معمار سیستم تصمیم‌گیری؛ تحول نقش مدیر در عصر هوش مصنوعی

 1.تغییر ماهیت تصمیم‌گیری مدیریتی در عصر هوش مصنوعی

یکی از عمیق‌ترین پیامدهای ورود هوش مصنوعی به مدیریت، صرفاً افزایش سرعت تحلیل اطلاعات یا خودکارشدن برخی وظایف نیست؛ تغییر مهم‌تر در ماهیت خود تصمیم‌گیری مدیریتی رخ می‌دهد. در الگوی سنتی، مدیر معمولاً به‌عنوان بازیگر اصلی تصمیم تصور می‌شد: اطلاعات را دریافت می‌کند، گزینه‌ها را می‌سنجد، قضاوت می‌کند و در نهایت تصمیم می‌گیرد. حتی هنگامی که کارشناسان، سیستم‌های اطلاعاتی یا مدل‌های کمی در فرایند مشارکت داشتند، نقطه ثقل تصمیم غالباً شخص مدیر بود.

1.1.از تصمیم‌گیرنده منفرد تا سیستم تصمیم‌گیری اجتماعی ـ فنی

هوش مصنوعی این واحد تحلیل را تغییر می‌دهد. در بسیاری از سازمان‌ها، تصمیم دیگر محصول یک ذهن منفرد نیست، بلکه خروجی یک سیستم اجتماعی ـ فنی است که داده، الگوریتم، مدل‌های پیش‌بینی، قواعد سازمانی، قضاوت انسانی و سازوکارهای بازخورد در آن با یکدیگر تعامل دارند.

1.2.چرا واحد تحلیل تصمیم‌گیری مدیریتی تغییر کرده است؟

در چنین محیطی، سؤال مدیریتی دیگر فقط این نیست که:

«مدیر چه تصمیمی باید بگیرد؟»

بلکه پرسش بنیادی‌تر آن است که:

«سیستمی که تصمیم را تولید می‌کند چگونه باید طراحی شود؟»

1.3.: مفهوم مدیر به‌عنوان معمار سیستم تصمیم‌گیری

از این منظر، نقش مدیر به‌تدریج از «تصمیم‌گیرنده منفرد» به معمار سیستم تصمیم‌گیری تغییر می‌کند.

اصطلاح «معمار سیستم تصمیم‌گیری» در اینجا به مدیری اشاره دارد که مسئولیت او صرفاً انتخاب میان گزینه‌های موجود نیست؛ بلکه باید تعیین کند چه داده‌ای وارد تصمیم شود، چه الگوریتمی آن را پردازش کند، چه پیش‌بینی‌ای معتبر تلقی شود، کجا قضاوت انسانی ضرورت دارد، چه مقدار اختیار به ماشین واگذار شود و نتایج تصمیم چگونه به چرخه یادگیری سازمان بازگردند.

این برداشت با هدف تحلیل هوش مصنوعی به‌عنوان یک «قابلیت سازمانی»، نه صرفاً ابزار فناوری، سازگار است. در چارچوب نگارشی کتاب نیز تأکید شده است که تحلیل باید پیوند میان قابلیت AI، تغییر فرایند سازمانی، تغییر تصمیم مدیریتی و پیامد سازمانی را روشن کند.

2.ریشه‌های نظری تغییر تصمیم‌گیری مدیریتی

2.1.عقلانیت محدود و محدودیت‌های تصمیم انسانی

نقطه آغاز مناسب برای تحلیل این تحول، نظریه عقلانیت محدود هربرت سایمون است. سایمون با نقد تصویر «انسان اقتصادی کاملاً عقلانی» نشان داد که تصمیم‌گیرندگان در عمل با محدودیت اطلاعات، زمان و ظرفیت شناختی مواجه‌اند. آنان نمی‌توانند همه گزینه‌ها و پیامدهای ممکن را محاسبه کنند و در بسیاری از موارد به‌جای بیشینه‌سازی، به گزینه‌ای رضایت‌بخش بسنده می‌کنند (Simon, 1947/1997).

این دیدگاه اهمیت ویژه‌ای برای تحلیل AI دارد. اگر یکی از محدودیت‌های بنیادی تصمیم‌گیری انسانی، ظرفیت محدود برای پردازش اطلاعات باشد، افزایش شدید ظرفیت محاسباتی می‌تواند مرزهای عقلانیت عملی سازمان را جابه‌جا کند. بااین‌حال، افزایش قدرت پردازش به معنای حذف همه محدودیت‌های تصمیم نیست. ماشین می‌تواند میلیون‌ها مشاهده را پردازش کند، اما همچنان مسئله تعریف هدف، انتخاب متغیرهای معنادار، تفسیر پیامدها و تعیین ارزش‌های قابل قبول باقی می‌ماند.

2.2.سازمان به‌عنوان سیستم پردازش اطلاعات

مکتب کارنگی نیز تصمیم را فرایندی سازمانی دانست، نه صرفاً محصول ذهن فرد. آثار March و Simon و سپس Cyert و March نشان دادند که اهداف، رویه‌ها، قواعد جست‌وجو، ائتلاف‌های سازمانی و یادگیری از تجربه بر انتخاب‌ها اثر می‌گذارند. از این منظر، حتی پیش از ظهور AI نیز «تصمیم‌گیرنده منفرد» تصویری ساده‌شده از تصمیم سازمانی بود.

هوش مصنوعی این واقعیت را آشکارتر می‌کند: تصمیم به‌طور فزاینده درون یک معماری توزیع‌شده ساخته می‌شود.

2.3. سازمان به‌عنوان سیستم پردازش اطلاعات

Galbraith (1974) و Tushman و Nadler (1978) سازمان را از زاویه ظرفیت پردازش اطلاعات بررسی کردند. اصل محوری این دیدگاه آن است که هرچه عدم‌قطعیت وظایف افزایش یابد، سازمان به ظرفیت بیشتری برای پردازش اطلاعات نیاز خواهد داشت. Galbraith حتی طراحی سازمان را با مسئله مقابله با محدودیت‌های شناختی مرتبط می‌کند.

Daft و Lengel (1986) تمایز مهم دیگری میان عدم‌قطعیت و ابهام یا چندمعنایی مطرح کردند. عدم‌قطعیت را ممکن است با اطلاعات بیشتر کاهش داد، اما در شرایط چندمعنایی مسئله فقط کمبود داده نیست؛ مسئله این است که بازیگران درباره معنای داده یا حتی ماهیت مسئله توافق ندارند.

این تمایز برای عصر AI بسیار مهم است. هوش مصنوعی می‌تواند در کاهش برخی اشکال عدم‌قطعیت بسیار مؤثر باشد، اما لزوماً نمی‌تواند اختلاف درباره اهداف، ارزش‌ها یا معنای یک وضعیت را حل کند. بنابراین حتی افزایش قدرت تحلیلی ماشین، نیاز به قضاوت مدیریتی را از بین نمی‌برد؛ بلکه ممکن است آن را از «محاسبه» به سمت «تفسیر و طراحی» منتقل کند.

2.4.چرا مدل فردمحور تصمیم‌گیری دیگر کافی نیست؟

نمای ساده‌شده تصمیم‌گیری سنتی را می‌توان چنین نمایش داد:

اطلاعات → ادراک مدیر → تحلیل → قضاوت → تصمیم → اقدام

در این الگو، مدیر محل اصلی ترکیب اطلاعات است. حتی اگر گزارش‌های مالی، پژوهش بازار یا نظر کارشناسان وجود داشته باشد، یکپارچه‌سازی نهایی عمدتاً در ذهن تصمیم‌گیرنده صورت می‌گیرد.

از نظر ریاضی می‌توان این تصویر را به‌طور انتزاعی چنین نمایش داد:

که در آن:

• 
  (D_t) : تصمیم مدیر در زمان (t)؛
• 
   (X_t): اطلاعاتی که مدیر در اختیار دارد؛
• 
   (C_t): شرایط و زمینه تصمیم؛
• 
  (H): فرایند قضاوت انسانی است.

این مدل نباید به‌عنوان مدل رفتاری واقعی ذهن انسان تلقی شود؛ هدف آن فقط نمایش یک فرض سازمانی است: مرکز ثقل پردازش و انتخاب، انسان است.

این معماری با سه محدودیت مواجه است.

نخست، حجم اطلاعاتی که مدیر می‌تواند واقعاً پردازش کند محدود است.

دوم، قضاوت انسانی در معرض میان‌برهای شناختی و سوگیری‌هایی قرار دارد. پژوهش کلاسیک Tversky و Kahneman (1974) نشان داد که افراد در قضاوت تحت عدم‌قطعیت از میان‌برهایی مانند نمایندگی، دسترس‌پذیری و لنگرگیری استفاده می‌کنند که می‌توانند به خطاهای نظام‌مند منجر شوند.

سوم، قضاوت انسانی ممکن است از نظر سازگاری و تکرارپذیری ضعیف باشد. ادبیات قدیمی‌تر مقایسه قضاوت آماری و انسانی نیز نشان داده است که در بسیاری از وظایف پیش‌بینی ساختاریافته، روش‌های آماری می‌توانند از قضاوت غیرساختاریافته متخصصان دقیق‌تر عمل کنند (Meehl, 1954; Dawes et al., 1989).

بااین‌حال، نتیجه این پژوهش‌ها آن نیست که همه تصمیم‌ها را می‌توان یا باید به الگوریتم واگذار کرد. بخش مهمی از تصمیم مدیریت شامل تعریف مسئله، ارزش‌گذاری پیامدها، مدیریت استثناها و تفسیر شرایطی است که ممکن است در داده‌های تاریخی وجود نداشته باشند.

2.5.سه تحول هم‌زمان موجب تغییر معماری تصمیم شده‌اند.

اول، دیجیتالی‌شدن فعالیت سازمانی حجم عظیمی از داده درباره مشتری، عملیات، کارکنان، زنجیره تأمین و محیط بازار ایجاد کرده است. Varian (2014) نشان می‌دهد که مقیاس و تنوع داده‌های جدید امکان استفاده از روابط انعطاف‌پذیرتر و روش‌های یادگیری ماشین را افزایش داده است.

دوم، پیشرفت یادگیری ماشین هزینه استخراج پیش‌بینی از داده را کاهش داده است. Agrawal، Gans و Goldfarb این تحول را از منظر اقتصادی به‌عنوان کاهش هزینه «پیش‌بینی» مفهوم‌سازی کرده‌اند.

سوم، سیستم‌های جدید دیگر فقط گزارش تولید نمی‌کنند. آن‌ها می‌توانند گزینه پیشنهاد کنند، متن و تحلیل ایجاد کنند، تراکنش را اجرا کنند و در نسل‌های عامل‌محور حتی زنجیره‌ای از اقدامات را برای رسیدن به یک هدف سازمان دهند.

نتیجه این تحولات آن است که مدیر دیگر تنها «محل محاسبه» نیست.

مرکز ثقل تصمیم از ذهن یک فرد به مجموعه‌ای از اجزای مرتبط انتقال پیدا می‌کند:

بنابراین موضوع طراحی تصمیم از توانایی فردی مدیر به کیفیت کل معماری تصمیم تغییر می‌کند.

3.معماری سیستم تصمیم‌گیری مبتنی بر هوش مصنوعی

سیستم تصمیم‌گیری هوشمند را می‌توان مجموعه‌ای از اجزای فنی و سازمانی دانست که اطلاعات را دریافت، پردازش و تفسیر می‌کنند و آن‌ها را به تصمیم و سپس اقدام تبدیل می‌کنند.

پنج جزء محوری آن عبارت‌اند از:

1.   داده؛
2.   الگوریتم؛
3.   مدل پیش‌بینی؛
4.   قضاوت انسانی؛
5.   بازخورد سازمانی.

این اجزا مستقل نیستند.

کیفیت پیش‌بینی به کیفیت داده وابسته است. نحوه ساخت الگوریتم تعیین می‌کند چه الگوهایی دیده شوند. قضاوت مدیر تعیین می‌کند پیش‌بینی چگونه به اقدام تبدیل شود. اقدام، محیط را تغییر می‌دهد و داده جدید ایجاد می‌کند. داده جدید نیز ممکن است در آموزش بعدی مدل مورد استفاده قرار گیرد.

در نتیجه، سیستم تصمیم ساختاری حلقوی دارد، نه خطی.

3.1.اجزای اصلی سیستم تصمیم هوشمند

داده: زیرساخت ادراکی سیستم تصمیم

پس داده در سیستم هوشمند همان چیزی نیست که «واقعیت» باشد؛ داده نمایش انتخاب‌شده‌ای از واقعیت سازمانی است.

این تمایز اهمیت مدیریتی زیادی دارد.

پیش از اینکه الگوریتم بتواند تحلیلی انجام دهد، سازمان باید تعیین کند:

• چه چیزی اندازه‌گیری شود؛
• با چه تعریفی اندازه‌گیری شود؛
• چه داده‌ای ذخیره شود؛
• چه کسانی به آن دسترسی داشته باشند؛
• داده با چه دوره زمانی به‌روزرسانی شود؛
• و کدام متغیرها مشروع است در یک تصمیم مورد استفاده قرار گیرند.

بنابراین کیفیت سیستم تصمیم پیش از الگوریتم آغاز می‌شود.

Khatri و Brown (2010) حاکمیت داده را مسئله‌ای سازمانی معرفی می‌کنند و نشان می‌دهند که ارزش داده به تعیین حقوق تصمیم و مسئولیت‌ها درباره آن وابسته است.

اگر سازمان متغیر اشتباه را اندازه‌گیری کند، الگوریتم ممکن است همان اشتباه را با سرعت و مقیاس بیشتر تکرار کند.

مثلاً اگر «عملکرد فروشنده» فقط بر اساس درآمد ماهانه اندازه‌گیری شود، مدل ممکن است رفتارهایی را مطلوب تلقی کند که فروش کوتاه‌مدت را افزایش می‌دهند ولی حاشیه سود، رضایت مشتری یا ارزش طول عمر مشتری را کاهش می‌دهند.

در چنین حالتی، خطا نه در محاسبات الگوریتم بلکه در معماری داده و تعریف موفقیت قرار دارد.

3.2. الگوریتم؛ تبدیل داده به استنباط مدیریتی

الگوریتم تعیین می‌کند داده چگونه به طبقه‌بندی، امتیاز، توصیه یا پیش‌بینی تبدیل شود.

در تصمیم‌گیری سنتی، بسیاری از قواعد پردازش در ذهن متخصص باقی می‌ماندند. در تصمیم الگوریتمی، بخشی از منطق پردازش به کد، قواعد رسمی یا روابط آموخته‌شده از داده منتقل می‌شود.

این انتقال دو پیامد متضاد دارد.

از یک‌سو، تصمیم می‌تواند:

• تکرارپذیرتر؛
• سریع‌تر؛
• مقیاس‌پذیرتر؛
• و از نظر آماری سازگارتر شود.

از سوی دیگر، بخشی از منطق تصمیم ممکن است برای کاربران سازمانی کمتر قابل مشاهده شود.

Faraj، Pachidi و Sayegh (2018) از ویژگی‌هایی مانند عملکرد جعبه‌سیاه، دیجیتالی‌شدن گسترده و کمّی‌سازی پیش‌نگرانه به‌عنوان خصوصیات مهم الگوریتم‌های یادگیرنده یاد می‌کنند و استدلال می‌کنند که این فناوری‌ها می‌توانند مرزهای تخصص و کنترل سازمانی را تغییر دهند.

Kellogg، Valentine و Christin (2020) نیز نشان می‌دهند الگوریتم‌ها فقط ابزار تحلیل نیستند؛ می‌توانند به سازوکارهای جدید کنترل، ارزیابی و هدایت کار تبدیل شوند.

در نتیجه، انتخاب الگوریتم مسئله‌ای صرفاً فنی نیست. هر الگوریتم به‌طور ضمنی مشخص می‌کند چه اطلاعاتی مهم تلقی شوند، چه معیارهایی بهینه شوند و چه مواردی خارج از دید سیستم بمانند.

4.نقش مدل‌های پیش‌بینی در تصمیم‌های مدیریتی

مدل پیش‌بینی را می‌توان به‌شکل عمومی چنین نمایش داد:

که در آن:

• (X_t): داده‌های در دسترس در زمان (t)؛
• (θ): پارامترهای آموخته‌شده مدل؛
• (f_θ): تابع پیش‌بینی؛
• (ŷ_t+1): برآورد پیامد آینده است.

مثلاً:

• احتمال ترک مشتری؛
• میزان تقاضای دوره بعد؛
• ریسک نکول؛
• احتمال خرابی تجهیز؛
• یا احتمال پذیرش پیشنهاد فروش.

نکته بنیادی این است که:

Prediction ≠ Decision

پیش‌بینی پاسخ می‌دهد «چه چیزی احتمالاً رخ خواهد داد؟»

اما تصمیم باید مشخص کند «با توجه به این پیش‌بینی، چه اقدامی مطلوب است؟»

Shmueli (2010) بر تمایز میان مدل‌هایی که برای توضیح ساخته می‌شوند و مدل‌هایی که برای پیش‌بینی طراحی شده‌اند تأکید می‌کند.

Mullainathan و Spiess (2017) نیز یادگیری ماشین را به‌طور ویژه با مسئله پیش‌بینی مرتبط می‌دانند، نه لزوماً برآورد روابط علّی.

این تمایز برای مدیر حیاتی است.

4.1.چرا Prediction با Decision یکسان نیست؟

اگر مدل نشان دهد مشتریانی که تماس بیشتری با مرکز پشتیبانی دارند احتمال ترک بالاتری دارند، نمی‌توان نتیجه گرفت کاهش تماس پشتیبانی موجب کاهش ترک خواهد شد. رابطه پیش‌بینانه ممکن است ناشی از این باشد که مشتریان ناراضی بیشتر تماس می‌گیرند.

بنابراین:

Correlation or Prediction ≠ Causal Effect

یک معمار تصمیم باید بداند چه زمانی به پیش‌بینی نیاز دارد و چه زمانی تصمیم مستلزم شناخت اثر علّی یک اقدام است.

Kleinberg و همکاران (2015) نیز نشان داده‌اند که برخی مسائل تصمیم واقعاً «مسائل پیش‌بینی» هستند، اما این امر نباید موجب اختلاط آن‌ها با پرسش‌های مداخله‌ای و علّی شود.

4.2. نقش قضاوت انسانی در تفسیر خروجی AI

حتی اگر AI پیش‌بینی کند احتمال فروش محصول A برابر ۷۰ درصد و محصول B برابر ۵۰ درصد است، هنوز تصمیمی گرفته نشده است.

مدیر باید مشخص کند:

• سود هر فروش چقدر است؛
• هزینه فرصت چیست؛
• چه ریسکی قابل قبول است؛
• آیا محدودیت ظرفیت وجود دارد؛
• پیامد تصمیم برای مشتری چیست؛
• آیا تصمیم با سیاست و ارزش‌های سازمان سازگار است.

بنابراین می‌توان تصمیم را به‌طور مفهومی چنین نمایش داد:

که در آن:

• (a_t): اقدام منتخب؛
• (P_θ(Y|X_t)): پیش‌بینی مدل؛
• (J_t): قضاوت انسانی؛
• (C_t): محدودیت‌ها و شرایط محیطی؛
• (G_t): اهداف و ارزش‌های سازمانی؛
• (π):معماری تبدیل پیش‌بینی به اقدام است.

این رابطه یک مدل تجربی آزمون‌شده نیست؛ بلکه مدلی مفهومی برای تفکیک اجزای تصمیم است.

Agrawal، Gans و Goldfarb میان prediction و judgment تمایز می‌گذارند: کاهش هزینه پیش‌بینی لزوماً ارزش قضاوت را از بین نمی‌برد؛ در برخی شرایط حتی می‌تواند اهمیت تعیین پیامدها و ارزش‌گذاری حالات مختلف را بیشتر کند.

Jarrahi (2018) نیز استدلال می‌کند که AI در پردازش حجم و پیچیدگی اطلاعات مزیت دارد، درحالی‌که انسان همچنان می‌تواند در مواجهه با ابهام، عدم‌قطعیت و فهم کل‌نگر زمینه نقش مکمل ایفا کند.

بنابراین آینده تصمیم‌گیری مدیریتی را نباید الزاماً به‌صورت:

انسان یا AI

تصور کرد، بلکه مسئله اصلی تعیین تقسیم کار مناسب میان توان محاسباتی و قضاوت انسانی است.

5.چرخه یادگیری سازمانی در سیستم‌های تصمیم هوشمند

تصمیم زمانی پایان نمی‌یابد که اقدام اجرا شود.

هر تصمیم یک پیامد ایجاد می‌کند و پیامد می‌تواند داده جدیدی برای تصمیم بعدی باشد.

چرخه کامل به‌صورت زیر است:

این حلقه نقطه اتصال AI با نظریه یادگیری سازمانی است.

Levitt و March (1988) سازمان را سیستمی می‌دانند که استنباط‌های حاصل از تجربه را در قواعد و رویه‌ها ذخیره می‌کند.

March (1991) نیز نشان می‌دهد یادگیری سازمانی میان بهره‌برداری از دانش موجود و کاوش امکانات جدید با تنشی اساسی مواجه است.

هوش مصنوعی می‌تواند سرعت این چرخه را بسیار افزایش دهد، اما یک خطر جدید نیز ایجاد می‌کند: بازخورد ممکن است درون همان سیستم تولید شود که قرار است از آن یاد بگیرد.

5.1. بازخورد سازمانی و بهبود مستمر تصمیم‌ها

فرض کنید مدل اعتباری، برخی مشتریان را پرریسک تشخیص می‌دهد و سازمان به آن‌ها وام نمی‌دهد. چون این افراد وامی دریافت نکرده‌اند، سازمان هرگز مشاهده نمی‌کند که آیا واقعاً نکول می‌کردند یا خیر. در نتیجه داده آینده تحت تأثیر تصمیم قبلی مدل قرار گرفته است.

بنابراین:

و داده جدید دیگر مستقل از مدل قبلی نیست.

این پدیده اهمیت معماری بازخورد، آزمایش، ممیزی و یادگیری را افزایش می‌دهد.

5.2.مدل یکپارچه تصمیم‌گیری انسان ـ هوش مصنوعی

بر مبنای بحث‌های فوق، می‌توان مدل مفهومی زیر را برای تصمیم‌گیری مدیریتی پیشنهاد کرد:

و پیامد تصمیم را چنین نوشت:

سپس چرخه یادگیری:

تعریف متغیرها:

• (D_t): تصمیم در زمان (t)؛
• (X_t) :داده موجود؛
• (A_θ): الگوریتم یا مدل با پارامترهای (θ)؛
• (Ŷ_{t+1}) :پیش‌بینی پیامد آینده؛
• (J_t): قضاوت انسانی؛
• (C_t): محدودیت‌های تصمیم؛
• (G_t): اهداف و ارزش‌های سازمان؛
• (O_t) :پیامد مشاهده‌شده تصمیم؛
• (E_t):عوامل محیطی خارج از کنترل؛
• (ε_t):عوامل مشاهده‌نشده؛
• (F_t): اطلاعات بازخورد؛
• (H) :سازوکار یادگیری و به‌روزرسانی سیستم است.

اهمیت مدیریتی مدل در این است که کیفیت تصمیم را دیگر نمی‌توان فقط به «توانایی مدیر» یا «دقت الگوریتم» نسبت داد.

تصمیم، حاصل تعامل اجزای سیستم است.

یک مدل بسیار دقیق در کنار داده نامعتبر می‌تواند شکست بخورد. مدل دقیق در کنار تابع هدف نامناسب نیز می‌تواند تصمیم بد ایجاد کند. حتی مدل و هدف مناسب در صورت قضاوت انسانی ضعیف یا بازخورد ناقص می‌توانند ارزش سازمانی محدودی ایجاد کنند.

نسخه LaTeX:

6.معماری همکاری مدیر و هوش مصنوعی

منطق تحول را می‌توان به شکل زنجیره زیر خلاصه کرد:

دیجیتالی‌شدن فعالیت‌ها

↓

افزایش حجم و تنوع داده

↓

افزایش قابلیت پیش‌بینی و تحلیل الگوریتمی

↓

انتقال بخشی از پردازش شناختی از مدیر به سیستم

↓

توزیع تصمیم میان انسان و ماشین

↓

افزایش اهمیت طراحی تعامل، اهداف و کنترل

↓

تغییر نقش مدیر از تصمیم‌گیرنده موردی به معمار سیستم تصمیم

این سازوکار نشان می‌دهد تغییر نقش مدیر ناشی از «باهوش‌ترشدن ماشین» به‌تنهایی نیست.

عامل تعیین‌کننده آن است که بخش‌هایی از فرایند تصمیم ـ کسب اطلاعات، تحلیل، پیش‌بینی، توصیه و اقدام ـ قابل انتقال به سیستم‌های دیجیتال شده‌اند.

Parasuraman، Sheridan و Wickens (2000) نیز اتوماسیون را در چهار حوزه کسب اطلاعات، تحلیل اطلاعات، انتخاب تصمیم و اجرای اقدام تفکیک می‌کنند و تأکید دارند که هر یک می‌تواند سطح متفاوتی از اتوماسیون داشته باشد.

درنتیجه معماری تصمیم ممکن است به‌جای «انسان یا ماشین» شامل ترکیب‌های مختلفی از آن‌ها باشد.

6.1. مدل‌های مختلف تقسیم کار میان انسان و AI

Shrestha، Ben-Menahem و von Krogh (2019) سه ساختار بنیادی برای ترکیب تصمیم انسانی و AI مطرح می‌کنند:

1.   تفویض کامل تصمیم به AI؛
2.   تصمیم‌گیری متوالی انسان ـ AI یا AI ـ انسان؛
3.   تجمیع قضاوت انسانی و الگوریتمی.

این چارچوب نشان می‌دهد معماری تصمیم متغیری سازمانی است.

6.2.تفویض تصمیم، تصمیم متوالی و تجمیع قضاوت‌ها

برای مثال، در یک تصمیم استخدامی می‌توان حداقل چهار طراحی متفاوت داشت:

• طرح اول:

AI فقط اطلاعات رزومه‌ها را استخراج کند و مدیر تصمیم بگیرد.

• طرح دوم:

AI افراد را رتبه‌بندی کند و مدیر انتخاب نهایی را انجام دهد.

• طرح سوم:

انسان و AI مستقلاً ارزیابی کنند و امتیازهای آن‌ها ترکیب شود.

• طرح چهارم:

AI در محدوده تعریف‌شده تصمیم را خودکار اتخاذ کند و فقط موارد استثنایی به انسان ارجاع شوند.

فناوری در هر چهار حالت ممکن است یکسان باشد، اما معماری حاکمیت و مسئولیت تصمیم کاملاً متفاوت است.

از این رو یکی از وظایف اصلی مدیر آینده انتخاب مدل مناسب تقسیم اختیار است.

6.3. چرا ترکیب انسان و AI همیشه نتیجه بهتر ایجاد نمی‌کند؟

یکی از فرض‌های رایج درباره همکاری انسان و AI این است:

Human+AI>Human

و حتی:

Human+AI>AI

اما شواهد تجربی چنین نتیجه عمومی‌ای را تأیید نمی‌کنند.

Fügener و همکاران (2022) در آزمایش‌های خود نشان دادند همکاری انسان و AI می‌تواند از عملکرد AI تنها بهتر شود، اما این برتری به معماری تفویض وابسته بود. زمانی که AI تصمیم می‌گرفت کدام موارد را به انسان ارجاع دهد، نتایج بهتر بود؛ درحالی‌که انسان‌ها در تشخیص اینکه کدام مسائل را باید به AI واگذار کنند عملکرد ضعیف‌تری داشتند. نویسندگان این مشکل را به ضعف در «فراشناخت» یا شناخت فرد از حدود توانایی خودش مرتبط کردند.

یافته مهم‌تری از مرور نظام‌مند و فراتحلیل Vaccaro، Almaatouq و Malone (2024) حاصل شده است. آنان ۱۰۶ آزمایش و ۳۷۰ اندازه اثر را بررسی کردند. در مجموع، ترکیب انسان و AI به‌طور متوسط بهتر از بهترینِ انسان یا AI به‌تنهایی نبود و در وظایف تصمیم‌گیری، اثر هم‌افزایی به‌طور متوسط منفی بود. در مقابل، الگو برای وظایف تولید محتوا امیدوارکننده‌تر بود.

این نتیجه برای نظریه «مدیر به‌عنوان معمار تصمیم» بسیار مهم است:

صرف اضافه‌کردن انسان به AI یا AI به انسان، هم‌افزایی ایجاد نمی‌کند.

هم‌افزایی باید طراحی شود.

7. مسئله اعتماد: نه کم، نه زیاد

معماری تصمیم فقط مسئله تقسیم وظایف نیست؛ مسئله اعتماد نیز هست.

Dietvorst، Simmons و Massey (2015) نشان دادند افراد پس از مشاهده خطای الگوریتم ممکن است اعتماد خود را سریع‌تر از حالتی که انسان خطا می‌کند از دست بدهند؛ پدیده‌ای که «گریز از الگوریتم» نامیده شده است.

اما عکس این وضعیت نیز مشاهده شده است. Logg، Minson و Moore (2019) در مجموعه‌ای از آزمایش‌ها دریافتند افراد در برخی شرایط وزن بیشتری به توصیه‌ای می‌دهند که تصور می‌کنند توسط الگوریتم تولید شده است؛ پدیده‌ای که «پذیرش یا ترجیح الگوریتمی» نامیده می‌شود.

بنابراین مسئله مطلوب این نیست که مدیران باید «به AI اعتماد کنند» یا «به AI اعتماد نکنند».

هدف باید رسیدن به:

اعتماد متناسب با قابلیت واقعی سیستم

باشد.

مرور Glikson و Woolley (2020) نیز نشان می‌دهد اعتماد به AI یک سازه چندبعدی است و ویژگی‌های سیستم و شکل تعامل انسان ـ AI در شکل‌گیری آن اهمیت دارند.

برای معمار سیستم تصمیم، اعتماد یک متغیر طراحی است.

8. شواهد جدید درباره AI در کار دانشی

هوش مصنوعی مولد ابعاد تازه‌ای به معماری تصمیم افزوده است؛ زیرا AI دیگر فقط عدد یا رتبه تولید نمی‌کند، بلکه می‌تواند تحلیل، استدلال اولیه، گزینه و متن تولید کند.

در آزمایش Noy و Zhang (2023) بر ۴۵۳ متخصص تحصیل‌کرده، استفاده از ChatGPT در مجموعه‌ای از وظایف نگارشی حرفه‌ای، زمان متوسط انجام کار را حدود ۴۰ درصد کاهش داد و کیفیت خروجی را حدود ۱۸ درصد افزایش داد. این نتایج در محدوده وظایف مطالعه‌شده یک اثر علّی بهره‌وری را نشان می‌دهد و نباید به همه انواع کار مدیریتی تعمیم داده شود.

Brynjolfsson، Li و Raymond در مطالعه معرفی تدریجی یک دستیار AI برای ۵٬۱۷۲ کارمند پشتیبانی مشتری، افزایش متوسط حدود ۱۵ درصد در بهره‌وری مشاهده کردند و مزایا برای کارکنان کم‌تجربه‌تر بیشتر بود.

در مقابل، پژوهش Dell’Acqua و همکاران درباره مشاوران مدیریت نشان می‌دهد قابلیت AI دارای «مرز دندانه‌دار» است: در برخی وظایف، استفاده از AI عملکرد را به‌شدت بهبود می‌دهد، اما در مسائلی که خارج از محدوده توان سیستم قرار دارند می‌تواند احتمال رسیدن به پاسخ صحیح را کاهش دهد.

نتیجه مدیریتی روشن است:

وظیفه مدیر فقط «استفاده از AI» نیست؛ بلکه باید بداند کدام مسئله را به کدام ترکیب انسان ـ ماشین واگذار کند.

9.  مدیر به‌عنوان معمار سیستم تصمیم‌گیری

وقتی تصمیم از یک عمل فردی به یک سیستم تبدیل می‌شود، وظایف مدیر نیز تغییر می‌کنند.

9.1. تعریف مسئله

پیش از ساخت مدل باید مشخص شود مسئله واقعی چیست.

برای مثال:

«کدام مشتری احتمال خرید بیشتری دارد؟»

با:

«برای کدام مشتری باید منابع فروش بیشتری تخصیص دهیم؟»

یکسان نیست.

پرسش اول پیش‌بینانه و پرسش دوم تصمیمی است.

9.2. تعریف تابع هدف

مدیر باید مشخص کند «تصمیم خوب» دقیقاً چیست.

آیا هدف:

• فروش بیشتر؛
• سود بیشتر؛
• کاهش ریسک؛
• افزایش رضایت مشتری؛
• افزایش سهم بازار؛

· یا ترکیبی از آن‌هاست؟

یک الگوریتم نمی‌تواند ابهام در هدف سازمان را به‌تنهایی حل کند.

9.3. طراحی معماری داده

مدیر باید اطمینان حاصل کند داده:

• مربوط؛
• کافی؛
• باکیفیت؛
• به‌روز؛
• مشروع؛

· و فاقد سوگیری‌های غیرقابل قبول باشد.

9.4. تعیین وظیفه الگوریتم

هر مسئله نیازمند AI نیست و هر کاربرد AI نیز نیازمند پیشرفته‌ترین مدل نیست.

گاهی یک قاعده ساده، مدل آماری یا سیستم توصیه‌گر کافی است.

9.5. تعیین محل قضاوت انسانی

باید مشخص شود انسان:

• قبل از AI؛
• پس از AI؛
• در کنار AI؛

· یا فقط در شرایط استثنایی

وارد تصمیم شود.

9.6. طراحی حدود اختیار

سیستم چه کاری می‌تواند انجام دهد؟

چه تصمیمی باید حتماً تأیید انسانی دریافت کند؟

چه آستانه‌ای موجب توقف یا ارجاع تصمیم می‌شود؟

9.7. طراحی رابط تصمیم

حتی مدل دقیق نیز اگر خروجی آن به‌شکل نامناسب به مدیر ارائه شود می‌تواند به تصمیم ضعیف منجر شود.

باید مشخص شود:

• چه چیزی نمایش داده شود؛
• احتمال چگونه بیان شود؛
• عدم‌قطعیت چگونه منتقل شود؛
• توضیحات چه زمانی لازم‌اند؛
• و چه مقدار اطلاعات باعث بار شناختی خواهد شد.

9.8. طراحی بازخورد

پس از تصمیم باید مشخص شود:

• نتیجه چگونه سنجیده شود؛
• کدام شاخص‌ها بازگردند؛
• مدل چه زمانی بازآموزی شود؛
• و چگونه اثر تصمیم از تغییرات محیطی تفکیک شود.

9.9. تخصیص مسئولیت

• اگر AI توصیه‌ای ارائه دهد و مدیر آن را تأیید کند، مسئول خطا کیست؟
• اگر سیستم کاملاً خودکار باشد چه واحدی مالک پیامد تصمیم است؟
• این پرسش‌ها نشان می‌دهند معماری AI مستقیماً به حاکمیت سازمانی مربوط می‌شود.

10.خطرات معماری تصمیم

10.1.کیفیت پایین داده

داده ناقص یا نامتناسب می‌تواند حتی یک الگوریتم فنی دقیق را بی‌ارزش کند.

10.2.سوگیری الگوریتمی

اگر داده گذشته محصول ساختارهای تبعیض‌آمیز یا تصمیم‌های سوگیرانه باشد، مدل ممکن است این الگوها را یاد بگیرد و بازتولید کند.

10.3.ابهام هدف

مدل می‌تواند یک شاخص را به‌خوبی بهینه کند، ولی همان شاخص نماینده مناسبی از هدف واقعی سازمان نباشد.

10.4.عدم شفافیت

در برخی مدل‌ها فهم اینکه چرا خروجی خاصی ایجاد شده دشوار است. مطالعه میدانی Lebovitz، Lifshitz-Assaf و Levina (2022) درباره متخصصان پزشکی نشان می‌دهد مواجهه با عدم‌شفافیت AI می‌تواند شیوه تعامل متخصصان با توصیه سیستم را به مسئله‌ای پیچیده تبدیل کند.

10.5.اعتماد بیش از حد

مدیر ممکن است توصیه AI را به دلیل ظاهر کمّی یا فنی آن بیش از حد معتبر بداند.

10.6.گریز بیش از حد از الگوریتم

برعکس، مشاهده یک خطای قابل مشاهده ممکن است موجب کنارگذاشتن مدلی شود که در مجموع از تصمیم انسانی دقیق‌تر است.

10.7.زوال مهارت

اگر AI همواره تحلیل و توصیه را انجام دهد، مدیران ممکن است به‌تدریج فرصت تمرین قضاوت مستقل را از دست بدهند.

10.8.حلقه بازخورد

تصمیم‌های مدل می‌توانند داده آینده را تغییر دهند و سپس همان داده برای تأیید یا آموزش مدل استفاده شود.

10.9.پراکندگی مسئولیت

هرچه تصمیم میان داده‌دان، مدیر، نرم‌افزار، مدل و سیستم خودکار توزیع شود، تعیین مسئول نهایی دشوارتر می‌شود.

10.10.کنترل الگوریتمی

ورود الگوریتم به تصمیم فقط مدیر را تغییر نمی‌دهد؛ می‌تواند رابطه قدرت، ارزیابی و کنترل در سازمان را نیز تغییر دهد. Kellogg و همکاران (2020) این موضوع را در ادبیات «کنترل الگوریتمی» برجسته می‌کنند.

11. چارچوب «معماری تصمیم هوشمند»

برای طراحی یک سیستم تصمیم مبتنی بر AI می‌توان از چارچوب زیر استفاده کرد.

لایه	پرسش مدیریتی اصلی	خطای رایج
مسئله	دقیقاً چه تصمیمی باید بهبود یابد؟	شروع از فناوری به‌جای مسئله
هدف	چه پیامدی باید بهینه شود؟	انتخاب شاخص جانشین نامناسب
داده	سیستم چه چیزی درباره واقعیت می‌بیند؟	برابر دانستن داده با واقعیت
مدل	AI چه چیزی را تخمین می‌زند؟	اشتباه گرفتن پیش‌بینی با علیت
قضاوت	چه چیزی باید انسانی باقی بماند؟	حذف زمینه و ارزش‌ها
اختیار	AI تا کجا می‌تواند اقدام کند؟	خودکارسازی بیش از حد
رابط	خروجی چگونه به مدیر منتقل می‌شود؟	بار اطلاعاتی یا اعتماد کاذب
اقدام	تصمیم چگونه اجرا می‌شود؟	قطع ارتباط تحلیل و عملیات
بازخورد	چگونه می‌فهمیم تصمیم مؤثر بوده است؟	ارزیابی فقط بر اساس دقت مدل
حاکمیت	چه کسی مسئول است؟	مسئولیت مبهم

روش استفاده

مدیر باید پیش از انتخاب فناوری، این ده لایه را بررسی کند.

اگر پاسخ یک لایه مبهم باشد، افزایش پیچیدگی الگوریتم لزوماً کیفیت تصمیم را افزایش نمی‌دهد.

برای مثال، اگر سازمان نتواند هدف تصمیم را تعریف کند، افزایش دقت پیش‌بینی ممکن است صرفاً به تصمیم‌های دقیق‌تر در جهت هدف اشتباه منجر شود.

12. هوش مصنوعی به‌عنوان قابلیت سازمانی، نه ابزار فردی

این چارچوب یک پیام نظری گسترده‌تر دارد.

Mikalef و Gupta (2021) قابلیت AI را نه یک فناوری منفرد، بلکه حاصل ترکیب منابع و توانمندی‌های سازمانی می‌دانند و شواهد تجربی آنان رابطه این قابلیت را با خلاقیت و عملکرد سازمانی بررسی می‌کند.

Dellermann و همکاران (2019) نیز مفهوم «هوش ترکیبی» را بر مبنای مکمل‌بودن قابلیت‌های انسان و ماشین مطرح می‌کنند.

این دیدگاه با پارادوکس automation–augmentation مطرح‌شده توسط Raisch و Krakowski (2021) سازگار است. آنان استدلال می‌کنند خودکارسازی و تقویت قابلیت انسانی دو مسیر کاملاً جدا نیستند و سازمان باید تنش میان آن‌ها را مدیریت کند.

بنابراین بلوغ AI را نباید صرفاً با تعداد مدل‌های مستقرشده سنجید.

سازمان بالغ‌تر سازمانی است که بتواند معماری تصمیم‌های خود را بهتر طراحی کند.

13. از مدیریت تصمیم‌ها به مدیریت سیستم‌های تصمیم

در الگوی سنتی:

ManagerDecision

در الگوی جدید:

Manager → Decision Architecture → Human-AI System → Decisions

این تغییر ظاهراً کوچک، پیامد نظری بزرگی دارد.

در مدل اول، کیفیت مدیریت عمدتاً با کیفیت قضاوت شخص مدیر مرتبط است.

در مدل دوم، کیفیت مدیریت به توان او برای طراحی سیستمی وابسته است که حتی زمانی که خودش در هر تصمیم حضور ندارد، تصمیم‌های قابل اتکایی تولید کند.

به عبارت دیگر، مدیر از:

«کسی که پاسخ درست را می‌داند»

به:

«کسی که سازوکاری طراحی می‌کند که پاسخ‌های بهتر تولید شوند»

تغییر نقش می‌دهد.

14. تغییر ماهیت اقتدار مدیریتی

این تحول به معنای حذف اقتدار مدیر نیست؛ بلکه محل اعمال اقتدار را تغییر می‌دهد.

در گذشته، اقتدار عمدتاً در انتخاب تصمیم ظاهر می‌شد.

در سازمان هوشمند، اقتدار ممکن است بیشتر در موارد زیر اعمال شود:

• تعریف هدف؛
  • انتخاب داده؛
  • تعیین معیار موفقیت؛
  • انتخاب سطح استقلال AI؛
  • تعیین آستانه‌های مداخله؛
  • طراحی مسئولیت؛
  • و تعریف قواعد بازخورد.

بنابراین حتی زمانی که AI هزاران تصمیم عملیاتی را به‌صورت خودکار انجام می‌دهد، تصمیم‌های سطح بالاتر درباره قواعد تولید آن تصمیم‌ها همچنان ماهیتی مدیریتی دارند.

این نکته با نظریه Baird و Maruping (2021) درباره «تفویض به مصنوعات اطلاعاتی عامل‌محور» نیز هم‌راستا است؛ آنان استدلال می‌کنند ظهور سیستم‌های دارای عاملیت مستلزم بازاندیشی درباره رابطه سنتی انسان و فناوری و سازوکارهای تفویض است.

15. پیامد برای تخصص مدیریتی

در این شرایط، مزیت مدیر فقط در داشتن اطلاعات بیشتر نخواهد بود.

AI می‌تواند در بسیاری از حوزه‌ها سریع‌تر از انسان:

• داده بازیابی کند؛
• محاسبه انجام دهد؛
• الگو پیدا کند؛
• گزینه تولید کند؛
• و پیش‌بینی ارائه دهد.

بنابراین بخش بیشتری از ارزش مدیر به توانایی‌هایی منتقل می‌شود که شامل موارد زیر است:

مسئله‌سازی

توان تبدیل وضعیت مبهم به مسئله قابل تصمیم.

قضاوت ارزشی

تشخیص اینکه چه پیامدی مطلوب یا نامطلوب است.

تفکر علّی

تمایز میان پیش‌بینی و اثر مداخله.

تفکر سیستمی

فهم آثار جانبی تصمیم در سایر بخش‌های سازمان.

طراحی تقسیم کار انسان ـ ماشین

شناخت اینکه هر بخش از تصمیم را چه کسی بهتر انجام می‌دهد.

حاکمیت

تعیین اختیار، پاسخ‌گویی و محدودیت.

یادگیری از بازخورد

اصلاح سیستم در پاسخ به تغییر محیط.

درنتیجه AI نه‌تنها ابزار مدیر را تغییر می‌دهد، بلکه تعریف شایستگی مدیریتی را نیز دگرگون می‌کند.

جمع‌بندی

ورود هوش مصنوعی به مدیریت را نمی‌توان صرفاً به معنای «افزایش اطلاعات در اختیار مدیر» دانست. تغییر بنیادی‌تر آن است که تصمیم از یک عمل نسبتاً فردمحور به یک فرایند توزیع‌شده درون سیستم اجتماعی ـ فنی تبدیل می‌شود.

در این معماری:

داده تعیین می‌کند سیستم چه چیزی را می‌بیند؛

الگوریتم تعیین می‌کند داده چگونه پردازش شود؛

مدل پیش‌بینی عدم‌قطعیت درباره پیامدهای آینده را کاهش می‌دهد؛

قضاوت انسانی اهداف، ارزش‌ها، محدودیت‌ها و زمینه را وارد تصمیم می‌کند؛

و بازخورد سازمانی پیامد تصمیم را به ورودی یادگیری بعدی تبدیل می‌کند.

بنابراین:

Decision = System Outcome

نه صرفاً:

Decision = Managerial Judgment

مدیر در چنین سیستمی همچنان نقشی مرکزی دارد، اما این مرکزیت شکل جدیدی پیدا می‌کند. مزیت اصلی او الزاماً در انجام همه محاسبات یا اتخاذ همه تصمیم‌ها نیست؛ بلکه در توانایی طراحی، هدایت و حاکمیت سیستمی است که تصمیم تولید می‌کند.

از این رو می‌توان تحول مورد بحث را چنین خلاصه کرد:

مدیر عصر هوش مصنوعی کمتر «دارنده همه پاسخ‌ها» و بیشتر «معمار شرایطی است که در آن پاسخ‌های قابل اتکا تولید می‌شوند».

این تغییر، یکی از بنیادی‌ترین گذارها در ماهیت مدیریت هوشمند است؛ زیرا موضوع مدیریت را از «تصمیم منفرد» به «معماری مستمر تصمیم‌گیری» انتقال می‌دهد.

منابع

Agrawal, A. K., Gans, J. S., & Goldfarb, A. (2019). Economic policy for artificial intelligence. Innovation Policy and the Economy, 19, 139–159.

Baird, A., & Maruping, L. M. (2021). The next generation of research on IS use: A theoretical framework of delegation to and from agentic IS artifacts. MIS Quarterly, 45(1), 315–341.

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.

Daft, R. L., & Lengel, R. H. (1986). Organizational information requirements, media richness and structural design. Management Science, 32(5), 554–571.

Dawes, R. M., Faust, D., & Meehl, P. E. (1989). Clinical versus actuarial judgment. Science, 243(4899), 1668–1674.

Dellermann, D., Ebel, P., Söllner, M., & Leimeister, J. M. (2019). Hybrid intelligence. Business & Information Systems Engineering, 61(5), 637–643.

Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114–126.

Faraj, S., Pachidi, S., & Sayegh, K. (2018). Working and organizing in the age of the learning algorithm. Information and Organization, 28(1), 62–70.

Fügener, A., Grahl, J., Gupta, A., & Ketter, W. (2022). Cognitive challenges in human–artificial intelligence collaboration: Investigating the path toward productive delegation. Information Systems Research, 33(2), 678–696.

Galbraith, J. R. (1974). Organization design: An information processing view. Interfaces, 4(3), 28–36.

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

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

Khatri, V., & Brown, C. V. (2010). Designing data governance. Communications of the ACM, 53(1), 148–152.

Kleinberg, J., Ludwig, J., Mullainathan, S., & Obermeyer, Z. (2015). Prediction policy problems. American Economic Review, 105(5), 491–495.

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.

Lebovitz, S., Lifshitz-Assaf, H., & Levina, N. (2022). To engage or not to engage with AI for critical judgments: How professionals deal with opacity when using AI for medical diagnosis. Organization Science, 33(1), 126–148.

Levitt, B., & March, J. G. (1988). Organizational learning. Annual Review of Sociology, 14, 319–338.

Logg, J. M., Minson, J. A., & Moore, D. A. (2019). Algorithm appreciation: People prefer algorithmic to human judgment. Organizational Behavior and Human Decision Processes, 151, 90–103.

March, J. G. (1991). Exploration and exploitation in organizational learning. Organization Science, 2(1), 71–87.

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

Meehl, P. E. (1954). Clinical versus statistical prediction: A theoretical analysis and a review of the evidence. University of Minnesota Press.

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.

Mullainathan, S., & Spiess, J. (2017). Machine learning: An applied econometric approach. Journal of Economic Perspectives, 31(2), 87–106.

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

Parasuraman, R., Sheridan, T. B., & Wickens, C. D. (2000). A model for types and levels of human interaction with automation. IEEE Transactions on Systems, Man, and Cybernetics—Part A: Systems and Humans, 30(3), 286–297.

Pachidi, S., Berends, H., Faraj, S., & Huysman, M. (2021). Make way for the algorithms: Symbolic actions and change in a regime of knowing. Organization Science, 32(1), 18–41.

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

Shmueli, G. (2010). To explain or to predict? Statistical Science, 25(3), 289–310.

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. (1997). Administrative behavior: A study of decision-making processes in administrative organizations (4th ed.). Free Press. (Original work published 1947)

Tushman, M. L., & Nadler, D. A. (1978). Information processing as an integrating concept in organizational design. Academy of Management Review, 3(3), 613–624.

Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131.

Vaccaro, M., Almaatouq, A., & Malone, T. W. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303.

Varian, H. R. (2014). Big data: New tricks for econometrics. Journal of Economic Perspectives, 28(2), 3–28.