اتوماسیون وظایف تکراری در برابر پروژه‌های عظیم و بلندمدت هوش مصنوعی

تصور کنید مدیر عملیاتی هستید که سال‌هاست با نمودارهای فرآیندی قدیمی دست‌وپنجه نرم می‌کند، در حالی که می‌داند واقعیتِ کار در سازمان با آن نمودارها فاصله دارد. اگر هنوز به دنبال یک «تحول جامع» در سطح سازمان هستید، احتمالاً در تله‌ای افتاده‌اید که بسیاری از پروژه‌های شکست‌خورده هوش مصنوعی در آن گرفتار شده‌اند. شکست‌های رایج در تحولات «پرچمی» (Flagship) هوش مصنوعی معمولاً به دلیل سنگینی نقشه‌های راه دو ساله، برنامه‌های سازمانی گسترده، دفاتر تحول و کمیته‌های هدایت رخ می‌دهد که پروژه را زیر بار بوروکراسی دفن می‌کنند.

به نقل از راهنمای منتشرشده در اواخر سال ۲۰۲۴ توسط unite.ai، مسیر سریع‌تر برای رسیدن به بهره‌وری، رها کردن این رویکردها و شناسایی یک «اسب کاری» (Workhorse) است. اسب کاری یعنی یک گردش‌کار تک، پرحجم و تکراری که اگر در آن شکست رخ دهد، سازمان را واقعاً دچار درد کند؛ مواردی مانند تریژ ادعاهای بیمه (Claims Triage)، بازپرداخت‌های مشتریان، استثنائات صورت‌حساب یا درخواست‌های دسترسی. استراتژی این است که به جای یک تحول عظیم، یک ساختار منضبط «سه-بازیگره» را طی چند هفته روی یکی از این فرآیندها پیاده کنید.

انتخاب اسب کاری

کاندیدای ایده‌آل برای اولین پیاده‌سازی باید پروفایل مشخصی داشته باشد: هر روز اجرا شود، حجم عملیاتی واقعی داشته باشد، هزینه خطا در آن بالا باشد و قوانین حاکم بر آن عمدتاً از پیش وجود داشته باشند. یک شرط حیاتی این است که تمام سیستم‌هایی که این گردش‌کار با آن‌ها در تماس است، باید قابل دسترسی باشند. هدف از اولین گردش‌کار، کسب شهرت یا «شکوه» نیست؛ بلکه هدف این است که به سازمان روشی برای کار روی موضوعاتی بیاموزد که آن‌قدر اهمیت دارند که بتوان درباره آن‌ها صادق بود. از تحولات «پرچمی» که نُه ذینفع مختلف دارند دوری کنید و روی اسب کاری تمرکز کنید.

بسیاری از سازمان‌ها با هوش مصنوعی مانند یک به‌روزرسانی نرم‌افزاری برخورد می‌کنند، اما چالش واقعی، «نقشه‌برداری عملیاتی» است. اکثر شرکت‌ها به نمودارهای فرآیندی متکی هستند که سال‌ها پیش طراحی شده‌اند و نحوه واقعی اجرای کار را نادیده می‌گیرند. در واقعیت، عملیات تجاری از «استثنائات» تشکیل شده است؛ مثلاً صورت‌حسابی که سفارش خرید (PO) ندارد، تامین‌کننده‌ای که مسدود شده اما حیاتی است، یا درخواستی که روتین به نظر می‌رسد تا زمانی که یک سند، همه چیز را تغییر دهد. دانش حل این مسائل فقط در ذهن کارکنان باسابقه است.

نقشه‌برداری از عملیات واقعی

برای پر کردن این شکاف، این چارچوب پیشنهاد می‌کند کار را دقیقاً همان‌طور که در واقعیت اجرا می‌شود و با کمک افرادی که آن را پیش می‌برند، توصیف کنید. این فرآیند شامل مستندسازی موارد زیر است:

• مسیر عادی گردش‌کار.
• استثنائات خاص و نحوه حل هر یک از آن‌ها.
• قوانینی که در حال حاضر اجرا می‌شوند.
• اینکه چه کسی درباره چه چیزی تصمیم می‌گیرد.
• اتفاقاتی که هنگام بروز خطا در یک اقدام رخ می‌دهد.

در این مرحله می‌توان از هوش مصنوعی سخاوتمندانه استفاده کرد. مدل‌ها در پیش‌نویس کردن توصیفات کاری بر اساس مشاهدات، مصاحبه‌ها، تیکت‌ها و ردپایی که کار در سیستم‌ها به جای می‌گذارد، بسیار مؤثر هستند. سپس انسان‌ها تنها وظیفه‌ای را انجام می‌دهند که در آن متخصص‌اند: اعتبارسنجی، بحث درباره پیش‌نویس و اصلاح آن. در حالی که تولید پیش‌نویس ارزان است، اما حقیقت همچنان از زبان انسان‌ها جاری می‌شود.

پس از اینکه نقشه به حقیقت پیوست، کار بین سه بازیگر متمایز تقسیم می‌شود:

مدل عملیاتی سه-بازیگره

• ریل‌ها (The Rails): وظایف تکراری — مانند جستجوها، تطبیق‌ها و ثبت‌هایی که هر بار به یک شکل اجرا می‌شوند — روی ریل‌های خودکار قرار می‌گیرند. این بخش تصمیم نهایی را با یک ردپای حسابرسی (Audit Trail) کامل که خودبه‌خود نوشته می‌شود، اجرا می‌کند.
• عامل (The Agent): عامل‌های هوش مصنوعی (AI Agents) مرحله قضاوت را مدیریت می‌کنند. آن‌ها پرونده‌های نامنظم را می‌خوانند، استثنائات را می‌سنجند و شواهدی را برای پیشنهاد یک مسیر جمع‌آوری می‌کنند.
• انسان (The Person): یک شخص مشخص در «دروازه» قرار می‌گیرد. او کارهای اجرایی و پیش‌زمینه را انجام نمی‌دهد؛ او فقط تأیید، رد یا تعهد نهایی را در جایی که پیامدها وزن زیادی دارند، صادر می‌کند.

این مدل عملیاتی از یک فرم ساده پیروی می‌کند: هوش مصنوعی پیشنهاد می‌دهد، انسان تصمیم می‌گیرد و اتوماسیون اجرا می‌کند. این تغییر، نقش انسان را از «انجام‌دهنده کار» به «تأییدکننده نتیجه» تغییر می‌دهد. بازبینی‌کننده‌ای که پرونده‌ای آماده با شواهد جمع‌آوری‌شده و قوانین بررسی‌شده دریافت می‌کند، به‌جای یک ساعت کار دستی، تنها چند دقیقه برای قضاوت زمان می‌گذارد.

مسیر ترفیع به خودکار

استقرار باید به صورت یک «راه‌اندازی نظارت‌شده» آغاز شود. هرگز به صورت خودکار (Autonomous) شروع نکنید. در چند هفته اول، شخصی که با کار آشناست، عامل را فراخوانی کرده و آن را زیر نظر می‌گیرد و در صورت نیاز، آن را هدایت یا اصلاح می‌کند. اگرچه این روند کند به نظر می‌رسد، اما سریع‌ترین راه برای تولید شواهد است.

بخش اول این معماری یک تمایز حیاتی قائل می‌شود: «تأییدها» (Approvals) داده نیستند، اما «اعتبارسنجی‌ها» (Verifications) هستند. دوره نظارتی جایی است که این اعتبارسنجی‌ها ثبت می‌شوند. هر اصلاح — اینکه چرا یک پیشنهاد اشتباه بود و پاسخ درست چیست — به بخشی از قضاوت سازمانی تبدیل می‌شود. این اصلاحات به عنوان «برنامه درسی» عمل کرده و فاش می‌کنند کدام قوانین مبهم بودند و کدام استثنائات در نقشه اولیه جا افتاده بودند.

ترفیع به حالت خودکار صرفاً بر اساس شواهد است، نه نسخه مدل. وقتی سوابق نشان دهند که یک نوع تصمیم‌گیری به طور مداوم و بدون نیاز به اصلاح در تعداد موارد کافی انجام شده است، آن بخش ترفیع می‌یابد. این یعنی یک رویداد تجاری باعث شروع کار می‌شود و نقش انسان تنها به دروازه محدود می‌گردد. اگر پس از ترفیع، عملکرد افت کند، تنزل رتبه (Demotion) خودکار است و نیازی به جلسه ندارد. یک مدل بهتر به تنهایی چیزی به دست نمی‌آورد؛ شما «گردش‌کار» را ترفیع می‌دهید، نه مدل را.

مدیریت دروازه انسانی

منتقدان استدلال می‌کنند که بازبینی‌کنندگان انسانی در صف هزاران استثنا غرق خواهند شد. با این حال، این چارچوب اشاره می‌کند که این استثنائات همین حالا هم توسط انسان‌ها به صورت سرتاسری (End-to-End) مدیریت می‌شوند. در حال حاضر کسی باید شواهد را جمع کند، در پنج سیستم مختلف به دنبال زمینه بگردد، تصمیم بگیرد و نتیجه را وارد کند. دروازه انسانی، انسانی را به این خط لوله اضافه نمی‌کند، بلکه انسان را از هر چیزی به جز «تصمیم‌گیری» حذف می‌کند.

برای جلوگیری از «تأییدات کورکورانه» (Rubber-stamping) و بهینه‌سازی توجه بازبینی‌کننده — که کمیاب‌ترین منبع سیستم است — طراحی سیستم به گونه‌ای است که قضاوت را به طور هدفمند توزیع کند:

• جریان عادی (Routine Stream): پرونده‌های با اطمینان بالا از یک مسیر بررسی سبک‌تر عبور می‌کنند.
• جریان پیچیده (Complex Stream): موارد نامطمئن یا بدیع به بررسی کامل هدایت می‌شوند.
• جریان بحرانی (Critical Stream): اقدامات غیرقابل بازگشت یا مواردی بالاتر از یک آستانه خاص، فارغ از میزان اطمینان مدل، بررسی کامل را اجباری می‌کنند.

سازمان‌ها باید خودِ دروازه را اندازه‌گیری کنند — زمان بازبینی، نرخ ویرایش و موارد ارجاع شده — تا بتوانند در لحظه، اعتبارسنجی واقعی را از تأییدات کورکورانه تشخیص دهند.

نگه داشتن نقشه در وضعیت درست

ساخت سیستم با رفتن روی خط تولید (Go-live) تمام نمی‌شود، زیرا کسب‌وکار ایستا نیست. سیاست‌ها تغییر می‌کنند، سیستم‌ها به‌روزرسانی می‌شوند و هر فصل تامین‌کنندگان یا مقررات جدیدی می‌رسند که کار را از توصیف اولیه دور می‌کنند. برای مقابله با این موضوع، نقشه نیاز به یک مالک دارد: «نقشه‌بردار» (Cartographer). نقشه‌بردار معمولاً کسی است که از پیش با کار آشناست و مسئولیت دارد تا با تکامل کسب‌وکار، توصیفات را درست نگه دارد. در حالی که یک پروژه اولین نقشه را می‌سازد، نقشه‌بردار تضمین می‌کند که این نقشه دقیق باقی بماند.

دارایی بلندمدت

وقتی اولین گردش‌کار فعال شد، دومی و سومی ارزان‌تر می‌شوند زیرا از همان موجودیت‌ها، ریل‌ها، طراحی‌های دروازه و عادات بازبینی استفاده می‌کنند. خروجی نهایی تنها یک نرم‌افزار نیست، بلکه یک نقشه مکتوب از نحوه عملکرد واقعی کسب‌وکار و سوابق رو به رشد تصمیمات و دلایل آن‌هاست.

در حالی که شرکت‌ها همیشه مدل‌های خود را از فروشندگان اجاره می‌کنند، اما «نقشه» و «سوابق تصمیم‌گیری» دارایی‌های مالکانه (Proprietary Assets) باقی می‌مانند. این مالکیت معنوی در برابر به‌روزرسانی‌های مدل و تغییرات پلتفرم‌ها دوام می‌آورد و مزیت رقابتی ایجاد می‌کند که هیچ رقیبی نمی‌تواند آن را بخرد.

گام بعدی شما

• یک فرآیند تکراری با حجم بالا (مانند تریژ مدل‌های پشتیبانی) را شناسایی کنید که قوانین آن در ذهن افراد است، نه در مستندات.
• یک «نقشه واقعی» از استثنائات این فرآیند رسم کنید و از مدل‌های زبانی برای تبدیل مصاحبه‌ها به توصیف عملیاتی استفاده کنید.
• مدل سه‌گانه (ریل، عامل، انسان) را پیاده کرده و معیارهای «نرخ ویرایش» را برای سنجش کیفیت تأییدات انسانی رصد کنید.

اما این مدل تنها بخشی از ماجراست؛ برای درک اینکه چگونه می‌توان این عامل‌ها را با پروتکل‌های جدید متصل کرد، تحلیل ما درباره‌ی MCP را بخوانید.