بازگشت به کتابخانه

پرسش کلیدی جدید

پردازش‌شده با هوش مصنوعی · تأییدشده توسط نویسنده

خرید هوش مصنوعی از تأمین‌کنندگان خارجی چه خطراتی برای سازمان‌های دولتی دارد و چگونه مدیریت می‌شوند؟

Between Innovation and Risk Aversion: A Contextual Perception of AI Sourcing Risks in Public Organisations
Zacchaeus Otunla, Tobias Mettler · International Conference on Information Systems (ICIS) · 2026
تصویر برای: خرید هوش مصنوعی از تأمین‌کنندگان خارجی چه خطراتی برای سازمان‌های دولتی دارد و چگونه مدیریت می‌شوند؟

پخش‌کننده Spotify بارگذاری می‌شود؛ ممکن است Spotify کوکی‌هایی تنظیم کند. این دستگاه انتخاب شما را به خاطر می‌سپارد.

یافته‌های کلیدی

  • شناسایی سه دسته اصلی از ریسک‌های تدارکات هوش مصنوعی: ریسک‌های عملیاتی‌سازی پیش از استقرار، ریسک‌های مرتبط با تأمین‌کننده با آگاهی از ریسک، و ریسک‌های انطباق‌پذیری با آینده.
  • مشخص شد که ریسک‌های عملیاتی اغلب ناشی از به‌کارگیری هوش مصنوعی برای پاسخ به فشارهای نهادی بیرونی به جای حل مسائل خاص است که منجر به ناهمسویی انتظارات عملکردی می‌شود.
  • نشان داد که سازمان‌ها با دشواری‌های زیادی در ارزیابی تأمین‌کنندگان کم‌تجربه با سوابق محدود و تضمین پایبندی ارائه‌دهندگان به استانداردهای سخت‌گیرانه حفاظت از داده‌ها مواجه هستند.
  • مشخص ساخت که سازمان‌ها خطرات وابستگی به تأمین‌کننده و منسوخ شدن سیستم را از طریق قراردادهای چارچوبی منعطف، گیت‌های کیفی و تخصیص بودجه نگهداری مدیریت می‌کنند.
  • تدوین مدلی از ریسک‌گریزی زمینه‌ای که نشان می‌دهد بازیگران بخش عمومی در شرایط عدم قطعیت، به‌طور مداوم میان همسویی عملیاتی، انطباق با قوانین و چابکی در تدارکات تعادل برقرار می‌کنند.

معنای آن برای شما

مدیر ارشد فناوری اطلاعات

Institute mandatory 'quality gates' and allocate dedicated maintenance budgets in upcoming vendor contracts to explicitly mitigate system obsolescence and lock-in risks.

مدیر فناوری اطلاعات

Audit all current AI vendor requirements to ensure strict adherence to public data protection standards and filter out unverified suppliers lacking a proven track record.

استراتژیست کسب‌وکار

Review all active AI project proposals to verify they solve a specific internal operational problem rather than merely satisfying external institutional innovation pressures.

پژوهشگر

Design a study examining how public sector agencies navigate the friction between strict regulatory compliance and the need for procurement agility when sourcing AI.

سیاست‌گذار

Draft updated procurement guidelines that replace rigid legacy frameworks with flexible framework contracts specifically tailored to manage AI opacity and uncertainty.

خلاصه

این مطالعه به بررسی نحوه شناسایی و مقابله سازمان‌های بخش عمومی با ریسک‌های اولیه در هنگام تهیه راهکارهای هوش مصنوعی می‌پردازد. نویسندگان با استفاده از یک رویکرد کیفی اکتشافی، ۳۳ مصاحبه نیمه‌ساختاریافته با مقامات بخش عمومی سوئیس با تجربه در مدیریت طرح‌های هوش مصنوعی را تحلیل کردند.

مسئله

در حالی که پژوهش‌های قابل‌توجهی بر خطرات پس از استقرار سیستم‌های هوش مصنوعی متمرکز هستند، ریسک‌های اولیه تأمین و تعیین نیازمندی‌ها کمتر بررسی شده‌اند. نهادهای عمومی برای نوآوری از طریق تأمین‌کنندگان خارجی تحت فشار هستند، اما مدل‌های سنتی تدارکات پاسخگوی چالش‌های عدم شفافیت، عدم قطعیت و انطباق داده‌های ذاتی هوش مصنوعی نیستند.

متن گفتار
Host: سلام و درود به شنوندگان گرامی. به پادکست A.I.S. Insights خوش آمدید. من آنا آیوی سامرز هستم و امروز به همراه همکارم الکس ایان ساترلند، به بررسی یک مطالعه جدید می‌پردازیم. این مطالعه تحت عنوان «میان نوآوری و ریسک‌گریزی: درک زمینه‌ای از ریسک‌های تأمین هوش مصنوعی در سازمان‌های بخش عمومی»، توسط زاکیوس اوتونلا و توبیاس متلر ارائه شده است. تمرکز این مطالعه بر این موضوع است که نهادهای بخش عمومی چگونه ریسک‌های مراحل اولیه را در فرآیند تأمین و خرید راهکارهای هوش مصنوعی شناسایی و مدیریت می‌کنند. الکس، خوش آمدی.

Expert: سلام آنا، از حضور در این برنامه بسیار خوشحالم.

Host: الکس، بیشتر بحث‌هایی که پیرامون ریسک‌های هوش مصنوعی می‌شنویم، مربوط به مرحله پس از پیاده‌سازی است؛ مسائلی مانند سوگیری الگوریتم‌ها یا نقض حریم خصوصی در زمان استفاده. اما این مطالعه تمرکز را بر مراحل قبل‌تر گذاشته است. دقیقاً چه مسئله‌ای سازمان‌ها را در مرحله تأمین به چالش می‌کشد؟

Expert: مسئله اصلی این است که فرآیندهای سنتی تدارکات عمومی برای خرید کالاهای مشخص و قابل پیش‌بینی طراحی شده‌اند، در حالی که سامانه‌های هوش مصنوعی ذاتاً با عدم قطعیت، شفافیت محدود و نیازهای پیچیده انطباق داده‌ها همراه هستند. نهادهای دولتی از یک سو برای همگام شدن با تحول دیجیتال و استفاده از تأمین‌کنندگان خارجی تحت فشار هستند، و از سوی دیگر باید استانداردهای سخت‌گیرانه پاسخگویی و مقرراتی را رعایت کنند. مطالعه نشان می‌دهد که خلأ بزرگی در درک و مدیریت ریسک‌ها دقیقاً در مراحل تعیین نیازمندی‌ها و انتخاب تأمین‌کننده وجود دارد.

Host: پژوهشگران برای بررسی این مسئله از چه روشی استفاده کرده‌اند؟

Expert: این مطالعه از یک رویکرد کیفی اکتشافی استفاده کرده است. نویسندگان ۳۳ مصاحبه نیمه‌ساختاریافته با مقامات بخش عمومی در سوئیس انجام داده‌اند؛ افرادی که همگی تجربه عملی در مدیریت و تدارکات طرح‌های هوش مصنوعی در سطوح مختلف دولتی داشته‌اند. داده‌های به‌دست‌آمده بر اساس تکنیک‌های تحلیل مضمونی ساختاریافته تحلیل شده‌اند تا الگوهای مشترک ریسک و راهکارهای متناظر استخراج شوند.

Host: نتایج به چه یافته‌های کلیدی اشاره دارند؟

Expert: این مطالعه سه دسته اصلی از ریسک‌های تدارکات را مشخص کرده است. دسته نخست، «ریسک‌های عملیاتی‌سازی پیش از استقرار» هستند. جالب است بدانید که این ریسک‌ها عمدتاً ناشی از پیاده‌سازی هوش مصنوعی صرفاً برای پاسخ به فشارهای نهادی یا جو ناشی از انتظارات عمومی شکل می‌گیرند، نه برای حل یک مسئله واقعی و تعریف‌شده، که در نهایت منجر به ناهمسویی انتظارات عملکردی با واقعیت فنی می‌شود.

Host: و دو دسته دیگر به چه مسائلی می‌پردازند؟

Expert: دسته دوم، «ریسک‌های مرتبط با تأمین‌کننده با آگاهی از ریسک» است. سازمان‌ها با چالش جدی ارزیابی تأمین‌کنندگانی روبه‌رو هستند که ممکن است مهارت‌های نوین داشته باشند اما سوابق کاری و اعتبارسنجی قابل استنادی ندارند، و تضمین رعایت استانداردهای حفاظت از داده‌ها توسط آنها دشوار است. دسته سوم، «ریسک‌های انطباق‌پذیری با آینده» است که به موضوع وابستگی طولانی‌مدت به یک تأمین‌کننده و خطر منسوخ شدن زودهنگام فناوری می‌پردازد.

Host: مدیران در عمل چگونه می‌توانند میان لزوم نوآوری و پرهیز از این ریسک‌ها تعادل برقرار کنند؟ این یافته‌ها چه درس‌های کاربردی برای مدیران و متخصصان دارد؟

Expert: مطالعه نشان می‌دهد که سازمان‌ها با تکیه بر مدلی به نام «ریسک‌گریزی زمینه‌ای»، اقدامات ساختاری مشخصی تعریف کرده‌اند. برای نمونه، در قراردادها از ساختارهای چارچوبی منعطف استفاده می‌کنند و فرآیند را به گیت‌های کیفی مرحله‌به‌مرحله تقسیم می‌نمایند؛ یعنی پرداخت‌ها و پیشرفت پروژه مشروط به آزمودن سیستم در مقیاس کوچک می‌شود. همچنین، تخصیص بودجه مشخص برای نگهداری و آموزش مداوم از همان ابتدا لحاظ می‌شود تا از قفل شدن در فناوری‌های ناکارآمد جلوگیری شود. پیام کلیدی برای مدیران این است که خرید هوش مصنوعی نباید با منطق فناوری‌محور آغاز شود، بلکه باید با تعریف مسئله عملیاتی شفاف و مدیریت مرحله‌ای قراردادها پیش برود.

Host: رویکردی بسیار سنجیده و مبتنی بر شواهد عینی. الکس، از توضیحات شفاف و تخصصی شما سپاسگزارم. و با سپاس از شما شنوندگان گرامی که در این قسمت از پادکست A.I.S. Insights همراه ما بودید. تا برنامه بعدی، بدرود.

Expert: خدانگهدار شما.
Artificial Intelligence & Automation Information Systems & Management Human-Computer Interaction Data Analytics & Big Data Digital Transformation & Strategy Cybersecurity & Privacy Cloud & Infrastructure E-Commerce & Digital Platforms Operations & Supply Chain Sustainability & Green IS

AI sourcing, risk evaluation, public sector, vendor management, procurement agility, AI governance