تصور کنید یک عامل هوش مصنوعی را در شرکتی به کار بگیرید که تمام دستورالعمل‌هایش قدیمی است؛ نتیجه چیزی جز هرج‌ومرج نخواهد بود. برای اینکه این ابزارها در دنیای واقعی شکست نخورند، باید بدانند کارکنان شما «واقعاً» چطور کار می‌کنند، نه اینکه در دفترچه‌های راهنما چه نوشته شده است.
بسیاری از سازمان‌ها برای مبنی‌سازی (Grounding) — یعنی متصل کردن هوش مصنوعی به واقعیت‌های کسب‌وکار برای جلوگیری از توهم — به گزارش‌های سیستمی و مستندات قدیمی تکیه می‌کنند. Skan AI معتقد است همین تکیه به داده‌های ایستا، دلیل اصلی شکست عامل‌های هوش مصنوعی (AI Agents) در محیط‌های عملیاتی است. به همین دلیل، این شرکت در ۱۲ اوت ۲۰۲۶، در دور سرمایه‌گذاری سری C به مبلغ ۶۳ میلیون دلار، موفق شد حمایت Cathay Innovation و Dell Technologies Capital را جلب کند.
پیاده‌سازی هوش مصنوعی در بسیاری از شرکت‌ها شبیه ساختن ماشینی سریع‌تر بدون داشتن نقشه است. Skan AI استدلال می‌کند که فرصت واقعی در ساخت یک سیستم ناوبری نهفته است؛ مدلی پویا که نحوه جابه‌جایی کارکنان بین نرم‌افزارهای مدیریت مشتری (CRM)، ایمیل‌ها و سیستم‌های قدیمی را رصد کند. این رویکرد، مستندات خشک را به یک «گراف زمینه‌ای از کار» تبدیل می‌کند.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی چالش‌های استقرار مدل‌های زبانی در سازمان‌ها اشاره کردیم، شکاف بین «آنچه نوشته شده» و «آنچه اجرا می‌شود» بزرگ‌ترین مانع بهره‌وری است. برای حل این مشکل، Skan AI دو ابزار Skan AI Blueprint و Skan AI Agents را معرفی کرد. این ابزارها با مشاهده دسکتاپ کارکنان در برنامه‌های مختلف، مدلی لحظه‌ای از عملیات تجاری استخراج می‌کنند تا لایه‌ی مبنای عامل‌های هوش مصنوعی باشد.
به نقل از گزارش‌های مالی شرکت، این دور سرمایه‌گذاری مجموع سرمایه‌ی Skan AI را به حدود ۱۲۰ میلیون دلار رساند. در این دور، مجموعه‌هایی مثل Citi Ventures و Bloomberg Beta نیز حضور داشتند. نکته جالب این است که State Farm Ventures و Citi Ventures پیش از تبدیل شدن به سرمایه‌گذار، مشتری این پلتفرم بودند؛ موضوعی که آویناش میسرا، مدیرعامل شرکت، آن را یک تاییدیه کلیدی می‌داند.
سایمون وو، شریک Cathay Innovation، این تغییر را یک تحول در زیرساخت می‌بیند. او ظهور «زمینه کار سازمانی» را با ظهور CRM مقایسه می‌کند؛ همان‌طور که CRM تبدیل به مرجع روابط مشتری شد، این گراف زمینه‌ای نیز لایه‌ی بنیادین برای هوش مصنوعی سازمانی خواهد بود.
بر اساس مستندات Skan AI، نتایج ملموسی در بخش‌های بانکی و بیمه مشاهده شده است:
- بهره‌وری عملیاتی: در یکی از بانک‌های برتر آمریکا، پلتفرم Skan حدود ۱۱.۲ میلیون «تغییر زمینه» (Context Switch) را در میان ۱,۵۰۰ متخصص شناسایی کرد.
- کاهش هزینه‌ها: همین استقرار باعث شناسایی ۳۷ میلیون دلار اصطکاک در فرآیندها و کاهش ۳۲ درصدی هزینه هر تراکنش شد.
- توان عملیاتی: نرخ پردازش تراکنش‌ها ۴۱٪ افزایش یافت که منجر به ۱۸ میلیون دلار صرفه‌جویی سالانه شد.
- مقیاس داده: این پلتفرم تا به امروز بیش از ۲۵ میلیارد سیگنال کاری را پردازش کرده است.
مجموع ارزش شناسایی‌شده برای مشتریان بیش از ۵۰۰ میلیون دلار است، هرچند آویناش میسرا تاکید کرد که این اعداد «فرصت‌های شناسایی‌شده» هستند و نه لزوماً سودهای نقد شده.
از نظر رشد، درآمد Skan AI برای دو سال متوالی بیش از ۳۰۰٪ رشد سالانه داشته است. در حال حاضر، ۷ مورد از ۱۰ بانک برتر آمریکا و ۲۵٪ از شرکت‌های Fortune 50 از این سرویس استفاده می‌کنند. این پلتفرم بر بستر NVIDIA AI Enterprise و میکروسرویس‌های NIM اجرا می‌شود تا موسسات مالی بتوانند عامل‌ها را روی سخت‌افزار شخصی خود (On-premises) اجرا کنند؛ نیازی حیاتی برای صنایع تحت نظارت شدید.
البته رصد دسکتاپ کارکنان، نگرانی‌های حریم خصوصی ایجاد می‌کند. میسرا می‌گوید سیستم به جای پروفایل کردن افراد، الگوهای کلی صدها کارمند را تجمیع می‌کند. همچنین نظارت فقط روی URLهای تاییدشده است و داده‌ها برای رعایت قوانین اتحادیه اروپا، درون دیوار آتش (Firewall) سازمان می‌مانند.
با این حال، این بهره‌وری هزینه‌های انسانی دارد. در یک عملیات ضد پول‌شویی، عامل‌های Skan AI اکنون ۶۰٪ پرونده‌ها را مدیریت می‌کنند که منجر به کاهش نیروی انسانی در برخی بخش‌های مشتریان شده است.
این شرکت که در سال ۲۰۱۸ توسط دو دوست دوران کودکی، آویناش میسرا و مانیش گارج (فارغ‌التحصیل IIT) تاسیس شد، مسیر خود را تغییر داده است. آن‌ها از «کشف فرآیند با بینایی ماشین» به «هوش فرآیندی» و در نهایت به «لایه زمینه برای هوش مصنوعی عامل‌محور» رسیدند.
این چرخش با تحقیقات گارتنر همسو است؛ گزارشی که می‌گوید تنها ۸٪ از سازمان‌ها عامل‌های هوش مصنوعی را در محیط عملیاتی دارند و ۹۵٪ از پیاده‌سازی‌های اولیه نیاز به بازطراحی کامل خواهند داشت. برای مدیران کسب‌وکار، این یعنی مشکل «ورودی زباله، خروجی زباله» از لایه‌ی داده به لایه‌ی فرآیند منتقل شده است. اگر عامل شما نداند تیمتان واقعاً چطور کار می‌کند، قدرت استدلال مدل اهمیتی نخواهد داشت.
گام بعدی شما
- بررسی کنید آیا مستندات فرآیندهای داخلی شما با واقعیت اجرای آن‌ها توسط کارکنان همخوانی دارد یا خیر.
- در صورت استقرار عامل‌های هوش مصنوعی، به جای تکیه بر PDFهای راهنما، به دنبال ابزارهای مشاهده‌گر (Observability) برای استخراج جریان کار واقعی باشید.
- اثرات کاهش نیروی انسانی در اثر اتوماسیون فرآیندهای پیچیده را در استراتژی منابع انسانی خود پیش‌بینی کنید.
اما واکنش غول‌هایی مثل Salesforce به تبدیل شدن «زمینه کار» به زیرساخت جدید، می‌تواند بازی را عوض کند — تحلیل ما درباره‌ی آینده CRMهای عامل‌محور را دنبال کنید.
گفتگو