أحد صفحات التقدم العلمي للنشر
منوع

من هو في فريقكم؟

قضينا معظم عام 2020 في التفاهم مع العزلة النسبية في حين حاولنا تجنب العدوى من مسبب لمرض لا هوادة فيه حتى صار السمة المـُميِّزة لهذا العام. ولكن أولئك الذين ازدهرت أعمالهم على مدى الأشهر الـعشرة الماضية ليسوا بالضرورة حالات فردية. بل هم متصلون ببعضهم البعض ومتعاونون، أظهروا لنا دائماً أن البشر يحققون أقصى ما يمكن تحقيقه عندما يجدون غرضاً مشتركاً ويعملون كفريق واحد – سواء كانت المهمة هي إدارة حظيرة، أم بناء عائلة، أم السعي إلى نجاح جولة أخرى من التمويل.

وتنتعش بعض الفرق على الالتزام المشترك بهدف غير شخصي. انظروا في شبكات المصنعين الرقميين القاعديين الذين انضموا إلى خبراء آخرين في اتحادات غير رسمية لتصميم معدات الحماية الشخصية وتصنيعها لصالح العاملين في مجال الرعاية الصحية ممن هم على تماس مع المرضى. إن نجاحاتهم التي وصفها في هذا العدد جويل كوتشر غيرشينفيلد Joel Cutcher-Gershenfeld، وألان غيرشنفيلد Alan Gershenfeld، ونيل غيرشنفيلد Neil Gershenfeld، تثبت أن هذا المجتمع الصغير التعاوني التفكير يحمل القدرة على جعل سلاسل التوريد أكثر مرونة. وإضافة إلى ذلك، فقد يطلق العنان لما يسميه المؤلفون ثورة رقمية ثالثة – ثورة تركز هذه المرة على الإنتاج بدلاً من الحوسبة Computation والتواصل Communication.

ومن المؤكد أن النجاح الأخير لحركة ”الإنتاج المكتفي ذاتياً“ Self-sufficient production الوليدة يرجع جزئياً إلى قوة الأزمات في الجمع بين فرق أكثر تنوعاً، كما تشرح إلسبيث جونسون Elsbeth Johnson وفيونا موراي Fiona Murray في موضوعهما عن السبب الذي يجعل من الأسهل في الواقع الابتكار بهذه الظروف الاستثنائية. فالمشكلات الكبيرة والملحة تدعو في الأغلب ”جميع الأفراد إلى موقع العمل“ All hands on deck، والتي تجلب الأشخاص من معظم أنحاء المؤسسة كلها – أي الأشخاص الذين ربما لا يعملون عادة معاً، والذين لديهم مجموعة واسعة من الخبرات. وتقول جونسون وموراي إن فِرقاً كهذه من المرجح أن تولّد أفكاراً جديدة وخلاقة، وهي أكثر فاعلية في حل المشكلات.

فالفِرق الأقل تجانساً لا تقدم حلول أفضل للمشكلات أفضل فحسب بل في بعض الحالات في الواقع تمنع ظهور مشكلات جديدة. وينطبق هذا بصورة خاصة في مجال الذكاء الاصطناعي، حيث يمكن للمنظور الضيق للفرق غير المتنوعة بما يكفي أن يؤدي إلى تطوير أنظمة شديدة متحيزة ويساهم في انتشارها، كما تقول أيانا هوارد Ayanna Howard وتشارلز إيسبيل Charles Isbell. ورأينا بالفعل أمثلة على فشل تكنولوجيا التعرف على الوجوه الموجهة بالذكاء الاصطناعي في التعرف بدقة على وجوه السود. وتقول هوارد وإيسبيل إذا ظل الملونون، والنساء، ممثلين تمثيلاً ضعيفاً في فرق الذكاء الاصطناعي، يمكننا أن نتوقع ”سلسلة من الأزمات“ الناجمة عن الذكاء الاصطناعي المـُحيِّز.

ولكن، يتطلب بناء فرق أكثر تنوعاً اختيارات مقصودة، وأولئك الذين يسعون إلى تحقيق ذلك سيبلون بلاءً حسناً إذا أصغوا إلى التوصيات الصادرة عن إليزابيث جيه. كنيدي Elizabeth J. Kennedy، والتي تضع إطاراً  Framework لاستخدام البيانات والتحليلات لتحقيق هذه الغاية. ويتطلب الإطار من المديرين جمع البيانات Data الصحيحة، ومتابعة المقاييس Metrics الصحيحة، واستخدام التحليلات Analytics المتقدمة للتوصل إلى تبصرات عميقة بخصوص الاتجاهات الأساسية، ووضع أهداف قابلة للقياس الكمي. ويجب على القادة الذين يلتزمون بتحسين الإنصاف والتمثيل للنساء والملونين تطبيقَ العقلية نفسها والموجهة بالبيانات التي يستعينون بها في حل المشكلات الأخرى في الأعمال – وأن يبدؤوا بالسؤال، ”من هو في فريقي؟“

إليزابيث هيشلر//eheichler@

إليزابيث هيشلر//eheichler@

المحرر التنفيذي إم آي تي سلون مانجمنت ريفيو
اظهر المزيد

مقالات ذات صلة

زر الذهاب إلى الأعلى