دسته: دسته‌بندی نشده

تولیدکنندگان ماشین‌آلات صنعتی از هوش مصنوعی در زمینه‌هایی مانند تأمین منابع، کنترل کیفیت، مدیریت تدارکات و موارد دیگر استفاده می‌کنند.

شرکت‌های ماشین‌آلات امیدوارند هوش مصنوعی (AI) بتواند چالش‌هایی مانند نوسانات زنجیره تأمین و کمبود نیروی کار ماهر را حل کند. بر اساس تحقیقات شرکت Bain، سه چهارم مدیران تولید پیشرفته می‌گویند استفاده از فناوری‌های نوظهور مانند هوش مصنوعی، اولویت اصلی آن‌ها در مهندسی و تحقیق و توسعه است.

طبق گزارش شرکت تحقیقات کسب‌وکار، سرمایه‌گذاری در بازار هوش مصنوعی برای ماشین‌آلات صنعتی، شامل سخت‌افزار، نرم‌افزار و خدمات هوشمند، تا سال 2028 به 5.46 میلیارد دلار خواهد رسید.

هوش مصنوعی اصطلاحی کلی است که فناوری‌هایی مانند تحلیل داده‌ها، یادگیری ماشین (ML)، یادگیری عمیق، و هوش مصنوعی مولد را شامل می‌شود. شرکت‌های پیشرو ابتدا چالش‌های اصلی کسب‌وکار خود را شناسایی می‌کنند و سپس راه‌حل‌های هوش مصنوعی مناسب را برای استفاده از داده‌ها و ایجاد ارزش انتخاب می‌کنند.

هوش مصنوعی مولد هنوز در مراحل ابتدایی است، اما بسیاری معتقدند که به زودی تغییرات بزرگی در این حوزه ایجاد خواهد کرد. به‌ویژه، مدل‌های زبان بزرگی که پایه‌گذار این تکنولوژی هستند، روش‌های تعامل افراد با سیستم‌ها و اسناد را به‌شکل چشمگیری تغییر خواهند داد. هوش مصنوعی مولد می‌تواند از داده‌های بی‌ساختار، بینش‌هایی پیدا کند که می‌تواند به بهبود بهره‌وری، خدمات مشتری و عملکرد مالی منجر شود.

پذیرندگان اولیه از هوش مصنوعی برای حل مشکلات مهم در بخش‌های مختلف مانند تدارکات، مونتاژ، نگهداری، کنترل کیفیت و انبارداری استفاده می‌کنند. برخی از آن‌ها در حال استفاده از هوش مصنوعی مولد برای پردازش حجم زیادی از داده‌های بدون ساختار هستند. دیگران هم در حال آزمایش ربات‌های خدماتی هوش مصنوعی مولد هستند که با تکنسین‌های میدانی همکاری می‌کنند، مانند تشخیص سریع نیاز به تعمیرات و بهبود کیفیت آن کار. کسانی که در حال پیشرفت هستند، این راه‌حل‌های هوش مصنوعی را در فرآیندها و سیستم‌های پشتیبانی خود نیز ادغام می‌کنند.

عدم درک

بر اساس نظرسنجی اخیر شرکت Bain، بیش از 90 درصد شرکت‌های فعال در صنعت ماشین‌آلات در حال جمع‌آوری و ذخیره داده‌های تولید هستند. اما بیشتر آن‌ها نمی‌دانند چگونه از این داده‌ها بهره‌برداری کنند. یکی از دلایل این مشکل، عدم شناخت دقیق این است که هوش مصنوعی کجا می‌تواند بیشترین بازده را داشته باشد.

پذیرندگان اولیه در حال حاضر از هوش مصنوعی برای بهبود مدیریت زنجیره تأمین، افزایش انعطاف‌پذیری و شناسایی خرابی‌ها قبل از وقوع در دارایی‌ها، تجهیزات و زیرساخت‌ها استفاده می‌کنند. برای مثال، هوش مصنوعی می‌تواند گلوگاه‌های زنجیره تأمین را در زمان واقعی شناسایی کرده و اختلالات احتمالی را پیش‌بینی کند.

 به حداقل رساندن عیوب مونتاژ

سایر کاربردهای مهم هوش مصنوعی در تولید شامل کاهش عیوب مونتاژ، بهبود کنترل کیفیت، افزایش بهره‌وری و ساده‌سازی مدیریت انبار است.

بهبود کیفیت: هوش مصنوعی می‌تواند به شناسایی اشتباهات در زمان واقعی کمک کرده و کارایی مونتاژ و کیفیت محصول را بهبود بخشد. به عنوان مثال، یکی از تولیدکنندگان تجهیزات ماشین‌آلات(OEM) از پردازش ویدئویی مبتنی بر هوش مصنوعی برای ردیابی فعالیت‌های مونتاژ دستی، خودکارسازی بررسی‌های کیفیت و بهینه‌سازی استفاده از منابع و کارمندان استفاده کرد. این راه‌حل‌ها به آن‌ها کمک کرد تا خرابی‌های فرآیند مونتاژ را تا ۷۰ درصد کاهش داده و تلاش‌ها برای بررسی کیفیت را تا ۵۰ درصد برای برخی خطوط کاهش دهند.

در مورد دیگری، یک تأمین‌کننده مواد برای ماشین‌آلات OEM از سیستم‌های کامپیوتری برای شناسایی اجسام خارجی در مواد شیمیایی فله استفاده کرد به جای اینکه به بازرسی‌های دستی تکیه کند. دقت بازرسی خودکار 80 درصد افزایش یافت و به بیش از 99 درصد رسید، در مقایسه با بازرسی چشمی که بیشتر به صورت دستی انجام می‌شد.

افزایش بهره‌وری: هوش مصنوعی می‌تواند بهره‌وری کارکنان را بالا ببرد و به شرکت‌هایی که با کمبود نیروی کار روبه‌رو هستند کمک کند. یکی از تولیدکنندگان ماشین‌آلات، یک کوپایلوت صنعتی مبتنی بر هوش مصنوعی را به کار گرفت که زبان طبیعی را به کد تبدیل کرده و زبان‌های برنامه‌نویسی قدیمی را به زبان طبیعی ترجمه می‌کند. این سیستم هر دو کار را سریع‌تر و بهتر از توسعه‌دهندگان انسانی انجام می‌دهد. از جمله مزایای دیگر، مهندسانی که از این راه‌حل هوش مصنوعی استفاده کردند، طبق نتایج اولیه، حدود 5 درصد بهره‌وری بیشتری داشتند. همچنین، با کاهش خطاهای استقرار داده و رفع سریع‌تر مشکلات، زمان از کار افتادن دستگاه‌ها کاهش یافت.

ساده‌سازی مدیریت انبار: هوش مصنوعی می‌تواند کمک کند تا انبارها با کارایی بالا عمل کنند، اقلامی را حمل کنند که تقاضا را برآورده می‌کنند و موجودی اضافی را به حداقل برسانند. یکی از شرکت‌های ماشین‌آلات، یک سیستم مدیریت موجودی مبتنی بر هوش مصنوعی را به کار گرفت که به آن‌ها کمک کرد تا تمام سفارش‌ها را انجام دهند و در عین حال موجودی اضافی را کاهش دهند.

هوش مصنوعی همچنین برنامه‌ریزی تولید را انعطاف‌پذیرتر می‌کند تا شرکت‌ها بتوانند فعالیت‌های مونتاژ خاص را به متخصصان مربوطه در زمان‌های مشخص اختصاص دهند و بهره‌وری را به حداکثر برسانند. در نتیجه، تولیدکننده می‌تواند همزمان کیفیت محصولات خود را افزایش داده و فرآیندها را برای برآوردن نیازهای خاص مشتری تنظیم کند. به طور خلاصه، هوش مصنوعی به شرکت‌ها این امکان را می‌دهد که بدون تأثیر منفی بر برنامه‌ریزی، بهره‌وری و هزینه‌ها، سفارشی‌سازی و شخصی‌سازی انجام دهند.

رویکرد تست و یادگیری

شرکت‌های با عملکرد برتر، بازگشت سرمایه خود را در طول اجرای هوش مصنوعی نظارت کرده و اطمینان حاصل می‌کنند که تمام هزینه‌ها را در نظر می‌گیرند. این ممکن است بدیهی به نظر برسد، اما به عنوان مثال، بسیاری از شرکت‌ها فراموش می‌کنند هزینه‌های محاسباتی در فضای ابری را ثبت کنند. همچنین، رهبران این شرکت‌ها تصمیمات سرمایه‌گذاری خود در زمینه هوش مصنوعی را به طور فصلی مجدداً ارزیابی می‌کنند.

برای همگام شدن با تغییرات سریع در هوش مصنوعی، رهبران از اجزای ماژولار و قابل اتصال استفاده می‌کنند که از طریق میکروسرویس‌ها به هم متصل می‌شوند تا جایگزینی نرم‌افزار راحت‌تر شود. شرکت‌های موفق همچنین اطمینان می‌دهند که فرآیندها و ابزارهای کارآمد (MLOps/DevOps) در معماری فنی گنجانده شده‌اند تا بتوانند هوش مصنوعی را در مقیاس وسیع اجرا کنند.

رهبران هوش مصنوعی از رویکرد آزمایش و یادگیری استقبال می‌کنند. مهندسان ماشین‌آلات معمولاً از تفکر دقیق و طراحی کامل محصول حمایت می‌کنند، اما در کارهای نرم‌افزاری و هوش مصنوعی نیاز به رویکردی آزمایشی و یادگیری سریع است. در اجرای موفق هوش مصنوعی، مهندسان کارخانه و کارشناسان هوش مصنوعی برای ایجاد، آزمایش و اصلاح مدل‌ها به‌طور نزدیک با هم همکاری می‌کنند تا به اهداف شرکت برسند.

هوش مصنوعی توجه مدیران ماشین‌آلات را جلب کرده است. به‌دلیل اینکه تعداد زیادی از شرکت‌ها در حال آزمایش با راه‌حل‌های جدید و استفاده از تکنولوژی‌های نوین هستند، سطح صنعت در زمینه بهره‌وری و عملکرد به شدت بالا رفته است. شرکت‌هایی که سرمایه‌گذاری خود را به تعویق می‌اندازند باید دو برابر سریع‌تر کار کنند تا از سرعت پیشرفت عقب نیفتند.

فناوری‌های دیجیتال جدید می‌توانند تولید ناب را ارتقا دهند، عملکرد را افزایش داده و پایداری را تسریع کنند.

در سراسر جهان، تولیدکنندگان طی 50 سال گذشته با استفاده از برنامه‌ها و تکنیک‌های مختلف تلاش کرده‌اند هزینه‌ها را کاهش دهند و کیفیت محصولات و خدمات مشتری را بهبود بخشند. روش‌هایی مانند نگهداری ناب، تولید کل‌نگر (TPM)، مدیریت کیفیت جامع (TQM)، شش سیگما، و در برخی موارد، سیستم‌های تولید کامل نتایج خوبی به همراه داشته‌اند. شرکت‌هایی مانند تویوتا، پروکتر اند گمبل و داناهر با بهره‌گیری از این رویکردها توانسته‌اند بهره‌وری خود را سالانه تا 6 درصد یا بیشتر افزایش دهند.

این سرمایه‌گذاری‌ها هنوز ارزشمند هستند، اما کافی نیستند. برای رقابت موثر در آینده، باید نگاه تازه‌ای به امکانات امروز داشته باشید.

دو پیشرفت مهم، تولیدکنندگان را به سمت استراتژی‌های جدید برای کارخانه‌های آینده سوق داده است. از یک طرف، فناوری‌های دیجیتال و صنعت 4.0 امکانات جدیدی را برای سیستم‌های تولید نسل بعدی به وجود آورده‌اند. این فناوری‌ها، در صورت استفاده صحیح، می‌توانند بهره‌وری را بیش از 10 درصد افزایش دهند و مزایای دیگری مانند انعطاف‌پذیری بیشتر، بهبود کیفیت، کاهش مصرف منابع طبیعی، بهینه‌سازی سرمایه، صرفه‌جویی در نیروی کار و موارد دیگر را فراهم کنند.

برای مثال، هوش مصنوعی (AI) می‌تواند به پیش‌بینی تقاضا، درک نیازهای مشتری و هدایت محصولات در مسیرهای اختصاصی در زنجیره تأمین کمک کند. از سوی دیگر، واحدهای تولیدی به تدریج خودکار شده و قابلیت خودآموزی و خودشفابخشی پیدا می‌کنند، که باعث می‌شود نیروی انسانی بتواند بر وظایف خلاقانه و نظارت متمرکز شود. مزایای دیجیتال همچنان برای شرکت‌های پیشرو باقی می‌ماند. طبق یک نظرسنجی از 270 مدیر تولید در سراسر جهان، شرکت‌هایی که دیجیتال را به خوبی با سیستم‌های تولید خود ادغام کرده‌اند، سه برابر بیشتر احتمال دستیابی به اهداف تولید خود را دارند، در مقایسه با شرکت‌هایی که این سطح از ادغام را ندارند.

این فرصت‌ها برای دستیابی به ارزش در مقیاس بزرگ، با چالش‌های روزافزون در بخش تولید روبرو هستند و اهمیت بیشتری پیدا می‌کنند. یکی از مهم‌ترین چالش‌ها، نیاز به پایداری است؛ زیرا مشتریان، کارکنان، نهادهای نظارتی و دیگر ذینفعان بهبودهایی اساسی در زمینه‌هایی مانند کاهش کربن، چرخه‌پذیری و شاخص‌های مرتبط را طلب می‌کنند. علاوه بر این، تولیدکنندگان با رقابت‌های جدید و افزایش انتظارات مشتریان مواجه‌اند، که آنها را ملزم به انعطاف‌پذیری بیشتر، سفارشی‌سازی، کاهش زمان عرضه به بازار، ارائه محصولات با کیفیت بالاتر و تغییراتی در نحوه عملکردشان می‌کند.

به همین دلیل، برای تولیدکنندگان بسیار مهم است که به دنبال سیستم‌های نوآورانه‌تر برای عرضه و تولید باشند. این بخش اساسی کارخانه آینده، رویکردهای سنتی را با قابلیت‌های دیجیتال پیشرفته ترکیب می‌کند و به شما این امکان را می‌دهد که تلاش‌های پایداری خود را سرعت ببخشید، فرآیندها و جریان‌های کاری را بهبود دهید و نحوه ارائه محصولات خود به بازار را تغییر دهید.

بسیاری از شرکت‌ها نمی‌توانند به طور کامل از فناوری‌های جدید دیجیتال و صنعت 4.0 بهره ببرند، چون آن‌ها را به‌عنوان یک افزونه جداگانه به کار می‌برند و نه اینکه آن‌ها را به طور کامل در محیط‌های تولیدی موجود خود ادغام کنند. شرکت‌ها معمولاً رویکرد «دیجیتال به‌خاطر دیجیتال» را دنبال می‌کنند و به جای اینکه یک دیدگاه کلی داشته باشند که دیجیتال را به سرمایه‌گذاری‌های ناب، TPM، TQM و شش سیگما وصل کند، بیشتر روی استفاده‌های خاص و محدود تمرکز می‌کنند.

تمرکز بر پایداری

این رویکرد غیر یکپارچه مشکلات زیادی دارد و یکی از بزرگ‌ترین آن‌ها از دست دادن فرصت برای رسیدگی مؤثر به پایداری است. در همان نظرسنجی که در بالا ذکر شد، بسیاری از پاسخ‌دهندگان پیش‌بینی کرده‌اند که در دو سال آینده، پایداری به مهم‌ترین اولویت آن‌ها تبدیل خواهد شد (شکل 1 را ببینید) و تقریباً هم‌سطح با بهره‌وری قرار می‌گیرد.

مسائل پایداری روز به روز پیچیده‌تر می‌شوند و تأثیر زیادی بر زنجیره ارزش یک شرکت دارند، از طراحی و تأمین منابع تا حمل و نقل، استفاده و دفع محصولات. عواملی مانند انتشار کربن، کمبود آب، شیوه‌های کاری، مقررات دولتی و انتظارات مصرف‌کنندگان که به سرعت در حال تغییر هستند، از جمله مسائلی هستند که پایداری را به اولویت‌های اصلی تبدیل کرده‌اند.

بسیاری از این چالش‌ها به هم مرتبط هستند و تنها با یک سیستم تولیدی یکپارچه که از فناوری‌های دیجیتال در کل جریان ارزش استفاده می‌کند، می‌توان به آن‌ها رسیدگی کرد. رویکرد ما این است که پایداری و دایره‌گرایی باید به‌عنوان بخش اساسی از یک سیستم تولید و عرضه یکپارچه در نظر گرفته شوند، نه اینکه به‌عنوان تلاش‌های جداگانه و موقت انجام شوند.

یک سیستم یکپارچه با استراتژی دیجیتال روشن، کلید تبدیل اهداف پایداری شرکت شما به اقدامات و تصمیماتی است که این اهداف را به واقعیت تبدیل می‌کند. این سیستم از افزایش دایره‌گرایی پشتیبانی می‌کند و به شما کمک می‌کند تأثیر مثبتی بر محیط بگذارید.

بازاندیشی در مورد آنچه ممکن است

یک رویکرد کاملاً جدید به سیستم تولید شما، رویکردی که اصول استراتژیک را با روش‌ها و ابزارهایی ترکیب می‌کند که این اصول را عملی می‌کنند، این مسائل را حل کرده و شما را به سمت رهبری هدایت می‌کند. سیستم یکپارچه ما چارچوبی از اصول طراحی و عناصر خاص را اعمال می‌کند که از ایستگاه کاری فردی شروع شده و در سراسر سازمان و کل زنجیره ارزش گسترش می‌یابد. تجزیه و تحلیل دقیق سطح بلوغ شما، اولویت‌بندی و به کارگیری این اصول و عناصر را راهنمایی می‌کند و اطمینان می‌دهد که راه‌حل‌هایی مطابق با قابلیت‌ها و جاه‌طلبی‌های فعلی و آینده شما دارید.

برای ملموس ساختن این اصول، ما آن‌ها را به ده‌ها عنصر جداگانه مرتبط می‌کنیم که شامل عملیات شما می‌شود، از ایستگاه‌های کاری گرفته تا خطوط تولید، و در نهایت فراتر از مرزهای سازمان شما گسترش می‌یابد.

این عناصر به دو دسته کلی تقسیم می‌شوند: شبکه و سیستم تأمین و سیستم تولید کارخانه شما. دسته اول شامل عناصری مانند اتصال زنجیره تأمین، طراحی برای عملیات، ردپای تولید، و طراحی دایره‌ای است (که یک عنصر کلیدی است، زیرا شرکت‌ها استراتژی‌های پایداری خود را با ادغام اصول پایداری و دایره‌ای در این سیستم‌های اصلی عملی می‌کنند) و موارد دیگر، که هرکدام از چندین مؤلفه تشکیل شده‌اند که می‌توانند برای پاسخ به یک نیاز یا هدف خاص به کار گرفته شوند.

دسته دوم شامل ماژول‌هایی مانند مدیریت کیفیت هوشمند، خطوط تولید متصل، هماهنگی کامل درون سازمان، فناوری اطلاعات نسل جدید، زیرساخت‌های داده، فرهنگ ایمنی، سازمان خودآموز و موارد دیگر است که هرکدام از چندین قابلیت و ویژگی خاص تشکیل شده‌اند.

فرآیندهای تولید هوشمند شامل عناصری مانند کاهش ضایعات، دستورالعمل‌های استاندارد کاری، و ایستگاه‌های کاری انعطاف‌پذیر است. همچنین مدیریت کیفیت هوشمند و حفظ سلامت تجهیزات را نیز در بر می‌گیرد. پایداری و چرخه‌ای بودن بر مواردی مثل جریان‌های ارزش چرخه‌ای، طراحی پایدار، ساختمان‌های سازگار با محیط‌زیست، و فرهنگ ایمنی تأکید دارد. جریان‌های ارزش همگام نیز شامل قابلیت‌هایی مانند ردیابی زنجیره تأمین، برنامه‌ریزی دقیق، تصمیم‌گیری‌های استراتژیک، طرح‌بندی کارخانه‌های انعطاف‌پذیر، فناوری‌های نسل جدید و معماری داده است.

در کل، بیش از سی عنصر وجود دارد که می‌تواند از همین امروز به تبدیل زنجیره تأمین و کارخانه شما به یک سیستم پیشرفته و آماده برای آینده کمک کند.

همه عناصر به یک اندازه برای هر شرکت کاربرد ندارند. مهم‌ترین نکته این است که ابتدا مشخص کنید کدام ارکان و عناصر با صنعت و محصولات شما سازگار هستند و سپس کارخانه‌ای با رویکردی آینده‌نگر و متناسب با نیازهای خود طراحی کنید. برای مثال، جریان تک‌قطعه‌ای برای بسیاری از تولیدکنندگان محصولات گسسته اهمیت زیادی دارد، اما برای صنایع با فرآیندهای پیوسته و حجم تولید بالا، تمرکز اصلی روی نگهداری متمرکز و قابل‌اعتماد است.

یک شروع هوشمند شامل بررسی اقداماتی است که قبلاً انجام داده‌اید تا بتوانید بر اساس آن‌ها پیشرفت کنید. بسیاری از شرکت‌ها استانداردهایی مانند TPM، تولید ناب، شش سیگما یا سیستم‌های تولید کامل را اجرا کرده‌اند و این استانداردها پایه‌ای را فراهم می‌کنند که با استفاده از فناوری‌های دیجیتال جدید می‌توان آن را ارتقا یا بازطراحی کرد. بررسی ما نشان می‌دهد که این ادغام برای رسیدن به نتایج مطلوب در مقیاس وسیع ضروری است. شرکت‌هایی که به‌طور مؤثر فناوری دیجیتال را در سیستم‌های تولید خود ادغام کرده‌اند، در مقایسه با شرکت‌هایی که این کار را انجام نداده‌اند، حدود سه برابر موفق‌تر به اهداف تولیدی خود نزدیک شده‌اند.

آینده از هم اکنون آغاز می‌شود.

 یک شبکه تأمین و سیستم تولید پیشرفته می‌تواند راه را برای تولید مستقل هموار کرده و عصر جدیدی را رقم بزند:

• کارگاه‌های دیجیتالی و هوشمند: کارگاه‌هایی که با استفاده از هوش مصنوعی و فرآیندهای استاندارد دیجیتالی پشتیبانی می‌شوند. برای مثال، شرکت‌ها می‌توانند به سمت تعمیر و نگهداری هوشمند حرکت کنند، جایی که داده‌های ماشین با تحلیل مبتنی بر هوش مصنوعی تصمیم‌گیری کرده و تعمیرات را بر اساس تأثیر بر عملیات بهینه می‌کند.
• کارخانه‌های انعطاف‌پذیر: طرح‌بندی‌هایی که شامل سیستم‌های مونتاژ متحرک بدون خط، ربات‌های ثابت و متحرک، دستکاری‌کننده‌های مستقل، الگوریتم‌های هوشمند و فناوری‌های دیجیتال پیشرفته است.
• زنجیره‌های ارزش پایدار و بهینه: زنجیره‌هایی که تأمین‌کنندگان و مشتریان را به هم متصل می‌کنند، ضایعات را کاهش می‌دهند و مدیریت مواد را بهبود می‌بخشند.
• سازمان‌های هوشمند و تطبیقی: شرکت‌هایی که از هوش مصنوعی و روش‌های پیشرفته برای حل مسائل، بهبود مستمر و خودکارسازی فرآیندها بهره می‌برند.

این چشم‌انداز، مسیری روشن برای ورود به دنیای تولید مستقل ترسیم می‌کند.

بسته به سطح پیشرفت و اهداف کوتاه‌مدت و بلندمدتی که هر شرکت برای خود تعیین کرده است، رسیدن به وضعیت آینده ممکن است برای هر شرکت، کارخانه و حتی هر بخش خاص از یک کارخانه متفاوت باشد. این اهداف معمولاً به تحلیل دقیق هزینه و فایده بستگی دارند. شرکت‌هایی که در سطح پیشرفت بالاتری قرار دارند، باید نوع و میزان فناوری‌های مورد نیاز (از حسگرها تا راه‌حل‌های دیجیتالی یکپارچه)، زیرساخت‌های فناوری اطلاعات برای گسترش و مهارت‌های لازم برای توسعه (یا شکاف‌هایی که باید پر شوند) را برای عملکرد مؤثر در یک کارخانه آینده‌نگر در نظر بگیرند.

این هزینه‌ها و پیچیدگی‌ها باید با بهبودهای پیش‌بینی‌شده در زمینه‌های انعطاف‌پذیری، هزینه، پایداری، کیفیت محصول، پاسخگویی به مشتری و دیگر مزایای ممکن مقایسه شوند. ما می‌توانیم به شما کمک کنیم تا این تغییرات سریع را تجزیه و تحلیل کرده و رویکردی را طراحی کنیم که نیازهای استراتژیک شما را برآورده کرده و پیشرفت شما را به سمت کارخانه آینده سرعت ببخشد.

خدمات مشتری را بهبود دهید و نتایج مالی را با سیستم‌های هوش مصنوعی افزایش دهید.

شیوع COVID-19 باعث افزایش استفاده از فناوری‌های عامل مجازی (VAT) در شرایط اضطراری شده است. در مواقعی که سرعت و سادگی اهمیت دارد، این فناوری‌ها می‌توانند در عرض چند ساعت به کار گرفته شوند. با این حال، شرکت‌هایی که به طور دقیق و هدفمند VAT را طراحی، توسعه و به کار می‌برند، می‌توانند ارزش بیشتری برای سازمان‌ها و کاربران خود، از جمله مشتریان، کارکنان یا دیگر افراد درگیر، ایجاد کنند.

تا به حال، داده‌های واقعی درباره عملکرد مالیات بر ارزش افزوده محدود به مطالعات موردی فردی بوده است، که این موضوع مقایسه‌های معنادار را برای سازمان‌ها دشوار می‌کند. بنابراین، موسسه IBM برای ارزش تجاری (IBV) با همکاری Oxford Economics از 1005 پاسخ‌دهنده در 12 صنعت و 33 کشور نظرسنجی کرد تا داده‌های عملکرد سازمان‌هایی که روزانه از مالیات بر ارزش افزوده در شرایط واقعی استفاده می‌کنند، برای دوره‌هایی از شش ماه تا کمی بیش از چهار سال جمع‌آوری کند.

99 درصد از پاسخ‌دهندگان اعلام کرده‌اند که استفاده از فناوری عامل مجازی باعث افزایش رضایت مشتریان شده است.

وقتی این تحقیق را آغاز کردیم، می‌دانستیم که سازمان‌ها به چهار سوال کلیدی نیاز دارند:

1. مالیات بر ارزش افزوده مبتنی بر هوش مصنوعی چقدر کارآمد است؟
2. ویژگی‌ها و شیوه‌های کلیدی که باعث ایجاد ارزش از مالیات بر ارزش افزوده می‌شوند، چیست؟
3. تأثیر مالیات بر ارزش افزوده مبتنی بر هوش مصنوعی بر مشتریان، کاربران نهایی و عوامل انسانی چیست؟
4. مالیات بر ارزش افزوده چه تأثیری بر عملکرد مالی سازمان‌ها دارد؟

تجزیه و تحلیل ما نشان داد که مالیات بر ارزش افزوده تقریباً بر هر معیاری مانند رضایت مشتری، رضایت کارکنان و درآمد تأثیر مثبت دارد و درصد بالایی از پاسخ‌دهندگان (96 درصد) به بازگشت سرمایه پیش‌بینی‌شده خود رسیده‌اند یا انتظار دارند که به آن دست یابند.

96٪ از پاسخ‌دهندگان اعلام کرده‌اند که اجرای فناوری عامل مجازی آن‌ها فراتر از انتظارات بوده، به بازده سرمایه‌گذاری پیش‌بینی‌شده خود دست یافته‌اند یا انتظار دارند که به آن برسند.

درس هایی از رهبران

تحلیل ما گروه کوچکی از پیشگامان فناوری عامل مجازی را شناسایی کرده که به عنوان رهبران شناخته می‌شوند. هر رهبر سه ویژگی مهم را نشان می‌دهد که تصمیم‌گیرندگان به طور مستقیم بر آن‌ها تأثیر می‌گذارند:

• پذیرندگان اولیه مالیات بر ارزش افزوده
• بخش بزرگی از مخاطبان هدف در حوزه مالیات بر ارزش افزوده فعالیت می‌کنند
• این افراد سطح بالایی از یکپارچگی بین مالیات بر ارزش افزوده و سیستم‌های داخلی خود دارند

این گروه که 10 درصد از نمونه ما را تشکیل می‌دهد، شامل رهبرانی از تمام صنایع و مناطق مورد بررسی است و همه سه نوع اجرای مالیات بر ارزش افزوده را به طور تقریبا مساوی شامل می‌شود. رهبران همچنین گزارش می‌دهند که در سه سال گذشته، نسبت به رقبای خود در زمینه درآمد و سودآوری عملکرد بهتری داشته‌اند و از نظر معیارهای اصلی که برای اندازه‌گیری کارایی مالیات بر ارزش افزوده استفاده می‌شود، بهتر از سایر پاسخ‌دهندگان عمل کرده‌اند.

رهبران فناوری عامل مجازی در سه زمینه کلیدی از همتایان خود عملکرد بهتری دارند.

بیاموزید که چه چیزی این رهبران را متمایز می‌کند و چگونه فناوری عامل مجازی می‌تواند به سازمان شما کمک کند تا مزایای مشتری، نماینده و مالی را درک کند.

در سال 2024، روند دیجیتالی شدن ادامه پیدا می‌کند و باعث بهبود کارایی برنامه‌های دولتی و اثربخشی سیاست‌ها می‌شود، همانطور که در مقاله قبلی توضیح داده شد. دو عامل اصلی در این تحول دیجیتال، داده‌ها و هوش مصنوعی (AI) هستند. هوش مصنوعی نقش مهمی در استخراج ارزش از داده‌ها و به دست آوردن بینش‌های عمیق‌تر از اطلاعاتی که دولت‌ها برای خدمت به شهروندان خود جمع‌آوری می‌کنند، دارد.

با توجه به اینکه پیش‌بینی می‌شود امسال تقاضا برای هوش مصنوعی مولد افزایش یابد، استفاده مسئولانه از این فناوری برای بخش عمومی بسیار مهم است. تنها در این صورت است که دولت‌ها می‌توانند خود را به عنوان نهادهای قابل اعتماد معرفی کنند.

تفاوت بین هوش مصنوعی مولد و هوش مصنوعی سنتی

برای درک چالش‌های خاصی که هوش مصنوعی مولد در مقایسه با هوش مصنوعی سنتی ایجاد می‌کند، باید تفاوت‌های اصلی این دو فناوری را بشناسیم. هوش مصنوعی سنتی بیشتر بر الگوریتم‌ها و داده‌های برچسب‌گذاری‌شده برای آموزش مدل‌ها از طریق یادگیری ماشینی تکیه دارد. این مدل‌ها می‌توانند با شناسایی الگوها و رعایت قوانین از پیش تعیین‌شده، توصیه‌هایی ارائه دهند یا رفتارهای خاصی را شناسایی کنند. برای مثال، هوش مصنوعی سنتی در بهبود فیلتر کردن ایمیل‌های هرزنامه، بهبود توصیه‌های فیلم یا محصول برای مصرف‌کنندگان و کمک به دستیاران مجازی برای جستجوی اطلاعات استفاده می‌شود.

هوش مصنوعی مولد به عنوان یک راه حل مفید برای خودکارسازی و بهبود کارهای اداری و تکراری در حال رشد است. این فناوری با استفاده از مدل‌های پایه که شبکه‌های عصبی بزرگی هستند و بر روی داده‌های بدون برچسب آموزش می‌بینند، توانایی انجام کارهای مختلف را دارد. این می‌تواند به طور مؤثری داده‌های بزرگ را شناسایی، خلاصه، تبدیل، پیش‌بینی و تولید محتوا کند. استفاده از این فناوری در بخش عمومی می‌تواند کارایی را به طور چشمگیری بهبود بخشد و به سازمان‌ها کمک کند تا کارهای روزانه خود را با منابع کمتر انجام دهند.

هوش مصنوعی مولد فرصتی بی‌سابقه برای بهبود جنبه‌های مختلف عملیات دولتی و ارائه خدمات بهتر به شهروندان است. این فناوری می‌تواند به کارکنان دولتی ابزارهای قدرتمندی برای پاسخ به سوالات و انجام تحقیقات بدهد. کارهایی مانند نوشتن قراردادها و مدیریت، که هم وقت‌گیر و هم حیاتی هستند، می‌توانند از هوش مصنوعی مولد بهره زیادی ببرند.

سال گذشته، وزارت امور خارجه ایالات متحده به دنبال دریافت بازخورد در مورد چالش‌ها و مسائل امنیتی مربوط به استفاده از هوش مصنوعی پردازش زبان طبیعی و مولد در شبکه خود بود. یک درخواست اطلاعات از وزارت امور خارجه در ماه ژوئن نشان داد که هدف آن‌ها بهبود کارایی و دقت کارکنان در انجام کارهای تکراری مانند تحقیقات بازار و برنامه‌ریزی خرید برای نوشتن قرارداد است. هوش مصنوعی مولد که با یادگیری ماشین آموزش دیده است، می‌تواند در تهیه پیش‌نویس قراردادهای جدید بر اساس این تحقیقات کمک کند.

پیاده سازی هوش مصنوعی مولد به طور مسئولانه

قابلیت‌های قابل توجه هوش مصنوعی مولد در حال ظهور، سوالاتی درباره استفاده مسئولانه از آن در بخش عمومی به وجود آورده است. به عنوان مثال، مدیران قرارداد باید مطمئن شوند که تحقیق اصلی به طور صحیح و صادقانه به یک قرارداد الزام‌آور قانونی برای دو یا چند طرف تبدیل شده است.

عموم مردم اخیراً بیشتر با هوش مصنوعی مولد از طریق ابزارهایی آشنا شده‌اند که با استفاده از متن، تصاویر، ویدیوها و صداهای موجود، محتوای سفارشی شده را به درخواست کاربران ایجاد می‌کنند. با این حال، اطلاعات مربوط به نحوه آموزش برخی از این مدل‌ها ممکن است کافی نباشد، به‌ویژه برای شرکت‌های بزرگ یا صنایع که به شدت تنظیم شده و به اعتماد عمومی وابسته هستند.

برای توسعه هوش مصنوعی مسئولانه، رهبران دولت باید داده‌های داخلی خود را با دقت آماده کنند تا از پتانسیل کامل هوش مصنوعی و هوش مصنوعی مولد بهره‌برداری کنند. تعیین استانداردهای مسئولانه وظیفه مهمی است که باید از ابتدا به آن توجه شود و به جای یک فکر بعدی، نیاز به یکپارچگی مسئولیت دارد. این شامل حفظ نظارت انسانی برای اطمینان از صحت محتوای تولیدشده توسط هوش مصنوعی و جلوگیری از تعصبات است، همراه با دیگر ملاحظات ضروری.

ستون های کلیدی هوش مصنوعی مسئول در دولت

توسعه هوش مصنوعی IBM بر پنج اصل اساسی متمرکز است که به اطمینان از قابل اعتماد بودن این فناوری کمک می‌کند. رهبران دولت هنگام بررسی توسعه، آموزش و پیاده‌سازی مسئولانه هوش مصنوعی باید این اصول را در اولویت قرار دهند:

• انصاف در یک سیستم هوش مصنوعی به این معناست که سیستم باید با افراد یا گروه‌ها به طور عادلانه رفتار کند، بسته به شرایطی که در آن استفاده می‌شود. این به معنی مقابله با تعصبات و جلوگیری از تبعیض بر اساس ویژگی‌هایی مانند جنسیت، نژاد، سن و وضعیت جانبازی است.
• حریم خصوصی به این معناست که سیستم هوش مصنوعی باید حریم خصوصی و حقوق داده‌های مصرف‌کنندگان را در اولویت قرار دهد و از آن‌ها محافظت کند. این کار باید در چارچوب مقررات مربوط به جمع‌آوری، ذخیره‌سازی، دسترسی و افشای داده‌ها انجام شود.
• توضیح‌پذیری اهمیت دارد زیرا سیستم هوش مصنوعی باید بتواند پیش‌بینی‌ها و نتایج خود را به شکلی قابل فهم توضیح دهد، به طوری که اصطلاحات فنی پیچیده مانع از درک آن نشوند.
• شفافیت یعنی یک سیستم هوش مصنوعی باید اطلاعاتی درباره نحوه طراحی و توسعه خود و همچنین داده‌ها یا منابع داده‌ای که برای آموزش سیستم استفاده شده‌اند، ارائه دهد و این اطلاعات را به اشتراک بگذارد.
• استحکام یعنی توانایی سیستم هوش مصنوعی در مدیریت شرایط خاص و غیرمعمول، مانند ورودی‌های نادرست. این ویژگی به سیستم کمک می‌کند تا خروجی‌های ثابت و قابل اعتماد ارائه دهد.

با توجه به اینکه بخش عمومی همچنان از هوش مصنوعی و اتوماسیون برای حل مشکلات و بهبود کارایی استفاده می‌کند، حفظ اعتماد و شفافیت در هر راه‌حل هوش مصنوعی بسیار مهم است. تیم‌ها باید توانایی درک و مدیریت مؤثر چرخه حیات هوش مصنوعی را داشته باشند. استفاده از شیوه‌های مسئولانه در هوش مصنوعی، فرصتی برای بهبود عملکرد و نتایج است.

شرکت‌هایی که به ارائه ابزارهای هوش مصنوعی مولد (GenAI) علاقه‌مند هستند، می‌توانند به‌راحتی این فناوری را آزمایش کنند، زیرا مدل‌های قدرتمند زبان بزرگ مانند GPT-3 و GPT-4 از OpenAI، LLaMA از Meta، و PaLM2 از گوگل این امکان را فراهم کرده‌اند. با این حال، موفقیت اولیه در مرحله اثبات مفهوم GenAI ممکن است این تصور اشتباه را ایجاد کند که اجرای آن در مقیاس سازمانی آسان است. در واقع، مدیران به زودی متوجه می‌شوند که توسعه محصولات مبتنی بر GenAI در مقیاس بزرگ، با چالش‌ها و عدم قطعیت‌های بیشتری نسبت به بسیاری از فناوری‌های دیگر همراه است.

یکی از جنبه‌های مهم برای درک کامل پتانسیل GenAI، تجربه کاربری (UX) است. در این مقاله، با ارائه چارچوب طراحی UX و روش‌های آزمایش، به بررسی چالش‌ها و بهینه‌سازی تجربه کاربری می‌پردازیم.

طراحی تجربه کاربری

وقتی فناوری قدرتمندی مثل GenAI ظهور می‌کند، رهبران باید راه‌های مختلف تعامل مردم با آن را در نظر بگیرند. این موضوع به‌ویژه در مورد ابزارهایی که به‌صورت یک «عامل» GenAI عمل می‌کنند اهمیت بیشتری دارد. این عامل می‌تواند با قابلیت‌های خلاقانه و فعال خود، در پس‌زمینه از طرف کاربران کارهایی مانند جستجوی اطلاعات، مشارکت در بحث‌ها، یا انجام مصاحبه‌های تخصصی را انجام دهد. با این دیدگاه، ما یک چارچوب طراحی UX تهیه کرده‌ایم تا به سازمان‌ها کمک کنیم این ابزارها را به‌خوبی در جریان‌های کاری جدید و فعلی خود ادغام کنند. این چارچوب می‌تواند به طراحان محصول کمک کند تا درباره روش‌های تعامل کاربران با این سیستم‌ها بهتر فکر و برنامه‌ریزی کنند.

چارچوب UX ما بر چهار نوع تعامل متفاوت که افراد ممکن است با این فناوری‌ها داشته باشند، تمرکز دارد. این چهار نوع تعامل شامل تجزیه و تحلیل، تعریف، پالایش و عمل هستند.

تجزیه و تحلیل محتوا

بخش عمده‌ای از پتانسیل هوش مصنوعی در توانایی آن برای حذف کارهای تکراری و ساده از فرآیندهای کاری است. عوامل GenAI “همیشه فعال” می‌توانند به‌طور خودکار با فعالیت‌های انسانی همزمان شده و در زمان واقعی به تقویت کارها کمک کنند. برای مثال، یک دستیار می‌تواند به جلسات تیم گوش دهد و زمانی که شکاف اطلاعاتی وجود دارد، آن را شناسایی کرده یا بهترین اقدامات بعدی را پیش‌بینی و پیشنهاد دهد. این نوع عوامل در ابزارهایی مانند Microsoft Teams و Zoom برای رونویسی و خلاصه‌سازی استفاده می‌شوند و به‌سرعت در حال گسترش به کارهای خاصی مانند مراکز تماس خدمات مشتری هستند.

در این نوع تعامل، ملاحظات UX باید بر کنترل اینکه هوش مصنوعی به چه چیزی توجه می‌کند (مانند ضبط، تجزیه و تحلیل و غیره) و شفاف‌سازی برای کاربران درباره کارهایی که انجام می‌دهد، تمرکز داشته باشد. طراحی مکان، زمان و نحوه استفاده از GenAI در حالت همیشه روشن باید با مشورت مستقیم با کاربران و از طریق فرآیند آموزش مداوم و ایجاد اعتماد انجام شود.

تعریف قصد

برخلاف رابط‌های کاربری سنتی که اغلب با کلیک کردن کار می‌کنند، تعامل با ابزارهای GenAI معمولاً شامل ورودی‌های زبان طبیعی بدون ساختار، ورودی‌های کلامی یا حتی ورودی‌های چندوجهی (مثل ترکیب صدا و تصویر) است. این‌ها روش‌های جدیدی برای تعامل با ماشین‌ها هستند. در حالی که بیان خواسته‌ها با کلمات ممکن است ساده به نظر برسد، اکثر کاربران تجربه زیادی در استفاده سریع از این ابزارها ندارند. بدون اینکه کاربران متوجه شوند، مدل می‌تواند با تغییرات جزئی در کلمات یا به‌روزرسانی‌های مدل، پاسخ‌های متفاوت یا حتی متناقضی تولید کند. همچنین، ورودی‌های متنی ممکن است سریع‌ترین یا دقیق‌ترین روش‌های تعامل نباشند.

چون برخی از کاربران ممکن است درک کاملی از قابلیت‌های ابزارهای GenAI یا کارهایی که به‌طور ایده‌آل باید انجام دهند نداشته باشند، باید منحنی یادگیری برای هر دو، یعنی کاربر و ابزار، به‌طور کامل در نظر گرفته شود. تجربه ورود به این ابزار چگونه است؟ چگونه کاربران می‌توانند به تدریج اعتماد، سرعت، و کیفیت نتایج را بهبود دهند؟ و چگونه ابزارهای GenAI می‌توانند از نیازها، علایق و رفتارهای کاربران بیاموزند تا تجربه بهتری ارائه دهند؟ به عنوان مثال، افزودن کنترل‌های آشنا به رابط‌های چت، مانند دکمه‌ها یا فیلترها، می‌تواند به کاهش اشتباهات کمک کند و به کاربران این امکان را بدهد که GenAI را به سمت نتایج موفق‌تر هدایت کنند.

پالایش خروجی ها

حتی زمانی که هدف کاربر به‌طور واضح مشخص باشد، ابزارهای GenAI معمولاً نتایج درست را در اولین تلاش ارائه نمی‌دهند. فرآیند تکرار برای رسیدن به پاسخ یا خروجی صحیح، بخش مهمی از تعامل کاربر با هوش مصنوعی است. این تعامل زمانی پیچیده‌تر می‌شود که هوش مصنوعی با نرم‌افزارهای موجود در سازمان ترکیب شود و چندین کاربر به‌طور همزمان درگیر شوند.

یکی دیگر از دلایل پیچیدگی این است که خروجی‌های GenAI معمولاً از بخش‌های مختلف تشکیل شده‌اند. به عنوان مثال، یک برنامه سفر، داشبورد تجزیه و تحلیل، یا ویدیوی بازاریابی هرکدام شامل انواع مختلفی از رسانه‌ها هستند که به شیوه‌های خاصی ترکیب شده‌اند. اگرچه این خروجی‌ها می‌توانند در قالب یک مکالمه متنی نمایش داده شوند، اصلاح آن‌ها تنها از طریق مکالمه ممکن است دشوار باشد. در حالت ایده‌آل، کاربر باید بتواند بخشی از خروجی را انتخاب کرده و آن را به‌طور جداگانه اصلاح کند. در برخی مواقع، استفاده از عناصر موجود در UX برای اصلاح تصویر می‌تواند بسیار مفید باشد، به‌ویژه برای کارهای ساده و قابل تکرار. در مواقع دیگر، زبان طبیعی امکان انجام کارهای پیچیده و سفارشی را فراهم می‌آورد، مانند تغییر مجدد یک تصویر به سبک هنرمند مورد علاقه کاربر.

بازیگری و پیگیری

از آنجا که مدل‌های عامل GenAI فقط اطلاعات نمی‌دهند بلکه اقداماتی هم انجام می‌دهند، امکانات و پیچیدگی‌های جدیدی به وجود می‌آید. عوامل GenAI که با دیگر عوامل GenAI و APIها ارتباط برقرار می‌کنند، باید اهداف خود را به‌طور بصری به کاربران انسانی نشان دهند، اما این تعاملات باید با دقت طراحی شوند.

به عنوان مثال، تصور کنید که در طول یک جلسه زنده، یک عامل هوش مصنوعی نیاز به داده‌های خاصی را شناسایی می‌کند، سپس به‌طور فعال تحقیق کرده و آن‌ها را قبل از پایان جلسه به تیم تحویل می‌دهد. این ممکن است به نظر برسد که یک راه عالی برای کمک به تیم در تکمیل کارها به‌طور کارآمدتر است. اما چه زمانی مردم واقعاً راحت به هوش مصنوعی اجازه می‌دهند که این مراحل را انجام دهد؟ چگونه می‌توان از پیشنهادات مداوم آن جلوگیری کرد و در عین حال از تمام توانایی‌هایی که می‌تواند برای گروه فراهم کند، بهره برد؟ چگونه این سوالات بسته به این‌که تیم یا اعضای آن چگونه با هوش مصنوعی تعامل دارند، تغییر می‌کند؟ آیا زمانی که تیم هوش مصنوعی را آموزش می‌دهد، اعتماد به نفس آن‌ها در طول زمان افزایش می‌یابد و به مداخله کمتری نیاز خواهد بود، که باعث می‌شود هوش مصنوعی به‌طور فعال‌تر در پس‌زمینه عمل کند؟

در ابتدا، انتظار می‌رود که تیم‌ها از عوامل GenAI بخواهند ورودی اولیه‌ای ارائه دهند که انسان‌ها قبل از استفاده آن را اصلاح و تأیید کنند. اما با گذشت زمان و افزایش موفقیت این عوامل، احتمال دارد که فعالیت‌های پس‌زمینه به‌طور فزاینده‌ای بدون نیاز به دخالت انسان انجام شود.

پیاده سازی روش آزمون

اگرچه طراحی یک گردش کار مناسب ممکن است، طبیعت غیرقابل پیش‌بینی GenAI باعث می‌شود که برخی سازمان‌ها در ارائه ابزارهای GenAI در سطح سازمانی تردید کنند. همانطور که گفته شد، ابزارهای GenAI می‌توانند پاسخ‌هایی ارائه دهند که بسته به کاربر و حتی نوع تعامل متفاوت باشد. علاوه بر این، با دسترسی این ابزارها به مجموعه داده‌های بزرگتر که خارج از کنترل سازمان است، این تنوع افزایش می‌یابد. این موضوع خطر اطلاعات نادرست و پاسخ‌های نادرست را بیشتر می‌کند.

برای اطمینان از اینکه یک استفاده خاص از GenAI مؤثر است و همینطور باقی می‌ماند، نظارت و آزمایش مداوم خروجی‌ها با استفاده از یک متدولوژی قوی بسیار مهم است. متدولوژی جدید نظارت و آزمایش BCG شامل پنج فعالیت کلیدی است که به‌طور خاص برای ابزارهای GenAI طراحی شده‌اند. با پیشرفت سریع فناوری، این روش‌ها همچنان در حال به‌روزرسانی هستند و شرکت‌ها ممکن است بخواهند بعضی از این مراحل را با توجه به نیازهای خود تغییر دهند. با این حال، عناصری مانند این برای جلوگیری از خطرات و بهبود کارایی ابزار بسیار توصیه می‌شوند.

1. شناسایی مراحل اولیه

ما پیشنهاد می‌کنیم که آزمایش محصول GenAI ابتدا با یک تیم کوچک در یک محیط داخلی کنترل‌شده شروع شود، قبل از اینکه برای مخاطبان وسیع‌تر منتشر شود. در این مرحله اولیه، هدف این است که پاسخ‌های ابزار GenAI و داده‌هایی که برای آموزش مدل استفاده می‌شود، تأیید شوند. این فرآیند شامل شناسایی سؤالات یا وظایف مهمی است که ابزار باید بدون ایجاد پاسخ‌های متناقض به آنها پاسخ دهد، مانند فهرست کردن اندازه‌ها و رنگ‌های موجود برای یک محصول خاص. با تعریف دقیق این سؤالات «باید پاسخ داده شده»، شرکت می‌تواند سطح دقت مورد نیاز ابزار GenAI را قبل از ارائه آن به کاربران تعیین کند.

2. معیارهای پذیرش

برای زمان اعتبارسنجی محصول، وقتی یک کارگروه داخلی انتخاب شد و مجموعه‌ای از سوالات “باید پاسخ داد” تعیین شد، باید پاسخ‌ها با استفاده از سه معیار سنجیده شوند که به هرکدام نمره‌ای از 1 تا 5 داده می‌شود:

• ارتباط: آیا پاسخ‌ها مربوط به حوزه تخصص محصول یا برند هستند؟
• دقت: آیا پاسخ‌ها صحیح و بدون اطلاعات نادرست هستند؟
• همسویی برند: آیا پاسخ‌ها با سبک، لحن و ارزش‌های برند همخوانی دارند؟

امتیازدهی بر اساس این معیارها اطلاعات مفیدی در مورد بهبودهای مورد نیاز برای پاسخ‌دهی بهتر به هر سوال «باید پاسخ داده شود» فراهم می‌کند و احتمال دریافت پاسخ‌های بی‌معنی یا نادرست را کاهش می‌دهد. زمانی که ابزار به امتیاز رضایت‌بخش (که توسط هر شرکت تعیین می‌شود) برای هر کار یا سوال برسد، می‌تواند وارد مرحله پایلوت گسترده‌تری شود.

در طول مرحله آزمایشی، ممکن است سوالات و وظایف «باید پاسخ داده شود» بر اساس بازخورد کاربران در مرحله اولیه گسترش یابند تا قابلیت‌های جدید را پوشش دهند. هر سوال و وظیفه در این مرحله نیز با استفاده از سه معیار ارتباط، دقت و همسویی برند، در مقیاس 1 تا 5 امتیازدهی می‌شود.

3. تست محصول

علاوه بر معیارهای پذیرش، ارزیابی قابلیت استفاده از محصول اهمیت زیادی دارد. به غیر از معیارهای معمول قابلیت استفاده، اعتماد و درک از ابزار نیز باید در مورد GenAI در نظر گرفته شوند.

• قابلیت استفاده – آیا استفاده از محصول بدون نیاز به راهنمایی متخصص آسان بود؟
• اعتماد – آیا به اطلاعاتی که به شما داده شد، اعتماد داشتید؟
• قابلیت – آیا متوجه شدید که با این ابزار چه کاری می‌توانید انجام دهید؟

ما پیشنهاد می‌کنیم که معیارهای آزمایش محصول در مراحل پایانی دوره جوجه‌کشی یا مراحل اولیه آزمایش معرفی شوند، زمانی که احتمال دریافت پاسخ‌های با کیفیت بالا بیشتر است. وقتی محصول در هر دو معیار پذیرش و تست محصول امتیاز کافی کسب کرد، شرکت می‌تواند آن را از مرحله آزمایشی به آزمایش در مقیاس بزرگ منتقل کند.

4. تجزیه و تحلیل زنده

برای ارزیابی دقیق تأثیر یک محصول GenAI در مقیاس بزرگ، باید تجزیه و تحلیل بلادرنگ در آن گنجانده شود. یک مثال ساده این است که در ChatGPT پس از هر پاسخ، کاربران می‌توانند نظر خود را با شست بالا/پایین اعلام کنند. اگر محصول GenAI از کاربران بپرسد که آیا دستورالعمل‌ها به حل مشکل کمک کرده‌اند، این به آن کمک می‌کند که به نسخه‌ای قوی‌تر تبدیل شود. این تجزیه و تحلیل‌ها داده‌های غنی و متنوعی از نظر کمی و کیفی در مورد نحوه استفاده از محصول جمع‌آوری می‌کنند، که به طور معمول برای تیم‌های تحقیقاتی انسانی به‌تنهایی قابل دستیابی نیست. این روند به اطمینان از حفظ کیفیت پاسخ‌ها و قابلیت استفاده کمک می‌کند، در حالی که محصول با معیارهای تعیین‌شده در مرحله دوم مطابقت دارد.

5. نظارت بر هوش مصنوعی

در مرحله نهایی روش آزمایش، نظارت مداوم و بهبود پاسخ‌ها برای کاهش ریسک در مقیاس سازمانی ضروری است. برای این کار، شرکت‌ها می‌توانند از سایر ابزارهای GenAI که به عنوان کاربران مصنوعی عمل می‌کنند، استفاده کنند و پاسخ‌های محصول را با معیارهای پذیرش و آزمایش محصول ارزیابی کنند. این نظارت به سازمان‌ها کمک می‌کند تا بررسی کنند که آیا نیاز به تغییراتی در داده‌های آموزش مدل است یا خیر، و در نتیجه، یک لایه کنترل کیفیت اضافی به فرایند اضافه می‌شود. همچنین، شرکت‌ها می‌توانند حساسیت مدل‌های اعتبارسنجی را تنظیم کنند تا حدود و مرزهایی برای پاسخ‌های قابل قبول و غیرقابل قبول تعیین کنند. سپس این اطلاعات به محصول بازگشت داده می‌شود تا پاسخ‌های بعدی اصلاح شده و روند بهبود مستمر ادامه یابد.

تسلط بر تجربه کاربری

انتقال از یک آزمایش مفهومی GenAI به پیاده‌سازی در مقیاس کامل کار ساده‌ای نیست. این فرآیند نیازمند آن است که شرکت به مجموعه‌ای از فرآیندهای کلیدی توجه کند، از جمله درک مفاهیم برای افراد و فرآیندهای سازمانی، و تغییرات همراه با آن‌ها را مدیریت کند. چارچوب ما برای طراحی تجربه کاربری و روش‌شناسی آزمایش محصولات GenAI می‌تواند به مدیران کمک کند تا این پیچیدگی‌ها را به دقت پیگیری کرده و تجربه‌ای منحصر به فرد برای مشتریان و کارکنان ایجاد کنند.

دیدگاه‌ها درباره تأثیر هوش مصنوعی بر جهان متفاوت است، اما یک چیز روشن است: این فناوری آینده توسعه اقتصادی را شکل می‌دهد.

رهبران کسب‌وکار پیش‌بینی می‌کنند که هوش مصنوعی در دهه آینده تأثیر زیادی بر عملیات و ارزش‌آفرینی داشته باشد. طبق گزارش IDC، هزینه‌های جهانی برای هوش مصنوعی تا سال 2028 به بیش از 632 میلیارد دلار خواهد رسید که بیش از دو برابر میزان فعلی است. این رشد سریع و گسترده، هوش مصنوعی را به یک اولویت اقتصادی در سراسر جهان تبدیل می‌کند.

به همین دلیل، BCG ماتریس بلوغ هوش مصنوعی خود را معرفی کرده که در یک گزارش جدید و داشبورد تعاملی، 73 اقتصاد جهانی را ارزیابی می‌کند. تحقیقات ما شش الگوی اصلی برای توسعه اقتصادی و پتانسیل هوش مصنوعی شناسایی کرده است. این ماتریس دیدی کلی از پذیرش جهانی هوش مصنوعی ارائه می‌دهد: بیشتر اقتصادها به تدریج این فناوری را می‌پذیرند، اما گروه کوچکی از پیشگامان هوش مصنوعی در این مسیر پیشرو هستند.

قرار گرفتن در معرض و آمادگی

ما به دنبال فهم میزان تأثیر هوش مصنوعی بر هر اقتصاد بر اساس بخش‌های مختلف بودیم. این مطالعه تأثیرات را به‌عنوان پتانسیل هوش مصنوعی برای ایجاد تغییرات مثبت یا منفی در اقتصاد تعریف می‌کند. مثلاً، تأثیر ممکن است باعث از دست رفتن شغل‌ها به دلیل اتوماسیون شود، یا برعکس، فرصت‌های شغلی جدیدی ایجاد کند. البته، از دست دادن شغل فقط یکی از جنبه‌های تأثیرات است. همچنین، ما توانایی هر اقتصاد در پذیرش و به‌کارگیری مؤثر هوش مصنوعی را بررسی کردیم.

شش بخش بیشتر از دیگران تحت تأثیر تغییرات ناشی از هوش مصنوعی قرار دارند. این بخش‌ها شامل فناوری اطلاعات و ارتباطات، کالاهای پیشرفته تکنولوژی، خرده‌فروشی، خدمات مالی، خدمات عمومی و تولید خودرو هستند.

هوش مصنوعی می‌تواند تأثیرات مثبتی در سرتاسر اقتصاد داشته باشد و باعث تغییر در تولید ناخالص داخلی شود. استفاده و آزمایش هوش مصنوعی در یک صنعت می‌تواند رشد بخش‌های مرتبط را تحریک کرده و فرصت‌های جدیدی برای استفاده از این فناوری ایجاد کند.

اقتصادهای پیشرفته در زمینه هوش مصنوعی در زمینه مهارت‌ها، تحقیق و توسعه، اکوسیستم‌ها و سرمایه‌گذاری پیشتاز هستند. اما بیشتر اقتصادها از حمایت کافی در زمینه تحقیقات یا سرمایه‌گذاری برخوردار نیستند، که این موضوع توانایی آن‌ها را در تقویت استارت‌آپ‌ها یا پیاده‌سازی راه‌حل‌های داخلی محدود می‌کند. کاهش می‌دهد.

علاقه به استفاده از هوش مصنوعی در سراسر جهان بسیار زیاد است، اما تنها داشتن این علاقه کافی نیست. بیشتر دولت‌ها استراتژی‌هایی را اعلام کرده‌اند یا وزارتخانه‌های هوش مصنوعی تشکیل داده‌اند. با این حال، آن‌ها باید قدم‌های عملی‌تری بردارند، مانند ایجاد فضاهای آزمایشی برای تحقیق و توسعه هوش مصنوعی و حمایت از نوآوری‌های بخش خصوصی.

در نهایت، تأثیرات تغییرات ناشی از هوش مصنوعی در دنیای امروز اجتناب‌ناپذیر است. هر اقتصادی حداقل بخشی از بخش‌های خود را تحت تأثیر هوش مصنوعی قرار می‌دهد. با این حال، یک اقتصاد با تأثیر بالا لزوماً وضعیت بدی ندارد؛ برعکس، برخی از اقتصادهای برجسته‌تر حتی آماده‌تر هستند.

گام‌های بعدی برای سیاست‌گذاران

ما چند پیشنهاد برای هر الگوی توسعه ارائه می‌دهیم:

• کشورهایی که در مراحل ابتدایی استفاده از هوش مصنوعی هستند باید پایه‌های اصلی برای پذیرش این فناوری را فراهم کنند، از جمله جذب سرمایه‌گذاری بین‌المللی و فراهم کردن منابع برای آموزش و جذب استعدادها.
• کشورها و شرکت‌هایی که در زمینه هوش مصنوعی فعال هستند باید در بازارهای خاص هوش مصنوعی تخصص پیدا کنند و بررسی کنند که چگونه بخش‌های مختلف می‌توانند از این فناوری برای افزایش بهره‌وری یا ایجاد درآمد جدید استفاده کنند. همچنین، باید قوانین منعطفی برای آزمایش و حل مسائل اخلاقی مربوط به هوش مصنوعی ایجاد کنند.
• پیشگامان هوش مصنوعی قابلیت‌های پیشرفته‌ای دارند و می‌توانند با ادغام بیشتر در زنجیره تأمین فناوری جهانی، رهبری خود را گسترش دهند. آن‌ها همچنین باید به تدوین و تصویب استانداردها و مقررات پیشرفته در زمینه هوش مصنوعی ادامه دهند.

هوش مصنوعی و توسعه آن جهان را تغییر می‌دهد و چالش‌ها و فرصت‌هایی برای جوامع در آینده به وجود می‌آورد. با استفاده از ماتریس بلوغ هوش مصنوعی BCG، هدف ما این است که به سیاست‌گذاران چارچوبی عملی برای هدایت چشم‌انداز در حال تحول هوش مصنوعی بدهیم و از پتانسیل آن برای تقویت اقتصادها و افزایش رفاه اجتماعی بهره‌برداری کنیم.

برای بهره‌برداری کامل از پتانسیل هوش مصنوعی در تغییر تجارت، شرکت‌ها باید قابلیت‌های هوش مصنوعی را به‌طور یکپارچه و از بالا به پایین توسعه دهند.

هیجان درباره هوش مصنوعی به اوج خود رسیده است. ابزارهایی مانند ChatGPT قادرند شعر بنویسند، سخنرانی آماده کنند و انواع مختلفی از کارها از جمله کدنویسی و کپی‌نویسی را با سرعت بسیار بالا انجام دهند. از دیدگاه شرکتی، مدیران اجرایی هوش مصنوعی را با پیش‌بینی افزایش هزینه‌ها خریداری کرده‌اند، زیرا شرکت‌ها در بخش‌های مختلف به دنبال استفاده از قابلیت‌هایی هستند که هوش مصنوعی در آنها برتری دارد، مانند اتوماسیون، پیش‌بینی و مدل‌سازی. طبق پیش‌بینی جهانی نرم‌افزار هوش مصنوعی Forrester در سال 2022، هزینه نرم‌افزار هوش مصنوعی سفارشی از 33 میلیارد دلار در سال 2021 به 64 میلیارد دلار در سال 2025 دو برابر خواهد شد و با نرخ رشد سالانه 18 درصد، سریع‌تر از بازار نرم‌افزار کلی رشد خواهد کرد.

با این حال، بسیاری از شرکت‌ها هنوز منتظر پیشرفت‌های واقعی هستند و نتواسته‌اند به ارزش مورد انتظار دست پیدا کنند. در سال 2022، تنها 22 درصد از سازمان‌ها در یک نظرسنجی IDC گزارش دادند که هوش مصنوعی در مقیاس بزرگ در سازمان‌هایشان پیاده‌سازی شده است. وعده‌های هوش مصنوعی برای تغییر کسب‌وکار و تحول در نحوه تکامل بازارها هنوز در مقیاس وسیع محقق نشده است.

یکی از چالش‌های اصلی این است که قابلیت‌های هوش مصنوعی معمولاً از طریق ابتکاراتی که از پایین به بالا توسعه می‌یابند، پیش می‌روند و مراکز تعالی (CoEs) پروژه‌هایی را ایجاد می‌کنند که هدفشان اثبات این است که هوش مصنوعی می‌تواند از فرآیندهای موجود جلو بزند. این پروژه‌ها معمولاً توسط تیم‌های فنی رهبری می‌شوند، اما ارتباط آنها با بخش‌های دیگر کسب‌وکار قطع است. این مشکل ساختاری است، زیرا افرادی که پروژه‌های هوش مصنوعی را رهبری می‌کنند، تنها بخشی از جریان ارزش را کنترل می‌کنند. برای اینکه هوش مصنوعی ارزش واقعی ایجاد کند، باید تحولی بزرگ‌تر در کسب‌وکار آغاز شود که نیازمند رویکرد جدیدی است.

افزایش ارزش هوش مصنوعی با رویکرد از بالا به پایین

برای بهره‌برداری کامل از پتانسیل هوش مصنوعی، شرکت‌ها باید قابلیت‌های هوش مصنوعی را به‌طور یکپارچه و از بالا به پایین توسعه دهند. برای تغییر استراتژی هوش مصنوعی به این روش، نیاز به سوالات جسورانه‌تری داریم. به جای این که بپرسید آیا هوش مصنوعی می‌تواند عملکرد یک فرآیند خاص را بهبود بخشد، باید بپرسید که آیا هوش مصنوعی می‌تواند به‌طور کلی به کسب‌وکار شما کمک کند تا خود را از رقبای خود متمایز کند و به شما کمک کند در برابر تهدیدهایی که به کسب‌وکار شما وارد می‌شوند، انعطاف‌پذیرتر شوید. آیا هوش مصنوعی به شما این امکان را می‌دهد که وارد بازار جدیدی شوید یا مدل کسب‌وکار خود را دوباره طراحی کنید؟

هوش مصنوعی نباید به طور غیرانتقادی استفاده شود. موفقیت در این است که آن را ارزیابی کنیم، مانند یک سرمایه‌گذار خصوصی که کسب‌وکاری را ارزیابی می‌کند. به جای این که بپرسیم “ستاره شمالی عملکردی چیست؟”، باید بپرسیم “استراتژی سرمایه‌گذاری با هوش مصنوعی چیست؟” بخش‌های سرمایه‌گذاری خصوصی این کار را به‌خوبی انجام می‌دهند و اطمینان حاصل می‌کنند که دیدی روشن برای دستیابی به بازده متفاوت وجود دارد.

این رویکرد در حال حاضر در هوش مصنوعی حیاتی‌تر از هر زمان دیگری است. در شرکت‌هایی که قبلاً در هوش مصنوعی پیشرو بوده‌اند، برنامه‌ها توسط مدیران ارشد اجرایی (مدیرعامل) هدایت می‌شوند که برای ایجاد تغییرات فرهنگی ضروری برای موفقیت در بالاترین سطح قرار دارند. مدیران اجرایی با تجربه در فناوری، با رهبران فناوری خود و مدیران ارشد اطلاعات (CIO) در مورد اهمیت فناوری برای هدایت استراتژی و عملکرد کسب‌وکار هماهنگ می‌شوند. آنها فناوری‌هایی مانند هوش مصنوعی را به اولویت اصلی برای تحقق اهداف تجاری تبدیل می‌کنند و به جای توسعه یک استراتژی فناوری جداگانه، آن را در استراتژی کسب‌وکار ادغام می‌کنند.

هوش مصنوعی باید تغییرات بزرگ و مؤثری در درآمد و مدل کسب‌وکار ایجاد کند، به شرکت‌ها کمک کند وارد بازارهای جدید شوند یا از تهدیدات بزرگ جلوگیری کنند. برای مثال، هدف از استفاده از هوش مصنوعی برای تجزیه و تحلیل مشتری فقط به دست آوردن بینش‌های جالب نیست، بلکه تغییر مدل کسب‌وکار از “کسب‌وکار به مصرف‌کننده” به “مستقیم به مصرف‌کننده” است که توسط تحلیل‌های مشتری امکان‌پذیر می‌شود. ارزش واقعی هوش مصنوعی در کمک به بخش‌های مالی برای تولید پیش‌بینی‌های مبتنی بر یادگیری ماشینی به صورت فصلی نیست، بلکه ارائه بینش‌های روزانه به رهبران کسب‌وکار در مورد بهترین اقدام‌های بعدی برای بهبود سودآوری است. این سؤالات عمیق قدرت هوش مصنوعی را برای ایجاد تغییرات واقعی و تحول‌آفرین در کسب‌وکار نشان می‌دهند.

سوالات کلیدی هوش مصنوعی برای رهبران تحول

برای اجرای یک استراتژی مؤثرتر، تصمیم‌گیرندگان باید با یک استراتژی جدید یا یک چالش شروع کنند — مثل مدل کسب‌وکار جدید، هزینه‌های بالا، ریسک‌های تجاری یا بخشی که می‌توانند در آن شروع به رقابت کنند — و بپرسند که هوش مصنوعی چگونه می‌تواند کمک کند. این کار به آنها این امکان را می‌دهد که در برابر تهدیدات و اختلالات رقبا موضع تهاجمی بگیرند یا خودشان به یک عامل اخلال در بازارهای جدید تبدیل شوند. این رویکرد باعث می‌شود که هوش مصنوعی به طور کامل توسط مدیران اجرایی پشتیبانی شود و منابع لازم برای آن تأمین گردد. برخی از سوالات مفید برای شروع ممکن است شامل موارد زیر باشد:

1. آیا شما یک “پرتفولیوی هوش مصنوعی” یا “پرتفولیوی تحول” دارید؟
2. آیا هوش مصنوعی به‌گونه‌ای توسعه می‌یابد که به افراد و کسب‌وکار شما کمک کند تا منحصربه‌فرد و در سطح بالاتری قرار بگیرند، به طوری که در حال حاضر اینطور نیست؟
3. آیا برای افراد خود یک برنامه توسعه حرفه‌ای دارید که شامل آموزش‌های جدید مرتبط با هوش مصنوعی، مسیرهای شغلی، روش‌های حفظ استعدادها و همچنین راه‌هایی برای پاداش دادن به مجموعه مهارت‌های جدید هوش مصنوعی باشد؟
4. آیا از روابط اکوسیستمی برای کشف مدل‌های جدید کسب‌وکار و فرصت‌های رشد استفاده می‌کنید؟
5. آیا هوش مصنوعی شما را برای مقابله با بزرگ‌ترین تهدیدات آینده آماده می‌کند؟

شرکت‌هایی که هوش مصنوعی را به طور کامل در استراتژی کسب‌وکار خود گنجانده‌اند، به جای اینکه فقط از آن برای بهبود بخش‌های جداگانه استفاده کنند، شانس بیشتری برای درک ارزش واقعی هوش مصنوعی و تغییرات اساسی از بالا به پایین دارند.

در بازار رقابتی امروز، پیدا کردن و جذب سریع افراد مناسب برای سازمان‌ها بسیار حیاتی است. روش‌های سنتی استخدام شامل کارهای زمان‌بری مثل بررسی رزومه‌ها، تنظیم زمان مصاحبه و انجام مراحل استخدام است. اما فناوری هوش مصنوعی می‌تواند این فرآیندها را ساده‌تر کرده و زمان مورد نیاز برای هر مرحله را کاهش دهد.

فناوری‌های هوش مصنوعی و یادگیری ماشین تغییرات چشمگیری در فرآیندهای مختلف کسب‌وکار ایجاد کرده‌اند. یکی از این زمینه‌ها که به شدت تحت تأثیر قرار گرفته، جذب و استخدام استعدادها است.

چرخه سنتی استخدام، از یافتن نامزدها تا نهایی کردن استخدام، فرآیندی طولانی و پرهزینه برای شرکت‌ها بود. اما با پیشرفت هوش مصنوعی، بسیاری از سازمان‌ها توانسته‌اند این فرآیند را ساده‌تر و سریع‌تر کنند. در این مقاله بررسی می‌کنیم که چگونه هوش مصنوعی می‌تواند فرآیند استخدام را بهینه کند و آیا واقعاً به کاهش زمان استخدام کمک می‌کند یا خیر.

موانع اصلی در استخدام

در اینجا برخی از موانع اصلی وجود دارد که معمولاً استخدام کنندگان با آن روبرو هستند:

جذب استعدادهای برتر

در بازاری که مشاغل زیادی وجود دارد و افراد گزینه‌های متعددی برای انتخاب دارند، جذب استعدادهای برتر چالش بزرگی برای استخدام‌کنندگان است. اگر شرکت‌ها به سرعت پاسخ ندهند یا تجربه مثبتی برای کاندیداها فراهم نکنند، ممکن است توجه آن‌ها را از دست بدهند. برای موفقیت، استخدام‌کنندگان باید بر مزایا، فرهنگ، ارزش‌ها و فرصت‌های منحصربه‌فرد شرکت خود تأکید کنند. استفاده از هوش مصنوعی و تحلیل داده‌ها می‌تواند فرآیندها را ساده‌تر کرده و تجربه بهتری برای کاندیداها ایجاد کند.

مدیریت تعصب

تعصبات ناخودآگاه می‌توانند تصمیم‌گیری‌ها را تحت تأثیر قرار دهند و تنوع را محدود کنند. استخدام‌کنندگان باید به تعصبات خود آگاه باشند و از معیارهای عینی و مبتنی بر مهارت برای ارزیابی کاندیداها استفاده کنند. ابزارهایی مانند رزومه‌خوانی کور و مصاحبه‌های ساختاریافته می‌توانند به کاهش سوگیری کمک کنند. همچنین هوش مصنوعی با ارزیابی کاندیداها بر اساس شایستگی‌های مرتبط، امکان کاهش بیشتر تعصبات را فراهم می‌کند. با این حال، ممکن است سوگیری‌ها در داده‌های پایه وجود داشته باشند، بنابراین این رویکردها باید به دقت بررسی شوند.

بارهای اداری

یافتن منابع نامزدها، بررسی تعداد زیاد درخواست‌ها، زمان‌بندی مصاحبه‌ها و انجام دیگر وظایف مدیریتی می‌تواند زمان زیادی از استخدام‌کنندگان بگیرد. با توجه به ضرب‌الاجل‌های فشرده و نیازهای مداوم، این فعالیت‌های اداری می‌تواند مانع از انجام کارهای استراتژیک استخدام شود. استفاده از سیستم‌های ردیابی متقاضی و ابزارهای هوش مصنوعی که می‌توانند کارهایی مثل بررسی رزومه‌ها، زمان‌بندی مصاحبه‌ها و موارد دیگر را خودکار کنند، می‌تواند به کاهش کارهای تکراری و آزاد کردن زمان برای کارهای مهم‌تر کمک کند.

سنجش موفقیت

اندازه‌گیری تأثیر و بازگشت سرمایه برای استخدام‌کنندگان می‌تواند دشوار باشد. تعریف و پیگیری معیارهای مناسب از جمله زمان تکمیل فرآیند، حفظ کارکنان و ارزیابی کیفیت استخدام و تناسب فرهنگی چالش‌برانگیز است. دسترسی به داده‌ها و تجزیه و تحلیل آن‌ها به استخدام‌کنندگان کمک می‌کند تا منابع را ارزیابی کنند، فرآیندها را بهبود دهند و بفهمند که چه عواملی باعث موفقیت یک استخدام می‌شود تا در طول زمان نتایج بهتری بدست آورند.

همگام با تغییر

بازارهای کار، انتظارات کاندیداها، الزامات انطباق، فناوری‌ها و دیگر عوامل به طور مداوم در حال تغییر هستند. استخدام‌کنندگان باید به طور منظم روندهای صنعت را پیگیری کرده، استراتژی‌ها، ابزارها و مهارت‌های جدید را بیاموزند و رویکردهای خود را بر اساس آن‌ها به‌روز کنند تا اثربخشی خود را حفظ کنند. افرادی که از داده‌ها و فناوری در برنامه‌ریزی استراتژیک استفاده می‌کنند، قادر خواهند بود به تغییرات پاسخ دهند و موفقیت خود را در طول زمان حفظ کنند.

به طور خلاصه، استخدام‌کنندگان با چالش‌های مختلفی روبرو هستند که برای حل آن‌ها نیاز به برنامه‌ریزی استراتژیک، استفاده از فناوری و تحلیل داده‌ها دارند. این اقدامات می‌تواند به بهینه‌سازی فرآیند، کاهش تعصبات ناخودآگاه و دیگر مسائل کمک کند. کسانی که از هوش مصنوعی، معیارهای مشخص و یادگیری مداوم استفاده می‌کنند، احتمالاً بهترین شانس را برای غلبه بر چالش‌ها و دستیابی به نتایج مطلوب دارند.

چگونه هوش مصنوعی فرآیند استخدام را متحول می‌کند؟

بیایید نگاهی عمیق‌تر به این بیندازیم که چگونه هوش مصنوعی می‌تواند فرآیند استخدام را سریع‌تر و کارآمدتر کند.

پیش بینی نیازهای استخدام با تجزیه و تحلیل

یکی از اولین مراحل در استخدام، پیش‌بینی نیازهای استخدامی آینده است. به طور سنتی، تیم‌های جذب استعداد به روندهای گذشته و تجزیه و تحلیل دستی برای پیش‌بینی فرصت‌ها تکیه می‌کردند. اما با هوش مصنوعی، مدیران استخدام می‌توانند از تحلیل‌های پیش‌بینی‌کننده برای به دست آوردن دیدگاه‌های دقیق‌تر استفاده کنند.

الگوریتم‌های هوش مصنوعی می‌توانند داده‌های مختلفی مانند نرخ فرسایش کارکنان، پیش‌بینی رشد کسب‌وکار، موجودی مهارت‌ها و الگوهای استخدامی گذشته را تجزیه و تحلیل کنند. بر اساس ارتباطات پیدا شده در این داده‌ها، هوش مصنوعی می‌تواند روند تقاضا برای مهارت‌ها و شایستگی‌های خاص را پیش‌بینی کند. این کمک می‌کند تا تیم‌های استخدامی استراتژی‌های پیشگیرانه برای پر کردن شکاف‌های مهارتی قبل از آنکه بر کار تأثیر بگذارد، ایجاد کنند.

برای مثال، یک مدل هوش مصنوعی ممکن است تشخیص دهد که نرخ فرسایش مهندسین نرم‌افزار به دلیل تقاضای فعلی بازار بیشتر از سایر مشاغل است. سپس این مدل می‌تواند پیشنهاد کند که استخدام از طریق پردیس‌های کالج برای فصل استخدام بعدی افزایش یابد. این نوع تحلیل‌های پیشرفته به سازمان‌ها کمک می‌کند تا فعالیت‌های استخدامی خود را با دقت بیشتری برنامه‌ریزی کنند.

مدیریت تعصب

تعصبات ناخودآگاه می‌توانند بر تصمیمات تاثیر بگذارند و اگر کنترل نشوند، ممکن است باعث محدود شدن تنوع شوند. استخدام‌کنندگان باید از این تعصبات آگاه باشند و برای ارزیابی کاندیداها از معیارهای عینی و مبتنی بر مهارت استفاده کنند. ابزارهایی مانند غربالگری رزومه‌های بدون نام و مصاحبه‌های ساختاریافته می‌توانند به کاهش این سوگیری‌ها کمک کنند. هوش مصنوعی می‌تواند در ارزیابی کاندیداها بر اساس صلاحیت‌های مرتبط، به کاهش بیشتر سوگیری‌ها کمک کند. با این حال، سوگیری‌ها ممکن است همچنان در داده‌های استفاده‌شده وجود داشته باشند، بنابراین باید رویکردها مورد بررسی قرار گیرند.

ساده سازی غربالگری برنامه

یکی از بزرگترین چالش‌ها در فرآیند استخدام، غربالگری رزومه‌ها برای پیدا کردن کاندیداهای مناسب است. بررسی دستی هر رزومه و نامه پوششی برای استخدام‌کنندگان زمان‌بر و ناکارآمد است.

در اینجا، ابزارهای غربالگری مبتنی بر هوش مصنوعی مفید هستند. این ابزارها می‌توانند به سرعت هزاران رزومه را بر اساس مهارت‌ها و صلاحیت‌های مشخص فیلتر کنند. سیستم‌های هوش مصنوعی با استفاده از تکنیک‌هایی مانند پردازش زبان طبیعی (NLP)، اطلاعات مرتبط را از اسناد استخراج کرده و کاندیداهایی که دقیقاً با نیازهای شغلی مطابقت دارند را شناسایی می‌کنند.

روش‌های غربالگری خودکار مانند تطبیق کلمات کلیدی، تجزیه و تحلیل شباهت مهارت و امتیازدهی استاندارد، فضای کمی برای خطا یا سوگیری انسانی باقی می‌گذارند. این روش‌ها همچنین زمان استخدام‌کنندگان را صرفه‌جویی می‌کنند و به آنها این امکان را می‌دهند که بیشتر بر روی ارتباط، مصاحبه و ارزیابی مهارت‌های نرم تمرکز کنند، چرا که هوش مصنوعی هنوز قادر به ارزیابی این مهارت‌ها نیست.

بهینه سازی شرح شغل

حوزه دیگری که هوش مصنوعی به بهبود فرآیند استخدام کمک می‌کند، مربوط به آگهی‌های شغلی است. با تجزیه و تحلیل داده‌ها، هوش مصنوعی می‌تواند نسخه‌های مختلف آگهی شغلی را آزمایش کند تا بهترین و جذاب‌ترین نسخه را شناسایی کند.

معیارهایی مانند نرخ درخواست، زمان تکمیل و نرخ کلیک برای هر نسخه ثبت می‌شود. بر اساس عملکرد هر نسخه، مدل هوش مصنوعی به طور هوشمند عبارات، تأکیدات و محتوا را تغییر می‌دهد تا استعدادهای بیشتری جذب کند. این روش نسبت به توصیفات عمومی، به طور مؤثرتری به نیازها پاسخ می‌دهد.

علاوه بر این، هوش مصنوعی اطمینان می‌دهد که آگهی‌های شغلی به‌طور فراگیر و با زبان بی‌طرف نوشته شوند. این کار از تعصبات ناخودآگاه جلوگیری کرده و نامزدهای مختلف را جذب می‌کند. توضیحات بهینه‌شده باعث می‌شود تا در مدت زمان کمتری تعداد بیشتری از متقاضیان واجد شرایط جذب شوند.

بهبود مشارکت نامزدها

هوش مصنوعی و یادگیری ماشین می‌توانند رفتار نامزدها را در وب‌سایت‌های شغلی شرکت و رسانه‌های اجتماعی بررسی کنند تا تجربه کاربری بهتری ایجاد کنند.

هوش مصنوعی می‌فهمد که کدام بخش‌های شغلی بیشتر توجه جلب می‌کنند. سپس با شخصی‌سازی ارتباطات از طریق کانال‌های مختلف دیجیتال، به طور فعال پروفایل‌های واجد شرایط را جذب می‌کند. این ارتباطات به موقع و مرتبط باعث می‌شود که نامزدها به نقش و سازمان علاقه‌مند باقی بمانند.

هوش مصنوعی به متقاضیان کمک می‌کند تا نقش‌های بیشتری که با پروفایل‌شان تطابق دارند، پیدا کنند و همچنین به‌روزرسانی‌های خودکار وضعیت را ارائه می‌دهد تا اعتماد ایجاد کند. این نوع ارتباطات شخصی‌سازی‌شده باعث تعامل بیشتر می‌شود بدون اینکه فشار زیادی به استخدام‌کنندگان وارد کند. به همین دلیل، فرصت‌ها سریع‌تر پر می‌شوند زیرا بهترین افراد برای شغل به طور فعال در فرایند استخدام مشغول می‌شوند.

ساده سازی فرآیند پیشنهاد

پس از غربالگری و مصاحبه‌های اولیه، ارزیابی تناسب فرهنگی کاندیداها یک مرحله مهم است. در این مرحله، هوش مصنوعی با تحلیل احساسات بازخوردهای مصاحبه به کمک می‌آید.

هوش مصنوعی از تکنیک‌های پردازش زبان طبیعی (NLP) برای تحلیل لحن و کلمات به‌کار رفته در رونوشت‌ها، نظرات و پاسخ‌ها استفاده می‌کند. بر اساس این تحلیل‌ها، هوش مصنوعی می‌تواند تطابق فردی و مهارت‌های تخصصی را اندازه‌گیری کند و بهترین انتخاب را برای تطابق با ارزش‌های سازمانی بر اساس داده‌ها انجام دهد.

وقتی یک نامزد شناسایی می‌شود، هوش مصنوعی فرایند ارسال پیشنهادات را خودکار می‌کند. در عرض چند دقیقه، جزئیاتی مانند حقوق، مکان و دیگر شرایط به قالب‌های استاندارد متصل می‌شوند. برای متقاضی، دریافت نامه پیشنهاد در کمترین زمان نشان‌دهنده کارایی بالای کارفرما است. پیشنهادهای سریعتر یعنی زمان کمتری برای پر کردن موقعیت‌های شغلی صرف می‌شود.

کاهش زمان استخدام جدید

مرحله آخر که هوش مصنوعی فرآیند استخدام را ساده می‌کند، مرحله راه‌اندازی است. در این مرحله، هوش مصنوعی به کمک می‌آید تا سیستم‌های منابع انسانی را تنظیم کرده و یکپارچه کند، به طوری که فرآیند برای کارکنان جدید آسان‌تر و روان‌تر شود.

چت‌ربات‌های هوشمند می‌توانند به طور خودکار به سوالات درباره سیاست‌های شرکت، مزایا، راه‌اندازی فناوری اطلاعات و دیگر مسائل مشابه پاسخ دهند. این کار باعث می‌شود تیم‌های منابع انسانی وقت خود را صرف کارهای اداری تکراری نکنند و بیشتر بر روی تعاملات انسانی و ادغام فرهنگ تمرکز کنند.

سیستم‌های فناوری اطلاعات به‌طور خودکار اطلاعات جمع‌آوری می‌کنند و جزئیات حقوق و دستمزد از پیش بارگذاری می‌شوند. هوش مصنوعی همه این فرایندها را با سرعت بالا مدیریت می‌کند. در نتیجه، کارکنان جدید می‌توانند سریع‌تر وارد کار شوند و با کمترین تأخیر از لحظه پیوستن، بهره‌وری خود را آغاز کنند. این زمان کمتر برای هم افراد و هم سازمان‌ها مفید است.

ملاحظات اخلاقی و حفظ تماس انسانی در فرآیند استخدام

بیایید ملاحظات اخلاقی مربوط به استخدام مبتنی بر هوش مصنوعی را بررسی کنیم:

سیاست های برنامه ریزی در مورد هوش مصنوعی در استخدام

هیچ سازمانی نباید به هوش مصنوعی اجازه دهد که به‌طور کامل فرآیند استخدام را بدون نظارت انسان انجام دهد. رهبران باید سیاست‌های روشنی را ایجاد کنند که تمرکز آن‌ها بر شفافیت، انصاف و مسئولیت‌پذیری باشد تا اطمینان حاصل شود که هوش مصنوعی فقط به‌عنوان ابزاری برای کمک به انسان‌ها استفاده می‌شود و نه جایگزین آن‌ها. توسعه سیاست‌های اخلاقی به همه کمک می‌کند تا درک کنند هوش مصنوعی چگونه در فرآیند استخدام وارد می‌شود.

حذف تعصبات انسانی از سیستم های هوش مصنوعی

اگرچه رایانه‌ها خود تعصب ندارند، اما برنامه‌نویسی انسان‌ها ممکن است تعصباتی را به الگوریتم‌ها منتقل کند. هنگام انتخاب یک پلت‌فرم استخدام هوش مصنوعی، مهم است که بپرسید چه تدابیری برای جلوگیری از سوگیری‌ها در الگوریتم‌ها اتخاذ شده است، مانند استفاده از پروفایل‌های روانشناختی و تجزیه و تحلیل پیش‌بینی برای حذف سوگیری‌های مرتبط با جنسیت، نژاد، سن یا وضعیت اجتماعی-اقتصادی.

به یاد داشته باشید که انسان ها در استخدام هستند

هوش مصنوعی نمی‌تواند جایگزین تخصص‌های کارشناسان منابع انسانی شود. انسان‌ها مفاهیمی مانند صداقت، اخلاق و ارزش‌ها را به شکلی درک می‌کنند که هوش مصنوعی هرگز نمی‌تواند. در فرآیند استخدام، همدلی اهمیت زیادی دارد. علاوه بر این، تنها مصاحبه‌های واقعی می‌توانند مهارت‌های اجتماعی نامزدها را که برای محیط‌های کاری مناسب است، نشان دهند. هوش مصنوعی تنها یک ابزار مفید است و این افراد هستند که باید نامزدها را به عنوان انسان ارزیابی کنند.

هوش مصنوعی با خودکار کردن کارهای روزمره و پیش‌بینی دقیق‌تر، زمان مورد نیاز در تمامی مراحل استخدام را به طور چشمگیری کاهش داده است. با استفاده از تصمیمات مبتنی بر داده‌ها و تعامل شخصی، جذب استعدادهای برتر دیگر کار سخت و زمان‌بری برای شرکت‌های پیشرو نیست. هوش مصنوعی همچنان به بهینه‌سازی این فرآیند ادامه خواهد داد تا در مقابله با کمبود استعدادها در آینده، به کارایی بالاتری دست یابد.

مصرف‌کنندگان بیشتر از گذشته از چت‌بات‌ها و موتورهای جستجوی مجهز به هوش مصنوعی برای یافتن محصولات و خدمات جدید استفاده می‌کنند. برندها، به‌ویژه در صنایعی مانند خودرو، امور مالی، خرده‌فروشی و سفر که به شدت به جستجو برای جذب مشتری متکی هستند، باید از همین حالا خود را برای این تحول آماده کنند.

وقتی مصرف‌کنندگان آنلاین به دنبال محصولات می‌گردند، مدل‌های زبانی پیشرفته (LLM) که پایه هوش مصنوعی مولد هستند، در برخی موارد تجربه بهتری نسبت به موتورهای جستجوی سنتی ارائه می‌دهند.

مدل‌های زبانی پیشرفته (LLM) می‌توانند پلتفرم‌های مختلفی را پشتیبانی کنند، از جمله نوار جستجوی سنتی گوگل، چت‌بات‌هایی مثل ChatGPT، موتورهای جستجوی جدیدی مثل Perplexity، دستیارهای صوتی یا حتی دستگاه‌های پوشیدنی جدید. مهم نیست پلتفرم چه باشد، مشتریان به پاسخ‌های شخصی‌سازی‌شده و توصیه‌های دقیق LLM جذب می‌شوند و از امکان اصلاح نتایج با پرسیدن سوال‌های بعدی لذت خواهند برد.

این مدل‌های زبانی پیشرفته (LLM) برای جستجوهای مربوط به کشف محصول در مراحل اولیه و میانی خرید ایده‌آل هستند، جایی که مشتریان در حال بررسی و محدود کردن گزینه‌های خود هستند (مثلاً «بهترین هدفون‌های حذف نویز کدام هستند»).

سنتی است که سال‌ها در آن تجربه کسب کرده‌اند و ورود به محیطی جدید با قوانین متفاوت تعامل است. در حال حاضر، برندها فرصت‌های زیادی برای دیده شدن توسط مشتریان دارند، چون مشتریان معمولاً جستجوهای متعددی انجام می‌دهند (گاهی طی هفته‌ها، به‌ویژه برای خریدهای بزرگ) تا انتخاب‌های خود را بررسی و محدود کنند.

با LLMها، فرآیند جستجو ساده‌تر می‌شود و مصرف‌کنندگان ممکن است فقط دو یا سه محصول یا برند را در پاسخ به جستجوی خود ببینند. شرکت‌هایی که حجم زیادی از مشتریان دارند (مانند خرده‌فروشی و سرگرمی) یا آنهایی که هزینه زیادی برای جستجو می‌کنند (مانند امور مالی، فناوری، خرده‌فروشی و خودروها) بیشتر تحت تأثیر این تغییرات قرار خواهند گرفت.

بیایید با نگاهی عمیق تر به این موضوع بپردازیم:

هنوز مشخص نیست که چه نوع اکوسیستم تبلیغاتی حول محصولات جستجو با استفاده از مدل‌های زبانی پیشرفته (LLM) شکل خواهد گرفت. در حال حاضر، OpenAI برای دسترسی به پیشرفته‌ترین مدل‌های LLM خود هزینه اشتراک دریافت می‌کند. سام آلتمن، مدیر اجرایی این شرکت، گفته که ترجیح می‌دهد این مدل به یک مدل مبتنی بر تبلیغات تبدیل شود، اما تبلیغات را کاملاً رد نکرده است.

سایر پلتفرم‌های مبتنی بر LLM مدل‌های سنتی کسب درآمد را ارائه می‌دهند. به عنوان مثال، Copilot مایکروسافت پاسخ‌های مبتنی بر GenAI را همراه با تبلیغات نمایشی مشابه جستجوی معمولی نمایش می‌دهد. Perplexity، یک موتور جستجو مبتنی بر LLM که سرمایه‌گذاران آن شامل Nvidia و جف بزوس، بنیان‌گذار آمازون، هستند، به حامیان مالی این امکان را می‌دهد که بر سؤالات پیشنهادی بعدی تأثیر بگذارند.

این تغییر در زمانی رخ می‌دهد که تغییرات قابل توجهی دیگر نیز در کشف محصولات آنلاین اتفاق افتاده است، مثل تبدیل شدن رسانه‌های اجتماعی به موتور جستجوی اصلی برای نسل Z و رشد سریع تبلیغات مستقیم در سایت‌های تجارت الکترونیک. در میان این تغییرات، برندها نمی‌توانند مطمئن باشند که اکوسیستم جستجوی فعلی در آینده همان بازده سرمایه‌گذاری را خواهد داشت.

برای اینکه اطمینان حاصل شود که جریان مشتریان شرکت‌ها قطع نمی‌شود، آن‌ها باید:

محتوای آنلاین خود را برای LLM بهینه‌سازی کنند. وب‌سایت برند (و سایر سایت‌هایی که محصولاتشان را می‌فروشند) باید به گونه‌ای نوشته و قالب‌بندی شود که LLMها بتوانند ویژگی‌های منحصر به فرد، مشخصاتی مثل اندازه و رنگ، و ویژگی‌های کلیدی محصول مثل فهرست مواد تشکیل‌دهنده را شناسایی کنند. این کار به LLM کمک می‌کند تا وقتی سؤالات خاصی مانند «بهترین کفش‌های ورزشی برای تمرینات HIIT» پرسیده می‌شود، بتواند بهترین محصولات را معرفی کند.

یک استراتژی صدور مجوز ایجاد کنید. اکثر سایت‌های مصرف‌کننده حالا اطلاعات محصول خود را با محتوای ارزشمند مرتبط افزایش می‌دهند، مثل مارک‌های ورزشی که توصیه‌های آموزشی و تغذیه‌ای می‌دهند. این نوع محتوا به LLM‌ها کمک می‌کند تا پاسخ‌های بهتری ارائه دهند. سایت‌های مصرف‌کننده همچنین عکس‌های محصول دارند که برای سیستم‌هایی که قادر به پردازش تصاویر هستند، مفید است. صدور مجوز برای این محتوا به ارائه‌دهندگان LLM کمک می‌کند تا جذب شوند و احتمالاً در جستجوهای مصرف‌کننده گنجانده شوند.

با این حال، این موضوع پیچیده است: شرایط هر معامله باید با دقت مذاکره شود تا از تبادل منصفانه ارزش اطمینان حاصل شود. همچنین ممکن است صاحبان مجوز زیادی وجود داشته باشند؛ نه تنها شرکت‌های بزرگ فناوری، بلکه بسیاری از استارت‌آپ‌های جستجو مبتنی بر LLM که برخی از آن‌ها ممکن است به سرعت مورد توجه قرار گیرند.

تست کنید و یاد بگیرید. در دنیای کسب‌وکار که به سرعت در حال تحول به سمت LLM ها است، برندها باید از فرصت‌های جدید بیاموزند تا بتوانند سریع‌تر رشد کنند. برخی از این فرصت‌ها عبارتند از:

• تبلیغات که در حال تغییر و تکامل هستند.
• قرار دادن محصول (مثلاً برخی از LLM ها می‌توانند به ویترین‌های توصیه‌محور تبدیل شوند که با یک کلیک پرداخت می‌کنند).
• انواع جدید فرصت‌های تجاری، مانند محتوای اولویت‌دار و سوالات حمایت‌شده (مثل یک شرکت زیبایی گیاهی که برای پیشنهاد دادن به مشتریانی که به دنبال «بهترین کرم صورت بدون محصولات حیوانی» هستند، هزینه می‌پردازد).

یک طرح B ایجاد کنید. هنوز مشخص نیست که مصرف‌کنندگان با چه سرعتی به استفاده از LLM تغییر خواهند داد. عادت‌های قدیمی باعث می‌شود بسیاری از آن‌ها همچنان از فرمت‌های جستجوی سنتی استفاده کنند و LLM‌ها گاهی با پاسخ‌های نادرست باعث ناامیدی مصرف‌کنندگان می‌شوند. با توجه به تغییرات در کشف محصول آنلاین، شرکت‌ها باید حداقل یک طرح B آماده داشته باشند.

این ممکن است نیاز به تقویت ارتباطات مستقیم با مصرف‌کننده داشته باشد — شاید حتی ایجاد یک LLM در پلتفرم برند خود، مانند یک برند مراقبت از پوست که یک مشاور زیبایی مجازی ارائه می‌دهد. LLM نه تنها باعث فروش می‌شود، بلکه به داده‌های مشتریان برند نیز اضافه می‌کند.

شرکت‌ها باید با توجه به این تغییرات، اثربخشی هزینه‌های جستجوی خود را به دقت پیگیری کنند. اگر جستجو عملکرد ضعیفی داشته باشد، کانال‌های دیگر مانند تلویزیون قابل خرید یا رسانه‌های اجتماعی ممکن است گزینه‌های بهتری به نظر برسند. با این حال، بعید است که این جایگزین‌ها بتوانند به طور کامل کمبود عملکرد جستجو را برای برندهایی که امروز به شدت به آن متکی هستند، جبران کنند.

برندها باید در زمان و مکانی که مصرف‌کنندگان به دنبال خرید هستند، حضور داشته باشند. این یعنی باید محصولات خود را به سرعت در اکوسیستم‌های مختلف LLM قرار دهند.

تصور کنید یک ستاره سینما یا فوتبالیست معروف هستید. احتمالاً یک نماینده و یک دستیار شخصی دارید. دستیار شما کارهایی را که به او می‌سپارید انجام می‌دهد، مثل رزرو شام، گرفتن لباس‌های خشکشویی، مرتب کردن نامه‌های طرفداران، و مدیریت برنامه‌های شما. شما کمک کنند.

نماینده شما نقش متفاوتی دارد. او تمام وقت از مهارت‌هایش برای افزایش فرصت‌ها و درآمد شما استفاده می‌کند. ممکن است به درخواست‌های شما پاسخ دهد، مثلاً اگر بخواهید محصولی را تبلیغ کنید، اما برای کار کردن نیازی به یادآوری ندارد. در واقع، نماینده‌ شما اغلب به روش‌هایی از شما حمایت می‌کند که شاید حتی به ذهنتان هم نرسیده باشد.

تفاوت دستیار هوش مصنوعی و عامل هوش مصنوعی مشابه همان مثال قبل است. دستیارهای هوش مصنوعی فقط به درخواست‌های شما پاسخ می‌دهند، مثل چت‌بات‌ها. اما عوامل هوش مصنوعی مستقل عمل می‌کنند و برای رسیدن به یک هدف مشخص، با استفاده از هر ابزاری که دارند، تلاش می‌کنند.

دستیارها و عوامل با همکاری هم به موفقیت افراد کمک می‌کنند، آن‌ها را به ستاره تبدیل می‌کنند یا جایگاهشان را حفظ می‌کنند. به همین شکل، دستیارهای هوش مصنوعی و عوامل هوش مصنوعی با انجام کارهای ساده یا پیچیده می‌توانند به بهبود عملکرد کارمندان و کسب‌وکارها کمک کنند.

دستیاران هوش مصنوعی:

دستیارهای هوش مصنوعی: آماده انجام دستورات شما هستم

یک دستیار هوش مصنوعی برنامه‌ای هوشمند است که دستورات شما را با زبان طبیعی متوجه می‌شود و از رابط هوش مصنوعی مکالمه ای برای انجام وظایف شما استفاده می‌کند.

دستیارهای هوش مصنوعی محدودیت‌هایی دارند. آن‌ها نمی‌توانند بدون دستورالعمل‌های مشخص اقدام کنند، اما اگر به ابزارهایی مجهز شوند و آموزش ببینند، می‌توانند به طور محدود از آن‌ها استفاده کنند. به طور مثال، یک دستیار می‌تواند از یک صفحه‌گسترده برای ساخت جدول مقایسه «x در مقابل y» استفاده کند.

دستیارها می‌توانند بر اساس نیازهای هر کاربر تنظیم شوند. با این حال، دستیارهای هوش مصنوعی معمولاً حافظه پایدار ندارند. مدل‌های هوش مصنوعی که دستیارها را می‌سازند، از تعاملات قبلی یاد نمی‌گیرند و در طول زمان خودشان بهتر نمی‌شوند. تنها زمانی بهبود می‌یابند که سازنده مدل نسخه جدیدی از آن را منتشر کند.

دستیارهای هوش مصنوعی که از مدل‌های به‌روز استفاده می‌کنند، می‌توانند مکالمات قبلی را در زمینه خود ذخیره کنند. این کار به دستیار این امکان را می‌دهد که آنچه قبلاً گفته شده را به خاطر بسپارد، چه تمام مکالمات و چه بخش‌های خاصی که به آن “حافظه” گفته می‌شود، تا پاسخ‌های بهتری در آینده ارائه دهد.

دستیاران هوش مصنوعی چگونه کار می‌کنند؟

در گذشته، دستیاران هوش مصنوعی بیشتر بر اساس دستورالعمل‌های ثابت و پاسخ‌های از پیش برنامه‌ریزی شده عمل می‌کردند. اما امروز، این دستیاران عمدتاً بر پایه یادگیری ماشین (ML) یا مدل‌های هوش مصنوعی پیشرفته کار می‌کنند که به آن‌ها این امکان را می‌دهد که به طور خودکار یاد بگیرند و به شرایط جدید پاسخ دهند.

دستیارهای هوش مصنوعی با استفاده از مدل‌های پایه ساخته می‌شوند (مثل IBM® Granite™، مدل‌های Meta’s Llama یا مدل‌های OpenAI). مدل‌های زبان بزرگ (LLMs) یک نوع از این مدل‌ها هستند که در پردازش متن تخصص دارند. این مدل‌ها به دستیاران هوش مصنوعی کمک می‌کنند تا سؤالات انسان‌ها را درک کرده و اطلاعات مرتبط، پیشنهادات یا اقدامات بعدی را ارائه دهند. این کار به سازمان‌ها کمک می‌کند تا دسترسی به اطلاعات را آسان‌تر کنند، وظایف تکراری را خودکار سازند و گردش‌های کاری پیچیده را ساده کنند.

ویژگی‌های کلیدی دستیارهای هوش مصنوعی عبارتند از:

• هوش مصنوعی مکالمه‌ای: دستیارهای هوش مصنوعی که بر پایه مدل‌های LLM ساخته شده‌اند، از پردازش زبان طبیعی (NLP) برای برقراری ارتباط با کاربران از طریق رابط چت بات استفاده می‌کنند. نمونه‌هایی از این ربات‌های چت هوش مصنوعی شامل Microsoft Copilot، ChatGPT و IBM Watsonx™ Assistant هستند.

• درخواست‌ها: دستیارهای هوش مصنوعی برای شروع کار به یک مشکل مشخص یا سوال نیاز دارند. همچنین این دستیارها برای انجام وظایف خود به ورودی مداوم از کاربر احتیاج دارند.

• توصیه: یک دستیار هوش مصنوعی می‌تواند بر اساس داده‌هایی که به آن دسترسی دارد، اطلاعات یا اقدامات پیشنهادی ارائه دهد. کاربران باید دقت خروجی‌ها را بررسی کنند.

• تنظیم: کاربران می‌توانند با تنظیم مدل‌های هوش مصنوعی، آن‌ها را برای انجام وظایف خاص‌تر تطبیق دهند، بدون اینکه نیازی به آموزش مجدد مدل باشد. با تنظیم دقیق، کاربران می‌توانند نمونه‌هایی با برچسب برای مدل‌ها فراهم کنند تا آن‌ها را با وظیفه مورد نظر هماهنگ کنند. برای مثال، پزشکان می‌توانند از تنظیم سریع برای دادن کار در یک زمینه خاص به مدل‌ها استفاده کنند.

موارد استفاده دستیار هوش مصنوعی

دستیارهای هوش مصنوعی برای انجام کارهای تکراری، جمع‌آوری اطلاعات خاص، انجام تحلیل‌های ویژه و تهیه پیش‌نویس محتوا بهترین عملکرد را دارند. معمولاً این وظایف در دسته‌های “دستیار”، “استراتژیست” یا “خالق” قرار می‌گیرند.

برای هر یک از این نقش‌ها، دستیارهای هوش مصنوعی به منطق انسان‌ها تکیه می‌کنند و در مورد نحوه انجام وظایف به آن‌ها راهنمایی می‌کنند. موارد رایج استفاده از دستیار هوش مصنوعی عبارتند از:

• خدمات مشتری
• کارهای دیجیتال
• تولید کد
• دستیار مجازی

خدمات مشتری

چت‌بات‌های هوش مصنوعی دستیارهایی هستند که می‌توانند فوراً با مشتریان گفتگو کرده و به سؤالات پشتیبانی پاسخ دهند یا آن‌ها را به یک عامل انسانی ارجاع دهند. این چت‌بات‌ها همچنین در طول سفر مشتری برای تعاملات خدماتی استفاده می‌شوند.

دستیاران هوش مصنوعی همچنین می‌توانند تعاملات گذشته مشتری را خلاصه کنند و سوالات تکراری یا موضوعات رایج را شناسایی کنند. آن‌ها قادرند حجم زیادی از متون را بررسی کرده و تشخیص دهند که آیا مشتریان نظر مثبت یا منفی نسبت به شرکت و محصولات آن دارند.

به عنوان یک دستیار استراتژیک، دستیاران هوش مصنوعی می‌توانند به انسان‌ها در تست فشار محصولات و تعاملات با مشتریان کمک کنند. هوش مصنوعی با استخراج داستان‌های واقعی کاربران، می‌تواند موارد آزمایشی برای محصولات و ویژگی‌ها ایجاد کند. این کار می‌تواند سناریوهای بیشتری نسبت به آزمایش‌های دستی پوشش دهد و مسائل بحرانی و اولویت‌دار را شناسایی کند. همچنین هوش مصنوعی می‌تواند شخصیت‌های مشتری را شبیه‌سازی کرده و به آموزش کارکنان فروش یا خدمات مشتری کمک کند.

کار دیجیتال

دستیارهای هوش مصنوعی در استفاده‌های مولدتر از نیروی کار دیجیتال اهمیت بیشتری پیدا کرده‌اند. یکی از مثال‌های مهم، اتوماسیون فرآیند منابع انسانی (HR) است. دستیارهای هوش مصنوعی می‌توانند به تیم منابع انسانی کمک کنند تا شرح شغل تهیه کنند، رزومه‌های نامزدها را مرتب و سازماندهی کنند و ایمیل‌های ابتدایی برای متقاضیان واجد شرایط بنویسند.

برای یک مدیر قرارداد، دستیار هوش مصنوعی می‌تواند به سازمان‌ها در مدیریت فروشندگان و پیگیری قراردادها، فاکتورها و رسیدها کمک کند. این دستیارها می‌توانند اطلاعات موجود در اسناد و گزارش‌های مختلف از جمله قراردادها، ادعاهای بیمه، پشتیبانی خدمات، گزارش‌های مالی و چکیده‌های پزشکی را خلاصه کنند.

تولید کد

به عنوان یک خالق، دستیاران هوش مصنوعی می‌توانند به نوشتن کد بر اساس توضیحاتی که به صورت متنی داده می‌شود کمک کنند. این کار می‌تواند بهره‌وری توسعه‌دهندگان را افزایش دهد و به توسعه‌دهندگان با هر سطح مهارتی این امکان را می‌دهد که در کدنویسی مشارکت کنند.

دستیاران هوش مصنوعی ممکن است پیشنهادهایی برای بهبود کد بر اساس بهترین روش‌های علوم کامپیوتر بدهند. معمولاً برای اطمینان از ایمنی کد تولید شده توسط هوش مصنوعی، نیاز به نظارت انسانی وجود دارد.

دستیار مجازی

دستیارهای هوش مصنوعی گاهی به نام دستیاران مجازی شناخته می‌شوند زیرا بسیاری از افراد این نوع خاص از دستیارها را می‌شناسند. سیری اپل و الکسای آمازون نمونه‌هایی از دستیاران مجازی اولیه هستند که از طریق پلتفرم‌های پیام‌رسان قابل دسترسی هستند. این دستیارها می‌توانند کارهای از پیش تعیین شده، مانند دریافت اطلاعات آب و هوا یا تنظیم تایمر، را انجام دهند. هوش مصنوعی مولد، مانند ChatGPT، می‌تواند این دستیارها را قدرتمندتر کند. به عنوان مثال، اپل تصمیم گرفته است تا ChatGPT را در سیری ادغام کند.

عوامل هوش مصنوعی: ابتکار عمل

به نقل از الویس پریسلی، “لطفا کمی مکالمه کمتر، کمی اقدام بیشتر.” اینجا است که عوامل هوش مصنوعی وارد می‌شوند.

عامل هوش مصنوعی به سیستم یا برنامه ای اطلاق می شود که می تواند به طور مستقل وظایف خود را از طرف کاربران یا سیستم دیگری با طراحی گردش کار خود و با استفاده از ابزارهای موجود انجام دهد.

نحوه کار عوامل هوش مصنوعی

برخلاف دستیاران هوش مصنوعی که به ورودی مداوم کاربران نیاز دارند، عوامل هوش مصنوعی پس از درخواست اولیه، برای ادامه کار نیازی به درخواست دوباره ندارند. آنها می‌توانند استراتژی‌هایی داشته باشند، هدفی را تعیین یا ارزیابی کنند، وظایف را به بخش‌های کوچکتر تقسیم کنند و فرآیندهایی را برای رسیدن به هدف خاص خود طراحی کنند.

ویژگی‌های کلیدی عوامل هوش مصنوعی:

• استقلال چند جزئی: پس از دریافت یک درخواست اولیه، عوامل هوش مصنوعی دیگر نیازی به دستورات اضافی ندارند. یکی از تفاوت‌های اصلی بین دستیارها و عوامل هوش مصنوعی این است که عوامل می‌توانند از داده‌ها و ابزارهای خارجی برای استدلال، تصمیم‌گیری و حل مسائل استفاده کنند. در حالی که دستیارها ممکن است از طریق یکپارچه‌سازی به برنامه‌های خارجی دسترسی داشته باشند، این کار معمولاً به‌عنوان یک پیشنهاد ارائه می‌شود و کاربر باید خود آن را اجرا کند. یکی از ویژگی‌های مهم عوامل هوش مصنوعی این است که طراحی آن‌ها به آن‌ها این امکان را می‌دهد که از حالت چت خارج شوند. این ویژگی به عوامل اجازه می‌دهد که مستقلانه فکر کنند، استدلال کنند و تصمیم‌گیری کنند. مدل‌های جدیدتر این قابلیت‌ها را بهبود داده‌اند تا از این نوع استدلال حمایت کنند.

• تصمیم‌گیری و اقدام: توانایی استفاده از ابزارها به‌تنهایی یک مدل زبان بزرگ (LLM) را به نماینده تبدیل نمی‌کند. عوامل هوش مصنوعی همچنین می‌توانند به طور مستقل عمل کنند و تصمیم بگیرند که کدام ابزار را باید استفاده کنند. این عوامل می‌توانند فراتر از چت رفته و وظایف را بر اساس یک هدف مشخص انجام دهند. آن‌ها می‌توانند به‌طور مستقل مشکل را تجزیه و تحلیل کرده و آن را به وظایف کوچک‌تر تقسیم کنند. این به آن‌ها امکان می‌دهد بدون نیاز به دستورات مشخص، خودشان برنامه‌ریزی کنند. به این معنی که می‌توانند مسائل پیچیده‌تر و مبهم‌تری را حل کنند. برای انجام وظایف، این عوامل می‌توانند از ابزارهای خارجی استفاده کنند یا در صورت نیاز کنترل رابط‌های کاربری را به دست گیرند، درست مثل آن‌طور که انسان‌ها می‌توانند این کار را انجام دهند. نمونه‌ای از این قابلیت استفاده از رایانه برای سیستم Anthropic’s Claude است.

• حافظه پایدار و بهبود مستمر: بر خلاف دستیارهای هوش مصنوعی، عوامل هوش مصنوعی ظرفیت بیشتری برای یادگیری دارند. این عوامل تجربیات، مکالمات و اقدامات قبلی را ذخیره کرده و از آن‌ها یاد می‌گیرند. عوامل هوش مصنوعی حافظه‌ای پایدار دارند که به آن‌ها این امکان را می‌دهد تا با یادگیری از گذشته، پاسخ‌های بهتری در آینده بدهند. علاوه بر این، چون می‌توان آن‌ها را به برنامه‌ها و ابزارهای خارجی متصل کرد، می‌توانند بر اساس جدیدترین اطلاعات عمل کنند، نه فقط داده‌های آموزشی مدل خود. این عوامل می‌توانند از سایر عوامل هوش مصنوعی یا انسان‌ها بازخورد بگیرند و رفتار خود را بر اساس نتایج تغییر دهند.

• بازی تیمی: عوامل هوش مصنوعی معمولاً در انجام وظایف خاص خود خوب عمل می‌کنند. برای مثال، یک نوع عامل هوش مصنوعی ممکن است در بررسی اطلاعات دقیق باشد، در حالی که دیگری ممکن است در تحقیق قوی باشد. این عوامل می‌توانند با سایر عوامل یا دستیارهای هوش مصنوعی ترکیب شوند تا وظایف را با هم انجام دهند. هر عامل هوش مصنوعی در کارهای خاص ماهر است و می‌تواند تیم‌هایی تشکیل دهد تا وظایف پیچیده‌تر را انجام دهند. امروزه، IBM از عواملی که در LangChain نوشته شده‌اند پشتیبانی می‌کند و LlamaIndex نیز به زودی عرضه خواهد شد. چارچوب IBM به کاربران این امکان را می‌دهد که بدون نیاز به کدنویسی پیچیده، عوامل هوش مصنوعی را در محیطی ساده و کم‌کد ایجاد و ویرایش کنند.

موارد استفاده عامل هوش مصنوعی

به دلیل توانایی عوامل هوش مصنوعی در استراتژی، عملکرد مستقل و یادگیری بهتر، آن‌ها می‌توانند به خوبی در نقش‌هایی که نیاز به استدلال و پشتیبانی سطح بالا دارند، عمل کنند. این نقش‌ها شامل «محقق»، «ویراستار» و «برنامه‌ریز» هستند.

به عنوان یک محقق، عوامل هوش مصنوعی می‌توانند اطلاعات را از وب‌سایت‌ها یا پایگاه‌های داده جمع‌آوری کرده و آن‌ها را خلاصه کرده، بینش‌هایی ارائه دهند یا واقعیت‌ها را بررسی کنند. برای پشتیبانی از تحریریه، این عوامل می‌توانند انواع مختلف محتوا را در فرمت‌های مختلف تولید کنند. به عنوان یک برنامه‌ریز، عوامل هوش مصنوعی تصمیم می‌گیرند کدام اقدامات به آن‌ها کمک می‌کند تا هدف خاصی را محقق کنند و از دستورالعمل‌ها و بازخوردهای داخلی برای بررسی شرایط فعلی در دنیای بیرونی استفاده می‌کنند تا بهترین راه برای انجام اقدامات خود را شناسایی کنند.

موارد استفاده رایج برای عوامل هوش مصنوعی شامل موارد زیر است: عبارتند از:

•  
• تولید محتوا
• معاملات خودکار
• نظارت بر شبکه
• اتوماسیون خانه هوشمند
• ناوبری مستقل

تولید محتوا

عوامل هوش مصنوعی می‌توانند از توانایی‌های خود برای کمک به ایجاد محتوای بازاریابی و مطالب برای پلتفرم‌های مختلف استفاده کنند. سپس این عوامل می‌توانند کانال‌های توزیع مناسب را پیشنهاد دهند یا بر اساس داده‌های جدید مشتری، محتوا را شخصی‌سازی کنند.

عوامل هوش مصنوعی می‌توانند متن‌های ساده مانند مکالمات چت یا محتوای استخراج شده از وب‌سایت‌ها را به اسناد قالب‌بندی‌شده مثل Word یا پاورپوینت تبدیل کنند. همچنین، این عوامل می‌توانند از برنامه‌هایی مثل Adobe Firefly برای تولید تصاویر از متون استفاده کنند تا دارایی‌های بصری سریعی را برای اضافه کردن به مقالات یا ارائه‌ها به کاربران ارائه دهند.

معاملات خودکار

در امور مالی، عوامل هوش مصنوعی برای انجام معاملات الگوریتمی مورد استفاده قرار می‌گیرند. سپس این عوامل می‌توانند معاملات را بر اساس تحلیل‌هایی که انجام داده‌اند، به طور خودکار انجام دهند.

این یکی از مواردی است که نشان می‌دهد عامل هوش مصنوعی می‌تواند بیشتر از تصمیم‌گیری انسان به تنهایی مفید باشد. عامل هوش مصنوعی می‌تواند کاری را انجام دهد که انسان نمی‌تواند؛ یعنی تمام اطلاعات موجود را ارزیابی کرده و در یک ثانیه تصمیم هوشمندانه و بهینه‌ای می‌گیرد.

نظارت بر شبکه

از آنجایی که می‌توان از آن‌ها در کنار نرم‌افزارها و سیستم‌های دیگر استفاده کرد، عوامل هوش مصنوعی ابزارهای مؤثری برای نظارت بر شبکه هستند. این عوامل به طور مداوم نظارت می‌کنند، تهدیدها را شناسایی کرده و به بهینه بودن عملکرد کمک می‌کنند، همچنین مشکلات را در زمان واقعی شناسایی می‌کنند.

زمانی که عوامل هوش مصنوعی با زیرساخت شبکه ترکیب می‌شوند، می‌توانند از الگوریتم‌های یادگیری ماشین برای تنظیم استانداردها، شناسایی تغییرات و ارسال هشدار به تیم‌های فناوری اطلاعات استفاده کنند. این عوامل حتی می‌توانند با خودکارسازی کارهای روزمره و افزایش سرعت پاسخ، به تیم فناوری اطلاعات در حل مشکلات کمک کنند. همچنین، چون این عوامل به مرور زمان یاد می‌گیرند، توانایی‌های نظارت و تشخیص‌شان بهبود می‌یابد.

اتوماسیون خانه هوشمند

یک نوع عامل هوش مصنوعی به نام “عامل بازتابی ساده” می‌تواند کارهای تکراری را بر اساس یک قانون از پیش تعیین‌شده انجام دهد. این عوامل می‌توانند به طور خودکار چراغ‌ها را روشن یا خاموش کنند یا ترموستات‌ها را بر اساس عواملی مثل دمای داخل خانه و زمان غروب تنظیم کنند.

ناوبری مستقل

خودروهای خودران و سایر وسایل نقلیه که از فناوری هوش مصنوعی استفاده می‌کنند، می‌توانند از عوامل هوش مصنوعی در سیستم‌های ناوبری خود بهره ببرند. این عوامل شرایطی مانند وضعیت آب و هوا، بسته بودن جاده‌ها و بهره‌وری سوخت را بررسی کرده و بر اساس اطلاعاتی که به دست آورده‌اند، بهترین مسیر را انتخاب می‌کنند.

مزایای عوامل هوش مصنوعی و دستیاران هوش مصنوعی

ابزارهای هوش مصنوعی و هوش مصنوعی مولد می‌توانند گردش کار را بهینه کنند، کارهای تکراری را سریع‌تر انجام دهند، بهره‌وری را افزایش دهند و به انسان‌ها در حل مشکلات کمک کنند. همچنین، هم عوامل هوش مصنوعی و هم دستیاران هوش مصنوعی می‌توانند تجربه کاربری را بهبود بخشند.

دستیارهای هوش مصنوعی به کاربران پشتیبانی تعاملی، انعطاف‌پذیری برای انجام انواع مختلف وظایف و سوالات، و توانایی یادگیری یا تطبیق بر اساس بازخورد و تاریخچه مکالمه می‌دهند.

عوامل هوش مصنوعی توانایی انجام عملیات به صورت مستقل، تمرکز بر تخصص خاص و مقیاس‌پذیری را دارند. این عوامل می‌توانند چندین کار را به طور همزمان و بدون نیاز به دخالت انسان انجام دهند.

همکاری موثر بین عوامل هوش مصنوعی و دستیاران هوش مصنوعی پتانسیل زیادی دارد. رمز موفقیت در همکاری آن‌ها در نقاط قوت مکمل آنها نهفته: عوامل می‌توانند وظایف خاص یا پیچیده را به طور مستقل انجام دهند، در حالی که دستیاران می‌توانند با کاربران به صورت طبیعی تعامل کنند. این ترکیب می‌تواند راه‌حل‌های هوش مصنوعی قوی‌تر و کاربرپسندتری نسبت به هرکدام به تنهایی ارائه دهد.

عوامل و دستیاران می‌توانند توانایی‌های یکدیگر را تقویت کرده و مدیریت وظایف را بهبود دهند. به عنوان مثال، عوامل می‌توانند نیازهای کاربران را تشخیص داده و وظایف خاصی را به دستیاران بسپارند. دستیاران نیز می‌توانند داده‌ها و به‌روزرسانی‌ها را از عوامل دریافت کرده و خروجی‌های بصری ایجاد کنند.

هم عوامل هوش مصنوعی و هم دستیاران هوش مصنوعی از یادگیری ماشین و پردازش زبان طبیعی (NLP) برای ارتباط با کاربران و تحلیل داده‌ها استفاده می‌کنند. پیشرفت در مدل‌های هوش مصنوعی، الگوریتم‌ها و NLP می‌تواند عملکرد این سیستم‌ها را بهبود بخشد.

با افزایش دانش این مدل‌های هوش مصنوعی، امکان ادغام‌های بیشتر فراهم می‌شود. آن‌ها ممکن است قادر به انجام انتقال‌های پیچیده‌تر بین بخش‌های مختلف مکالمه و به صورت مستقل عمل کنند. این موضوع به نوبه خود باعث می‌شود که پاسخ‌های با کیفیت بالاتر در زمان کمتری ارائه شود.

خطرات عوامل هوش مصنوعی و دستیاران هوش مصنوعی

فناوری‌های مبتنی بر هوش مصنوعی خطرات و محدودیت‌هایی دارند که باید به آن‌ها توجه شود. مدل‌های زبان بزرگ (LLM) شکننده هستند، به این معنا که حتی کوچکترین تغییرات می‌توانند باعث ایجاد ساختارهای نادرست، بار اشتباه یا توهم شوند. این بدین معناست که عوامل و دستیاران هوش مصنوعی ممکن است در صورت بروز مشکلاتی مانند توهم یا خرابی در مدل‌های پایه، عملکرد درستی نداشته باشند.

برای عوامل هوش مصنوعی، هنوز در مراحل اولیه هستند. اگر آنها در ایجاد برنامه‌های جامع دچار مشکل شوند یا نتوانند نتایج خود را به درستی منعکس کنند، ممکن است در حلقه‌های بازخورد بی‌پایان گیر کنند. چون این عوامل محیط‌ها و ابزارهای خارجی را در نظر می‌گیرند، باید با تغییرات این ابزارها سازگار شوند. به مرور زمان، این تغییرات ممکن است باعث اختلال در عملکرد عوامل هوش مصنوعی شود. از طرف دیگر، دستیارهای هوش مصنوعی معمولاً مشکلی ندارند چون از ابزارهای خارجی استفاده نمی‌کنند.

برای انجام کارهای پیچیده‌تر، عوامل هوش مصنوعی نیاز به آموزش زیادی دارند و ممکن است زمان زیادی طول بکشد تا این آموزش‌ها کامل شوند. علاوه بر این، آن‌ها معمولاً از نظر محاسباتی هزینه‌بر هستند.

مدل‌های پایه امروزی هنوز به اندازه کافی هوشمند نیستند که بتوانند به طور قابل اعتماد به عنوان عامل عمل کنند، اما پیشرفت‌ها در استدلال مدل وضعیت را بهبود می‌دهند. بنابراین، ما هنوز در مراحل اولیه درک و دیدن توانایی‌های عوامل هوش مصنوعی هستیم. آینده هوش مصنوعی ممکن است شاهد گسترش کاربردهای خود هدایت‌شونده این فناوری باشد، اما در حال حاضر، مداخله انسانی برای ارائه راهنمایی یا تغییر مسیر هنوز ضروری است.