عامل‌های تخصصی در برابر LLMهای عمومی برای مدیریت قراردادهای سازمانی

تصور کنید هزاران قرارداد پیچیده در سازمانتان دارید که هر کدام حاوی تعهدات مالی میلیونی هستند، اما هیچ‌کس دقیقاً نمی‌داند در لحظه چه اتفاقی می‌افتد. اگر هنوز قراردادها را به‌عنوان فایل‌های PDF ایستا می‌بینید، در حال از دست دادن حجم عظیمی از داده‌های عملیاتی هستید. در حالی که قراردادها تنها نقطه‌ای هستند که در آن نیات یک شرکت به تعهدات الزام‌آور تبدیل می‌شوند، اکثر آن‌ها در قالب فایل‌های PDF ساکن حبس شده‌اند.

به گزارش Sirion، شرکت پیشرو در مدیریت چرخه حیات قراردادها (CLM)، این سازمان‌ها اکنون در حال تبدیل اسناد خشک به «هوش سیال» هستند؛ داده‌هایی که مستقیماً در تصمیمات تجاری جریان می‌یابند. این پلتفرم با ترکیب هوش مصنوعی محاوره‌ای و عامل‌های هوش مصنوعی (AI Agents) — شبیه به کارشناسان متخصصی که هر کدام فقط یک وظیفه خاص را با دقت ۱۰۰٪ انجام می‌دهند — قابلیت‌هایی چون ساختاردهی به مخازن قرارداد، پاسخ به سؤالات درباره مفاد، تولید و بازبینی توافق‌نامه‌ها، شناسایی ریسک‌ها، پیشنهاد اصلاحات (Redlines) و نظارت بر تعهدات و توافق‌نامه‌های سطح خدمات (SLA) را فراهم می‌کند.

برای دهه‌ها، دنیای شرکت‌ها قرارداد امضا شده را خط پایان می‌دیدند. به محض اینکه یک معامله بسته می‌شد، سند در یک مخزن آرشیو می‌شد و تا زمانی که اختلافی بروز می‌کرد یا تاریخ تمدید فرا می‌رسید، نادیده گرفته می‌شد. این رویکرد تکه‌تکه باعث «نشت ارزش» (Leakage) گسترده‌ای می‌شد؛ یعنی شرکت‌ها در تحقق ارزش مفادی که عملاً در مذاکرات به دست آورده بودند، شکست می‌خوردند.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های سازمانی اشاره کردیم، اعتماد در مقیاس صنعتی با وعده‌های کلی ساخته نمی‌شود، بلکه با دقت در جزئیات حاصل می‌شود. کانتی پرابها (Kanti Prabha)، هم‌بنیان‌گذار و رئیس Sirion، یک رهبر فناوری سازمانی با بیش از دو دهه تجربه است. پیشینه او حوزه‌های توسعه محصول، فناوری حقوقی، مالکیت معنوی، عملیات و SaaS را در بر می‌گیرد. او به‌عنوان یکی از اعضای تیم مؤسس Sirion، نقشی محوری در شکل‌دهی به چشم‌انداز محصول، طراحی و توسعه شرکت داشت. پیش از رسیدن به مقام ریاست، او در پست‌های مدیریتی از جمله مدیر عملیاتی (COO) و معاون مدیریت محصول فعالیت می‌کرد. مسیر شغلی او از خدمات ثبت اختراع در Evalueserve آغاز شد و سپس به‌عنوان یکی از اعضای تیم مؤسس و اولین کارمند UnitedLex، راهکارهای فناوری‌محور برای دپارتمان‌های حقوقی شرکت‌ها توسعه داد و ابتکارات مالکیت معنوی را مدیریت کرد. او همچنین به‌عنوان مشاور akirolabs فعالیت می‌کند و پیش از این به Clarisights مشاوره داده است.

پرابها مسیر خود را از شیمی آغاز کرد اما به‌سرعت متوجه شد حل مسائل تجاری جذاب‌تر است تا گذراندن تمام عمر در یک آزمایشگاه. این موضوع او را به سمت مالکیت معنوی سوق داد، جایی که روی پتنت‌ها کار کرد و بعدها تیم‌هایی را رهبری کرد که راهکارهای فناوری و حقوقی برای سازمان‌های بزرگ توسعه می‌دادند.

نقطه عطف زندگی او همکاری با Hewlett-Packard (HP) بود. در آن زمان، HP پس از یک تصاحب بزرگ، هزاران قرارداد داشت که نیاز به سازماندهی و مدیریت داشتند. در حالی که در ابتدا به نظر می‌رسید این پروژه صرفاً مربوط به مشکل ذخیره‌سازی در یک مخزن است، پرابها دریافت که ذخیره‌سازی تنها بخش کوچکی از فرصت موجود است.

او تشخیص داد که قراردادها حاوی داده‌های حیاتی هستند: شرکت چه چیزی خریده است، چه چیزی فروخته است، چه وعده‌هایی داده است، تأمین‌کنندگان چه تعهداتی داشته‌اند، مبالغ پرداختی چقدر است، ریسک‌ها کجا قرار دارند و ارزش در کجا احتمالاً در حال از دست رفتن است. چون این اطلاعات به‌راحتی در دسترس نبودند، به یک منبع دست‌نخورده از هوش تجاری تبدیل شده بودند. این بینش تبدیل به سنگ بنای تأسیس Sirion شد.

او مفهوم «هوش سیال» را تعریف می‌کند. قراردادها در حالت ایستا فقط هنگام مذاکرات یا زمانی که مشکلی پیش می‌آید باز می‌شوند. اما آن‌ها حاوی جزئیات دقیقی هستند: شرکت موافقت کرده چه مبلغی بپردازد، مشتری موافقت کرده چه چیزی بخرد، قیمت‌ها چه زمانی می‌توانند تغییر کنند، چه سطوح خدماتی باید رعایت شوند، توافق‌نامه چه زمانی تمدید می‌شود، اگر کسی در عملکردش کوتاهی کند چه اتفاقی می‌افتد و چه کسی مالک کدام تعهد است.

هوش مصنوعی اجازه می‌دهد این زبان غیرساختاریافته برای تیم‌های مختلف فراتر از دپارتمان حقوقی کاربردی شود:

• تدارکات: می‌تواند تعهدات تأمین‌کننده و قیمت‌گذاری را بهتر درک کند.
• مالی: می‌تواند تعهدات تجاری را ببیند و نشت‌های مالی احتمالی را شناسایی کند.
• فروش: می‌تواند شرایط تمدید و تعهدات مشتری را درک کند.
• عملیات: می‌تواند نظارت کند که آیا سطوح خدمات وعده داده شده واقعاً ارائه می‌شوند یا خیر.

با سیال کردن این هوش، قرارداد دیگر پایان یک تراکنش نیست، بلکه به یک منبع فعال از زمینه (Context) برای نحوه عملکرد یک کسب‌وکار تبدیل می‌شود. به‌جای اینکه اطلاعات درون یک PDF باقی بمانند، در تصمیمات و سیستم‌هایی که بیشترین نیاز به آن‌هاست، جریان می‌یابند.

Sirion اکنون از طریق پلتفرم agentOS، از استخراج ساده داده‌ها به سمت سیستم‌های عامل‌محور حرکت کرده است. این پلتفرم به سازمان‌ها اجازه می‌دهد عامل‌های قراردادی پیش‌ساخته را مستقر کنند یا عامل‌های سفارشی بسازند که به داده‌های سازمانی و گردش کارهای خاص آن‌ها متصل است. این رویکرد با استراتژی‌های جدیدی همسو است که در آن هوش مصنوعی عمودی برای بقا باید مالکیت کامل گردش کارهای سازمانی را به دست گیرد. این پلتفرم برای سازمان‌های بزرگی طراحی شده که می‌خواهند قراردادها را از اسناد ایستا به منابع ساختاریافته و قابل جست‌وجوی هوش عملیاتی تبدیل کنند، در حالی که حاکمیت داده و نظارت انسانی را حفظ می‌کنند.

زمانی که Sirion شروع به کار کرد، هوش مصنوعی در قراردادها عمدتاً مربوط به استخراج و طبقه‌بندی بود. یادگیری ماشین می‌توانست در شناسایی یک بند، تاریخ، نام طرفین یا یک تعهد بسیار خوب عمل کند، اما شما باید مدل‌ها را برای وظایفی نسبتاً خاص آموزش می‌دادید. ظهور مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — لایه استدلال را به‌طور چشمگیری گستران داد. این امر سیستم‌ها را قادر ساخت تا سؤالی را که به زبان طبیعی بیان شده بفهمند، زمینه اطراف یک بند را تفسیر کنند، متن را با موقعیت ترجیحی شرکت مقایسه کنند، توضیح دهند چرا چیزی نشان‌دهنده ریسک است و پیشنهاد دهند که شخص باید چه کاری انجام دهد.

این شرکت از رویکردی چندمدلی استفاده می‌کند و LLMها را با مدل‌های تخصصی و هوش عمیق قراردادی ترکیب می‌کند. این امر ضروری است زیرا سازمان‌ها به جای تولید صرفِ متنی که متقاعدکننده به نظر برسد، به «دقت» نیاز دارند. آن‌ها عامل‌های تخصصی را برای وظایف مجزا مستقر کرده‌اند:

• عامل‌های استخراج: اسکن هزاران توافق‌نامه برای بیرون کشیدن مفاد، تاریخ‌ها و طرفین خاص.
• عامل‌های تشخیص مسئله: شناسایی متونی که از سیاست‌های داخلی شرکت منحرف شده‌اند.
• عامل‌های اصلاح (Redlining): پیشنهاد تغییرات دقیق بر اساس دفترچه راهنمای (Playbook) مذاکره خاص شرکت.
• عامل‌های جست‌وجو: پیمایش در مخازن بزرگ قراردادها برای یافتن سوابق (Precedents) خاص.

پرابها استدلال می‌کند که آینده متعلق به یک هوش مصنوعی غول‌پیکر نیست، بلکه در اختیار «گروهی هماهنگ» (Swarm) از این عامل‌های تخصصی است. برای مثال، وقتی کاربر می‌پرسد «آیا می‌توانیم این قرارداد تأمین‌کننده را بپذیریم؟»، سیستم به‌طور خودکار مرتبط‌ترین مفاد را شناسایی کرده، آن‌ها را با سیاست‌ها مقایسه می‌کند، مسائل را بیرون می‌کشد، سوابق را می‌یابد و تغییرات را پیشنهاد می‌دهد، در حالی که همزمان توضیح می‌دهد چه کاری را چرا انجام داده است.

با این حال، قضاوت انسانی در حوزه‌های پرریسک همچنان ضروری است. یک بند مسئولیت (Liability) بدیع یا یک مذاکره استراتژیک مهم ممکن است به قضاوت انسانی نیاز داشته باشد. هدف از خودکارسازی، حذف کارهای تکراری و مبتنی بر قانون است، در حالی که کنترل انسانی در جایی که پاسخگویی و روابط بیشترین اهمیت دارند، حفظ شود.

یکی از چالش‌های اصلی هوش مصنوعی زاینده (Generative AI)، احتمال بروز توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — است. در هوش قراردادی، جایی که یک خطای ظریف می‌تواند پیامدهای مالی یا حقوقی داشته باشد، این یک نقطه شکست بحرانی است. این موضوع تفاوت بنیادی بین هوش مصنوعی مصرف‌کننده و هوش مصنوعی سازمانی را ایجاد می‌کند. اگر یک هوش مصنوعی مصرف‌کننده توصیه اشتباهی برای رستوران بدهد، پیامد آن محدود است. اما اگر یک تیم حقوقی بپرسد آیا ۵۰۰۰ قرارداد تأمین‌کننده حاوی یک حق فسخ خاص هستند و سیستم با اطمینان ۲۰۰ مورد از آن‌ها را نادیده بگیرد، مشکل شدید است.

برای حل مشکل توهمات، Sirion برای «تأییدپذیری» طراحی شده است. هر پاسخ تولید شده توسط هوش مصنوعی باید قابل ردیابی به زبان قرارداد زیربنایی باشد. اگر سیستم یک اصلاح (Redline) را پیشنهاد می‌کند، باید توضیح دهد کدام سیاست یا موقعیت در دفترچه راهنما باعث این تصمیم شده است. توضیح‌پذیری کلید پذیرش است زیرا اعتماد از بازرسی‌پذیر کردن هوش مصنوعی حاصل می‌شود.

در بحث امنیت، پرابها هشدار می‌دهد که قراردادها حاوی حساس‌ترین داده‌های یک شرکت هستند، از جمله قیمت‌گذاری، مالکیت معنوی، اطلاعات کارکنان، جزئیات تصاحب، تعهدات استراتژیک و اطلاعات بسیار حساس درباره مشتریان و تأمین‌کنندگان. او صراحتاً بیان می‌کند که Sirion ترجیح می‌دهد عرضه یک محصول را به تأخیر بیندازد تا اینکه امنیت را به خطر بیندازد.

او به‌طور خاص نسبت به روند صنعت در تبدیل داده‌های سازمانی به مواد آموزشی معمولی برای مدل‌های شخص ثالث هشدار می‌دهد. فشار زیادی برای عرضه سریع ویژگی‌های AI وجود دارد، اما هوش مصنوعی سازمانی را نمی‌توان با ذهنیت «بعداً حاکمیت داده را درست می‌کنیم» ساخت؛ امنیت باید از ابتدا بخشی از معماری باشد. شرکت‌ها باید دقیقاً بدانند اطلاعات به کجا می‌رود، چگونه پردازش می‌شود، چه کسی به آن دسترسی دارد و آیا برای آموزش مدل دیگری استفاده می‌شود یا خیر. این سطح از دقت در امنیت، به‌ویژه در محیط‌های سازمانی، برای مقابله با تهدیدات مدرن حیاتی است؛ چرا که همان‌طور که در تحلیل‌های امنیتی اخیر دیدیم، سرعت حملات زنجیره تأمین به‌طور چشمگیری افزایش یافته است.

امنیت در Sirion از طریق موارد زیر تأمین می‌شود:

• کنترل‌های دسترسی سخت‌گیرانه: اطمینان از اینکه فقط پرسنل مجاز به داده‌های حساس دسترسی دارند.
• رمزنگاری: محافظت از داده‌ها در حالت استراحت و در حال انتقال.
• قابلیت حسابرسی: حفظ سوابق شفاف از نحوه پردازش داده‌ها.
• مرزهای داده‌ای (Data Boundaries): ایجاد دیوارهای سخت برای جلوگیری از استفاده از اطلاعات برای آموزش مدل‌های دیگر.

پرابها اشاره می‌کند که Sirion تصمیمات آگاهانه‌ای گرفته که در آن امنیت باعث کند شدن آن‌ها شده است؛ معاوضه‌ای که او با آن راحت است زیرا اعتماد سال‌ها زمان می‌برد تا ساخته شود و یک تصمیم بی‌دقت می‌تواند آن را نابود کند.

هدف نهایی، تبدیل قرارداد به یک لایه داده‌ای عملیاتی در لحظه است. برای مدت‌ها، قرارداد «خط پایانی» بود که بایگانی می‌شد. هوش مصنوعی اجازه تحلیل مداوم تعهدات، ریسک‌ها، شرایط قیمت‌گذاری، تمدیدها و عملکرد را در هزاران توافق‌نامه می‌دهد.

در این حالت عملیاتی ایده‌آل:

• تدارکات پیش از تأیید فاکتور بعدی می‌فهمد که یک تأمین‌کننده در SLA کوتاهی کرده است.
• مالی می‌بیند که یک تعدیل قیمت باید سه ماه پیش رخ می‌داد.
• فروش در کنار تعهدات مذاکره شده مشتری، از تمدیدهای آتی مطلع می‌شود.

این انتقال مستلزم ترکیب مدل‌های پایه (Foundation Models) با داده‌های اختصاصی بسیار تخصصی است. مدل‌های پایه فوق‌العاده توانمند هستند اما فاقد زمینه (Context) نحوه عملکرد یک شرکت خاص هستند؛ مثلاً اینکه تیم حقوقی سال گذشته چه امتیازاتی را تأیید کرده است، قیمت‌گذاری با یک مشتری استراتژیک چگونه ساختار یافته یا کدام تأمین‌کنندگان مکرراً در سطوح خدمات کوتاهی می‌کنند.

پرابها معتقد است مزیت رقابتی در هوش مصنوعی سازمانی از خودِ مدل (که برای همه در دسترس است) نمی‌آید، بلکه از نحوه اتصال آن مدل به تصمیمات تاریخی، دستورالعمل‌های مذاکره، توافق‌نامه‌های قدیمی و داده‌های عملیاتی منحصربه‌فرد هر شرکت حاصل می‌شود. تمایز در توانایی استدلال دقیق بدون به خطر انداختن امنیت است.

مقیاس‌پذیری این فناوری بیشتر از آنکه به کد مربوط باشد، به تغییر رفتار سازمانی وابسته است. پرابها آموخته است که ساخت تکنولوژی اغلب بخش ساده کار است؛ اصطکاک زمانی رخ می‌دهد که بخواهیم نحوه کار یک سازمان بزرگ را تغییر دهیم. یک پاسخ از نظر فنی کامل، اگر در گردش کارهای موجود یک سازمان جهانی جای نگیرد یا کاربران انسانی به خروجی آن اعتماد نکنند، بی‌فایده است. شما می‌توانید سریعاً یک دموی چشمگیر بسازید، اما ساخت چیزی که یک سازمان با میلیون‌ها نقطه داده به آن اعتماد کند، چالشی متفاوت است.

با پیشرفت عامل‌ها، مرزهای سنتی مدیریت قراردادها (CLM) احتمالاً از بین می‌رود. کاربران دیگر نیاز ندارند مراحل دستی مانند ایجاد، بررسی، تأیید، امضا و ذخیره‌سازی را سازماندهی کنند. در عوض، آن‌ها «قصد» (Intent) خود را بیان می‌کنند و عامل‌های تخصصی گردش کار پشت آن را مدیریت می‌کنند.

هوش قراردادی از یک ابزار دپارتمان حقوقی به یک لایه اجرایی اصلی تبدیل خواهد شد. به‌جای اینکه یک مقصد مستقل باشد، CLM به یک لایه هوشمند تبدیل می‌شود که تعهداتی را که شرکت داده است با اقداماتی که هر روز انجام می‌دهد، متصل می‌کند. برای پرابها، هیجان‌انگیزترین بخش این است که قراردادها بالاخره در حال تبدیل شدن به موضوع مورد علاقه و دغدغه همه بخش‌های سازمان هستند.

گام بعدی شما

• بررسی کنید آیا قراردادهای سازمان شما هنوز در PDFهای ایستا حبس شده‌اند یا به داده‌های عملیاتی تبدیل شده‌اند.
• در استقرار مدل‌های زبانی، به‌جای تکیه بر یک مدل عمومی، ساختار «عامل‌های تخصصی» را برای وظایف مجزا طراحی کنید.
• برای هر خروجی هوش مصنوعی در محیط‌های حساس، مکانیزم «ارجاع به منبع» (Grounding) را اجباری کنید.

اما تأثیر این رویکرد بر کاهش هزینه‌های عملیاتی در صنایع سنگین حتی چشمگیرتر است — به تحلیل ما درباره‌ی بهینه‌سازی استنتاج در مقیاس سازمانی مراجعه کنید.