فراتر از یک چت‌بات سخنگو؛ هوش مصنوعی سازمانی چطور واقعاً دست‌به‌کار می‌شود؟

این روز‌ها تقریباً تمام مدیران ارشد سازمانی با انبوهی از ادعاهای کلی و دهان‌پرکن درباره اینکه «هوش مصنوعی شیوه انجام کار‌ها را دگرگون می‌کند» روبه‌رو شده‌اند. با این حال در عمل، سرمایه‌گذاری‌های اولیه بسیاری از شرکت‌ها روی ابزار‌های هوش مصنوعی نتوانسته تحول چشمگیر و مورد انتظاری را که به آنها وعده داده شده بود، رقم بزند.

یک مدل زبانی بزرگ (LLM) می‌تواند اطلاعات را به خوبی خلاصه کند، به پرسش‌ها جواب دهد و حتی مراحل بعدی را پیشنهاد کند؛ اما به تنهایی قادر نیست بر اساس این اطلاعات وارد عمل شود و کاری را پیش ببرد. در واقع بدون اتصال مستقیم به سیستم‌های کلیدی کسب‌وکار، مدل‌های زبانی در نهایت فقط یک چت‌بات ساده با قلمی شیوا و لحنی آراسته هستند!

این همان واقعیتی است که مدیران شرکت‌های پیشرو در زمینه اتوماسیون مالی و سازمانی نیز بر آن تأکید دارند.

برای مثال یک تیم مالی را در نظر بگیرید که مشغول بررسی و پردازش فاکتورهاست. یک مدل زبانیِ ایزوله و بدون دسترسی شاید بتواند جزئیات فاکتور یک تأمین‌کننده را با دقت خلاصه کند، اما هرگز نمی‌تواند آن را با سفارش خرید (PO) تطبیق دهد، پرداختی قبلی را استعلام کند یا مطمئن شود که فاکتور با کد درست دفتر کل (GL) ثبت شده است یا خیر. مدل برای اتخاذ چنین تصمیماتی به داده‌های بیشتری نیاز دارد که همگی خارج از محیط این ابزار هوش مصنوعی قرار دارند.

برای اینکه هوش مصنوعی نقشی فعال و اثرگذار در فرآیندهای سازمانی ایفا کند، باید به سیستم‌هایی دسترسی داشته باشد که زمینه و بستر داده‌ها (Context) در آنها جریان دارد. اینجاست که پروتکل کانتکست مدل (Model Context Protocol یا به اختصار MCP) می‌تواند زیرساخت لازم را برای برقراری اتصالات امن فراهم کند؛ تحولی که هم‌اکنون نشانه‌های روشن آن در بخش حساب‌های پرداختنی نمایان شده است.

پروتکل MCP در عمل چه تغییری ایجاد می‌کند؟

میزان تأثیرگذاری یک مدل زبانی مستقیماً به داده‌هایی بستگی دارد که در اختیارش قرار می‌گیرد. اگر اطلاعات لازم برای یک تصمیم‌گیری مطمئن در سامانه برنامه‌ریزی منابع سازمانی (ERP)، پایگاه داده تأمین‌کنندگان یا سایر سیستم‌های تجاری ذخیره شده باشد، مدل باید راهی مستقیم و امن برای دسترسی به آن داشته باشد.

با این حال اتصال هوش مصنوعی به بافت اطلاعاتی کسب‌وکارها هرگز کار ساده‌ای نبوده است؛ اپلیکیشن‌های مختلف برای اتصال به یک سیستم واحد به راه‌حل‌های یکپارچه‌سازی متفاوتی نیاز دارند و با اضافه شدن ابزار‌های هوش مصنوعی متعدد به مجموعه، اوضاع به سرعت پیچیده و کلافه‌کننده می‌شود.

پروتکل کانتکست مدل (MCP) روشی کاملاً استاندارد برای برنامه‌های هوش مصنوعی فراهم می‌آورد تا بتوانند به سادگی به سیستم‌های خارجی و منابع داده وصل شوند. بنابراین هر زمان که هوش مصنوعی به یک منبع جدید نیاز پیدا کند، توسعه‌دهندگان به جای ساخت اتصالات اختصاصی و طاقت‌فرسا برای هر برنامه، می‌توانند با تکیه بر MCP پل ارتباطی لازم را پیاده‌سازی کنند.

پروتکل MCP ماهیت کار‌هایی را که هوش مصنوعی واقعاً می‌تواند انجام دهد متحول می‌کند. با برقراری اتصالات مناسب، ایجنت‌های هوش مصنوعی می‌توانند داده‌های مربوطه را استخراج کنند، بر اساس آنها تصمیم بگیرند و در چارچوب مرزهای تعیین‌شده توسط کسب‌وکار دست به عمل بزنند. پروتکل MCP همچنین اتصالات دوطرفه را تسهیل می‌کند؛ به این معنی که هوش مصنوعی می‌تواند داده‌ها را به سیستم‌های اصلی برگرداند. برای مثال، یک ایجنت هوش مصنوعی می‌تواند سوابق را به‌روزرسانی کند، سندی را برای تأیید به مرحله بعد بفرستد یا گام بعدی یک فرآیند را به شکل خودکار استارت بزند.

البته هرچند پروتکل MCP زیرساخت اتصال هوش مصنوعی به سیستم‌های سازمانی را مهیا می‌سازد، اما این به معنای دادن عنان کامل امور به دست ایجنت‌ها نیست. میزان استقلال و اختیاری که ایجنت‌های هوش مصنوعی امروزه می‌توانند به شکلی منطقی از عهده آن برآیند، بسته به نوع وظیفه و نحوه پیاده‌سازی بسیار متفاوت است؛ همان‌طور که منگ لیو (تحلیل‌گر ارشد مؤسسه فارستر) اخیراً بیان کرده است: «مانورهای تبلیغاتی روی ایجنت‌ها همه‌جا را فرا گرفته، اما استقلال واقعی هنوز به این گستردگی نیست.»

با تمام این تفاسیر، ایجنت‌های هوش مصنوعی برای داشتن نقشی پررنگ‌تر در کار‌های سازمانی نیازی به استقلال صددرصدی ندارند. بخش حساب‌های پرداختنی (AP) نمونه‌ای عالی و ملموس از عملکرد هوش مصنوعی متصل در دنیای واقعی است و نشان می‌دهد که چگونه می‌توان حتی بدون خودمختاری کامل، ارزش‌آفرینی چشمگیری برای سازمان رقم زد.

حسابداری نشان می‌دهد هوش مصنوعی متصل چه قدرتی دارد

در فرآیند حساب‌های پرداختنی، سازمان باید اطمینان یابد که قیمت تک‌تک اقلام دقیقاً با قرارداد هماهنگ است، محصولات حتماً تحویل داده شده‌اند، فاکتور قبلاً تسویه نشده باشد و هر ردیف کالا به درستی در سرفصل و کد حسابداری مناسب ثبت شود. اگر این زنجیره اعتبارسنجی به موقع صورت نگیرد، زمینه برای خطاهای پرهزینه و ضررهای مالیِ کاملاً قابل‌پیشگیری باز خواهد شد.

در گذشته تمام این کنترل‌ها بر دوش نیروی انسانی بود. حتی امروز با وجود گسترش اتوماسیون، به محض بروز یک مورد استثنا یا مغایرت، پرونده در صف بررسی گیر می‌افتد و کارمند حسابداری مجبور است برای حل‌وفصل ماجرا، ساعت‌ها میان سفارش‌های خرید، رسیدهای انبار، قراردادها و فاکتورهای پیشین زیرورو کند.

این حجم از کار دستی هزینه‌های سنگینی روی دست شرکت‌ها می‌گذارد. طبق گزارش معتبر Ardent Partners در زمینه پرداخت‌های الکترونیکی سال ۲۰۲۵، هزینه پردازش هر فاکتور به طور میانگین ۹.۸۴ دلار است؛ در حالی که برای سازمان‌های پیشرو و مجهز این رقم تنها ۲.۶۵ دلار آب می‌خورد.

حالا تصور کنید اگر یک ایجنت هوش مصنوعی به همان منابع داده‌ای دسترسی داشته باشد که کارمند حسابداری به آنها دسترسی دارد، ماجرا چقدر متفاوت می‌شود؛ فرض کنید فاکتوری برای خرید ۲۰ کارتن مرغ به قیمت هر کارتن ۴۲ دلار به دست یک رستوران می‌رسد. ایجنت هوش مصنوعی می‌تواند بلافاصله فاکتور را با سفارش خرید و رسید انبار تطبیق دهد و متوجه شود که در عمل فقط ۱۸ کارتن تحویل داده شده است. علاوه بر این، ایجنت فوراً متوجه می‌شود که قیمت درج‌شده در فاکتور برای هر کارتن، ۵ دلار گران‌تر از نرخ توافق‌شده در قرارداد رسمی است!

در چنین شرایطی وقتی اعداد و ارقام همخوانی ندارند، فاکتور لزوماً در صف انتظار معطل نمی‌ماند؛ چراکه ایجنت هوش مصنوعی با در اختیار داشتن بستر داده‌ها (Context)، توانایی بررسی موشکافانه‌تر و اقدام عملی را دارد.

بسته به نتایج بررسی‌های ایجنت و خط‌مشی‌ها و چارچوب‌های سازمان، هوش مصنوعی می‌تواند از تأمین‌کننده بستانکاری یا اصلاحیه طلب کند، مغایرت موجود را همراه با اسناد و پیشنهاد‌های مشخص به کارمند مربوطه ارجاع دهد، یا اگر همه‌چیز درست بود، مجوز پرداخت را بدون اتلاف وقت صادر کند.

همین الگو را می‌توان در بسیاری دیگر از تصمیم‌گیری‌های حسابداری پیاده کرد؛ به عنوان نمونه، ایجنتی که به سوابق تأمین‌کنندگان دسترسی دارد می‌تواند قبل از هرگونه پرداختی، فاکتورهای تکراری و مشکوک را شناسایی کند. ایجنتی که به دفتر کل و سوابق ثبت اسناد متصل است می‌تواند کدینگ مناسب حسابداری را برای فاکتور جدید تعیین کند، و ایجنت دیگری که به تاریخچه مصوبات و آیین‌نامه‌های شرکت دسترسی دارد، می‌تواند معین کند که چه کسی باید تأییدکننده بعدی فاکتور باشد.

در تمام این سناریوها، قدرت تصمیم‌گیری و اقدام ایجنت به دسترسی آن به داده‌های صحیح گره خورده است؛ و در حوزه حسابداری، راه بسیار روشنی وجود دارد که نشان دهد آیا این تصمیم‌ها واقعاً کارایی داشته‌اند یا خیر.

حسابداری؛ میدان آزمونی واقعی برای استقلال هوش مصنوعی

هدف نهایی استقرار هوش مصنوعی در حسابداری، رسیدن به «پردازش بدون لمس» (Touchless processing) است؛ یعنی نقطه‌ای که در آن فاکتور از لحظه ثبت و اعتبارسنجی تا کدگذاری، تأیید و در نهایت پرداخت، بدون دخالت حتی یک انسان انجام شود. اگر ایجنت هوش مصنوعی تمام این مراحل را با دقت و به‌تنهایی پیش ببرد، پردازش کاملاً لمس‌نشده و خودکار بوده است؛ اما اگر انسانی مجبور به مداخله شود، چنین ادعایی نقض می‌شود و هیچ حالت میانه‌ای هم وجود ندارد.

همین شفافیت بالا باعث شده تا حساب‌های پرداختنی به یکی از بهترین زمین‌های آزمایش برای هوش مصنوعیِ متصل تبدیل شود. در اینجا معیاری کاملاً ملموس برای سنجش وجود دارد و هر اشتباهی می‌تواند پیامدهای مالی جدی به همراه داشته باشد؛ اگر یک فاکتور به درستی توسط ایجنت‌ها پردازش نشود، مسائلی مثل دوباره‌کاری دستی، پرداخت‌های اضافی، سوختن تخفیف‌ها و اسناد مالی نامعتبر به بار خواهد آمد.

در سایر بخش‌های سازمانی، سنجش موفقیت هوش مصنوعی کار به‌مراتب دشوارتری است؛ مثلاً یک چت‌بات شاید با خلاصه کردن گزارش‌ها یا پیش‌نویس کردن ایمیل‌ها کمی در وقت کارمندان صرفه‌جویی کند، اما کمّی‌سازی و اندازه‌گیری این میزان کارایی ساده نیست و همیشه معیار مشخصی وجود ندارد که نشان دهد هوش مصنوعی کارش را بی‌نقص انجام داده است یا خیر.

حسابداری دقیقاً چنین خط‌کشی را در اختیار سازمان‌ها قرار می‌دهد؛ در شرایطی که مدیران به دنبال شناسایی حوزه‌هایی هستند که بتوان مسئولیت‌های بیشتری را به ایجنت‌ها واگذار کرد، فرآیندهای مالی بهترین ویترین برای درک معنای واقعی خودمختاری هوش مصنوعی محسوب می‌شوند.

فراتر از برچسب‌های تبلیغاتی «مبتنی بر هوش مصنوعی»

امروزه بسیاری از ارائه‌دهندگان فناوری سازمانی بی‌محابا از برچسب «مبتنی بر هوش مصنوعی» استفاده می‌کنند. با این حال رهبران تجاری پیش از هرگونه سرمایه‌گذاری باید سؤالات درستی مطرح کنند تا متوجه شوند این عنوان پرزرق‌وبرق در عمل چه معنایی دارد.

میان اضافه کردن یک چت‌بات ساده به پلتفرمی موجود تا اتصال امن هوش مصنوعی به زمینه‌ای که برای تصمیم‌گیری و ورود به فرآیندهای کسب‌وکار لازم دارد، از زمین تا آسمان تفاوت است. پروتکل کانتکست مدل (MCP) می‌تواند این شکاف بزرگ را پر کند و سازمان‌ها را یک گام به تحقق وعده‌های تحول دیجیتال نزدیک‌تر سازد.