هوش مصنوعی عامل‌محور چیست و چگونه آینده کار را تغییر می‌دهد؟ (HBR)

این مقاله در مجله کسب و کار هاروارد منتشر شده که منبعی معتبر و ارزشمند در حوزه کسب و کار است.

نویسنده: مارک پردی

ترجمه شده توسط تیم گیت (Git.ir)

نحوه تعامل و همکاری انسان‌ها با هوش مصنوعی در حال ورود به مرحله‌ای کاملاً جدید است؛ مرحله‌ای که با «هوش مصنوعی عاملی» تعریف می‌شود. تصور کنید عامل‌های مبتنی بر هوش مصنوعی که می‌توانند سفر خارجی شما را برنامه‌ریزی کنند و تمام جزئیات آن را انجام دهند؛ ربات‌هایی شبیه انسان که به‌عنوان مراقب مجازی سالمندان عمل می‌کنند؛ یا متخصصان زنجیره تأمین مبتنی بر هوش مصنوعی که می‌توانند موجودی انبار را در لحظه و بر اساس تغییرات تقاضا بهینه‌سازی کنند. این‌ها تنها بخشی از امکاناتی هستند که با ظهور هوش مصنوعی عاملی ممکن می‌شوند.

در حالی که نسل‌های قبلی دستیارهای هوش مصنوعی مبتنی بر قواعد مشخص بودند و توانایی محدودی در اقدام مستقل داشتند، هوش مصنوعی عاملی قادر خواهد بود کارهای بیشتری را به‌صورت خودکار انجام دهد. اما دقیقاً هوش مصنوعی عاملی چیست؟

انور چتین، کارشناس هوش مصنوعی در شرکت Ciklum، این مفهوم را با یک واژه تعریف می‌کند: «پیش‌فعال بودن». به گفته او، این نوع هوش مصنوعی به سیستم‌ها و مدل‌هایی اشاره دارد که می‌توانند بدون نیاز به راهنمایی مداوم انسان، به‌صورت خودکار برای دستیابی به اهداف عمل کنند. این سیستم‌ها هدف یا چشم‌انداز کاربر را درک می‌کنند و زمینه مسئله‌ای را که باید حل شود، می‌فهمند.

برای دستیابی به چنین سطحی از تصمیم‌گیری و اقدام مستقل، هوش مصنوعی عاملی به ترکیبی پیچیده از فناوری‌ها متکی است؛ از جمله یادگیری ماشین، پردازش زبان طبیعی و ابزارهای اتوماسیون.

اگرچه این سیستم‌ها از توانایی‌های خلاقانه مدل‌های هوش مصنوعی مولد مانند ChatGPT استفاده می‌کنند، اما تفاوت‌های مهمی با آن‌ها دارند. نخست اینکه تمرکز آن‌ها بر تصمیم‌گیری است، نه تولید محتوا. دوم اینکه به ورودی مداوم انسان وابسته نیستند و بر اساس اهداف مشخصی مانند افزایش فروش، بهبود رضایت مشتری یا افزایش بهره‌وری در زنجیره تأمین عمل می‌کنند. و سوم اینکه برخلاف مدل‌های مولد، می‌توانند مجموعه‌ای از فعالیت‌های پیچیده را به‌صورت مستقل اجرا کنند؛ از جست‌وجوی پایگاه‌های داده گرفته تا اجرای خودکار فرایندها برای تکمیل وظایف.

مزایای کار با هوش مصنوعی عاملی

با توانایی‌های پیشرفته در استدلال و اجرا، سیستم‌های هوش مصنوعی عاملی می‌توانند بسیاری از جنبه‌های همکاری انسان و ماشین را متحول کنند؛ به‌ویژه در حوزه‌هایی که پیش‌تر در برابر اتوماسیون مقاوم بودند. از جمله این کاربردها می‌توان به مدیریت پیش‌دستانه سیستم‌های پیچیده IT برای جلوگیری از اختلال، بازطراحی پویا زنجیره‌های تأمین در واکنش به بحران‌های ژئوپلیتیک یا شرایط آب‌وهوایی، و تعامل واقع‌گرایانه با بیماران یا مشتریان برای حل مسائل اشاره کرد.

سه مزیت اصلی این فناوری شامل تخصصی‌تر شدن نیروی کار، افزایش قابلیت اعتماد به اطلاعات، و تقویت نوآوری است.

تخصصی‌تر شدن نقش‌ها

اهمیت تخصصی‌سازی نیروی کار یا «تقسیم کار» از زمان آدام اسمیت شناخته شده است. او در مثال معروف کارخانه سنجاق نشان داد که چگونه تقسیم یک فرایند به چندین مرحله تخصصی می‌تواند بهره‌وری را به‌طور چشمگیری افزایش دهد.

تخصصی‌سازی باعث افزایش کارایی، یادگیری حین عمل و نوآوری می‌شود، اما در عمل اجرای آن دشوار است، زیرا سازمان‌ها با کمبود نیروی متخصص یا عدم تطابق مهارت‌ها مواجه هستند. از آنجا که مدل‌های هوش مصنوعی عاملی برای انجام وظایف بسیار جزئی طراحی شده‌اند، امکان تخصصی‌سازی بسیار بیشتری نسبت به سیستم‌های اتوماسیون سنتی فراهم می‌کنند.

علاوه بر این، می‌توان به‌سرعت نقش‌های مختلفی برای عامل‌های هوش مصنوعی تعریف کرد. برای مثال در کارهای دانشی، می‌توان عامل‌هایی برای جست‌وجوی اطلاعات، تحلیل داده، طراحی فرایندها و پشتیبانی از کارکنان ایجاد کرد که هم‌زمان با یکدیگر همکاری می‌کنند. برخی از این عامل‌ها نیز در پشت صحنه فعالیت می‌کنند و مانند مدیران انسانی، کار سایر عامل‌ها را هماهنگ می‌کنند.

نوآوری

توانایی بالاتر در قضاوت و اجرا، سیستم‌های هوش مصنوعی عاملی را به ابزارهایی مناسب برای آزمایش و نوآوری تبدیل کرده است. برای مثال، یک عامل هوش مصنوعی در حوزه شیمی توانسته برای تولید یک ماده دفع‌کننده حشرات برنامه‌ریزی کند و ترکیبات آلی جدیدی ایجاد کند.

مدل‌های چندعاملی نیز می‌توانند حجم عظیمی از داده‌ها و منابع علمی را در زمانی بسیار کوتاه تحلیل کنند. در یکی از پروژه‌های پژوهشی، مجموعه‌ای از عامل‌های هوش مصنوعی توانستند ماده‌ای جدید با ترکیب ابریشم و رنگدانه‌های گیاهی تولید کنند که ویژگی‌های مکانیکی و نوری بهتری داشت و در عین حال انرژی کمتری مصرف می‌کرد.

افزایش قابلیت اعتماد

توانایی استدلال پیشرفته در هوش مصنوعی عاملی باعث می‌شود این سیستم‌ها کمتر دچار خطاهای رایج مانند تولید اطلاعات نادرست شوند. همچنین این سیستم‌ها توانایی بالاتری در ارزیابی کیفیت و اعتبار منابع اطلاعاتی دارند، که اعتماد به تصمیمات آن‌ها را افزایش می‌دهد.

برای مثال، در بسیاری از سازمان‌ها اطلاعات مشتری در منابع مختلفی مانند ایمیل‌ها، پایگاه‌های داده و فایل‌های پراکنده ذخیره شده است. یک سیستم هوش مصنوعی عاملی می‌تواند تشخیص دهد که معتبرترین و به‌روزترین اطلاعات احتمالاً در سیستم مدیریت ارتباط با مشتری قرار دارد.

این سیستم‌ها همچنین می‌توانند ارزش‌ها و اصول سازمان را به‌سرعت یاد بگیرند و اطمینان حاصل کنند که تصمیم‌ها و اقدامات آن‌ها با این ارزش‌ها هم‌راستا است.

کاربردهای بالقوه

اگرچه بسیاری از کاربردهای هوش مصنوعی عاملی هنوز در مرحله آزمایشی یا پایلوت قرار دارند، اما الگوهای کلی استفاده از آن در صنایع و حوزه‌های مختلف در حال شکل‌گیری است. برخی از مهم‌ترین کاربردها عبارت‌اند از:

خدمات مشتری

برخلاف چت‌بات‌های سنتی که پاسخ‌ها و اقدامات محدودی داشتند، عامل‌های خدمات مشتری مبتنی بر هوش مصنوعی عاملی می‌توانند نیت و احساسات مشتری را درک کرده و به‌صورت مستقل برای حل مشکل اقدام کنند.

برای مثال، چنین سیستمی می‌تواند پیش‌بینی کند که یک سفارش با تأخیر تحویل خواهد شد، مشتری را از این موضوع مطلع کند و به‌صورت پیش‌دستانه تخفیفی ارائه دهد تا تجربه منفی کاهش یابد.

استارتاپی مانند Ema در کالیفرنیا، چت‌بات‌هایی ارائه می‌دهد که می‌توانند به‌صورت پویا در میان هزاران پایگاه داده و اپلیکیشن جست‌وجو کنند، مشکلات مشتریان را حل کنند، از تعاملات قبلی یاد بگیرند و حتی اقدامات پیشنهادی برای اپراتورهای انسانی ارائه دهند. این سیستم همچنین محتوا را از نظر دقت و انطباق بررسی کرده و پیشنهادهایی برای بهبود پایگاه دانش ارائه می‌کند.

تولید

از کنترل جریان خطوط تولید گرفته تا شخصی‌سازی محصولات و ارائه پیشنهاد برای بهبود طراحی، هوش مصنوعی عاملی کاربردهای گسترده‌ای در تولید هوشمند دارد.

داده‌های به‌دست‌آمده از حسگرهای نصب‌شده روی ماشین‌آلات و تجهیزات می‌توانند توسط این سیستم‌ها تحلیل شوند تا فرسودگی قطعات یا احتمال توقف تولید پیش‌بینی شود و از توقف‌های ناگهانی و پرهزینه جلوگیری شود.

استارتاپ آلمانی Juna.ai از عامل‌های هوش مصنوعی برای مدیریت کارخانه‌های مجازی استفاده می‌کند، با هدف افزایش بهره‌وری و کیفیت و در عین حال کاهش مصرف انرژی و انتشار کربن. این شرکت حتی عامل‌هایی با اهداف مشخص مانند عامل تولید یا عامل کنترل کیفیت ارائه می‌دهد.

پشتیبانی فروش

برای تیم‌های فروش، فعالیت‌هایی مانند مدیریت ایمیل‌ها و کارهای اداری زمان زیادی می‌گیرد و تمرکز آن‌ها را از جذب مشتریان جدید دور می‌کند. سیستم‌های هوش مصنوعی عاملی می‌توانند بخش بزرگی از این وظایف را بر عهده بگیرند.

برای مثال، شرکت Salesforce ابزاری به نام Agentforce معرفی کرده که به تیم‌های فروش کمک می‌کند. این سیستم می‌تواند پیام‌های مشتریان را تحلیل کند، اقدامات بعدی را پیشنهاد دهد، جلسات را تنظیم کند، به سؤالات پاسخ دهد و حتی پاسخ‌هایی متناسب با لحن برند تولید کند.

در کنار این قابلیت‌ها، ابزارهایی مانند Sales Coach نیز وجود دارند که بازخورد شخصی‌سازی‌شده به نیروهای فروش ارائه می‌دهند و از طریق شبیه‌سازی تعاملات، به یادگیری آن‌ها کمک می‌کنند.

سلامت و مراقبت اجتماعی

توانایی سازگاری با شرایط مختلف، درک احساسات انسانی و نشان دادن همدلی، باعث شده هوش مصنوعی عاملی گزینه‌ای مناسب برای کارهای غیرروتین و مهارت‌محور در حوزه‌هایی مانند سلامت و مراقبت باشد.

شرکت Hippocratic AI مجموعه‌ای از عامل‌های هوش مصنوعی برای کاربردهای مختلف سلامت و خدمات اجتماعی ایجاد کرده است. یکی از این عامل‌ها، Sarah، به بیماران در زندگی روزمره کمک می‌کند، درباره حالشان سؤال می‌پرسد، برنامه‌های غذایی و رفت‌وآمد را تنظیم می‌کند و یادآوری مصرف دارو را انجام می‌دهد.

عامل دیگری به نام Judy نیز به بیماران در مراحل پیش از جراحی کمک می‌کند، مانند یادآوری زمان و مکان مراجعه یا ارائه توصیه‌هایی درباره آمادگی پیش از عمل.

چالش‌های پیش رو

با وجود ظرفیت بالای هوش مصنوعی عاملی برای تحول در همکاری انسان و ماشین و افزایش بهره‌وری و رشد کسب‌وکار، این فناوری هنوز در مراحل اولیه توسعه قرار دارد. همچنین، با وجود توانایی‌های بالاتر در تصمیم‌گیری و اجرا، این سیستم‌ها چالش‌های سنتی مدیریت نیروی کار را حذف نمی‌کنند، بلکه آن‌ها را تغییر می‌دهند.

همان‌طور که در مدیریت تیم‌های انسانی، ترکیب تیم و انتخاب نقش‌ها اهمیت دارد، در استفاده از هوش مصنوعی عاملی نیز مدیران باید به این موضوع توجه کنند و اهداف مناسبی تعیین کنند تا تیم‌های مبتنی بر عامل‌ها یا تیم‌های ترکیبی انسان و AI عملکرد موفقی داشته باشند.

همچنین باید به‌دقت مشخص شود در چه شرایطی می‌توان به تصمیم‌گیری این سیستم‌ها اعتماد کرد و در چه موقعیت‌هایی نیاز به دخالت انسان وجود دارد.

الزامات موفقیت

برای بهره‌برداری از فرصت‌های هوش مصنوعی عاملی و در عین حال مدیریت ریسک‌ها، مدیران باید به نکات زیر توجه کنند:

تعیین اهداف شفاف و قابل سنجش

همان‌طور که عملکرد تیم‌های انسانی ممکن است به‌دلیل اهداف مبهم یا نامشخص دچار مشکل شود، سیستم‌های هوش مصنوعی عاملی نیز در صورت نبود اهداف دقیق، از مسیر خود منحرف می‌شوند.

در واقع، تعیین هدف در اینجا اهمیت بیشتری دارد، زیرا این سیستم‌ها در ابتدا فاقد درک ضمنی از زمینه‌های سازمانی، بازار یا ارزش‌های شرکت هستند. بنابراین، اهداف باید مشخص، قابل اندازه‌گیری، قابل دستیابی، مرتبط و دارای زمان‌بندی باشند.

همچنین لازم است این سیستم‌ها درک روشنی از اهمیت اهداف داشته باشند، مانند اینکه چگونه به درآمدزایی کمک می‌کنند. ایجاد حلقه‌های بازخورد نیز ضروری است تا بتوان عملکرد آن‌ها را به‌مرور اصلاح و بهینه کرد.

توجه به ترکیب تیم

برخلاف هوش مصنوعی مولد که معمولاً بر اساس تعاملات تک‌مرحله‌ای عمل می‌کند، هوش مصنوعی عاملی بیشتر شبیه یک تیم عمل می‌کند؛ مجموعه‌ای از عامل‌ها که هرکدام نقش مشخصی در دستیابی به یک هدف بزرگ‌تر دارند.

در چنین تیم‌هایی، مسائل مربوط به هماهنگی، تعارض و تخصیص منابع نیز مطرح می‌شود. بنابراین، مدیران باید ترکیب مناسبی از عامل‌ها را انتخاب کنند تا وظایف به‌درستی و به‌صورت کارآمد انجام شود.

علاوه بر این، نحوه تعامل این تیم‌های مبتنی بر AI با کارکنان انسانی نیز باید به‌دقت طراحی شود تا هم اعتماد ایجاد شود و هم بهره‌وری افزایش یابد.

ایجاد چارچوب برای تصمیم‌گیری

اگرچه سیستم‌های هوش مصنوعی عاملی برای ارزیابی گزینه‌ها و اجرای اقدامات پیچیده طراحی شده‌اند، اما همچنان ممکن است دچار خطا شوند. بنابراین، لازم است چارچوب‌هایی برای هدایت تصمیم‌گیری آن‌ها تعریف شود.

در علوم یادگیری، مفهومی به نام «داربست‌بندی» وجود دارد؛ به این معنا که افراد در ابتدا با نظارت و محدودیت‌های مشخص آموزش می‌بینند و سپس به‌تدریج استقلال بیشتری پیدا می‌کنند. همین رویکرد باید در مورد هوش مصنوعی عاملی نیز اعمال شود.

این چارچوب‌ها باید بر اساس عواملی مانند اهمیت تصمیم، پیامدهای خطا، میزان اعتماد به داده‌های آموزشی، سطح نظارت انسانی و تجربه افرادی که با این سیستم‌ها کار می‌کنند، طراحی شوند.

از روزهای اولیه ماشین‌های خودکار مکانیکی تا چت‌بات‌های امروزی، دانشمندان و مهندسان همواره رویای آینده‌ای را داشته‌اند که در آن سیستم‌های هوش مصنوعی بتوانند به‌صورت هوشمند و مستقل عمل کنند. پیشرفت‌های اخیر در حوزه هوش مصنوعی عاملی، این آینده خودکار را یک گام به واقعیت نزدیک‌تر کرده است.

پاداش این تحول می‌تواند بسیار قابل‌توجه باشد؛ افزایش بهره‌وری، نوآوری و بینش‌های عمیق‌تر برای نیروی کار انسانی. اما در کنار این فرصت‌ها، ریسک‌هایی نیز وجود دارد، از جمله احتمال سوگیری، خطا و استفاده نادرست از این فناوری.

اقدام به‌موقع از سوی رهبران کسب‌وکار و دولت‌ها می‌تواند مسیر توسعه هوش مصنوعی عاملی را به‌درستی هدایت کند تا مزایای آن به‌شکلی ایمن و منصفانه محقق شود.

نکات کلیدی

• تخصصی‌سازی بیشتر. این سیستم‌ها امکان تقسیم وظایف به سطوح بسیار جزئی‌تر را فراهم می‌کنند و بهره‌وری و نوآوری را افزایش می‌دهند.

• نوآوری. هوش مصنوعی عاملی برای آزمایش و توسعه راه‌حل‌های جدید بسیار مناسب است و می‌تواند حجم زیادی از داده‌ها را به‌سرعت تحلیل کند.

• قابلیت اعتماد. به‌دلیل توانایی بالاتر در استدلال، این سیستم‌ها نسبت به مدل‌های قبلی خطاهای کمتری دارند و بهتر می‌توانند منابع اطلاعاتی را ارزیابی کنند.

• کاربردها. از خدمات مشتری و تولید گرفته تا فروش و سلامت، حوزه‌های مختلفی تحت تأثیر این فناوری قرار خواهند گرفت.

• چالش‌ها. مدیران باید اهداف را به‌وضوح تعریف کنند و ترکیب مناسبی از تیم‌ها برای توسعه و استفاده از این سیستم‌ها انتخاب کنند.