اگر هنوز موفقیت تیمتان را با تعداد ساعت‌های حضور در دفتر یا آنلاین بودن در چت می‌سنجید، احتمالاً در حال اندازه‌گیری متغیری هستید که دیگر هیچ ارتباطی با سودآوری ندارد. در دنیایی که یک کار سه ساعته را می‌توان در ۳۰ دقیقه به پایان رساند، ساعت کاری تبدیل به یک معیار توخالی شده است.
به نقل از مصاحبه‌ای با unite.ai، آنکور دینگرا (Ankur Dhingra)، مدیرعامل ProHance، استدلال می‌کند که تنها راه معنادار برای ردیابی بهره‌وری، اندازه‌گیری نتایج (Outcomes) است، نه فعالیت‌ها (Activity). او معتقد است با تسلط عامل‌های هوش مصنوعی بر کارهای دانشی، اندازه‌گیری اینکه یک کارمند چند ساعت پشت میز نشسته است، به معیاری بی‌فایده تبدیل می‌شود.
این چرخش در حالی رخ می‌دهد که سازمان‌ها برای ادغام هوش مصنوعی زاینده (Generative AI) — شبیه به دستیاری که تمام اسناد شرکت را حفظ است و سریع‌ترین پاسخ‌ها را می‌دهد — در جریان‌های کاری خود دست‌وپا می‌زنند. بسیاری از شرکت‌ها هنوز به معیارهای «بخش جلویی» (Front-office) مانند تعداد تماس‌ها یا سرعت پاسخ به چت تکیه می‌کنند، در حالی که عملیات «بخش پشتی» (Back-office) آن‌ها مانند یک جعبه سیاه از ورود دستی داده‌ها و مدیریت پرونده‌ها باقی مانده است. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی اتوماسیون جریان‌های کاری اشاره کردیم، نبودِ دید کلی به فرآیندهای داخلی، بزرگ‌ترین مانع برای مقیاس‌پذیری است. در همین راستا، برخی تحلیلگران معتقدند که اولویت سازمان‌ها باید بر بازطراحی جریان‌های کاری باشد تا ابزارهای تک‌منظوره که تنها بخشی از مشکل را حل می‌کنند.
دینگرا که پیش از این مدیریت عملیات جهانی را در American Express، GE Capital و Genpact بر عهده داشت، ProHance را دقیقاً برای پر کردن این شکاف دیده‌شدگی طراحی کرد.
زمینه حرفه‌ای و رهبری
آنکور دینگرا بیش از دو دهه تجربه رهبری در زمینه‌های بهره‌وری سازمانی، خدمات مالی و عملیات کسب‌وکارهای جهانی دارد. او پیش از آنکه در سال ۲۰۲۰ سکان هدایت ProHance را به دست بگیرد، به عنوان شریک در FutureIP فعالیت می‌کرد؛ محیطی که ProHance در ابتدا در آن به عنوان یک پلتفرم تحلیل و مدیریت عملیات توسعه یافت.
تخصص عملیاتی او در محیط‌های شرکتی با ریسک بالا شکل گرفته است. دینگرا در American Express به عنوان نایب رئیس و مدیر کل عملیات جهانی بخش پشتی (Global Back Office Operations) خدمت کرد. پیش از آن، او مدیریت عملیات تعامل با مشتری را بر عهده داشت و عملکردهای مقیاس‌بزرگ را در کانال‌های تلفنی، چت، امور رگولاتوری و تضمین کسب‌وکار مدیریت می‌کرد.
تجربیات رهبری او به شرکت Genpact نیز گسترش می‌یابد، جایی که او مدیریت یک بخش بانکی متشکل از ۱,۱۰۰ نفر و یک صورت سود و زیان (P&L) به ارزش ۳۵ میلیون دلار را بر عهده داشت. او همچنین عملیات خدمات مالی در هند را برای GE Capital رهبری کرد. این نقش‌ها به او دیدی مستقیم و دست اول از شکست‌های سیستماتیک در نحوه ردیابی بهره‌وری داخلی در سازمان‌های بزرگ داد.
شکاف دیده‌شدگی در بخش پشتی (Back-Office)
دینگرا اشاره می‌کند که در حالی که نقش‌های متوجه به مشتری (Customer-facing) مدت‌هاست از سیستم‌های ردیابی پیشرفته بهره می‌برند، ماشین داخلی سازمان‌های بزرگ اغلب فاقد هرگونه اندازه‌گیری قابل اعتماد است. او در American Express مشاهده کرد که مراکز تماس فناوری لازم برای اندازه‌گیری حجم تعاملات، میزان بهره‌برداری و زمان صرف شده را داشتند. اما وقتی به عملیات بخش پشتی منتقل شد، با واقعیتی کاملاً متفاوت روبرو شد.
حجم عظیمی از کارهای سازمانی در پشت صحنه اتفاق می‌افتد؛ به‌ویژه پردازش تراکنش‌ها، مدیریت پرونده‌ها و ورود داده‌ها. دینگرا این حوزه را صنعتی با ارزش بیش از ۱۵۰ میلیارد دلار توصیف می‌کند که در آن، فعالیت‌های فرآیند-محور بدون داده‌های دقیق از نحوه جریان واقعی کار مدیریت می‌شوند. او می‌گوید که به طور «غیرمنطقی» روی این شکاف وسواس پیدا کرد، زیرا ابزارهای موجود یا بیش از حد گران بودند، یا بیش از حد پیچیده و یا برای واقعیت‌های بخش پشتی بد طراحی شده بودند.
پلتفرم ProHance اکنون به عنوان یک «اتاق کنترل بهره‌وری» عمل می‌کند و دیدی لحظه‌ای از چهار ستون اصلی ارائه می‌دهد:
- کارمندان تمام‌وقت انسانی
- پیمانکاران و تامین‌کنندگان خارجی
- کمک‌خلبان‌های هوش مصنوعی (AI Copilots)
- عامل‌های (Agents) خودمختار — سیستم‌هایی که مثل کارمندانی مستقل، می‌توانند هدف را بگیرند و مراحل رسیدن به آن را بدون نظارت لحظه‌ای اجرا کنند.
طبق مصاحبه با unite.ai، این فناوری در حال حاضر توسط بیش از ۴۵۰,۰۰۰ کاربر در ۲۲۰ سازمان در ۵۵ کشور مختلف مورد استفاده قرار می‌گیرد. این کاربران در بخش‌های مختلفی از جمله خدمات بانکی و مالی، برون‌سپاری فرآیندهای تجاری (BPO)، مراکز قابلیت‌های جهانی، بهداشت و درمان و فناوری اطلاعات فعال هستند.
بازتعریف بهره‌وری برای عصر هوش مصنوعی
وقتی یک انسان از هوش مصنوعی برای تکمیل یک کار سه ساعته در ۳۰ دقیقه استفاده می‌کند، معیار سنتی سه ساعت از بین می‌رود. دینگرا استدلال می‌کند که بهره‌وری اکنون باید منعکس‌کننده ظرفیت، کیفیت و تأثیر تجاری باشد. او هشدار می‌دهد که صرفاً افزودن هوش مصنوعی به ابزارهای قدیمی مدیریت نیروی کار کافی نیست؛ شرکت‌ها ابتدا به درکی دقیق از خودِ «کار» نیاز دارند تا هوش مصنوعی بتواند آن را بهینه کند.
برای ساختن یک سازمان «اول-هوش مصنوعی» (AI-first)، دینگرا معتقد است سازمان‌ها باید از اندازه‌گیری فعالیت به سمت اندازه‌گیری نتایج حرکت کنند. تمرکز باید به این تغییر یابد که مهارت‌ها با چه اثربخشی استفاده شده‌اند و کیفیت نتیجه نهایی چگونه است. این امر مستلزم دیدی قابل اعتماد از کار است که فعالیت‌ها را به طور خودکار در سیستم‌های مختلف ثبت کرده و زمان صرف شده در سیستم و خارج از آن را اندازه‌گیری کند. این رویکرد با دیدگاه‌های جدیدی همسو است که معتقدند هوش مصنوعی عامل‌محور نباید صرفاً اتوماسیون ایجاد کند، بلکه باید کل جریان‌های کاری را بازطراحی نماید.
هوش نیروی کار در مقابل نظارت
تفاوت حیاتی میان «نظارت بر کارمند» (Employee Monitoring) و «هوش نیروی کار» (Workforce Intelligence) وجود دارد. در حالی که اولی بر فعالیت‌های دقیقه به دقیقه فرد متمرکز است، دومی تحلیل می‌کند که کار در کل سازمان چگونه جریان می‌یابد. هوش نیروی کار سیگنال‌های مربوط به حجم کار، ظرفیت، بهره‌برداری و فرآیندها را ترکیب می‌کند تا شناسایی کند کجا تیم‌ها تحت فشار شدید هستند یا کجا کار متوقف شده است.
این سامانه از یادگیری ماشین (Machine Learning) — شبکه‌ای از سلول‌های کوچک، شبیه نقشهٔ مترو، که سیگنال را از ورودی به جواب می‌رساند — برای شناسایی الگوهای داده‌ای در داده‌های قطعی نیروی کار استفاده می‌کند. این قابلیت به سیستم اجازه می‌دهد تا ریسک‌های احتمالی عدم تعهد یا ترک خدمت را شناسایی کند. با این حال، دینگرا تأکید می‌کند که هوش مصنوعی نباید تصمیم‌گیرنده نهایی باشد. از آنج که رفتار کارکنان بسته به پروژه، فصل و چرخه تجاری متفاوت است، یک تغییر واحد در فعالیت برای سیگنال دادن به یک ریسک کافی نیست. سیستم به دنبال الگوهایی در چندین سیگنال در طول زمان می‌گردد.
او بر «توضیح‌پذیری» (Explainability) اصرار دارد تا اطمینان حاصل شود که مدیران پیش از اعمال قضاوت انسانی، عوامل پشت یک سیگنال را درک می‌کنند. شفافیت و نظارت انسانی زمانی که فناوری تصمیماتی درباره انسان‌ها می‌دهد، ضروری است.
برای جلوگیری از ایجاد فرهنگ نظارتی، دینگرا پیشنهاد می‌کند که هدف باید «بهبود عملیاتی» باشد. مرز بین نظارت و هوش، توسط شفافیت و نحوه استفاده از داده‌ها تعیین می‌شود. اگر داده‌ها یک گلوگاه یا حجم کاری بیش از حد را شناسایی کنند، به ابزاری برای بهبود تجربه کارمند تبدیل می‌شوند، نه مکانیزمی برای پلیس‌بازی. فناوری باید گفتگوهای بهتر بین مدیران و تیم‌ها را تسهیل کند، نه اینکه جایگزین آن‌ها شود.
معیار ترکیبی انسان-هوش مصنوعی
با ورود عامل‌های خودمختار به نیروی کار، اندازه‌گیری تنها فعالیت‌های انسانی تصویری ناقص ارائه می‌دهد. دینگرا آینده‌ای را متصور است که در آن سازمان‌ها خروجی ترکیبی انسان‌ها و عامل‌های هوش مصنوعی را در یک جریان کاری واحد اندازه‌گیری کنند. او با امتیازدهی ساده «انسان در مقابل هوش مصنوعی» مخالف است و در عوض دیدی جامع از خروجی ترکیبی را پیشنهاد می‌کند.
معیارهای کلیدی برای این مدل ترکیبی عبارتند از:
- حجم کارهای تکراری حذف شده توسط هوش مصنوعی
- سرعت حرکت فرآیند از ابتدا تا انتها
- کیفیت خروجی نهایی
- نقاطی که مداخله انسانی همچنان حیاتی است
از داشبوردها به اقدامات پیش‌دستانه
ProHance در حال عبور از ارائه داده‌های خام است. در حالی که داشبوردها نشان می‌دهند چه اتفاقی افتاده است، مرحله بعدی هوش عملیاتی، «پیش‌بینانه» (Predictive) است. هدف این است که هوش مصنوعی به طور پیش‌دستانه تغییرات را توصیه کند و از دیده‌شدگی به سمت اقدام حرکت کند.
به جای اینکه مدیران را رها کند تا یک داشبورد را تفسیر کنند، پلتفرم الگوها را شناسایی کرده و به سؤال «چه باید کرد؟» پاسخ می‌دهد. نمونه‌هایی از این توصیه‌های پیش‌دستانه عبارتند از:
- برجسته کردن تیمی که بیش از حد تحت فشار است
- شناسایی مجموعه‌ای از مهارت‌های بلااستفاده
- پیش‌بینی شکاف در ظرفیت نیروی کار
- پیشنهاد بهبودهای خاص در فرآیندها
سیگنال پایداری
به مدیران ارشد هشدار داده شده است که به دنبال یک عدد واحد برای بهره‌وری نباشند. دینگرا پیشنهاد می‌کند برای تعیین اینکه آیا نیروی کار سالم است و با هوش مصنوعی سازگار شده است یا خیر، به ترکیبی از سیگنال‌ها نگاه کنند. او به‌طور خاص «پایداری» (Sustainability) را به عنوان سیگنال اصلی سلامت برجسته می‌کند.
تیمی که با کار مداوم فراتر از ظرفیت معقول، خروجی بالایی می‌دهد، در بلندمدت بهره‌ور نیست، بلکه در معرض ریسک سوختگی (Burnout) است. یک نیروی کار سالم، نیرویی است که در آن ظرفیت، حجم کار و نتایج در تعادل باشند و کارکنان فضای لازم برای تمرکز بر کارهای با ارزش‌تر را داشته باشند.
مسیر تقویت با هوش مصنوعی
سازمان‌های موفق، پذیرش هوش مصنوعی را به عنوان یک تغییر بنیادین در نحوه انجام کار می‌بینند، نه صرفاً پیاده‌سازی یک نرم‌افزار. برندگان کسانی خواهند بود که فراتر از استقرار فناوری بروند تا درک کنند نقش‌ها چگونه در حال تکامل هستند و آیا سازمان به نتایج بهتری دست می‌یابد یا خیر.
سازمان‌ها باید مفهوم بهره‌وری را بازپس گیرند. به جای تعریف آن به عنوان «خروجی بیشتر از افراد کمتر»، باید از هوش مصنوعی برای حذف امور اداری کم‌ارزش و فرآیندهای دستی استفاده کنند. این کار به کارکنان زمان می‌دهد تا بر حل مسئله، تعامل با مشتری و نوآوری تمرکز کنند.
در نهایت، هدف این است که کار را بهتر کنیم، نه اینکه صرفاً مردم را سریع‌تر به کار واداریم. سازمان‌هایی که در اندازه‌گیری تغییر واقعی در جریان‌های کاری شکست می‌خورند، احتمالاً فناوری را بدون مشاهده دستاوردهای معنادار در بهره‌وری مستقر خواهند کرد. مزیت واقعی از ترکیب هوش مصنوعی با فرآیندها، مهارت‌ها و دیده‌شدگی درست نیروی کار حاصل می‌شود.
گام بعدی شما
- بازنگری در KPIهای تیم خود و جایگزینی معیارهای «زمانی» با معیارهای «نتیجه‌محور».
- شناسایی گلوگاه‌های بخش پشتی (Back-office) که هنوز با داده‌های دستی مدیریت می‌شوند.
- تفکیک خروجی‌های تولید شده توسط انسان از خروجی‌های تولید شده توسط عامل‌های هوش مصنوعی برای سنجش نرخ خطا.
اما چالش اصلی در این مسیر، پذیرش فرهنگی است؛ اثر این تغییر رویکرد بر ساختار حقوق و دستمزد را در گزارش بعدی بررسی خواهیم کرد.
گفتگو