کمبود مالکیت در سازمان‌ها؛ دلیل اصلی شکست پروژه‌های هوش مصنوعی در مقیاس تجاری

تصور کنید یک مدیر عملیات هستید که بودجه کلانی صرف پیلوت‌های هوش مصنوعی کرده، اما حالا می‌بیند هیچ‌کدام از آن‌ها به نتایج واقعی در سود و زیان شرکت تبدیل نشده‌اند. این شکاف میان «آزمایش» و «تولید»، دقیقاً جایی است که اکثر سازمان‌های بزرگ در آن شکست می‌خورند.

به نقل از آرون هیرمث (Arun Hiremath)، مدیر ارشد کسب‌وکار و هم‌بنیان‌گذار EvoluteIQ، تمرکز صنعت از «آیا هوش مصنوعی می‌تواند این کار را انجام دهد؟» به «آیا می‌توان به هوش مصنوعی برای رسیدن به یک نتیجه تجاری قابل اندازه‌گیری اعتماد کرد؟» تغییر کرده است. این تغییر گذاری است از آزمایش‌های پراکنده به سمت «اتوماسیون عامل‌محور آماده برای تولید». هیرمث این دیدگاه را با تکیه بر نزدیک به سه دهه تجربه در اتوماسیون سازمانی، استراتژی محصول و مخابرات ارائه می‌دهد. او سوابق مدیریتی برجسته‌ای در شرکت‌های پیشرو نظیر کوالکام (Qualcomm)، ایکانوس کامونیکیشنز (Ikanos Communications)، کانکسنت سیستمز (Conexant Systems) و گلوب‌اسپن (Globespan) دارد و همچنین نظارت بر توسعه کسب‌وکار در منطقه آسیا-پاسیفیک در شرکت تاتا السکسی (Tata Elxsi) را بر عهده داشته است. این تمایل به بازگشت به تخصص‌های عمیق فنی در سطوح مدیریتی، با جریان مهاجرت مدیران ارشد استارتاپ‌ها به نقش‌های تکنسین AI همسو است تا بتوانند کنترل دقیق‌تری بر خروجی‌های تکنولوژیک داشته باشند.

بسیاری از شرکت‌ها در حالی با این تحول روبرو شده‌اند که هنوز در تلاشند تا از مرحله پیلوت‌های ایزوله فراتر روند. بسیاری از سازمان‌ها با هوش مصنوعی مانند یک لایه نرم‌افزاری اضافی رفتار می‌کنند که روی جریان‌های کاری موجود قرار می‌گیرد؛ رویکردی که هیرمث آن را «رسیدن سریع‌تر به نتیجه‌ای غلط» می‌نامد. او خاطرنشان می‌کند که بسیاری از جریان‌های کاری سازمانی ۲۰ سال پیش و بر اساس تصمیم‌گیری‌های دستی طراحی شده‌اند. افزودن هوش مصنوعی به عنوان یک مرحله در این فرآیندها ممکن است سرعت کار را بهینه کند، اما باعث تحول واقعی نمی‌شود. با تکیه بر چشم‌انداز سامیت گوپته (Sameet Gupte)، مدیرعامل شرکت، هدف نهایی رسیدن به «اتوماسیون بومی هوش مصنوعی» (AI-native enterprise automation) است؛ جایی که فرآیند از همان ابتدا برای اجرای خودکار و مستقل طراحی شده است.

بحران «کمبود مالکیت»

طبق اعلام هیرمث، یک شکاف سازمانی حیاتی وجود دارد که مانع از مقیاس‌بندی هوش مصنوعی می‌شود. مشکل اکثر سازمان‌ها نبودِ ابزارهای هوش مصنوعی نیست، بلکه نبودِ «مالکیت» (Ownership) بر نتیجه نهایی و سرتاسری است. این یک مشکل در مدل عملیاتی است و نه مشکلی مربوط به تامین‌کننده ابزار.

در ساختار فعلی اکثر شرکت‌ها، مسئولیت‌ها به شرح زیر تکه‌تکه شده است:

• تیم‌های IT مالک زیرساخت هستند.
• واحدهای کسب‌وکار مالک فرآیند هستند.
• تیم‌های امنیت مالک حاکمیت (Governance) هستند.
• تیم‌های داده مالک مدل‌ها هستند.
• تیم‌های عملیات مالک اجرا هستند.

چون هیچ نهاد واحدی مالکِ نحوه ادغام این قطعات در یک فرآیند تجاری خودکار نیست، پیلوت‌ها فقط موفقیت‌های ایزوله و کوچکی باقی می‌مانند و هرگز به سطح سازمان گسترش نمی‌یابند. برای مقیاس‌پذیری موفق، باید تیم‌های چندوظیفه‌ای تشکیل شوند که به جای مالکیت بر سیستم‌های مجزا، به طور مشترک مالک «نتیجه تجاری» باشند. پرسش مرکزی برای رهبران سازمان باید این باشد: «چه کسی مالک نتیجه است و چه کسی مسئول تحویل آن است؟»

سطوح بلوغ اتوماسیون عامل‌محور

برای شفاف‌سازی مسیر رسیدن به تولید، هیرمث اتوماسیون را به سه سطح بلوغ متمایز تقسیم می‌کند. او برای درک بهتر تفاوت این سطوح، مثال پردازش صورت‌حساب (Invoice Processing) را به کار می‌برد:

۱. اتوماسیون کاربردی (Useful Automation): این مرحله دقیقاً طبق دستورالعمل‌های تعیین‌شده پیش می‌رود. در پردازش صورت‌حساب، این یعنی صرفاً کپی کردن اطلاعات از یک سیستم به سیستم دیگر بدون تحلیل.
۲. اتوماسیون هوشمند (Intelligent Automation): در این مرحله، سیستم اطلاعات ارائه شده را می‌فهمد. برای مثال، می‌تواند صورت‌حساب‌ها را بخواند، داده‌های خاص را استخراج کند و در صورت وجود تناقض‌ها، آن‌ها را علامت بزند.
۳. اتوماسیون عامل‌محور (Agentic Automation): این سطح از اتوماسیون، هدف کلی کسب‌وکار را درک کرده و برای رسیدن به نتیجه تلاش می‌کند. یک عامل در این سطح می‌تواند متوجه اطلاعات گمشده شود، مستقیماً با تأمین‌کنندگان ارتباط برقرار کند، سیاست‌های تجاری شرکت را اعمال کند، استثنائات را مدیریت نماید، تاییدیه های لازم را بگیرد و در نهایت کل فرآیند را به اتمام برساند.

در این چارچوب، تفاوت تنها در داشتن یک مدل «هوشمندتر» نیست، بلکه در این واقعیت است که هوش مصنوعی اکنون مالک «نتیجه» است، نه فقط انجام‌دهنده یک «وظیفه» یا تکلیف واحد.

معماری پلتفرم EIQ

شرکت EvoluteIQ با پلتفرم EIQ سعی در پر کردن این شکاف‌های ساختاری دارد. این پلتفرم یک محیط بومی هوش مصنوعی برای اتوماسیون و ارکستراسیون فرآیندهای پیچیده و سرتاسری کسب‌وکار است. EIQ طراحی شده است تا ابزارهای پراکنده اتوماسیون را با یک معماری واحد جایگزین کند که سیستم‌های قدیمی (Legacy) و مدرن را به هم متصل کرده و در عین حال مقیاس‌پذیری و امنیت را حفظ کند.

اجزا و قابلیت‌های پلتفرم

پلتفرم EIQ چندین فناوری سطح بالا را در یک محیط کم‌کد یا بدون‌کد (Low-code/No-code) ادغام می‌کند:

• هوش مصنوعی عامل‌محور و زاینده (Generative AI).
• اتوماسیون تصمیم و فرآیند.
• رباتیک پردازش فرآیند (RPA).
• پردازش هوشمند رویدادها و داده‌ها.
• تحلیل‌ها و یکپارچه‌سازی‌های سازمانی.
• توسعه سریع اپلیکیشن‌ها (Rapid App Development).

یک جزء کلیدی این معماری، eiq360 است؛ پلتفرمی که بر پایه گوگل کلاد (Google Cloud) و مدل Gemini ساخته شده است. این ابزار به کاربران غیرفنی کسب‌وکار اجازه می‌دهد تا نتایج مطلوب خود را به زبان طبیعی توصیف کنند و سپس پلتفرم این توصیفات را به جریان‌های کاری آماده برای سازمان تبدیل کند. این تغییر به این معناست که کاربران دیگر مجبور نیستند نیازمندی‌های خود را برای تیم‌های مهندسی توصیف کنند و منتظر پیاده‌سازی بمانند. در عوض، آن‌ها نتیجه را توصیف می‌کنند و پلتفرم در حالی که جریان‌های کاری را تولید می‌کند، به‌صورت خودکار کنترل‌های عملیاتی، انطباق (Compliance)، امنیت و حاکمیت را اعمال می‌کند.

این رویکرد باعث حذف تیم‌های IT نمی‌شود، بلکه جایگاه آن‌ها را ارتقا می‌دهد. تیم‌های فناوری اکنون می‌توانند از ساخت دستی هر جریان کاری فاصله بگیرند و در عوض بر تعریف حفاظ‌های سازمانی (Guardrails)، خدمات قابل استفاده مجدد و استانداردهای حاکمیتی تمرکز کنند.

نرخ بازگشت سرمایه (ROI)، حاکمیت و ایده‌آلِ «هوش مصنوعی کسل‌کننده»

یک تنش ذاتی میان فشار برای کسب سریع بازگشت سرمایه (ROI) و زمانی که برای تحول فرآیند لازم است، وجود دارد. هیرمث استدلال می‌کند که سرعت بدون حاکمیت باعث ایجاد ریسک می‌شود و حاکمیت بدون سرعت منجر به سرخوردگی می‌گردد. او تاکید می‌کند که حاکمیت نباید به عنوان یک مانع یا سرعت‌گیر دیده شود، بلکه باید به عنوان یک کاتالیزور باشد؛ زیرا حاکمیت خوب با ایجاد اعتماد، در واقع سرعت پذیرش فناوری را افزایش می‌دهد.

شرکت‌ها باید کار را با یک فرآیند تجاری مشهود شروع کنند که ارزش قابل اندازه‌گیری ایجاد کند و مطمئن شوند که این راهکار بر بستری از قابلیت مشاهده (Observability) و انطباق بنا شده است تا راهکار اولیه خود به یک سیلو (Silo) جدید تبدیل نشود.

او در ادامه مطرح می‌کند که هوش مصنوعی در ماموریت‌های حیاتی سازمانی باید «کسل‌کننده» (Boring) باشد. در حالی که نوآوری برای محیط‌های آزمایشی است، اما هوش مصنوعی در مرحله تولید در حوزه‌هایی مانند پرداخت حقوق و دستمزد، تراکنش‌های بانکی یا دعاوی بیمه باید کاملاً پیش‌بینی‌پذیر باشد. هیچ‌کس نمی‌خواهد اجرای لیست حقوق و دستمزد «هیجان‌انگیز» باشد یا یک تراکنش بانکی «خلاقانه» عمل کند. موفق‌ترین نوع هوش مصنوعی آن است که به دلیل تولید نتایج سازگار، توضیح تصمیمات خود و تشخیص زمان‌هایی که اعتماد به مدل پایین است (و نیاز به دخالت انسان دارد)، عملاً نادیده گرفته شود چون به درستی کار می‌کند.

عبور از بهینه‌سازی وظایف

بهینه‌سازی یک وظیفه واحد (مثلاً سریع‌تر کردن استخراج اسناد به میزان ۶۰ درصد) اغلب فقط باعث می‌شود گلوگاه (Bottleneck) به جای دیگری منتقل شود. کسب‌وکارها کار را به صورت وظایف تک‌تک تجربه نمی‌کنند، بلکه «نتایج» را تجربه می‌کنند. ارزش واقعی تجاری در ارکستراسیون سرتاسری (End-to-end) نهفته است.

مثال‌هایی از تحول فرآیند:

• مدیریت هزینه‌ها: هوش مصنوعی می‌تواند الگوهای هزینه، سیاست‌های شرکت و سوابق کارمند را ارزیابی کند. درخواست‌های روتین می‌توانند در چند دقیقه تایید شوند و تنها موارد غیرعادی برای بررسی مدیران باقی بمانند.
• پذیرش مشتری (Onboarding): تبدیل یک چرخه دو هفته‌ای به چند ساعت از طریق ارکستراسیون دریافت اطلاعات، اعتبارسنجی، تاییدیه ها و ارتباطات به عنوان یک جریان کاری بومی هوش مصنوعی.

بهینه‌سازی یک تکلیف، کارایی را بهبود می‌بخشد، اما بهینه‌سازی «فرآیند»، عملکرد کلی کسب‌وکار را تغییر داده و مستقیماً بر صورت سود و زیان (P&L) تاثیر می‌اندازد. برای تسهیل این مسیر، کانال‌های توزیعی مانند بازارهای گوگل کلاد (Google Cloud Marketplaces) در حال کاهش اصطکاک‌ها هستند. این بازارها با ساده‌سازی بررسی‌های امنیتی و فرآیندهای خرید، به شرکت‌ها اجازه می‌دهند بدون تحمل چرخه‌های شش ماهه خرید، پلتفرم‌های بومی هوش مصنوعی را ارزیابی کرده و از تعهدات ابری موجود خود بهره ببرند.

مسیر پیروزی

با نگاه به آینده، سازمان‌هایی که در عملیاتی کردن هوش مصنوعی عامل‌محور موفق می‌شوند، لزوماً آن‌هایی نیستند که پیشرفته‌ترین مدل‌های AI را دارند. بلکه برندگان کسانی خواهند بود که بهترین «مدل‌های عملیاتی» را برای هوش مصنوعی پیاده کنند. این مسیر شامل موارد زیر است:

• بازطراحی فرآیندها از پایه به جای دیجیتالی کردن ناکارآمدی‌های موجود.
• ساختارهای حاکمیتی مستحکم را پیش از تلاش برای مقیاس‌بندی ایجاد کنند.
• قابلیت‌های سازمانی قابل استفاده مجدد بسازند، نه فقط اثبات‌های مفهوم (PoC) ایزوله.
• با هوش مصنوعی به عنوان یک نیروی کار collaborative (همکار) جدید نگاه کنند که با انسان‌ها، سیستم‌ها و سیاست‌های تجاری تعامل می‌کند، نه صرفاً به عنوان یک اپلیکیشن دیگر.

شرکت EvoluteIQ به ارائه این خدمات در صنایع متنوعی از جمله بانکداری، بیمه، بهداشت و درمان، مخابرات، تولید، انرژی و خرده‌فروشی ادامه می‌دهد. دهه آینده با این تعریف مشخص خواهد شد که سازمان‌ها تا چه اندازه در بهینه‌سازی همکاری میان انسان‌ها، عامل‌های هوش مصنوعی و سیستم‌های سازمانی قدیمی موفق می‌شوند.

گام بعدی شما

• به جای جست‌وجوی مدل‌های «هوشمندتر»، روی تعریف «مالک نتیجه» (Outcome Owner) در سازمانتان تمرکز کنید.
• فرآیندهای قدیمی را دیجیتالی نکنید؛ آن‌ها را برای اجرای خودکار بازطراحی کنید.
• از ابزارهایی استفاده کنید که اجازه دهند کاربران غیرفنی نتایج را توصیف کنند، نه اینکه روی تک‌تک گام‌های فنی نظارت داشته باشند.

اما این تغییر در مدل عملیاتی، هزینه‌های استنتاج را چگونه تغییر می‌دهد؟ در تحلیل ما درباره بهینه‌سازی هزینه‌های GPU در مقیاس سازمانی، این موضوع را بررسی کرده‌ایم.