از داشبوردها تا تصمیم‌گیری؛ چگونه هوش مصنوعی قواعد بازی SaaS را تغییر می‌دهد

هنگامی که یک شرکت به گزارش، قابلیت یا اپلیکیشن کوچکی نیاز دارد، آیا هنوز هم باید نرم‌افزار جدیدی خریداری کند؟ هوش مصنوعی ساخت اپلیکیشن‌های سفارشی را سریع‌تر و ارزان‌تر کرده و بدین ترتیب، اقتصاد نرم‌افزارهای سازمانی سنتی را به چالش می‌کشد. شرکت‌هایی که پیش از این به اشتراک‌های گران‌قیمت و راهکارهای آماده وابسته بودند، اکنون می‌توانند با استفاده از داده‌ها و سیستم‌های موجود خود، ابزارهایی کاملاً متناسب با نیازهایشان ایجاد کنند.

این تغییر در گفتگوهای اخیر با مدیران سه شرکت در لیتوانی نمایان شد. بررسی تجربه‌های مدیران ارشد گروه راه‌آهن لیتوانی، شرکت پرداخت‌های بین‌المللی TransferGo و شرکت توسعه‌دهنده نرم‌افزار Helmes نشان می‌دهد که آن‌ها چگونه در حال به‌کارگیری هوش مصنوعی در کسب‌وکارهای خود هستند.

تجربیات این شرکت‌ها چیزی جذاب‌تر از یک افزایش بهره‌وری ساده را فاش می‌کند. هوش مصنوعی در حال تغییر روشی است که شرکت‌ها از طریق آن ارزش داده‌های خود را استخراج می‌کنند، فرصت‌ها را می‌شناسند و تصمیم می‌گیرند که آیا اصلاً نیازی به خرید نرم‌افزار جدید دارند یا خیر.

در راه‌آهن لیتوانی، مدیری که روزگاری گزارش‌های مالی را خط‌به‌خط بررسی می‌کرد، اکنون از هوش مصنوعی می‌خواهد تا تغییرات نیازمند بررسی را شناسایی کند. در شرکت TransferGo، یک سیستم هوش مصنوعی جهش غیرمنتظره‌ای را در انتقال پول از ایسلند کشف کرد؛ بازاری که هیچ‌کس برای نظارت بر آن تعیین نشده بود. همچنین مدیران Helmes توضیح دادند که چگونه شرکت‌ها از هوش مصنوعی برای ساخت اپلیکیشن‌هایی مبتنی بر نیازهای تجاری خود استفاده می‌کنند و دیگر منحصراً به نرم‌افزارهای تجاری وابسته نیستند. فراتر از این موارد، شرکت GoDaddy نیز در حال آزمایش این موضوع است که آیا اپلیکیشن‌های ساخته‌شده با ابزارهای AI اختصاصی‌اش می‌توانند جایگزین اشتراک‌های نرم‌افزاری کوچک‌تر در دفاتر این شرکت شوند.

همه این بررسی‌ها، پرسش مهمی را برای صنعت نرم‌افزارهای سازمانی مطرح می‌کند: اگر شرکت‌ها بتوانند اپلیکیشن‌های هوش مصنوعی خود را بسازند و ارزش بیشتری از سیستم‌های فعلی‌شان استخراج کنند، تا چه اندازه به نرم‌افزارهایی که در حال حاضر برایشان هزینه پرداخت می‌کنند نیاز خواهند داشت؟

پرسشی فراتر از یک داشبورد جدید

ایرمانتاس برژاوسکاس (Irmantas Beržauskas)، مدیر ارشد حقوقی و توسعه سازمانی در گروه راه‌آهن لیتوانی (LTG)، سال‌هاست که از داشبوردهای هوش تجاری استفاده می‌کند و ارزش آن‌ها را نادیده نمی‌گیرد. داشبوردهای Power BI این شرکت، اطلاعات را از سیستم‌های مختلف جمع‌آوری کرده و مشاهده وقایع را آسان‌تر می‌کنند. اما نارضایتی او به مرحله پس از مشاهده داشبورد برمی‌گردد.

مدیری که در حال بررسی ارقام مالی است، به‌ندرت می‌خواهد صرفاً یک نمودار را تماشا کند. پرسش‌ها معمولاً هدفمندتر هستند: کدام هزینه‌ها تغییر کرده‌اند؟ عملکرد سیستم در چه بخش‌هایی با دوره قبل متفاوت بوده است؟ آیا یک مغایرت ارزش بررسی دارد یا فقط نشان‌دهنده یک تعدیل حسابداری معمول است؟

برژاوسکاس به‌خاطر می‌آورد که در گذشته خودش ارقام را بررسی می‌کرد، سطرها را می‌خواند و دوره‌های گزارش‌دهی را مقایسه می‌کرد. اما اکنون او داده‌ها را به هوش مصنوعی می‌سپارد و با استفاده از پرامپت‌های ساده، تحلیل‌ها را هدایت می‌کند. او آن‌قدر از هوش مصنوعی برای این کار استفاده کرده است که دیگر به‌سختی آن را یک ابزار مجزا می‌داند؛ بلکه این فناوری به بخشی از روند بررسی اعداد تبدیل شده است.

او فقط می‌پرسد: «تغییرات چیست و روندها چگونه‌اند؟»

دوران داشبوردها به پایان نرسیده است. LTG همچنان داشبوردهای خود را مفید می‌داند، اما تغییر بزرگ این است که اکنون یک مدیر می‌تواند پرسشی را مطرح کند که داشبورد برای پاسخگویی به آن طراحی نشده بود، بدون اینکه نیازی باشد منتظر بماند تا شخص دیگری نمودار جدیدی بسازد.

فروشندگان نرم‌افزار نیز متوجه این فرصت شده‌اند. در ماه ژوئن، شرکت Google در نسخه پیش‌نمایش ابزار Looker خود، ایجنت‌های مکالمه‌محور را معرفی کرد که به کاربران اجازه می‌دهند از داخل یک داشبورد پرسش‌هایی را مطرح کرده و پاسخ‌ها را پیگیری کنند. در واقع Google به‌جای اینکه از مشتریان بخواهد محصول قبلی را کنار بگذارند، قابلیت مکالمه را به یک محصول گزارش‌دهی موجود اضافه کرده است.

این رویکردها فشار زیادی به نرم‌افزارهای سنتی گزارش‌دهی وارد می‌کنند. داشبوردی که صرفاً درآمد ماهانه را نشان می‌دهد، اکنون باید با سیستمی رقابت کند که به بررسی تغییرات غیرمنتظره درآمد کمک می‌کند. سیستم اول فقط رقم را نشان می‌دهد، اما سیستم دوم به مدیر کمک می‌کند تا تصمیم بگیرد درباره آن چه کاری باید انجام دهد.

زمانی که توسعه نرم‌افزار به یک تصمیم خرید تبدیل می‌شود

در گذشته، زمانی که یک اپلیکیشن فاقد قابلیت خاصی بود، شرکت‌ها با انتخاب‌های پرهزینه‌ای روبه‌رو می‌شدند. آن‌ها یا باید از فروشنده می‌خواستند آن قابلیت را اضافه کند، یا توسعه‌دهندگانی را برای ساخت آن استخدام می‌کردند، و یا باید با نرم‌افزارهای صفحه گسترده نظیر اکسل سر می‌کردند.

اما هوش مصنوعی گزینه چهارم را عملی‌تر کرده است. یک تیم می‌تواند ابزاری با تمرکز محدود برای نیازهای خاص خود بسازد و گاهی از یک دستیار کدنویسی هوش مصنوعی برای انجام بخش عمده‌ای از کارهای اولیه کمک بگیرد.

شرکت GoDaddy این رویکرد را برای سرمایه‌گذاران خود تشریح کرده است. این شرکت اعلام کرد که در حال آزمایش جایگزین‌های ساخته‌شده داخلی برای ابزارهای کوچک‌تر SaaS شخص ثالث است و عملکردهای شرکتی در میان اهداف اولیه آن قرار دارند. اهداف اعلام‌شده شامل کاهش هزینه‌ها و پیچیدگی‌های عملیاتی کمتر بود، هرچند ادعا نشد که کل سبد نرم‌افزاری شرکت جایگزین شده است.

بررسی‌های اخیر روی توسعه‌دهندگان نرم‌افزارهای سازمانی نیز چشم‌انداز روشن‌تری ارائه می‌دهد. در نظرسنجی از ۸۱۷ توسعه‌دهنده، ۳۵ درصد گزارش دادند که تیم‌هایشان دست‌کم یک ابزار SaaS را با یک اپلیکیشن سفارشی جایگزین کرده‌اند. این موضوع نشان‌دهنده فعالیت رو‌به‌رشد در میان افرادی است که در زمینه ساخت نرم‌افزار مشارکت دارند.

برای شاروناس پوتریوس (Šarūnas Putrius)، مدیرعامل شعبه لیتوانی Helmes، جذابیت توسعه سفارشی موضوعی آشناست. شرکت Helmes با کسب‌وکارهایی کار می‌کند که اپلیکیشن‌های خریداری‌شده‌شان تقریباً تمام نیازهای آن‌ها را برآورده می‌کنند، اما در یک وظیفه خاص با شکست مواجه می‌شند یا نمی‌توانند به‌خوبی به سیستم دیگری متصل شوند.

مدیران Helmes مشاهده می‌کنند که مشتریان سعی دارند این شکاف‌ها را با اسکریپت‌های تولیدشده توسط هوش مصنوعی و صفحات گسترده پر کنند. این راهکارها ممکن است برای مدتی کارساز باشند، اما با تغییر سیستم مبدأ، واگذاری فرآیند به یک کارمند جدید، یا مواجهه اسکریپت با داده‌های پیش‌بینی‌نشده، مشکلاتی به وجود می‌آید. نتیجه کار، یک اپلیکیشن ارزان‌تر و بادوام نخواهد بود، بلکه سیستم جدیدی است که به مراقبت و نگهداری نیاز دارد.

رویکرد Helmes برای حل این مشکل، تمرکز بر فرآیند تجاری پشت هر درخواست است. مهندسان این شرکت بررسی می‌کنند که داده‌ها از کجا می‌آیند، چه کسانی به دسترسی نیاز دارند، ابزار باید چه کاری انجام دهد و شرکت چگونه آن را نگهداری خواهد کرد. اگرچه امروز نوشتن کد آسان‌تر شده است، اما چالش قابل‌اعتماد کردن آن همچنان پابرجا باقی مانده است.

این رویکرد در پروژه‌های مشتریان Helmes نیز مشهود است. برای نمونه، این شرکت یک دستیار هوش مصنوعی ساخته است که بیش از ۵۰ هزار دفترچه راهنمای خدمات را جستجو کرده و با استفاده از مستندات فنی سازمان به پرسش‌ها پاسخ می‌دهد. در پروژه‌ای دیگر، یک دستیار AI به تهیه یافته‌های ساختاریافته ممیزی از اسناد کمک می‌کند و خروجی آن توسط افراد بررسی می‌شود. هیچ‌کدام از این وظایف نیازی به یک اپلیکیشن همه‌منظوره ندارند؛ بلکه هرکدام به ابزاری نیاز دارند که دقیقاً متناسب با کارهای فعلی مشتری طراحی شده باشد.

انتخاب شرکت‌ها لزوماً بین یک اشتراک گران‌قیمت SaaS و یک اپلیکیشن بومی‌سازی‌شده نیست. یک سازمان می‌تواند پایگاه داده، کنترل‌های امنیتی و سیستم تجاری اصلی خود را که به آن‌ها اعتماد دارد حفظ کرده و سپس یک ابزار هوش مصنوعی کوچک‌تر را روی آن‌ها بنا کند.

توسعه سریع‌تر در برابر محدودیت‌های زیرساختی

تجربه شرکت TransferGo به‌خوبی نشان می‌دهد که وقتی هزینه توسعه نرم‌افزار با سرعتی بیشتر از هزینه اجرای یک کسب‌وکار قانون‌مند کاهش می‌یابد، چه اتفاقی رخ می‌دهد.

این شرکت پرداخت، به افرادی خدمات می‌دهد که پول خود را در سطح بین‌المللی جابه‌جا می‌کنند؛ از جمله مشتریانی که زبان‌های متفاوتی دارند و به خدمات متناسب با شرایط خود نیاز دارند. به گفته داومانتاس دویلینسکاس (Daumantas Dvilinskas)، مدیرعامل این شرکت، اکنون هوش مصنوعی ۸۰ درصد از درخواست‌های خدمات مشتریان را مدیریت می‌کند و مشتریانی که توسط این سیستم خدمات دریافت کرده‌اند، رضایت ۹۴ درصدی خود را ثبت کرده‌اند.

از آن زمان، TransferGo هوش مصنوعی را وارد بخش‌های مهندسی، بازاریابی و سایر عملکردهای خود کرده است. طبق گزارش‌ها، خروجی توسعه نرم‌افزار این شرکت در سال گذشته با وجود ثابت ماندن تقریبی تعداد کارکنان، دو برابر شده است.

دویلینسکاس در این باره می‌گوید: «شما می‌توانید چیزهای زیادی را به بازار عرضه کنید و عملکرد آن‌ها را مورد آزمایش قرار دهید.»

یکی از جالب‌ترین آزمایش‌های این شرکت، توسعه یک اپلیکیشن هوش مصنوعی با استفاده از مدل Claude شرکت Anthropic است که به انبار داده TransferGo متصل شده است. این سیستم که برای ایفای نقش مدیر ارشد درآمد طراحی شده، الگوهای تراکنش را در حدود ۱۶۰۰ مسیر پرداخت بین‌المللی بررسی کرده و یک گزارش هفتگی برای تصمیم‌گیری ارائه می‌دهد.

این ابزار به‌تازگی یک جهش غیرمنتظره را در انتقال پول از ایسلند شناسایی کرد؛ بازاری که هیچ مدیر اختصاصی برای آن تعیین نشده بود. هیچ‌کس از هوش مصنوعی نخواسته بود ایسلند را بررسی کند؛ بلکه سیستم به‌طور مستقل این افزایش را شناسایی کرد و ارتباط احتمالی آن را با اشتغال فصلی و مجوزهای کار کشف نمود، موضوعی که متعاقباً توسط شرکت مورد بررسی قرار گرفت.

شرکت TransferGo در حال حاضر از نرم‌افزار Tableau برای هوش تجاری استفاده می‌کند، اما اپلیکیشن AI سفارشی آن می‌تواند تحولاتی را بررسی کند که داشبوردهای مرسوم ممکن است نادیده بگیرند. داده‌های زیربنایی از پیش در دسترس بودند، اما تغییری که ایجاد شد، توانایی شرکت برای بررسی آن‌ها بود؛ بدون اینکه نیاز باشد شخصی از قبل تصمیم بگیرد کدام بازارها شایسته توجه هستند. برای کسب‌وکارهایی که هزینه چندین پلتفرم گزارش‌دهی را پرداخت می‌کنند، این پرسش اساسی مطرح می‌شود که آیا اپلیکیشن‌های سفارشی هوش مصنوعی می‌توانند بدون نیاز به اشتراک نرم‌افزاری جدید، ارزش بیشتری از داده‌های موجود استخراج کنند؟

با این حال، کدنویسی سریع‌تر باعث نشده تا تمام بخش‌های کسب‌وکار به همان نسبت سرعت بگیرند.

بر اساس گزارش‌ها، در حال حاضر زیرساخت و سیستم‌های بک‌اند به گلوگاه‌های اصلی در این مسیر تبدیل شده‌اند.