برای تولیدکنندگان، رهبران حوزه لجستیک و شرکتهای صنعتی، فرصت بهرهگیری از هوش مصنوعی عاملمحور دیگر صرفاً یک مفهوم نظری نیست؛ این فرصت همین حالا و در لحظه در حال تحقق است.
سایت رصدخانه پیشتر در مقالات تخصصی به چیستی عامل های هوشمند و دستورالعمل اجرایی برای مدیرعاملها در عصر هوش مصنوعی عامل محور پرداخته است.
در ماههای اخیر، گفتوگوها پیرامون تحول فناوری بر هوش مصنوعی عاملمحور متمرکز بوده است و دلیل خوبی برای این تمرکز وجود دارد. عاملهای هوش مصنوعی که قادرند زمینه و شرایط را درک کنند، چالشهای پیچیده و چندمرحلهای را استدلال و حل کنند و بهطور مستقل در میان سیستمهای دیجیتال اقدام کنند، موج بعدی هوش مصنوعی را نمایندگی میکنند. این فناوری میتواند به حل «پارادوکس هوش مصنوعی مولد» کمک کند؛ یعنی این واقعیت که اگرچه بسیاری از شرکتها در حال پذیرش هوش مصنوعی مولد هستند، تعداد کمی از آنها توانستهاند از کاربرد آن، تأثیر قابلتوجهی بر سود نهایی کسبوکار خود ایجاد کنند (تصویر ۱).
هوش مصنوعی عاملمحور؛ بازطراحی فرایندها و خلق مزیت رقابتی
هوش مصنوعی عاملمحور با موجهای پیشین اتوماسیون تفاوتی بنیادین دارد. این فناوری به سازمانها کمک میکند طراحی، اجرا و حکمرانی فرایندهای اصلی خود را بازنگری کنند.
عاملها میتوانند در حوزههایی مانند بازرسی کیفیت، تحقیق و توسعه، فروش و تعامل با مشتری ارزش ایجاد کنند. آنها بهرهوری را افزایش میدهند، نوآوری را سرعت میبخشند و مسیرهای جدیدی برای رشد ایجاد میکنند. سازمانها همچنین میتوانند تأثیر این قابلیتها را با شاخصهای ملموس و قابلاندازهگیری ارزیابی کنند.
بااینحال، سازمانها برای دستیابی به این نتایج به چیزی فراتر از استقرار فناوری نیاز دارند. آنها به عزم راهبردی، همکاری میان واحدهای مختلف و بازطراحی هدفمند جریانهای کاری نیاز دارند. سازمانها همچنین باید مدلهای نیروی انسانی و ساختارهای حکمرانی خود را بازتعریف کنند.
صنایع پیشرفته اکنون در حال بهرهگیری از این ظرفیت هستند. رهبری در عصر عاملهای خودمختار، فرصتهای تازهای برای رشد، نوآوری و ایجاد مزیت رقابتی پیش روی سازمانها قرار میدهد.
هوش مصنوعی عاملمحور در صنایع پیشرفته: فرصت چیست؟
تعداد فزایندهای از تولیدکنندگان پیشرو، اپراتورهای لجستیکی و شرکتهای فعال در حوزه انرژی، استفاده از هوش مصنوعی عاملمحور را آغاز کردهاند و بسیاری از آنها شاهد تأثیرات ملموس و قابلاندازهگیری بودهاند. تولیدکنندگان از بهبود نرخ تشخیص نقص به لطف سامانههای خودکار تشخیص ناهنجاریهای بصری خبر دادهاند. عملیات لجستیکی نیز از طریق مسیریابی و زمانبندی خودکار، بهرهوری بیشتری پیدا کرده است. بر اساس پژوهش مککینزی، این امر در برخی موارد به کاهش بیش از ۲۰ درصدی هزینههای موجودی و لجستیک منجر شده است. همچنین، زمان چرخه فرایندهای تراکنشی با استفاده از عاملهای هوشمند گردش کار، مانند عاملهایی که در فرایندهای مستندسازی به کار میروند، از چند روز به چند ساعت یا حتی چند دقیقه کاهش یافته است.
این موفقیتهای اولیه، ظرفیت تحولآفرین هوش مصنوعی عاملمحور را نشان میدهند؛ فناوریای که پیشبینی میشود مزایای مالی و عملیاتی قابلتوجهی را در صنایع مختلف ایجاد کند. بر اساس پژوهش مککینزی، هوش مصنوعی عاملمحور میتواند تا سال ۲۰۳۰ سالانه ۴۵۰ تا ۶۵۰ میلیارد دلار درآمد اضافی ایجاد کند. این رقم معادل افزایش ۵ تا ۱۰ درصدی درآمد در صنایع پیشرفته، مانند صنعت خودروسازی، خواهد بود. همزمان، صرفهجویی در هزینهها میتواند به ۳۰ تا ۵۰ درصد برسد که عمدتاً ناشی از خودکارسازی وظایف تکراری و سادهسازی عملیات است.(تصویر ۲)
زیرساختهای فناورانه و قابلیتهای کلیدی هوش مصنوعی عاملمحور
چند عامل، ظرفیت هوش مصنوعی عاملمحور را بیش از پیش گسترش دادهاند. مدلهای زبانی بزرگ اکنون قابلیتهای پیشرفته استدلال را ارائه میکنند.
APIها امکان یکپارچهسازی روان عاملهای هوش مصنوعی را با سامانههای پیچیده سازمانی فراهم میکنند. همچنین، دسترسی به زیرساختهای GPU افزایش یافته است. این زیرساختها محاسبات سنگین موردنیاز قابلیتهای هوش مصنوعی را با سرعت بیشتری انجام میدهند.
این جهشهای فناورانه، هوش مصنوعی را فراتر از قابلیتهای تحلیلی و مولد سنتی بردهاند. اکنون سامانههای عاملمحور میتوانند اهداف را بهصورت خودمختار دنبال کنند. آنها همچنین میتوانند تصمیم بگیرند و وظایف مختلف را با حداقل مداخله انسانی اجرا کنند.
در صنایع پیشرفته، این تحولات سه قابلیت اصلی را تقویت کردهاند:
اتوماسیون:
- هوش مصنوعی عاملمحور دادهها را تحلیل میکند، استدلال میکند و اقدامات لازم را بهصورت مستقل انجام میدهد. این قابلیت، زمان کارکنان برای انجام وظایف دستی و تکراری را کاهش میدهد. ورود دادهها، تضمین کیفیت نرمافزار و کنترلهای معمول انطباق، نمونههایی از این وظایف هستند. برای مثال، برخی بانکها تاکنون افزایش بهرهوری تا ۶۰ درصد را تجربه کردهاند. عاملها برخلاف ابزارهای سنتی اتوماسیون، خود را با شرایط متغیر سازگار میکنند. آنها همچنین بهصورت یکپارچه در جریانهای کاری سازمان قرار میگیرند. این قابلیت، زمان بیشتری برای فعالیتهای راهبردی و خلاقانه در اختیار کارکنان قرار میدهد. در نتیجه، سازمانها میتوانند هم بهرهوری و هم رضایت شغلی کارکنان را افزایش دهند.
کنترل کیفیت و ایمنی:
- عاملها که بهصورت ۲۴ ساعته و هفت روز هفته فعالیت میکنند، میتوانند پایش مستمر ارائه دهند و ناهنجاریها، تقلب و خرابیها را زودتر از بازرسیهای دورهای انسانی شناسایی کنند. در بخشهایی که تداوم فعالیت، انطباق با الزامات و اعتماد به برند قابلچشمپوشی نیست، این قابلیت هماکنون نیز نقشی تعیینکننده ایفا میکند.
نوآوری:
- از پایش ادبیات علمی گرفته تا بهینهسازی سناریوهای آزمایش تحقیق و توسعه، عاملها هفتهها تلاش دستی را به چند ساعت فشرده میکنند و آزمایش و تجربه را سریعتر، ارزانتر و مقیاسپذیرتر میسازند.
نتیجه اصلی این است: هوش مصنوعی عاملمحور صرفاً یک ابزار بهرهوری نیست. این فناوری یک موتور جدید درآمد و اهرمی راهبردی است که میتواند ساختار هزینهها، مدلهای سازمانی و شاخصهای کلیدی عملکرد مدیران را دگرگون کند. هوش مصنوعی عاملمحور با خودکارسازی جریانهای کاری، ارتقای کنترل کیفیت و پیشبرد نوآوری، شرکتها را قادر میسازد فرایندهای خود را از ابتدا تا انتها بازطراحی کنند. این تحول میتواند از مدلهای کسبوکار جدیدی مانند قراردادهای مبتنی بر نتیجه و «عملکرد بهعنوان خدمت» پشتیبانی کند. شرکتهایی که زودتر از دیگران این فناوری را به کار میگیرند، میتوانند در بازارهایی که سرعت، هوشمندی و سازگاری روزبهروز به الزامات غیرقابلمذاکره تبدیل میشوند، تمایز پایدار و بلندمدتی ایجاد کنند (تصویر ۳).
هوش مصنوعی عاملمحور در میدان عمل: دو نمونه موردی
قابلیتهایی که در بالا توضیح داده شدند، ممکن است شبیه داستانهای علمیتخیلی به نظر برسند. اما شرکتهایی که زودتر از دیگران این فناوری را به کار گرفتهاند، هماکنون در حال دستیابی به دستاوردهای قابلتوجه از طریق سامانههای عاملمحور هستند. در ادامه، دو نمونه ارائه میشود که نشان میدهند استقرارهای نسل اول این فناوری در عمل چه شکلی دارند.
یک تأمینکننده خودروسازی، تحقیق و توسعه را از نو طراحی میکند
مسئله. یک تأمینکننده پیشرو ردهاول صنعت خودرو، هر سال بهطور معمول صدها نیازمندی پیچیده و «نزدیک به سختافزار» را در چندین پروژه همزمان مدیریت میکند. اطمینان از اجرای دقیق این نیازمندیها، به حجم قابلتوجهی از آزمون نیاز دارد. این فرایند بهویژه شامل تدوین شرح جزئیات موارد آزمون، از جمله سناریوها، پارامترها، معیارهای پذیرش و دستورالعملهای اجرایی، و سپس تهیه اسکریپتهای آزمون قابلاجرا میشود. این فرایند بهشدت دستی و نیروی انسانیمحور بود. مهندسان هر نیازمندی جدید را با دقت بررسی میکردند، شباهتهای آن را با موارد تاریخی شناسایی و ارزیابی میکردند، عناصر مرتبط را از شرح آزمونهای قبلی استخراج میکردند و سپس یک شرح آزمون جامع و منسجم جدید را با دقت تدوین میکردند. این فرایند اغلب برای هر نیازمندی بین ۳۰ دقیقه تا سه یا چهار ساعت زمان میبرد؛ بهویژه زمانی که توسط اعضای کمتجربهتر تیم انجام میشد.
راهکار عاملمحور:
این شرکت با شناسایی فرصت موجود برای افزایش بهرهوری و اثربخشی، به سراغ هوش مصنوعی عاملمحور رفت. نخست، جریان کاری دستی موجود را بهطور شفاف به مجموعهای از مراحل مجزا و مناسب برای عاملها تقسیم کرد. این تأمینکننده با بهرهگیری از یک مدل زبانی بزرگ پیشرفته در کنار LangGraph، یک چارچوب متنباز عاملمحور، گروهی تخصصی از عاملهای هوش مصنوعی را توسعه داد و به کار گرفت. این عاملها بهطور ویژه برای جستوجو و پیمایش پایگاه داده گسترده شرکت، شامل نیازمندیهای تاریخی و شرح آزمونهای متناظر با آنها، آموزش داده شدند. این سامانه با ترکیب هوشمندانه و تطبیق دادههای تاریخی مرتبط، امکان تولید خودکار شرح اولیه موارد آزمون برای نیازمندیهای جدید را برای شرکت فراهم کرد.
تأثیر این راهکار قابلتوجه بوده است. این تأمینکننده شاهد بهبود چشمگیر بهرهوری، بهویژه در میان مهندسان تازهکار یا کمتجربهتر بوده است. این افراد از توانایی عاملها برای تولید سریع شرحهای دقیق آزمون بهره زیادی بردهاند. در برخی انواع نیازمندیها، زمان موردنیاز اکنون تا ۵۰ درصد کاهش یافته است. این تحول به مهندسان اجازه داده است توجه و منابع بیشتری را به وظایف پیچیدهای اختصاص دهند که به خلاقیت انسانی و تحلیل انتقادی نیاز دارند. در نتیجه، کارایی و کیفیت کلی فرایند نیز بهبود یافته است.
راهکار سفارشی و مسیر توسعه عاملمحور در مهندسی
نکته قابلتوجه این است که شرکت پس از ارزیابی چندین راهکار تجاری، توسعه یک راهکار سفارشی را انتخاب کرد. این سامانه اختصاصی تنها طی چند هفته توسعه و پیادهسازی شد. سامانه جدید در مقایسه با راهکارهای آماده، یکپارچهسازی بهتر و کارایی بیشتری ارائه کرد. راهکارهای آماده معمولاً به سازگارسازیهای پیچیده و زمانبر نیاز داشتند.
این شرکت همچنین درسهای مهمی درباره محدودیتهای عاملها آموخت. سامانه عاملمحور در مواجهه با نیازمندیهای مشابه دادههای تاریخی، عملکرد بسیار خوبی داشت. بااینحال، سامانه در مواجهه با سناریوهای جدید و فاقد نمونه تاریخی مشابه، گاهی با مشکل مواجه میشد. شرکت برای حل این مشکل، نظارت انسانی بیشتری را در این سناریوها وارد فرایند کرد.
موفقیت این استقرار اولیه، شرکت را به سمت یک تغییر راهبردی سوق داد. شرکت قصد دارد جریانهای کاری تحقیق و توسعه و مهندسی را در مقیاس گستردهتری «عاملسازی» کند. این شرکت به دنبال ایجاد اکوسیستمی است که عاملهای هوشمند وظایف پیچیدهتر و بههمپیوستهتری را انجام دهند.
این رویکرد میتواند بهرهوری عملیاتی را بهطور چشمگیری افزایش دهد. همچنین، این رویکرد میتواند پارادایم جدیدی برای بهرهوری مهندسی ایجاد کند. چنین پارادایمی نوآوری را تقویت میکند و مزیت رقابتی شرکت را افزایش میدهد. این مزیت در صنعت خودروسازیِ بهسرعت در حال تحول اهمیت بیشتری پیدا میکند.
یک تولیدکننده کامیون، رویکرد خود به فروش را از نو طراحی میکند
مسئله. یک تولیدکننده تجهیزات اصلی کامیون با چالشهایی برای افزایش سهم بازار مواجه بود که بخش زیادی از آن به نیروی فروش مربوط میشد که بهطور سنتی بر خدمترسانی به مشتریان فعلی تمرکز داشت. مسئله اصلی این بود که آیا هوش مصنوعی عاملمحور میتواند فرایند فروش شرکت را بهطور بنیادین بازطراحی کند و فعالیتهای مشترییابی را ارتقا دهد یا خیر.
راهکار عاملمحور:
این شرکت یک سامانه چندعاملی ایجاد کرد که چندین وظیفه مهم را که بهطور سنتی توسط نمایندگان فروش انجام میشد، شبیهسازی و خودکار میکند. این فرایند با شناسایی شرکتهایی آغاز میشود که بهطور فعال در بازار به دنبال خرید کامیونهای جدید هستند. عاملها بهصورت خودمختار تحقیقات جامعی انجام میدهند تا میزان انطباق محصولات و خدمات تولیدکننده تجهیزات اصلی با نیازهای منحصربهفرد مشتریان بالقوه را ارزیابی کنند. این سامانه با تکیه بر منابع داده متنوع و گاهی غیرمتعارف، از جمله درخواستهای مجوز صادرشده توسط دولت، وبسایت شرکتها، منابع خبری و رسانهای و حتی دادههای حاصل از تصاویر بصری، میزان تناسب مشتریان را ارزیابی میکند. سپس مشتریان بالقوه را بر اساس عواملی مانند ثبات مالی، جذابیت بازار و تناسب محصولات و خدمات شرکت اولویتبندی میکند و پروفایلهای جامع و کاربردی ایجاد میکند. این پروفایلها شامل استدلالهای فروش منتخب، جزئیات اختصاصی هر شرکت و اطلاعات تماس مستقیم هستند.
معماری چندعاملی و افزایش اثربخشی فروش
سامانه عاملمحور از چندین عامل تخصصی تشکیل شده است. هر عامل وظیفهای متمایز اما مرتبط با سایر وظایف را انجام میدهد. عاملهای راستیآزما یا «منتقد» نیز بخشی از این معماری هستند. این عاملها عملکرد عاملهای پژوهشگر را از نظر دقت، قابلیت اطمینان و کیفیت ارزیابی میکنند.
شرکت برای توسعه این سامانه، رویکردی کاملاً مشارکتی اتخاذ کرد. کاربران نهایی، یعنی نمایندگان فروش، نیز در فرایند توسعه مشارکت داشتند. این مشارکت به شرکت کمک کرد قابلیتهای سامانه را با نیازهای روزمره و واقعیتهای عملیاتی فروش هماهنگ کند.
مدیران شرکت دریافتند که قابلیت فناورانه بهتنهایی موفقیت را تضمین نمیکند. به همین دلیل، آنها این ابتکار را با راهبردهای قدرتمند و پیشدستانه مدیریت تغییر همراه کردند. مدیران همچنین مسئولیتپذیری را در فرایند پذیرش فناوری تقویت کردند. آنها میزان استفاده از سامانه را نیز بهدقت پایش کردند. این پایش به شرکت کمک کرد سرنخهای فروش تولیدشده را به اقدامات واقعی فروش تبدیل کند.
نتایج بهسرعت نمایان شد. شرکت طی سه تا شش ماه، افزایش چشمگیری در فعالیتهای فروش ثبت کرد. تلاشهای مشترییابی دو برابر شد و دریافت سفارشها ۴۰ درصد افزایش یافت. این نتایج ارزش راهبردی هوش مصنوعی عاملمحور را نشان میدهند. این فناوری علاوه بر افزایش بهرهوری، توانایی شرکت برای درآمدزایی را نیز تقویت میکند.
مقیاسدهی به تأثیر هوش مصنوعی عاملمحور
این نمونهها الهامبخش هستند، اما ایجاد تأثیر معنادار از طریق هوش مصنوعی عاملمحور به چیزی فراتر از استقرارهای منفرد در موارد کاربرد شاخص یا بهبودهای تدریجی در فرایندها نیاز دارد. برای بهرهبرداری از ظرفیت تحولآفرین هوش مصنوعی مولد، سازمانها باید از تلاشهای پراکنده و تاکتیکی به سمت برنامهای منسجم و راهبردی حرکت کنند که شیوه فعالیت آنها را بهطور بنیادین بازطراحی کند. این تغییر به سازمانها امکان میدهد از مرحله آزمایش و تجربه به تحول در سراسر سازمان حرکت کنند. تحقق این هدف به نوآوری در سه حوزه بنیادین نیاز دارد: فرایند، نیروی انسانی و داده.
بازطراحی جریانهای کاری و سنجش ارزش کسبوکار
هوش مصنوعی عاملمحور زمانی بیشترین ارزش را ایجاد میکند که سازمانها از آن برای مهندسی مجدد حوزههای کسبوکار استفاده کنند. بهینهسازی وظایف موجود بهتنهایی نمیتواند چنین ارزشی ایجاد کند.
این رویکرد، تمرکز سازمانها را از موارد کاربرد منفرد به جریانهای کاری اصلی تغییر میدهد. سازمانها باید این جریانها را در حوزههای راهبرد، اجرا و عملیات ترسیم و تحلیل کنند. همچنین، آنها باید دانش تخصصی، منطق تصمیمگیری و رابطهای انسان و سامانه را ثبت کنند. سپس باید این عناصر را به قالبهایی تبدیل کنند که عاملها بتوانند درک و اجرا کنند.
این تغییر، معماری فرایندها را نیز بازتعریف میکند. عاملها در این معماری، عملیات سازگارتر، خودکارتر و نتیجهمحورتری را امکانپذیر میکنند.
سازمانها برای سنجش تأثیر این جریانهای کاری باید مزایای مالی و عملیاتی آنها را کمیسازی کنند. کاهش هزینهها، افزایش بهرهوری و رشد درآمد، نمونههایی از این مزایا هستند. سازمانها باید این نتایج را مستقیماً به عملکرد مالی خود مرتبط کنند.
شرکتها با استفاده از رویکردهای مبتنی بر توجیه اقتصادی، ارزش واقعی بازطراحی جریانهای کاری را مشخص میکنند. این رویکرد به شرکتها کمک میکند ابتکارات عاملمحور را از نظر راهبردی و مالی ارزیابی کنند. در نهایت، همراستایی نوآوری با نتایج ملموس کسبوکار، مسیر سودآوری و مزیت رقابتی پایدار را هموار میکند.
ساختار، نیروی انسانی و حکمرانی: ایجاد نیروی کار دیجیتال
یکپارچهسازی عاملهای هوش مصنوعی، سازمانها را ملزم میکند ساختار کار را از نو مورد بازنگری قرار دهند؛ مشابه همان روشی که نقشها برای نیروی کار انسانی طراحی میشوند. این امر شامل تعریف الگوهای مختلف عاملها، برای مثال عاملهای هماهنگکننده در برابر عاملهای تخصصی، و تجهیز محیطهای کاری دیجیتال به ابزارها و قابلیتهایی است که عاملها برای اجرای وظایف خود به آنها نیاز دارند. علاوه بر این، سازمانها باید در تعیین حوزههایی که سامانههای عاملمحور برای آنها مناسب هستند، رویکردی جسورانه داشته باشند. استقرار اثربخش این فناوری به ایجاد مسئولیتپذیری روشن، حکمرانی متناسب و مدلهای تعاملی مشارکتی میان عاملها با یکدیگر و میان انسان و عامل نیاز دارد؛ مدلهایی که از اعتماد و نظارت پشتیبانی میکنند.
فناوری و داده: توسعه یک مش عاملمحور و اکوسیستم مقیاسپذیر هوش مصنوعی
یک زیرساخت فنی جدید با عنوان «مش هوش مصنوعی عاملمحور» بهعنوان لایه هماهنگکننده عمل میکند و امکان میدهد اکوسیستمهای پیچیده عاملها بهطور مؤثر مقیاس پیدا کنند، با ایمنی فعالیت کنند و در طول زمان تکامل یابند. مش هوش مصنوعی عاملمحور، عاملهای اختصاصی و عاملهای آماده موجود در بازار را در یک معماری یکپارچه گرد هم میآورد. این معماری به عاملها اجازه میدهد با یکدیگر همکاری کنند، زمینه و اطلاعات را به اشتراک بگذارند و وظایف را به یکدیگر واگذار کنند؛ در حالی که به سامانههای سازمانی و سامانههای تجاری آماده نیز دسترسی دارند.
اصول طراحی مش عاملمحور و الزامات پیادهسازی ایمن
این مش بر چهار اصل کلیدی طراحی بنا شده است: ترکیبپذیری، هوشمندی توزیعشده، تفکیک لایهای و بیطرفی نسبت به فروشنده.
ترکیبپذیری امکان افزودن ابزارها، مدلها یا عاملهای جدید را بدون تغییر هسته سامانه فراهم میکند. هوشمندی توزیعشده به عاملها اجازه میدهد وظایف را در شبکه هماهنگ و میان خود تقسیم کنند. تفکیک لایهای منطق، حافظه، هماهنگسازی و رابط کاربری، ساختار سامانه را ماژولارتر میکند. این تفکیک همچنین نگهداری و توسعه سامانه را سادهتر میسازد. بیطرفی نسبت به فروشنده نیز از وابستگی به یک فروشنده خاص جلوگیری میکند. این اصل امکان بهروزرسانی مستقل اجزای فنی را فراهم میسازد.
کیفیت و دسترسپذیری دادههای سازمانی نیز اهمیت بالایی دارند. سازمانها باید خطوط انتقال داده اختصاصی برای هر مورد کاربرد را کنار بگذارند. آنها باید به سمت محصولات دادهای قابلاستفاده مجدد حرکت کنند. همچنین، سازمانها باید شکافهای موجود در دادههای بدون ساختار را برطرف کنند. این اقدامات به عاملهای هوش مصنوعی کمک میکنند عملکرد مؤثرتری داشته باشند. این زیرساختهای فنی و دادهای، ظرفیت هوش مصنوعی عاملمحور را در مقیاس بزرگ آزاد میکنند.
پیادهسازیهای موفق معمولاً از مقیاس کوچک آغاز میشوند و بهصورت هدفمند توسعه پیدا میکنند. سازمانها باید این فرایند را با کنترلهای دقیق ریسک همراه کنند. هوش مصنوعی عاملمحور یک راهکار آماده و قابلاستفاده فوری نیست. موفقیت به موارد کاربرد مشخص و ارزشمند، معماری قدرتمند و مدیریت پیشدستانه ریسک وابسته است. سازمانها باید ریسکهایی مانند توهمات مدل، مرزهای تصمیمگیری و تهدیدهای امنیت سایبری را مدیریت کنند.
اهمیت حکمرانی «انسان در حلقه نظارت»
سازمانهای موفق بر اهمیت حکمرانی «انسان در حلقه نظارت» تأکید دارند. این چارچوب به انسانها اجازه میدهد عاملها را مدیریت، نظارت و اعتبارسنجی کنند. انسانها همچنین میتوانند در شرایط ضروری، در فرایند تصمیمگیری مداخله کنند.
با تکامل فضای مقرراتی، اهمیت چنین چارچوبهایی افزایش مییابد. برای مثال، قانون هوش مصنوعی اتحادیه اروپا و استانداردهای تخصصی صنایع، انتظارات بیشتری ایجاد میکنند. این الزامات بر مسئولیتپذیری، شفافیت و مدیریت ریسک تأکید دارند. سازمانها باید علاوه بر سرعت، مسئولانه نیز حرکت کنند. آنها باید میان نوآوری و کنترل، تعادل مناسبی برقرار کنند.
نقطه عطف هوش مصنوعی عاملمحور و بازطراحی سازمان
هوش مصنوعی عاملمحور به سازمانها فرصت میدهد شیوه فعالیت و رقابت خود را بهطور بنیادین بازنگری کنند. نیروی کار دیجیتال نوظهور همواره فعال است و بهطور فزایندهای خودمختار عمل میکند. این نیرو میتواند در سامانهها و حوزههای مختلف یاد بگیرد و همکاری کند. سازمانهایی که زودتر از این ظرفیت استفاده کنند، میتوانند از مزیت پیشگامی بهره ببرند. این مزیتها شامل افزایش بهرهوری، تابآوری و نوآوری هستند.
بااینحال، سازمانها نمیتوانند موفقیت پایدار در هوش مصنوعی عاملمحور را فقط با آزمایش و تجربه به دست آورند. این موفقیت به رهبری آیندهنگر و سرمایهگذاری در زیرساختهای مقیاسپذیر نیاز دارد. سازمانها همچنین باید زنجیرههای ارزش خود را حول عاملهای دیجیتال بازطراحی کنند.
پیروزی در موج بعدی تحول، به چیزی فراتر از استقرار عاملها نیاز دارد. رهبران این تحول، سازمانهای خود را با محوریت عاملهای دیجیتال بازطراحی میکنند. مسیر پیش رو روشن است: از پایلوت به پلتفرم، از مورد کاربرد به بازآفرینی حوزه کسبوکار، و از اتوماسیون به خودمختاری.
