آموختن رهبری سازمان در دنیایی با پیچیدگی فزاینده
پیشنهاد شرکتها در عرضه محصول را در نظر بگیرید. رویکرد سنتی، که راهکاری ساده است، بر ایجاد تمایز تاکید دارد، اما راهبرد زیرکانهتر، استفاده از تمایز بهینه است؛ تمایزی که نه تنها از رقبا، بلکه از عملکرد گذشته خود شرکت نیز متمایز باشد.
هنگامی که «خوآن بو» و همکارانش در مطالعه سال ۲۰۲۲ خود با عنوان «تمایز بهینه چند سطحی» بیش از ۲۰۰۰ مدل خودرو را تجزیه و تحلیل کردند، به یک توازن پیچیده دست یافتند: طراحی خودروسازان موفق به طور قاطع از هنجارهای صنعت فاصله میگیرد، درحالیکه در داخل خانواده برند خود، همسانی و ثبات را حفظ میکند. برای مثال، ظاهر یک بیامو باید به وضوح نشاندهنده هویت بیامو باشد و به وضوح شبیه مرسدس نباشد.
اما اگر طراحی کلی یک شرکت از ابتدا غیرمتعارف باشد، انعطاف بیشتری برای تنوع خواهد داشت. هنگامی که مشتریان انتظار دارند یک برند مرزها را جابهجا کند، ریسک و زیان ناشی از معرفی یک مدل غیر معمول، کمتر است. نکته کلیدی، مدیریت همزمان دوگانه «ارزش و انتظار» است؛ یعنی وقتی تمایز یک برند از قبل جا افتاده، آزادی بیشتری برای خارج شدن از محدودیتها و هنجارها به دست میآورد.
در نتیجه، مخاطبان میتوانند هم فاصله گرفتن شرکت از ارزشهای گذشته و هم تمایز آن با رقبا را به خوبی درک کنند. این اصل در مورد ارزشهای سیاسی نیز کاربرد دارد و در دوران قطبی شدن پیچیدهتر میشود مثلا زمانی که وجهه پیشین یک کسب و کار در یک دوره محافظهکاری، لیبرال بوده یا برعکس. حال، سوال اینجاست: کارکنان چگونه باید این پیچیدگی را مدیریت کنند؟ آزمایشهای «اوژن دیمانت» در مقاله «نفرت بر عشق پیروز میشود» (۲۰۲۳) آشکار میسازد که هویت حزبی نه تنها باعث میشود نسبت به متحدان سیاسی احساس نزدیکی کنیم، بلکه رفتارهای خصمانه نسبت به مخالفان را نیز تقویت میکند، حتی اگر در محیط کار همکار باشند.
در چنین شرایطی، کارگران کمک کمتری میکنند، انتظار همکاری کمتری دارند و ممکن است برای آسیب رساندن به افراد جناح مقابل سیاسی اقداماتی انجام دهند. ابزارهای رفتاری استانداردی که معمولا میتوانند تعامل متقابل را افزایش دهند، در پر کردن این شکاف حزبی ناتوان هستند. این یافته نیاز به نوع متفاوتی از مدیران را نشان میدهد؛ مدیرانی که بتوانند کارکنان را به یک هدف عالیتر، فراتر از کشمکشهای سیاسی پیوند دهند و رهبری کنند. با وجود این، اغلب شرکتهایی که یک هدف صریح اجتماعی را فراتر از سودآوری دنبال میکنند، تمایل دارند وظایف بیشتری را به مدیران خود محول کنند.
این امر به نوبه خود پیچیدگی بیشتری ایجاد میکند. مسوولیت هر بخش بر عهده کیست؟ سازمانهایی که میتوانند چند هدف عملکردی (اعم از مالی و غیرمالی) را همزمان اداره و در عین حال ارزشآفرینی کنند، بسیار نادرند. شرکت خدمات عمومی و انرژی «وئولیای» فرانسه، نمونهای از این سازمانهای موفق است. این شرکت شیوههایی را برای مواجهه با چالش «عملکرد چندوجهی» طراحی کرده است. آنها یک گروه از «دوستان منتقد» ایجاد کردند که پروژههای اصلی را در سطح هیاتمدیره به چالش میکشند. همچنین، یک شبکه جهانی از افسران هدف راهاندازی کردند که از تجربیات محلی در تعامل با ذینفعان در میان بخشها استفاده میکنند. علاوه بر این، سیاستهای تشویقی را تدوین کردند که کاملا با ۱۵هدف عملکردی گوناگون شرکت همسو هستند.
پژوهشی که در سال ۲۰۲۵ انجام شده، نشان میدهد مدیران برای رسیدن به عملکردی برتر، باید اهداف عملیاتی را با بهکارگیری دو اصل ساده، تقسیم کنند تا بر مساله تمرکز صرف مدیران بر یک هدف فائق آیند. اول، اهداف نباید همبستگی بسیار بالایی داشته باشند. این کار باعث ایجاد تنش سازنده، راهحلهای خلاقانه و فرصتهای یادگیری میشود. دوم، هیچ مدیری نباید مسوولیت بیش از چهار هدف را بر عهده بگیرد. فراتر از این حد، مدیریت موثر یک موقعیت، چه از نظر فکری و چه از نظر ساختاری، عملا غیرممکن است.
شرکت فرانسوی «نکزانس» که کابل برق تولید میکند، تحت هدایت «کریستوفر گورین»، مدیرعامل سابق خود، چنین استراتژیای را به کار بست: درحالیکه بازده سرمایه بهکاررفته را به شکل چشمگیری افزایش داد، همزمان پایگاه مشتری، سبد محصولات و انتشار دیاکسید کربن خود را کاهش داد. در قلب این استراتژی، به جای تنوعسازی و رشد سهم بازار که پیچیدگی را تشدید میکنند، تمرکز بر بازارهای خاص و سادهسازی عملیات قرار گرفت. این رویکرد به کارکنان امکان داد تا در عین کربنزدایی انرژی و آزادسازی جریانهای نقدی به ماموریت «انرژی بخشی به آینده» شرکت کمک کنند.
آیا هوش مصنوعی میتواند به ما در گشودن این پیچیدگیها یاری رساند؟ اگر چنین است، ترکیب بهینه عامل انسانی و هوش مصنوعی چیست؟ «ویوک چوداری» و همکارانش در مقاله «مجموعههای انسان و هوش مصنوعی» (۲۰۲۳) استدلال میکنند که تلفیق هوش انسانی و ماشینی زمانی بیشترین اثربخشی را دارد که هر یک، اطلاعات متمایزی را در انجام کار ارائه دهند، نه به شکلی که یکی بر دیگری برتری یابد.
با پیشرفت پیچیدگی، تخصص شغلی در معرض منسوخ شدن قرار میگیرد و نیاز به مدیریت ظریف و دقیق بیشتر میشود. برای وظایف غیرتخصصی، در حالی که الگوریتمها توانایی کشف الگوها در دادههای عظیم را دارند، انسانها «دانش ضمنی» را اضافه میکنند. این دانش شامل شهود، تجربه و قضاوتی است که در برابر کدگذاری مقاومت میکند و برای عوامل هوش مصنوعی قابل دسترس نیست. بنابراین، مجموعههای انسان و هوش مصنوعی از هر عامل به تنهایی، عملکرد بهتری دارند.
از این رو، قبل از جایگزینی انسانها با هوش مصنوعی برای انجام وظایف غیر تخصصی، باید عمیقا تأمل کرد. آنچه تمام این یافتهها را به هم پیوند میدهد، ناکارآمدی قوانین ساده برای مدیریت پیچیدگی است. دستوراتی مانند «متفاوت باش»، «برای جلب رضایت همه ارزش بیفزا»، «هدفی برای انرژی بخشیدن به کارکنان تعیین کن» و «عاملیت انسانی را با هوش مصنوعی جایگزین کن» همگی به عنوان نسخههای جهانی و فراگیر، با شکست روبهرو میشوند.
همانطور که تحقیقات مدارس کسب و کار نشان میدهد، قوانین ظریف بهتر از قوانین ساده هستند. تمایز بهینه را دنبال کنید، شایستگی رهبری مبتنی بر هدف را توسعه دهید، اهداف عملیاتی را به هوشمندانهترین شکل توزیع کنید و هوش مصنوعی را در مجموعههایی مکمل (نه جایگزین) با عامل انسانی ادغام کنید. سادهسازی نکنید بلکه ظرافت بهخرج دهید.
منبع: Financial Times
