با ورود نمایندگان هوش مصنوعی به عرصه‌های واقعی، سازمان‌ها تحت فشار قرار گرفته‌اند تا مشخص کنند که این تکنولوژی‌ها کجا قرار می‌گیرند، چگونه باید به‌طور مؤثر ساخته شوند و چگونه می‌توان آن‌ها را در مقیاس وسیع عملیاتی کرد. در همایش Transform 2025 که توسط VentureBeat برگزار شد، رهبران فناوری گرد هم آمدند تا درباره تحول کسب و کار خود با استفاده از نمایندگان هوش مصنوعی بحث کنند. در این همایش، افرادی چون جوآن چن، شریک عمومی در Foundation Capital؛ شیلش نالاواد، معاون مدیریت پروژه در Sendbird؛ تیس واندرز، معاون ارشد تحول هوش مصنوعی در Cognigy؛ و شاون مالترا، CTO شرکت Rocket Companies به ایراد سخن پرداختند.
شیلش نالاواد تصریح کرد: “جذابیت اولیه هر یک از این پیاده‌سازی‌ها معمولاً حول صرفه‌جویی در سرمایه انسانی می‌چرخد – این مسأله تا حد زیادی قابل درک است.” اما او تاکید کرد که این موضوع، قابلیت‌های تحول‌آفرین نمایندگان هوش مصنوعی را نادیده می‌گیرد. در شرکت Rocket، نمایندگان هوش مصنوعی ابزارهای قدرتمندی برای افزایش نرخ تبدیل وب‌سایت بوده‌اند. شاون مالترا بیان کرد: “با تجربیات مبتنی بر نمایندگان هوش مصنوعی، مشتریان سه برابر بیشتر احتمال دارد که از این کانال تبدیل شوند.”
اما این تنها آغاز راه است. برای مثال، یکی از مهندسان Rocket تنها در دو روز یک نماینده طراحی کرد تا وظیفه‌ای خاص مانند محاسبه مالیات نقل و انتقال را در طول فرآیند وام‌دهی خودکار کند. مالترا در این باره گفت: “این دو روز تلاش به ما سالانه یک میلیون دلار صرفه‌جویی کرد.”
در سال 2024، این شرکت بیش از یک میلیون ساعت کار تیمی را صرفه‌جویی کرد، که بیشتر آن به واسطه راهکارهای هوش مصنوعی بوده است. این صرفه‌جویی تنها به کاهش هزینه محدود نمی‌شود، بلکه به کارکنان این امکان را می‌دهد که زمان خود را بر روی مسائل مهم‌تری که معمولاً بزرگ‌ترین تراکنش‌های مالی زندگی مشتریانشان است، متمرکز کنند.
این نمایندگان، اساساً وظایف اعضای تیم را تقویت می‌کنند. صرفه‌جویی یک میلیون ساعته به معنای تکرار کل وظایف نیست، بلکه بخش‌هایی از کار است که کارکنان از آن لذت نمی‌برند یا ارزشی به مشتری اضافه نمی‌کنند. بدین ترتیب، Rocket توانایی بیشتری برای مدیریت کسب و کار دارد. مالترا افزود: “برخی از اعضای تیم ما در سال گذشته توانستند 50 درصد بیشتر از سال قبل مشتریان را مدیریت کنند.”
در این فرایند، رویکرد مهندسان به سمت روش‌های احتمالی تغییر یافته است. نالاواد خاطرنشان کرد: “بسیاری از این روند، مستلزم همراه کردن افراد است. نه تنها مهندسان نرم‌افزار، بلکه مدیران محصول و طراحان UX نیز باید درگیر شوند.”
واهاندرز به پیشرفت‌های قابل توجه مدل‌های یادگیری زبان اشاره کرد و گفت که در حال حاضر اکثر مدل‌های اصلی به خوبی عمل می‌کنند و چالش اصلی ترکیب مدل‌ها و تضمین پاسخگویی بهینه است. او همچنین بیان کرد: “ما مشتریانی داریم که سالانه ده‌ها میلیون مکالمه را انجام می‌دهند.”
با پیشرفت‌های چند سال گذشته، بسیاری از شرکت‌ها در راه‌اندازی هوش مصنوعی نمایندگی بیشتری، به ساخت سیستم‌های داخلی روی آورده‌اند. نالاواد گفت: “معمولاً، موفق‌ترین مکالمه‌هایمان با مشتریان محتوای داخلی را شامل می‌شود. آن‌ها به سرعت متوجه می‌شوند که رسیدن به یک نسخه 1.0 مشکل‌ساز است.”
با پیوستن نمایندگان هوش مصنوعی به سازمان‌ها، پیچیدگی این سیستم‌ها افزایش خواهد یافت و تعداد نمایندگان یادگیرنده بیشتر خواهد شد. مالترا بر این باور است که در این روند، فاصله‌های چک و بالانس در سیستم‌ها بیشتر خواهد شد و این نیاز به نظارت و هشدار به وجود می‌آورد.
نالاواد تاکید کرد که قبل از شروع هر گونه ساخت و سازی، باید زیرساخت‌های ارزیابی در دسترس باشد، زیرا کارایی و قابلیت‌های نمایندگان هوش مصنوعی باید تحت ارزیابی‌های مستمر قرار گیرد.
در نهایت، چرا اعتماد به رفتار معتبر یک نماینده هوش مصنوعی در حال تغییر دشوار است؟ واهاندرز توضیح می‌دهد: “چالش بزرگ این است که شما نمی‌دانید چه رفتاری ممکن است نماینده نمایش دهد.”
این تحولات و چالش‌ها نشان‌دهنده آینده‌ای نوآورانه و در عین حال چالش‌برانگیز برای سازمان‌هایی است که قصد دارند از هوش مصنوعی نمایندگی بهره‌برداری کنند.