انتخاب موارد استفاده اشتباه از هوش مصنوعی عاملی را متوقف کنید

آبراهام مزلو روانشناس زمانی هشدار داد: "اگر تنها ابزاری که در اختیار دارید چکش است، وسوسه انگیز است که با همه چیز طوری رفتار کنید که انگار یک میخ است." هوش مصنوعی عاملی در حال تبدیل شدن به نسخه سازمانی آن چکش است.

وقتی مردم بفهمند که هوش مصنوعی چه کاری می تواند انجام دهد، لیست موارد استفاده احتمالی به سرعت رشد می کند.

در حالی که این شور و شوق باید مورد تحسین قرار گیرد، می‌تواند به استراتژی‌هایی منجر شود که به جلو می‌آیند: «اگر هوش مصنوعی پاسخگوست، سؤال چیست؟» در زمان بررسی نتایج و اینکه آیا سرمایه گذاری در هوش مصنوعی مثمر ثمر بوده است، تشخیص اینکه چه چیزی به دست آمده و چرا دستیابی به آن در وهله اول مهم بوده است دشوار است.

با مقدار شروع کنید نه با عامل

در عجله‌ای که به دنبال ChatGPT رخ داد، بسیاری از سازمان‌ها ابزارهای هوش مصنوعی را بدون هیچ ارزش یا هدف نهایی برای نیروی کار خود به کار گرفتند. مردم تقریبا بلافاصله شروع به کار متفاوتی کردند، اما بدون هیچ خط پایه، هیچ راهی برای دانستن اینکه چه چیزی واقعا بهبود یافته بود وجود نداشت. چه کسی می‌داند نوشتن یک ایمیل منسجم چقدر طول می‌کشد و چه کسی می‌داند با بازنویسی ChatGPT آن را برای شما در چه زمانی صرفه‌جویی می‌کند!

این همان چیزی است که مک کینزی آن را "پارادوکس هوش مصنوعی نسل" می نامد. نظرسنجی آن در سال 2025 نشان داد که تنها 39 درصد از سازمان‌ها هرگونه تأثیر مالی در سطح شرکت را از سرمایه‌گذاری هوش مصنوعی خود گزارش کرده‌اند، علی‌رغم پذیرش انبوه.

سازمان ها باید در مورد آنچه می خواهند اندازه گیری کنند دقیق باشند. سه لایه برای این وجود دارد و بیشتر آنها فقط لایه اول را می گیرند. پذیرش: آیا مردم از آن استفاده می کنند؟

رفتار: آیا افراد وظایف خود را متفاوت انجام می دهند؟

نتیجه: درآمد به ازای هر فروشنده، بلیط بسته به هر مهندس، زمان چرخه در دروازه بازبینی. پذیرش و نتیجه با هم همبستگی را نشان می دهند. به عنوان مثال، افرادی که از هوش مصنوعی استفاده می کنند، فروش بیشتری دارند. اما این لایه رفتاری در وسط است که اغلب از دست می‌رود، این همبستگی را به علت تبدیل می‌کند، یعنی آنها بیشتر می‌فروشند زیرا اکنون می‌توانند از هوش مصنوعی برای پر کردن گزارش‌های مشتری بیشتر استفاده کنند و زمان بیشتری برای دسترسی به تلفن‌ها باقی بگذارند.

گردش کار خود را بشناسید

اگر سازمان‌ها نتوانند ببینند کار واقعا چگونه انجام می‌شود، دو اتفاق می‌افتد. خط پایه فرآیند اشتباه را اندازه‌گیری می‌کند، هر گونه بهبود ادعایی را بی‌معنی می‌کند و عاملی با توجه به مراحل اشتباه نمی‌تواند کار را کامل کند.

یک فرآیند تدارکات در Atos مانند یک گردش کار چهار مرحله‌ای روی کاغذ به نظر می‌رسید، اما وقتی با دقت نگاه کردیم و از کسانی که آن را انجام می‌دادند پرسیدیم، به 10 رسید.

یک خط پایه در چهار مرحله می‌تواند فرآیند اشتباه را اندازه‌گیری کند و یک نماینده با چهار مرحله نمی‌تواند کاری را که ده مرحله طول می‌کشد تکمیل کند.

هر مشکلی به یک نماینده نیاز ندارد

درک گردش کار همچنین نشان می دهد که آیا هوش مصنوعی عامل اصلا فناوری مناسبی است یا خیر. اگر وظایف از قوانین ثابت پیروی می کنند "اگر این اتفاق افتاد، آن را انجام دهید" پاسخ ممکن است اتوماسیون فرآیند رباتیک (RPA)، اتوماسیون گردش کار یا تغییر فرآیند باشد.

هوش مصنوعی عاملی برای گردش‌های کاری مناسب‌تر است که در آن سیستم نیاز به تفسیر زمینه، هماهنگی بین ابزارها، ارائه توصیه‌ها یا عمل در محدوده‌های تعریف‌شده دارد. حتی در این صورت، به معیاری واضح از موفقیت و یک مورد تجاری معتبر نیاز دارد. اقتصاد استفاده از هوش مصنوعی Agentic هنوز در مراحل اولیه است، اما این به عنوان یک فیلتر طبیعی تنها برای با ارزش ترین موارد عمل می کند.

قبل از ساختن ارزش را ثابت کنید

ارزش جایی است که کار سخت یک پرونده تجاری واضح وارد می شود. اثبات ارزش Agentifying یک فرآیند قبل از نوشتن هر کدی.

این نیاز به دسترسی به مجموعه داده های خوب دارد. شواهدی در مورد هزینه و ارزش تجاری قبل از معرفی Agentic AI قبل از تعهد بودجه مورد نیاز است. در جایی که مزایا قابل اندازه‌گیری هستند و داده‌های باز کافی وجود دارد، می‌توان در یک هفته چیزی واقعی ساخت. در جایی که داده ها هنوز نیاز به کار دارند، همیشه ارزش دارد که قبل از تلاش برای توجیه یک مورد تجاری، داده هایی را که در اختیار دارید، اصلاح کنید.

کار مدیریت شده از قبل باعث صرفه جویی در هزینه و زمان می شود و شواهدی از ارزش به شما می دهد.

یک نمونه کار بسازید، نه یک صف

هنگامی که فهرست کوتاهی از موارد استفاده وجود دارد، سازمان ها می توانند در برابر تأثیر مالی، امکان سنجی، تأثیر فرآیند، الزامات فناوری، تأثیر انسانی و ریسک اولویت بندی کنند. امتیاز دهی در چندین فاکتور به جای رتبه بندی بر اساس ROI به تنهایی، یک نمونه کار به جای صف ایجاد می کند. یک مورد استفاده کم‌ارزش با تأثیر سریع ممکن است ارزش اولیه خود را ثابت کند و برای عوامل بعدی اعتبار ایجاد کند. یک مورد استفاده با ارزش با یک باند دو ساله ممکن است نیاز به صبر داشته باشد.

بودجه برای وام مسکن جدید

حتی زمانی که مورد مناسب انتخاب شد، بسیاری از سازمان‌ها همچنان در تلاش هستند که تأثیر خود را ببینند، زیرا آنها بر روی ساخت تمرکز می‌کنند، سپس کار مورد نیاز برای ایجاد تغییر را کم منابع می‌کنند.

گارتنر این را "وام مسکن انتقالی" می نامد، که در آن پذیرش هوش مصنوعی به حمایت بیشتری نسبت به فناوری سنتی نیاز دارد، که اغلب به 25٪ تلاش بیشتر آموزشی و تا 200٪ مدیریت تغییر اضافی نیاز دارد.

در سازمان خودمان، ما در ساختن ابزارهای مستقل در مناطق و تیم‌های مختلف برای حل یک مشکل تجاری مقصر بودیم. ما اکنون نظارت واضح تری بر موارد استفاده خود ایجاد کرده ایم. موضوع کیفیت ابزارها نبود، بلکه تلاش مضاعف، هزینه و منابع بود.

هر جریان کاری به چکش نیاز ندارد

رهبران C-suite باید با موارد استفاده کمتری شروع کنند، جایی که ارزش و گردش کار واضح است، خط پایه قابل اندازه‌گیری است، داده‌ها در دسترس است و نقش عامل به خوبی تعریف شده است. سپس آنها باید برای ارتباطات، پذیرش، اندازه گیری و مقیاس بودجه اختصاص دهند.

مقدار از هوش مصنوعی عامل با تعداد عواملی که یک سازمان مستقر می کند اندازه گیری نمی شود. با این که آیا کار تغییر کرده است و اینکه آیا سازمان می تواند آن را ثابت کند، اندازه گیری می شود. هوش مصنوعی عاملی یک چکش قدرتمند است، اما موفقیت در درک این است که کدام مشکلات میخ هستند و کدامیک نه.

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