پیشرفت‌های اخیر در علوم رایانه و توان محاسباتی، امکان به‌کارگیری الگوریتم‌های هوش مصنوعی (AI) را در حوزه‌های مختلف کسب‌وکار و در سناریوهای پیچیده مرتبط با پروژه‌ها و زنجیره‌های تأمین فراهم کرده است.
علاوه بر وظایف معمولی مانند اتوماسیون فرآیندها یا تحلیل داده‌ها، سیستم‌های مصنوعی اکنون به‌صورت جهانی در حال انجام فعالیت‌ها و عملیات بسیار پیچیده‌تری هستند.
یکی از حوزه‌هایی که تأثیر هوش مصنوعی در آن تاکنون توجه محدودی دریافت کرده، مدیریت پروژه در زمینه‌ی زنجیره‌های تأمین است؛ جایی که فرآیندهای گوناگون کسب‌وکار و مدیریتی باید در سناریوهای پیچیده، به‌درستی برنامه‌ریزی، پایش و اجرا شوند تا اهداف و نتایج چندوجهی به دست آید.
رابطه‌ی پایدار میان مدیریت زنجیره تأمین (SCM) و مدیریت پروژه (PM) در عمل و نظریه، در پژوهش‌ها و مقالات سفید متعددی اثبات شده است.
تمام پروژه‌ها نیازمند توجه به تأمین‌کنندگان و زنجیره‌های تأمین هستند، و بیشتر تغییرات و بهبودهایی که در زنجیره‌های تأمین آغاز می‌شود، با بهره‌گیری از روش‌های رسمی مدیریت پروژه اجرا می‌گردد (Polychronakis, 2007; Salmiah et al., 2020).
در نهایت، همه‌ی پروژه‌ها دارای پویایی‌ها، ویژگی‌ها و محدودیت‌های زنجیره تأمین هستند یا از آنها تأثیر می‌پذیرند؛ بنابراین، ذاتاً سیستم‌ها و زیرسیستم‌های پیچیده‌ای ایجاد می‌کنند که مدیران باید در چارچوب آنها عمل کنند.
به همین دلیل، سازمان‌ها سال‌هاست که در انجام پروژه‌ها به‌موقع، با هزینه‌ی مناسب و در محدوده‌ی تعیین‌شده، در حالی که ارزش افزوده‌ای برای ذی‌نفعان و جامعه ایجاد کنند، با دشواری روبه‌رو هستند.
تمرکز این مقاله بر کاربرد هوش مصنوعی در مدیریت پروژه در بستر زنجیره‌های تأمین جهانی است.
نقش مدیریت پروژه به‌طور مداوم در حال افزایش است؛ به‌گونه‌ای که پیش‌بینی می‌شود تا سال ۲۰۲۷، سهم اقتصاد مبتنی بر پروژه به ۲۰٫۲ تریلیون دلار آمریکا برسد و کارفرمایان در سراسر جهان به حدود ۸۷٫۷ میلیون نفر نیروی انسانی در نقش‌های پروژه‌محور نیاز داشته باشند (PMI, 2017).
پژوهش‌ها نشان داده‌اند که حدود یک دهه پیش، میانگین افزایش هزینه‌ی پروژه‌ها حدود ۲۷٪ بوده و تقریباً از هر شش پروژه، یکی به‌اصطلاح «قو سیاه» بوده است — یعنی با میانگین افزایش هزینه‌ی حدود ۲۰۰٪ و تأخیر زمانی نزدیک به ۷۰٪ (Flyvbjerg and Budzier, 2011).
در سال‌های اخیر نیز روند موفقیت پروژه‌ها به‌طور قابل ملاحظه‌ای بهبود نیافته است: در سطح جهانی، حدود ۳۵٪ از پروژه‌ها شکست خورده یا بودجه‌شان از بین رفته، ۳۴٪ دچار افزایش دامنه شده‌اند، و تقریباً ۱۲٪ کاملاً ناموفق بوده‌اند (نمودار۱- PMI, 2021b).
نمودار (۱)
زیان‌های مالی ناشی از ضعف در شیوه‌های مدیریت پروژه، حدود ۱۰٪ از کل سرمایه‌گذاری شرکت‌ها برآورد می‌شود (PMI, 2018).
افزون بر آن، بسته به اندازه، دامنه و زمان‌بندی پروژه، تأخیر یا شکست می‌تواند نه‌تنها موجب از دست رفتن مقادیر عظیم پول شود، بلکه رضایت مشتری را کاهش دهد، فرصت‌های تجاری را از بین ببرد یا حتی بقای سازمان را تهدید کند.
در چنین شرایطی، لازم است دلایل شکست‌ها به‌صورت دقیق بررسی و به‌صورت پیش‌دستانه با آنها مقابله شود.
استیوارد (Steward, 2021) مجموعه‌ای از دلایلی را خلاصه کرده است که ممکن است منجر به شکست پروژه شوند، از جمله:
محدودیت‌ها و پیچیدگی‌های مرتبط با زنجیره تأمین، کمبود منابع، ضعف ارتباطات تیمی، مشارکت ناکافی ذی‌نفعان، برآوردهای غیرقابل‌اعتماد، ضعف در مدیریت ریسک، پایش ناکافی و فرهنگ سازمانی نامناسب.
به‌صورت بنیادی‌تر، لاوسن (Lauesen, 2020) حدود ۳۷ علت مختلف برای شکست پروژه‌ها و ۲۲ راهکار بالقوه برای جلوگیری از آنها را شناسایی کرده است؛ به‌طوری‌که هر پروژه معمولاً از حدود ۱۵ مورد از این علل رنج می‌برد.
افزون بر این، وی، پریبوتوک و سوسر (Wei, Prybutok & Sauser, 2021) بر اهمیت درک تأثیر ادغام مدیریت زنجیره تأمین در مدیریت پروژه تأکید کرده‌اند و لزوم افزایش توجه به SCM در تیم‌های پروژه را برجسته نموده‌اند (همچنین در Polychronakis & Syntetos, 2007).
نتیجه‌ی چنین بررسی‌هایی نشان می‌دهد که با توجه به تعداد زیاد عوامل شکست، تقریباً غیرممکن است که همه آنها به‌صورت هم‌زمان مورد توجه قرار گیرند.
در این راستا، باید توجه ویژه‌ای به فناوری‌هایی داشت که می‌توانند تعداد پروژه‌های موفق را افزایش دهند.
یکی از فناوری‌های کلیدی که در دهه‌های اخیر علم و صنعت را متحول کرده و به‌طور پیوسته به‌عنوان سیستم‌هایی خودکار با توان تصمیم‌گیری آگاهانه رشد کرده‌اند، هوش مصنوعی (AI) است (Heimans and Timms, 2024).
سازمان‌ها آغاز به استفاده از AI در مدیریت پروژه‌ها و زنجیره‌های تأمین کرده‌اند و انتظار می‌رود تا سال ۲۰۳۰ این بخش‌ها دگرگونی چشمگیری را تجربه کنند (Nieto-Rodriguez and Vargas, 2023).
بنابراین، هدف اصلی این مقاله ارزیابی و بررسی تأثیر هوش مصنوعی بر پروژه‌ها، در حال حاضر و آینده است.
به‌طور دقیق‌تر، این پژوهش سؤالات زیر را مطرح می‌کند:
- میزان به‌کارگیری عملی هوش مصنوعی توسط مدیران پروژه در صنایع مختلف چقدر است؟
- محدودیت‌ها و ریسک‌های سیستم‌های هوش مصنوعی چیست؟
- چالش‌ها و نگرانی‌های اصلی در زمینه‌ی یکپارچه‌سازی هوش مصنوعی کدامند؟
- توسعه‌های بالقوه AI در محیط‌های مدیریت پروژه آینده چه خواهد بود؟
مقدمه: دگرگونی جهان مدیریت با ظهور هوش مصنوعی
در چند سال گذشته، هوش مصنوعی (AI) از یک مفهوم نظری در علوم کامپیوتر به یک نیروی محرکه در صنایع گوناگون تبدیل شده است. از بانکداری و پزشکی تا تولید و تدارکات، الگوریتم‌های هوشمند اکنون تصمیم‌هایی می‌گیرند که تا دیروز صرفاً به ذهن انسان‌ها وابسته بود. اما یکی از حوزه‌هایی که تا مدت‌ها کمتر به نقش هوش مصنوعی در آن توجه شده بود، مدیریت پروژه‌های زنجیره تأمین است.
زنجیره‌های تأمین امروزی شبکه‌هایی پیچیده، جهانی و پرریسک هستند. هر پروژه درون این شبکه‌ها با ده‌ها عامل متغیر مواجه است: از کمبود منابع گرفته تا نوسانات بازار، چالش‌های لجستیکی، و فشارهای زمانی. در چنین محیطی، تصمیم‌گیری دقیق، پیش‌بینی آینده و کنترل انحرافات پروژه به مهارت‌هایی فراتر از توان انسان نیاز دارد. درست در همین‌جا است که هوش مصنوعی پا به میدان می‌گذارد.
چرا پروژه‌ها شکست می‌خورند و نقش هوش مصنوعی چیست؟
مطالعات مؤسسه مدیریت پروژه (PMI) نشان می‌دهد که حدود ۳۵٪ از پروژه‌های جهانی با شکست نسبی یا کامل مواجه می‌شوند. علت؟ نبود داده‌های قابل اعتماد، تخمین‌های اشتباه، ارتباط ناکارآمد میان ذی‌نفعان و ضعف در مدیریت ریسک.
در سال‌های اخیر، هزینه‌های ناشی از شکست پروژه‌ها حدود ۱۰٪ از سرمایه شرکت‌ها را می‌بلعد. برخی پروژه‌ها حتی تا ۲۰۰٪ هزینه مازاد و ۷۰٪ تأخیر زمانی دارند. این آمار به‌روشنی نشان می‌دهد که روش‌های سنتی دیگر کافی نیستند.
هوش مصنوعی می‌تواند با تحلیل داده‌های گسترده، پیش‌بینی انحرافات، بهینه‌سازی تخصیص منابع و شناسایی ریسک‌ها پیش از وقوع، نقش «ناجی دیجیتال» را در مدیریت پروژه ایفا کند.
درک مفهوم هوش مصنوعی
واژه هوش مصنوعی نخستین‌بار در سال ۱۹۵۵ توسط جان مک‌کارتی معرفی شد. امروزه، این مفهوم به سیستم‌هایی اطلاق می‌شود که با تحلیل محیط خود، قادر به تصمیم‌گیری خودکار برای دستیابی به هدفی مشخص هستند.
هوش مصنوعی شامل مجموعه‌ای از فناوری‌هاست، از جمله:
- یادگیری ماشین (Machine Learning): آموزش سیستم‌ها بر پایه داده‌های گذشته.
- یادگیری عمیق (Deep Learning): شبکه‌های عصبی پیچیده‌ای که الگوها را از انبوه داده‌ها کشف می‌کنند.
- پردازش زبان طبیعی (NLP): درک و پاسخ به زبان انسان‌ها.
- بینایی رایانه‌ای (Computer Vision): تشخیص و تفسیر تصاویر و ویدئوها.
- اتوماسیون فرایند رباتیک (RPA): جایگزینی کارهای تکراری انسانی با ربات‌های نرم‌افزاری.
داده؛ سوخت حیاتی هوش مصنوعی
بدون داده‌ی دقیق، هیچ الگوریتمی هوشمند نخواهد بود. داده‌ها همانند خون در رگ‌های سیستم‌های هوشمند جریان دارند. اما این داده‌ها باید پاک، معتبر، امن و قابل‌تحلیل باشند.
چهار ستون اصلی مدیریت داده عبارت‌اند از:
- حاکمیت داده (Data Governance)
- کشف داده و تحلیل الگوها (Data Discovery)
- حفاظت از داده و امنیت اطلاعات
- بهینه‌سازی و کمینه‌سازی داده‌ها بر اساس نیاز واقعی
در سال ۲۰۱۸ حجم داده‌های جهانی حدود ۳۳ زتابایت بود؛ پیش‌بینی می‌شود تا ۲۰۲۵ این رقم به ۱۷۵ زتابایت برسد. چنین رشدی، فرصت عظیمی برای هوش مصنوعی ایجاد می‌کند.
میزان پذیرش هوش مصنوعی در پروژه‌ها
اگرچه بسیاری از مدیران هنوز هوش مصنوعی را مفهومی آینده‌نگر می‌دانند، اما پژوهش‌ها نشان می‌دهد که روند پذیرش AI در مدیریت پروژه‌ها رو به افزایش است.
به گفته‌ی نیه‌تو رودریگز و وارگاس (۲۰۲۳)، یکی از دلایل اصلی شکست پروژه‌ها، «بلوغ پایین فناوری‌های مدیریتی» است. بااین‌حال، شرکت‌های پیشرو در حال استفاده از ابزارهای هوش مصنوعی برای:
- پیش‌بینی تأخیرها
- تحلیل عملکرد تیم‌ها
- ارزیابی ریسک‌های زنجیره تأمین
- بهینه‌سازی برنامه‌ریزی و بودجه‌بندی
طبق گزارش PwC، استفاده از هوش مصنوعی می‌تواند تا ۱۵٪ بهره‌وری پروژه‌ها را افزایش دهد.
محدودیت‌ها و ریسک‌های هوش مصنوعی
هرچند هوش مصنوعی پتانسیل عظیمی دارد، اما بدون شناخت چالش‌ها، می‌تواند خطرناک باشد.
۱. امنیت سایبری
با افزایش اتصال سیستم‌ها، حملات سایبری نیز افزایش می‌یابد. در سال ۲۰۲۱، ۵۷٪ از شرکت‌های توسعه‌یافته، امنیت سایبری را بزرگ‌ترین خطر مرتبط با AI دانستند.
۲. اخلاق و شفافیت
الگوریتم‌ها می‌توانند حامل سوگیری‌های انسانی باشند. اگر داده‌های آموزش‌دهنده ناعادلانه یا ناقص باشند، نتایج نیز ناعادلانه خواهند بود. شفافیت تصمیمات هوش مصنوعی، یکی از مهم‌ترین دغدغه‌های اخلاقی قرن است.
۳. تأثیر بر نیروی کار
حدود ۳۷٪ از کارکنان جهان نگران از دست دادن شغل خود به‌دلیل اتوماسیون هستند. بااین‌حال، تحقیقات نشان می‌دهد که هوش مصنوعی بیشتر جایگزین کارهای تکراری می‌شود، نه مهارت‌های انسانی مانند قضاوت، خلاقیت و رهبری.
چالش‌های ادغام هوش مصنوعی در سازمان‌ها
ادغام موفق AI، تنها خرید نرم‌افزار یا استخدام متخصص نیست؛ نیازمند تغییر فرهنگ سازمانی و درک مدیریتی است.
مدیرانی که ماهیت الگوریتم‌ها را درک نمی‌کنند، معمولاً یا بیش‌ازحد از AI انتظار دارند، یا از ترس شکست از آن فاصله می‌گیرند. راه‌حل، تدوین استراتژی یکپارچه هوش مصنوعی است که شامل محتوا، فناوری، منابع انسانی، آموزش و تغییر فرهنگی باشد.
آینده مدیریت پروژه با هوش مصنوعی
گزارش گارتنر (۲۰۱۹) پیش‌بینی می‌کند که تا سال ۲۰۳۰، ۸۰٪ وظایف فعلی مدیران پروژه توسط هوش مصنوعی انجام خواهد شد. از برنامه‌ریزی و زمان‌بندی گرفته تا گزارش‌دهی و انتخاب تأمین‌کننده.
اما این تحول به‌معنای حذف مدیران پروژه نیست؛ بلکه تغییر نقش آنها است. تمرکز مدیران آینده از پیش‌بینی به قضاوت انسانی و تصمیم‌گیری استراتژیک تغییر خواهد کرد.
در آینده، هوش مصنوعی به‌عنوان دستیار پروژه (Project Assistant) و مشاور دیجیتال (PM Advisor) در کنار انسان فعالیت خواهد کرد.
نتایج پژوهش میدانی
در پژوهش موردبحث، ۱۰۳ مدیر پروژه از صنایع مختلف مورد بررسی قرار گرفتند. نتایج نشان داد:
- ۶۳٪ دلیل اصلی استفاده از AI را تحلیل داده‌ها و کسب بینش تجاری عنوان کردند.
- ۶۲٪ افزایش بهره‌وری و ۵۴٪ بهبود عملکرد را هدف دانستند.
- ۸۱٪ معتقدند بیشترین کاربرد AI در فاز نظارت و کنترل پروژه است.
- ۷۳٪ بیشترین ارزش را در مدیریت زمان و ۷۰٪ در مدیریت هزینه‌ها دیدند.
- ۶۲٪ امنیت سایبری را بزرگ‌ترین خطر هوش مصنوعی می‌دانند.
همچنین، بیش از نیمی از پاسخ‌دهندگان بر این باورند که ظرف ۳ تا ۶ سال آینده ادغام گسترده هوش مصنوعی در مدیریت پروژه‌ها رخ خواهد داد.
توصیه‌های پژوهشگران
نویسندگان مقاله بر چند محور کلیدی تأکید دارند:
- آموزش مدیران پروژه درباره قابلیت‌های واقعی هوش مصنوعی.
- توسعه ابزارهای اخلاقی و شفافیت‌محور.
- سرمایه‌گذاری در امنیت داده‌ها و انطباق با قوانین حریم خصوصی (مانند GDPR).
- استفاده از فناوری‌های مکمل مانند بلاکچین برای افزایش شفافیت زنجیره تأمین.
- ایجاد فرهنگ پذیرش فناوری در سازمان.
جمع‌بندی
هوش مصنوعی دیگر آینده نیست؛ اکنون در حال تغییر حالِ مدیریت پروژه‌هاست. شرکت‌هایی که امروز یاد بگیرند چگونه از داده‌ها، یادگیری ماشین و بینش الگوریتمی استفاده کنند، فردا رهبران بازار خواهند بود.
اما در این مسیر، باید انسان را در مرکز تصمیم‌گیری نگه داشت. هوش مصنوعی می‌تواند محاسبه کند، اما هنوز نمی‌تواند احساس کند. ترکیب دقت ماشینی و حکمت انسانی کلید موفقیت پروژه‌ها در عصر دیجیتال است.
و در انتها شما را به شنیدن این اپیزود از پادکست “سفر در جاده مدیریت پروژه” که در مورد کاربرد هوش مصنوعی در مدیریت پروژه است، دعوت می‌نماییم:
منبع:
Georgiev, S., Polychronakis, Y., Sapountzis, S., & Polychronakis, N. (2024). The Role of Artificial Intelligence in Project Management: A Supply Chain Perspective. Supply Chain Forum: An International Journal, Taylor & Francis. DOI: 10.1080/16258312.2024.2384823
