تا چند سال پیش، انتظار ما از هوش مصنوعی بیشتر این بود که جواب خوبی بدهد؛ سؤالی می‌پرسیدیم، متنی تحویل می‌گرفتیم، از آن می‌خواستیم گزارشی را خلاصه کند، ایمیلی بنویسد یا درباره‌ی یک تصمیم پیشنهادی بدهد. با بهترشدن مدل‌ها، کیفیت همین جواب‌ها هم بالا رفت و امروز در بسیاری از کارها واقعاً می‌شود روی آن‌ها حساب کرد، اما در فضای کسب‌وکار خیلی زود به مرز دیگری می‌رسیم؛ جایی که دیگر جواب‌دادن کافی نیست و باید کاری واقعاً انجام شود.
فرض کنید مدیر فروش از یک دستیار هوش مصنوعی بخواهد «مشتری‌هایی را که سه روز است پاسخی نداده‌اند پیدا کن، وضعیتشان را بررسی کن و برای هرکدام پیگیری مناسب انجام بده». فهمیدن این درخواست برای یک مدل امروزی مسئله‌ی پیچیده‌ای نیست، مشکل زمانی شروع می‌شود که بخواهد از فهمیدن به انجام‌دادن برسد. مشتری‌ها کجا ثبت شده‌اند، آخرین مکالمه‌ی هرکدام کجاست، آیا پیش‌فاکتور ارسال شده، وضعیت پرداخت چیست، مسئول پیگیری چه کسی است و اصلاً برای هر وضعیت چه قاعده‌ای در کسب‌وکار وجود دارد؟ حتی اگر همه‌ی این‌ها مشخص باشد، هنوز یک سؤال باقی می‌ماند: آیا این هوش مصنوعی اجازه دارد پیام بفرستد، وضعیت مشتری را تغییر دهد یا یک کار جدید در سیستم ایجاد کند؟
اینجاست که فاصله‌ی میان یک دستیار باهوش و چیزی که واقعاً بخشی از عملیات کسب‌وکار باشد، مشخص می‌شود.
هوش مصنوعی درباره‌ی کسب‌وکار می‌داند، نه لزوماً درباره‌ی کسب‌وکار شما
مدل‌های هوش مصنوعی حجم بزرگی از دانش عمومی دارند و می‌توانند درباره‌ی فروش، ارتباط با مشتری، مدیریت پروژه یا منابع انسانی پیشنهادهای قابل‌قبولی بدهند، اما دانستن اصول فروش با دانستن اینکه امروز در تیم فروش شما چه اتفاقی افتاده فرق دارد. برای تصمیم‌گیری درباره‌ی یک مشتری واقعی، فقط دانش عمومی کافی نیست؛ باید سابقه‌ی همان مشتری، مکالمه‌های قبلی، قرارداد، وضعیت مالی و کارهایی که تیم تا این لحظه انجام داده هم مشخص باشد.
مشکل اینجاست که این اطلاعات معمولاً در یک جا جمع نشده‌اند. بخشی در CRM است، بخشی در پیام‌رسان، بخشی در نرم‌افزار مالی و شاید بخشی هم در توضیحاتی که یکی از اعضای تیم داخل یک تسک یا فایل نوشته است. در نتیجه ممکن است AI از نظر دانشی کاملاً آماده باشد، اما وقتی وارد موقعیت واقعی کسب‌وکار می‌شود، تصویر ناقصی از چیزی داشته باشد که واقعاً در جریان است.
این همان جایی است که مفهوم Context مهم می‌شود، هرچند Context هم فقط به این معنی نیست که چند فایل و سند را در اختیار مدل بگذاریم.
Contextواقعی، وضعیت زنده‌ی کسب‌وکار است
اگر راهنمای فروش، فهرست خدمات، قراردادهای نمونه و چند سند داخلی را در اختیار AI قرار دهیم، قطعاً کمک می‌کند، اما این‌ها بیشتر دانش ثابت سازمان هستند. کار روزمره‌ی یک کسب‌وکار چیز دیگری است، چون مدام تغییر می‌کند؛ مشتری پیام تازه‌ای می‌فرستد، پرداختی ثبت می‌شود، یک کار انجام می‌شود، نوبتی جابه‌جا می‌شود یا یکی از اعضای تیم تصمیم تازه‌ای می‌گیرد.
برای اینکه یک ایجنت بتواند درست عمل کند، باید بداند وضعیت الان چیست، نه فقط اینکه قواعد کلی شرکت چه هستند. این مشتری تا دیروز در چه مرحله‌ای بوده، آخرین تعامل چه زمانی انجام شده، آیا کسی همین امروز با او تماس گرفته، پرداخت انجام شده یا نه و قدم بعدی این فرایند چیست؟
این همان چیزی است که می‌شود آن را «وضعیت عملیاتی» کسب‌وکار دانست؛ چیزی که دائماً تغییر می‌کند و نمی‌شود هر چند ماه یک‌بار در یک PDF به‌روزش کرد. اگر AI این وضعیت را نبیند، ممکن است از نظر منطقی پاسخ درستی بدهد، اما برای شرایطی که دیگر وجود ندارد.
دانستن قدم بعدی با انجام‌دادن آن فرق دارد
حتی اگر AI همه‌ی اطلاعات لازم را هم داشته باشد، باز یک فاصله‌ی دیگر باقی می‌ماند. فرض کنید تشخیص داده مشتری باید پیگیری شود و حتی متن مناسب را هم آماده کرده است، حالا کسی باید پیام را بفرستد. اگر لازم است تسکی ایجاد شود، باید داخل سیستم ساخته شود؛ اگر وضعیت مشتری تغییر کرده، باید جایی ثبت شود و اگر قرار است پیش‌فاکتوری ارسال شود، آن هم باید واقعاً ساخته و فرستاده شود.
بخش زیادی از تجربه‌ی فعلی ما با هوش مصنوعی هنوز همین‌جا متوقف می‌شود. سیستم می‌گوید «این مشتری را پیگیری کنید»، «بهتر است وضعیت این سفارش بررسی شود» یا «برای این مخاطب ایمیل ارسال کنید»، اما چند دقیقه بعد یک انسان باید همان پیشنهاد را بردارد، وارد ابزار دیگری شود و آن را اجرا کند.
در چنین مدلی AI هنوز بخشی از فرایند نیست، بلکه کنار فرایند ایستاده و درباره‌ی آن پیشنهاد می‌دهد. برای اینکه واقعاً وارد عملیات شود، باید بتواند فاصله‌ی میان تصمیم و اقدام را طی کند.
ابزار، بخش مهمی از ماجراست
یک همکار خوب فقط به این دلیل مفید نیست که چیزهای زیادی می‌داند، بلکه می‌داند اطلاعات را کجا پیدا کند و بعد از تصمیم‌گیری هم ابزار انجام کار را در اختیار دارد. درباره‌ی AI هم موضوع تقریباً همین است؛ اگر قرار است مشتری را پیگیری کند، باید به کانال ارتباطی دسترسی داشته باشد، اگر باید اطلاعاتی را ثبت کند، باید بتواند با سیستم مربوط به مشتری کار کند و اگر قرار است وضعیت پرداخت را بررسی کند، باید داده‌ی مالی مناسب را ببیند.
در ادبیات Agentها معمولاً به این قابلیت‌ها «Tools» گفته می‌شود، اما اگر اصطلاح فنی را کنار بگذاریم، سؤال خیلی ساده است: آیا هوش مصنوعی فقط می‌تواند درباره‌ی کار حرف بزند، یا واقعاً دستش به ابزارهایی که کار با آن‌ها انجام می‌شود می‌رسد؟
بدون این دسترسی، حتی مدل بسیار قدرتمند هم شبیه همکاری است که همه‌چیز را می‌فهمد، اما اجازه ندارد کاری را از ابتدا تا انتها پیش ببرد.
البته وصل‌کردن AI به همه‌چیز هم جواب نیست
ممکن است در نگاه اول راه‌حل ساده به نظر برسد؛ AI را به همه‌ی نرم‌افزارها متصل کنیم و اجازه بدهیم هر کاری لازم بود انجام دهد. اما در یک کسب‌وکار واقعی، آدم‌ها هم دسترسی نامحدود ندارند، چه برسد به یک ایجنت. یک نفر ممکن است اطلاعات مالی را ببیند ولی اجازه‌ی صدور فاکتور نداشته باشد، شخص دیگری بتواند وضعیت مشتری را تغییر دهد اما برای لغو قرارداد نیاز به تأیید مدیر داشته باشد.
ایجنت هم باید با همین منطق کار کند. ممکن است بتواند یک تسک ایجاد کند، اما برای ارسال قرارداد نیاز به تأیید انسان داشته باشد، یا بتواند پاسخ مشتری را آماده کند ولی در بعضی شرایط ارسال نهایی باید توسط فرد مسئول انجام شود. از طرف دیگر، باید بتوان بعداً فهمید چه اتفاقی افتاده؛ ایجنت چه اطلاعاتی را دیده، چه تصمیمی گرفته، چه کاری انجام داده و نتیجه چه بوده است.
وقتی AI از پیشنهاد وارد اجرا می‌شود، موضوع دیگر فقط کیفیت مدل نیست؛ سطح دسترسی، قواعد کسب‌وکار، امکان نظارت و ثبت اقدامات هم بخشی از سیستم می‌شوند.
شاید مشکل اصلی دیگر «باهوش‌تر شدن مدل» نباشد
مدت‌ها سؤال اصلی این بود که مدل‌های هوش مصنوعی چه زمانی آن‌قدر قدرتمند می‌شوند که بتوان از آن‌ها در کارهای جدی استفاده کرد. این سؤال هنوز مهم است، اما شاید برای بسیاری از کسب‌وکارها دیگر تنها مانع نباشد.
فرض کنیم مدلی داریم که درخواست را به‌خوبی می‌فهمد، می‌تواند اطلاعات را تحلیل کند و تصمیم مناسبی هم بگیرد؛ اگر داده‌های کسب‌وکار میان چند سیستم پخش شده باشند، فرایندها تعریف روشنی نداشته باشند و مدل به ابزارهای لازم دسترسی نداشته باشد، باهوش‌ترشدن آن فقط بخشی از مسئله را حل می‌کند.
ممکن است مانع اصلی دیگر خودِ هوش مصنوعی نباشد، بلکه محیطی باشد که قرار است در آن کار کند.
اگر یک نیروی بسیار توانمند را وارد سازمانی کنیم که اطلاعاتش پراکنده است، مسئولیت‌ها مشخص نیست و برای انجام هر کار باید از چند نفر سؤال کند، بخش زیادی از توانایی او هدر می‌رود. برای ایجنت‌ها هم همین اتفاق می‌تواند بیفتد.
از چت‌کردن با AI تا کارکردن با AI
احتمالاً مرحله‌ی بعدی استفاده از هوش مصنوعی در کسب‌وکار صرفاً با بهترشدن پنجره‌های چت تعریف نمی‌شود. تغییر مهم‌تر زمانی اتفاق می‌افتد که AI بتواند داخل همان محیطی حضور داشته باشد که کار واقعی در آن انجام می‌شود.
یک پیام وارد می‌شود، ایجنت تشخیص می‌دهد مربوط به کدام مشتری است، سابقه را بررسی می‌کند، وضعیت فعلی را می‌بیند و بر اساس قواعد کسب‌وکار تصمیم می‌گیرد قدم بعدی چیست. اگر اجازه‌ی انجام آن کار را داشته باشد، اقدام می‌کند و اگر نیاز به تصمیم انسان باشد، موضوع را به فرد مناسب ارجاع می‌دهد. نتیجه هم دوباره داخل همان سیستم ثبت می‌شود تا اتفاق بعدی بر اساس وضعیت تازه پیش برود.
در این نقطه دیگر با یک سؤال و جواب ساده طرف نیستیم، بلکه یک حلقه شکل گرفته است: دیدن، فهمیدن، تصمیم‌گرفتن، انجام‌دادن و دیدن نتیجه.
همین حلقه است که یک ابزار AI را از یک دستیار بیرون از کار، به بخشی از عملیات تبدیل می‌کند.
علاوه بر توانایی مدل، امکان انجام کار هم مهم است
هر چند وقت یک‌بار مدل تازه‌ای معرفی می‌شود و معمولاً اولین بحث این است که چقدر از نسل قبلی باهوش‌تر شده است. برای کسب‌وکارها این پیشرفت مهم است، اما اگر هدف استفاده‌ی واقعی از ایجنت‌ها باشد، شاید لازم باشد سؤال دیگری هم بپرسیم.
نه فقط اینکه «این AI چه کارهایی بلد است؟»، بلکه اینکه «در کسب‌وکار ما چه چیزهایی را می‌بیند، به چه ابزارهایی دسترسی دارد و واقعاً چه کارهایی می‌تواند انجام دهد؟»
فاصله‌ی میان یک دستیار جذاب و یک همکار عملیاتی را فقط قدرت مدل پر نمی‌کند؛ داده، فرایند، ابزار، سطح دسترسی و محیطی که همه‌ی این‌ها را کنار هم می‌گذارد به همان اندازه مهم‌اند.
هوش مصنوعی ممکن است توانایی انجام یک کار را داشته باشد، اما آیا در کسب‌وکار شما به اطلاعات، ابزار و مجوزهای لازم برای انجام آن دسترسی دارد؟