جریان‌های کاری هوشمند در برابر ابزارهای تک‌بعدی در حل مسائل عملیاتی

تصور کنید مدیر شرکتی هستید که ده‌ها ابزار هوش مصنوعی خریده، اما بهره‌وری تیمتان تغییری نکرده است؛ مشکل شما ابزار نیست، بلکه نبود یک سیستم هماهنگ برای توزیع وظایف است. پار چادا (Par Chadha)، بنیان‌گذار، مدیرعامل و مدیر ارشد فناوری (CIO) شرکت HandsOn Global Management (HGM)، ادعا می‌کند که شرکت‌های پیشرو و مخرب در عصر جدید، کسانی نیستند که بهترین مدل‌ها را دارند، بلکه کسانی‌اند که در ارکستراسیون یا همان هماهنگ‌سازی وظایف بین انسان و عامل‌های هوشمند (Agentic AI) استاد شده‌اند. این رویکرد با چالش‌های عملیاتی در محیط‌های سازمانی همسو است، چرا که پایداری عامل‌های هوشمند در تولید نیازمند راهکارهایی فراتر از مهندسی پرامپت است.

به نقل از چادا، گردش‌کارهای مبتنی بر هوش مصنوعی اکنون موتور اصلی ایجاد ظرفیت تجاری مقیاس‌پذیر هستند. او یک کارآفرین، سرمایه‌گذار و مدیر اجرایی فناوری است که دهه‌ها تجربه در ساخت و مقیاس‌بندی کسب‌وکارهای فناوری‌محور دارد. از زمان تأسیس HGM در سال ۲۰۰۱، او بر سرمایه‌گذاری در اتوماسیون گردش‌کار، داده‌های حجیم (Big Data)، اتوماسیون رباتیک فرآیندها (RPA)، فناوری‌های شناختی و هوش مصنوعی در بازارهای خدمات مالی، مراقبت‌های بهداشتی، بیمه و بازارهای حقوقی تمرکز کرده است. او همچنین هم‌بنیان‌گذار Rule14 است و پیش از این به عنوان رئیس و رئیس اجرایی Exela Technologies و همچنین رئیس SourceHOV فعالیت می‌کرد.

این تحول در حالی رخ می‌دهد که سازمان‌ها برای عبور از مراحل آزمایشی و ایزوله هوش مصنوعی در تکاپو هستند. در حالی که بسیاری از شرکت‌ها با هوش مصنوعی مولد (Generative AI) تجربه می‌کنند، تعداد کمی از آن‌ها موفق شده‌اند آن را در عملیات‌های حیاتی و حساس (Mission-Critical) ادغام کنند. طبق گزارش‌های چادا، این شکاف اغلب بیشتر سازمانی است تا فنی؛ چرا که متخصصانی با ۵، ۱۰ یا ۲۰ سال تجربه، سخت می‌توانند از حاشیه امن سنتی خود به سمت فرآیندهای تقویت‌شده با AI حرکت کنند. او این رفتار را در سطح جهانی، در آمریکا، هند، فیلیپین و اروپا مشاهده کرده و هشدار می‌دهد که این گذار برای شرکت‌ها یک وضعیت «بودن یا نبودن» (Do or Die) است؛ کسانی که گردش‌کار را متحول کنند پیش خواهند رفت و کسانی که این کار را نکنند، توسط دیگران متحول (و حذف) خواهند شد.

فلسفه سرمایه‌گذاری «Hands-On»

چادا شرکت HandsOn Global Management را در سال ۲۰۰۱ تأسیس کرد، یعنی مدت‌ها پیش از آنکه هوش مصنوعی به یک تم رایج در سرمایه‌گذاری تبدیل شود. رویکرد او بر محور «رهبری خدمتگزار» (Servant Leadership) استوار است؛ جایی که هدف، خدمت به افرادی است که برای سازمان کار می‌کنند و پر کردن شکاف‌های عملیاتی برای موفق‌تر کردن تیم‌های مدیریتی است. نام «HandsOn» (به معنای عملی یا دست‌به‌کار) کاملاً تحت‌اللفظی است؛ چادا معتقد است اگر رهبری «Hands-off» (غیرفعال یا دور از عملیات) باشد، جایگاهی در سازمان ندارد.

او کسب‌وکارهای پایدار AI را از هایپ‌های کوتاه‌مدت با یک معیار متمایز می‌کند: توانایی تبدیل یک سرمایه‌گذاری به یک کسب‌وکار درآمدزا. به گفته چادا، مالکیت معنوی (IP) تنها یک هزینه است، مگر اینکه یک ارزش پیشنهادی (Value Proposition) خاص را برای مشتری حل کند. او تأکید می‌کند که اتوماسیون باید حول محور عملکردهای خاص هر کسب‌وکار طراحی شود؛ او اشاره می‌کند که یک پمپ‌بنزین نیازهایی کاملاً متفاوت از یک رستوران دارد. او استدلال می‌کند شرکت‌هایی ماندگار می‌شوند که مشتریان در آن‌ها تفاوت‌های ملموسی در سودآوری، مقیاس‌پذیری یا توانایی انجام وظایفی که پیش از این از نظر اقتصادی غیرممکن بود، مشاهده کنند.

اتوماسیون از دیدگاه او، «ظرفیت انعطاف‌پذیر» (Flex Capacity) ایجاد می‌کند. او اشاره می‌کند که اگر اتوماسیون اجازه دهد یک کارمند به‌جای ۱۰۰ تراکنش، ۲۵۰ تراکنش را مدیریت کند، کسب‌وکار بدون افزایش خطی هزینه‌ها، ظرفیت رشد به دست می‌آورد. این امر باعث می‌شود کسب‌وکار سودآورتر و مقیاس‌پذیرتر شود. اکنون، هوش مصنوعی این روند را از طریق ارکستراسیون وظایف مختلف با حضور همزمان انسان و عامل‌های هوشمند در چرخه پیش می‌برد. اگرچه فناوری به شدت تغییر کرده است، اما چادا معتقد است پرسش بنیادین همچنان ثابت است: این فناوری به کسب‌وکار اجازه می‌دهد چه کاری را بهتر انجام دهد؟

استراتژی عملیاتی و هم‌افزایی پورتفولیو

برخلاف مدل‌های سنتی سرمایه‌گذاری خطرپذیر (VC) یا سهام خصوصی (PE)، شرکت HGM یک نقش عملیاتی فعال ایفا می‌کند. چادا به این باور نیست که در رأس هرم بنشیند و صرفاً دستور صادر کند. در عوض، او دست‌در‌دست تیم‌های مدیریتی کار می‌کند و بر این موارد تمرکز می‌کند: چه کسی کسب‌وکار را اداره خواهد کرد، جایگاه کسب‌وکار در بازار چگونه است و ارزش پیشنهادی دقیق برای مشتریان و شرکا چیست. او مالکیت یک سرمایه‌گذاری و اداره یک کسب‌وکار را به جای عملکردهای مجزا، به عنوان فعالیت‌هایی یکپارچه می‌بیند.

برای ایجاد همکاری بین یک پورتفولیوی متنوع، چادا از رویکرد «باشگاه کوچک» استفاده می‌کند، مشابه استراتژی او در حوزه امنیت سایبری. او به جای تحمیل یک اکوسیستم مصنوعی که در آن هر شرکت مجبور باشد از خدمات تمام شرکت‌های دیگر استفاده کند، متخصصان را در حوزه‌های مربوطه بر اساس بهترین قابلیت‌هایشان به هم متصل می‌کند.

• همکاری ارزش‌محور: شرکت‌ها برای دستیابی به مشتریان جدید یا بهره‌برداری از یک قابلیت فنی خاص با هم ترکیب می‌شوند. هدف این است که قابلیت‌ها در قالب چیزی جمع شوند که مشتری واقعاً بتواند از آن استفاده کند.
• رهبری عملیاتی: چادا معرفی‌های لازم را انجام می‌دهد اما اجازه می‌دهد شخص عملیاتی (Operating Person) رهبری را بر عهده بگیرد. او در جریان امور می‌ماند و در دسترس است، اما مدیر عملیاتی است که نقشه راه محصول و تصمیمات بودجه را تعیین می‌کند.
• پرهیز از هم‌افزایی اجباری: همکاری تنها در صورتی دنبال می‌شود که ارزش ملموسی ایجاد کند. اگر ارزشی وجود نداشته باشد، دلیلی برای تحمیل شراکت نیست.

هوش مصنوعی در صنایع تحت نظارت

شرکت HGM به عنوان ترکیبی از یک شرکت سرمایه‌گذاری و ارائه‌دهنده خدمات متنوع عمل می‌کند و استقرار سرمایه را با تخصص عملیاتی ترکیب می‌کند. این شرکت بازارهای آمریکای شمالی، آسیا-پاسیفیک و خاورمیانه را هدف قرار داده و بر مراقبت‌های بهداشتی، خدمات مالی، بیمه و بازارهای حقوقی تمرکز دارد. یکی از تمرکزهای اصلی، خدمات بهداشتی مبتنی بر AI است، از جمله مدیریت چرخه درآمد (RCM)، کدگذاری پزشکی، شنود محیطی (Ambient Listening) و تحلیل‌های بهداشتی.

در حوزه سلامت، چادا یک شکست بحرانی را شناسایی کرده است: این صنعت عملکردهای تک‌تک را دیجیتالی کرده است، اما در متصل کردن کل سازمان شکست خورده است. او استدلال می‌کند که بخش‌های ادعاهای بیمه‌ای، ثبت‌نام، مدیریت مراقبت، داروخانه، خدمات ارائه‌دهندگان، تحلیل‌ها و مدیریت چرخه درآمد هنوز به عنوان سیستم‌های جداگانه و گسسته عمل می‌کنند.

اصطکاک سیستم‌های گسسته

این پراکندگی باعث تکرار کارها، ناکارآمدی، هزینه‌های بالاتر و تجربه بد برای اعضا و ارائه‌دهندگان خدمات می‌شود. فرصت واقعی در جاسازی هوش مصنوعی مستقیماً در دل گردش‌کار است، نه صرفاً اضافه کردن یک اپلیکیشن دیگر. با کنار هم قرار دادن داده‌ها، فرآیندها و افراد، AI می‌تواند به درک رویدادهای جاری کمک کند، پیش‌بینی کند چه اتفاقی در آینده می‌افتد، اقدامات لازم را توصیه کند و کارهایی را که به‌طور مناسب قابل اتوماسیون هستند، خودکار کند.

کارهای اداری هدف اصلی این تحول هستند. ارائه‌دهندگان خدمات در حال حاضر تحت فشار فرآیندهای دستی و تاییدات اولیه (Prior Authorizations) هستند. ساده‌سازی این گردش‌کارها ظرفیت بیشتری برای متخصصان ایجاد می‌کند و در نهایت زمان بیشتری را برای مراقبت از بیمار فراهم می‌سازد. با این حال، چادا تأکید می‌کند که امنیت، انطباق (Compliance) و حاکمیت داده باید بخشی از معماری باشند تا اعتماد بیمار حفظ شود. هدف «هوش مصنوعی برای به‌خاطر خودِ هوش مصنوعی» نیست، بلکه مراقبت بهتر، هزینه‌های کمتر و عملکرد عملیاتی برتر است.

مرز مسئولیت‌پذیری

در بخش‌های تحت نظارت، چادا معتقد است که «مسئولیت‌پذیری» (Accountability) خط dividing یا مرز تفویض اختیار به AI است. در کسب‌وکارهایی مانند امنیت سایبری، رگولاتورها ممکن است از هیئت مدیره و مدیریت بخواهند اطلاعات را به‌سرعت افشا کنند و اغلب نیاز است که مدیریت ارشد بیانیه‌های عمومی را امضا کند. از آنجایی که هیچ فردی نمی‌تواند همه چیز را در لحظه بداند، AI برای سازماندهی اطلاعات و ایجاد خطوط پایه (Baselines) استفاده می‌شود، اما نمی‌تواند مسئولیت قانونی امضاکننده انسانی را حذف کند.

• وظایف کم‌ریسک: عملکردهایی که پیش‌بینی، تشخیص یا توصیه می‌کنند را می‌توان برای افزایش بهره‌وری اتوماتیک کرد.
• تصمیمات با پیامدهای بالا: تصمیماتی با ریسک قابل توجه نیاز به حاکمیت سخت‌گیرانه، قابلیت توضیح‌پذیری (Explainability) و بازبینی انسانی در چرخه (Human-in-the-loop) دارند. هرچه تصمیم حساس‌تر باشد، حاکمیت مهم‌تر می‌شود.
• معماری ترکیبی: سیستم باید تشخیص دهد کجا اتوماسیون مناسب است و کجا یک شخص باید قضاوت کند یا پشت نتیجه بایستد.

این معماری تضمین می‌کند که AI پیچیدگی را ساده می‌کند بدون اینکه قضاوت انسانی مورد نیاز رگولاتورها را حذف کند. چادا این را به عنوان انتخابی بین AI کاملاً خودمختار و کار دستی نمی‌بیند، بلکه آن را یک تصمیم استراتژیک می‌داند که کجا AI می‌تواند مؤثرانه عمل کند و کجا یک انسان باید مسئول بماند.

استخراج داده و Rule14

چادا به عنوان هم‌بنیان‌گذار Rule14، پلتفرمی که برای یافتن، نظارت، تحلیل و تلخیص اطلاعات در زمان واقعی طراحی شده است، مشاهده می‌کند که مدل‌های زبانی بزرگ (LLM) اقتصاد پردازش اطلاعات را به طور بنیادین تغییر داده‌اند. او اشاره می‌کند که LLMها به متخصصانی مانند وکلا اجازه می‌دهند حجم عظیمی از داده‌ها را در مقیاسی پردازش و بسته‌بندی کنند که پیش از این با ابزارهای قدیمی غیرممکن بود. در این راستا، داده‌های اختصاصی به‌ویژه در لایه‌های IoT می‌توانند به عنوان خندق دفاعی شرکت‌ها در برابر مدل‌های عمومی عمل کنند.

او به‌ویژه به این موضوع علاقه‌مند است که چگونه پلتفرم‌هایی که برای یک هدف ساخته شده‌اند، می‌توانند برای هدفی متفاوت در مقیاس بزرگ بسته‌بندی و استفاده شوند. او استدلال می‌کند که LLMها فراتر از تلخیص ساده عمل می‌کنند؛ آن‌ها اقتصاد نحوه پردازش و تحویل حجم زیادی از اطلاعات را تغییر می‌دهند. با این حال، او نسبت به این فرض که یک مدل «همه چیز را می‌داند» هشدار می‌دهد. کیفیت و در دسترس بودن داده‌های زیربنایی همچنان گلوگاه‌های اصلی هستند. در دنیای واقعی، اطلاعات می‌تواند ناقص یا غیرقابل دسترس باشد؛ در حالی که مدل‌ها متخصصان را بهره‌ورتر می‌کنند، اما نیاز به درک دقیق اینکه سازمان واقعاً چه اطلاعاتی در اختیار دارد را از بین نمی‌برند.

گسست در لایه میانی

برخلاف این باور که AI فقط بر نیروی کار کم‌مهارت تأثیر می‌گذارد، چادا پیش‌بینی می‌کند که «لایه میانی» نیروی کار با بیشترین گسست و تحول روبرو خواهد شد. او استدلال می‌کند که رهبران ارشد اکنون می‌توانند کارهای بیشتری انجام دهند، که این امر نیاز به مدیریت میانی برای نظارت بر عملکردهایی مانند کدنویسی، تست، ورود داده‌ها و تحلیل داده‌ها را کاهش می‌دهد. گردش‌کارها و داشبوردها در حال کاهش نیاز به مدیریت این عملکردهای خاص هستند.

این گسست از طریق همگرایی اتوماسیون شناختی و AI فیزیکی به دنیای واقعی نیز گسترش می‌یابد:

• مهمان‌نوازی: رستوران‌ها به‌طور فزاینده‌ای در حال اتوماتیک شدن هستند.
• کشاورزی: ماشین‌های خودمختار، ربات‌ها و پهپادها در حال جایگزینی نیروی انسانی در فصول کاشت و برداشت هستند. این تحول نشان می‌دهد که در محیط‌های فیزیکی، هوش مصنوعی باید به جای یک کمک‌خلبان ساده، به عنوان یک سامانه کنش‌گرا طراحی شود.

چادا اذعان می‌کند که در این گذار دردهایی وجود خواهد داشت، زیرا موتورهای بهره‌وری به افراد کمتری نیاز دارند. با این حال، او استدلال می‌کند که بهبود بهره‌وری تنها راه رقابت با کشورهای پرجمعیت‌تر با ساختارهای هزینه‌ای متفاوت است، که پتانسیل ایجاد یک «قرن جدید آمریکایی» را دارد.

انطباق جهانی و فرهنگ

چادا با فعالیت در آمریکای شمالی، آسیا-پاسیفیک و خاورمیانه، تأکید می‌کند که فناوری را نمی‌توان به عنوان یک مدل «یک اندازه برای همه» (One-size-fits-all) پیاده کرد. او تصریح می‌کند که روابط شخصی و درک فرهنگی برای کاهش شکاف در پذیرش فناوری ضروری است. او بین «روابط غیرشخصی» — آن‌هایی که محدود به ایمیل و دایرکتوری‌ها هستند — و «اتصالات عمیق» که از طریق سفر و شناخت شخصی ساخته می‌شوند، تفاوت قائل است.

یک رهبر می‌تواند با یادگیری درباره ورزش‌های محلی، غذاها، سیستم‌های آموزشی و حساسیت‌های فرهنگی، دیوارهایی را که مانع گسترش کسب‌وکار می‌شوند، کاهش دهد. او اشاره می‌کند که بازارهای مختلف در نقاط متفاوتی از بلوغ دیجیتال هستند؛ برخی کشورها در برخی خدمات حرفه‌ای از آمریکا جلوتر هستند، در حالی که آمریکا در اشکال دیگر اتوماسیون پیشرو است. شما نمی‌توانید فرض کنید یک مدل واحد در همه جا نتیجه یکسانی تولید می‌کند؛ باید درک کنید که بازار خاص چگونه کار می‌کند و با کاربران واقعی رابطه برقرار کنید.

برای بنیان‌گذاران، توصیه چادا روشن است: بر بهره‌وری ایجاد شده در دل گردش‌کار تمرکز کنید. هدف ساخت ابزاری است که به بخشی جدانشدنی از نحوه انجام واقعی کار تبدیل شود، در حالی که تشخیص می‌دهید سازمان‌هایی که این فناوری را می‌پذیرند، در حال تجربه یک گذار بزرگ در نیروی کار هستند. در سال‌های آینده منتظر همگرایی AI عامل‌محور و رباتیک فیزیکی باشید، زیرا این تلاقی احتمالاً رقابت‌پذیری جهانی و ساختارهای هزینه‌ای را بازتعریف خواهد کرد.

گام بعدی شما

• تحلیل کنید کدام بخش از گردش‌کار شما «تکراری» است و می‌تواند توسط یک عامل هوشمند مدیریت شود.
• به جای خرید ابزارهای AI پراکنده، روی یک سیستم ارکستراسیون برای اتصال ابزارها و انسان‌ها سرمایه‌گذاری کنید.
• در صورت فعالیت در صنایع حساس، یک ماتریس مسئولیت‌پذیری رسم کنید تا مشخص شود کجا AI پیشنهاد می‌دهد و کجا انسان امضا می‌کند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.