هوش مصنوعی عاملمحور و فرصت تحول در خدمات کسبوکار جهانی (GBS)
با وجود هیجان رسانهای پیرامون «سال هوش مصنوعی عاملمحور»، تحقق گسترده این فناوری در سال 2025 رخ نداد. مطابق گزارشها و تحلیلهای منتشرشده و نتایج یک نظرسنجی در اجلاس Shared Services & Outsourcing Network (SSON) در فوریه 2025، نزدیک به 65٪ سازمانهای GBS اعلام کردند که هنوز پروژه تولیدی مبتنی بر هوش مصنوعی (GenAI) را به پایان نرساندهاند. علت اصلی این تاخیر، نبود «ملزومات زیربنایی» لازم برای استقرار در مقیاس است؛ موضوعی که بازیگران بزرگی مانند Google Cloud و شرکتهای توسعهدهنده محیطهای برنامهنویسی به آن اشاره کردهاند.
هوش مصنوعی عاملمحور چیست و چرا مهم است؟
هوش مصنوعی عاملمحور (Agentic AI) نوعی از هوش است که میتواند هدفمحور عمل کند، تصمیم بگیرد و اقدامات هماهنگ را در لایه ارکستراسیون فرایندها اجرا کند. این فناوری تنها محدود به مدلهای زبانی بزرگ (LLM) نیست و میتواند از ترکیب تکنیکهای مختلف — از استخراج دادهها تا پیشبینی روندها — برای خودمختاری مشروط استفاده کند. مزیت اصلی آن توانایی اجرا و هماهنگی وظایف فرایتنی است که قبلاً به صورت دستی یا با اتوماسیون جزئی انجام میشد.
چرا GBS و GCC محل مناسبی برای آغاز هستند؟
خدمات کسبوکار جهانی (GBS) و مراکز توانمندی جهانی (GCC) بهصورت ذاتی در مرکز جریان دادهها و فرایندهای چندواحدی سازمان قرار دارند؛ از امور مالی و منابع انسانی تا زنجیره تأمین و IT. این دید مرکزی و دسترسی به فرایندها و دادههای مرتبط، آنها را به سکوی مناسبی برای پیادهسازی اکوسیستمهای هوش مصنوعی عاملمحور تبدیل میکند. علاوه بر این، کاربردهای استاندارد مانند عاملهای پشتیبانی IT یا خدمات مشتری، هماکنون در دایره فعالیتهای GBS قرار دارند و قابل توسعه به نقشهای عاملمحور هستند.
یک مسیر منظم برای استقرار مقیاسپذیر
برای افزایش شانس موفقیت و اجتناب از اشتباهات گذر از مرحله آزمایشی، رهبران سازمانی باید رویکردی مرحلهای و ساختاریافته را دنبال کنند:
-
شناخت کامل فرایندها
قبل از هرگونه بازطراحی یا اتوماسیون، باید فرایندها و تنوعهای منطقهای، وابستگیها و شدت کار دستی هر فرایند شناسایی شود. سازمانهایی با صدها فرایند پیچیده (مثلاً شرکتهای حملونقل بینالمللی) بدون این تحلیل نمیتوانند بهینهسازی هوشمندانهای انجام دهند. -
احصای کامل دادهها و معماری داده
باید جریان داده از انتها تا انتها، نقاط ورود API، ساختار دادهها (ساختیافته یا غیرساختیافته)، پلتفرمهای منبع و پایگاههای داده برداری (vector databases) مشخص شوند. مدیریت حاکمیت داده، امنیت و تغییرات احتمالی در سناریوی عاملمحور از الزامات پایهای است. -
تعریف مسئله و معیارهای موفقیت
مشکلاتی مانند هزینههای بالای فرایندها، نقض SLA، تجربه ضعیف مشتری یا ریسکهای قانونی باید بهصورت صریح تعیین شوند. هر مسئله تبدیل به یک مورد کاربردی با اهداف قابل اندازهگیری میگردد. -
اجرای آزمایشی مدل عملیاتی مناسب
انتخاب مدل مناسب (مرکز تعالی، توسعه شهروندی، مشارکت BOTT و غیره) و تعیین نقشها و حاکمیت ضروری است. عاملهای هوش مصنوعی معمولاً چندگانه و موازی کار میکنند؛ بنابراین ساختار باید توان هماهنگی، کنترل ریسک و مدیریت پیچیدگی را داشته باشد. -
مقیاسبندی هوشمند و مرحلهای
پایلوتهای موفق باید به پروسهای برای گسترش سازمانی تبدیل شوند. تنها مقیاس است که میتواند تأثیر واقعی و بازگشت سرمایه را نشان دهد.
نمونههای عملیاتی و منافع ملموس
– یک شرکت بزرگ حملونقل با هفت مرکز GBS و دهها فرایند پیچیده، پس از تحلیل فرایندها و دادهها توانست خطوط دادهای بسازد، اسناد پیچیده را دیجیتال کند، منطق قوانین و استثنائات منطقهای را پیاده کند و هماهنگی میان تیمها را خودکار کند؛ نتیجه: تبدیل چندین ابتکار به یک تحول مبتنی بر هوش مصنوعی و افزایش قابل توجه کارایی.
– در بانکها، پس از خودکارسازی فرایندهای غیرمحوری، رسیدگی به فرایندهای پیچیده کسبوکار با پلتفرمهای کشف فرایند موجب شد بیش از 100 پروژه کشف در کمتر از 14 ماه تکمیل شود که راه را برای گسترش سازمانی هموار کرد.
– در فرایند خرید: ترکیب Document AI برای استخراج اطلاعات از سفارشهای خرید و یک عامل هوشمند برای ارزیابی ریسک تامینکننده، بررسی تطابق با مقررات، بررسی بودجه و حتی آغاز مذاکره، میتواند تصمیمگیری را سریعتر، سازگارتر و قابل ردیابیتر کند.
– در مشاوره مالی: هوش پیشبینی میتواند روندها را تحلیل کند و عامل هوشمند میتواند پیشنهادهای عملیاتی برای سرمایهگذاری هدفمند در واحدهای کسبوکار ارائه دهد؛ عاملی که قضاوت انسانی را تکمیل و تسریع میکند، نه جایگزین آن.
نکات نهایی
هوش مصنوعی عاملمحور پتانسیل ایجاد جهش در لایه ارکستراسیون فرایندهای سازمانی را دارد: درک زمینهای، همکاری میان دامنهها و عمل خودگردان تحت چارچوب حاکمیت. GBS به علت موقعیت مرکزی خود در جریان فرایندها و دادهها، بهترین مکان برای آغاز پیادهسازیهای سازمانی است. اما موفقیت نیازمند آمادهسازی فرایند، تصحیح معماری داده و انتخاب مدل عملیاتی مناسب است تا از تجربههای قبلی GenAI درس گرفته و راه را برای تحول واقعی هموار کند.