نسل اول استفاده سازمان‌ها از هوش مصنوعی بیشتر حول یک الگوی آشنا شکل گرفت: سؤال می‌پرسیم و AI پاسخ می‌دهد. از آن می‌خواهیم یک قرارداد را خلاصه کند، متن نامه‌ای را بنویسد، اطلاعاتی را از میان اسناد پیدا کند یا گزارشی را توضیح دهد. این قابلیت‌ها ارزشمندند، اما احتمالاً تنها ابتدای مسیر هوش مصنوعی سازمانی هستند.
نسل بعدی، فقط پاسخ نمی‌دهد؛ کار انجام می‌دهد.
تصور کنید به جای آنکه از هوش مصنوعی بپرسیم «چه مناقصاتی این هفته به پایان مهلت خود می‌رسند؟»، به آن بگوییم:
«مناقصات این هفته را بررسی کن، موارد مهم را اولویت‌بندی کن، اسناد ناقص را مشخص کن، مسئول هر مورد را مطلع کن و برای مناقصات حساس یک Task پیگیری ایجاد کن.»
در اینجا AI دیگر صرفاً یک Chatbot نیست. به AI Agent تبدیل شده است؛ یک نیروی نرم‌افزاری که می‌تواند اطلاعات را درک کند، تصمیم بگیرد چه اقداماتی لازم است و با استفاده از ابزارها و سیستم‌های سازمان، بخشی از فرآیند را پیش ببرد.
تفاوت Chatbot و AI Agent چیست؟
Chatbot عمدتاً برای تعامل و پاسخ‌گویی طراحی شده است. سؤال دریافت می‌کند، اطلاعات را تحلیل می‌کند و پاسخ می‌دهد. AI Agent یک قدم جلوتر می‌رود؛ علاوه بر فهم درخواست، می‌تواند برای رسیدن به نتیجه مجموعه‌ای از اقدامات را برنامه‌ریزی و اجرا کند.
فرض کنیم مدیر فروش می‌گوید:
«مشتریانی که در سه ماه گذشته خریدشان کاهش پیدا کرده بررسی کن و موارد مهم را برای پیگیری به تیم فروش بده.»
یک Chatbot ممکن است فهرستی از مشتریان ارائه دهد. اما Agent می‌تواند اطلاعات فروش را بررسی کند، مشتریان دارای افت غیرعادی را شناسایی کند، سوابق ارتباطی آن‌ها را در CRM ببیند، دلایل احتمالی را جمع‌بندی کند و در صورت داشتن مجوز، فعالیت پیگیری برای کارشناس مربوطه ایجاد کند.
تفاوت اصلی همین‌جاست:
Chatbot پاسخ تولید می‌کند؛ Agent می‌تواند نتیجه را به Action تبدیل کند.
وقتی AI به سیستم‌های سازمان دسترسی پیدا می‌کند
قدرت واقعی Agent زمانی آشکار می‌شود که از یک صفحه Chat جدا شود و به ابزارهای واقعی سازمان متصل گردد.
در یک معماری Enterprise، Agent می‌تواند بر اساس سطح دسترسی تعریف‌شده با CRM یا ERP، سیستم مدیریت اسناد، سامانه پروژه، منابع انسانی، BI، وب‌سایت، سرویس‌های ارتباطی و سایر نرم‌افزارهای سازمان تعامل داشته باشد.
برای مثال ممکن است اطلاعات مشتری و قرارداد را از Dynamics 365 دریافت کند، اسناد مرتبط را در سامانه مدیریت مستندات بررسی کند، وضعیت یک فعالیت را از سیستم پروژه بخواند و در نهایت نتیجه را در CRM ثبت کند.
بنابراین آینده AI سازمانی را نباید فقط در کیفیت مدل زبانی جست‌وجو کرد. ارزش اصلی زمانی ایجاد می‌شود که AI، داده، فرآیند و سیستم‌های واقعی سازمان به یکدیگر متصل شوند.
به جای یک Agent عمومی، یک تیم از Agentهای تخصصی
یکی از رویکردهای جذاب این است که سازمان به جای ساخت یک «هوش مصنوعی همه‌کاره»، مجموعه‌ای از Agentهای تخصصی داشته باشد؛ چیزی شبیه یک AI Workforce که هر عضو آن نقش، دانش، ابزار و سطح دسترسی مشخصی دارد.
برای نمونه:
| Agent | نقش احتمالی |
|---|---|
| Sales Agent | تحلیل فرصت‌ها، پیگیری مشتری و پیشنهاد اقدام بعدی |
| Tender Agent | بررسی مناقصات، اسناد، مهلت‌ها و اقدامات مورد نیاز |
| Contract Agent | کنترل تعهدات، تاریخ‌ها، اسناد و وضعیت قرارداد |
| Support Agent | تحلیل درخواست مشتری و پیشنهاد یا اجرای مراحل پاسخ |
| Insurance Agent | بررسی پرونده، اطلاعات بیمه‌ای و فرآیندهای مرتبط |
| Management Agent | جمع‌بندی اطلاعات و ارائه تصویر مدیریتی |
این Agentها الزاماً جای کارکنان را نمی‌گیرند. در بسیاری از سناریوها، نقش مناسب آن‌ها انجام کارهای تکراری، جمع‌آوری اطلاعات، آماده‌سازی تصمیم و اجرای اقداماتی است که قواعد و حدود آن‌ها از قبل مشخص شده است.
در تصمیم‌های حساس نیز Agent می‌تواند کار را تا نقطه مشخصی پیش ببرد و ادامه آن را برای تأیید به انسان بسپارد.
یک مثال؛ Agent مناقصات چگونه کار می‌کند؟
فرض کنیم یک شرکت روزانه با چندین مناقصه سروکار دارد. امروز کارشناس باید اطلاعات مناقصه را بررسی کند، اسناد را بخواند، Deadlineها را استخراج کند، مدارک ناقص را پیدا کند، Taskهای لازم را میان افراد تقسیم کند و وضعیت هر پرونده را پیگیری کند.
حالا تصور کنیم Tender Agent به سیستم مناقصات و مخزن اسناد سازمان دسترسی داشته باشد.
وقتی مناقصه جدید ثبت می‌شود، Agent می‌تواند اطلاعات و اسناد آن را بررسی کند، خلاصه مدیریتی تهیه کند، تاریخ‌های مهم را استخراج کند، مدارک مورد نیاز را مشخص کند و براساس قواعد سازمان اقدامات بعدی را پیشنهاد دهد. در مراحل بعد نیز وضعیت فعالیت‌ها را دنبال کند و اگر موعد مهمی نزدیک شد، موضوع را به فرد مسئول یا مدیر ارجاع دهد.
در این مدل، کارشناس همچنان صاحب فرآیند است؛ اما بخش قابل توجهی از جست‌وجو، جمع‌آوری اطلاعات و پیگیری‌های تکراری به نیروی دیجیتال سپرده می‌شود.
Agent فقط با Dynamics کار نمی‌کند
یکی از اصول مهم در معماری AI Workforce این است که Agent به یک نرم‌افزار محدود نباشد.
ممکن است بخشی از اطلاعات در Dynamics باشد، مستندات در Nextcloud، اطلاعات حضور کارکنان در سامانه حضور و غیاب، گزارش‌ها در BI و اطلاعات دیگری در یک سیستم اختصاصی قرار داشته باشند.
Agent می‌تواند از APIها، سرویس‌ها یا ابزارهای کنترل‌شده برای تعامل با این سیستم‌ها استفاده کند و Workflow را در مرز میان چند نرم‌افزار پیش ببرد.
اینجاست که AI از «قابلیت جدید یک نرم‌افزار» به لایه هوشمند میان سیستم‌های سازمان تبدیل می‌شود.
آیا باید اجازه دهیم Agent هر کاری انجام دهد؟
خیر. هرچه Agent قدرت بیشتری برای Action داشته باشد، Governance اهمیت بیشتری پیدا می‌کند.
یک معماری حرفه‌ای باید مشخص کند Agent چه اطلاعاتی را می‌تواند ببیند، چه عملیاتی را می‌تواند مستقلاً انجام دهد، چه اقداماتی نیازمند تأیید انسان هستند و تمام فعالیت‌های آن چگونه ثبت و Audit می‌شوند.
می‌توان سطح اختیار را تدریجی افزایش داد:
- Read: فقط اطلاعات را بخواند و پاسخ دهد.
- Recommend: اقدام مناسب را پیشنهاد کند.
- Prepare: عملیات را آماده کند اما منتظر تأیید بماند.
- Execute: اقدامات مجاز را مستقلاً اجرا کند.
- Escalate: در شرایط مبهم یا حساس، موضوع را به انسان ارجاع دهد.
بنابراین هدف، حذف کنترل انسانی نیست؛ هدف این است که انسان به جای انجام تمام مراحل، بر نتیجه، استثناها و تصمیم‌های مهم تمرکز کند.
از سیستم ثبت اطلاعات به سیستم اجرای کار
سال‌ها سیستم‌های سازمانی عمدتاً System of Record بوده‌اند؛ اطلاعات مشتری، قرارداد، پروژه و فعالیت را ثبت می‌کردند و کاربر برای انجام هر کار باید وارد سیستم می‌شد، فرم پیدا می‌کرد و مراحل را اجرا می‌کرد.
AI Agent می‌تواند این رابطه را تغییر دهد.
به جای اینکه کاربر مراحل سیستم را بداند، نتیجه مورد نظر را بیان می‌کند:
«این مشتری را بررسی کن و کارهای عقب‌افتاده‌اش را پیگیری کن.»
Agent ابزارهای لازم را پیدا می‌کند، اطلاعات را جمع‌آوری می‌کند و اقدامات مجاز را انجام می‌دهد.
این تغییر، حرکت از Systems of Record به Systems of Action است؛ جایی که نرم‌افزار دیگر فقط محل ثبت اتفاقات نیست، بلکه در پیش بردن کار نیز مشارکت می‌کند.
رویکرد رای‌بُد؛ ساخت AI Workforce روی سیستم‌های واقعی سازمان
در رای‌بُد، نگاه ما به AI Agent صرفاً اضافه کردن یک پنجره Chat به CRM یا ERP نیست. Agent زمانی ارزش واقعی ایجاد می‌کند که فرآیند سازمان را بشناسد، به داده معتبر دسترسی داشته باشد و بتواند در محدوده‌ای کنترل‌شده با سیستم‌های واقعی کار کند.
به همین دلیل معماری Agent می‌تواند از Dynamics 365 و سیستم‌های سازمانی شروع شود و به مدیریت مستندات، BI، سامانه‌های داخلی، سرویس‌های ارتباطی و سایر منابع اطلاعاتی سازمان گسترش پیدا کند.
هدف نهایی، ساخت یک Chatbot دیگر نیست؛ ایجاد نیروی دیجیتالی است که بتواند بخشی از کار واقعی سازمان را به‌صورت قابل کنترل، قابل اندازه‌گیری و قابل توسعه پیش ببرد.
جمع‌بندی
هوش مصنوعی سازمانی در حال عبور از مرحله «پاسخ دادن» به مرحله «انجام دادن» است.
Agent می‌تواند اطلاعات را بخواند، Context را درک کند، اقدام بعدی را تشخیص دهد، با چند سیستم تعامل داشته باشد و در محدوده اختیارات خود فرآیند را پیش ببرد.
برای یک سازمان، این تغییر می‌تواند به معنای شکل‌گیری نسل جدیدی از نیروی کار باشد؛ جایی که در کنار کارشناسان انسانی، AI Agentهای تخصصی برای فروش، مناقصات، قراردادها، خدمات و سایر فرآیندها فعالیت می‌کنند.
رای‌بُد در مسیر توسعه این معماری، روی اتصال AI به فرآیندها و سیستم‌های واقعی سازمان تمرکز دارد؛ از طراحی Agent تخصصی تا اتصال آن به Dynamics 365، مستندات، BI و سایر سامانه‌ها.
اگر قرار است AI وارد سازمان شود، شاید سؤال آینده دیگر این نباشد که «هوش مصنوعی چه پاسخی می‌دهد؟»
سؤال مهم‌تر این خواهد بود:
«چه کاری می‌توانیم با اطمینان به آن بسپاریم؟»