مدیر عامل هوشمند؛ نقش رهبری جدید در عصر هوش مصنوعی عاملی

تیم توسعه فروش Salesforce، روزانه ده‌ها تماس می‌گرفتند، اما فقط می‌توانستند با ۱۲ تا ۱۵ سرنخ واقعاً صحبت کنند. باقی سرنخ‌ها، هرقدر هم که باارزش بودند، در صف می‌ماندند. بعد از اضافه‌شدن یک عامل هوشمند به این تیم که کار شخصی‌سازی پیام‌ها، تعیین صلاحیت سرنخ و پیگیری موارد قدیمی را برعهده گرفت، همان تیم از رزرو ۱۵۰ جلسه در یک ماه به رزرو بیش از ۳۵۰ جلسه در یک هفته رسید. که ۶۰ میلیون دلار خط لوله فروش سالانه و بیش از ۳۰۰ مشتری تازه در چهار ماه نتیجه این تغییر بود. آن‌هم با تیمی به‌کوچکی یک «تیم دو پیتزایی». برای اینکه این جهش ایجاد شود کسی باید تصمیم می‌گرفت که عامل چه لحنی داشته باشد، کِی باید سرنخ را به یک فروشنده‌ی انسانی برگرداند، و وقتی اشتباه می‌کند چطور اصلاح شود. این کار را یک مدیر عامل هوشمند انجام می‌دهد. این عنوان را با مدیرعامل شرکت اشتباه نگیرید؛ منظور ما فردی است که مسئول اداره و آموزش تیمی از عامل‌های هوش مصنوعی است.

عامل هوشمند با یک نرم‌افزار خودکار فرق دارد

نرم‌افزارهای خودکارسازی قدیمی دستورالعمل ثابتی اجرا می‌کنند و همان کار را بارها تکرار می‌کنند. عامل هوشمند از بازخورد یاد می‌گیرد، با عامل‌های دیگر همکاری می‌کند و در مواردی که از عهده‌اش برنمی‌آید، خودش تشخیص می‌دهد که باید کار را به یک انسان بسپارد. در Salesforce، همین سازوکار باعث شده نزدیک به ۷۴ درصد از تیکت‌های پشتیبانی مشتری بدون دخالت انسان حل شوند. وقتی یک سیستم توانایی یادگیری و تصمیم‌گیری دارد، دیگر نمی‌توانید با آن مثل یک ابزار رفتار کنید؛ باید مثل یک عضو تیم آن را آموزش دهید، نظارت کنید و عملکردش را بسنجید. این کار مدیریت عامل‌های هوش مصنوعی را از پشتیبانی فنی معمولی متمایز می‌کند.

چه کسی مالک است؟

پیش‌تر، استقرار هر ابزار هوشمند در سازمان کار بخش فناوری اطلاعات بود. اما وقتی عامل هوشمند دارد کار واقعی یک واحد کسب‌وکار (مثلاً فروش یا خدمات مشتری) را انجام می‌دهد، منطقی نیست که تصمیم درباره‌ی رفتار آن هم‌چنان دست تیم فنی بماند. در Salesforce، همین تیم‌های موفقیت مشتری‌اند که لحن عامل و قوانین ارجاعش را تعیین می‌کنند، نه بخش فناوری. مالکیت عامل‌های هوشمند در کسب‌وکار متعلق به همان واحدی است که عامل هوشمند برای آن واحد کار می‌کند.

شش مهارتی که یک مدیر عامل هوشمند کارآمد را می‌سازد

سواد عملیاتی هوش مصنوعی

می‌فهمند پشت هر پاسخ عامل چه اتفاقی افتاده و کدام پرامپت نتیجه را عوض کرده و وقتی سیستم جایی خراب شود، ریشه‌اش را پیدا می‌کنند.

عمق عملکردی

حوزه‌ی کاری‌ای را که عامل در آن فعالیت می‌کند مثل خدمات مشتری، مالی یا لجستیک، از نزدیک و با جزئیات می‌شناسند.

تفکر سیستمی

تصویر کلی را می‌بینند؛ یعنی می‌دانند که عامل‌های مختلف در جریان‌های کاری و دپارتمان‌ها چطور با هم و با تیم‌های دیگر تعامل می‌کنند و هماهنگ می‌مانند.

تاب‌آوری در برابر تغییر

با تغییر مدل‌ها یا نیازهای کسب‌وکار به‌سرعت خودشان را وفق می‌دهند و منطق عامل را در چرخه‌های هفتگی آزمایش، بازبینی و به‌روزرسانی می‌کنند.

مهارت پرامپت‌نویسی

در نوشتن و اصلاح دستورالعمل‌هایی که رفتار عامل را می‌سازند مهارت بالایی دارند.

طراحی کار ترکیبی

مرز توانایی ماشین را می‌شناسند، و نحوه تقسیم جریان کاری بین انسان و عامل را می‌دانند و اینکه کِی باید کار به انسان برگردد و چطور نیروی انسانی را در این ساختار تازه درگیر و انگیزه‌مند نگه دارند.

یک روز کاری معمولی برای این مدیران چه شکلی است؟

مدیر در محل کار گشت می‌زند؛ او این کار را به‌صورت دیجیتال انجام می‌دهد. به داشبوردها و کارت‌های امتیاز نگاهی می‌اندازد تا ببیند عامل‌ها چقدر دقیق و سریع کار می‌کنند، مشتری از تعامل چه حسی گرفته، و چه مقدار از موارد به انسان ارجاع شده. فرقشان با یک ناظر معمولی در ورود به جزئیات پرامپت‌ها است. اصلاح یک پرامپت برای بهتر شدن لحن یا دقت پاسخ، همان کاری است که آموزش یک کارمند تازه‌کار برای یک مدیر سنتی انجام می‌دهد.

چه چیزی را باید سنجید؟

مدیران باید بدانند سیستم‌های هوش مصنوعی از کجا شکست می‌خورند و چرا، و هم‌زمان باید تجربه‌ی عمیقی از همان حوزه‌ی کسب‌وکاری داشته باشند که عامل در آن فعالیت می‌کند. باید تصویر بزرگ‌تر را هم ببینند؛ اینکه چند عامل مختلف چطور در کنار هم و در دپارتمان‌های مختلف با یکدیگر هماهنگ می‌شوند؛ که به آن هماهنگ‌سازی هوش مصنوعی یا AI Orchestration گفته می‌شود. چون مدل‌ها و نیازهای کسب‌وکار مدام تغییر می‌کنند، همین منطق را باید در چرخه‌های کوتاه و مکرر آزمایش، استقرار و اصلاح به‌روز نگه دارند. سنجه‌هایی که فقط حجم فعالیت را می‌شمارند (مثلاً تعداد تماس روزانه یک فروشنده) دیگر تصویر واقعی از عملکرد نمی‌دهند. جایگزینی KPI سنتی در عصر هوش مصنوعی به تعداد ساعت کاری یک نفر نیست؛ این یعنی باید بسنجید که یک نفر تا چه حد توانسته جریان کاری‌اش را با عامل هماهنگ کند و چه نتیجه‌ای از آن گرفته.

چرا این نقش لزوماً دست متخصصان فنی نمی‌افتد

شاید تصور کنید بهترین گزینه برای این شغل کسی‌ست که پیش‌تر مهندس یادگیری ماشین یا تحلیلگر داده بوده. در تجربه‌ی Salesforce ، می‌بینید که Zach Stauber ، یکی از این مدیران در Salesforce، سال‌ها در طراحی مکالمه و رهبری تیم‌های اولیه‌ی چت‌بات کار کرده بود (پیش‌زمینه‌ای که هیچ ربطی به مهندسی نرم‌افزار ندارد). او «کنجکاوی صادقانه» را چیزی می‌داند که او را برای این نقش مناسب کرد. او در دوره‌ای که هنوز قوانین ثابتی برای این کار وجود نداشت تمایل به آزمایش‌کردن و پذیرفتن مسئولیت داشت. کسانی که پیش‌تر مسئول کیفیت خدمات یا نتایج مشتری بوده‌اند، درکی از «خوب‌بودن» یک تعامل واقعی دارند و هیچ مدرک هوش مصنوعی جایگزینش نمی‌شود. سازمان‌هایی که در استخدام و آموزش متخصص هوش مصنوعی برای این نقش موفقیت‌آمیز عمل کردند، با آن مثل یک دوره کارآموزی رفتار کرده‌اند: افراد را مستقیم وارد عملیات زنده و بررسی موارد شکست‌خورده می‌کنند، اما از روز اول مشخص می‌کنند چه کسی اختیار تصمیم‌گیری دارد. وقتی این نقش را کاملاً به فناوری اطلاعات سپردند یا فقط دنبال مدرک بودند، مدیرانی گرفتند که از نظر فنی درست کار می‌کنند اما در تصمیم‌های استراتژیک می‌لنگند.

این عنوان شغلی تا کجا پیش می‌رود؟

هوش مصنوعی کم‌کم به منابع انسانی، مالی و زنجیره تأمین هم راه باز کرده؛ یعنی نیاز به کسی که مسئول طراحی و حکمرانی روی این عامل‌ها باشد، فقط در حال بزرگ‌تر شدن است. بدون چنین مسئولیتی، حتی بهترین پروژه‌ی هوش مصنوعی هم بی‌نتیجه می‌ماند. آموزش‌دادن این افراد ساده نیست، چون ترکیبی از شناخت کسب‌وکار، مهارت فنی و قضاوت اخلاقی می‌خواهد که کمتر در یک نفر جمع می‌شود؛ به همین دلیل شرکت‌ها دارند مسیرهای آموزشی تازه‌ای برای آن طراحی می‌کنند. طبق برآورد نویسندگان این گزارش، ظرف ۱۲ تا ۱۸ ماه آینده «مدیر عامل هوشمند» یکی از عناوین شغلی استاندارد در شرکت‌های پیشرو در هوش مصنوعی خواهد شد.