شرکت‌های هوش مصنوعی‌محور چگونه گردش‌کارها را به توان عملیاتی تبدیل می‌کنند

جدیدترین گزارش سیگنال‌های سازمانی OpenAI نشان می‌دهد که هوش مصنوعی سازمانی با سرعت‌هایی بسیار متفاوت، از کمک‌رسانی به اجرا روی می‌آورد. شرکت‌های پیشرو، یعنی ۱۰٪ برتر از نظر استفاده از هوش مصنوعی، اکنون به‌ازای هر کاربر فعال ۸٫۳ برابر شرکت‌های معمولی توکن خروجی تولید می‌کنند؛ این نسبت در ژانویه ۲٫۶ برابر بود. گسترش این شکاف از تحولی عمیق‌تر در شیوه عملیات حکایت دارد: شرکت‌های پیشتاز عامل‌ها را به بافت و ابزارهای شرکت متصل می‌کنند، کارهای اساسی‌تری به آن‌ها می‌سپارند و تکرار گردش‌کارهای موفق را آسان‌تر می‌کنند.

چالش مدیران این است که این عمق را به کاری تبدیل کنند که افراد بتوانند به آن اعتماد کنند، آن را بسنجند و بهبود دهند. مدیران باید برای آزمون‌وخطا نیز فضا فراهم کنند، از جمله برای کاربردهایی که ارزششان در نخستین تلاش آشکار نیست.

استارتاپ‌های Basis⁠(در یک پنجره جدید باز می‌شود)، Clay⁠(در یک پنجره جدید باز می‌شود) و Exa Labs⁠(در یک پنجره جدید باز می‌شود) عامل‌ها را در فرایند ورود کارکنان جدید، مدیریت حساب‌ها و رشد زیست‌بوم توسعه‌دهندگان به کار گرفته‌اند. گردش‌کارهای آن‌ها متفاوت است، اما روند پیشرفتشان آموزنده است: فرایندی پایدار را به یک عامل بیاموزید، با تغییر کار بافتی ماندگار در اختیارش بگذارید و سپس اجازه دهید فرصت‌ها را به اقداماتی آزموده‌شده تبدیل کند.

این نمونه‌ها در کنار هم نشان می‌دهند تیم‌ها چگونه می‌توانند عامل‌ها را وارد کارهای آشنا کنند و فرایند را به‌مرور بهبود دهند.

فرایند ورود کارکنان جدید مدت‌هاست برای کارفرمایان و کارکنان دشوار و وقت‌گیر است. در Basis، که برای مؤسسات حسابداری عامل‌های هوش مصنوعی می‌سازد، فرایند ورود در روز نخست اکنون به‌جای دو ساعت، ۳۰ دقیقه طول می‌کشد و منابع انسانی فرصت بیشتری برای فرهنگ سازمانی و پشتیبانی دارد.

کارکنان در روز نخست فوراً به Codex و یک مهارت ویژه ورود به شرکت دسترسی می‌یابند؛ یعنی مجموعه‌ای قابل‌استفاده مجدد از دستورالعمل‌ها و منابع برای یک گردش‌کار مشخص. Codex به آن‌ها خوشامد می‌گوید، مفاهیم کلیدی شرکت را معرفی می‌کند و با استفاده از رایانه‌شان، تنظیمات یکپارچه‌سازی را در پس‌زمینه تکمیل می‌کند. وقتی پرسش‌های تکراری یا موارد استثنا پدیدار می‌شوند، منابع انسانی می‌تواند پیش از ورود گروه بعدی مهارت را به‌روزرسانی کند.

Basis فرایند ورود را یک‌بار نمایش داد و سپس آن را به مهارتی قابل‌استفاده مجدد تبدیل کرد که محرکی روشن، مراحلی مشخص، دسترسی به ابزارهای مناسب و تعریف دقیقی از «تکمیل‌شدن» دارد. این فرایند دیگر به حضور یک فرد وابسته نیست، اما تیم همچنان می‌تواند برای موارد استثنا یا پرسش‌های پیچیده مداخله کند. اکنون فرایند ورود یکدست‌تر، تکرارپذیرتر و بهبود آن آسان‌تر است؛ کارکنان جدید نیز فوراً الگویی برای کار با هوش مصنوعی به دست می‌آورند.

Clay، شرکتی که برای تیم‌های ورود به بازار یک موتور درآمدی خودآموز می‌سازد، با چالشی آشنا در فروش روبه‌رو است: اطلاعات حیاتی مربوط به معاملات در میان سوابق CRM، ایمیل، Slack، تماس‌ها، ارائه‌ها، پیام‌های متنی و گفت‌وگوها با تیم‌های داخلی و حامیان در سمت مشتری پراکنده است.

برای به‌روز نگه‌داشتن این بافت، یکی از مهندسان GTM در Clay رویکرد بهتری را آزمود: یک فضای کاری ماندگار و یک زیرعامل اختصاصی برای هر حساب. هر زیرعامل منابع دست‌اول را بررسی می‌کند و پوشه معامله خود را شبانه به‌روز می‌سازد. هر صبح، یک عامل هماهنگ‌کننده به‌روزرسانی‌های همه حساب‌های او را به فهرست کوتاهی از اقدامات اولویت‌دار تبدیل می‌کند: پاسخ به پرسش بی‌پاسخ مشتری، پر کردن خلأیی در کمیته خرید یا دادن دلیلی به مشتری بالقوه برای ازسرگیری تعامل.

به‌گفته Clay، این گردش‌کار هر شب حدود یک ساعت از زمان او برای غربال‌کردن صندوق ورودی می‌کاهد. اولویت‌های روزانه کمک می‌کنند اقدامات کوچکی را پیگیری کند که در چرخه طولانی فروش سازمانی، روی‌هم اثر چشمگیری دارند. شواهد پشتیبان در کنار هر پیشنهاد باقی می‌مانند تا فروشندگان بتوانند پیش از اقدام، منابع دست‌اول را بررسی کنند. سازمان‌ها می‌توانند با رعایت مجوزهای فعلی حساب، این بافت مشترک را در اختیار مدیران حساب، نمایندگان توسعه کسب‌وکار، مهندسان راهکار و مدیران فروش نیز قرار دهند.

Clay نشان می‌دهد کارِ در حال تحول برای گسترش به چه نیاز دارد: ساختاری یکدست، تناوب به‌روزرسانی مناسب، شواهد مشترک و قضاوت انسانی در لحظه اقدام.

Exa Labs، سازنده زیرساخت جست‌وجوی وب برای عامل‌های هوش مصنوعی، می‌خواهد API جست‌وجویش هرجا که برای توسعه‌دهندگان کاربرد دارد در دسترس باشد. تیم این هدف را «Exa در همه‌جا» می‌نامد. پیش‌تر، پیگیری آن مستلزم این بود که تیم‌های روابط توسعه‌دهندگان و حساب‌ها مخازن و زیست‌بوم گسترده‌تر را رصد کنند، یکپارچه‌سازی‌های امیدبخش را بیابند، بافت لازم را گردآوری کنند و کار میان سامانه‌ها را هماهنگ سازند. گرچه فرصت‌ها متفاوت بودند، مسیر کشف تا پیاده‌سازی از توالی ثابتی پیروی می‌کرد. Exa این توالی را به گردش‌کاری مشخص برای Codex تبدیل کرد که اولویت‌های روشن، دسترسی به منابع لازم و بازبینی انسانی پیش از انتشار هر چیزی دارد.

اکنون Codex فرصت‌های یکپارچه‌سازی با اولویت بالا را رصد می‌کند، بافت مرتبط را گرد می‌آورد، درخواست‌های ادغام می‌سازد، آزمون‌ها را اجرا می‌کند و با استفاده از منابعی مانند Slack و Notion گزارش‌های هفتگی آماده می‌کند. در صورت مناسب‌بودن، می‌تواند گام بعدی، از جمله اطلاعیه اولیه، را نیز برای بازبینی تیم پیش‌نویس کند. این گردش‌کار، فرصت را از یک نشانه به دستاوردی آزموده‌شده می‌رساند و در عین حال، دست‌به‌دست‌شدن کار میان پژوهش، مهندسی و ارتباطات را کاهش می‌دهد.

همچنان انسان‌ها تصمیم می‌گیرند کدام فرصت‌ها اهمیت دارند، Exa چه تعهداتی باید بپذیرد و روابط بیرونی چگونه مدیریت شوند. آزمون‌ها و نقاط بازبینی، کار عامل را پیش از انتشار قابل‌مشاهده می‌کنند. نتایج آزمون و بازبینی انسانی به تیم نشان می‌دهند پیش از اجرای بعدی، گردش‌کار را کجا اصلاح کند. هرچه کار حساس‌تر و اثرگذارتر می‌شود، مجوزها، شواهد و حقوق تصمیم‌گیری سهم بزرگ‌تری در طراحی گردش‌کار پیدا می‌کنند.

Basis، Clay و Exa در کنار هم، الگوهای مشاهده‌شده در سیگنال‌های سازمانی را به زبان عملیات بیان می‌کنند. Basis فرایندی اثبات‌شده را به مهارتی قابل‌استفاده مجدد تبدیل می‌کند. Clay بافت و ماندگاری لازم را در اختیار یک عامل می‌گذارد تا مجموعه‌ای از کارهای در حال تحول را به‌روز نگه دارد. Exa ابزارها، آزمون‌ها و بازبینی را می‌افزاید تا یک عامل بتواند نشانه‌ای را به اجرایی محدود و کنترل‌شده برساند. هر سه، بهبود را بخشی از گردش‌کار می‌کنند: موارد استثنا در ورود کارکنان نشان می‌دهند یک مهارت کجا نیاز به اصلاح دارد؛ فعالیت‌های جدید حساب و تأیید فروشنده بافت معامله را به‌روز نگه می‌دارند؛ و آزمون‌ها و بازبینی انسانی مرزهای اجرای آینده را دقیق‌تر می‌کنند. هرکدام با کاری مشخص و فضای کافی برای آزمودن آن آغاز می‌کنند. تقسیم کار با استفاده عملی روشن‌تر می‌شود و با اثبات کارایی گردش‌کار، دامنه مسئولیت گسترش می‌یابد.

با گسترش شکاف میان شرکت‌های پیشرو و سایر شرکت‌ها، مدیران سازمانی باید به کارکنان فرصت دهند گردش‌کارهای اثرگذار را بیازمایند، موفقیت را بسنجند و بهترین آزمایش‌ها را به رویه‌هایی تکرارپذیر تبدیل کنند.

• یک حوزه ارزش‌آفرین و اثرگذار انتخاب کنید. با گردش‌کاری سرتاسری آغاز کنید که یک اولویت راهبردی، سامانه‌ها، تحویل‌های بین‌تیمی، کنترل‌ها و پیامدهای سنجش‌پذیر را به هم پیوند می‌دهد. این کار باید آن‌قدر تکرار شود که بتوان از آن آموخت و آن‌قدر مهم باشد که بازطراحی را توجیه کند.
• نتیجه و روش سنجش آن را مشخص کنید. مسئول پاسخ‌گو، شاخص کلیدی عملکرد، خط مبنا و چارچوب‌های حفاظتی را مشخص کنید. عمق را با وظایف تکمیل‌شده، بافت و ابزارهای متصل، موارد استثنا و حجم بازبینی بسنجید. ارزش را با زمان چرخه، کیفیت، هزینه، درآمد یا ریسک بسنجید. حجم خروجی نشان می‌دهد افراد کار بیشتری از هوش مصنوعی می‌خواهند؛ نتایج گردش‌کار نشان می‌دهند آیا این افزایش واقعاً اهمیت دارد.
• شرح وظایف عامل را بنویسید. محرک آغاز کار، نتیجه، بافت لازم، ابزارها، مجوزها و میزان پیگیری عامل تا تکمیل کار را تعریف کنید. مشخص کنید عامل باید چه شواهدی ارائه دهد و در کجا برای بازبینی انسانی متوقف شود.
• سامانه انسانی پیرامون عامل را بسازید. افرادی را که نزدیک‌ترین ارتباط را با گردش‌کار دارند در فرایند طراحی مشارکت دهید. مسئول نتیجه کسب‌وکار، منطق تخصصی، دسترسی و کنترل‌ها، پذیرش و استفاده روزانه را مشخص کنید. در استارتاپ‌ها این مسئولیت‌ها میان چند نفر محدود جمع می‌شوند؛ اما سازمان‌ها با گسترش گردش‌کار به حقوق تصمیم‌گیری صریح نیاز دارند.
• آزمایش‌ها را قابل‌مشاهده و استفاده مجدد کنید. پژوهش OpenAI نشان می‌دهد شش ماه پس از پذیرش، کارکنان تازه‌کار در هر هفته ۱۳ پیام بیشتر از مدیران ارشد فرستادند. به کارکنان فرصت دهید کاربردهای جدید را بیازمایند؛ سپس فرایند و شواهد راهکارهای موفق را ثبت و در قالب مهارت‌ها، افزونه‌ها یا فضاهای کاری مشترک عرضه کنید. چت، کار و Codex⁠(در یک پنجره جدید باز می‌شود) از حالت‌های متفاوتی پشتیبانی می‌کنند: چت برای پرسش‌ها و همکاری سریع، کار برای کار دانشی چندمرحله‌ای و دستاوردهای نهایی، و Codex برای اجرای فنی.
• الگوی عملیاتی را به مراحل بعد منتقل کنید. بافت، مجوزها، ارزیابی‌ها، نقاط بازبینی، مسئولان، معیارها و توانمندسازی‌های موفق را حفظ کنید و سپس آن‌ها را در حوزه ارزش‌آفرین بعدی به کار ببرید. هر آزمایش جدید باید نقطه شروع بهتری برای تیم بعدی فراهم کند.