تله چکش در شرکت‌ها؛ چرا سازمان‌ها در انتخاب کاربرد هوش مصنوعی ایجنتی اشتباه می‌کنند؟

آبراهام مزلو، روان‌شناس سرشناس، روزگاری هشدار داده بود: «اگر تنها ابزاری که در دست دارید چکش باشد، وسوسه می‌شوید با همه چیز طوری رفتار کنید که انگار میخ هستند.» اکنون هوش مصنوعی ایجنتی (Agentic AI) در حال تبدیل شدن به همان چکش وسوسه‌انگیز در دنیای کسب‌وکار است.

به محض اینکه سازمان‌ها با قابلیت‌ها و پتانسیل‌های شگفت‌انگیز هوش مصنوعی ایجنتی آشنا می‌شوند، فهرست کاربردهای احتمالی آن به‌سرعت گسترش می‌یابد.

اگرچه این اشتیاق و هیجان سازمانی قابل تحسین است، اما در بسیاری از موارد به استراتژی‌های وارونه ختم می‌شود؛ وضعیتی که در آن گویی می‌پرسیم: «اگر هوش مصنوعی پاسخ ماست، پس صورت‌مسئله واقعی چه بوده است؟» هنگامی که زمان ارزیابی نتایج و سنجش میزان بازدهی سرمایه‌گذاری فرا می‌رسد، به‌سختی می‌توان تشخیص داد که دقیقاً چه دستاوردی حاصل شده و چرا دستیابی به آن از ابتدا اهمیت داشته است.

از خلق ارزش شروع کنید، نه از ساخت ایجنت

در موج شتاب‌زده‌ای که پس از ظهور ChatGPT به راه افتاد، بسیاری از سازمان‌ها ابزارهای هوش مصنوعی را بدون تعریف ارزش مشخص یا هدف نهایی روشنی در اختیار تمامی کارکنان خود قرار دادند. افراد تقریباً بلافاصله شیوه انجام کارهای خود را تغییر دادند، اما به دلیل ثبت نشدن یک خط مبنا (Baseline) مشخص، هیچ راهی برای سنجش میزان بهبود واقعی وجود نداشت؛ چراکه هیچ‌کس دقیقاً نمی‌داند نگارش یک ایمیل منسجم چقدر زمان می‌برد و بازنویسی آن با ChatGPT واقعاً چقدر در زمان افراد صرفه‌جویی می‌کند!

شرکت مشاوره مک‌کینزی این پدیده را «پارادوکس هوش مصنوعی مولد» نامیده است. پیمایش این مؤسسه در سال ۲۰۲۵ نشان داد که با وجود پذیرش گسترده، تنها ۳۹ درصد از سازمان‌ها موفق شده‌اند تأثیر مالی ملموسی در سطح کلان سازمانی از سرمایه‌گذاری‌های خود در حوزه هوش مصنوعی گزارش کنند.

سازمان‌ها باید به شکلی دقیق و شفاف مشخص کنند که به دنبال سنجش چه عاملی هستند. این فرآیند از سه لایه اصلی تشکیل شده است، اما بیشتر مجموعه‌ها تنها لایه نخست را می‌بینند:

• میزان پذیرش و استفاده (Adoption): آیا کارکنان واقعاً از این ابزار استفاده می‌کنند؟
• تغییر رفتار (Behavior): آیا افراد کارهای خود را به شیوه‌ای متفاوت و کارآمدتر انجام می‌دهند؟
• نتیجه و خروجی ملموس (Outcome): شاخص‌هایی مانند میزان درآمد حاصل از هر فروشنده، تعداد تیکت‌های حل‌شده توسط هر کارشناس پشتیبانی، یا سرعت چرخه بررسی و تأیید نهایی.

میزان استفاده و خروجی نهایی صرفاً یک همبستگی آماری را به نمایش می‌گذارند؛ برای مثال، افرادی که از هوش مصنوعی بهره می‌برند فروش بیشتری ثبت می‌کنند. اما لایه میانی که اغلب نادیده گرفته می‌شود، لایه «رفتار» است که این همبستگی را به رابطه علت و معلولی تبدیل می‌کند؛ یعنی آن‌ها فروش بالاتری دارند چراکه اکنون به کمک هوش مصنوعی می‌توانند گزارش‌های مشتریان را سریع‌تر آماده کنند و در نتیجه، زمان بیشتری را به تماس‌های تلفنی و مذاکره مستقیم اختصاص دهند.

جریان کاری خود را به درستی بشناسید

اگر سازمان‌ها درک دقیقی از چگونگی جریان واقعی امور نداشته باشند، دو پیامد منفی رخ خواهد داد: نخست اینکه خط مبنا برای یک فرآیند نادرست تعریف می‌شود که هر ادعای بهبودی را بی‌اثر می‌کند، و دوم اینکه ایجنتی که مراحل نادرستی برای آن تعیین شده است، هرگز نمی‌تواند وظیفه محول‌شده را با موفقیت تکمیل کند.

به‌عنوان نمونه، یکی از فرآیندهای خرید در شرکت بین‌المللی آتوس (Atos) روی کاغذ شبیه به یک جریان کاری چهارمرحله‌ای به نظر می‌رسید، اما پس از بررسی موشکافانه و مصاحبه با نیروهای اجرایی مشخص شد که این فرآیند در عمل نزدیک به ۱۰ مرحله دارد. کارکنان مدام میان سامانه برنامه‌ریزی منابع سازمانی (ERP)، نرم‌افزار اوت‌لوک و جداول اکسل در حرکت بودند، اطلاعات را کپی می‌کردند، منتظر پاسخ می‌ماندند و داده‌ها را به‌صورت دستی وارد می‌کردند.

تعریف خط مبنا بر پایه آن چهار مرحله، اندازه‌گیری فرآیندی اشتباه را رقم می‌زد و ایجنتی که تنها برای چهار مرحله طراحی شده بود، به هیچ عنوان توانایی انجام کاری ۱۰ مرحله‌ای را نداشت.

هر مشکلی نیازمند ایجنت نیست

شناخت دقیق جریان کاری همچنین مشخص می‌کند که آیا هوش مصنوعی ایجنتی اصولاً فناوری مناسبی برای حل مسئله به شمار می‌رود یا خیر. اگر وظایف بر پایه‌ی قوانین ثابت و روابط شرطی («اگر این اتفاق رخ داد، آن کار را انجام بده») پیش می‌روند، پاسخ ممکن است اتوماسیون رباتیک فرآیندها (RPA)، اتوماسیون جریان کاری یا حتی اصلاح بنیادی ساختار فرآیند باشد.

هوش مصنوعی ایجنتی بیشتر برای جریان‌هایی کارآمد است که سیستم باید کانتکست و شرایط را تحلیل کند، میان ابزارهای متنوع هماهنگی به وجود آورد، پیشنهاد ارائه دهد یا درون چارچوب‌های معین دست به اقدام بزند. حتی در این سناریوها نیز وجود معیاری شفاف برای موفقیت و یک توجیه تجاری معتبر ضروری است. اگرچه اقتصاد استقرار هوش مصنوعی ایجنتی هنوز در مراحل آغازین خود به سر می‌برد، اما همین موضوع به‌عنوان یک فیلتر طبیعی عمل می‌کند تا تنها ارزشمندترین سناریوها انتخاب شوند.

ارزش‌آفرینی را پیش از توسعه اثبات کنید

خلق ارزش دقیقاً همان نقطه‌ای است که تدوین یک طرح توجیهی تجاری با چالش‌های اساسی روبه‌رو می‌شود؛ یعنی اثبات ارزش ایجنتی‌سازی یک فرآیند پیش از آنکه حتی یک خط کد نوشته شود.

این رویکرد مستلزم دسترسی به مجموعه‌داده‌های باکیفیت است. پیش از تخصیص بودجه و آغاز پیاده‌سازی هوش مصنوعی ایجنتی، ارائه شواهد روشن درباره هزینه‌ها و بازده تجاری پروژه حیاتی خواهد بود. در مواردی که دستاوردها قابل اندازه‌گیری هستند و داده‌های شفاف به اندازه کافی وجود دارد، می‌توان یک سامانه واقعی را ظرف یک هفته ساخت. با این حال، در شرایطی که داده‌ها به بازبینی نیاز دارند، پالایش داده‌های در دسترس همواره پیش از تلاش برای توجیه تجاری پروژه در اولویت قرار دارد.

مدیریت دقیق اقدامات اولیه علاوه بر صرفه‌جویی محسوس در زمان و هزینه‌ها، شواهد محکمی از ارزش‌آفرینی پروژه را پیش روی مدیران قرار می‌دهد.

به‌جای صف انتظار، سبد پروژه بسازید

پس از آماده‌سازی فهرست اولیه کاربردها، سازمان‌ها می‌توانند اولویت‌بندی خود را بر اساس بازده مالی، امکان‌پذیری فنی، اثرگذاری بر فرآیندها، نیازمندی‌های زیرساختی، تأثیر بر نیروی انسانی و میزان ریسک انجام دهند. امتیازدهی بر مبنای معیارهای چندگانه به‌جای تکیه انحصاری بر نرخ بازگشت سرمایه (ROI)، یک سبد پروژه (پرتفوی) پویا به‌جای صفی طولانی از پروژه‌ها ایجاد می‌کند. یک کاربرد کم‌هزینه‌تر با اثرگذاری سریع می‌تواند ارزش اولیه را اثبات کند و برای پروژه‌های ایجنتی بعدی اعتبار بخرد؛ در حالی که یک پروژه بسیار سودآور با زمان استقرار دوساله شاید بهتر باشد در اولویت‌های بعدی قرار گیرد.

هزینه‌های پنهان گذار سازمانی را پیش‌بینی کنید

حتی پس از انتخاب کاربرد مناسب، بسیاری از سازمان‌ها همچنان در لمس نتایج با دشواری مواجه می‌شوند؛ زیرا تمام توان خود را صرف توسعه فنی می‌کنند و از منابع لازم برای تثبیت تغییرات سازمانی غافل می‌مانند.

مؤسسه گارتنر این پدیده را «وام گذار» (Transition Mortgage) می‌نامد؛ شرایطی که در آن پیاده‌سازی هوش مصنوعی نسبت به فناوری‌های سنتی نیازمند پشتیبانی بسیار بیشتری است و معمولاً ۲۵ درصد آموزش بیشتر و تا ۲۰۰ درصد اقدامات مدیریتی مضاعف برای تحول سازمانی را طلب می‌کند.

در بسیاری از سازمان‌ها، بارها دیده شده است که تیم‌های مختلف برای حل یک مسئله یکسان، ابزارهای مستقلی می‌سازند. ایجاد نظارت و یکپارچگی شفاف بر کاربردها این معضل را برطرف می‌کند؛ چراکه چالش اصلی در کیفیت ابزارها نیست، بلکه در دوباره‌کاری‌ها و اتلاف منابع سازمانی ریشه دارد.

هر جریان کاری نیازمند چکش نیست

مدیران ارشد اجرایی باید تمرکز خود را بر تعداد محدودی از کاربردها بگذارند؛ مواردی که در آن‌ها ارزش تجاری و جریان‌های کاری کاملاً روشن، خط مبنا قابل اندازه‌گیری، داده‌ها آماده و نقش ایجنت هوش مصنوعی مشخص است. پس از آن می‌توان بودجه مناسب را برای اطلاع‌رسانی، استقرار سازمانی، سنجش بازدهی و توسعه مقیاس اختصاص داد.

ارزش واقعی هوش مصنوعی ایجنتی با تعداد ایجنت‌های مستقر در یک سازمان ارزیابی نمی‌شود؛ بلکه معیار نهایی این است که آیا شیوه انجام امور واقعاً تغییر کرده و سازمان می‌تواند ارزش افزوده آن را اثبات کند یا خیر. هوش مصنوعی ایجنتی ابزاری بسیار قدرتمند است، اما پیروزی واقعی در درک این نکته نهفته است که کدام مشکلات حکم میخ را دارند و کدام مسائل نیازمند ابزاری دیگرند.