یکی از اشتباهات رایج در استفاده از هوش مصنوعی که کمتر دربارهاش صحبت میشود، نه نبود داده یا کمبود بودجه است، بلکه اعمال هوش مصنوعی روی فرایندی است که از قبل ناکارآمد یا شکسته بوده. بسیاری از شرکتها وقتی تصمیم میگیرند یک واحد را هوشمند کنند، مستقیم به سراغ ابزار یا مدل میروند، بدون اینکه از خودشان بپرسند آیا اصل فرایندی که میخواهند اتوماتیک کنند، اصلاً درست طراحی شده است یا نه. نتیجه این رویکرد معمولاً یک نسخه سریعتر، اما همچنان معیوب، از همان مشکل قبلی است. این الگو در منابع بینالمللی گاهی در کنار عنوان AI adoption challenges بررسی میشود.
چرا این اشتباه برای مدیران کسبوکار پرهزینه است؟
وقتی یک فرایند ناکارآمد هوشمند میشود، سرعت خطا هم بالا میرود. بهجای اینکه یک کارمند در هفته چند بار اشتباه کند، یک سیستم خودکار میتواند همان اشتباه را در عرض چند دقیقه، صدها بار تکرار کند. این یکی از دلایل اصلی است که چرا پروژه های AI شکست می خورند: نه بهخاطر ضعف مدل هوش مصنوعی، بلکه بهاینخاطر که منطق غلط زیربنایی فرایند را با سرعت بیشتری اجرا کردهاند. این رفتار یکی از نمونههای آشنای اشتباهات رایج در استفاده از هوش مصنوعی در سازمانهای بزرگ و کوچک است. برای مدیران، این یعنی هزینه اصلاح بعد از اجرا، معمولاً بسیار بیشتر از هزینه بازطراحی پیش از اجرا خواهد بود؛ و اعتماد تیمهای داخلی به پروژههای هوش مصنوعی آینده هم آسیب میبیند. در بسیاری از پروژههای اتوماسیون در ایران، هزینه واقعی این اشتباه زمانی آشکار میشود که شرکت مجبور میشود همان یکپارچهسازی با سیستمهای داخلی را برای بار دوم، اینبار روی یک فرایند بازطراحیشده، از نو انجام دهد؛ هزینهای که اگر از ابتدا درست برنامهریزی میشد، قابل پیشگیری بود.
نشانههای هوشمندسازی یک فرایند خراب بهجای اصلاح آن
چند نشانه رایج وجود دارد که نشان میدهد یک سازمان در حال تکرار این اشتباه است. اولین نشانه این است که هیچکس در تیم پروژه نمیتواند بهسادگی توضیح دهد فرایند فعلی، گامبهگام، چرا به همین شکل طراحی شده است؛ معمولاً پاسخ این است که «همیشه همینطور بوده». نشانه دوم، وجود استثناها و راهحلهای موقت متعدد در فرایند دستی است که هیچکدام مستندسازی نشدهاند؛ وقتی این استثناها به یک سیستم هوشمند منتقل نشوند، یا نادیده گرفته میشوند یا باعث خرابی سیستم خواهند شد. نشانه سوم، تمرکز پروژه بر «سریعتر کردن» بهجای «درستکردن» است؛ یعنی هدف اصلی تنها کاهش زمان انجام کار بوده، بدون بررسی اینکه آیا خود کار از اساس ارزشآفرین است یا خیر. این الگو نمونهای روشن از اتوماسیون اشتباه در کسب و کار است که نتیجه آن معمولاً نارضایتی کاربران داخلی و بازگشت سرمایه پایین خواهد بود. برای مثال، یک شرکت پخش محصولات صنعتی ممکن است فرایند پاسخگویی به مشتریان را بخواهد با یک ربات گفتگوی هوشمند جایگزین کند، در حالیکه فرایند فعلی پاسخگویی از قبل دارای مسیرهای موازی، تأییدهای تکراری و معیارهای ناهماهنگ بین واحد فروش و واحد پشتیبانی است. اگر این ساختار همانطور که هست به ربات منتقل شود، نتیجه یک ربات سریعتر اما همچنان سردرگم خواهد بود که مشتری را میان چند مسیر متناقض رها میکند. نشانه چهارم و شاید پرهزینهترین، نادیدهگرفتن بازخورد اولین کاربران در هفتههای ابتدایی است؛ وقتی کارمندان خط مقدم میگویند ربات یا دستیار جدید پاسخ درستی نمیدهد، اما تیم پروژه این بازخورد را بهجای اصلاح فرایند، صرفاً به «نیاز به آموزش بیشتر کاربران» نسبت میدهد، مشکل اصلی همچنان دستنخورده باقی میماند.
مسیر درست: بازطراحی فرایند پیش از اتوماسیون هوشمند
راهحل این مشکل، توقف کامل پروژههای هوش مصنوعی نیست؛ بلکه تغییر ترتیب کارها است. پیش از اتصال هر ابزار هوشمند به یک فرایند، تیم پروژه باید فرایند موجود را نقشهبرداری کند: ورودیها، خروجیها، تصمیمهای میانی، و مهمتر از همه، دلیل هر تصمیم. در این مرحله، اغلب مشخص میشود بخشی از مراحل اصلاً نیازی به وجود ندارند و میتوان آنها را حذف کرد، نه اتوماتیک کرد. سپس باید مشخص شود کدام بخش از فرایند واقعاً برای هوش مصنوعی مناسب است؛ معمولاً بخشهایی با حجم بالا و قوانین تصمیمگیری روشن، بهترین گزینه هستند. این رویکرد، که نوعی ارزیابی فرایندهای سازمانی پیش از اتوماسیون است، باعث میشود نتیجه نهایی نهفقط سریعتر، بلکه واقعاً بهتر از وضعیت قبلی باشد. در عمل، این یعنی پیش از طراحی دستیار هوشمند برای واحد فروش یا پشتیبانی، تیم پروژه باید چند هفته را صرف مصاحبه با کارمندان خط مقدم کند تا بفهمد چرا فلان استثنا وجود دارد یا چرا یک تصمیم خاص همیشه دستی گرفته میشود. این مرحله ممکن است کسلکننده بهنظر برسد، اما دقیقاً همین مرحله است که تفاوت میان یک پروژه هوش مصنوعی موفق و یک پروژه پرهزینه و بینتیجه را رقم میزند.