الذكاء الاصطناعي التطبيقي

1. فك رموز الذكاء الاصطناعي: التركيز على الذكاء الاصطناعي الضيق، لا على الذكاء الاصطناعي العام الخيالي.

رغم أن أنظمة مثل "ديب بلو" التي هزمت بطل العالم في الشطرنج عام 1997، و"ألفاغو" التي حققت إنجازًا مماثلًا في لعبة "جو" عام 2016، قد أظهرت نتائج مبهرة، إلا أن جميع أنظمة الذكاء الاصطناعي الحالية تُصنف ضمن "الذكاء الاصطناعي الضعيف".

توضيح مصطلحات الذكاء الاصطناعي. كثيرون يخلطون بين الذكاء الاصطناعي (AI) والذكاء الاصطناعي العام (AGI)، حيث يشير الأخير إلى ذكاء بشري المستوى أو أعلى قادر على التفكير المجرد ونقل المعرفة. أما أنظمة الذكاء الاصطناعي اليوم فهي "ضعيفة" أو "ضيقة"، مصممة لأداء مهام محددة فقط ولا تستطيع تعميم خبرتها. هذا التمييز ضروري لقادة الأعمال لفصل الواقع عن الضجيج الإعلامي.

القيمة العملية للذكاء الاصطناعي الضيق. بينما يظل الذكاء الاصطناعي العام هدفًا بعيدًا وغير واضح، يقدم الذكاء الاصطناعي الضيق قيمة تجارية هائلة من خلال تفوقه في مهام حسابية محددة. هذه الأنظمة قد تتفوق على البشر في مجالاتها، مثل الشطرنج أو لعبة "جو"، لكنها لا تستطيع تطبيق تلك الخبرة على مهام أخرى غير ذات صلة مثل قيادة السيارة أو الإبداع الفني دون برمجة جديدة كليًا.

التركيز على الحلول القابلة للتحقيق. يجب على قادة الأعمال التركيز على استغلال تقنيات الذكاء الاصطناعي الحديثة مثل التعلم الآلي والتعلم العميق لحل مشكلات محددة داخل مؤسساتهم. فهم أن الذكاء الاصطناعي الحالي متخصص يساعد في تحديد الفرص الواقعية وتجنب المشاريع الطموحة التي تستنزف الموارد دون تحقيق نتائج ملموسة.

2. فهم طيف الذكاء الاصطناعي: من الأنظمة القائمة على القواعد إلى الأنظمة المتطورة ذاتيًا.

لمساعدة التنفيذيين على فهم الفروقات الوظيفية بين أساليب الذكاء الاصطناعي المختلفة، صممنا "استمرارية الذكاء الآلي" (MIC) لعرض أنواع الذكاء الآلي بناءً على تعقيد قدراته.

استمرارية الذكاء الآلي (MIC). يصنف هذا الإطار أنظمة الذكاء الاصطناعي حسب قدراتها، بدءًا من الأتمتة البسيطة القائمة على القواعد وصولًا إلى الذكاء الخارق الافتراضي. يساعد هذا التصنيف القادة على فهم الفروقات الوظيفية والتطبيقات المحتملة دون الغوص في المصطلحات التقنية المعقدة، ويوضح ما يمكن للذكاء الاصطناعي الحالي تحقيقه بشكل واقعي.

مستويات الذكاء الآلي. يمتد الطيف عبر سبعة مستويات متتالية:

• أنظمة تتصرف: أتمتة قائمة على القواعد (مثل أجهزة إنذار الحريق، نظام تثبيت السرعة).
• أنظمة تتنبأ: تحليل البيانات للتنبؤات الاحتمالية (مثل توقع الحمل لدى العملاء في Target).
• أنظمة تتعلم: تستخدم التعلم الآلي/العميق لأداء مهام دون برمجة صريحة (مثل السيارات ذاتية القيادة).
• أنظمة تبتكر: توليد محتوى أصلي ككتابة أو موسيقى أو تصميمات (مثل أغنية "Daddy’s Car" من سوني).
• أنظمة تفهم العلاقات: استخراج وقياس الحالات العاطفية (مثل تحليل المشاعر في دعم العملاء).
• أنظمة تتقن: بناء مفاهيم مجردة وخطط استراتيجية من بيانات محدودة (ذكاء بشري المستوى، لم يتحقق بعد).
• أنظمة تتطور: تظهر ذكاءً خارقًا وقدرة على تعديل نفسها (المرحلة الافتراضية "التفرد").

التطبيق العملي للقادة. فهم هذه المستويات يمكّن القادة من اختيار الحلول المناسبة لمشاكل أعمالهم. معظم تطبيقات المؤسسات اليوم تقع ضمن "أنظمة التنبؤ" و"أنظمة التعلم"، مع بروز "أنظمة الابتكار" و"أنظمة الفهم العاطفي". هذه المعرفة تساعد في تقييم ادعاءات الموردين وتحديد توقعات واقعية لمشاريع الذكاء الاصطناعي.

3. احتضان إمكانات الذكاء الاصطناعي للخير، مع الاعتراف بمخاطره الجوهرية.

في جميع أنحاء العالم، يستخدم رواد الأعمال والتنفيذيون البيانات مع التعلم الآلي لمحاربة الظلم الاجتماعي والجريمة، ومعالجة الأزمات الصحية والإنسانية، وحل مشاكل المجتمع الملحة، وتحسين جودة الحياة بشكل كبير للجميع.

وعد الذكاء الاصطناعي التحويلي. يقدم الذكاء الاصطناعي فوائد عميقة تتجاوز الأرباح التجارية، إذ يعالج تحديات عالمية حرجة. من أمثلة ذلك استخدام التعلم العميق لتوقع محاصيل الزراعة لدعم التمويل الصغير في الهند، وروبوت "يو-ريبورت" التابع لليونيسف لكشف الظلم الاجتماعي في ليبيريا، ورؤية الحاسوب للتشخيص الطبي الدقيق مثل الكشف عن سرطان الثدي. هذه التطبيقات تظهر قدرة الذكاء الاصطناعي على إنقاذ الأرواح وتحسين رفاهية المجتمع.

الجانب المظلم للذكاء الاصطناعي. رغم وعوده، يحمل الذكاء الاصطناعي مخاطر كبيرة، تنبع أساسًا من تحيزات بشرية ونوايا خبيثة. قد تضخم الخوارزميات التمييز إذا تم تدريبها على بيانات متحيزة أو صممها فرق متجانسة، مما يؤدي إلى نتائج غير عادلة في مجالات مثل الموافقة على القروض، إعلانات الوظائف، أو حتى العدالة الجنائية. هذه المشكلة المعروفة بـ"مشكلة الرجل الأبيض" في تطوير الذكاء الاصطناعي قد تتجاهل احتياجات الفئات الممثلة تمثيلاً ناقصًا.

الاستخدام الخبيث والتهديدات الأمنية. احتمال استغلال الذكاء الاصطناعي لأغراض خبيثة هو 100%. مع تزايد قوة وانتشار الذكاء الاصطناعي، يزداد خطر الهجمات السيبرانية المتطورة، وتوليد الأخبار المزيفة، وحتى أنظمة الأسلحة الذاتية. يجب على القادة إدراك أن الذكاء الاصطناعي يمكن أن يضاعف تأثير الحملات الخبيثة، مما يجعل الهجمات أسهل وأسرع وأصعب في التتبع، مما يهدد الأمن المادي والرقمي والسياسي.

4. إعطاء الأولوية لتصميم الذكاء الاصطناعي الأخلاقي والشامل منذ البداية.

تطوير ذكاء اصطناعي آمن وأخلاقي موضوع معقد ومتطور باستمرار. رغم إمكانية كتابة كتب إضافية لتغطية هذا الموضوع بشكل كامل، يمكن لقادة الأعمال والتكنولوجيا مثلكم البدء بالتزام راسخ وثابت للحفاظ على القيم الإنسانية وعدم إلحاق الضرر باختراعاتكم وممارساتكم.

ما وراء الحلول التقنية. تصميم ذكاء اصطناعي آمن وأخلاقي يتجاوز آليات "السلامة" البسيطة أو البيانات التوجيهية؛ يتطلب سياسات متطورة والتزامًا عميقًا بالقيم الإنسانية. غالبًا ما تؤدي فرق التطوير المتجانسة إلى نقاط عمياء تجاه التحيز والقضايا الأخلاقية، مما يجعل التنوع في وجهات النظر أمرًا ضروريًا. يجب على القادة ضمان عدم انتهاك أنظمة الذكاء الاصطناعي لحقوق الإنسان وأن تعمل بشفافية.

التعليم والتصميم التعاوني. ديمقراطية التعليم في مجال الذكاء الاصطناعي وتعزيز التعاون متعدد التخصصات من العلاجات الأساسية. مبادرات مثل fast.ai تجعل التعلم العميق في متناول الجميع، مما يمكّن أفرادًا متنوعين من بناء ذكاء اصطناعي خيّر. مبادئ التصميم التعاوني تؤكد على:

• منتجات سهلة الاستخدام: جمع بيانات أفضل وأقل تحيزًا من خلال تجربة مستخدم مدروسة.
• خبرة المجال فوق الخوارزميات: التركيز على حل مشاكل الأعمال الحقيقية باستخدام الحلول المناسبة، لا مجرد الذكاء الاصطناعي المتطور.
• تمكين المصممين البشر: استخدام الذكاء الاصطناعي كأداة لتعزيز الإبداع البشري، لا لاستبداله.

اليقظة المستمرة. نظرًا للتطور السريع للذكاء الاصطناعي، لا تعتبر الاعتبارات الأخلاقية مهمة لمرة واحدة، بل التزام مستمر. يجب على القادة تقييم تأثير أنظمة الذكاء الاصطناعي على العملاء والموظفين والمجتمع بانتظام، مع ضمان ألا تفوق هوامش الربح تكلفة الإضرار بالإنسانية. هذا يتطلب يقظة دائمة ونهجًا استباقيًا لتحديد وتقليل الأضرار المحتملة.

5. بناء ثقافة جاهزة للذكاء الاصطناعي: القيادة، البيانات، والتجريب هي الأساس.

في عالم مثالي، يدرك الرئيس التنفيذي ومجلس الإدارة أهمية الذكاء الاصطناعي والأتمتة المتزايدة في كل مكان. ونتيجة لذلك، يمنحون التنفيذيين لديك القدرة على اتخاذ القرار، والميزانية المالية، والموارد التنظيمية اللازمة للنجاح.

تقييم جاهزية المؤسسة. لا تزال العديد من الشركات تلحق بالركب في مجالات البيانات الضخمة وإنترنت الأشياء، مما يجعل التقييم الصادق لجاهزية الذكاء الاصطناعي أمرًا حيويًا. بنية تحتية مركزية للبيانات والتقنية، مع واجهات برمجة تطبيقات داخلية، هي أساس للذكاء الاصطناعي على مستوى المؤسسات. بدونها، تواجه الشركات خطر التشتت التقني، والمعايير غير المتسقة، والاستثمارات المجزأة التي تزيد من تعقيد المشكلات القائمة.

التغلب على مقاومة "HiPPO". ثقافة قائمة على البيانات ضرورية لنجاح الذكاء الاصطناعي. لا تزال العديد من المؤسسات تهيمن عليها آراء "HiPPO" (رأي أعلى موظف أجرًا) التي تعطي الأولوية للحدس على التحليل. هذه المقاومة قد تعرقل أو تلغي مبادرات الذكاء الاصطناعي. يجب على القادة دعم التحول نحو اتخاذ قرارات تعاونية مستندة إلى البيانات، مع إدراك أن الحظ الآن يميل إلى "العباقرة" الذين يستغلون البيانات بفعالية.

دعم تنفيذي قوي. يتطلب تبني الذكاء الاصطناعي قيادة قوية، ويفضل أن تكون من الرئيس التنفيذي أو مسؤول تنفيذي في الإدارة العليا يتمتع بفهم تقني واستعداد للتجريب. يحتاج هذا الداعم إلى سلطة اتخاذ القرار، والتحكم في الميزانية، والقدرة على التعاون عبر الأقسام. يجب أن يفهم أن الذكاء الاصطناعي "مجرد (رياضيات صعبة)" وليس سحرًا، وأن يلتزم بدفع التقدم طويل الأمد رغم الضغوط قصيرة الأجل.

6. اكتساب وتطوير المواهب المتخصصة في الذكاء الاصطناعي بشكل استراتيجي.

حسب جان-فرانسوا جانّي، مؤسس شركة Element.AI الرائدة في مجال الذكاء الاصطناعي، هناك أقل من 10,000 شخص مؤهلين حاليًا للقيام بأبحاث وهندسة الذكاء الاصطناعي المتقدمة في العالم.

أزمة المواهب في الذكاء الاصطناعي. النقص العالمي في المواهب المؤهلة في الذكاء الاصطناعي حاد، مما يجعل التوظيف تحديًا كبيرًا. تلجأ الشركات الأغنى إلى "الاستحواذ على الشركات الناشئة" أو إنفاق مئات الملايين سنويًا لجذب الباحثين والمهندسين النادرين. يجب على الشركات ذات الموارد المحدودة تبني استراتيجيات إبداعية للتنافس في هذا السوق شديد التنافسية.

فهم أدوار الذكاء الاصطناعي المتنوعة. تتطلب فرق الذكاء الاصطناعي مزيجًا من المهارات المتخصصة، غالبًا ما تشمل:

• مديرو فرق علوم البيانات: يشرفون على الإنتاجية ويتواصلون مع الوحدات غير التقنية.
• مهندسو التعلم الآلي: يبنون وينشرون حلول التعلم الآلي ويديرون البنية التحتية.
• علماء البيانات: يجمعون وينظفون ويحللون البيانات ويبنون نماذج تنبؤية.
• الباحثون/علماء البحث التطبيقي: يقودون الاكتشاف العلمي والتطبيقات العملية.
• مهندسو البيانات/الأنظمة الموزعة: يحلون مشاكل التوسع مع مجموعات البيانات الكبيرة.
  نظرًا لمحدودية المواهب، قد تحتاج الشركات إلى سد الفجوات باستخدام خدمات التعلم الآلي كخدمة (MLaaS) أو تقنيات التعلم الآلي التلقائي (AutoML).

تحسين التوظيف والتطوير. إلى جانب التعويض المالي، يقيم مواطنو الذكاء الاصطناعي العروض بناءً على توفر وجودة البيانات، تنوع المشكلات، جودة الفريق، وتأثير العمل. يمكن للشركات:

• توظيف مهندسين مبتدئين: توسيع نطاق البحث، استغلال شراكات الجامعات، استضافة مسابقات برمجة، أو التوظيف من برامج تدريب متخصصة.
• جذب المواهب ذات الخبرة: بناء شبكات استراتيجية، حضور المؤتمرات الأكاديمية، المشاركة في مسابقات Kaggle، أو توظيف قادة بارزين.
• إعادة تدريب المهندسين الحاليين: الاستفادة من البرامج الداخلية، الدورات الإلكترونية، أو التدريب المهني لرفع مهارات الموظفين الحاليين، مما يعزز الولاء والمعرفة المؤسسية.

7. تخطيط تنفيذ الذكاء الاصطناعي بأهداف تجارية واضحة ومقاييس عائد استثمار.

قبل بدء أي استثمار تقني، يجب أن تكون أنت وفريقك التنفيذي واضحين بشأن المشكلات التي تريدون معالجتها، وأسباب أولوية حلها لمنظمتكم، ومقاييس النجاح.

تحديد أهداف تجارية واضحة. قبل أي استثمار في الذكاء الاصطناعي، حددوا المشكلات المحددة، أولوياتها، ومقاييس النجاح الواضحة. تشمل الأهداف الشائعة زيادة الإيرادات، خفض التكاليف، أو دخول خطوط أعمال جديدة. بدون أهداف استراتيجية واضحة، قد تتحول مبادرات الذكاء الاصطناعي إلى "مطرقة تبحث عن مسامير"، تفشل في تحقيق الربحية الفعلية.

إجراء تحليل الفرص. استخدموا أُطُرًا مثل تحليل الفجوة أو تحليل SWOT لتحديد الفرص ذات العائد الاستثماري العالي. يقارن تحليل الفجوة الأداء الحالي بالحالة المرغوبة، محددًا المجالات التي يمكن للذكاء الاصطناعي سد الفجوة فيها. يقيم تحليل SWOT نقاط القوة والضعف الداخلية والفرص والتهديدات الخارجية، مما يساعد في تحديد أين يمكن للذكاء الاصطناعي تعظيم الأثر أو تقليل المخاطر.

الاستفادة من إطار استراتيجية الذكاء الاصطناعي. يقيم هذا الإطار الفرص بناءً على:

• المنطق الاستراتيجي: مدى توافقها مع الأهداف العامة (زيادة الإيرادات مقابل خفض التكاليف).
• حجم الفرصة: هل هي كبيرة بما يكفي لحل بالذكاء الاصطناعي؟
• مستوى الاستثمار: الوقت والمال المطلوب (بما في ذلك التكاليف الداخلية).
• عائد الاستثمار (ROI): التقديرات العليا والدنيا واحتمالية النجاح.
• المخاطر: احتمال نجاح المشروع، والمخاطر التنافسية لعدم التحرك.
• الجدول الزمني: الوقت المتوقع للنتائج والمعالم المرحلية.
• دعم أصحاب المصلحة: الدعم المطلوب عبر الأقسام.
  يساعد هذا النهج المنظم في ترتيب الأولويات وضمان التوافق داخل المؤسسة.

8. إتقان جودة البيانات وتحضيرها: ما يدخل هو ما يخرج.

البيانات اختراع بشري. يحدد البشر الظاهرة التي يريدون قياسها، يصممون أنظمة لجمع البيانات عنها، ينظفونها ويجهزونها قبل التحليل، وأخيرًا يختارون كيفية تفسير النتائج.

البيانات ليست الواقع. البيانات بناء بشري، تتشكل حسب كيفية تصورنا وقياسنا وجمعنا للمعلومات. ليست "الحقيقة المطلقة" إلا إذا كانت قابلة للملاحظة والإثبات والموضوعية. البيانات المعيبة، سواء كانت مستنتجة أو ذاتية أو جمعت بشكل عشوائي، ستؤدي إلى نتائج ذكاء اصطناعي خاطئة أو ضارة، مما يجعل إدارة البيانات بعناية أمرًا حيويًا.

الأخطاء الشائعة في البيانات. يجب على التنفيذيين الانتباه إلى الأخطاء الإحصائية التي تقوض نماذج الذكاء الاصطناعي:

• أهداف غير محددة: جمع بيانات بدون غرض واضح يؤدي إلى مجموعات بيانات غير ذات صلة أو ناقصة.
• خطأ في التعريف: غموض في تعريف المصطلحات (مثل "العميل"، "الربع") يؤدي إلى بيانات غير متسقة.
• خطأ في الجمع: آليات جمع بيانات متحيزة (مثل عرض منتج معين أولًا دائمًا).
• خطأ في القياس: أعطال في البرمجيات أو الأجهزة تؤدي إلى بيانات خاطئة أو مفقودة.
• خطأ في المعالجة: افتراضات خاطئة أو أخطاء حسابية أثناء تحويل البيانات.
• خطأ في التغطية: تمثيل غير كافٍ للفئات المستهدفة (مثل استخدام بيانات مستخدمي iOS فقط لسلوك الهواتف الذكية عمومًا).
• خطأ في العينة: تحليل عينات غير ممثلة من البيانات.
• خطأ في الاستنتاج: إيجابيات كاذبة (توقع وجود خاطئ) أو سلبيات كاذبة (توقع غياب خاطئ).
• خطأ غير معروف: فجوات غير متوقعة بين تمثيل البيانات والواقع.

الدور الحاسم لتنظيف البيانات. تحضير البيانات، بما في ذلك التنظيف، التسمية، والتنظيم لضمان الاتساق، هو أكثر خطوات مشاريع الذكاء الاصطناعي استهلاكًا للوقت وأهمها. يقضي العديد من علماء البيانات معظم وقتهم في هذا "العمل الشاق". بدون بيانات نظيفة وذات صلة، حتى الخوارزميات المثالية ستفشل، مما ينتج رؤى غير موثوقة ويقوض قرارات الأعمال.

9. التكرار والتحقق المستمر من نماذج التعلم الآلي.

نماذج التعلم الآلي لا تُعتبر "مكتملة" أبدًا، بمعنى أنها تحتاج إلى مراقبة مستمرة، وتكرار، وإعادة تدريب للحفاظ على مستويات الأداء المطلوبة مع مرور الوقت.

الذكاء الاصطناعي ليس حلاً سحريًا. التعلم الآلي أداة قوية، لكنها ليست مناسبة لكل الحالات. لكل خوارزمية مزايا وقيود خاصة، ويجب على التنفيذيين تجنب التعامل مع الذكاء الاصطناعي كحل سحري. نجاح أي نموذج يعتمد على جودة وملاءمة بياناته؛ "ما يدخل هو ما يخرج" تبقى حقيقة أساسية.

تقييم أداء النموذج بمقاييس رئيسية. لتقييم ومقارنة النماذج، استخدم مقاييس مثل الدقة، الدقة النوعية، والاستدعاء، خاصة في مهام التصنيف.

• الدقة: نسبة التصنيفات الصحيحة (الإيجابيات الحقيقية + السلبيات الحقيقية / الإجمالي).
• الدقة النوعية: نسبة النتائج الصحيحة من بين جميع التصنيفات الإيجابية (الإيجابيات الحقيقية / (الإيجابيات الحقيقية + الإيجابيات الكاذبة)).
• الاستدعاء: نسبة النتائج الصحيحة من بين جميع الحالات الحقيقية (الإيجابيات الحقيقية / (الإيجابيات الحقيقية + السلبيات الكاذبة)).
  فهم التوازن بين الدقة النوعية والاستدعاء ضروري؛ فمثلاً، قد يفضل فلتر البريد المزعج الدقة النوعية لتجنب الإيجابيات الكاذبة، بينما يفضل نموذج تشخيص السرطان الاستدعاء لتجنب السلبيات الكاذبة.

التقليل من الأخطاء الشائعة في النماذج. تهدف النماذج التنبؤية إلى دقة عالية على بيانات جديدة، لكنها قد تعاني من:

• قلة التكيف: النموذج بسيط جدًا ليعكس تعقيدات البيانات (مثل تسعير منزل بناءً على الموقع فقط).
• فرط التكيف: أداء جيد على بيانات التدريب لكن ضعيف على بيانات جديدة، يفشل في التعميم (مثل التركيز المفرط على قرب متجر معين).
  تتطلب هذه المشكلات فحصًا دقيقًا للبيانات، وفهمًا لأهمية الميزات، وعمليات تحقق صارمة. يشمل سير عمل التعلم الآلي تحديد الأهداف، فحص البيانات، صياغة المشكلة، مركزية/تنظيف/تقسيم البيانات، تدريب/تحقق/اختبار النموذج، النشر، المراقبة، والتكرار المستمر.

10. تحويل وظائف المؤسسة بالذكاء الاصطناعي لتحقيق الكفاءة والنمو.

الحلول القائمة على الذكاء الاصطناعي الحالية ممتازة في تبسيط العمليات وتولي المهام الروتينية مثل تشغيل سير العمل. الأتمتة تخفف العبء الذهني عن موظفيك ليتمكنوا من التركيز على جوانب أكثر معنى في وظائفهم.

التأثير الواسع للذكاء الاصطناعي في المؤسسات. يغير الذكاء الاصطناعي كل وظيفة مؤسسية، من الإدارة العامة إلى دعم العملاء، من خلال أتمتة المهام المتكررة، وتعزيز اتخاذ القرار، وتوليد رؤى جديدة. يتيح هذا التحول للموظفين الانتقال من الأعمال الروتينية إلى مهام ذات قيمة أعلى واستراتيجية وإبداعية، مما يحسن الإنتاجية العامة ورضا العمل.

التطبيقات الرئيسية عبر الوظائف:

• الإدارة العامة والمالية والقانونية والعمليات: أتمتة إدارة النفقات، مراجعة العقود، فحوصات الامتثال، وإدخال البيانات (مثل AppZen، HyperScience، الأتمتة الروبوتية للعمليات).
• الموارد البشرية والموهبة: مطابقة المرشحين، تبسيط المقابلات، الجدولة الذكية، وتحليل مخاطر الاحتفاظ بالموظفين (مثل Scout، HireVue، Workday).
• ذكاء الأعمال والتحليلات: أتمتة معالجة البيانات، توحيد مصادر البيانات، والتحليلات المتقدمة للرؤى الاستراتيجية (مثل Paxata، Maana، Ayasdi).
• تطوير البرمجيات: النمذجة السريعة، مساعدات البرمجة الذكية، الاختبار الآلي، وإعادة هيكلة الكود (مثل Kite، Codota).
• التسويق والمبيعات: تحسين الإعلانات الرقمية، التوصيات الشخصية، تقسيم العملاء، تأهيل العملاء المحتملين، وتطوير المبيعات (مثل Netflix، Monetate، Conversica).
• دعم العملاء: وكلاء المحادثة (الشات بوت)، الاستماع الاجتماعي، التنبؤ بفقدان العملاء، وتعظيم القيمة الدائمة (مثل Amazon Echo، Conversocial).

المسؤولية الأخلاقية في التحول. بينما يدفع الذكاء الاصطناعي الكفاءة والنمو، يتحمل قادة الأعمال مسؤولية أخلاقية في إدارة تأثيره على القوى العاملة. يشمل ذلك الاستثمار في برامج التدريب المستمر وإعادة التدريب لتزويد الموظفين بمهارات جديدة للاقتصاد المعتمد على الذكاء الاصطناعي، مثل التدريب، التفسير، والصيانة. إن إعطاء الأولوية للقيم الإنسانية وضمان نشر الذكاء الاصطناعي الخيّر أمر لا غنى عنه، فلا هامش ربح يستحق الإضرار بالإنسانية.