت و نگاه باعث می‌شود که استراتژی از مدیریت یک جریان خطی و بسته، به سمت مدیریت یک شبکه پویا و باز تغییر یابد که یکی از استراتژی های کلیدی در دنیای تکنولوژیک امروزی است.
🆔 @tavaroghstd
❤2
سلام
امروز در جلسه دوم همخوانی، مقاله‌ی The Dynamics of Network Effects از Andreessen Horowitz را مرور کردیم. این مقاله مسأله بسیار مهمی رو تشریح می‌کنه. اینکه چطور اثر شبکه‌ای در طول زمان تغییر می‌کند و چرا بزرگ‌تر شدن شبکه همیشه به معنی ارزشمندتر شدن نیست.
یکی از مثال‌های جالب مقاله، سرویس‌های تاکسی اینترنتی است. در شروع، هرچه تعداد راننده‌ها بیشتر باشد، زمان انتظار کمتر می‌شود و در نتیجه کاربران بیشتری جذب می‌شوند. این یعنی اثر شبکه ای یا همان چرخه‌ی رشد مثبت برای مشتریان وجود دارد.
اما این رابطه تا یک جایی ادامه دارد. مثلاً وقتی زمان انتظار به حدود ۵ دقیقه برسد دیگر اثر شبکه ای به سمت اشباع شدن حرکت می‌کند. به عبارتی دیگر برای کاربر تفاوت چندانی ندارد که ۱۰۰۰ راننده در شبکه باشد یا ۲۰۰۰ راننده. از این نقطه به بعد، اضافه کردن راننده لزوماً ارزش جدیدی مثل قبل ایجاد نمی‌کند.
اینجا یک نکته جالب دیگر هم در بحث کلاس مطرح شد: اگر دو پلتفرم هر دو بتوانند خودرو را در کمتر از ۵ دقیقه به کاربر برسانند، چرا کاربر باید یکی را انتخاب کند؟ از اینجا به بعد، عواملی مثل قیمت، تجربه کاربری، برند و وفاداری می‌توانند تعیین‌کننده شوند.
پس باید توجه داشت که اثر شبکه‌ای یک مزیت ثابت و همیشگی نیست. باید دید با رشد شبکه، دقیقاً چه چیزی برای کاربر ارزش بیشتری ایجاد می‌کند و این ارزش در چه نقطه‌ای تغییر می‌کند.
🆔 @tavaroghstd
امروز در جلسه دوم همخوانی، مقاله‌ی The Dynamics of Network Effects از Andreessen Horowitz را مرور کردیم. این مقاله مسأله بسیار مهمی رو تشریح می‌کنه. اینکه چطور اثر شبکه‌ای در طول زمان تغییر می‌کند و چرا بزرگ‌تر شدن شبکه همیشه به معنی ارزشمندتر شدن نیست.
یکی از مثال‌های جالب مقاله، سرویس‌های تاکسی اینترنتی است. در شروع، هرچه تعداد راننده‌ها بیشتر باشد، زمان انتظار کمتر می‌شود و در نتیجه کاربران بیشتری جذب می‌شوند. این یعنی اثر شبکه ای یا همان چرخه‌ی رشد مثبت برای مشتریان وجود دارد.
اما این رابطه تا یک جایی ادامه دارد. مثلاً وقتی زمان انتظار به حدود ۵ دقیقه برسد دیگر اثر شبکه ای به سمت اشباع شدن حرکت می‌کند. به عبارتی دیگر برای کاربر تفاوت چندانی ندارد که ۱۰۰۰ راننده در شبکه باشد یا ۲۰۰۰ راننده. از این نقطه به بعد، اضافه کردن راننده لزوماً ارزش جدیدی مثل قبل ایجاد نمی‌کند.
اینجا یک نکته جالب دیگر هم در بحث کلاس مطرح شد: اگر دو پلتفرم هر دو بتوانند خودرو را در کمتر از ۵ دقیقه به کاربر برسانند، چرا کاربر باید یکی را انتخاب کند؟ از اینجا به بعد، عواملی مثل قیمت، تجربه کاربری، برند و وفاداری می‌توانند تعیین‌کننده شوند.
پس باید توجه داشت که اثر شبکه‌ای یک مزیت ثابت و همیشگی نیست. باید دید با رشد شبکه، دقیقاً چه چیزی برای کاربر ارزش بیشتری ایجاد می‌کند و این ارزش در چه نقطه‌ای تغییر می‌کند.
🆔 @tavaroghstd
❤4
خطر هوش مصنوعی فقط بیکاری نیست؛ انتقال ارزش به بیرون است
امروز یکی از دوستان عزیزم متنی درباره خطرات هوش مصنوعی برایم فرستاده بود که در آن معتقد بود مسئله هوش مصنوعی و خطرات ناشی از آن تا حد زیادی اشتباه تشخیص داده شده است. فارغ از موضوع اصلی متن، یک پاراگراف توجه من را به خودش جلب کرد. ایشان نوشته بودند:
جایگزینی نیروی کار ملی با زیرساخت خارجی: خطرناک‌ترین سناریو این نیست که شغل‌ها حذف شوند، بلکه این است که بنگاه‌های داخلی به‌جای استخدام نیروی انسانی ملی، هزینه‌های خود را بابت اجاره‌ی ایجنت‌های هوشمند به شرکت‌های خارجی بپردازند. این امر منجر به خروج دائمی ارزش افزوده از اقتصاد ملی می‌شود.
به نظرم جملات بالا عبارات قابل فکری هستند. البته اگر بخواهیم دقیق‌تر بگوییم، پیامد بالقوه گسترش هوش مصنوعی صرفاً کاهش تقاضا برای برخی مشاغل نیست. بلکه هوش مصنوعی می‌تواند جغرافیای خلق و تصاحب ارزش را تغییر دهد .
یعنی اگر بنگاه‌های داخلی بخش بیشتری از فعالیت‌های خود را از طریق مدل‌ها، زیرساخت‌های ابری و ایجنت‌های متعلق به شرکت‌های خارجی انجام دهند، چند اتفاق ممکن است بیفتد:
- تبدیل خدمات نیروی کار به واردات خدمات دیجیتال: بخشی از پولی که قبلاً به نیروی کار و عرضه‌کنندگان داخلی پرداخت می‌شد، به واردات خدمات دیجیتال تبدیل می‌شود. یعنی در برخی مشاغلی که ایجنت‌ها قادر به انجام بخش بزرگی از وظایف آنها هستند، ممکن است تقاضا برای نیروی انسانی و در نتیجه ارزش بازار برخی مهارت‌ها کاهش پیدا کند.
- کاهش سهم نیروی کار از سود اقتصادی: ممکن است بنگاه‌ها با استفاده از هوش مصنوعی بهره‌ورتر و سودآورتر شوند، اما سهم نیروی کار از ارزش ایجادشده به همان نسبت افزایش پیدا نکند. این یعنی بخشی از منافع افزایش بهره‌وری بیشتر در اختیار صاحبان سرمایه، پلتفرم‌ها و شرکت‌های ارائه‌دهنده فناوری قرار بگیرد و شکاف درآمدی افزایش پیدا کند.
- افزایش وابستگی به زیرساخت خارجی: وابستگی به مدل‌ها، زیرساخت‌های ابری و ایجنت‌های خارجی افزایش پیدا می‌کند؛ یعنی بخشی از ظرفیت عملیاتی اقتصاد به زیرساختی وابسته می‌شود که کنترل آن در داخل کشور نیست و محدودیت دسترسی، تحریم یا قطع سرویس می‌تواند مستقیماً عملکرد بنگاه‌های داخلی را مختل کند.
بنابراین شاید پرسش مهم عصر هوش مصنوعی فقط این نباشد که «چند شغل حذف می‌شود؟» بلکه این باشد که ارزش ایجادشده توسط هوش مصنوعی، نهایتاً در کجا و توسط چه کسی تصاحب می‌شود؟
پینوشت: با تشکر از محمد خلیلی عزیز بابت متن جذابش
🆔@tavaroghstd
امروز یکی از دوستان عزیزم متنی درباره خطرات هوش مصنوعی برایم فرستاده بود که در آن معتقد بود مسئله هوش مصنوعی و خطرات ناشی از آن تا حد زیادی اشتباه تشخیص داده شده است. فارغ از موضوع اصلی متن، یک پاراگراف توجه من را به خودش جلب کرد. ایشان نوشته بودند:
جایگزینی نیروی کار ملی با زیرساخت خارجی: خطرناک‌ترین سناریو این نیست که شغل‌ها حذف شوند، بلکه این است که بنگاه‌های داخلی به‌جای استخدام نیروی انسانی ملی، هزینه‌های خود را بابت اجاره‌ی ایجنت‌های هوشمند به شرکت‌های خارجی بپردازند. این امر منجر به خروج دائمی ارزش افزوده از اقتصاد ملی می‌شود.
به نظرم جملات بالا عبارات قابل فکری هستند. البته اگر بخواهیم دقیق‌تر بگوییم، پیامد بالقوه گسترش هوش مصنوعی صرفاً کاهش تقاضا برای برخی مشاغل نیست. بلکه هوش مصنوعی می‌تواند جغرافیای خلق و تصاحب ارزش را تغییر دهد .
یعنی اگر بنگاه‌های داخلی بخش بیشتری از فعالیت‌های خود را از طریق مدل‌ها، زیرساخت‌های ابری و ایجنت‌های متعلق به شرکت‌های خارجی انجام دهند، چند اتفاق ممکن است بیفتد:
- تبدیل خدمات نیروی کار به واردات خدمات دیجیتال: بخشی از پولی که قبلاً به نیروی کار و عرضه‌کنندگان داخلی پرداخت می‌شد، به واردات خدمات دیجیتال تبدیل می‌شود. یعنی در برخی مشاغلی که ایجنت‌ها قادر به انجام بخش بزرگی از وظایف آنها هستند، ممکن است تقاضا برای نیروی انسانی و در نتیجه ارزش بازار برخی مهارت‌ها کاهش پیدا کند.
- کاهش سهم نیروی کار از سود اقتصادی: ممکن است بنگاه‌ها با استفاده از هوش مصنوعی بهره‌ورتر و سودآورتر شوند، اما سهم نیروی کار از ارزش ایجادشده به همان نسبت افزایش پیدا نکند. این یعنی بخشی از منافع افزایش بهره‌وری بیشتر در اختیار صاحبان سرمایه، پلتفرم‌ها و شرکت‌های ارائه‌دهنده فناوری قرار بگیرد و شکاف درآمدی افزایش پیدا کند.
- افزایش وابستگی به زیرساخت خارجی: وابستگی به مدل‌ها، زیرساخت‌های ابری و ایجنت‌های خارجی افزایش پیدا می‌کند؛ یعنی بخشی از ظرفیت عملیاتی اقتصاد به زیرساختی وابسته می‌شود که کنترل آن در داخل کشور نیست و محدودیت دسترسی، تحریم یا قطع سرویس می‌تواند مستقیماً عملکرد بنگاه‌های داخلی را مختل کند.
بنابراین شاید پرسش مهم عصر هوش مصنوعی فقط این نباشد که «چند شغل حذف می‌شود؟» بلکه این باشد که ارزش ایجادشده توسط هوش مصنوعی، نهایتاً در کجا و توسط چه کسی تصاحب می‌شود؟
پینوشت: با تشکر از محمد خلیلی عزیز بابت متن جذابش
🆔@tavaroghstd
❤5👏2
AWS Reimagine Summary.pdf
217.6 KB
از پذیرش تا ارزش؛ چطور از هوش مصنوعی واقعاً ارزش بسازیم؟
شرکت AWS در گزارش جذاب هفته گذشته خود به نام Reimagine 2026: Turning AI into Value به یک سؤال مهم می‌پردازد: چرا بعضی سازمان‌ها با وجود سرمایه‌گذاری و استفاده گسترده از AI، هنوز به ارزش واقعی کسب‌وکاری نمی‌رسند؟
این گزارش حاصل ۹ ماه گفت‌وگو با ۱۵۴ مدیر از ۱۲۸ سازمان در ۲۳ صنعت است و در ۱۰ فصل، موضوعاتی مثل اندازه‌گیری ارزش، فراتر رفتن از Adoption، مهارت‌ها، حکمرانی، اقتصاد و هزینه‌های AI، داده، پلتفرم، شیوه‌های جدید کار و نقش رهبران را بررسی می‌کند.
در این پاورپوینت، خلاصه‌ای از هر ۱۰ فصل و ایده‌های کلیدی گزارش را با کمک هوش مصنوعی آماده کردم. تمرکزم روی این بوده که چطور AI را از یک ابزار یا پروژه آزمایشی، به یک قابلیت سازمانی و در نهایت به ارزش واقعی تبدیل کنیم.
پینوشت: با تشکر از مهندس فرقانی بزرگوار برای ارسال این گزارش ارزشمند
🆔@tavaroghstd
شرکت AWS در گزارش جذاب هفته گذشته خود به نام Reimagine 2026: Turning AI into Value به یک سؤال مهم می‌پردازد: چرا بعضی سازمان‌ها با وجود سرمایه‌گذاری و استفاده گسترده از AI، هنوز به ارزش واقعی کسب‌وکاری نمی‌رسند؟
این گزارش حاصل ۹ ماه گفت‌وگو با ۱۵۴ مدیر از ۱۲۸ سازمان در ۲۳ صنعت است و در ۱۰ فصل، موضوعاتی مثل اندازه‌گیری ارزش، فراتر رفتن از Adoption، مهارت‌ها، حکمرانی، اقتصاد و هزینه‌های AI، داده، پلتفرم، شیوه‌های جدید کار و نقش رهبران را بررسی می‌کند.
در این پاورپوینت، خلاصه‌ای از هر ۱۰ فصل و ایده‌های کلیدی گزارش را با کمک هوش مصنوعی آماده کردم. تمرکزم روی این بوده که چطور AI را از یک ابزار یا پروژه آزمایشی، به یک قابلیت سازمانی و در نهایت به ارزش واقعی تبدیل کنیم.
پینوشت: با تشکر از مهندس فرقانی بزرگوار برای ارسال این گزارش ارزشمند
🆔@tavaroghstd
🔥4🙏1