a16z: سخت‌ترین نرم‌افزار سازمانی، و بزرگ‌ترین فرصت در هوش مصنوعی

عنوان اصلی: چرا جهان هنوز با SAP کار می‌کند
نویسندهٔ اصلی: اریک و سیما امبل، a16z
ترجمه: پگی، بلاک‌بییتس

یادداشت سردبیر: در حالی که بحث‌ها درباره هوش مصنوعی همچنان بر محصولات و قابلیت‌های جدید متمرکز است، یک تغییر بنیادین‌تر به‌آرامی در نرم‌افزارهای سازمانی در حال وقوع است. تمرکز این مقاله نه بر این است که هوش مصنوعی چگونه برنامه‌های کاربردی جدید فراوانی ایجاد خواهد کرد، بلکه بر این است که چگونه در حال ورود به سناریویی عمیق‌تر اما کم‌زرق‌وبرق‌تر است: سیستم‌های اصلی شرکت‌ها که توسط SAP، Salesforce و ServiceNow نمایندگی می‌شوند.

به زبان ساده، این سه نوع سیستم به جنبه‌های مختلف عملیات سازمانی مربوط می‌شوند:

· SAP مسئول مدیریت منابع اصلی مانند امور مالی، موجودی و تولید است و به عنوان «دفاتر کل» شرکت عمل می‌کند؛

· سیلزفورس فرآیندهای مشتری و فروش را مدیریت می‌کند و مشخص می‌کند که شرکت چگونه درآمدزایی می‌کند؛

سرویس‌ناو از فرآیندهای داخلی و سیستم‌های عملیاتی پشتیبانی می‌کند و به سازمان‌ها امکان می‌دهد تا به طور روان فعالیت کنند. آنها با هم زیرساخت عملیات روزانهٔ سازمان را تشکیل می‌دهند.

این سیستم‌ها از یک سو فوق‌العاده حیاتی هستند، اما از سوی دیگر معمولاً دشوار برای استفاده، پیچیده و دست‌وپاگیرند. شرکت‌ها حجم زیادی از سفارشی‌سازی‌ها و فرآیندها را بر آن‌ها افزوده‌اند که هم آن‌ها را به حافظه سازمانی تبدیل کرده و هم به‌تدریج به باری فنی تبدیل شده‌اند که مهاجرت آن دشوار است. هرچه یک سیستم حیاتی‌تر باشد، تغییر آن دشوارتر است.

فرصت هوش مصنوعی در اینجا در حال ظهور است.

به جای جایگزینی این سیستم‌ها، مسیری واقع‌بینانه‌تر این است که لایه‌ای جدید از سیستم‌های قابل اجرا را بر فراز آن‌ها بسازیم، هزینه‌های مهاجرت را در فاز پیاده‌سازی کاهش دهیم، عملیات را از طریق هم‌پیلوتی و نمایندگی در فاز استفاده ساده‌تر کنیم و در فاز توسعه، سفارشی‌سازی‌های پیچیده را با برنامه‌های سبک جایگزین نماییم. بنابراین، تغییر واقعی این نیست که خود سیستم جایگزین شود، بلکه این است که تعامل میان مردم و سیستم چگونه بازنویسی می‌شود. هوش مصنوعی جایگزین SAP، Salesforce یا ServiceNow نخواهد شد، اما ممکن است به تدریج آن‌ها را «نامرئی» کند. و پلتفرم‌های جدید مرز واقعی ارزش نرم‌افزار سازمانی را در این لایه رابط نامرئی بازتعریف خواهند کرد.

متن اصلی به این شرح است:

با پیشرفت هوش مصنوعی، تمرکز استارتاپ‌ها و مشتریانشان عمدتاً بر قابلیت‌های کاملاً جدید و محصولاتی بوده است که آن‌ها را ممکن می‌سازند. برای مثال، انواع نمایندگان صوتی خیره‌کننده، ابزارهای خودکارسازی گردش کار و پلتفرم‌های تولید متن.

در واقع، این گرایش‌ها از هم‌اکنون پدیدار شده‌اند و همچنان به ظهور شرکت‌های هیجان‌انگیز بسیاری خواهند انجامید (ما نیز در برخی از آن‌ها سرمایه‌گذاری کرده‌ایم). اما آنچه هوش مصنوعی ممکن است واقعاً به شکلی عمیق‌تر تحت تأثیر قرار دهد، نه این حوزه‌های ظاهراً جذاب، بلکه مسیری کم‌زرق‌وبرق‌تر اما ارزشمندتر است: کمک به سازمان‌ها برای بهره‌برداری بهتر از حجم عظیم نرم‌افزارهایی که هم‌اکنون در اختیار دارند.

این سؤالی است که ممکن است کمی توهین‌آمیز به نظر برسد، اما وقتی یک هفته را در یک شرکت فورچون ۵۰۰ بگذرانید، از واقع‌گرایی آن خواهید فهمید: چرا مردم تا به امروز همچنان از SAP (به همراه ServiceNow و Salesforce) استفاده می‌کنند؟

پاسخ کوتاه این است: سیستم‌های بزرگ‌مقیاسی مانند SAP، داده‌های حیاتی مورد نیاز برای عملیات سازمانی را در خود نگهداری می‌کنند. مهم‌تر از همه، شرکت‌ها این سیستم‌ها را به‌شدت سفارشی کرده‌اند و فرآیندهای پیچیده و تخصیص نقش‌ها را بر آن‌ها اعمال کرده‌اند که بسیاری از آن‌ها حتی به‌طور صریح مستند نشده‌اند. مهاجرت از این سیستم‌ها اغلب پرهزینه، طولانی و دردناک است و معمولاً به یک تیم بزرگ مشاوره‌ای نیاز دارد، سال‌ها طول می‌کشد و میلیاردها دلار هزینه دارد. برای مثال، ارتقا از SAP ECC به SAP S/4HANA می‌تواند ۷۰۰ میلیون دلار هزینه داشته باشد، سه سال طول بکشد و شامل تیم ۵۰ نفره‌ای از شرکت اکسنچر باشد. و حتی پس از اتمام مهاجرت، این نرم‌افزار اغلب عمدتاً برای تولید گزارش‌های ایستا استفاده می‌شود و انعطاف‌پذیری کمی برای دستکاری دارد.

با این حال، این وضعیت در حال تغییر است.

هوش مصنوعی قلمرو جدیدی از امکانات را گشوده است که به شرکت‌ها امکان می‌دهد این سیستم‌ها را ارتقا دهند، سفارشی‌سازی کنند، جایگزین نمایند و مهم‌تر از همه، به داده‌های ذخیره‌شده در آن‌ها با کارایی بیشتری دسترسی پیدا کرده و از آن‌ها استفاده کنند.

در نهایت، هدف هوش مصنوعی ممکن است جایگزینی SAP/ServiceNow/Salesforce نباشد، بلکه برنامه‌نویسی‌پذیرتر و کاربرپسندتر کردن آن‌ها باشد. برندگان واقعی پلتفرم‌هایی خواهند بود که دو کار را انجام دهند: اول، از بودجه تحول دیجیتال سازمان بهره ببرند تا ریسک را به طور کمی کاهش داده و چرخه‌ها را کوتاه کنند؛ دوم، به تدریج در عملیات روزانه ادغام شوند، به مرکز عصبی کار تبدیل شوند و رابط‌های سنتی و سنگین را به عملیات قابل ترکیب و قابل مدیریت و اپلیکیشن‌های سبک‌وزن با کمک هوش مصنوعی تجزیه کنند.

به عبارت دیگر، خودِ سامانهٔ رکورد ناپدید نخواهد شد؛ آنچه دستخوش تحول خواهد شد، لایهٔ بالایی رابط‌های تعامل، قابلیت‌های خودکارسازی و لایه‌های توسعه‌ای است که نشانگر مرز بعدی رقابت نرم‌افزاری خواهد بود.

کار با SAP دشوار است، اما با این حال نمی‌توانیم بدون آن کار کنیم.

برای آماده‌سازی زمینهٔ این سؤال، ابتدا به‌طور مختصر دربارهٔ اینکه SAP چیست و چه کاری انجام می‌دهد صحبت کنیم. ظاهراً سیستم‌هایی از این دست دشوار برای مدیریت، پیچیده از نظر عملیاتی و پرهزینه برای تغییر هستند و کار با آن‌ها را بسیار دست‌وپاگیر می‌کنند؛ با این حال، هم‌زمان ستون اصلی عملیات سازمان‌های بزرگ جهانی باقی می‌مانند. فقط تصور کنید که استفاده روزانه از SAP چگونه خواهد بود.

اما همین مفهوم غیرقابل توضیح بودن است که فرصت را فراهم می‌کند.

پاسخی ناخوشایند اما صادقانه‌تر این است: زیر آن رابط‌های دست‌وپاگیر و پیکربندی‌های بی‌پایان، این سیستم‌ها در واقع فوق‌العاده قدرتمند هستند. آنها مدل دادهٔ اصلی شرکت را در خود جای می‌دهند، سازوکارهای مجوزدهی و کنترل را برای تضمین انطباق تعریف می‌کنند، پشتیبانی گردش کار را برای مقیاس عملیاتی فراهم می‌آورند و روابط یکپارچه را با ده‌ها یا حتی صدها فرآیند پایین‌دستی متصل می‌سازند. آنها در معنای اپلیکیشن‌های اینترنت مصرفی نیستند، بلکه حافظه‌های سازمانی هستند که در قالب جداول داده، سیستم‌های نقش، فرآیندهای تأیید، منطق حسابداری و رسیدگی به موارد استثنا متبلور شده‌اند.

جایگزین کردن چنین سیستم‌هایی نه تنها پرهزینه است، بلکه بسیار پرخطر نیز هست. هرچه یک شرکت بیشتر سرمایه‌گذاری کند، مثلاً در زمینه‌های سفارشی، فرآیندها، قواعد قیمت‌گذاری و منطق گزارش‌دهی، این سیستم بیشتر شبیه خندقی می‌شود که از هزینه‌های سوئیچینگ شکل گرفته و حتی بخشی از یک مزیت رقابتی است. به همین دلیل مقیاس‌پذیری بسیار مهم است: هر شرکت منحصربه‌فرد است و تغییر همه‌جا حضور دارد، مانند الزامات نظارتی جدید، محصولات جدید و ساختارهای سازمانی جدید. این پلتفرم‌ها می‌توانند در درازمدت دوام بیاورند، دقیقاً به این دلیل که می‌توان آن‌ها را به‌طور مداوم تنظیم کرد تا با واقعیت سازگار شوند.

با این حال، مشکل در این است که همان مقیاس‌پذیری که آن‌ها را قدرتمند می‌کند، آن‌ها را شکننده نیز می‌سازد. هر سفارشی‌سازی می‌تواند میدان مین بالقوه‌ای برای ارتقاءهای آینده باشد؛ هر گردش کار به هزارتویی پیچیده تبدیل می‌شود؛ هر رابط کاربری بار مداومی بر کاربر تحمیل می‌کند.

این شکنندگی تقریباً همه‌جا وجود دارد. اگرچه CRM به‌طور گسترده پذیرفته شده است، رضایت کاربران همواره مختلط بوده است؛ درجه بالای سفارشی‌سازی ERP تقریباً همیشه با تأخیر در پروژه و افزایش هزینه‌ها همراه است. کارمندان از گردش کارهای پراکنده خسته شده‌اند و مجبورند روزانه حدود ۱۲۰۰ بار بین برنامه‌های مختلف جابه‌جا شوند که معادل هدررفت حدود ۴ ساعت در هفته است؛ ۴۷٪ از کارکنان دیجیتال در یافتن اطلاعات مورد نیاز برای انجام کارشان دچار مشکل هستند. پروژه‌های تحول دیجیتال در مقیاس بزرگ نیز اغلب با شکست مواجه می‌شوند، و برآوردها نشان می‌دهند که حدود ۷۰ درصد از آن‌ها در دستیابی به اهداف اعلام‌شده‌شان ناکام می‌مانند. هزینه‌های ناشی از این اصطکاک‌ها عظیم است، به‌طوری‌که تنها بازار پیاده‌سازی نرم‌افزار و یکپارچه‌سازی سیستم‌ها در سال ۲۰۲۳ به مقیاسی در حدود ۳۸۰ میلیارد دلار رسیده است.

در همین فرایندها و نقاط درد است که هوش مصنوعی فرصتی برای بازسازی شیوه پیاده‌سازی و استفاده از نرم‌افزار فراهم کرده است. یک روش ساده برای درک این فرصت، بررسی چرخهٔ عمر نرم‌افزار سازمانی است: ابتدا پیاده‌سازی یا مهاجرت، سپس استفادهٔ روزانه و در نهایت توسعهٔ مستمر آن در پاسخ به تغییرات کسب‌وکار. در هر مرحله، کار اصلی تبدیل نیت‌های آشفتهٔ انسانی به عملیات صحیح، قابل اجرا و قابل حسابرسی است که در سیستم ثبت می‌شوند.

در ادامه، می‌توانیم به‌طور جداگانه بررسی کنیم که چگونه هوش مصنوعی در هر مرحله، بهره‌وری از سیستم نرم‌افزاری سنتی را بهبود می‌بخشد.

مرحله اجرا

بیایید از مرحلهٔ اجرا شروع کنیم که بالاترین ریسک را دارد، بیشترین حساسیت را نسبت به بودجه دارد، اما در عین حال واضح‌ترین پاداش را به همراه می‌آورد. به طور مشخص، این موضوع درباره تبدیل اطلاعات پراکنده پژوهشی مانند جلسات، اسناد، دستورهای کاری به نیازمندی‌های ساختاریافته و تولید خودکار گردش کار پیاده‌سازی مورد نیاز است، شامل نقشه‌برداری فرآیند و میدانی، پیکربندی و کد، اسکریپت‌های تست، طرح‌های سوئیچ، راهنماهای مهاجرت و پاک‌سازی و اعتبارسنجی داده‌ها پیش از راه‌اندازی. این فرایند بسیار پیچیده و مستعد خطا است. غول خرده‌فروشی آلمانی لیدل یک‌بار پس از سرمایه‌گذاری ۵۰۰ میلیون دلاری، پروژه تحول SAP خود را رها کرد.

در این مرحله، گروهی از شرکت‌ها در حال ساخت ابزارهایی برای کمک به مهاجرت و پیاده‌سازی هستند، مانند سیستم‌های مختلف کوپیلوت، ابزارهای مدیریت پروژه و غیره. در اینجا چند مثال معمولی آورده شده است:

· اکسیاماتیک یک لایه حفاظتی هوش مصنوعی برای ERP ارائه می‌دهد که با ایجاد یک گراف دانش پروژه، مشکلات احتمالی در مدیریت نیازمندی‌ها و تغییرات را در اسلک یا تیمز برجسته کرده، ریسک‌ها را کاهش داده و پیشرفت پروژه S/4HANA را تسریع می‌بخشد. این با SAP Build یکپارچه شده و در فرآیندهای مشاوره‌ای شرکت‌های KPMG، EY، IBM و دیگران تعبیه شده است.

· Conduct یک ابزار هم‌پیلوت برای نقشه‌برداری کد و فرآیند است که می‌تواند در طول فرآیند مهاجرت از ECC به S/4، یک لایه معنایی و مستندات فنی تولید کند. این از پرسش و پاسخ برای جدول‌های سفارشی و رابط‌های برنامه‌نویسی کاربردی برای تسریع پذیرش داخلی پشتیبانی می‌کند.

آکتور قابلیت تحویل پیاده‌سازی مبتنی بر عامل را برای یکپارچه‌سازان سیستم و تیم‌های خدمات حرفه‌ای فراهم می‌کند. این می‌تواند به‌طور خودکار فرایند کشف را به نیازمندی‌های ساختاریافته تبدیل کند و علاوه بر آن به‌عنوان یک سوابق سیستمی برای مدیریت محدوده کار (SOW)، اسناد طراحی، داستان‌های کاربری، پیکربندی و طرح‌های آزمون عمل کند.

سوپرسونیک بر توانمندسازی محصول تمرکز دارد، با فراهم کردن ربات‌های بصری و صوتی برای آموزش در بستر، نیاز به مهندسان راه‌حل را کاهش می‌دهد و از پیاده‌سازی و گسترش مبتنی بر کانال و مشتری پشتیبانی می‌کند.

تسرا قابلیت‌های یکپارچه‌سازی سیستم بومی هوش مصنوعی را ایجاد می‌کند تا مستقیماً به سیستم ERP موجود شرکت متصل شود، وضعیت پیاده‌سازی آن را ارزیابی کند، مشکلات را به طور خودکار در طول فرآیند مهاجرت شناسایی و اصلاح نماید و به مدیریت تحول از ابتدا تا انتها دست یابد.

ارزش این شرکت‌ها در این است که تحول را سریع‌تر، ارزان‌تر و قابل‌مدیریت‌تر می‌کنند. این موضوع به‌طور مشخص در چند جنبه منعکس می‌شود: کشف زودهنگام مشکلات در مراحل نیازمندی‌ها و مدیریت تغییرات برای جلوگیری از تشدید آن‌ها در مراحل بعدی؛ کوتاه‌سازی چرخه زمانی، زیرا حتی یک ماه تأخیر می‌تواند به هزینه‌هایی در حد میلیون‌ها دلار منجر شود؛ تبدیل داده‌های پراکنده پروژه به دانش ساختارمند تا تیم‌های داخلی بتوانند سریع‌تر آن را به عهده بگیرند؛ و کاهش وابستگی به تیم‌های بزرگ یکپارچه‌سازی سیستم از طریق نقشه‌برداری خودکار، تولید مستندات، آزمون و آموزش.

ما معتقدیم هنوز جای بیشتری برای استارتاپ‌های بیشتر در این حوزه وجود دارد، به‌ویژه آن‌هایی که به‌جای ابزارهای تقابلی، با شرکای موجود همکاری می‌کنند. دستورالعمل‌های مشخص شامل موارد زیر است:

· عامل‌های پیاده‌سازی مرتبط با نتایج و ریسک‌های پروژه، برای مثال، مورد استفاده برای ردیابی نیازمندی‌ها، مقایسه پیکربندی، شبیه‌سازی سوئیچ، تولید کد و تشخیص انحراف؛

ابزارهای مستندسازی معنایی برای اطمینان از به‌روز بودن و دسترسی آسان به دانش؛

· توانمندسازی عوامل برای تبدیل آموزش و ارتقای کانال به قابلیت‌های محصولی قابل استفاده مجدد.

از آنجا که استارتاپ‌ها می‌توانند واقعاً بار سازمان‌ها را کاهش دهند، می‌توانند قیمت‌گذاری خود را بر اساس هزینه فرصت صرفه‌جویی‌شده برای سازمان انجام دهند و مستقیماً به بودجه‌های تحول که CIOها و CFOها قبلاً اختصاص داده‌اند دسترسی پیدا کنند، در حالی که در این فرایند آن پروژه‌های حجیم یکپارچه‌سازی سیستم را کنار می‌زنند.

استفاده و نگهداری

سپس، هنگامی که یک سیستم نرم‌افزاری به‌طور کامل پیاده‌سازی شد، چالش واقعی آغاز می‌شود. استفاده روزمره به معنای پیمایش مداوم در رابط‌های پیچیده و آشفته این سیستم‌ها است. کار روزانه اغلب ده‌ها رابط را در بر می‌گیرد و جابجایی مداوم کارکنان تجربه انباشته را مدام بازنشانی می‌کند، در حالی که تعداد زیادی از فرآیندهای حاشیه‌ای هرگز از پشتیبانی مناسب در سطح محصول برخوردار نمی‌شوند. کاربران مجبورند وقت خود را صرف جستجوی فیلدها، همگام‌سازی دستی داده‌ها بین سیستم‌های مختلف یا درخواست مکرر از تیم عملیات برای درخواست‌هایی مانند «می‌توانید این گزارش را برایم اجرا کنید» کنند. نتیجه، چرخه‌های فرآیند کندتر، خطاهای مکرر و هزینه‌های مداوم آموزش است.

در اینجا، فرصت هوش مصنوعی در ایجاد لایه‌ای دوستانه‌تر و قدرتمندتر بر فراز این سیستم‌های قدیمی نهفته است.

این نوع شرکت‌ها با هدف کمک به تیم‌ها برای استخراج ارزش بیشتر از سیستم‌های موجود فعالیت می‌کنند. در عمل، اغلب یک هم‌پیلوت در اسلک یا نوار کناری مرورگر حضور دارد که می‌تواند به پرسش‌هایی مانند «کجا می‌توان داده‌های خاصی را پیدا کرد» یا «چگونه یک عملیات مشخص را انجام دهیم» از طریق جستجوی معنایی پاسخ دهد و در صورت در دسترس بودن APIها، اقداماتی امن را انجام دهد، مانند ایجاد دستور کار، ثبت دفاتر روزنامه، به‌روزرسانی شرایط فروشنده و غیره. این ابزارها همچنین می‌توانند چندین سیستم را به هم متصل کنند تا گردش کارهای ترکیبی میان‌برنامه‌ای ایجاد کنند، مانند استخراج سفارش‌های خرید سه‌ماهه گذشته از SAP، تأیید شرایط قرارداد در Coupa، تهیه توضیحات انحراف در ServiceNow و گنجاندن تأییدهای انسانی، ردپای حسابرسی و کنترل‌های دقیق دسترسی در طول مسیر. محصولات عالی همچنین استفاده، صرفه‌جویی در زمان، نرخ خطا و سایر معیارها را ردیابی می‌کنند.

با این حال، واقعیت این است که بخش قابل توجهی از کارهای حیاتی درون سازمان‌ها از طریق APIهای استاندارد در دسترس قرار نمی‌گیرند، بلکه در رابط‌های مختلفی مانند کلاینت‌های قدیمی، محیط‌های دسکتاپ مجازی و پشت‌پایه‌های مدیریتی با مستندات ضعیف وجود دارند. بنابراین، عامل‌های مدرن رایانه‌ای که توسط کامپیوتر اداره می‌شوند، به مکمل حیاتی برای هم‌یارهای مبتنی بر API تبدیل شده‌اند. آنها دامنهٔ اتوماسیون را به آن ۳۰ تا ۴۰ درصد نهایی از فرآیندها که از طریق رابط‌ها قابل دسترسی نیستند، گسترش می‌دهند.

توانایی اصلی آن‌ها تنها کلیک کردن روی دکمه‌ها نیست، بلکه توانایی اجرای پایدار در یک محیط آشفته است. این عامل‌ها باید ساختارهای رابط را درک کنند، عناصر پایدار را شناسایی کنند، اجرای برنامه را در پنجره‌های پاپ‌آپ یا تغییرات چیدمان بازیابی کنند و پیشرفت را در نقاط کلیدی ثبت کنند تا پس از وقفه‌ها بازیابی ایمن امکان‌پذیر باشد. وقتی این قابلیت‌ها با مکانیزم‌های تأیید (مانند بررسی‌های اختلاف، تطبیق حساب‌ها، تست در محیط sandbox) و کنترل‌های سازمانی (ورود یکپارچه، مدیریت کلید، اصل حداقل امتیاز، سوابق حسابرسی) ترکیب می‌شوند، می‌توانند کاری را که قبلاً به مداخله دستی متکی بود، به فرآیندهای خودکار، قابل مدیریت و قابل تکرار، مانند اولویت‌بندی دستور کار، مراحل بسته‌شدن پایان دوره، به‌روزرسانی‌های مشتری، تعدیل قیمت‌ها، حتی در بخش‌هایی از SAP، ServiceNow، تبدیل کنند. Salesforce که در ابتدا برای خودکارسازی طراحی نشده بودند.

این را می‌توان به شرح زیر درک کرد: رابط‌های برنامه‌نویسی کاربردی مسیرهای استاندارد را کارآمدتر می‌کنند، در حالی که قدرت محاسباتی حتی امکان خودکارسازی فرآیندهای کم‌تقاضا را نیز فراهم می‌آورد.

شرکت‌هایی مانند فکتور لبز و سولا پیش از این چنین عامل‌هایی را در محیط‌های تولیدی مستقر کرده‌اند، هزینه‌های برون‌سپاری سنتی فرآیندهای کسب‌وکار را جایگزین کرده و به سازمان‌های بزرگ در دستیابی به خودکارسازی مقیاس‌پذیر وظایف کمک می‌کنند.

لایهٔ گسترش

در نهایت، حتی با کاربرپسندتر کردن SAP، ServiceNow و Salesforce، خودِ سازمان نیز به‌طور مداوم در حال تحول است، به این معنی که سوابق سیستم نیز باید تکامل یابند. محصولات جدید، سیاست‌های جدید، ادغام‌ها و اکتساب‌های جدید، الزامات نظارتی جدید و تعداد زیادی از فرآیندهای دم‌دراز که هرگز شایسته توسعه مستقل یک ماژول اصلی نیستند، همگی به‌طور مداوم نرم‌افزار را وادار می‌کنند تا خود را با وضعیت واقعی کسب‌وکار وفق دهد. در گذشته، تیم‌ها معمولاً تنها دو انتخاب داشتند: یا سیستم را به‌طور عمیق سفارشی‌سازی کنند و هزینهٔ شکنندگی آن را بپذیرند، یا برنامه‌های مستقل پراکنده توسعه دهند، اما سپس با دشواری‌هایی در یکپارچه‌سازی، حاکمیت و نگهداری مواجه شوند.

هوش مصنوعی مسیر سومی را ارائه می‌دهد: ایجاد تجربه‌های کاربردی کوچک و قابل‌مدیریت بر روی سیستم اصلی با سرعتی بیشتر و بدون ایجاد اختلال در آن.

ایجاد ابزارهای جدید و قابلیت‌های خودکارسازی بر روی سیستم‌های سنتی را می‌توان افزودن لایه‌ای از تجربه کاربری «قابل‌استفاده» بر فراز مجموعه‌ای از نرم‌افزارهای چندان کاربرپسند ندانست، تلقی کرد. الگوی پایه این است که ابتدا یک لایه یکپارچه داده‌ها و اقدامات ایجاد شود: داده‌ها را از سوابق سیستم از طریق APIها و رویدادها (در صورت لزوم با استفاده از اسکریپت‌زنی رابط‌های امن) بخوانید، آن‌ها را به یک مدل معنایی از اشیاء کسب‌وکار مانند سفارش‌ها، تأمین‌کنندگان، دستورهای کاری و غیره استاندارد کنید، و سپس بر اساس آن مجموعه‌ای از رابط‌های عملیاتی را با کنترل دسترسی، مکانیزم‌های تأیید و قابلیت‌های حسابرسی فراهم آورید.

بر این اساس، تیم‌ها می‌توانند به‌سرعت تجربه‌های کاربردی متمرکز بر سناریوهای خاص را بسازند که مدرن‌تر و نزدیک‌تر به نیازهای واقعی هستند. برای مثال، به جای اینکه کارکنان تدارکات ده‌ها مرحله در SAP را برای ثبت یک تأمین‌کننده طی کنند، یک اپلیکیشن سبک واحد برای ثبت تأمین‌کننده ارائه می‌شود تا داده‌ها را جمع‌آوری کند، بررسی‌های اعتبارسنجی را انجام دهد، مراحل تأیید را گردش دهد و در نهایت داده‌ها را به SAP بازنویسی کند. به همین ترتیب، به جای اینکه تیم‌های عملیات درآمد مجبور شوند برای تغییر شرایط تمدید در سیلزفورس بین چندین رابط جابجا شوند، یک ویرایشگر پرسرعت مشابه صفحه‌گسترده فراهم شده است تا بتوانند به‌صورت دسته‌ای تغییرات را اعمال کنند، انطباق را اعتبارسنجی نمایند، تأثیرات را پیش‌نمایش کنند و در نهایت تغییرات را با یک سابقهٔ کامل حسابرسی ارسال نمایند. یا به جای ساخت مکرر سامانه‌های پرتال جدید، یک ورودی عملیاتی یکپارچه در اختیار تیم‌های خط مقدم قرار می‌گیرد تا عملیات روزانه با فرکانس بالا در سرتاسر سامانه‌ها، مانند ثبت برگشت کالا، افزایش سقف اعتبار، ثبت تیکت خطای ثانویه، ثبت هزینه‌ها و غیره را بدون نیاز به جابه‌جایی مداوم بین صفحات متعدد انجام دهند.

این لایه‌های افزایشی همچنین می‌توانند قابلیت‌های گردش کار و اتوماسیون بین سامانه‌ها را به هم پیوند دهند، که اولویت‌بندی آن برای هیچ فروشنده‌ای به‌تنهایی دشوار است. برای مثال، از طریق اتوماسیون مبتنی بر رویداد: وقتی فاکتوری ثبت می‌شود و اختلاف بیش از ۳٪ است، به‌طور خودکار توضیحی تهیه کرده و برای تأیید ارسال کنید؛ یا وقتی دستور کار دوبار باز می‌شود، به‌طور خودکار تیکتی ایجاد کرده، مسئول مربوطه را تعیین کنید، وضعیت مشتری را به‌روزرسانی کرده و در نقاط کلیدی بازبینی انسانی را وارد کنید.

با گذشت زمان، ارزشمندترین رویه‌ها به‌تدریج به ماژول‌های هدف قابل‌استفاده مجدد تبدیل خواهند شد، مانند فرآیند از استعلام تا پرداخت، پیوستن فروشنده، تسویه پایان سال و غیره. این ماژول‌ها نه تنها مشخص می‌کنند چه اقداماتی باید انجام شود، بلکه مهم‌تر از آن، نحوه انجام این عملیات را به‌صورت امن و مطابق با مقررات در یک محیط سازمانی خاص تعیین می‌کنند.

محصولاتی مانند Cell که توسط General Magic عرضه شده‌اند، قابلیت پایه‌ای برای ساخت چنین گردش کارهای سفارشی را ملموس می‌کنند: شما می‌توانید یک مشخصه OpenAPI را بارگذاری کنید تا هر رابط را به یک عملیات قابل فراخوانی تبدیل کنید؛ سپس، از طریق یک اسکریپت ساده تعبیه‌شده در نوار فرمان بومی، مستقیماً فراخوانی‌های واقعی API را اجرا کنید که توسط قابلیت‌های تحلیلی، معماری چنداجاره‌ای، کنترل‌های امنیتی و مکانیزم‌های مدیریت مجوز پشتیبانی می‌شوند. بدین ترتیب، تمرکز کار از بازسازی مجموعه‌ای از رابط‌ها به ترکیب عملیات و استراتژی‌های مناسب بر روی سیستم‌های موجود و مورد اعتماد تغییر می‌کند.

پایان کار چگونه خواهد بود؟

ارزیابی ما این است که این سیستم‌های سنتی عمدتاً به وجود خود ادامه خواهند داد، اما دیگر رابط اصلی انجام کار نخواهند بود. سیستم‌های ERP، CRM، ITSM و سایر سیستم‌ها به‌طور عمیق در سازمان‌ها ریشه دوانده‌اند و نمی‌توان آن‌ها را با سرعت نرم‌افزارهای معمولی جایگزین کرد؛ آن‌ها به‌تدریج تکامل خواهند یافت و همچنان به‌عنوان سیستم ثبت سوابق باقی خواهند ماند. آنچه واقعاً تغییر خواهد کرد، سیستم‌های کنش کاربرمحور هستند که بر فراز آن‌ها ساخته شده‌اند: هوش مصنوعی به نقطهٔ ورود پیش‌فرض برای درک نحوهٔ عملکرد سیستم‌ها، هماهنگ‌سازی گردش کار بین سیستم‌ها و ساخت اپلیکیشن‌های مدرن و سبک تبدیل خواهد شد که از رابط‌های سنتی عبور می‌کنند. به عبارت دیگر، لایه‌ای که قبلاً به‌عنوان پل عمل می‌کرد، به بزرگراه واقعی تبدیل خواهد شد.

در این الگو، نرم‌افزاری که بتواند در بلندمدت موفق باشد دیگر شبیه چت‌بات‌ها نخواهد بود، بلکه بیشتر شبیه یک سیستم‌عامل خواهد بود: یک بستر یکپارچه داده‌ها و اقدامات که بر پایه مدل معنایی اشیاء کسب‌وکار ساخته شده و به مکانیزم‌های قوی امنیت و حاکمیت مجهز است تا امکان بهره‌برداری مطمئن از هوش مصنوعی در یک محیط تولیدی را فراهم کند. برای کاربران نهایی نیازی نیست بدانند کدام رابط، فیلد یا کد تراکنش خاص را باید استفاده کنند و پس از تغییرات رابط یا فرآیند نیز لازم نیست بارها دوباره یاد بگیرند؛ کافی است نتیجه‌ای را که می‌خواهید به دست آورید توصیف کنید تا سیستم به شما در تکمیل آن کمک کند. در طول مسیر، سیستم سوالات شفاف‌سازی لازم را مطرح می‌کند، پیش‌نمایش اجرای عملیات را نمایش می‌دهد و سپس عملیات را تحت مکانیزم‌های مناسب تأیید و حسابرسی تکمیل می‌کند.

برای مثال، می‌توانید دستوراتی مانند ایجاد یک بازگشت کالا و اطلاع‌رسانی به مشتری، ایجاد بلیت حادثه سطح ۲ و بازیابی سه رویداد مرتبط اخیر، یا تکمیل فرایند onboard کردن فروشنده، شامل جمع‌آوری اطلاعات، طی کردن گردش کار تأیید و تنظیم شرایط پرداخت صادر کنید. امروزه، انجام این عملیات اغلب مستلزم جابه‌جایی مکرر بین SAP، Salesforce، Service Now و صفحه‌گسترده است. با این حال، در پارادایم جدید، آن‌ها در یک جریان اجرای یکپارچه ادغام خواهند شد.

نتیجهٔ این تحول، خطاها و بازگشت‌های کمتر، وابستگی کمتر به تجربه، چرخه‌های پردازش سریع‌تر و کاهش چشمگیر هزینه‌های آموزش است، زیرا کل تعامل بر اساس نیت است، از نقش آگاه است و به‌طور پیش‌فرض به خودخدمت ارجاع می‌دهد.

خندق نیز در استفادهٔ واقعی به‌طور مداوم انباشته می‌شود: هر گردش کاری که با موفقیت اجرا شود به‌عنوان یک نیت قابل‌استفادهٔ مجدد ثبت می‌شود؛ هر مدیریت استثناء به محدودیت‌های امنیتی جدید تبدیل می‌شود؛ هر اثر باقیمانده از فرایندهای مهاجرت بخشی از ساختار پیوستهٔ به‌روزرسانی‌شدهٔ سیستم خواهد شد؛ و هر یکپارچه‌سازی درک ما را از نحوهٔ واقعی عملکرد کسب‌وکار عمیق‌تر می‌کند. با گذشت زمان، این لایه از هوش مصنوعی به نقطهٔ ورود اصلی تیم برای درک تأثیرات تغییرات، جلوگیری از انحراف سیستم، سنجش بازگشت سرمایه و ایجاد گردش کارهای جدید تبدیل خواهد شد، حتی اگر خود سیستم‌های زیربنایی تغییر نکرده باشند.

[لینک مقاله اصلی]