رفتن به محتوای اصلی
مدل‌های مشاوره

مدل 7S مک‌کینزی با هوش مصنوعی: کجای سازمان با بقیه هماهنگ نیست؟

۷ دقیقه مطالعه

در این مقاله

سه ماه پیش یک ابزار هوش مصنوعی خریدید. دو نفر از تیم هر روز با آن کار می‌کنند و بقیه همان روش قدیمی را ادامه می‌دهند. نه ابزار خراب است و نه کارمندها تنبل‌اند. مشکل جای دیگری است: چیزی در سازمان با چیز دیگری هم‌جهت نیست و کسی نمی‌داند کدام.

مدل 7S مک کنزی برای همین پرسش ساخته شده است. این مدل نمی‌گوید راهبرد خوب چیست. می‌گوید هفت قطعه از شرکت شما باید با هم بچرخند، و نشانتان می‌دهد کدام قطعه دندانه‌اش را گم کرده. در این نوشته مدل را درست معرفی می‌کنیم، روی یک شرکت فرضی ایرانی اجرایش می‌کنیم و نشان می‌دهیم هوش مصنوعی در کدام قدم کار را سریع‌تر و دقیق‌تر می‌کند.

مدل 7S چیست و از کجا آمده است؟

مدل 7S چارچوبی برای سنجیدن هماهنگی درون سازمان است. مشاوران مک‌کینزی، از جمله Tom Peters و Robert Waterman، آن را ساختند و Peters و Waterman بعدها در کتاب «In Search of Excellence» از آن بهره گرفتند.

ایده اصلی ساده است: سازمان فقط یک نمودار سازمانی نیست. راهبرد روی کاغذ می‌ماند اگر ساختار، سیستم‌ها و آدم‌ها همراهش نشوند. پس به‌جای پرسیدن «راهبرد ما درست است؟» می‌پرسید «آیا هفت جزء ما یکدیگر را تقویت می‌کنند یا خنثی؟». ما این مدل را کنار چند چارچوب دیگر در راهنمای ابزارهای مشاوره مدیریت با هوش مصنوعی آورده‌ایم؛ اینجا فقط سراغ 7S می‌رویم.

هفت S به زبان ساده

سه S اول «سخت» هستند، یعنی می‌شود آن‌ها را روی کاغذ نوشت. چهار S بعدی «نرم» هستند و در رفتار روزانه دیده می‌شوند. وسط مدل، ارزش‌های مشترک قرار دارد، چون همه بقیه به آن وصل‌اند.

جزءپرسش برای شرکت شما
راهبرد (Strategy)برای برنده شدن، دقیقاً چه کاری را متفاوت یا بهتر انجام می‌دهیم؟
ساختار (Structure)چه کسی به چه کسی گزارش می‌دهد و تصمیم کجا گرفته می‌شود؟
سیستم‌ها (Systems)کار روزانه با چه فرایندها و نرم‌افزارهایی انجام می‌شود؟
ارزش‌های مشترک (Shared values)در عمل، چه چیزی برای این جمع مهم است؟ نه آنچه روی دیوار نوشته‌ایم
سبک (Style)مدیران واقعاً چطور رفتار می‌کنند؟
افراد (Staff)چه کسانی داریم و چه نقشی دارند؟
مهارت‌ها (Skills)شرکت به‌عنوان یک کل چه کاری را خوب بلد است؟

نکته‌ای که اغلب جا می‌ماند این است که «ارزش‌های مشترک» یعنی رفتاری که واقعاً دیده می‌شود. اگر روی دیوار نوشته‌اید «مشتری‌مداری» اما سفارش‌ها بدون پیگیری می‌مانند، ارزش مشترک شما چیز دیگری است.

7S را روی یک شرکت ایرانی اجرا کنیم

برای اجرا، ابتدا وضع فعلی هر S را با شواهد بنویسید، بعد وضع مطلوب را، و در آخر ببینید کجا این دو از هم دور شده‌اند. این مثال فرضی است و عددها را عمداً حذف کرده‌ایم.

فرض کنید یک تولیدی لبنیات در قزوین می‌خواهد پیش‌بینی سفارش فروشگاه‌ها را با هوش مصنوعی انجام دهد تا ضایعات کمتر شود. راهبرد روشن است: تازگی بیشتر، دورریز کمتر. حالا هفت S را یکی‌یکی می‌بینیم.

  1. راهبرد: «ضایعات کمتر» نوشته شده، اما هیچ‌کس مشخص نکرده کدام محصول اول است.
  2. ساختار: سفارش‌ها را فروش می‌گیرد، تولید را سرپرست کارخانه تنظیم می‌کند و بین این دو فقط یک تماس تلفنی است.
  3. سیستم‌ها: سفارش‌ها در پیام‌رسان و دفتر کاغذی جمع می‌شود و حسابداری جداگانه وارد می‌کند.
  4. ارزش‌های مشترک: همه می‌گویند «تازگی»، اما در عمل کسی که کمبود کالا را به مشتری می‌گوید سرزنش می‌شود، پس همه بیشتر تولید می‌کنند.
  5. سبک: مدیر عامل تصمیم‌ها را شخصی می‌گیرد و پیشنهاد داده‌محور را جدی نمی‌گیرد.
  6. افراد: کسی که بتواند داده را نگه دارد و بخواند وجود ندارد.
  7. مهارت‌ها: کیفیت و ماندگاری محصول عالی است، تحلیل تقاضا ضعیف.

با همین فهرست، تصویر عوض می‌شود. مشکل «ابزار هوش مصنوعی» نیست؛ ارزش مشترک (ترس از کمبود) و سیستم (داده پراکنده) با راهبرد (ضایعات کمتر) هم‌جهت نیستند. اگر فقط مدل پیش‌بینی بخرید، دورریز کم نمی‌شود، چون هنوز همه از کمبود می‌ترسند.

نکته: در هر مرحله پرسش را با «نشانه‌اش در رفتار روزانه چیست؟» بنویسید، نه با نظر. «سبک مدیریت ما مشارکتی است» نظر است؛ «در سه جلسه اخیر چند بار پیشنهاد کارمند تغییر تصمیم داد؟» شاهد است.

هوش مصنوعی در هر قدم چه کمکی می‌کند؟

هوش مصنوعی سه کار را در 7S سریع‌تر می‌کند: جمع کردن شواهد پراکنده، پیدا کردن الگو بین آن‌ها و زنده نگه داشتن تصویر پس از تحلیل. جای «قضاوت» را نمی‌گیرد.

جمع کردن داده. شواهد 7S در جاهای مختلف پراکنده است: صورت‌جلسه‌ها، پیام‌های گروه‌ها، فرم‌های ارزیابی، فاکتورها، تیکت‌های پشتیبانی. یک مدل زبانی بزرگ (LLM) می‌تواند صدها سند را بخواند و برای هر S نقل‌قول‌های مرتبط را کنار هم بگذارد، تا به‌جای حدس، مثلاً بیست نمونه از «واقعاً چطور تصمیم می‌گیریم» دستتان باشد. در مثال لبنیات، خواندن پیام‌های سفارش و ثبت تغییرها نشان می‌دهد در چه روزهایی تولید بیش از نیاز بوده.

پیدا کردن الگو. وقتی شواهد کنار هم باشد، می‌شود پرسید: کدام دو S با هم تناقض دارند؟ مدل می‌تواند بگوید «در اسناد، راهبرد روی تازگی تأکید دارد، اما سیستم پاداش فقط حجم تولید را می‌سنجد». این پیشنهاد است، نه حکم، و باید با آدم‌های سازمان چک شود.

زنده نگه داشتن تصویر. هماهنگی یک‌بار برای همیشه درست نمی‌شود، چون سازمان همیشه در حال تغییر است و 7S باید دوباره سنجیده شود. اگر داده‌ها خودکار وصل باشند، یک گزارش ماهانه می‌تواند نشان دهد زمان پاسخ به سفارش، میزان دورریز و نرخ بازگشت کالا چطور تغییر کرده؛ یعنی «سیستم‌ها» و «مهارت‌ها» را با عدد دنبال کنید. اگر درباره این‌که چه کاری را خودکار کنید هنوز مطمئن نیستید، کدام کارهای شرکت را می‌شود خودکار کرد فهرستی عملی دارد.

کجا هوش مصنوعی نمی‌تواند جای قضاوت را بگیرد؟

سه S نرم، یعنی ارزش‌های مشترک، سبک و افراد، بیش از همه به گفتگوی رو در رو نیاز دارند. مدل زبانی فقط آنچه نوشته شده را می‌بیند، و بخش بزرگی از فرهنگ هیچ‌وقت نوشته نمی‌شود.

  • ارزش واقعی را در رفتار می‌بینید: چه کسی ارتقا می‌گیرد، چه خطایی بخشیده می‌شود. این را نه سند نشان می‌دهد و نه مدل.
  • تصمیم تغییر اخلاقی و انسانی است. اینکه دوباره تعریف نقش‌ها به چند نفر فشار می‌آورد، پرسش مدیریتی است. درباره مرز تصمیم‌هایی که باید انسانی بمانند، انسان در حلقه را ببینید.
  • خطای مدل هم ممکن است. اگر مدل از چند سند نتیجه غلط بگیرد، نتیجه تحلیل شما غلط می‌شود. شواهدی که مدل نقل می‌کند را همیشه با منبعشان بخوانید.
  • داده حساس مثل ارزیابی عملکرد کارکنان را قبل از دادن به هر سرویس، با قوانین داخلی شرکت و ملاحظات محرمانگی بسنجید. این توصیه حقوقی نیست.

وقتی کسی کنار تیم می‌نشیند و 7S را به اجرا می‌رساند

7S بدون کسی که بعد از تحلیل کنار تیم بماند، به یک جدول زیبا در پاورپوینت تبدیل می‌شود. چیزی که معمولاً کم است، همین کنار هم بودن است.

در روش کار بلنک پیکسل، یک مهندس پیاده‌سازی (FDE) در همان محیط کار تیم می‌نشیند. در مرحله «شناخت» شواهد هر S را از خود کار می‌گیرد، نه فقط از مصاحبه. در «نقشه» دقیقاً نشان می‌دهد کدام ناهماهنگی بیشترین هزینه را دارد. بعد در «ساخت» و «اتصال» سیستمی می‌سازد که داده را به هم وصل کند و در «اجرا و بهبود» شاخص‌ها را زنده نگه می‌دارد. فرق این روش با یک گزارش مشاوره همین است که گزارش تمام می‌شود و سیستم می‌ماند. درباره این تفاوت، فرق مشاور سنتی با مهندس پیاده‌سازی را بخوانید.

برای شروع این هفته لازم نیست پروژه‌ای تعریف کنید. فقط جدول بالا را بردارید و برای هر S یک شاهد از رفتار دو هفته اخیر بنویسید. جایی که شاهد پیدا نکردید، همان جایی است که باید اول به آن نگاه کرد.

پرسش‌های رایج

مدل 7S برای شرکت کوچک هم مناسب است؟

بله. هفت پرسش را در یک جلسه دو ساعته با مدیران هم می‌شود پاسخ داد. در شرکت کوچک «ساختار» و «سبک» معمولاً به یکی دو نفر برمی‌گردد، پس ناهماهنگی‌ها سریع‌تر دیده می‌شود.

فرق 7S با SWOT چیست؟

SWOT وضع شما را نسبت به محیط بیرون می‌سنجد، یعنی فرصت و تهدید. 7S هماهنگی درون سازمان را می‌سنجد. بسیاری از شرکت‌ها هر دو را لازم دارند؛ برای SWOT به تحلیل SWOT با هوش مصنوعی سر بزنید.

هوش مصنوعی می‌تواند خودش تحلیل 7S را بنویسد؟

می‌تواند پیش‌نویس بنویسد و شواهد را مرتب کند، اما نمی‌داند در شرکت شما واقعاً چه می‌گذرد. اگر شواهدش را از اسناد واقعی و مصاحبه نگیرد، نتیجه عمومی و کلیشه‌ای می‌شود.

بعد از تحلیل 7S از کجا شروع کنیم؟

از ناهماهنگی‌ای که بیشترین کار روزانه را خراب می‌کند. معمولاً یک S را اصلاح می‌کنید و بقیه را زیر نظر می‌گیرید. برای انتخاب اولین پروژه، اولین پروژه هوش مصنوعی را چطور انتخاب کنیم کمک می‌کند.

نوشته تیم بلنک پیکسلمنتشرشده در ۲۷ آبان ۱۴۰۵

راهکار مرتبط

روش کار

روش کار بلنک پیکسل: گفت‌وگوی رایگان، گزارش امکان‌سنجی برای فرایندهای شما، و بعد ساخت، اتصال و بهبود پیوسته. دامنه هر پروژه پس از شناخت مشخص می‌شود.

ببینید هوش مصنوعی کجا بیشترین صرفه‌جویی را برایتان دارد.

یک گفت‌وگوی رایگان درباره کسب‌وکارتان، و بعد گزارش امکان‌سنجی مکتوب از فرایندهایتان: زمان و پول کجا هدر می‌رود، هوش مصنوعی چه کارهایی را می‌تواند برعهده بگیرد و از کجا باید شروع کرد.