مدیریت در عصر هوش مصنوعی؛ از تجربه مدیریتی تا تصمیم‌گیری هوشمند

1. تغییر بنیادین ماهیت مدیریت در عصر هوش مصنوعی

تحول ناشی از هوش مصنوعی در مدیریت را نمی‌توان صرفاً با ورود مجموعه‌ای از ابزارهای جدید به سازمان توضیح داد. اهمیت بنیادی هوش مصنوعی از آنجا ناشی می‌شود که این فناوری به یکی از اصلی‌ترین فرایندهای تشکیل‌دهنده مدیریت، یعنی تصمیم‌گیری، وارد شده است. اگر برنامه‌ریزی، تخصیص منابع، کنترل، هماهنگی، ارزیابی عملکرد و تدوین استراتژی را از یکدیگر متمایز کنیم، تقریباً در پس همه آن‌ها مجموعه‌ای از تصمیم‌ها قرار دارد: چه هدفی انتخاب شود، چه منابعی تخصیص یابد، کدام مشتری در اولویت قرار گیرد، چه ریسکی پذیرفته شود، چه فردی استخدام شود، چه محصولی توسعه یابد و سازمان در برابر تغییر محیط چگونه واکنش نشان دهد.

این نگاه ریشه‌ای عمیق در نظریه سازمان دارد. هربرت سایمون مدیریت و اداره سازمان را عمیقاً با فرایند انتخاب و تصمیم مرتبط ساخت و نشان داد که فهم سازمان بدون فهم سازوکارهای واقعی تصمیم‌گیری انسان ناقص است. نقطه آغاز او نقد تصویر تصمیم‌گیرنده‌ای بود که اطلاعات کامل، ظرفیت پردازش نامحدود و توان مقایسه همه گزینه‌ها را دارد. در سازمان واقعی، مدیر با محدودیت اطلاعات، زمان، توجه و ظرفیت شناختی روبه‌روست و در نتیجه اغلب به‌جای یافتن بهترین گزینه نظری، به راه‌حلی رضایت‌بخش دست می‌یابد؛ مفهومی که در سنت Carnegie School به عقلانیت محدود و satisficing پیوند خورده است.

از این منظر، تاریخ فناوری مدیریت را می‌توان تا حد زیادی تاریخ تلاش برای گسترش مرزهای همین عقلانیت محدود دانست. سیستم‌های حسابداری امکان مشاهده نظام‌مندتری از وضعیت اقتصادی سازمان فراهم کردند؛ سیستم‌های اطلاعات مدیریت دسترسی مدیران به اطلاعات عملیاتی را افزایش دادند؛ سیستم‌های پشتیبان تصمیم بخشی از محاسبات و مقایسه گزینه‌ها را تسهیل کردند؛ تحلیل کسب‌وکار امکان کشف روابط در داده را فراهم ساخت؛ و یادگیری ماشین و هوش مصنوعی اکنون وارد مرحله‌ای شده‌اند که می‌توانند نه فقط اطلاعات را ذخیره یا نمایش دهند، بلکه الگو استخراج کنند، پیش‌بینی بسازند، گزینه پیشنهاد کنند، محتوای شناختی تولید کنند و در برخی معماری‌ها بخشی از اقدامات را نیز انجام دهند.

بنابراین تفاوت هوش مصنوعی با بسیاری از فناوری‌های اطلاعاتی پیشین صرفاً در «قدرت پردازش بیشتر» نیست. تغییر مهم‌تر آن است که فناوری به بخش‌هایی از فعالیت وارد شده که پیش‌تر عمدتاً قلمرو قضاوت، تشخیص، پیش‌بینی و انتخاب انسانی محسوب می‌شد.

1.1. هوش مصنوعی و تغییر معماری تصمیم‌گیری سازمانی

به زبان نظری می‌توان گفت واحد تحلیل در حال تغییر است. در نگاه سنتی، سؤال این بود:

مدیر چگونه از فناوری برای تصمیم‌گیری استفاده می‌کند؟

اما در محیط مبتنی بر AI، سؤال عمیق‌تر چنین است:

فرایند تصمیم‌گیری چگونه باید میان انسان و ماشین طراحی و توزیع شود؟

این تغییر ظاهراً کوچک، پیامد نظری بزرگی دارد. هنگامی که AI تنها گزارشی تولید می‌کند، همچنان می‌توان آن را یک ابزار اطلاعاتی دانست؛ اما هنگامی که سیستم احتمال خروج مشتری را پیش‌بینی می‌کند، بهترین اقدام را توصیه می‌کند، پیشنهاد ارتباطی می‌نویسد و در مرحله‌ای دیگر آن را اجرا می‌کند، هوش مصنوعی بخشی از معماری تصمیم و عمل سازمان شده است.

پژوهش‌های مدیریت و سازمان نیز به‌تدریج از نگاه ابزارمحور فاصله گرفته‌اند. Shrestha، Ben-Menahem و von Krogh نشان می‌دهند که ورود AI می‌تواند خود ساختارهای تصمیم‌گیری سازمانی را تغییر دهد و اینکه تقسیم کار انسان و الگوریتم باید با ویژگی‌های تصمیم، از جمله اندازه فضای گزینه‌ها، سرعت، قابلیت تکرار و تفسیرپذیری، هماهنگ شود. Jarrahi نیز بر مکمل‌بودن قابلیت‌های انسان و AI در تصمیم‌های سازمانی پیچیده تأکید می‌کند؛ جایی که ماشین در پردازش اطلاعات و انسان در قضاوت زمینه‌ای، ابهام و معنا مزیت‌های متفاوتی دارند.

از همین رو، ادعای «تغییر بنیادین ماهیت مدیریت» نباید به شکل یک ادعای فناورانه افراطی تعبیر شود. هوش مصنوعی همه اصول مدیریت را از میان نمی‌برد و مسئولیت، هدف‌گذاری، قدرت، مذاکره، فرهنگ، رهبری یا قضاوت اخلاقی را بی‌معنا نمی‌کند. تحول بنیادی در محل دیگری اتفاق می‌افتد: نسبت میان اطلاعات، پیش‌بینی، قضاوت و اقدام در حال تغییر است.

مدیری که در گذشته بخش بزرگی از ارزش خود را از توان گردآوری اطلاعات، حفظ تجربه، تشخیص الگو و تصمیم‌گیری سریع به دست می‌آورد، اکنون در محیطی فعالیت می‌کند که ماشین می‌تواند بخش‌هایی از این فعالیت‌ها را با سرعت و مقیاسی بی‌سابقه انجام دهد. در مقابل، ارزش مدیریتی به‌تدریج بیشتر به توان تعریف مسئله، ارزیابی کیفیت شواهد، تعیین هدف، تشخیص شرایط استثنایی، طراحی همکاری انسان و ماشین و پاسخ‌گویی نسبت به پیامدهای تصمیم منتقل می‌شود.

این جابه‌جایی با پارادوکس اتوماسیون ـ تقویت (Automation–Augmentation) نیز ارتباط دارد. Raisch و Krakowski نشان می‌دهند که سازمان‌ها با انتخاب ساده‌ای میان «جایگزین‌کردن انسان» و «کمک‌کردن به انسان» مواجه نیستند. خودکارسازی و تقویت انسان می‌توانند هم‌زمان و در طول زمان بر یکدیگر اثر بگذارند؛ خودکارسازی بخشی از فعالیت ممکن است نقش‌های جدیدی برای قضاوت انسانی ایجاد کند و تقویت انسان نیز می‌تواند زمینه خودکارسازی‌های بعدی را فراهم سازد.

از این جهت، مدیریت در عصر هوش مصنوعی را بهتر است نه «مدیریت بدون انسان»، بلکه مدیریت با معماری شناختی جدید بدانیم.

1.2. نقش تجربه انسانی، داده و مدل‌های هوش مصنوعی در مدیریت آینده

این معماری جدید بر چهار منبع اصلی متکی است:

• تجربه انسانی: که دانش ضمنی و شناخت زمینه را فراهم می‌کند؛
• داده سازمانی و محیطی: که شواهد مشاهده‌پذیر را فراهم می‌آورد؛
• مدل‌های تحلیلی و هوش مصنوعی: که ظرفیت پردازش، کشف الگو و پیش‌بینی را افزایش می‌دهند؛
• قضاوت مدیریتی: که اهداف، محدودیت‌ها، ارزش‌ها و پیامدهای تصمیم را در زمینه واقعی سازمان تفسیر می‌کند.

مسئله اصلی مدیریت آینده احتمالاً انتخاب یکی از این منابع و کنار گذاشتن بقیه نیست. چالش اساسی، طراحی ترکیبی است که نقاط قوت آن‌ها را به یکدیگر متصل و نقاط ضعفشان را کنترل کند.

این موضوع پس از گسترش هوش مصنوعی مولد برجسته‌تر شده است. پژوهش آزمایشی Noy و Zhang نشان داد که در مجموعه‌ای از وظایف حرفه‌ای نوشتاری، دسترسی به هوش مصنوعی مولد زمان انجام کار را کاهش و کیفیت ارزیابی‌شده را افزایش داده است. مطالعه میدانی Brynjolfsson، Li و Raymond نیز نشان داد دستیارهای مولد در محیط واقعی خدمات مشتری می‌توانند بهره‌وری را افزایش دهند و آثار آن برای کارکنان کم‌تجربه‌تر قابل‌توجه‌تر باشد.

با این حال، از این نتایج نباید نتیجه گرفت که AI در تمام وظایف مدیریتی یا برای همه کارکنان نتایج مشابه ایجاد می‌کند. این شواهد بیشتر یک نکته نظری را تقویت می‌کنند: فناوری می‌تواند توزیع دانش و قابلیت شناختی در سازمان را تغییر دهد. دانشی که پیش‌تر عمدتاً در تجربه چند فرد باتجربه متمرکز بود، در برخی فعالیت‌ها می‌تواند از طریق سیستم‌های هوشمند در دسترس افراد بیشتری قرار گیرد.

در چنین شرایطی، مفهوم «مزیت تجربه» نیز تغییر می‌کند. تجربه همچنان اهمیت دارد، اما کارکرد آن به‌تدریج از «تنها منبع تشخیص» به «یکی از اجزای سیستم تشخیص و قضاوت» تبدیل می‌شود.

همین تحول، نقطه ورود به بحث بعدی است: آیا هنوز می‌توان مدیریت حرفه‌ای را عمدتاً بر تجربه و شم فردی مدیر بنا کرد؟ پاسخ این فصل آن است که عصر تصمیم‌گیری صرفاً تجربه‌محور در حال پایان یافتن است؛ نه به این معنا که تجربه بی‌ارزش شده است، بلکه به این معنا که تجربه دیگر به‌تنهایی مبنای کافی برای مشروعیت و کیفیت تصمیم مدیریتی محسوب نمی‌شود.

2. پایان عصر تصمیم‌گیری صرفاً تجربه‌محور

2.1. مدیریت سنتی مبتنی بر تجربه

برای بخش بزرگی از تاریخ مدیریت، تجربه یکی از ارزشمندترین منابع شناخت مدیریتی بوده است. این وضعیت تا حد زیادی منطقی بود. سازمان‌ها داده‌های محدودتری در اختیار داشتند، جمع‌آوری داده هزینه بالایی داشت، بسیاری از رویدادها ثبت نمی‌شدند و ابزارهای پردازش اطلاعات توان تحلیل حجم بزرگی از متغیرها را نداشتند. مدیر باتجربه در چنین محیطی نوعی «حافظه سازمانی زنده» محسوب می‌شد.

او به‌مرور می‌آموخت کدام مشتری احتمالاً بدحساب است، چه زمانی موجودی باید افزایش یابد، کدام فروشنده توان مذاکره بالاتری دارد، چه نشانه‌هایی از شکست یک پروژه خبر می‌دهند و چه نوع تصمیمی در سازمان با مقاومت کارکنان مواجه خواهد شد.

در اینجا تجربه را نباید صرفاً تعداد سال‌های کار دانست. تجربه در معنای مدیریتی زمانی ارزشمند می‌شود که تکرار موقعیت‌ها با بازخورد درباره پیامد تصمیم همراه باشد. مدیر اقدام می‌کند، پیامد را می‌بیند، رابطه میان نشانه‌ها و نتیجه را در حافظه ثبت می‌کند و در مواجهه بعدی از این الگو استفاده می‌کند.

به این ترتیب:

تجربه ← مشاهده الگو ← شکل‌گیری انتظار ← تصمیم سریع‌تر

این سازوکار، پایه بخش مهمی از چیزی است که در عمل «شم مدیریتی» یا «شهود مدیریتی» خوانده می‌شود.

از منظر نظریه سازمان نیز رفتار واقعی مدیران هرگز کاملاً مطابق مدل عقلانی جامع نبوده است. سایمون نشان داد محدودیت‌های شناختی و اطلاعاتی باعث می‌شوند مدیران نتوانند همه گزینه‌ها و پیامدهای آن‌ها را محاسبه کنند. Cyert و March نیز سازمان را مجموعه‌ای از کنشگران با اهداف، محدودیت‌ها، قواعد و سطح‌های آرمانی متفاوت تحلیل کردند و نشان دادند تصمیم سازمانی در بسیاری از موارد محصول جست‌وجوی محدود، یادگیری و سازگاری است، نه حل یک مسئله بهینه‌سازی کامل.

بنابراین تصمیم‌گیری تجربه‌محور یک «خطای تاریخی» نبود. در بسیاری از محیط‌ها، پاسخی عملی به مسئله محدودیت اطلاعات و پردازش محسوب می‌شد.

2.2. نقش شهود مدیریتی در تصمیم‌گیری

شهود یکی از بحث‌برانگیزترین مفاهیم در ادبیات تصمیم‌گیری است؛ زیرا در زبان روزمره گاه با احساس، حدس یا تصمیم غیرمنطقی یکسان فرض می‌شود. اما ادبیات علمی تصویر ظریف‌تری ارائه می‌دهد.

Dane و Pratt شهود را نوعی قضاوت با منشأ غیرآگاهانه می‌دانند که به‌سرعت به آگاهی می‌رسد و معمولاً بدون استدلال آشکار مرحله‌به‌مرحله شکل می‌گیرد. در این برداشت، شهود لزوماً مقابل تخصص نیست؛ در بسیاری از موارد می‌تواند محصول فشرده‌شده تجربه باشد.

مدیر باتجربه ممکن است نتواند فوراً توضیح دهد چرا یک معامله «مشکوک» به نظر می‌رسد، اما تشخیص او می‌تواند بر ده‌ها نشانه کوچک متکی باشد که طی سال‌ها در حافظه الگوهای او شکل گرفته‌اند.

Kahneman و Klein در مقاله مهم خود درباره «شرایط خبرگی شهودی» دو سنت فکری ظاهراً متعارض را به هم نزدیک کردند. نتیجه کلیدی آنان این است که شهود حرفه‌ای زمانی قابل اعتمادتر می‌شود که محیط از قاعده‌مندی کافی برخوردار باشد و فرد فرصت طولانی برای یادگیری همراه با بازخورد مناسب داشته باشد. در محیط‌های بسیار نامنظم، که رابطه میان نشانه‌ها و پیامدها پایدار نیست، اطمینان فرد به شهود الزاماً نشانه دقت آن نیست.

این نکته برای مدیریت بسیار مهم است. در یک محیط نسبتاً باثبات، مدیر فروش ممکن است طی سال‌ها الگوهای معتبری درباره رفتار مشتریان کسب کند. اما اگر فناوری، مقررات، رقبا و رفتار مصرف‌کننده به‌طور بنیادی تغییر کنند، تجربه‌ای که در رژیم قبلی شکل گرفته است می‌تواند کیفیت خود را از دست بدهد.

پس اعتبار تجربه تابع دو متغیر است:

1. کیفیت یادگیری گذشته
2. شباهت محیط فعلی به محیطی که تجربه در آن شکل گرفته است

این تمایز اجازه می‌دهد از دو خطای متقابل اجتناب شود: نخست، تقدیس شهود و فرض اینکه مدیر باتجربه همواره بهتر می‌داند؛ و دوم، حذف کامل شهود با این استدلال که هر تصمیم غیرالگوریتمی غیرعلمی است.

2.3. مزایای تجربه و شهود مدیریتی

تجربه حداقل چهار مزیت مهم برای مدیریت ایجاد می‌کند.

سرعت

تصمیم‌گیری تحلیلی کامل زمان‌بر است. مدیر باتجربه در موقعیت‌های آشنا می‌تواند بدون بازسازی کامل استدلال، به الگوی مناسب دسترسی پیدا کند. در شرایطی که سرعت اهمیت بالایی دارد، این قابلیت ارزشمند است.

پژوهش Eisenhardt درباره تصمیم‌گیری استراتژیک در محیط‌های پرسرعت نیز نشان می‌دهد سرعت تصمیم الزاماً به معنای فقدان اطلاعات یا تحلیل نیست؛ سازمان‌های موفق می‌توانند با ترکیب اطلاعات به‌روز، گزینه‌های متعدد و فرایندهای تصمیم کارآمد، سرعت را افزایش دهند.

دانش ضمنی

همه دانش سازمان به‌راحتی به عدد و متغیر تبدیل نمی‌شود. شناخت مناسبات قدرت، حساسیت فرهنگی، شخصیت ذی‌نفعان، تاریخچه روابط و معنای یک رفتار ممکن است در هیچ پایگاه داده‌ای ثبت نشده باشد.

تشخیص زمینه

یک عدد بدون زمینه می‌تواند گمراه‌کننده باشد. کاهش فروش ممکن است ناشی از ضعف تیم فروش، کمبود موجودی، تغییر فصل، سیاست قیمت‌گذاری، اقدام رقیب یا حتی یک رویداد مقطعی باشد. تجربه می‌تواند به تفسیر این زمینه کمک کند.

عملکرد در شرایط کمبود داده

برای یک محصول کاملاً جدید، بحران کم‌سابقه یا تصمیم استراتژیک منحصربه‌فرد ممکن است داده تاریخی کافی وجود نداشته باشد. در چنین شرایطی استفاده از قیاس، تجربه و قضاوت مدیریتی اجتناب‌ناپذیرتر می‌شود.

بنابراین ظهور AI به معنای بی‌ارزش‌شدن تجربه نیست. مسئله اصلی، شناخت مرز اعتبار تجربه است.

3. محدودیت‌های تصمیم‌گیری تجربه‌محور در مدیریت مدرن

عقلانیت محدود

اولین محدودیت بنیادی به ظرفیت شناختی انسان مربوط می‌شود.

3.1. محدودیت عقلانیت انسانی

مدیر نمی‌تواند تعداد نامحدودی متغیر، گزینه و پیامد را هم‌زمان پردازش کند. حتی اگر اطلاعات موجود باشد، توجه انسان کمیاب است.

سایمون این مسئله را دهه‌ها پیش از ظهور Big Data صورت‌بندی کرد. نکته جالب آن است که فراوانی داده مسئله عقلانیت محدود را حذف نکرده است؛ در برخی موارد آن را تشدید کرده است. مدیر امروز ممکن است با مشکل «نبود اطلاعات» کمتر و با مشکل «مازاد اطلاعات» بیشتر مواجه باشد.

3.2. سوگیری‌های شناختی در تصمیم مدیریتی

Tversky و Kahneman نشان دادند انسان‌ها در قضاوت تحت عدم‌قطعیت از میان‌بُرهای شناختی استفاده می‌کنند که در بسیاری از شرایط مفیدند، اما می‌توانند به خطاهای نظام‌مند نیز منجر شوند.

برای مثال، مدیر ممکن است:

• به نمونه‌هایی که به‌آسانی به ذهن می‌رسند وزن بیش از حد بدهد؛
• شواهد تأییدکننده باور قبلی خود را جدی‌تر بگیرد؛
• یک موفقیت اخیر را به شرایط آینده تعمیم دهد؛
• یا اطمینان خود را با دقت واقعی تصمیم اشتباه بگیرد.

نکته اساسی آن است که «تجربه بیشتر» در همه شرایط این سوگیری‌ها را حذف نمی‌کند.

3.3. مشکل نمونه کوچک و خطای بقا

تجربه هر مدیر از تعداد محدودی مشاهده ساخته شده است. مدیری که در طول حرفه خود ده پروژه بزرگ دیده است، ممکن است احساس کند الگویی قوی در اختیار دارد؛ اما یک سیستم داده‌ای سازمانی می‌تواند هزاران پروژه، میلیون‌ها تراکنش یا صدها هزار تعامل مشتری را بررسی کند.

در مسائل تکرارشونده و داده‌پذیر، این تفاوت مقیاس اهمیت زیادی دارد.

خطای بقا

مدیران معمولاً پیامد تصمیم‌هایی را مشاهده می‌کنند که واقعاً اجرا شده‌اند. اما نمی‌توانند با قطعیت بدانند اگر گزینه دیگری را انتخاب می‌کردند چه اتفاقی می‌افتاد.

اگر مدیری ده سال از یک سیاست خاص استفاده کرده و سازمان همچنان موفق است، این مشاهده به‌تنهایی اثبات نمی‌کند آن سیاست علت موفقیت بوده است.

اینجاست که تمایز میان همبستگی، پیش‌بینی و علیت اهمیت پیدا می‌کند.

تغییر محیط

شاید مهم‌ترین محدودیت تجربه در عصر تحول سریع، وابستگی آن به گذشته باشد.

تجربه اساساً از داده‌های ذهنی گذشته ساخته شده است. اگر روابط محیطی پایدار باشند، این ویژگی مزیت است؛ ولی اگر ساختار بازار تغییر کند، تجربه می‌تواند حامل الگوهایی باشد که دیگر معتبر نیستند.

تحول دیجیتال، تغییر کانال‌های توزیع، ورود پلتفرم‌ها، تغییر قوانین، شوک‌های ژئوپلیتیکی و ظهور فناوری‌های جدید می‌توانند رابطه میان علائم گذشته و پیامد آینده را تغییر دهند.

به بیان مدیریتی:

مشکل تجربه این نیست که از گذشته آموخته است؛ مشکل زمانی ایجاد می‌شود که آینده دیگر شبیه گذشته نباشد.

4. ورود داده و تحلیل به مدیریت

گذار از تصمیم‌گیری صرفاً تجربه‌محور ابتدا با هوش مصنوعی آغاز نشد. پیش از AI، چند موج فکری و فناورانه زمینه این تحول را فراهم کردند: پژوهش عملیاتی، سیستم‌های اطلاعات مدیریت، سیستم‌های پشتیبان تصمیم، مدیریت مبتنی بر شواهد، هوش تجاری (Business Intelligence)، تحلیل کسب‌وکار و در نهایت Big Data.

4.1. مدیریت مبتنی بر شواهد و تصمیم داده‌محور

یکی از تحولات فکری مهم، گسترش مدیریت مبتنی بر شواهد (Evidence-Based Management) بود. Pfeffer و Sutton استدلال کردند بسیاری از تصمیم‌های مدیریتی همچنان تحت تأثیر مد، تقلید، باورهای تثبیت‌شده و تجربه‌های محدود اتخاذ می‌شوند و مدیریت حرفه‌ای باید شواهد معتبر را جدی‌تر وارد تصمیم کند. Rousseau نیز مدیریت مبتنی بر شواهد را تلاشی برای نزدیک‌کردن تصمیم مدیریتی به بهترین شواهد قابل دسترس معرفی کرد.

در این رویکرد، تجربه مدیر حذف نمی‌شود. تجربه یکی از منابع شواهد است، اما تنها منبع نیست.

به‌تدریج داده‌های داخلی سازمان نیز اهمیت بسیار بیشتری یافتند. سازمان‌ها شروع کردند به ثبت نظام‌مند فروش، عملیات، موجودی، رفتار مشتری، عملکرد کارکنان، زنجیره تأمین و تعاملات دیجیتال.

با رشد ظرفیت ذخیره‌سازی و پردازش، پرسش مدیریتی از:

«چه اطلاعاتی در اختیار داریم؟»

به:

«از داده‌هایی که داریم چه می‌توان آموخت؟»

تغییر کرد.

Davenport مفهوم «رقابت بر مبنای تحلیل» را برای سازمان‌هایی به‌کار برد که تحلیل داده را نه یک فعالیت جانبی، بلکه بخشی از مزیت رقابتی خود می‌سازند. چند سال بعد، McAfee و Brynjolfsson افزایش حجم، سرعت و تنوع داده را یک تحول مدیریتی توصیف کردند که ظرفیت اندازه‌گیری و مدیریت دقیق‌تر فعالیت‌های سازمانی را افزایش می‌دهد.

شواهد تجربی نیز از این تحول حمایت کرده‌اند، هرچند باید در تفسیر علی آن‌ها محتاط بود. Brynjolfsson، Hitt و Kim در مطالعه شرکت‌های آمریکایی گزارش کردند بنگاه‌هایی که تأکید بیشتری بر تصمیم‌گیری داده‌محور (Data-Driven Decision Making) داشتند، با کنترل سایر سرمایه‌گذاری‌ها و عوامل، سطوح بالاتری از بهره‌وری و خروجی نشان می‌دادند.

Ghasemaghaei، Ebrahimi و Hassanein نیز نشان دادند ابعاد مختلف شایستگی تحلیل داده با بهبود کیفیت تصمیم سازمانی ارتباط دارند. مطالعات مرتبط با قابلیت تحلیل Big Data نیز نشان داده‌اند اثر تحلیل بر عملکرد سازمان صرفاً حاصل داشتن نرم‌افزار نیست و به قابلیت‌های سازمانی، فرایندها و توان تبدیل تحلیل به اقدام وابسته است.

4.2. زنجیره ارزش داده در تصمیم‌گیری سازمانی

این یافته‌ها یک اصل کلیدی ایجاد می‌کنند:

داده به‌خودی‌خود قابلیت مدیریتی نیست.

زنجیره ارزش زمانی شکل می‌گیرد که:

داده ← تحلیل معتبر ← تفسیر ← تصمیم متفاوت ← اقدام ← پیامد

رخ دهد.

اگر سازمان داده فراوانی جمع‌آوری کند اما تصمیم مدیر تغییر نکند، ارزش مدیریتی چندانی ایجاد نشده است.

5. گذار از تصمیم مبتنی بر گذشته به تصمیم مبتنی بر پیش‌بینی آینده

اولین نسل گسترده سیستم‌های اطلاعاتی سازمانی عمدتاً گذشته را نمایش می‌دادند. گزارش فروش ماه قبل، هزینه دوره گذشته، نرخ ضایعات، عملکرد کارکنان و موجودی فعلی همگی اطلاعاتی ضروری‌اند، اما ماهیتی عمدتاً توصیفی دارند.

مدیر می‌پرسید:

چه اتفاقی افتاد؟

با توسعه Business Analytics، پرسش دوم اهمیت یافت:

چرا اتفاق افتاد؟

5.1. نقش تحلیل پیش‌بینانه در مدیریت

اما ظهور تحلیل پیش‌بینانه پرسش را یک مرحله جلوتر برد:

چه اتفاقی احتمالاً خواهد افتاد؟

این جابه‌جایی، یکی از مهم‌ترین تغییرات در منطق مدیریت مدرن است.

Shmueli و Koppius تحلیل پیش‌بینانه را بر توان تولید پیش‌بینی و سنجش قدرت پیش‌بینی متمرکز می‌کنند و تأکید دارند که هدف پیش‌بینی با هدف توضیح نظری یا اثبات رابطه علّی یکسان نیست.

این تمایز برای مدیر اهمیت زیادی دارد. برای مثال، یک مدل ممکن است با دقت مناسبی پیش‌بینی کند کدام مشتری قرارداد خود را تمدید نخواهد کرد. چنین مدلی برای اولویت‌بندی توجه مدیر ارزشمند است، حتی اگر نتواند به‌تنهایی ثابت کند علت اصلی خروج مشتری چیست.

در گذشته، مدیر فروش ممکن بود بر اساس احساس خود بگوید:

«فکر می‌کنم این مشتری در حال از دست رفتن است.»

اکنون سیستم می‌تواند با تحلیل صدها متغیر و هزاران نمونه مشابه، احتمال خروج مشتری را برآورد کند.

تغییر واقعی در اینجا جایگزینی یک «عدد» به‌جای «احساس» نیست. تغییر اساسی آن است که سازمان می‌تواند توجه محدود مدیریتی را به‌شکل متفاوتی تخصیص دهد.

اگر هزار مشتری وجود داشته باشد، مدیر نمی‌تواند همه آن‌ها را با یک شدت بررسی کند. مدل پیش‌بینانه می‌تواند آن‌ها را بر اساس ریسک اولویت‌بندی کند.

بنابراین:

پیش‌بینی ← اولویت‌بندی ← تخصیص متفاوت منابع ← تغییر پیامد

این همان سازوکار خلق ارزش مدیریتی است.

5.2.کاربرد پیش‌بینی در منابع انسانی، مالی و بازاریابی

در مدیریت منابع انسانی نیز سیستم می‌تواند احتمال ترک کارکنان را پیش‌بینی کند؛ در عملیات احتمال خرابی تجهیزات را؛ در مالی احتمال نکول را؛ در بازاریابی احتمال پاسخ به پیشنهاد را؛ و در زنجیره تأمین مقدار تقاضای آینده را.

به این ترتیب، افق زمانی مدیریت از بازخوانی گذشته به سمت آمادگی برای آینده محتمل حرکت می‌کند.

6. از تحلیل آماری تا هوش مصنوعی در مدیریت

هوش مصنوعی این مسیر را از دو جهت توسعه داده است.

نخست، توانایی تحلیل مجموعه‌هایی از داده را افزایش داده که از نظر حجم، تنوع یا پیچیدگی برای روش‌های سنتی دشوارتر بودند.

دوم، برخی سیستم‌های جدید می‌توانند با داده‌های غیرساختاریافته مانند متن، تصویر، صوت و اسناد نیز کار کنند.

این تحول بدان معناست که بخش بیشتری از محیط اطلاعاتی مدیر قابل پردازش ماشینی شده است.

پیش‌تر بخش بزرگی از دانش سازمان در ایمیل، گزارش، تماس، جلسه، قرارداد و تجربه افراد پنهان بود. پردازش زبان طبیعی و مدل‌های زبانی امکان تحلیل و بازیابی بخشی از این دانش را توسعه داده‌اند.

6.1. قابلیت هوش مصنوعی به عنوان توان سازمانی

در سطح سازمانی، پژوهش‌هایی مانند Mikalef و Gupta نیز قابلیت هوش مصنوعی (AI Capability) را نه صرفاً مالکیت فناوری، بلکه توان سازمان برای انتخاب، هماهنگ‌سازی و بهره‌برداری از منابع مرتبط با AI مفهوم‌سازی کرده‌اند.

این تمایز اهمیت زیادی دارد.

دو شرکت ممکن است به یک مدل یا نرم‌افزار مشابه دسترسی داشته باشند، اما یکی ارزش قابل‌توجهی از آن ایجاد کند و دیگری نه. تفاوت می‌تواند در موارد زیر باشد:

• کیفیت داده؛
• مهارت کارکنان؛
• طراحی فرایند؛
• حمایت مدیریتی؛
• زیرساخت؛
• و توان تغییر تصمیم‌ها.

بنابراین:

فناوری زمانی به قابلیت سازمانی تبدیل می‌شود که در فرایندهای واقعی تصمیم و عمل ادغام شود.

7.چرا «پایان عصر تجربه‌محور» به معنای پایان تجربه نیست؟

عنوان این بخش ممکن است در صورت تفسیر سطحی سوءبرداشت ایجاد کند. مقصود از پایان عصر تصمیم‌گیری تجربه‌محور، پایان تصمیم‌گیری صرفاً تجربه‌محور است. تفاوت مهم در واژه «صرفاً» قرار دارد.

AI دارای محدودیت‌هایی است که مانع از آن می‌شود تجربه و قضاوت انسانی به‌سادگی حذف شوند.

7.1.داده گذشته نیز گذشته است

مدل یادگیری ماشین، مانند تجربه انسانی، از اطلاعات گذشته یاد می‌گیرد. اگر محیط تغییر کند، هر دو می‌توانند دچار خطا شوند.

بنابراین نباید چنین تصور کرد:

تجربه = گذشته‌نگر
AI = آینده‌نگر

مدل نیز برای آینده از گذشته استنباط می‌کند. تفاوت مهم در مقیاس، نظام‌مندی و نوع پردازش گذشته است.

7.2.پیش‌بینی با تصمیم متفاوت است

AI ممکن است بگوید احتمال خروج مشتری ۸۰ درصد است.

اما:

• آیا باید به او تخفیف داد؟
• چه مقدار؟
• آیا حفظ این مشتری از نظر سودآوری ارزشمند است؟
• آیا تخفیف رفتار فرصت‌طلبانه ایجاد می‌کند؟

این پرسش‌ها نیازمند هدف، محدودیت و ارزیابی پیامد هستند.

7.3.داده همه واقعیت را ثبت نمی‌کند

هر آنچه مهم است الزاماً در پایگاه داده وجود ندارد. قدرت سیاسی، اعتماد، انگیزه، اعتبار، فرهنگ و روابط انسانی ممکن است به‌طور ناقص اندازه‌گیری شوند.

7.4.تصمیم مدیریتی واجد ارزش است

برخی تصمیم‌ها فقط مسئله پیش‌بینی نیستند. اینکه سازمان چه میزان ریسک اخلاقی را بپذیرد، چگونه میان کارایی و عدالت توازن برقرار کند یا چه میزان نظارت بر کارکنان مشروع است، صرفاً از داده استخراج نمی‌شود.

7.5.AI خود منبع خطاست

مدل می‌تواند دچار سوگیری، خطای داده، کاهش عملکرد در شرایط جدید یا خطاهای پیش‌بینی شود. سیستم‌های مولد نیز می‌توانند خروجی ظاهراً متقاعدکننده اما نادرست ایجاد کنند.

به همین دلیل مسئله اعتماد متناسب به AI اهمیت دارد. اعتماد کم می‌تواند موجب عدم استفاده از یک سیستم مفید شود و اعتماد بیش از حد نیز می‌تواند به پذیرش تصمیم‌های غلط منجر شود.

نتیجه این است که مدل مطلوب آینده، نه «تجربه به‌جای داده» و نه «داده به‌جای تجربه»، بلکه ترکیب هدفمند آن‌هاست.

8. از مدیریت داده‌محور به مدیریت هوشمند

مرحله داده‌محور تحول مهمی در مدیریت ایجاد کرد، اما هوش مصنوعی این مسیر را یک گام جلوتر می‌برد.

در مدیریت داده‌محور، انسان همچنان بازیگر اصلی تحلیل است. داده و داشبورد در اختیار مدیر قرار می‌گیرند و مدیر روابط موجود در داده را تفسیر می‌کند.

اما در مدیریت مبتنی بر AI، بخشی از تحلیل خود می‌تواند توسط ماشین انجام شود.

در نتیجه مسیر تکامل را می‌توان به‌صورت مفهومی چنین دید:

Experience-Based Management
↓
Data-Informed Management
↓
Analytics-Driven Management
↓
Predictive Management
↓
AI-Augmented Management
↓
AI-Orchestrated / Agentic Management

این مراحل الزاماً خطی نیستند و سازمان‌ها ممکن است در بخش‌های مختلف در سطوح متفاوتی قرار داشته باشند.

برای مثال، یک شرکت ممکن است حسابداری بسیار داده‌محور داشته باشد، فروش آن همچنان تجربه‌محور باشد و در بازاریابی از هوش مصنوعی پیشرفته استفاده کند.

بنابراین «بلوغ AI» ویژگی یکپارچه کل سازمان نیست؛ بلکه اغلب ویژگی یک فرایند تصمیم مشخص است.

---

8.1.سازوکار علّی تحول

برای اجتناب از نگاه فناوری‌زده باید توضیح داد AI چگونه می‌تواند به پیامد سازمانی منجر شود.

صرف استقرار یک فناوری علت مستقیم افزایش عملکرد نیست.

زنجیره علّی محتمل‌تر چنین است:

افزایش داده قابل استفاده ↓ افزایش قابلیت مشاهده محیط و عملیات ↓ افزایش کیفیت تحلیل و پیش‌بینی ↓ تغییر در ادراک مدیر از فرصت و ریسک ↓ تغییر تصمیم ↓ تغییر تخصیص منابع و اقدام ↓ پیامد سازمانی

این مدل نشان می‌دهد اگر یکی از حلقه‌ها قطع شود، سرمایه‌گذاری AI ممکن است به نتیجه منجر نشود.

برای مثال، مدل ممکن است پیش‌بینی خوبی تولید کند، اما مدیر به آن اعتماد نکند. یا مدیر ممکن است پیش‌بینی را بپذیرد اما فرایند سازمان اجازه تغییر اقدام را ندهد. همچنین ممکن است اقدام انجام شود، اما تابع هدف اشتباه تعریف شده باشد.

به همین علت، فناوری شرط کافی خلق ارزش نیست.

---

8.2. تغییر نقش مدیر

در معماری جدید، نقش مدیر از بین نمی‌رود؛ موضوع کار او تغییر می‌کند.

در مدل سنتی، مدیر بخش قابل‌توجهی از زمان خود را صرف موارد زیر می‌کرد:

• جمع‌آوری اطلاعات؛
• تفسیر گزارش‌ها؛
• تشخیص الگو؛
• و انتخاب موردبه‌مورد.

اما هرچه بخشی از این فعالیت‌ها خودکار شود، سهم بیشتری از ارزش مدیر می‌تواند به فعالیت‌های زیر منتقل شود:

تعریف مسئله درست

سیستم می‌تواند پاسخ بسیار دقیقی به سؤال اشتباه بدهد.

تعیین هدف

AI نمی‌تواند مستقلاً تعیین کند سازمان باید چه چیزی را ارزشمند بداند.

ارزیابی شواهد

مدیر باید تفاوت میان پیش‌بینی، همبستگی و علیت را درک کند.

تشخیص استثنا

مدل معمولاً در الگوهای تکرارشونده ارزش بیشتری دارد؛ انسان باید موارد خارج از توزیع یا شرایط خاص را تشخیص دهد.

طراحی تقسیم کار انسان و AI

تصمیم اساسی آینده این نیست که:

«آیا AI استفاده کنیم؟»

بلکه این است که:

• چه کاری را AI انجام دهد؟
• چه کاری را انسان انجام دهد؟
• و در کجا همکاری آن‌ها بهترین نتیجه را ایجاد می‌کند؟

پژوهش درباره ساختارهای تصمیم انسان ـ AI و «هوش ترکیبی» دقیقاً بر همین مسئله تمرکز دارد. Shrestha و همکاران نشان می‌دهند معماری تصمیم باید متناسب با ویژگی مسئله انتخاب شود، و Dellermann و همکاران مفهوم Hybrid Intelligence را بر استفاده از قابلیت‌های مکمل انسان و ماشین بنا می‌کنند.

9. محدودیت‌ها و پارادوکس‌های مدیریت مبتنی بر داده و AI

اگرچه هوش مصنوعی ظرفیت‌های جدیدی برای مدیریت ایجاد کرده است، اما استفاده از آن بدون توجه به محدودیت‌ها می‌تواند به تصمیم‌های ضعیف یا حتی پرریسک منجر شود. مدیریت هوشمند صرفاً به معنای افزودن فناوری بیشتر نیست؛ بلکه نیازمند درک محدودیت‌های داده، مدل و تصمیم انسانی است.

9.1.داده بیشتر الزاماً تصمیم بهتر ایجاد نمی‌کند

افزایش حجم داده به‌تنهایی تضمین‌کننده کیفیت تصمیم نیست. کیفیت داده، مرتبط‌بودن آن و توان تفسیر اهمیت بیشتری از حجم خام داده دارند.

سازمانی ممکن است حجم عظیمی از داده در اختیار داشته باشد، اما اگر داده‌ها ناقص، قدیمی، نامرتبط یا بدون ارتباط با مسئله واقعی باشند، ارزش مدیریتی محدودی ایجاد خواهند کرد.

9.2.پیش‌بینی دقیق الزاماً تصمیم خوب تولید نمی‌کند

یک مدل ممکن است احتمال یک رخداد را با دقت بالا پیش‌بینی کند، اما تصمیم نهایی همچنان تابع هزینه، منافع، اهداف و محدودیت‌های سازمان است.

برای مثال، دانستن احتمال خروج یک مشتری به‌تنهایی مشخص نمی‌کند که سازمان باید چه اقدامی انجام دهد. تصمیم نهایی نیازمند ارزیابی ارزش اقتصادی مشتری، هزینه اقدام، پیامدهای بلندمدت و اهداف سازمانی است.

9.3.تحلیل می‌تواند سوگیری تاریخی را بازتولید کند

اگر داده حاصل تصمیم‌های گذشته باشد، مدل ممکن است همان الگوهای ناعادلانه یا ناکارآمد گذشته را فراگیرد و بازتولید کند.

بنابراین داده همیشه واقعیت خالص نیست؛ بلکه ممکن است بازتاب انتخاب‌ها، محدودیت‌ها و ساختارهای تاریخی سازمان باشد.

9.4.اتوماسیون می‌تواند توان انسانی را تضعیف کند

اگر مدیر دائماً قضاوت را به سیستم واگذار کند، مهارت تشخیص مستقل و توان تحلیل انسانی ممکن است کاهش یابد.

به همین دلیل، هدف استفاده از AI نباید حذف کامل تفکر انسانی باشد، بلکه باید ایجاد همکاری مؤثر میان توانایی‌های انسانی و ماشینی باشد.

9.5.اعتماد مسئله‌ای دوطرفه است

عدم اعتماد می‌تواند موجب کنار گذاشتن یک سیستم مفید شود؛ در مقابل، اعتماد افراطی نیز می‌تواند پذیرش خطاهای الگوریتمی را افزایش دهد.

بنابراین سازمان‌ها به سطحی از اعتماد نیاز دارند که نه مانع استفاده از فناوری شود و نه باعث پذیرش بدون بررسی خروجی‌های آن گردد.

9.6.قابلیت پیش‌بینی می‌تواند قدرت را بازتوزیع کند

هرکس مالک داده، مدل یا معیار ارزیابی باشد، ممکن است کنترل بیشتری بر تصمیم سازمانی پیدا کند. پژوهش درباره «الگوریتم‌ها در کار» نشان می‌دهد فناوری‌های الگوریتمی می‌توانند نه فقط بهره‌وری، بلکه ساختار کنترل و رابطه قدرت در محیط کار را نیز تغییر دهند.

بنابراین تحول AI یک مسئله صرفاً فنی نیست؛ بلکه مسئله‌ای سازمانی، مدیریتی و حاکمیتی است.

---

10. چارچوب تکاملی تصمیم‌گیری مدیریتی

برای جمع‌بندی می‌توان تحول تصمیم مدیریتی را در شش سطح مفهوم‌سازی کرد:

سطح	مبنای غالب تصمیم	پرسش اصلی	نقش فناوری	نقش مدیر
۱. تجربه‌محور	تجربه و شهود	قبلاً در این وضعیت چه کردیم؟	محدود	تشخیص و تصمیم
۲. داده‌آگاه	تجربه + داده	شواهد چه می‌گویند؟	گزارش‌گری	تفسیر
۳. تحلیل‌محور	مدل‌های تحلیلی	چرا این اتفاق افتاد؟	تحلیل	ارزیابی و تصمیم
۴. پیش‌بینانه	داده + مدل پیش‌بینی	احتمالاً چه رخ می‌دهد؟	پیش‌بینی	تخصیص منابع و قضاوت
۵. تقویت‌شده با AI	انسان + AI	بهترین ترکیب تحلیل و قضاوت چیست؟	توصیه و تولید	تعریف مسئله و کنترل
۶. عامل‌محور	اهداف + AI + نظارت	چگونه هدف را از طریق مجموعه‌ای از اقدامات محقق کنیم؟	برنامه‌ریزی و اقدام محدود	طراحی اختیار و حاکمیت

این چارچوب نباید به‌عنوان یک قانون قطعی تکامل فناوری تلقی شود. سطح بالاتر الزاماً همیشه بهتر نیست.

تصمیم کم‌تکرار، اخلاقی، بسیار مبهم یا دارای پیامد برگشت‌ناپذیر ممکن است به مداخله انسانی بیشتری نیاز داشته باشد؛ درحالی‌که تصمیم تکرارشونده، قابل اندازه‌گیری و کم‌ریسک می‌تواند ظرفیت بیشتری برای اتوماسیون داشته باشد.

از این رو بلوغ مدیریتی در عصر AI را نباید با «مقدار بیشتر اتوماسیون» سنجید. معیار مهم‌تر آن است که سازمان بتواند سطح مناسب استفاده از تجربه، داده، تحلیل، AI و قضاوت انسانی را برای هر نوع تصمیم طراحی کند.

11.جمع‌بندی

مدیریت برای بخش بزرگی از تاریخ خود ناگزیر بر تجربه و شهود مدیران تکیه داشته است. این اتکا در محیط‌هایی که اطلاعات محدود، داده پراکنده و ظرفیت محاسباتی پایین بود، منطقی و در بسیاری از موارد کارآمد بود.

اما تجربه دارای محدودیت‌های ساختاری است: ظرفیت شناختی انسان محدود است، نمونه تجربه فردی کوچک است، سوگیری‌های شناختی می‌توانند قضاوت را منحرف کنند و مهم‌تر از همه، تجربه از محیط گذشته آموخته شده است.

ظهور سیستم‌های اطلاعاتی، مدیریت مبتنی بر شواهد، Business Analytics، Big Data و سپس هوش مصنوعی به‌تدریج مرزهای این مدل را تغییر داده‌اند.

11.1.چرا AI جایگزین کامل مدیران نخواهد شد؟

مدیر اکنون می‌تواند برای بخشی از مسائل به مجموعه‌ای از مشاهدات دسترسی داشته باشد که هیچ فردی قادر به تجربه مستقیم آن‌ها نیست و مدل می‌تواند روابطی را بررسی کند که پردازش آن‌ها از ظرفیت ذهن انسانی فراتر می‌رود.

اما نتیجه منطقی این تحول، حذف تجربه نیست.

اگر تصمیم‌گیری سنتی را بتوان چنین خلاصه کرد:

تجربه ← قضاوت ← تصمیم

11.2.معماری جدید تصمیم گیری در سازمان های آینده

معماری در حال ظهور بیشتر شبیه رابطه زیر است:

داده + تجربه + مدل AI + زمینه ← قضاوت ترکیبی ← تصمیم

در این معماری، نقش مدیر از مالک انحصاری اطلاعات و تحلیل به سمت طراح، مفسر و حاکم سیستم تصمیم‌گیری حرکت می‌کند.

بنابراین عبارت «پایان عصر تصمیم‌گیری تجربه‌محور» به معنای پایان شهود یا دانش مدیریتی نیست. آنچه در حال پایان است، مشروعیت این گزاره است که یک تصمیم مهم صرفاً به این دلیل معتبر است که:

«مدیر باتجربه چنین احساس می‌کند.»

مدیریت هوشمند، تجربه را کنار نمی‌گذارد؛ بلکه آن را در معرض داده، شواهد و پیش‌بینی قرار می‌دهد.

و در جهت معکوس، داده و AI را نیز بدون قید نمی‌پذیرد؛ بلکه آن‌ها را در معرض قضاوت، زمینه، ارزش‌ها و مسئولیت مدیریتی قرار می‌دهد.

تحول بنیادین مدیریت در عصر هوش مصنوعی دقیقاً در همین نقطه رخ می‌دهد:

تصمیم مدیریتی از محصول ذهن منفرد مدیر، به محصول یک سیستم اجتماعی ـ فنی متشکل از انسان، داده، مدل و سازمان تبدیل می‌شود.

منابع

Brynjolfsson, E., Hitt, L. M., & Kim, H. H. (2011). Strength in numbers: How does data-driven decisionmaking affect firm performance? Working paper.

Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942.

Cyert, R. M., & March, J. G. (1963). A behavioral theory of the firm. Prentice-Hall.

Dane, E., & Pratt, M. G. (2007). Exploring intuition and its role in managerial decision making. Academy of Management Review, 32(1), 33–54.

Davenport, T. H. (2006). Competing on analytics. Harvard Business Review, 84(1), 98–107.

Duan, Y., Edwards, J. S., & Dwivedi, Y. K. (2019). Artificial intelligence for decision making in the era of Big Data: Evolution, challenges and research agenda. International Journal of Information Management, 48, 63–71.

Eisenhardt, K. M. (1989). Making fast strategic decisions in high-velocity environments. Academy of Management Journal, 32(3), 543–576.

Faraj, S., Pachidi, S., & Sayegh, K. (2018). Working and organizing in the age of the learning algorithm. Information and Organization, 28(2), 62–70.

Ghasemaghaei, M., Ebrahimi, S., & Hassanein, K. (2018). Data analytics competency for improving firm decision making performance. The Journal of Strategic Information Systems, 27(1), 101–113.

Gigerenzer, G., & Brighton, H. (2009). Homo heuristicus: Why biased minds make better inferences. Topics in Cognitive Science, 1(1), 107–143.

Glikson, E., & Woolley, A. W. (2020). Human trust in artificial intelligence: Review of empirical research. Academy of Management Annals, 14(2), 627–660.

Jarrahi, M. H. (2018). Artificial intelligence and the future of work: Human-AI symbiosis in organizational decision making. Business Horizons, 61(4), 577–586.

Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.

Kahneman, D., & Klein, G. (2009). Conditions for intuitive expertise: A failure to disagree. American Psychologist, 64(6), 515–526.

Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work: The new contested terrain of control. Academy of Management Annals, 14(1), 366–410.

March, J. G. (1994). A primer on decision making: How decisions happen. Free Press.

March, J. G., & Simon, H. A. (1958). Organizations. Wiley.

McAfee, A., & Brynjolfsson, E. (2012). Big Data: The management revolution. Harvard Business Review, 90(10), 60–68.

Mikalef, P., & Gupta, M. (2021). Artificial intelligence capability: Conceptualization, measurement calibration, and empirical study on its impact on organizational creativity and firm performance. Information & Management, 58(3), 103434.

Mintzberg, H. (1973). The nature of managerial work. Harper & Row.

Murray, A., Rhymer, J., & Sirmon, D. G. (2021). Humans and technology: Forms of conjoined agency in organizations. Academy of Management Review, 46(3), 552–571.

Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192.

Pfeffer, J., & Sutton, R. I. (2006). Evidence-based management. Harvard Business Review, 84(1), 62–74.

Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation–augmentation paradox. Academy of Management Review, 46(1), 192–210.

Rousseau, D. M. (2006). Is there such a thing as “evidence-based management”? Academy of Management Review, 31(2), 256–269.

Sadler-Smith, E., & Shefy, E. (2004). The intuitive executive: Understanding and applying “gut feel” in decision-making. Academy of Management Executive, 18(4), 76–91.

Shmueli, G., & Koppius, O. R. (2011). Predictive analytics in information systems research. MIS Quarterly, 35(3), 553–572.

Shrestha, Y. R., Ben-Menahem, S. M., & von Krogh, G. (2019). Organizational decision-making structures in the age of artificial intelligence. California Management Review, 61(4), 66–83.

Simon, H. A. (1947). Administrative behavior: A study of decision-making processes in administrative organization. Macmillan.

Simon, H. A. (1955). A behavioral model of rational choice. The Quarterly Journal of Economics, 69(1), 99–118.

Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131. Wamba, S. F., Gunasekaran, A., Akter, S., Ren, S. J.-F., Dubey, R., & Childe, S. J. (2017). Big data analytics and firm performance: Effects of dynamic capabilities. International Journal of Pr