چگونه کسب‌وکارها می‌توانند فرآیندهای تکراری را با هوش مصنوعی بازطراحی کنند؟
فرآیندهای تکراری و هوش مصنوعی
در هر کسب‌وکاری، بخشی از زمان کارکنان صرف فعالیت‌هایی می‌شود که در نگاه اول ساده و کم‌اهمیت به نظر می‌رسند؛ اما وقتی همین فعالیت‌ها هر روز، هر هفته و در مقیاس بالا تکرار می‌شوند، به یکی از مهم‌ترین هزینه‌های پنهان سازمان تبدیل خواهند شد. بررسی ایمیل‌ها، وارد کردن اطلاعات در نرم‌افزارها، دسته‌بندی درخواست‌های مشتریان، تهیه گزارش، پیگیری سرنخ‌های فروش، انتقال داده میان سیستم‌ها و پاسخ‌گویی به پرسش‌های مشابه تنها چند نمونه از این فعالیت‌ها هستند.
مسئله فقط زمانی نیست که برای انجام این کارها صرف می‌شود. تکرار مداوم یک فعالیت می‌تواند احتمال خطای انسانی را نیز افزایش دهد. ممکن است یک ایمیل اشتباه دسته‌بندی شود، اطلاعات یک مشتری ناقص وارد CRM شود یا پیگیری یک درخواست به دلیل شلوغی تیم فراموش شود. به همین دلیل، اتوماسیون فرآیندها همیشه صرفاً با هدف کاهش هزینه انجام نمی‌شود؛ بلکه می‌تواند برای افزایش نظم، سرعت و قابلیت پیگیری عملیات نیز مورد استفاده قرار گیرد.
ورود هوش مصنوعی این موضوع را وارد مرحله جدیدی کرده است. در گذشته، اتوماسیون بیشتر برای کارهایی مناسب بود که قوانین مشخص و ثابتی داشتند. امروز می‌توان بخش‌هایی از فرآیند را نیز که نیازمند درک متن، استخراج اطلاعات، دسته‌بندی یا انتخاب مسیر مناسب هستند، با کمک مدل‌های هوش مصنوعی مدیریت کرد.
در نتیجه، کسب‌وکارها دیگر فقط با این سؤال مواجه نیستند که «چه کاری را می‌توانیم خودکار کنیم؟»؛ بلکه سؤال مهم‌تر این است که «چطور می‌توانیم یک فرآیند را از ابتدا تا انتها بهتر طراحی کنیم و از هوش مصنوعی در جای درست آن استفاده کنیم؟»
اولین قدم؛ پیدا کردن کارهای تکراری در سازمان
پیش از اینکه سراغ ابزارهای هوش مصنوعی یا سیستم‌های اتوماسیون برویم، باید بدانیم دقیقاً چه چیزی قرار است حل شود. این مرحله ساده به نظر می‌رسد، اما در بسیاری از پروژه‌ها نادیده گرفته می‌شود.
یکی از روش‌های کاربردی، بررسی فعالیت‌های روزانه کارکنان است. کافی است برای چند روز مشخص شود هر واحد سازمان چه کارهایی را انجام می‌دهد، کدام فعالیت‌ها چند بار در روز تکرار می‌شوند، چه اطلاعاتی بین نرم‌افزارها جابه‌جا می‌شود و کدام مراحل نیازمند ورود دستی اطلاعات هستند.
برای مثال ممکن است مشخص شود یک کارشناس فروش روزانه تعداد زیادی ایمیل دریافت می‌کند. ابتدا باید ایمیل‌ها را بخواند، سپس تشخیص دهد کدام پیام مربوط به مشتری جدید است، کدام درخواست پشتیبانی است و کدام پیام اهمیت فوری دارد. بعد از آن شاید لازم باشد اطلاعات مشتری را در CRM وارد کند و برای بعضی از درخواست‌ها یک وظیفه جدید ایجاد شود.
هر کدام از این اقدامات به تنهایی کوچک هستند، اما مجموع آن‌ها می‌تواند بخش قابل توجهی از زمان کاری را مصرف کند.
تفاوت خودکارسازی با هوشمندسازی فرآیند
هر فرآیند تکراری الزاماً به هوش مصنوعی نیاز ندارد. این نکته اهمیت زیادی دارد، زیرا استفاده از AI صرفاً به دلیل جدید بودن فناوری، همیشه بهترین تصمیم نیست.
فرض کنید هر بار که مشتری یک فرم را در سایت تکمیل کرد، اطلاعات او باید در یک جدول ذخیره شود. اگر ساختار فرم مشخص باشد، یک Workflow ساده می‌تواند این کار را بدون نیاز به مدل هوش مصنوعی انجام دهد.
اما شرایط زمانی متفاوت می‌شود که مشتری در یک فیلد متنی آزاد توضیح دهد چه نیازی دارد. ممکن است یک نفر بنویسد «برای شرکت ۲۰ نفره یک سیستم مدیریت مشتری می‌خواهیم» و فرد دیگری توضیح بسیار طولانی‌تری درباره نیاز خود ارائه کند.
در اینجا یک مدل هوش مصنوعی می‌تواند متن را تحلیل کند، اطلاعات مهم را استخراج کند و نتیجه را در قالبی ساختاریافته تحویل Workflow دهد.
پس می‌توان یک تفاوت ساده در نظر گرفت: اتوماسیون برای اجرای فرآیندهای مشخص بسیار مناسب است و هوش مصنوعی زمانی ارزش بیشتری پیدا می‌کند که فرآیند به درک و تفسیر اطلاعات غیرساختاریافته نیاز داشته باشد.
طراحی و ساخت ایجنت برای چه فرآیندهایی منطقی است؟
با گسترش AI Agent، بسیاری از کسب‌وکارها به دنبال ساخت عامل‌های هوشمندی هستند که بتوانند بخشی از فرآیندهای کاری را مدیریت کنند. اما یک Agent زمانی ارزشمند است که برای یک مأموریت مشخص طراحی شده باشد.
ایجنت می‌تواند یک ورودی را دریافت کند، اطلاعات مرتبط را بررسی کند، از ابزارهای مشخص استفاده کند و بر اساس شرایط موجود، اقدام بعدی را انتخاب کند.
برای مثال، یک Agent فروش می‌تواند پیام مشتری را دریافت کند، نیاز او را تشخیص دهد، اطلاعات موردنیاز را استخراج کند و سپس آن را در CRM ثبت کند. اگر اطلاعات کافی نباشد، می‌تواند درخواست اطلاعات بیشتر کند و اگر سرنخ شرایط خاصی داشته باشد، آن را برای بررسی کارشناسی ارسال کند.
بنابراین طراحی و ساخت ایجنت صرفاً به انتخاب یک مدل زبانی خلاصه نمی‌شود. باید هدف سیستم، منابع اطلاعاتی، ابزارهای مورد استفاده، سطح دسترسی، قوانین تصمیم‌گیری، مسیرهای خطا و نقاط نیازمند دخالت انسان نیز مشخص شوند.
این نگاه باعث می‌شود Agent از یک چت‌بات ساده فاصله بگیرد و به بخشی از یک فرآیند واقعی کسب‌وکار تبدیل شود.
بازطراحی فرآیندهای خدمات مشتری
پشتیبانی مشتری یکی از بخش‌هایی است که معمولاً با حجم زیادی از درخواست‌های مشابه مواجه است. مشتریان درباره وضعیت سفارش، قیمت، ویژگی محصول، روش استفاده، شرایط گارانتی یا نحوه دریافت خدمات سؤال می‌کنند.
اگر همه این درخواست‌ها مستقیماً به کارشناسان منتقل شوند، نیروهای پشتیبانی زمان زیادی را برای پاسخ به پرسش‌هایی صرف می‌کنند که پاسخ آن‌ها از قبل مشخص است.
یک سیستم مبتنی بر هوش مصنوعی می‌تواند در مرحله اول درخواست را تحلیل کند. اگر پاسخ در منابع معتبر موجود باشد، پاسخ اولیه ایجاد شود و اگر مسئله پیچیده باشد، درخواست به کارشناس منتقل شود.
حتی در حالت دوم نیز AI می‌تواند کمک‌کننده باشد. برای مثال، سیستم می‌تواند مکالمه را خلاصه کند، اطلاعات مهم را استخراج کند و مشخص کند مشتری دقیقاً چه مشکلی دارد. در نتیجه، کارشناس لازم نیست تمام مکالمه را از ابتدا بررسی کند.
چرا کنترل انسانی همچنان اهمیت دارد؟
پاسخ‌گویی خودکار نباید به معنای حذف کامل انسان باشد. بعضی درخواست‌ها حساس هستند یا نیاز به بررسی شرایط خاص مشتری دارند.
به همین دلیل می‌توان سیستم را طوری طراحی کرد که در صورت اطمینان پایین، موضوع را به اپراتور منتقل کند. این مدل ترکیبی معمولاً امکان کنترل بیشتری ایجاد می‌کند و باعث می‌شود هوش مصنوعی در جایی استفاده شود که بیشترین ارزش را دارد.
اتوماسیون فرآیندهای فروش
فروش یکی دیگر از حوزه‌هایی است که حجم بالایی از فعالیت‌های تکراری در آن وجود دارد. دریافت سرنخ، بررسی اطلاعات، پاسخ اولیه، ثبت اطلاعات مشتری، تعیین اولویت و پیگیری بخشی از فرآیندهایی هستند که در بسیاری از شرکت‌ها به شکل دستی انجام می‌شوند.
تصور کنید یک شرکت خدماتی روزانه ده‌ها درخواست از طریق سایت و شبکه‌های ارتباطی دریافت می‌کند. ممکن است بعضی افراد فقط قیمت بپرسند، بعضی درباره جزئیات خدمات سؤال داشته باشند و برخی آماده خرید باشند.
AI می‌تواند پیام‌ها را تحلیل کند و اطلاعات مورد نیاز را استخراج نماید. سپس Workflow بر اساس نتیجه، اقدام مناسب را انجام دهد.
برای نمونه، سرنخ‌های جدید در CRM ثبت شوند، مشتریان دارای درخواست فوری علامت‌گذاری شوند و برای بعضی از افراد یک وظیفه پیگیری ایجاد شود.
این ساختار می‌تواند باعث شود کارشناسان فروش به جای جست‌وجو در میان پیام‌های پراکنده، با اطلاعات مرتب‌تری مواجه شوند.
مدیریت هوشمند ایمیل‌ها
صندوق ایمیل بسیاری از شرکت‌ها به مرور زمان به مجموعه بزرگی از پیام‌ها تبدیل می‌شود. بعضی ایمیل‌ها مهم هستند، برخی مالی، برخی مربوط به مشتریان و بخشی نیز صرفاً تبلیغاتی یا کم‌اهمیت هستند.
دسته‌بندی دستی در حجم بالا می‌تواند خسته‌کننده باشد. در اینجا AI می‌تواند نقش تحلیلگر اولیه را ایفا کند.
سیستم می‌تواند عنوان و متن ایمیل را بررسی کند، موضوع آن را تشخیص دهد و نتیجه را در دسته مناسب قرار دهد. سپس Workflow می‌تواند بر اساس این دسته‌بندی اقدام مشخصی را اجرا کند.
برای مثال، ایمیل مربوط به امور مالی به مسیر مربوطه منتقل شود، درخواست مشتری در CRM ثبت شود و ایمیل‌های تبلیغاتی در پوشه جداگانه قرار گیرند.
از دسته‌بندی تا اجرای اقدام
ارزش اصلی زمانی ایجاد می‌شود که سیستم فقط ایمیل را دسته‌بندی نکند، بلکه بتواند مرحله بعدی را نیز مدیریت کند.
برای مثال اگر ایمیل مربوط به یک درخواست مشتری باشد، سیستم می‌تواند اطلاعات مشتری را استخراج کند، سابقه او را بررسی کند و یک وظیفه برای کارشناس ایجاد کند.
در اینجا هوش مصنوعی و اتوماسیون مکمل یکدیگر هستند. AI به فهم محتوای پیام کمک می‌کند و Workflow اقدامات مشخص را اجرا می‌کند.
اتوماسیون فرآیندهای مالی
فرآیندهای مالی نیز می‌توانند شامل حجم زیادی از داده‌های تکراری باشند. فاکتورها، رسیدها، درخواست‌های پرداخت و ایمیل‌های مالی نمونه‌هایی از این اطلاعات هستند.
مدل‌های هوش مصنوعی می‌توانند برای استخراج اطلاعات از اسناد و متون مورد استفاده قرار گیرند. مبلغ، تاریخ، نام شرکت، شماره فاکتور و سایر اطلاعات مورد نیاز می‌توانند استخراج و برای پردازش بعدی آماده شوند.
اما در این حوزه باید سطح کنترل بیشتری در نظر گرفته شود. اطلاعات مالی معمولاً حساس هستند و اشتباه در پردازش آن‌ها می‌تواند پیامد عملیاتی داشته باشد.
به همین دلیل، یکی از روش‌های مناسب این است که AI مرحله استخراج و آماده‌سازی را انجام دهد و مرحله نهایی نیازمند تأیید انسانی باشد.
تولید گزارش‌های هوشمند از داده‌های خام
بسیاری از مدیران با حجم زیادی از داده مواجه هستند، اما مشکل اصلی همیشه کمبود اطلاعات نیست؛ گاهی مسئله این است که تبدیل داده خام به اطلاعات قابل استفاده زمان‌بر است.
فرض کنید اطلاعات فروش در یک فایل، داده‌های مشتریان در CRM و گزارش‌های عملکرد در سیستم دیگری قرار دارند. یک فرآیند اتوماسیون می‌تواند داده‌ها را جمع‌آوری و یکجا کند و سپس هوش مصنوعی می‌تواند آن‌ها را به زبان ساده خلاصه کند.
برای مثال سیستم می‌تواند تغییرات مهم، موارد غیرعادی یا بخش‌هایی که نیاز به بررسی دارند را مشخص کند.
البته گزارش تولیدشده باید قابل بررسی باشد. AI نباید اطلاعاتی را که در داده‌ها وجود ندارد به عنوان واقعیت ارائه کند. هرچه گزارش برای تصمیم‌های مهم‌تر استفاده شود، اهمیت کنترل داده و اعتبارسنجی بیشتر خواهد بود.
نقش هوش مصنوعی در تولید محتوا
تولید محتوا نیز از حوزه‌هایی است که می‌توان بخشی از فرآیند آن را خودکار کرد. اما تولید محتوای باکیفیت معمولاً یک مرحله ندارد.
انتخاب موضوع، تحقیق اولیه، طراحی ساختار، تولید متن، ویرایش، تهیه تصویر، انتشار و تحلیل عملکرد، همگی بخش‌هایی از این زنجیره هستند.
یک سیستم Agentic می‌تواند برخی از این مراحل را به یکدیگر متصل کند. برای مثال موضوعات از یک فایل دریافت شوند، ساختار اولیه مقاله ایجاد شود، محتوای پیشنهادی تولید شود و خروجی برای بررسی انسانی آماده گردد.
در مرحله بعد می‌توان Workflow را طوری تنظیم کرد که پس از تأیید محتوا، تصویر مربوطه تولید یا انتخاب شود و مقاله در سیستم مدیریت محتوا به صورت پیش‌نویس قرار گیرد.
در این مدل، هدف حذف ویراستار یا متخصص محتوا نیست؛ بلکه کاهش زمان صرف‌شده برای فعالیت‌های تکراری است.
اتصال ابزارهای مختلف؛ جایی که اتوماسیون قدرت بیشتری پیدا می‌کند
یکی از دلایل مهم رشد سیستم‌های Agentic، امکان اتصال آن‌ها به نرم‌افزارهای مختلف است.
یک کسب‌وکار ممکن است هم‌زمان از سایت، CRM، ایمیل، تقویم، سیستم حسابداری، فایل‌های آنلاین و پیام‌رسان استفاده کند. اگر این سیستم‌ها جدا از هم کار کنند، کارکنان مجبور می‌شوند اطلاعات را دائماً میان آن‌ها جابه‌جا کنند.
Agent می‌تواند در صورت داشتن دسترسی مناسب، اطلاعات موردنیاز را از یک سرویس دریافت و برای مرحله بعدی ارسال کند.
برای مثال، پس از دریافت یک سرنخ از سایت، سیستم می‌تواند اطلاعات را تحلیل کند، آن را در CRM ثبت کند، یک وظیفه فروش ایجاد کند و در صورت نیاز زمان تماس را در تقویم ثبت کند.
این همان نقطه‌ای است که اتوماسیون از اجرای چند دستور ساده به یک سیستم یکپارچه تبدیل می‌شود.
چرا نباید Agent را بیش از حد قدرتمند طراحی کرد؟
یکی از اشتباهات رایج، دادن دسترسی بیش از اندازه به Agent است. اینکه یک سیستم بتواند به ده‌ها ابزار دسترسی داشته باشد الزاماً به معنی بهتر بودن آن نیست.
هر Agent باید فقط به منابع و ابزارهایی دسترسی داشته باشد که برای مأموریتش ضروری هستند. اگر یک Agent فروش نیازی به حذف اطلاعات CRM ندارد، نباید چنین دسترسی‌ای داشته باشد.
همچنین اقدامات حساس می‌توانند نیازمند تأیید انسانی باشند. ارسال ایمیل مهم، تغییر اطلاعات مالی، حذف داده یا انجام عملیات حساس نمونه‌هایی هستند که بهتر است با کنترل مناسب انجام شوند.
اصل مهم این است که «کمترین دسترسی لازم» در طراحی سیستم رعایت شود.
مدیریت خطا در سیستم‌های هوشمند
هیچ سیستم هوش مصنوعی نمی‌تواند تضمین کند که همیشه پاسخ درست تولید می‌کند. به همین دلیل، طراحی مسیر خطا بخش جدایی‌ناپذیر پروژه است.
فرض کنید مشتری اطلاعات ناقصی ارسال کرده است. Agent نباید مجبور باشد با حدس و گمان نتیجه‌گیری کند. بهتر است در چنین شرایطی درخواست اطلاعات تکمیلی کند یا فرآیند را به انسان منتقل نماید.
همچنین اگر یک سرویس خارجی در دسترس نباشد، سیستم باید رفتار مشخصی داشته باشد. می‌توان برای چنین شرایطی تلاش مجدد، ثبت خطا یا ارسال هشدار برای مسئول سیستم را در نظر گرفت.
یک اتوماسیون حرفه‌ای فقط برای حالت ایده‌آل طراحی نمی‌شود؛ بلکه باید برای شرایط غیرعادی نیز مسیر مشخصی داشته باشد.
اندازه‌گیری نتیجه؛ آیا واقعاً اتوماسیون ارزش ایجاد کرده است؟
بعد از اجرای سیستم، نباید تنها به این دلیل که «فرآیند خودکار شده» آن را موفق بدانیم.
باید مشخص شود چه تغییری ایجاد شده است. زمان انجام کار کاهش یافته؟ خطا کمتر شده؟ تعداد درخواست‌های پردازش‌شده افزایش پیدا کرده؟ سرعت پاسخ‌گویی بهتر شده؟ کارکنان زمان بیشتری برای فعالیت‌های تخصصی پیدا کرده‌اند؟
برای مثال اگر پردازش روزانه ایمیل‌ها قبلاً سه ساعت زمان می‌برد و بعد از اجرای سیستم به یک ساعت کاهش یافته باشد، می‌توان اثر اتوماسیون را بهتر اندازه‌گیری کرد.
همین معیارها می‌توانند مشخص کنند آیا توسعه سیستم در مراحل بعدی ارزشمند است یا باید معماری آن اصلاح شود.
نقش کارکنان در طراحی سیستم‌های هوشمند
هوش مصنوعی نمی‌تواند به تنهایی تمام جزئیات یک فرآیند سازمانی را تشخیص دهد. تجربه افرادی که هر روز با آن فرآیند کار می‌کنند بسیار مهم است.
کارمند ممکن است بداند که یک نوع درخواست خاص همیشه نیاز به بررسی مدیر دارد یا یک دسته از مشتریان باید با روش متفاوتی پیگیری شوند.
این دانش باید هنگام طراحی سیستم وارد شود. در غیر این صورت ممکن است اتوماسیون روی کاغذ درست به نظر برسد، اما در عملیات واقعی با مشکل مواجه شود.
به همین دلیل، بهترین پروژه‌ها معمولاً حاصل همکاری میان متخصص فناوری و افرادی هستند که فرآیند کسب‌وکار را به خوبی می‌شناسند.
جمع‌بندی؛ هوش مصنوعی زمانی ارزشمند است که یک مسئله واقعی را حل کند
هوش مصنوعی و Agentها امکانات گسترده‌ای در اختیار کسب‌وکارها قرار داده‌اند، اما موفقیت یک پروژه فقط به انتخاب مدل قدرتمند یا ابزار جدید وابسته نیست.
شروع درست از شناخت فرآیند آغاز می‌شود. باید مشخص شود چه فعالیت‌هایی تکراری هستند، کدام مراحل زمان زیادی مصرف می‌کنند، چه اطلاعاتی در فرآیند وجود دارد و چه تصمیم‌هایی نیازمند تحلیل هستند.
بعد از آن می‌توان مشخص کرد که کدام بخش با اتوماسیون سنتی انجام شود و کدام قسمت به هوش مصنوعی یا Agent نیاز دارد.
در چنین شرایطی، طراحی و ساخت ایجنت می‌تواند از یک پروژه صرفاً تکنولوژیک به راهکاری برای حل یک مشکل واقعی تبدیل شود؛ راهکاری که می‌تواند اطلاعات را پردازش کند، با ابزارهای مختلف ارتباط برقرار کند، بخشی از تصمیم‌گیری را انجام دهد و اقدامات مشخصی را به شکل خودکار پیش ببرد.
در نهایت، هدف اصلی نباید «استفاده از هوش مصنوعی به هر قیمت» باشد. هدف، ساخت فرآیندهایی است که سریع‌تر، منظم‌تر، قابل پیگیری‌تر و متناسب با نیاز واقعی کسب‌وکار کار کنند. زمانی که فناوری در جای درست قرار بگیرد، هوش مصنوعی و اتوماسیون می‌توانند از ابزارهای جانبی به بخشی از زیرساخت عملیاتی یک کسب‌وکار تبدیل شوند.
