تصور کنید در یک شرکت بزرگ هستید و برای یافتن آخرین نسخه از دستورالعمل‌های ایمنی، باید بین ده فایل PDF و سه ویکی مختلف جست‌وجو کنید. اینجاست که تفاوت بین «داشتن داده» و «داشتن دانش عملیاتی» مشخص می‌شود. تولید یک ویدیوی صیقل‌خورده در عرض چند دقیقه دیگر بخش سخت ارتباطات سازمانی نیست؛ چالش واقعی این است که اطمینان حاصل شود شخص مناسب، نسخه معتبر آن اطلاعات را دقیقاً در لحظه‌ای که به آن نیاز دارد، پیدا کند.
اسکات ارنست (Scott Ernst)، مدیرعامل Vyond، معتقد است صنعت ارتباطات اکنون در وضعیت «هرج‌ومرج ارتباطی» (Communication Chaos) قرار دارد؛ وضعیتی که در آن محتواهای تولیدشده توسط هوش مصنوعی به‌شدت تکثیر می‌شوند و استانداردهای برند به‌دلیل نبود یک سامانه مرجع مشترک، از هم می‌پاشند.
زمینه: میراثی از مقیاس‌دهی فناوری
اسکات ارنست بیش از دو دهه تجربه در مقیاس‌دهی به شرکت‌های SaaS، هوش مصنوعی، داده و فناوری‌های بازاریابی را به نقش خود در Vyond آورده است. مسیر شغلی او با هدایت شرکت‌ها در گذارهای بزرگ و خروج‌های موفق تعریف شده است. او پیش از این به عنوان مدیرعامل شرکت‌های Uptempo, Drift, Tubular Labs و Macromill فعالیت می‌کرد. در Macromill، او شرکت را از مرحله عرضه عمومی اولیه (IPO) عبور داد و آن را به یکی از پیشروان جهانی در زمینه بینش‌های دیجیتال تبدیل کرد.
در مراحل ابتدایی‌تر مسیر حرفه‌ای خود، ارنست به ساخت شرکت Compete کمک کرد تا از یک استارتاپ در مراحل اولیه به یک کسب‌وکار بازاریابی دیجیتال جهانی تبدیل شود که سالانه بیش از ۱۰۰ میلیون دلار درآمد داشت. در طول این نقش‌های رهبری مختلف، ارنست به دلیل تیز کردن استراتژی‌های ورود به بازار (Go-to-Market)، توسعه تیم‌های با عملکرد بالا و تبدیل نوآوری‌های محصول به ارزش پایدار برای سهامداران و مشتریان شناخته شده است.
رویکرد ارنست به عصر هوش مصنوعی متأثر از این تجربیات متنوع است. او در Compete آموخت که انضباط و تمرکز بی‌وقفه بر روی چند مورد معدود که واقعاً باعث حرکت کسب‌وکار می‌شوند، بسیار مهم‌تر از دنبال کردن هر فرصت موجود است. در Macromill، او دریافت که رشد بدون نظم عملیاتی — به‌ویژه در گزارش‌دهی، پیش‌بینی و حاکمیت (Governance) — در نهایت باعث شکست شرکت می‌شود. او معتقد است این ساختارها باید هم‌گام با رشد کسب‌وکار، مقیاس‌پذیر شوند.
اخیراً در شرکت Drift، او پس از عرضه ChatGPT، یک بازآرایی استراتژیک (Repositioning) محوری حول هوش مصنوعی مولد را رهبری کرد. با وجود داشتن یک محصول هوش مصنوعی اختصاصی، ارنست تصمیم سخت مدیریتی گرفت تا شرکت را بازتر کرده و جایگاه آن را تغییر دهد، زیرا معتقد بود بازار سریع‌تر از آن چیزی حرکت می‌کند که «خندق دفاعی» (Moat) آن‌ها بتواند از آن محافظت کند. این تجربه به او آموخت که در طول یک تغییر پلتفرمی واقعی، شرکت‌های برنده نه محتاط‌ترین‌ها هستند و نه بی‌پروا‌ترین‌ها، بلکه کسانی هستند که کل سازمان خود را حول یک دیدگاه روشن همسو کرده و با فوریت اجرا می‌کنند. این چالش در مورد خندق‌های دفاعی داده‌ای، مشابه رویکردی است که کلودرا برای پایان دادن به انحصار ابرهای عمومی در معماری Anywhere Cloud در پیش گرفت تا انعطاف‌پذیری بیشتری برای سازمان‌ها ایجاد کند.
تأثیر Vyond
شرکت Vyond که در سال ۲۰۰۷ تأسیس شد، نزدیک به ۲۰ سال است که به کسب‌وکارها کمک می‌کند تا از «اطلاعات» به «درک» و از «درک» به «نتایج قابل اندازه‌گیری» برسند. امروزه این پلتفرم توسط بیش از ۱۵ هزار سازمان، از جمله ۶۵٪ از شرکت‌های Fortune Global 500 استفاده می‌شود. از زمان تأسیس، مشتریان بیش از ۴۰ میلیون ویدیو در این پلتفرم خلق کرده‌اند.
این پلتفرم ترکیبی از تولید فوری ویدیو، ویرایش کامل و کنترل‌های سطح سازمانی را ارائه می‌دهد تا فرآیندهای پذیرش کارکنان (Onboarding) را تسریع کند، انطباق با قوانین (Compliance) را ساده سازد، فروش را توانمند کند و مشتریان را آموزش دهد. Vyond با ارائه روشی ثابت برای ارتباط در مقیاس بزرگ، به سازمان‌ها کمک می‌کند تا دانش متراکم سازمانی را به ارتباطات بصری شفاف و جذابی تبدیل کنند که منجر به اقدام می‌شود.
این تغییر در زمانی رخ می‌دهد که سازمان‌ها حجم عظیمی از داده‌های ایستا را در قالب PDFها، ویکی‌ها و اسلایدهایی انباشته کرده‌اند که برای «ذخیره‌سازی» ساخته شده‌اند، نه برای «درک سریع». برای اکثر شرکت‌های Fortune 500، مشکل نبود اطلاعات نیست، بلکه شکست در تبدیل و اعتماد است. طبق مصاحبه‌ای با unite.ai، این شکاف به این دلیل وجود دارد که «دست چپ و دست راست» در سازمان‌های بزرگ به‌ندرت با هم ارتباط برقرار می‌کنند و داده‌های خام بدون سیستمی برای تبدیل به بینش‌های عملیاتی، رها می‌شوند. این گذار از تحلیل‌های ایستا به اتوماسیون عملیاتی، یادآور تجربه‌ی Hypercore در تبدیل تحلیل اسناد به اتوماسیون عملیاتی در مدیریت وام‌هاست که بهره‌وری را در فرآیندهای پیچیده افزایش داد.
ارنست اشاره می‌کند که در گفتگو با معاون فناوری بازاریابی سازمانی در یکی از شرکت‌های Fortune 100، مشکل اصلی این بود که بخش‌های مختلف سازمان، مشکلات ارتباطی یکسانی را به روش‌های ایزوله و ناسازگار حل می‌کردند. این منجر به سناریویی می‌شود که در آن سازمان‌ها داده‌های زیادی دارند اما بینش‌های بسیار کمی دارند؛ موضوعی که نیازمند یک انضباط سیستماتیک برای هدایت ارتباطات معتبر به جریان‌های کاری است، جایی که تصمیمات واقعی گرفته می‌شوند.
تغییر از «خلق» به «زیرساخت»
ارنست استدلال می‌کند که نقش هوش مصنوعی از یک ابزار ساده برای خلق محتوا به یک لایه رابط (Interface Layer) پیچیده تبدیل شده است. یک ابزار خلق محتوا منتظر درخواست انسان می‌ماند، اما یک زیرساخت ارتباطی درون جریان‌های کاری موجود — مانند CRMها و سیستم‌های مدیریت یادگیری (LMS) — قرار می‌گیرد و به‌روزرسانی‌ها را به‌صورت خودکار هدایت می‌کند. او معتقد است در حالی که هوش مصنوعی مولد گلوگاه تاریخی (نیاز به متخصص و جریان تولید پیچیده) را حل کرد، اما مشکل جدیدی ایجاد کرد: اکنون هر واحد (منابع انسانی، IT، فروش، آموزش) به‌طور مستقل محتوا تولید می‌کند، بدون اینکه سامانه مرجع مشترکی وجود داشته باشد.
در این مسیر، سه مفهوم کلیدی نقش ایفا می‌کنند:
- عملیاتی کردن دانش (Knowledge Operationalization): این مفهوم یعنی عبور از سؤال «آیا می‌توانیم این را سریع بسازیم؟» به سمت پاسخ به این سؤال که «آیا شخص مناسب می‌تواند نسخه درست و معتبر این مطلب را در لحظه نیاز و در ابزاری که همین حالا از آن استفاده می‌کند، پیدا کند؟» این امر مستلزم دانستن این است که چه کسی مالک یک قطعه اطلاعات است، آیا تأیید شده است و چگونه وارد جریان کاری مانند ردیاب انطباق، LMS, CRM یا چک‌لیست پذیرش می‌شود. این یک مشکل ساختاری است که در سطح صنعت تا حد زیادی حل‌نشده باقی مانده است.
- سامانه مرجع (System of Record): Vyond پلتفرم خود را به‌جای ابزاری برای تیم‌های ایزوله، به عنوان یک سامانه استاندارد در سطح شرکت معرفی می‌کند. این کار از «هرج‌ومرج ارتباطی» جلوگیری می‌کند؛ وضعیتی که در آن محتوا تکثیر می‌شود، استانداردهای برند تغییر می‌کند و تیم‌ها کارهایی را دوباره خلق می‌کنند که قبلاً وجود داشته است. این هرج‌ومرج اغلب حتی قبل از ساخته شدن یک دارایی شروع می‌شود، یعنی زمانی که مخاطب، هدف یا منبع محتوا هنوز تأیید نشده است.
- پروتکل‌های باز: پذیرش پروتکل زمینهٔ مدل (MCP) و ارتباطات عامل‌به‌عامل (A2A) به عامل‌های هوش مصنوعی اجازه می‌دهد تا زمینه‌های معتبر را از ابزارهای مختلف سازمانی استخراج کنند، بدون اینکه نیاز باشد مالک تمام داده‌ها باشند. MCP روشی استاندارد برای استخراج زمینه از سامانه‌های مرجع فراهم می‌کند، در حالی که A2A به عامل‌های تخصصی از پلتفرم‌های مختلف اجازه می‌دهد با هم همکاری کنند. این به یک پلتفرم اجازه می‌دهد به سیستم‌های معتبر متصل شود و بر تبدیل زمینه به ارتباطاتی تمرکز کند که مردم بتوانند بر اساس آن عمل کنند.
مدیریت خودمختاری عامل‌ها و ریسک
برای مقیاس‌دهی ایمن به هوش مصنوعی، ارنست تفکیک سخت‌گیرانه بین «کار» (Labor) و «قضاوت» (Judgment) را پیشنهاد می‌کند. او پیشنهاد می‌کند که عامل‌های هوش مصنوعی باید مالک کارهای تکراری باشند، در حالی که انسان‌ها باید کنترل مطلق بر قضاوت‌ها داشته باشند، به‌ویژه در جاهایی که اشتباهات منجر به پیامدهای قانونی، نظارتی، ایمنی یا آسیب به برند می‌شود. این رویکرد متوازن، مشابه استراتژی MelodyArc در رد اتوماسیون مطلق و坚持 بر رویکرد «انسان در حلقه» است تا از ریسک‌های ناشی از حذف کامل نظارت انسانی جلوگیری شود.
- وظایف کم‌ریسک: عامل‌ها می‌توانند به‌طور خودکار پیش‌نویس‌های اولیه را مدیریت کنند، دانش را به فرمت‌های جدید تبدیل کنند، محتوای تأییدشده موجود را برای یک زبان یا منطقه جدید تطبیق دهند و ماژول‌های آموزشی را هنگام تغییر اسناد منبع به‌روزرسانی کنند. این وظایف زمان زیادی می‌گیرند اما ارزش استراتژیک کمی دارند.
- وظایف پرریسک: نقاط بازرسی انسانی برای محتواهایی که شامل ریسک‌های نظارتی، ایمنی یا برند هستند، اجباری است. ارنست به مشتری‌ای در بخش دفاع اشاره می‌کند که تیم امنیتی‌اش در ابتدا به دلیل حساسیت داده‌ها، هوش مصنوعی را مسدود کرده بود. راه حل، ساخت حفاظ‌های (Guardrails) خاص بود: یک توافق‌نامه سفارشی که تضمین می‌کرد داده‌ها هرگز برای آموزش مدل‌های خارجی استفاده نمی‌شوند و ایجاد نقاط بازرسی شفاف برای تأیید انسانی.
- حفاظ‌ها (Guardrails): پادمان‌های فنی باید شامل مبنی‌سازی خروجی هوش مصنوعی بر اساس مواد منبع تأییدشده و دارایی‌های برند (لوگوها، رنگ‌ها، قالب‌ها و فوتیج‌های مرجع) باشد که در پلتفرم ذخیره شده‌اند، به‌جای تکیه بر حافظه کاربر یا فایل‌های موجود در دسکتاپ. کنترل نسخه (Version Control) و ردپای حسابرسی (Audit Trails) نیز حیاتی هستند؛ سازمان‌ها باید بتوانند ردیابی کنند که چه کسی محتوایی را درخواست کرده، منبع آن چه بوده و چه کسی آن را تأیید کرده است.
حل مشکل توهم در ویدیو
توهمات (Hallucinations) در یک ویدیوی حرفه‌ای خطرناک‌تر از یک چت‌بات هستند، زیرا کیفیت بالای تولید، به خطاها یک «اعتبار نادیده» می‌بخشد. یک ویدیوی صیقل‌خورده باعث می‌شود مردم کمتر حقایق را زیر سؤال ببرند، در حالی که دقیقاً در همین نقطه است که نظارت باید در بالاترین سطح باشد. برای مبارزه با این موضوع، ارنست یک چارچوب تأیید چهار لایه را ترسیم می‌کند:
۱. مبنی‌سازی (Grounding): محدود کردن هوش مصنوعی به اسناد، سیاست‌ها و داده‌های تأییدشده خود سازمان به‌جای تکیه بر دانش عمومی مدل.
۲. منشأیابی (Provenance): اطمینان از اینکه هر دارایی تولیدشده تا سند منبع خاص خود قابل ردیابی است تا خطاها در منبع اصلاح شوند، نه فقط در خروجی وصله شوند.
۳. راستی‌آزمایی (Verification): اجرای بررسی انسانی روی طرح‌های میانی و برش‌های پیش‌نویس به‌صورت صحنه به صحنه، قبل از رندر نهایی و هزینه‌بر. این به تیم‌ها اجازه می‌دهد ادعاهای خارج از برند یا حقایق غلط را زمانی که هنوز ارزان و آسان هستند، اصلاح کنند.
۴. ارزیابی مستمر (Ongoing Evaluation): نظارت بر فرآیند تصمیم‌گیری عامل در حین تولید برای شناسایی «انحراف» یا خروجی‌های با کیفیت پایین در لحظه. این شامل داشتن دید نسبت به نحوه رسیدن عامل به نتیجه است تا اطمینان حاصل شود که با قصد اولیه و پایگاه دانش همسو باقی می‌ماند.
تحول در انطباق و آموزش و توسعه (L&D)
بخش‌های انطباق (Compliance) و آموزش و توسعه (L&D) به عنوان بخش‌هایی شناسایی شده‌اند که بیشترین فشار «کهنگی محتوا» را تحمل می‌کنند. در حال حاضر، آموزش‌های انطباق اغلب از یک چرخه کند سالانه یا دو سالانه پیروی می‌کنند، حتی در حالی که مقررات روزانه تغییر می‌کنند. هوش مصنوعی عامل‌محور اجازه می‌دهد این ماژول‌ها با نظارت بر اسناد سیاست‌گذاری منبع، به‌طور مداوم به‌روز بمانند. ارنست اشاره می‌کند که این یک کاهش ریسک واقعی برای سازمان است، نه فقط یک افزایش بهره‌وری. علاوه بر این، این خروجی‌ها به‌طور فزاینده‌ای به یک رکورد قابل حسابرسی نیاز دارند که نشان دهد برای برآوردن انتظارات رگولاتورها و خریداران، از هوش مصنوعی کمک گرفته شده است.
در L&D، تحول به سمت «شخصی‌سازی فوق‌العاده» (Hyper-personalization) حرکت می‌کند. به‌جای یک ماژول واحد برای یک یادگیرنده متوسط، عامل‌ها می‌توانند سرعت و مثال‌ها را برای یک نقش یا منطقه خاص تنظیم کنند — مثلاً تطبیق یک ویدیوی آموزشی برای یک کارخانه در برزیل در مقابل یک تیم فروش در ژاپن — در حالی که همچنان بر اساس استانداردهای آموزشی یکسان باقی می‌مانند. این شامل بومی‌سازی زبان و صدا است تا محتوا بومی به نظر برسد، نه فقط محتوایی با زیرنویس.
توانمندسازی فروش و ارتباطات داخلی نیز تغییراتی در سرعت و مرتبط بودن خواهند دید و اطمینان حاصل می‌کنند که پیام درست سریع‌تر به نماینده یا تیم مناسب در قالبی که با عادات مصرف آن‌ها سازگار است، برسد. رشته مشترک این است که هوش مصنوعی عامل‌محور، این واحدها را قادر می‌سازد تا به روشی به‌روز بمانند که با چرخه‌های تولید دستی غیرممکن است.
آینده ریتم‌های عملیاتی سازمان
این تکامل، ریتم عملیاتی یک شرکت را از «ارتباطات دسته‌ای» (Batch Communication) — مانند چرخه‌های سالانه انطباق، جلسات فصلی سراسری شرکت و بسته‌های پذیرش ایستا — به یک جریان مداوم و تطبیقی از دانش تغییر می‌دهد. این تغییر ضروری است زیرا روش دسته‌ای فعلی، بازتابی از این است که ارتباطات در گذشته چقدر گران و کند بوده‌اند، نه اینکه یک کسب‌وکار در واقعیت با چه سرعتی تغییر می‌کند.
وقتی شکاف بین دانش سازمانی و درک کارکنان بسته شود، سازمان‌ها می‌توانند با حذف زمانی که صرف جست‌وجو یا بازسازی اطلاعات موجود می‌شود، سریع‌تر حرکت کنند. تخصص دیگر در داخل افراد قفل نمی‌شود و به چیزی تبدیل می‌شود که سازمان می‌تواند به‌طور سیستماتیک توزیع کرده و تازه نگه دارد.
برای رهبران، اولویت فوری عبور از پذیرش ابزارهای پراکنده به سمت یک عملکرد حاکمیتی متمرکز است که با پلتفرم‌های ارتباطی به عنوان یک سامانه مرجع برخورد کند، جایی که دسترسی‌ها به‌طور آگاهانه اعطا شده و استفاده‌ها به‌صورت کلی نظارت می‌شوند. سازمان‌هایی که به این هدف می‌رسند، فقط بهتر ارتباط برقرار نمی‌کنند؛ بلکه به‌سادگی سریع‌تر از کسانی حرکت می‌کنند که هنوز در حالت «دسته‌ای» فعالیت می‌کنند.
گام بعدی شما
- بررسی کنید آیا سازمان شما یک «سامانه مرجع» برای محتوا دارد یا هر تیم به‌صورت ایزوله از ابزارهای AI استفاده می‌کند.
- برای کاهش نرخ توهم، لایه‌ی مبنی‌سازی (Grounding) را به جریان تولید محتوای خود اضافه کنید تا مدل فقط از اسناد تأییدشده شما استفاده کند.
- تفکیک وظایف «کار» (برای عامل‌ها) و «قضاوت» (برای انسان‌ها) را در پروتکل‌های عملیاتی تیم خود پیاده کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو