سامانه کاری مدیر برای ساخت تیم های بهتر در عصر هوش مصنوعی

فرض کنید سه شنبه صبح مدیر یک تیم داده با سه درخواست فوری روبه روست: مدیران ارشد نمایش یک قابلیت هوش مصنوعی را می خواهند، امنیت می خواهد پیش از عرضه دسترسی ها روشن شود و تیم محصول می گوید تحویل عقب افتاده است. اگر هر سه را هم زمان «اولویت یک» اعلام کند، تیم فقط سردرگم تر می شود.

کار مدیر در چنین موقعیتی اضافه کردن جلسه و فرم نیست. باید محیطی بسازد که اولویت، کیفیت و مسئولیت در آن روشن باشد؛ تا افراد بتوانند کار خوب انجام دهند، بدون آن که هر تصمیمی دوباره از مدیر اجازه بخواهد.

انتظار ها را به رفتار تبدیل کنید

گفتن «از هوش مصنوعی بیشتر استفاده کنید» راهنمای کاری نیست. یک نفر ممکن است از آن برای پیش نویس پرس وجو کمک بگیرد و همه چیز را بیازماید؛ دیگری داده حساس را در ابزار تاییدنشده وارد کند. انتظار روشن تر می گوید چه داده ای بیرون نرود، کدام خروجی باید منبع داشته باشد، چه چیزی پیش از ادغام بازبینی شود و چه زمانی کار به انسان ارجاع شود.

شاخص روند کار مایکروسافت در ۲۰۲۶ شکاف میان استفاده کارکنان از هوش مصنوعی و آمادگی سازمان را برجسته می کند. نقش مدیر این نیست که بهترین دستور را بنویسد؛ باید زمینه و قواعدی فراهم کند که همکاران نزدیک به کار تصمیم بهتری بگیرند.

همین وضوح در مدیریت افراد هم لازم است. «پیش قدم باش» بازخورد مبهمی است؛ «پیش از پیاده سازی، ریسک کیفیت داده را مطرح کن و دو گزینه پیشنهاد بده» رفتاری قابل فهم است. حمایت از فرد تحت فشار نیز بهتر است با توافق روشن همراه باشد: چه چیزی عوض می شود و چه زمانی دوباره بررسی می کنیم؟ توانمندترین فرد را هم نباید با بار پنهانِ نجات دادن دیگران پاداش داد.

گزارش وضعیت محیط کار جهانی گالوپ در ۲۰۲۶ می گوید میزان درگیری کارکنان در جهان در ۲۰۲۵ به ۲۰ درصد رسید و میزان درگیری مدیران از ۳۱ درصد در ۲۰۲۲ به ۲۲ درصد در ۲۰۲۵ کاهش یافت. مدیرانی که راهبرد را به کار روزانه وصل می کنند نیز زیر فشارند؛ انتظار وضوح از تیم باید با حمایت از مدیر همراه باشد.

کیفیت را بر اساس پیامد تنظیم کنید

پیش نویس کم خطر را انسان می خواند و مسئولیتش را می پذیرد. کد کمک گرفته از هوش مصنوعی را پیش از ادغام می آزمایند و بازبینی می کنند. تحلیل داده باید منبع و تعریف سنجه روشن داشته باشد. خروجی رو به مشتری به مسیر ارجاع نیاز دارد؛ عامل هوشمند، یعنی سامانه ای که می تواند ابزار فراخوانی کند و کاری انجام دهد، به مجوز محدود، گزارش اقدام ها، راه بازگشت و ارزیابی منظم نیاز دارد. تصمیم های پراثر به نظارت انسانی و سابقه قابل حسابرسی احتیاج دارند.

در پیمایش توسعه دهندگان استک اورفلو در ۲۰۲۵، توسعه دهندگانی که دقت ابزار های هوش مصنوعی را زیر سوال می برند از کسانی که به آن اعتماد دارند بیشترند. این نشانه نمی گوید ابزار بی فایده است؛ می گوید بازبینی بخشی از کار است. مدیر لازم نیست هر پاسخ مدل را ببیند، اما باید تیم بداند خرابی را چطور گزارش و بازتولید کند.

اگر عملکرد کسی افت کرده، پیش از نتیجه گیری نمونه مشخص و زمینه کار را بررسی کنید. در مقاله بهبود عملکرد شغلی در محیط کار مبتنی بر هوش مصنوعی به نقش ابزار، اولویت و بازخورد در عملکرد پرداخته ام. مشکل را زود مطرح کنید تا فرد فرصت اصلاح داشته باشد.

استخدام، رخداد و یادگیری

در استخدام یا ارتقا به جای نمایش اعتمادبه نفس، شیوه استدلال را ببینید. از متقاضی بپرسید دستیار پشتیبانی پاسخ های ناسازگار می دهد؛ برای تشخیص علت از کجا شروع می کند؟ پاسخ خوب درباره داده، بازیابی، ارزیابی و اثر بر مشتری می پرسد. همان معیار را برای ارتقا هم به کار ببرید: کسی که مستندات، آزمون یا دانش همکاران را بهتر کرده ممکن است اثری داشته باشد که در تعداد قابلیت های منتشرشده دیده نمی شود.

مدیران میانی در تیم های پرکاربرد هوش مصنوعی می توانند این پیوند را بسازند؛ در مقاله اهمیت مدیران میانی در تیم های هوش مصنوعی درباره این نقش نوشته ام.

هنگام رخداد هم نباید تازه دنبال مسئول بگردیم. چه کسی توقف گردش کار را اعلام می کند؟ چه کسی مشتری را باخبر می کند؟ چه کسی تصمیم می گیرد سامانه برای بازگشت امن است؟ در هوش مصنوعی افت کیفیت ممکن است پنهان باشد: پاسخ ها می رسند، اما کیفیتشان پایین آمده است. شدت رخداد را از پیش تعریف کنید، ارتباط را ساده نگه دارید و بعد از رفع آن شرایط زمینه ساز را تغییر دهید.

بهبود را هم کوچک کنید: یک اصطکاک روشن انتخاب کنید، مسئولی بگذارید، برای دو تا چهار هفته تغییری را بیازمایید و تصمیم بگیرید نگهش دارید یا نه. جلسه بعد بپرسید کدام اولویت روشن تر شد، هوش مصنوعی کجا دوباره کاری ساخت و چه کسی بار نامرئی به دوش می کشد. پرسش های بهتر برای تیم های هوش مصنوعی را به عادت گفت وگو تبدیل کنید، نه شعار جلسه.

محصول مدیر، محیط تیم است: اولویت هایی که می فهمند، بازخوردی که به موقع می رسد، کیفیتی که سنجیده می شود و اعتمادی که خبر بد را زودتر آشکار می کند. برای شروع، همین هفته یک انتظار مبهم را به رفتاری روشن تبدیل کنید و در پایان هفته ببینید آیا تصمیم گیری تیم بهتر شده است.

مهدی لطفی نژاد متخصص داده و هوش مصنوعی، مشاور و مدرس رسمی با نزدیک به ۲۰ سال تجربه صنعتی است. او به صدها متخصص در خاورمیانه و جنوب شرق آسیا آموزش داده و در DATATWEETS می نویسد تا این تجربه عملی را رایگان و خودآموز در اختیار همه بگذارد.