آنچه برای انتقال هوش مصنوعی سازمانی به فراتر از ربات چت نیاز است

در حال حاضر، اکثر مدیران شرکت‌ها ادعاهای عمومی زیادی شنیده‌اند که هوش مصنوعی روش انجام کار را تغییر خواهد داد. اما در بسیاری از موارد، سرمایه‌گذاری‌های اولیه هوش مصنوعی آن‌ها سطح تحولی را که وعده داده بودند، ارائه نکرده است.

یک LLM می تواند اطلاعات را خلاصه کند، به سؤالات پاسخ دهد و مراحل بعدی را پیشنهاد دهد. اما به خودی خود نمی تواند روی این اطلاعات اقدامی انجام دهد. در واقع، بدون اتصال به سیستم‌های تجاری کلیدی، یک LLM اساسا یک ربات چت با سبک نوشتاری صیقلی است.

یک تیم مالی را در نظر بگیرید که فاکتورها را پردازش می کند. یک LLM جدا شده ممکن است به طور دقیق یک فاکتور تامین کننده را خلاصه کند. اما نمی‌تواند فاکتور را با یک PO مطابقت دهد، تعیین کند که آیا پرداخت شده است یا خیر، یا ببیند آیا در حساب GL صحیح کدگذاری شده است. برای اتخاذ این تصمیمات به اطلاعات بیشتری نیاز دارد و این اطلاعات خارج از ابزار هوش مصنوعی وجود دارد.

برای اینکه هوش مصنوعی نقش فعالی در فرآیندهای کسب و کار داشته باشد، نیاز به دسترسی به سیستم هایی دارد که در آن زمینه زندگی می کند. پروتکل بافت مدل (MCP) می تواند زیرساختی را برای اتصالات امن فراهم کند. این تغییر در حال حاضر در حساب های پرداختنی شکل گرفته است.

آنچه که MCP در واقع تغییر می کند

تأثیر یک LLM به آنچه که به آن دسترسی دارد بستگی دارد. اگر اطلاعاتی که برای تصمیم گیری قابل اعتماد نیاز دارد در یک ERP، پایگاه داده فروشنده یا سایر سیستم های تجاری زندگی می کند، مدل به راهی برای دسترسی به آن نیاز دارد.

اتصال هوش مصنوعی به زمینه کسب و کار همیشه ساده نبوده است. برنامه‌های مختلف ممکن است نیاز به یکپارچه‌سازی‌های متفاوتی برای سیستم‌های مشابه داشته باشند، که به سرعت پیچیده‌تر می‌شود زیرا کسب‌وکارها ابزارهای هوش مصنوعی بیشتری را اضافه می‌کنند.

پروتکل زمینه مدل یک راه استاندارد برای برنامه های کاربردی هوش مصنوعی برای اتصال با سیستم های خارجی و منابع داده ارائه می دهد. هنگامی که هوش مصنوعی نیاز به دسترسی به یک منبع جدید دارد، توسعه دهندگان می توانند به جای ایجاد یک اتصال سفارشی برای هر برنامه و سیستم، از MCP استفاده کنند.

MCP کاری را که هوش مصنوعی می تواند انجام دهد را تغییر می دهد. با ارتباطات مناسب، عوامل هوش مصنوعی می‌توانند داده‌های مرتبط را جمع‌آوری کنند، از آن اطلاعات برای تصمیم‌گیری استفاده کنند و در محدوده‌های تعریف‌شده توسط کسب‌وکار اقدام کنند. MCP می تواند اتصالات دو طرفه را تسهیل کند، بنابراین هوش مصنوعی همچنین می تواند اطلاعات را به سیستم های اصلی تجاری ارسال کند. به عنوان مثال، یک عامل هوش مصنوعی ممکن است یک رکورد را به روز کند، چیزی را برای تایید مسیریابی کند یا مرحله دیگری را در یک فرآیند راه اندازی کند.

در حالی که MCP زیرساخت اتصال هوش مصنوعی به سیستم‌های تجاری را فراهم می‌کند، به این معنی نیست که باید به طور ناگهانی به عوامل اختیار داده شود. سطح استقلالی که عوامل هوش مصنوعی امروزه می توانند به طور معقولی از عهده آن برآیند، هنوز به طور قابل توجهی بسته به کار و اجرا متفاوت است. همانطور که منگ لیو، تحلیلگر اصلی Forrester اخیرا گفت: "برندسازی نمایندگی گسترده است، اما استقلال واقعی اینگونه نیست."

با این اوصاف، عوامل هوش مصنوعی برای ایفای نقش فعال‌تر در فرآیندهای تجاری، نیازی به استقلال کامل ندارند. حساب‌های پرداختنی نمونه‌ای مفید از این است که هوش مصنوعی متصل در عمل چگونه به نظر می‌رسد و چگونه می‌تواند بر تجارت تأثیر بگذارد، حتی بدون استقلال کامل.

AP نشان می دهد که هوش مصنوعی متصل چه کاری می تواند انجام دهد

کسب‌وکار باید تأیید کند که قیمت‌های اقلام با آنچه در قرارداد توافق کرده‌اند مطابقت دارد، محصولات تحویل داده شده‌اند، فاکتور قبلا پرداخت نشده است، و هر کالای خطی در حساب درست کدگذاری شده است. اگر این بررسی‌ها اتفاق نیفتد، فرصت‌های بیشتری برای خطاها و ضررهای قابل اجتناب وجود دارد.

به طور سنتی، آن چک ها به افراد بستگی داشت. حتی امروزه که اتوماسیون گسترده است، یک استثنا اغلب در صف قرار می گیرد و یک کارمند AP باید سفارشات خرید، دریافت سوابق، قراردادها و فاکتورهای گذشته را بررسی کند تا همه چیز را مرتب کند.

این کار دستی هزینه دارد. با توجه به Ardent Partners' State of ePayables 2025، میانگین هزینه پردازش یک فاکتور 9.84 دلار است، در حالی که برای بهترین سازمان‌های در کلاس 2.65 دلار است.

اما در نظر بگیرید که اگر یک عامل هوش مصنوعی به همان منابع داده ای که کارمند AP دسترسی دارد، دسترسی داشته باشد، چگونه می تواند تغییر کند. فرض کنید یک رستوران برای 20 عدد مرغ فاکتوری به قیمت 42 دلار در هر مورد دریافت می کند. عامل هوش مصنوعی می تواند فاکتور را با سوابق سفارش خرید و دریافت مقایسه کند و تشخیص دهد که تنها 18 مورد تحویل داده شده است. همچنین می توان دریافت که هزینه فاکتور برای هر مورد 5 دلار بیشتر از قیمت قرارداد توافق شده است.

هنگامی که اعداد با هم مطابقت ندارند، فاکتور به طور خودکار در صف استثنا قرار نمی گیرد زیرا عامل هوش مصنوعی زمینه را برای بررسی بیشتر و اقدام دارد.

بسته به یافته‌های نماینده و سیاست‌ها و نرده‌های محافظ کسب‌وکار، می‌تواند از فروشنده درخواست اعتبار کند، مغایرت را با مراحل بعدی توصیه‌شده و شواهد پشتیبان به کارمند مربوطه هدایت کند، یا در صورت بررسی همه چیز، فاکتور را برای پرداخت پاک کند.

این مفهوم مشابه را می توان برای مجموعه کاملی از تصمیمات AP دیگر اعمال کرد. برای مثال، یک نماینده با دسترسی به داده‌های سابقه فروشنده می‌تواند یک فاکتور تکراری احتمالی را قبل از پایان پرداخت شناسایی کند. یکی که به دفتر کل و کدگذاری تاریخی متصل است می تواند کدهای GL مناسب را برای یک فاکتور جدید تعیین کند. سومی که به تاریخچه تأیید و خط‌مشی‌های شرکت دسترسی دارد، می‌تواند تعیین کند که چه کسی باید فاکتور بعدی را تأیید کند.

در هر سناریو، توانایی عامل برای تصمیم گیری و عمل بستگی به این دارد که آیا بتواند به اطلاعات صحیح دسترسی داشته باشد یا خیر. در AP، یک راه آسان برای تشخیص اینکه آیا آن تصمیمات واقعا کار می کنند وجود دارد.

AP آزمون خوبی برای استقلال هوش مصنوعی است

پردازش بدون لمس هدف پیاده سازی هوش مصنوعی در AP است. این زمانی است که یک فاکتور ضبط، تأیید، کدگذاری، تأیید و پرداخت می‌شود، بدون اینکه شخصی وارد شود. اگر یک عامل هوش مصنوعی تمام این مراحل را به تنهایی انجام دهد، فاکتور بدون لمس پردازش می‌شود. اگر فردی مجبور بود در مقطعی وارد عمل شود، اینطور نبود. هیچ در این بین وجود ندارد

این صراحت، AP را به مکانی عالی برای اثبات هوش مصنوعی متصل تبدیل می کند. چیز مشخصی برای اندازه گیری وجود دارد و اشتباهات می توانند عواقب واقعی داشته باشند. اگر یک فاکتور توسط عوامل هوش مصنوعی به درستی پردازش نشود، می‌تواند منجر به مشکلاتی مانند بازکاری دستی، پرداخت اضافی، تخفیف‌های از دست رفته و سوابق حسابداری نادرست شود.

در سایر زمینه های کسب و کار، سنجش موفقیت هوش مصنوعی دشوارتر است. به عنوان مثال، یک ربات چت می‌تواند با جمع‌بندی اطلاعات و تهیه پیش‌نویس ایمیل‌ها در زمان کارمند صرفه‌جویی کند. اما اندازه‌گیری این تأثیر دشوار است و همیشه معیار روشنی وجود ندارد که آیا هوش مصنوعی کار خود را با موفقیت انجام داده است یا خیر.

AP این معیار را به کسب و کارها می دهد. از آنجایی که رهبران در نظر می گیرند که عوامل هوش مصنوعی می توانند مسئولیت بیشتری را در سراسر سازمان به عهده بگیرند، AP مکان مفیدی برای دیدن اینکه استقلال واقعا چگونه به نظر می رسد است.

فراتر از برچسب "AI-powered" نگاه کنید

امروزه، تعداد زیادی از فروشندگان فناوری سازمانی عبارت «با استفاده از هوش مصنوعی» را مطرح می‌کنند. پیش از انجام هر گونه سرمایه گذاری در فناوری، رهبران کسب و کار باید سؤالات درستی را بپرسند تا بفهمند این در عمل به چه معناست.

تفاوت زیادی بین افزودن یک ربات چت به یک پلتفرم موجود و اتصال ایمن هوش مصنوعی به زمینه ای که برای تصمیم گیری و ایفای نقش فعال در فرآیندهای تجاری به آن نیاز دارد، وجود دارد. MCP می تواند به رفع این شکاف کمک کند و شرکت ها را به وعده های تحول کسب و کار نزدیک تر کند.

ما بهترین سازنده وب سایت هوش مصنوعی را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit