تصور کنید در یک سیستم درمانی، پزشک شما از طریق تماس تصویری معاینه‌تان می‌کند، اما این ملاقات هرگز در پرونده شما ثبت نمی‌شود و هیچ دستورالعمل پیگیری برای درمان صادر نمی‌گردد. در این سناریو، دسترسی به خدمات وجود دارد، اما نتیجه‌ی درمانی مفقود است. این شکاف میان «دسترسی به ابزار» و «نتیجه عملی»، همان نقطه‌ای است که ساندار سوبرامانیان، مدیرعامل Zyter، آن را بحران اصلی صنعت سلامت می‌داند.
در حالی که صنعت بهداشت و درمان اشباع شده از فناوری است، این صنعت همچنان در تکاپو است زیرا ابزارهای موجود نتوانسته‌اند نحوه اجرای واقعی کارها را تغییر دهند. این تنش، هسته مرکزی دیدگاه ساندار سوبرامانیان را شکل می‌دهد. او در ژوئیه ۲۰۲۵ به عنوان مدیرعامل Zyter منصوب شد تا مسیر شرکت را به سمت هوش مصنوعی عامل‌محور (Agentic AI) و ارکستراسیون هوشمند جریان‌های کاری تغییر دهد.
به نقل از مصاحبه اخیر سوبرامانیان با unite.ai، صنعت بهداشت و درمان در دهه گذشته میلیاردها دلار صرف دیجیتالی‌سازی، قابلیت همکاری (Interoperability) و هوش مصنوعی پایه کرده است. اما این سرمایه‌گذاری‌ها صرفاً ابزارهای جدیدی را روی مدل‌های عملیاتی شکسته و قدیمی سوار کرده‌اند. نتیجه این شد سیستمی که می‌توانست داده‌ها را تحلیل کند، اما همچنان در هماهنگ کردن کارها بین افراد، سیاست‌ها و سازمان‌ها ناتوان بود. سوبرامانیان مشاهده می‌کند که در حالی که زیرساخت‌ها مدرن شدند و تحلیل‌های داده‌ای گسترش یافتند، فناوری اغلب به جای تغییر در نحوه عملکرد مدل‌ها، صرفاً به مدل‌های موجود اضافه شد. این دیدگاه با رویکرد شرکت Nventr همسو است که اولویت را بر بازطراحی جریان‌های کاری به‌جای استفاده از ابزارهای تک‌منظوره می‌داند.
سوبرامانیان سابقه‌ای عمیق در استراتژی و عملیات سلامت دارد. او بیش از ۱۶ سال در Strategy& (بخش استراتژی PwC) فعالیت کرده و در آنجا رهبری کسب‌وکار مشاوره استراتژیک ایالات متحده و بخش استراتژی سازمانی، ارزش و تحول دیجیتال را بر عهده داشت. سوابق شغلی او همچنین شامل نقش‌های ارشد در WellCare و McKinsey & Company است و او یکی از رهبران مرکز تعالی Medicaid و Medicare در Booz & Company بوده است. همین پیشینه در مشاوره مدیریت و تحول دیجیتال باعث شده او به این نتیجه برسد که مشکل فعلی صنعت، یک مشکل «اجرا» است، نه مشکل «ابزار».
او معتقد است که Zyter باید با ساخت یک «لایه اجرا»، استراتژی‌های سطح بالا را به نتایج عملیاتی قابل اندازه‌گیری تبدیل کند. هدف این است که به صنعت سلامت کمک شود تا با هماهنگ کردن کارها بین افراد، سیستم‌ها، سیاست‌ها و هوش مصنوعی، هوشمندانه‌تر عمل کند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن و استقرار آن‌ها در سازمان‌ها اشاره کردیم، چالش اصلی همواره تبدیل تصمیمات سطح بالا به اقدامات عملی در جریان‌های کاری پراکنده است.
معماری سازمان عامل‌محور
رویکرد Zyter فراتر از مدل «کمک‌خلبان» (Copilot) است. در حالی که یک کمک‌خلبان فقط بهره‌وری یک فرد را بالا می‌برد، معماری Zyter برای اثرگذاری در کل سازمان طراحی شده است. تحول سازمانی به‌ندرت به دلیل کمبود ایده‌ها محدود می‌شود؛ چالش واقعی، ترجمه تصمیمات به اقدام در جریان‌های کاری پراکنده است.
این سیستم بر سه رکن اصلی استوار است:
- Zyter Symphony: مانند یک رهبر ارکستر عمل می‌کند و عامل‌های هوش مصنوعی، سیستم‌های سازمانی و اقدامات انسانی را به‌صورت لحظه‌ای هماهنگ می‌کند. این بخش مدیریت می‌کند که کارها چگونه دست‌به‌دست شده و اجرا شوند.
- Zyter Praxis: این مؤلفه، عامل‌ها، قوانین کسب‌وکار، داده‌ها و نظارت انسانی را در قالب ماژول‌های جریان کاری (Workflow) سرتاسری بسته‌بندی می‌کند. در واقع، این موتور اجرایی است که مراحل خاص یک فرآیند تجاری را پیاده می‌کند.
- TruCare Digital Core: زیربنایی که این جریان‌ها را به سیستم‌های حیاتی سازمانی متصل می‌کند؛ از جمله پرونده‌های الکترونیک سلامت (EHR)، پلتفرم‌های ادعای بیمه، سیستم‌های برنامه‌ریزی منابع سازمانی (ERP) و نرم‌افزارهای مدیریت ارتباط با مشتری (CRM).
با این ترکیب، هوش مصنوعی به‌جای اینکه یک ابزار جداگانه باشد، در تار و پود فرآیند کار می‌نشیند. این معماری به هوش مصنوعی اجازه می‌دهد تا کارها را هماهنگ کند، با تغییر شرایط سازگار شود و به‌طور مداوم نحوه عملکرد سازمان را بهبود بخشد. این امر برای بخش‌های تحت نظارت شدید که حاکمیت، قابلیت حسابرسی و نظارت انسانی بر تصمیمات سرنوشت‌ساز در آن‌ها غیرقابل مذاکره است، حیاتی است.
رفع شکاف قابلیت اطمینان در سلامت
استقرار سامانه‌های چندعاملی (Multi-agent system) در مقیاس بزرگ، ریسک‌های قابل توجهی ایجاد می‌کند؛ به‌ویژه زمانی که عامل‌ها باید داده‌ها را به اشتراک بگذارند، وظایف را منتقل کنند یا تصمیمات را به انسان ارجاع دهند. سوبرامانیان تأکید می‌کند که کلید قابلیت اطمینان در «تخصص‌گرایی» است. همان‌طور که صنعت سلامت برای انجام همه کارها به یک نفر متکی نیست، هوش مصنوعی نیز نباید چنین باشد. این چالش‌های عملیاتی یادآور تحلیل‌های ماست که علت شکست عامل‌های هوش مصنوعی در مقیاس تجاری را در شکاف میان نمایش‌های اولیه و استقرار واقعی می‌بیند.
برای تضمین پایداری و اطمینان، Zyter مکانیزم‌های زیر را پیاده‌سازی می‌کند:
- مسئولیت‌های تعریف‌شده: با استفاده از عامل‌هایی با نقش‌های کاملاً تعریف‌شده، حاکمیت بر سیستم آسان‌تر، قابلیت اطمینان بیشتر و بهبود سیستم در طول زمان ساده‌تر می‌شود.
- لایه‌های هماهنگ‌کننده: سیستم مدیریت انتقال وظایف را بر عهده دارد و سیاست‌ها را به‌طور یکسان اعمال می‌کند تا دقیقاً تعیین شود چه زمانی تخصص انسانی باید وارد جریان کار شود.
- ردیابی تصمیمات (Decision Lineage): Zyter بر شفافیت تأکید دارد و ثبت می‌کند که تصمیمات چگونه گرفته شده‌اند و چه اطلاعاتی مبنای آن‌ها بوده است. این شفافیت باعث می‌شود هر جریان کاری به منبعی برای یادگیری تبدیل شود.
برای جلوگیری از «انحراف» (Drift) مدل‌ها — وضعیتی که در آن مدل ممکن است از دستورالعمل‌های بالینی یا سیاست‌های پرداخت‌کننده منحرف شود — Zyter از منطق عصبی-نمادین (Neuro-symbolic logic) استفاده می‌کند. این روش یک لایه تأیید ایجاد می‌کند که در آن هوش مصنوعی مسئول تفسیر اطلاعات پیچیده یا بدون ساختار است، اما قوانین قطعی (Deterministic) و منطق نمادین تأیید می‌کنند که اقدام نهایی با جریان‌های کاری تأییدشده همخوانی دارد.
این رویکرد ترکیبی تضمین می‌کند که سیستم بتواند از اجرا یاد بگیرد بدون اینکه نرده‌های حفاظتی لازم برای ایمنی بیمار را از دست بدهد. این مدل اجازه می‌دهد تا بهبود مستمر در نحوه مدیریت اطلاعات صورت گیرد، در حالی که تصمیمات حساس، پیش‌بینی‌پذیر و قابل حسابرسی باقی بمانند. هدف، دادن آزادی بیشتر به هوش مصنوعی نیست، بلکه بهبود نحوه تفسیر اطلاعات و مدیریت استثنائات در عین حفظ کنترل‌های سخت‌گیرانه است.
استدلال با زمینه بلند و سفر بیمار
یکی از پراکنده‌ترین بخش‌های سلامت، تاریخچه بیمار است که اغلب در طول سال‌ها در یادداشت‌های پزشکان، نتایج آزمایش‌ها، داروها، تصاویر رادیولوژی، ادعاهای بیمه و تعاملات مراقبتی پخش شده است. صنعت سلامت هرگز با کمبود اطلاعات مواجه نبوده، بلکه با کمبود توانایی در «ترکیب و سنتز» آن‌ها روبروست. در همین راستا، تلاش‌هایی مانند لایه هوش بالینی Doceree صورت گرفته تا داده‌های تخصصی دارویی را به مدل‌های زبانی بزرگ متصل کرده و درک عمیق‌تری از نیازهای بالینی ایجاد کنند.
Zyter در حال بررسی رویکرد C-RLM است؛ یک روش بازگشتی (Recursive) که برای ترکیب این تاریخچه‌های بالینی تکه‌تکه به یک درک منسجم طراحی شده است. استدلال با زمینه بلند (Long-context reasoning) به هوش مصنوعی اجازه می‌دهد تا از کمک در یک تک‌وظیفه، به سمت پشتیبانی از مراقبت‌های طولی (Longitudinal Care) حرکت کند.
اهداف رویکرد C-RLM عبارت‌اند از:
- ترکیب شواهد (Evidence Synthesis): فراتر رفتن از خلاصه‌سازی ساده برای متصل کردن شواهد و شناسایی الگوها در کل مسیر سفر بیمار.
- مبنی‌سازی (Grounding): اطمینان از اینکه درک سنتز شده، کاملاً بر اساس سوابق بالینی زیربنایی باقی می‌ماند.
- قابلیت ردیابی (Traceability): هر نتیجه‌گیری باید به منبع اصلی خود قابل ردیابی باشد تا پزشکان بتوانند استدلال هوش مصنوعی را در برابر شواهد اعتبارسنجی کنند.
با بلوغ این قابلیت‌ها، عامل‌های هوش مصنوعی درکی به‌طور مداوم در حال تکامل از هر بیمار خواهند داشت. این امر به پزشکان اجازه می‌دهد تصویر کامل‌تری داشته باشند و تصمیماتی آگاهانه‌تر با اعتمادبه‌نفس بیشتر بگیرند.
گسترش به خارج از حوزه سلامت
اگرچه ریشه Zyter در سلامت است و از طریق پلتفرم TruCare از بیش از ۴۴ میلیون نفر در بیش از ۴۵ سازمان پشتیبانی می‌کند، اما اکنون در حال گسترش به بخش‌های دولتی و خدمات مالی است. سوبرامانیان استدلال می‌کند که تمام صنایع تحت نظارت، نیاز مشترکی دارند: هماهنگ کردن کارهای پیچیده بین سیستم‌ها و افراد در حالی که پاسخگویی سخت‌گیرانه برای هر تصمیم حفظ شود.
او مدل اجرا را اساساً یک مدل «افقی» می‌بیند. چه در مدیریت ریسک مالی و چه در پشتیبانی از برنامه‌های دولتی، نیاز به اجرای قابل اطمینان، ثبات در سیاست‌ها و شفافیت یکسان است. طراحی برای دقتِ جریان‌های کاری بالینی — که نیازمند قابلیت همکاری شدید، تاب‌آوری و اعتماد هستند — در واقع یک نقشه راه با استانداردهای بالا برای هر محیط تحت نظارت ایجاد کرده است.
برای پشتیبانی از این ارکستراسیون در مقیاس سازمانی، Zyter اخیراً TruCare را به زیرساخت ابری AWS منتقل کرد. این اقدام به این واقعیت پاسخ می‌دهد که در حالی که مدل‌های پایه به‌سرعت پیشرفت می‌کنند، چالش واقعی در زیرساختی است که داده‌ها، سیستم‌ها و افراد را به هم متصل می‌کند. یک معماری Cloud-native تاب‌آوری و مقیاس‌پذیری لازم را فراهم می‌کند تا هوش مصنوعی به بخشی از اجرای روزمره تبدیل شود، نه صرفاً یک اپلیکیشن دیگر که در کنار فرآیندهای موجود اجرا می‌شود.
آینده خودمختاری و نظارت انسانی
Zyter در حال حاضر در برنامه CMS WISeR مشارکت دارد که مرزهای خودمختاری هوش مصنوعی را آزمایش می‌کند. در این مدل، هوش مصنوعی از جریان کار پشتیبانی می‌کند — اطلاعات را ترکیب کرده و سیاست‌ها را اعمال می‌کند — اما پزشکان دارای مجوز، اختیار نهایی تصمیم‌گیری در پرونده‌هایی که شامل زمینه (Context)، ابهام و مسئولیت‌پذیری هستند را حفظ می‌کنند.
به باور سوبرامانیان، هیچ «مرز واحدی» برای خودمختاری وجود ندارد. در عوض، نقش هوش مصنوعی باید بر اساس جریان کاری خاص، سطح ریسک و «اعتماد به‌دست‌آمده» تکامل یابد. اعتماد به هوش مصنوعی باید از شواهد، اعتبارسنجی و عملکرد مداوم در محیط عملیاتی حاصل شود، نه صرفاً به دلیل اینکه مدل توانمندتر شده است.
موفقیت با میزان خودمختاری هوش مصنوعی سنجیده نخواهد شد، بلکه با این معیار اندازه‌گیری می‌شود که آیا بیماران مراقبت بهتری دریافت کرده‌اند و آیا پزشکان زمان بیشتری برای تمرکز بر موارد پیچیده بازیافته‌اند یا خیر. هدف، یک مدل عملیاتی است که نقاط قوت هر دو، یعنی هوش مصنوعی و تخصص انسانی را منعکس کند.
هماهنگی در سلامت روستایی
ابزار «هماهنگ‌کننده سلامت روستایی» Zyter تفاوت میان «دسترسی ساده» و «نتایج واقعی» را نشان می‌دهد. در حالی که تله‌مدیسین (پزشکی از راه دور) چالش دسترسی را حل کرد، اما اغلب تعاملات را از مسیر کلی مراقبت جدا کرد. یک بازدید مجازی که نتواند برنامه مراقبتی را به‌روز کند یا یک پیگیری را فعال نماید، دسترسی را بهبود می‌بخشد اما لزوماً سلامت را ارتقا نمی‌دهد.
هماهنگی عامل‌محور این مشکل را با متصل کردن موارد زیر حل می‌کند:
- بازدیدهای مجازی و تله‌مدیسین.
- داده‌های پایش از راه دور (Remote Monitoring).
- مدیریت مراقبت و منابع جامعه.
- جریان‌های کاری بالینی.
با ادغام این‌ها در یک سیستم هماهنگ واحد، اطلاعات به‌طور یکپارچه جریان می‌یابد و اقدام به‌صورت خودکار دنبال می‌شود. این امر دسترسی را به نتیجه تبدیل می‌کند و به سیستم‌های سلامت روستایی اجازه می‌دهد تا با کاهش زمانی که پزشکان صرف پیمایش در فرآیندهای پراکنده می‌کنند، با منابع موجود مراقبت بهتری ارائه دهند.
بازطراحی مدل عملیاتی با همکاری PwC
Zyter در همکاری جدید با PwC قصد دارد سازمان‌های بهداشتی را از «پایلوت‌های هوش مصنوعی» به سمت بازطراحی کامل مدل عملیاتی سوق دهد. در این همکاری، PwC تخصص عمیق در استراتژی سلامت را فراهم می‌کند و Zyter لایه اجرا را برای عملیاتی کردن آن استراتژی‌ها ارائه می‌دهد.
سوبرامانیان تحول را با تعداد مدل‌های مستقر نمی‌سنجد. در عوض، او به دنبال تغییرات بنیادی در مدل عملیاتی است، مانند:
- سرعت تصمیم‌گیری: آیا تصمیمات در کل سازمان سریع‌تر جابه‌جا می‌شوند؟
- هماهنگی: آیا جریان‌های کاری بین بخش‌های مختلف و سیستم‌های گوناگون همگام شده‌اند؟
- بار اداری: آیا کاهش ملموسی در کارهای تکراری ایجاد شده است تا تیم‌های مراقبتی بتوانند بر مراقبت از بیمار تمرکز کنند؟
- تکرارپذیری: آیا این بهبودها در کل سازمان مقیاس‌پذیر هستند یا فقط به یک مورد خاص محدود شده‌اند؟
این تغییر، گذاری است از هوش مصنوعی به‌عنوان یک «ویژگی» به هوش مصنوعی به‌عنوان «بافت اصلی» نحوه اجرای مأموریت یک سازمان تحت نظارت. تحول موفق زمانی رخ می‌دهد که هوش مصنوعی دیگر یک ابتکار جداگانه نباشد، بلکه بخشی از مدل عملیاتی باشد که منجر به کاهش هزینه‌های اداری و مراقبت‌های هماهنگ‌تر شود.
گام بعدی شما
- اگر مدیر محصول یا عملیات هستید، به‌جای جست‌وجوی ابزاری برای اتوماسیون تک‌وظیفه‌ای، نقاط شکست در «دست‌به‌دست شدن» (Handoff) وظایف بین تیم‌ها را شناسایی کنید.
- مدل‌های عامل‌محور را با رویکرد «تخصص‌گرایی» (Specialization) بررسی کنید؛ به‌جای یک مدل همه‌فن‌حریف، مجموعه‌ای از عامل‌های کوچک با نقش‌های تعریف‌شده بسازید.
- برای کاهش توهم در سیستم‌های حساس، لایه‌ای از منطق قطعی (Deterministic Rules) روی خروجی‌های مدل‌های زبانی قرار دهید.
اما چالش واقعی در این مسیر، مدیریت هزینه‌های استنتاج در مقیاس سازمانی است — به تحلیل ما درباره‌ی بهینه‌سازی هزینه‌های GPU در محیط‌های ابری مراجعه کنید.
گفتگو