سامانه‌های کنش‌گرا در برابر کمک‌خلبان‌های دفتری در محیط‌های فیزیکی

تصور کنید پرستاری هستید که در یک بخش شلوغ بیمارستان کار می‌کند؛ در این لحظه یک چت‌بات که متن‌ها را خلاصه می‌کند هیچ کاربردی ندارد، اما سیستمی که فوراً کمبود نیرو را تشخیص دهد و جایگزین مناسب را پیدا کند، حیاتی است. این همان شکافی است که کوری اسپنسر، نایب‌رئیس ارشد و مدیر کل بخش هوش مصنوعی و پلتفرم در شرکت UKG، آن را نقطهٔ ضعف فعلی صنعت هوش مصنوعی می‌داند.

اسپنسر با بیش از ۲۰ سال تجربه در شرکت‌های پیشرویی مانند Adobe و Alteryx، اکنون استراتژی محصول را در حوزه‌های هوش مصنوعی، پلتفرم و تحلیل‌های هوشمند نیروی کار رهبری می‌کند. تمرکز اصلی او کمک به سازمان‌ها برای تبدیل داده‌های نیروی کار به بینش‌های عملی است که نتایج تجاری مثبتی ایجاد کنند. او به عنوان یکی از رهبران فکری در زمینه کاربرد هوش مصنوعی برای کارکنان خط مقدم و آینده هوش نیروی کار شناخته می‌شود.

به نقل از unite.ai، اسپنسر استدلال می‌کند که تا ۸۰٪ نیروی کار جهان در خط مقدم (Frontline) فعالیت می‌کنند، اما این گروه، کمترServedترین بخش در رونق فعلی هوش مصنوعی هستند. او معتقد است وسواس صنعت بر ابزارهای بهره‌وری دفتری، باعث شده محیط‌های فیزیکی، توزیع‌شده و شدیداً قانون‌مندی که اقتصاد جهانی در آن‌ها می‌چرخد، نادیده گرفته شوند. اکثر هوش‌های مصنوعی سازمانی امروز برای «میزهای دیجیتال» — یعنی اسناد، ایمیل‌ها و تقویم‌ها — ساخته شده‌اند. اما برای یک پرستار در بیمارستان یا یک تکنسین در انبار، هوش مصنوعی نمی‌تواند در یک پنجرهٔ چت زندگی کند. این فناوری باید در جریان کار (Flow of Work) وجود داشته باشد و سیگنال‌های محیطی پر سر و صدا را در لحظه‌ای که تصمیم‌گیری هنوز اهمیت دارد، به اقدام فوری تبدیل کند. برای اسپنسر، فرصت اصلی در بستن شکاف بین «برنامه‌ریزی نیروی کار» و «اجرای نیروی کار» نهفته است.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی آیندهٔ اتوماسیون صنعتی اشاره کردیم، انتقال از ابزارهای کمکی به سامانه‌های خودگردان، کلید بهره‌وری در محیط‌های غیردفتری است. برای درک این موضوع باید بدانید که کار در خط مقدم — مثل مدیریت یک انبار یا بیمارستان — اساساً با کارهای دانشی متفاوت است زیرا فیزیکی و حساس به زمان است. در حالی که یک برنامه پروژه برای یک کارمند دفتری ممکن است ماه‌ها طول بکشد، یک شیفت در خط مقدم هر دقیقه تغییر می‌کند. افزایش ناگهانی تعداد بیماران، تأخیر در ارسال محموله یا غیبت ناگهانی یک کارکن، می‌تواند یک برنامه استقرار نیرو را در چند ثانیه نابود کند.

طبق اعلام UKG، محیط‌های عملیاتی با پیچیدگی‌های بسیار خاصی روبرو هستند. این محیط‌ها بسته به صنعت متفاوت‌اند. برای مثال، یک فروشنده خرده‌فروشی باید تعداد کارکنان را بر اساس تغییرات آب‌وهوا، جشنواره‌های تخفیفی یا رویدادهای محلی تنظیم کند. یک تیم بهداشتی نیاز دارد تا دقیقاً فردی با گواهینامه و صلاحیت تخصصی درست را در واحد مناسب قرار دهد، زیرا نیازهای بیماران مدام در حال تغییر است. تیم‌های تولیدی نیز باید هم‌زمان تعادلی بین ایمنی، برنامه‌های تولید و قوانین سخت‌گیرانه نیروی کار برقرار کنند.

سامانه‌های سنتی به عنوان «سیستم‌های ثبت» (Systems of Record) ساخته شده بودند؛ یعنی آن‌ها به مدیران می‌گفتند بعد از اینکه شیفت به پایان رسید، چه اتفاقی افتاده است. اما اکنون، همان‌طور که اسپنسر تأکید می‌کند، خط مقدم به یک «سیستم اقدام» (Systems of Action) نیاز دارد. این امر مستلزم هوش مصنوعی است که زمینه عملیاتی، قصد کاربر و محدودیت‌ها را در لحظه درک کند.

اسپنسر معتقد است دلیل غفلت صنعت از این بخش، سادگیِ مدل‌سازی کارهای دیجیتال بوده است. ساخت هوش مصنوعی برای کارهایی که از قبل دیجیتال بودند (مانند اسناد، جلسات و ابزارهای همکاری دفتری) بسیار راحت‌تر بود و به همین دلیل موج اول فناوری را تشکیل داد. در مقابل، نیروی کار خط مقدم توزیع‌شده است و تحت نظارت قوانین سخت‌گیرانه‌ای قرار دارد.

علاوه بر این، بخش خط مقدم اغلب یکی از بزرگ‌ترین بخش‌های صورت سود و زیان (P&L) یک شرکت است. اینجا نقطه‌ای است که هزینه‌های نیروی کار، تجربه مشتری، انطباق با قوانین، ایمنی، کیفیت خدمات و تعامل کارکنان همگی با هم تلاقی می‌کنند. با وجود این اهمیت حیاتی، این بخش یکی از بهینه‌نشده‌ترین قسمت‌های سازمان باقی مانده است، زیرا کار در اینجا ساده نیست، بلکه به شدت پیچیده است.

داده‌های خط مقدم بسیار حجیم و «پُر سر و صدا» هستند. این داده‌ها جریانی مداوم از سیگنال‌ها هستند که شامل موارد زیر است:

• زمان‌های ثبت ورود و خروج (Punches)، برنامه‌های زمانی و غیبت‌ها
• قوانین پرداخت، گواهینامه‌های تخصصی و الزامات انطباق قانونی
• پیش‌بینی‌های نیروی کار و سیگنال‌های تقاضای بازار
• ترجیحات شخصی کارکنان و تصمیمات اتخاذ شده توسط مدیران

این سیگنال‌ها به طور مداوم در هزاران مکان و شیفت مختلف جابه‌جا می‌شوند و عمیقاً به زمینه‌ای مانند نقش شغلی، مکان، مهارت، سیاست‌های سازمانی و زمان‌بندی وابسته هستند. تا زمانی که بسیاری از سازمان‌ها این داده‌ها را تحلیل کنند، لحظه اثرگذاری بر نتیجه گذشته است. یک شکاف در استقرار نیرو، ریسک اضافه‌کاری یا یک استثنا در لیست حقوق، یک هفته بعد اهمیتی ندارد؛ بلکه درست در لحظه‌ای اهمیت دارد که هنوز زمان برای اقدام وجود دارد. در واقع، دسترسی به این نوع داده‌های اختصاصی و عملیاتی می‌تواند خندق دفاعی جدیدی برای شرکت‌ها در برابر مدل‌های عمومی هوش مصنوعی ایجاد کند.

شرکت UKG برای حل این مشکل، UKG Workforce Intelligence Hub را معرفی کرده است. هدف این است که از طریق هوش مصنوعی عامل‌محور (Agentic AI) فاصله بین برنامه‌ریزی و اجرا را از بین ببرد. برخلاف یک کوپایلت استاندارد که فقط متن‌ها را خلاصه می‌کند، این عامل‌ها اقدامات را در بخش‌های زمان‌بندی، پرداخت و منابع انسانی هماهنگ و سازماندهی می‌کنند. این رویکرد مشابه تجربه‌های موفقی است که در آن گردش‌کارهای عامل‌محور توانسته‌اند زمان برنامه‌ریزی‌های پیچیده فنی را به شدت کاهش دهند.

UKG از ۵۰ سال تجربه صنعتی بهره می‌برد و از بیش از ۸۰,۰۰۰ سازمان در ۱۵۰ کشور پشتیبانی می‌کند. این سابقه، یک پیشتازی چند دهه‌ای در درک ظرافت‌های مدیریت سرمایه انسانی و پرداخت برای ده‌ها میلیون کاربر روزانه فراهم کرده است.

تفاوت‌های کلیدی عملیاتی برای هوش مصنوعی خط مقدم عبارتند از:

• آگاهی زمینه‌ای (Contextual Awareness): مدل باید بداند چه کسی صلاحیت دارد، کدام قوانین کار برای یک مکان خاص اعمال می‌شود و سیگنال تقاضای فعلی چیست. هوش مصنوعی باید نقش، سیاست و تأثیرات پایین‌دستی هر تغییر را درک کند.
• یکپارچگی درونی (Embedded Integration): ابزارها باید بصری و سریع باشند؛ مدیران نمی‌توانند در حین یک شیفت در حال اجرا، داشبوردهای پیچیده را تفسیر کنند. هوش مصنوعی باید در جریان کار جاسازی شود.
• خودمختاری مبتنی بر ریسک (Risk-Based Autonomy): اقدامات کم‌ریسک، مانند هشدار دادن به مدیر درباره اضافه‌کاری یا نمایش یک شیفت خالی به کارکنان واجد شرایط، می‌توانند خودکار شوند. اما اقدامات پرریسک، مانند تغییرات در پرداخت، مسائل انطباق قانونی یا اقدامات انضباطی، به نظارت انسانی نیاز دارند.

در حال حاضر برخی کاربردهای عملی نتایج ملموسی داشته‌اند. برای مثال، UKG Rapid Hire زمان تبدیل علاقهٔ متقاضی به مصاحبه را از چندین هفته و روز به چند ساعت یا حتی در برخی موارد چند دقیقه کاهش داده است و فرآیندهای جذب، غربالگری و پذیرش (Onboarding) را بهینه کرده است.

سایر استقرارها شامل موارد زیر است:

• تشخیص ناهنجاری‌های پرداخت: پرداخت یک فرآیند مبتنی بر اعتماد است. هوش مصنوعی ثبت‌های فراموش شده یا استثناهای قوانین پرداخت را پیش از بسته شدن لیست حقوق شناسایی می‌کند تا از بازکاری دستی جلوگیری کرده و اعتماد کارکنان را حفظ کند.
• عملیات پویا در نیروی کار: سیستم‌ها اکنون بازتعادل برنامه‌های زمانی را در لحظه پیشنهاد می‌دهند. به‌جای تکیه بر تصمیمات «شهودی» که ساعت‌ها دیر است، مدیران توصیه‌های مبتنی بر داده برای پر کردن شیفت‌های خالی یا اجتناب از ریسک اضافه‌کاری دریافت می‌کنند.
• شبکه حمایتی کارکنان خط مقدم: دسته‌ای نوظهور که کارکنان را در جریان عملیاتی خود به حمایت‌های مربوط به ثروت، سلامت و نیازهای ضروری روزمره متصل می‌کند، به‌جای اینکه آن‌ها را به یک پورتال جداگانه ارجاع دهد.

به دلیل تأثیر مستقیم تصمیمات بر حقوق، خستگی و عدالت، UKG بر ایجاد حفاظ‌ها (Guardrails) سخت‌گیرانه تأکید دارد. اسپنسر اشاره می‌کند که عامل‌های هوش مصنوعی نمی‌توانند صرفاً برای «بهره‌وری» بهینه شوند، بلکه باید در چارچوب مجوزها و اهداف تعریف‌شده عمل کنند. برای دستیابی به این سطح از پایداری، باید فراتر از مهندسی پرامپت رفت و راهکارهای نظارتی در زمان اجرا (Runtime) را برای عامل‌های سازمانی به کار گرفت.

این چارچوب بر سه رکن استوار است:

• زمینه (Context): درک کامل از کارمند، نقش، مکان، قوانین کار و نیاز کسب‌وکار.
• کنترل (Control): اقدام تنها در محدوده مجوزهای تعریف‌شده و با تأیید انسانی متناسب با سطح ریسک.
• پاسخگویی (Accountability): اطمینان از اینکه هر اقدام قابل توضیح، قابل بازرسی و قابل بازگشت است.

هر قابلیت پیش از تولید، مراحل سخت‌گیرانه اعتبارسنجی مدل، بررسی امنیتی و ارزیابی حریم خصوصی را می‌گذراند. این کار مانع از آن می‌شود که «هیاهوی اتوماسیون»، عناصر عمیقاً انسانی مانند مراقبت، همدلی و قضاوتی را که در نقش‌های خط مقدم ضروری است، پاک کند. اسپنسر اشاره می‌کند که مدل‌های کاملاً خودکار در فست‌فود یا تحویل با پهپاد به جای تبدیل شدن به یک پارادایم، در حد پروژه‌های آزمایشی مانده‌اند؛ زیرا کار در خط مقدم عمیقاً انسانی است. پرستاران، فروشندگان و کارکنان رستوران استثنائات و اعتماد را به گونه‌ای مدیریت می‌کنند که هوش مصنوعی نمی‌تواند جایگزین آن شود.

در بخش‌های حساس مثل بهداشت، تولید و لجستیک، سرعت بدون کنترل یعنی ریسک. یک غیبت ساده می‌تواند پوشش بیمارستانی را مختل کند، یک شکاف مهارتی می‌تواند خط تولید را کند کند و یک سیگنال استقرار نادیده گرفته شده می‌تواند منجر به هزینه‌های سنگین اضافه‌کاری شود.

برای کاهش این خطرات، سیستم‌های هوش مصنوعی باید با خودمختاری مبتنی بر ریسک طراحی شوند. در حالی که هشدار دادن به مدیر کم‌ریسک است، تغییرات در ایمنی یا انطباق قانونی باید توسط انسان بررسی شود. اصل طراحی این است که به سازمان‌ها کمک کند در لحظه «حس کنند»، «تصمیم بگیرند» و «عمل کنند»، در حالی که افراد، سیاست‌ها و حاکمیت از ابتدا در سیستم تعبیه شده باشند.

در افق پنج‌ساله، مزیت رقابتی متعلق به سازمان‌هایی خواهد بود که از ابزارهای تک‌منظوره و گسسته فاصله گرفته و به سمت یک پلتفرم واقعی عملیاتی نیروی کار حرکت کنند. برنده این رقابت کسی نیست که بهترین مدل‌های خام را دارد، بلکه کسی است که عمیق‌ترین داده‌های عملیاتی متصل به جریان‌های کاری واقعی را در اختیار دارد.

هوشمندی تنها زمانی ارزشمند است که در زمینه (Context) کار ریشه داشته باشد. یک مدل می‌تواند پاسخی تولید کند، اما پلتفرمی با قوانین تجاری و حاکمیت یکپارچه می‌تواند یک نتیجه خاص و قابل اعتماد ایجاد کند. UKG Workforce Intelligence Hub به عنوان این لایه هوشمند عمل می‌کند و تضمین می‌کند که داده‌ها صرفاً گزارش‌های ایستا نباشند، بلکه بخشی از نحوه اولویت‌بندی کارها باشند.

برای مدیران ارشد، فوریت موضوع روشن است: خط مقدم در لحظه حرکت می‌کند و فناوری‌ای که عقب بماند، به‌جای دارایی، به یک بدهی تبدیل می‌شود. سازمان‌هایی که اکنون سیستم‌های اقدام هوشمند می‌سازند، در اقتصادی که هر بهبود کوچک در استقرار نیرو و انطباق در هزاران شیفت اثر مرکب می‌گذارد، پیشتازی قابل توجهی خواهند داشت.

گام بعدی شما

• ارزیابی کنید که آیا ابزارهای هوش مصنوعی فعلی شما فقط «خلاصه‌ساز» هستند یا می‌توانند «دستور اجرایی» صادر کنند.
• شناسایی کنید کدام فرآیندهای خط مقدم شما بیشترین «نویز داده» را دارند و نیاز به تحلیل در لحظه دارند.
• برای پیاده‌سازی اتوماسیون، ابتدا یک ماتریس ریسک رسم کنید تا مشخص شود کدام اقدامات می‌توانند خودکار و کدام‌ها نیازمند تأیید انسانی هستند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و پردازش در لبه مراجعه کنید.