تولد سازمان‌های Agent-Driven

با ظهور Agentic AI، سازمان‌ها وارد مرحله‌ای جدید از به‌کارگیری هوش مصنوعی شده‌اند؛ مرحله‌ای که در آن، AI نه‌تنها پیشنهاد می‌دهد یا تحلیل می‌کند، بلکه تصمیم می‌گیرد، اقدام می‌کند و از نتایج یاد می‌گیرد. این تحول، چالش اصلی را از «ساخت مدل» به «طراحی کار» منتقل کرده است. این مقاله بیان می‌کند که ارزش واقعی Agentic AI نه در توسعه‌ی Agentها، بلکه در بازطراحی Workflowها، هماهنگ‌سازی Multi-Agent Systems و ایجاد سازوکارهای کنترل و نظارت انسانی نهفته است.

در سال‌های اخیر، سازمان‌ها سرمایه‌گذاری زیادی روی هوش مصنوعی کرده‌اند، اما اغلب از آن صرفاً به‌عنوان یک ابزار کمکی استفاده شده است؛ ابزاری که داده را تحلیل می‌کند و نتیجه را در اختیار انسان قرار می‌دهد. Agentic AI این منطق را تغییر می‌دهد. در این رویکرد، هوش مصنوعی فقط تحلیل‌گر نیست، بلکه به‌صورت فعال در تصمیم‌گیری و اجرای کارها نقش دارد. همین تغییر باعث می‌شود سازمان‌ها ناچار شوند Workflowهای خود را از نو طراحی کنند.[۱]و[۲]

چرا Workflowهای فعلی سازمانی کارایی خود را از دست می‌دهند؟

Agentic AI را نمی‌توان ادامه‌ خطی اتوماسیون یا مدل‌های سنتی یادگیری ماشین دانست. تفاوت آن با نسل‌های قبلی هوش مصنوعی، یک تفاوت کیفی است نه صرفاً کمی. سه ویژگی کلیدی این تمایز را شکل می‌دهند.

 

بر اساس گزارش‌ McKinsey، در سازمان‌هایی که Agentic AI به‌درستی در Workflowهای بازطراحی‌شده پیاده‌سازی شده، افزایش ۲۰٪ تا ۶۰٪ بهره‌وری حاصل شده‌است. این تحول بهره‌وری شامل صرفه جویی مالی، کاهش زمان انجام کار، تسریع در تصمیم گیری و کاهش زمان حل مسئله بوده‌است.[۳]

نکته کلیدی اینجاست که این دستاوردها نه از «هوشمندتر شدن مدل‌ها»، بلکه از «تغییر منطق انجام کار» حاصل شده‌اند.

 

بیشتر Workflowهای سازمانی امروز بر پایه چند فرض قدیمی طراحی شده‌اند: تصمیم‌گیری ذاتاً کند است، عدم‌قطعیت باید با لایه‌های متعدد تأیید جبران شود و هماهنگی بین واحدها عمدتاً به انسان وابسته است. حاصل این نگاه، فرایندهایی خطی، پر از handoff و متکی به نقش‌های ثابت انسانی است.

Agentic AI با این منطق سازگار نیست. زمانی که عامل‌ها می‌توانند به‌صورت هم‌زمان تحلیل کنند، تصمیم بگیرند و اقدام انجام دهند، Workflow خطی به یک گلوگاه تبدیل می‌شود. در این شرایط، مسئله اصلی دیگر اتوماسیون یک مرحله نیست، بلکه هماهنگی بین چند Agent با نقش‌ها و مسئولیت‌های متفاوت است.

در این رویکرد جدید:

• Workflowها پویا و غیرخطی می‌شوند.
• تصمیم‌گیری به‌صورت توزیع‌شده انجام می‌شود.
• و حلقه‌های بازخورد به‌طور معناداری کوتاه‌تر می‌شوند.

به همین دلیل، سازمان‌هایی که Agentic AI را بدون بازطراحی، صرفاً روی Workflowهای موجود سوار می‌کنند، معمولاً به نتایج محدود یا حتی پرریسک می‌رسند.

 

سازمان‌ها ناچار به بازطراحی Workflowهای خود هستند.

مسئله امروز سازمان‌ها دیگر «هوشمندتر شدن» نیست، بلکه بازطراحی نحوه انجام کار است. در یک دهه گذشته، مسیر ورود هوش مصنوعی به سازمان‌ها عمدتاً از طریق بهینه‌سازی برخی وظایف خاص بوده است؛ از پیش‌بینی تقاضا و امتیازدهی به لیدها گرفته تا اتوماسیون پاسخ‌گویی و تحلیل داده‌های گذشته.

در این مدل، هوش مصنوعی نقش یک ابزار پیشرفته‌ را دارد: سریع‌تر، دقیق‌تر و مقیاس‌پذیرتر از انسان، اما همچنان خارج از هسته تصمیم‌گیری.

ظهور Agentic AI این منطق را تغییر داده است. در این پارادایم جدید، AI صرفاً خروجی تولید نمی‌کند؛ بلکه می‌تواند هدف را تفسیر کند، تصمیم بگیرد، اقدام انجام دهد، نتیجه را بسنجد و مسیر بعدی را اصلاح کند. این سطح از خودمختاری، به‌طور مستقیم فرض‌های بنیادین طراحی کار در سازمان را زیر سؤال می‌برد.

در چنین شرایطی، مسئله اصلی دیگر استفاده از AI نیست؛ بلکه این است که Workflowهایی که برای تصمیم‌گیری انسانی طراحی شده‌اند، تا چه حد با عامل‌های خودمختار سازگارند.

Agentic AI سازمان را مجبور می‌کند نه فقط ابزارها، بلکه منطق جریان کار، توزیع اختیار و حتی مفهوم مسئولیت را بازتعریف کند.[۴]و[۵]

مطالعه موردی: بازطراحی فرایند تهیه یادداشت‌های اعتباری در یک بانک

مسئله

در یک بانک خرده‌فروشی، مدیران ارتباط با مشتری (RMs) هفته‌ها زمان صرف تهیه و بازبینی یادداشت‌های ریسک اعتباری می‌کردند؛ اسنادی که هم برای تصمیم‌گیری اعتباری و هم برای رعایت الزامات نظارتی حیاتی بودند. این فرایند نیازمند استخراج دستی داده از بیش از ده منبع مختلف و انجام تحلیل‌های پیچیده در بخش‌هایی به‌شدت به‌هم‌وابسته مانند وام، درآمد و جریان نقدی بود؛ به‌طوری که هر تغییر کوچک، کل یادداشت را تحت‌تأثیر قرار می‌داد.

رویکرد Agentic

بانک با همکاری تیم ریسک اعتباری و مدیران ارتباط با مشتری، یک نمونه اولیه (Proof of Concept) برای بازطراحی Workflow تهیه یادداشت‌های اعتباری با استفاده از AI Agentها توسعه داد. در این مدل، Agentها داده‌ها را استخراج می‌کنند، بخش‌های مختلف یادداشت را پیش‌نویس می‌کنند، امتیاز اطمینان برای اولویت‌بندی بازبینی ارائه می‌دهند و سؤالات تکمیلی مرتبط را پیشنهاد می‌کنند. در نتیجه، نقش تحلیل‌گر از نگارش دستی به نظارت راهبردی و رسیدگی به موارد استثنا تغییر می‌کند.

اثرگذاری

این رویکرد منجر به افزایش ۲۰ تا ۶۰ درصدی بهره‌وری شده و زمان چرخه تصمیم‌گیری اعتباری را حدود ۳۰ درصد کاهش داده است.[۶]

 

پیشرفت‌های Agentic AI

در حالی که هوش مصنوعی به‌طور گسترده در حال استفاده است، تنها اقلیتی از شرکت‌ها توانسته‌اند قابلیت‌های پیشرفته‌تری مانند ایجنت‌ها را در جریان‌های کاری (workstreams) خود به مرحله مقیاس‌پذیری برسانند؛ به شکلی که واقعاً بتواند کسب‌وکار آن‌ها را متحول کند.

بر اساس داده‌های McKinsey & Company (نظرسنجی جهانی وضعیت هوش مصنوعی ۲۰۲۵ با مشارکت ۱,۹۹۳ نفر)، پذیرش ایجنت‌های هوش مصنوعی در مقیاس سازمانی بیش از همه در صنعت فناوری پیشرفته است (شکل ۲). در این صنعت، کارکردهایی مانند مهندسی نرم‌افزار و فناوری اطلاعات (IT)، بالاترین سطح استفاده مقیاس‌پذیر از ایجنت‌ها را گزارش کرده‌اند.[۷]

 

 

در عین حال BCG گزارش داده که از سه ماهه سوم تا چهارم ۲۰۲۵، همانطور که در شکل ۳ مشخص است، Agentic AI جای خود را در صنایع مختلف پیدا کرده و در حال گسترش است و این مفهوم دیگر محدود به شرکت‌های ذاتاً فناوری‌محور یا AI-native نیست.

 

 

نظرسنجی Tech Value ۲۰۲۵ از Deloitte نشان می‌دهد که ۲۰ درصد از شرکت‌های Tech ایالات متحده، بالای ۵۰٪ از بودجه تحول دیجیتال خود را به اتوماسیون مبتنی بر هوش مصنوعی اختصاص داده‌اند (به طور میانگین ۷۰۰ میلیون دلار برای شرکتی با درآمد ۱۳ میلیارد دلار سالانه).[۸] انتظار می‌رود شرکت‌های جهانی با فاصله‌ای ۱ تا ۲ ساله مسیر مشابهی را طی کنند.[۹]

 

ریسک‌هایی که نباید نادیده گرفته شوند.

در یک مطالعه جهانی مشترک بین MIT Sloan Management Review و Boston Consulting Group که در نوامبر ۲۰۲۵ منتشر شد، تنها ۱۰٪ از سازمان‌ها اعلام کردند که اختیار تصمیم‌گیری را به هوش مصنوعی واگذار کرده‌اند؛ اما پاسخ‌دهندگان پیش‌بینی کردند که طی سه سال آینده این عدد به ۳۵٪ افزایش خواهد یافت.[۱۰]

در همین حال، طبق پایگاه داده AI Incidents Database، حوادث مرتبط با هوش مصنوعی از سال ۲۰۲۴ تا ۲۰۲۵، ۲۱٪ افزایش یافته است. پس باید دقت داشت که همزمان با گسترش استقرار هوش مصنوعی، نیاز به مدیریت ریسک نیز به‌صورت موازی در حال افزایش است.

یک مقاله اخیر از پژوهشگران دانشگاه‌های استنفورد و کارنگی ملون به این ریسک‌ها اشاره کرده است. در این پژوهش، از یک ایجنت هوش مصنوعی خواسته شد تا از روی رسیدهای هزینه، یک فایل اکسل ایجاد کند؛ اما این ایجنت نتوانست داده‌ها را به‌درستی پردازش کند. برای دستیابی به هدف خود، اقدام به ساختن رکوردهای ظاهراً معتبر کرد، از جمله نام‌های ساختگی رستوران‌ها. در مقیاس بزرگ، چنین رکوردهای جعلی می‌تواند منجر به جریمه‌های حسابداری نادرست یا حتی پیامدهای جدی‌تر شود.

برخلاف روایت‌های خوش‌بینانه، Agentic AI همچنان با ریسک‌های جدی همراه است. مهم‌ترین چالش‌ها عبارت‌اند از:

• Agent ممکن است گیر کند، وارد loop شود، یا اشتباه کند.
• ایجنت‌ها اغلب به حیاتی‌ترین سیستم‌های سازمان متصل هستند و توانایی ایجاد تغییرات غیرقابل بازگشت در دنیای واقعی را دارند.
• در Multi-agent، توهم می‌تواند از یک agent به بقیه سرایت کند و یا سیستم‌هایی بسیار پیچیده‌تر با الگوهای رفتاری emergent و غیرقابل پیش‌بینی ایجاد کنند.

توصیه: امروز بیشتر «Human-on-the-loop» جواب می‌دهد. یعنی agent کار را انجام می‌دهد و سپس انسان آن تصمیم را بررسی می‌کند.[۱۱]

 

مسیر آینده Agentic AI

ایجنت‌های مدرن می‌توانند زمینه (Context) را درک کنند، با شرایط جدید سازگار شوند و طیف گسترده‌ای از وظایف را مدیریت کنند. اما هیجان‌انگیزتر از وضعیت فعلی، مقصدی است که به‌سوی آن حرکت می‌کنیم: ایجنت‌های خودتطبیق‌پذیر مبتنی بر استدلالِ Multi-Agent، ایجنت‌هایی که می‌توانند از محیط خود بیاموزند، از طریق تجربه بهبود یابند و هم با انسان‌ها و هم با ایجنت‌های سازمان‌های مشتریان، شرکا، تأمین‌کنندگان و حتی دستیاران هوش مصنوعی شخصی مصرف‌کنندگان همکاری کنند.[۱۲]

پس با افزایش استقرار ایجنت‌های هوش مصنوعی با سطح بالاتری از خودمختاری، این سیستم‌ها به‌زودی مستقیماً با مشتریان تعامل خواهند داشت و فرآیندهای حیاتی کسب‌وکار (مانند تنظیم برنامه‌های تولید یا تعامل با تأمین‌کنندگان) را به‌صورت مستقیم کنترل خواهند کرد. چنین قابلیت‌هایی، دامنه اثرگذاری هوش مصنوعی را به‌طور چشمگیری افزایش می‌دهد، اما هم‌زمان ریسک‌های جدیدی نیز ایجاد می‌کند. سازمان‌ها باید با سرعت بالا، رویکردهای نوین حاکمیتی، قابلیت‌های فنی جدید و مکانیزم‌های «کنترل از طریق طراحی» را پیاده‌سازی کنند تا بتوانند پاسخ‌گویی، کنترل و اعتمادپذیری ایجنت‌های هوش مصنوعی را مدیریت کنند.[۱۳]