تصور کنید مدیر عملیاتی هستید که برای هر تغییر کوچک در یک فرآیند ساده، باید هفتهها منتظر تایید و اجرای تیم مهندسی بماند. این گسست میان استراتژیهای کلان هوش مصنوعی و واقعیتهای کف سازمان، همان جایی است که MelodyArc برای حل آن وارد میدان شده است. شکایت رایج اپراتورهای خط مقدم این است که «نرمافزار با نحوه واقعی انجام کار در میدان همخوانی ندارد». MelodyArc به عنوان یک پلتفرم ارکستراسیون هوش مصنوعی سازمانی، این وضعیت موجود را به چالش میکشد. هدف این پلتفرم انتقال قدرت خلق جریانهای کاری هوش مصنوعی از نقشه راههای تحمیلی و بالا به پایین شرکتها، مستقیماً به دست افرادی است که در واقعیت آن کار را انجام میدهند.
بسیاری از سازمانها با هوش مصنوعی مانند یک کلید تکحالته برخورد میکنند: یا فرآیند را بهطور کامل خودکار میکنند یا دست به آن نمیزنند. طبق گزارشهای صنعتی، این رویکرد «همه یا هیچ»، شکاف عمیقی میان چشمانداز مدیران و اجرای عملیاتی ایجاد کرده است. برای بسیاری از سازمانها، هزینه ساخت یک سیستم اتوماسیون بینقص بسیار بالاست. این بدان معناست که پروژههایی با تاثیر بالا اغلب به حاشیه رانده میشوند، زیرا نمیتوانند استانداردهای سختگیرانه بازگشت سرمایه (ROI) برای منابع مهندسی را برآورده کنند.
اشلی موزر (Ashley Moser)، همبنیانگذار و مدیر ارشد تجاری MelodyArc، معتقد است کلید عملیاتی کردن هوش مصنوعی در شناسایی دقیق نقاطی است که اتوماسیون در آنها کارآمد است و نقاطی که قضاوت انسانی در آنها غیرقابل جایگزین است. این تغییر دیدگاه به شرکتها اجازه میدهد فرآیندهای کمکی هوش مصنوعی را در کسری از زمان سابق راهاندازی کنند.
زمینهای برای خلق MelodyArc
این پلتفرم حاصل تجربه مشترک اشلی موزر و جیمز مکهنری است. هر دو پیش از این در نقشهای عملیاتی و فناورانه فعالیت کرده بودند و برای تیمهای عملیاتی فناوری توسعه داده بودند. آنها بهطور مداوم با یک شکاف تکرار شونده مواجه میشدند: راهکارهای نقطهای (Point Solutions) که یا تنها بخش بسیار کوچکی از نیازهای عملیاتی را پوشش میدادند و یا با نحوه واقعی انجام کار در میدان همخوانی نداشتند.
سوابق موزر در بخش خدمات مالی در J.P. Morgan، جایی که بیش از چهار سال در بخش فروش سهام نهادی فعالیت کرد، و تجربه او در SaaS سازمانی در Medallia (پس از تصاحب Stella Connect که موزر در آن مدیر فروش بود)، به او دیدی جامع داد. او همچنین نقشهای رهبری در Wonder و در بخش Jetblack والمارت داشت و در حوزههای زنجیره تأمین، لجستیک، استراتژی و بهبود مستمر فعالیت کرد. علاوه بر این، او با پلتفرم خردهفروشی موبایل NewStore همکاری داشت.
این پیشینه متنوع در امور مالی، SaaS و عملیات خردهفروشی در مقیاس بزرگ، چشمانداز اصلی شرکت را شکل داد: فراهم کردن فناوریای برای تیمهای عملیاتی خط مقدم که واقعاً بتوانند از آن استفاده کنند. این چشمانداز امروز در قالب «ارکستراسیون انسان در حلقه» (Human-in-the-loop Orchestration) متجلی شده است.
سازوکار ارکستراسیون
پلتفرم MelodyArc محیطی تحت نظارت است که در آن دادهها، قوانین کسبوکار، سیستمهای هوش مصنوعی و تصمیمات انسانی با هم هماهنگ میشوند. این پلتفرم بهطور خاص برای اجرای فرآیندهای عملیاتی پیچیده بهصورت سرتاسری (End-to-End) طراحی شده است. این رویکرد بر این اصل استوار است که لایه ارکستراسیون در مقیاس سازمانی کارآمدتر از تکیه صرف بر مدلهای بنیادی است. هسته مرکزی این سیستم، «موتور نقطه» (Point Engine) است که مسیرهای احتمالی برای حل یک پرونده را ضمن پایبندی به قوانین سازمانی ارزیابی میکند.
قابلیتهای کلیدی این پلتفرم عبارتند از:
- اجرای سرتاسری: تیمها میتوانند جریانهای کاری را تعریف کرده و منطق کسبوکار خاصی را بدون نیاز به حضور یک توسعهدهنده برای هر تغییر، اعمال کنند. این امر هماهنگی میان خدمات مشتری، مرچندایزینگ، پیامرسانی سایت، زنجیره تأمین و مدیریت موجودی را ممکن میسازد.
- عاملهای هوش مصنوعی: سیستم از عاملهای هوش مصنوعی یا سایر ایجنتها برای مدیریت وظایف روتین استفاده میکند، اما زمانی که قضاوت عمیقتری مورد نیاز است، پروندهها را به انسان ارجاع (Escalate) میدهد.
- شفافیت و کنترل: هر گام برداشته شده توسط هوش مصنوعی ثبت میشود. این قابلیت مشاهدهپذیری (Observability) برای حاکمیت سازمانی ضروری است و به کسبوکارها اجازه میدهد دقیقاً ببینند چه تصمیماتی گرفته شده و دلیل آن چه بوده است.
این معماری اجازه میدهد شرکتها بهجای هدفگذاری برای اتوماسیون ۹۰ درصدی در روز اول، با یک تقسیم ۵۰-۵۰ بین انسان و ماشین شروع کنند. همانطور که سیستم دادههای تولیدی را جمعآوری میکند، شرکت میتواند بهصورت تدریجی و بر اساس شواهد واقعی (و نه حدس و گمان)، بخشهای بیشتری از فرآیند را خودکار کند. این رویکرد مانع از آن میشود که جریانهای کاری برای اصلاحات یا تنظیمات مداوم مختل شوند.
اثرات استقرار در دنیای واقعی
به نقل از گزارش unite.ai، این رویکرد غیرمتمرکز در استقرار هوش مصنوعی در محیطهای سازمانی بزرگ نتایج ملموسی داشته است. با انتقال قدرت ساخت جریانهای کاری و ایدههای جدید مستقیماً به دست تیمها، MelodyArc تأثیر بر نقشه راه (Roadmap) کلی شرکت را به حداقل میرساند. تیمها میتوانند فرآیندهای خود را بدون نیاز به طی کردن سلسلهمراتب اداری برای هر تکرار (Iteration)، بهبود ببخشند.
در یکی از استقرارهای واقعی، MelodyArc با یک مورد کاربردی (Use Case) برای یک تیم شروع کرد و اکنون به بیش از پنج مورد کاربردی در چندین تیم مختلف گسترش یافته است. این تحول در عملیات، مشابه تجربهای است که برخی شرکتهای مالی برای انتقال از تحلیلهای دستی به اتوماسیون عملیاتی داشتهاند.
یکی از چشمگیرترین نتایج، سرعت پیادهسازی است. برخی تیمها توانستهاند فرآیندهای کامل کمکی هوش مصنوعی را تنها در یک روز بسازند. پیش از این، همین پروژهها نادیده گرفته میشدند زیرا تلاش مهندسی مورد نیاز برای ساخت آنها از صفر، بسیار شدیدتر از آن بود که هزینه آن توجیه شود.
شکافهای استراتژیک در اجرا
موزر معتقد است علاوه بر تلهی «همه یا هیچ»، مشکل دوم در استراتژی هوش مصنوعی، نحوه انتخاب موارد کاربردی است. بسیاری از شرکتها صدها مورد کاربردی واجد شرایط دارند، اما اغلب به دنبال جذابترین (Flashiest) یا سادهترین گزینهها میروند.
MelodyArc رویکرد متفاوتی را تشویق میکند: ارزیابی موارد کاربردی بر اساس معیارهای عینی، مانند مقدار دلارها و ساعتهای ذخیره شده. با حمله به بزرگترین و پربازدهترین حوزهها در ابتدا — حتی اگر دشوارتر باشند — شرکتها بیشترین ارزش را خلق میکنند. این امر یک «چرخ لنگر» (Flywheel) مثبت از ارزش ایجاد میکند که پذیرش بیشتر هوش مصنوعی را در سراسر سازمان تشویق میکند.
بازتعریف خدمات و حاکمیت
در عصر پاسخهای آنی هوش مصنوعی، موزر پیشنهاد میکند که «سرعت» در حال تبدیل شدن به یک کالای معمولی (Commodity) است. خدمات عالی دیگر به معنای این نیست که پاسخ با چه سرعتی تحویل داده میشود، بلکه به معنای کاهش کل تلاشی است که یک مشتری برای رسیدن به «پاسخ درست» به کار میبرد. ارزش واقعی هوش مصنوعی در اجرای وظایف بهنام مشتریان، پیشنهاد گامهای بعدی یا پر کردن خودکار فیلدهاست، نه صرفاً تولید سریع متن. تولید آنی یک پاسخ هیچ معنایی ندارد اگر آن پاسخ مرتبط نباشد.
از منظر حاکمیتی، این پلتفرم بر مشاهدهپذیری تأکید دارد. سازمانها تشویق میشوند انسانها را در حلقهی فرآیندهایی که برای اتوماسیون کامل آنها راحت نیستند، نگه دارند. این کار به آنها اجازه میدهد سیستمهای جدید را آزمایش کرده و اثرات مثبت و منفی را پیش از مقیاسپذیری درک کنند. این رویکرد از مشکل «جعبه سیاه» (Black Box) جلوگیری میکند و تضمین میکند که تیمها میدانند چه اتفاقی میافتد و چرا.
تکامل مدل «ساخت یا خرید»
خریداران تجاری هوش مصنوعی اکنون محتاطتر و آگاهتر شدهاند. ما در حال حاضر حدود چهار سال است که وارد چرخهای شدهایم که انتظار میرود چندین دهه طول بکشد. سازمانها اکنون اولویتهای خود را به امنیت اطلاعات، حفظ آنچه آنها را متمایز میکند و کارایی واقعی تغییر دادهاند.
بهجای یک تصمیم سخت بین «ساختن» یا «خریدن»، بسیاری از سازمانها مدلهای ترکیبی را میپذیرند. موزر این را «ساخت از طریق خرید» (Build via Buying) توصیف میکند؛ جایی که شرکتها از پلتفرمهایی مثل MelodyArc برای خلق ابزارهای داخلی سفارشی استفاده میکنند، بدون اینکه مجبور باشند زیرساختهای زیربنایی را نگهداری کنند. این به آنها اجازه میدهد بهجای ریسک «همه یا هیچ»، بهصورت تدریجی به سمت پذیرش کامل پیش بروند.
مقیاسپذیری در پیچیدگی سازمانی
پیادهسازی هوش مصنوعی بسته به اندازه شرکت تفاوتهای فاحشی دارد. موزر دو بعد اصلی را شناسایی میکند: گستره سازمان و عمق تاریخی پشته فناوری (Tech Stack) و فرآیندهای آن.
استارتاپهای سریعالرشد فاقد بدهی فنی (Technical Debt) سیستمهای ۲۰ ساله هستند و پیچیدگی سازمانی عمیقی ندارند، که این امر استقرار را سادهتر میکند. در مقابل، سازمانهای بزرگ باید عملیات خود را از پایه بازنگری کنند. آنها باید تصمیم بگیرند که در آینده چگونه میخواهند فعالیت کنند و سپس بهصورت گامبهگام به سمت آن هدف حرکت کنند.
برای این نهادهای بزرگتر، استراتژی شامل اجرای آزمایشهای مستقل در «لبههای» (Edge) سازمان است. با فعالیت موازی با فرآیندهای موجود، شرکتها میتوانند روی جریانهای کاری هوش مصنوعی تکرار و اصلاح کنند بدون اینکه عملیات اصلی کسبوکار را مختل نمایند.
آینده کارکنان خط مقدم
با ادغام هوش مصنوعی در جریانهای کاری روزمره، نقش کارکنان خط مقدم به سمت «ارکستراسیون» تغییر میکند. هدف اصلی، به کار گرفتن بومی انسان و فناوری در کنار یکدیگر است. این یک سیلو ساده نیست که در آن شرکت یک مرحله را خودکار کند و آن را به یک کارمند تحویل دهد؛ بلکه ترکیبی تاندم از هوش مصنوعی، اتوماسیون و تخصص انسانی است.
این لایه ارکستراسیون در نهایت به تیمهای خط مقدم اجازه میدهد تا صدها پروژه کوچک اما با ارزش بالایی را که پیش از این به دلیل بودجه، اندازه تیم یا محدودیتهای نقشه راه غیرممکن بود، مدیریت کنند. با کاهش هزینه راهاندازی، هوش مصنوعی یک ROI مثبت برای پروژههای آینده ایجاد میکند و به تیمها کمک میکند با منابعی که در حال حاضر دارند، کارهای بیشتری انجام دهند.
گام بعدی شما
- ارزیابی مجدد پروژههای متوقفشدهی هوش مصنوعی با رویکرد «اتوماسیون جزئی» بهجای اتوماسیون کامل.
- شناسایی سه مورد کاربردی در سازمان که بیشترین «ساعتهای تلفشده» را دارند و طراحی یک جریان کاری کمکی برای آنها.
- بررسی مدلهای «ساخت از طریق خرید» برای کاهش وابستگی به تیمهای مهندسی مرکزی.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو