فاصله میان «حرف زدن درباره هوش مصنوعی» و «استفاده واقعی از آن» یکی از محورهای اصلی دومین رویداد کاربردهای هوش مصنوعی در صنایع و کسبوکارها؛ IRAN AI ۲۰۲۶ بود. این رویداد ۳۰ و ۳۱ شهریور در «دانشگاه صنعتی شریف» و با شعار «خلق ارزش با هوش مصنوعی» برگزار شد.
علیبابا حامی این رویداد بود و اعضای این شرکت در پنلها و نشستهای انتقال تجربه درباره کاربردهای هوش مصنوعی در کسبوکار صحبت کردند. در یکی از پنلهای روز نخست نیز مدیران عامل علیبابا، دیجیکالا، دیوار و اسنپپی تجربههای خود را از ورود هوش مصنوعی به عملیات واقعی کسبوکار به اشتراک گذاشتند.
پرسشی که در بخشهای مختلف رویداد بارها به آن پرداخته شد این بود: هوش مصنوعی دقیقاً چگونه برای یک کسبوکار ارزشآفرینی میکند؟
هوش مصنوعی دیگر بهتنهایی یک مزیت نیست
توحید علیاشرفی، مدیرعامل علیبابا، در پنل «هوش مصنوعی و تحول کسبوکار» با همراهی مسعود طباطبائی، مدیرعامل دیجیکالا، اشکان آرمندهی، مدیرعامل دیوار و مجید حسامی، مدیرعامل اسنپپی، درباره تغییراتی گفتوگو کرد که هوش مصنوعی در شرکتهای فناوری ایجاد کرده است.
بحث این پنل بیش از آنکه بر معرفی یک ابزار یا مدل مشخص متمرکز باشد، به تجربه واقعی کسبوکارها در استفاده از هوش مصنوعی میپرداخت؛ تجربههایی که نشان میداد این فناوری در برخی شرکتها از مرحله آزمایش عبور کرده و وارد فرایندهای اصلی شده است.
توحید علیاشرفی درباره تحلیل تماسهای مرکز تماس بهعنوان یکی از نمونههای استفاده از هوش مصنوعی در علیبابا صحبت کرد. در این فرایند، تماسهای مشتریان به متن تبدیل و پس از پردازش و خلاصهسازی به لایه هوش مشتری متصل میشوند. به این ترتیب میتوان الگوهای مشترک در مسائل و نارضایتیهای گروههای مختلف مشتریان را شناسایی کرد.
در دیجیکالا، یکی از نمونههای مطرحشده به قیمتگذاری مربوط بود. مسعود طباطبائی توضیح داد که پیش از این، رصد قیمت بازار به بررسی دستی منابع متعدد نیاز داشت، اما اکنون یک موتور هوشمند میتواند کانالهای مختلف بازار را بررسی کند و قیمت کالا را متناسب با استراتژی دیجیکالا بهروز کند.
اشکان آرمندهی نیز از استفاده هوش مصنوعی در دیوار برای بررسی آگهیها، جستوجو و کشف تقلب گفت. به گفته او، اکنون ۹۷ درصد فرایند بررسی آگهیها با کمک هوش مصنوعی انجام میشود و زمانی که پیشتر ممکن بود به چند ساعت برسد، در بسیاری از موارد به چند دقیقه کاهش یافته است.
مجید حسامی هم توسعه نرمافزار را یکی از حوزههای استفاده از هوش مصنوعی در اسنپپی معرفی کرد. به گفته او، حدود ۴۰ درصد کد این مجموعه اکنون با کمک ابزارهای هوش مصنوعی تولید میشود. اسنپپی همچنین از این فناوری در حوزههایی مانند شخصیسازی ارتباط با کاربران و عاملهای هوشمند استفاده میکند.
این نمونهها نشان میدهند که هوش مصنوعی علاوه بر خودکارسازی برخی فرایندها، در حال تغییر شیوه انجام بعضی کارهاست. در چنین شرایطی، توانایی تعریف مسئله، تصمیمگیری و سازگاری با تغییرات میتواند اهمیت بیشتری پیدا کند.
از ابزار شروع نکنید؛ از مسئله شروع کنید
ابراهیم نبیئی، CTO گروه علیبابا، بحث را از زاویه دیگری ادامه داد.
پیام اصلی او ساده اما مهم بود: اول مسئله را پیدا کنید، بعد سراغ هوش مصنوعی بروید.
در دورهای که تقریباً هر هفته مدل، عامل هوشمند یا ابزار تازهای معرفی میشود، وسوسه شروع از فناوری زیاد است. شرکتها ممکن است ابتدا تصمیم بگیرند «یک پروژه هوش مصنوعی» داشته باشند و بعد تازه دنبال کاربرد آن بگردند. نبیئی اما بر مسیر معکوس تأکید داشت.
ابتدا باید مشخص شود چه مسئلهای برای مشتری یا کسبوکار اهمیت دارد، حل آن چه ارزشی ایجاد میکند و موفقیت آن چگونه اندازهگیری خواهد شد. سپس میتوان بررسی کرد که آیا هوش مصنوعی ابزار مناسبی برای حل آن هست یا نه.
او همچنین به نمونههایی مانند وایبکدینگ، تحلیل پیشنگر و مدلهای متکی بر داده و زمینه اختصاصی سازمان اشاره کرد. از این منظر، هوش مصنوعی الزاماً قرار نیست در قالب یک محصول مستقل ظاهر شود؛ گاهی مهمترین اثر آن در تغییر شیوه انجام فرایندهای موجود دیده میشود.
نبیئی در عین حال تأکید کرد که دسترسی به مدل بهتنهایی برای استفاده واقعی از هوش مصنوعی کافی نیست. داده مناسب، زیرساخت، زمینه سازمانی و تعریف دقیق مسئله نیز باید وجود داشته باشند؛ در غیر این صورت ممکن است نتیجه در حد یک نمونه نمایشی باقی بماند و هیچگاه وارد عملیات واقعی کسبوکار نشود.
از میلیونها داده تا شناخت دقیقتر مشتری
بخش دیگری از مباحث IRAN AI ۲۰۲۶ به یکی از مسائل قدیمی کسبوکارها برمیگشت: چطور مشتری را بهتر بشناسیم؟
فرناز عابدینی، متخصص داده در علیبابا، در ارائه «وقتی داده بهجای مشتری حرف میزند» درباره تبدیل حجم بزرگی از دادههای رفتاری به اطلاعات قابل استفاده برای تصمیمگیری صحبت کرد.
در علیبابا، این مسیر به ساخت بیش از ۷۰۰ ویژگی مهندسیشده، استفاده از بیش از ۱۶ الگوریتم و شکلگیری بیش از ۴ میلیون میکروسگمنت رسیده است. بهجای قرار دادن میلیونها مشتری در چند دسته کلی، این تقسیمبندی امکان تحلیل دقیقتر رفتار گروههای کوچکتر مشتریان را فراهم میکند.
یکی دیگر از نمونههای مطرحشده، پیشبینی ریزش مشتری بود. براساس اطلاعات ارائهشده در این نشست، مدل مورد استفاده برای پیشبینی ریزش مشتری در علیبابا به دقتی بیش از ۸۶ درصد رسیده است. هدف این مدل، شناسایی نشانههای ریزش پیش از قطع ارتباط مشتری با کسبوکار است.
وقتی هوش مصنوعی وارد ساختار سازمان میشود
یکی دیگر از موضوعات مطرحشده در پنل، تأثیر هوش مصنوعی بر ساختار و نیروی انسانی شرکتها بود.
مسعود طباطبائی توضیح داد که دیجیکالا در حال بررسی این موضوع است که ورود عاملهای هوشمند چه تغییری در طراحی سازمان ایجاد خواهد کرد؛ تا جایی که ممکن است در آینده بخشی از وظایف یک موقعیت سازمانی توسط عاملهای هوشمند انجام شود.
در مقابل، اشکان آرمندهی تأکید کرد که پروژههای هوش مصنوعی در دیوار با هدف کوچککردن تیمها تعریف نشدهاند. از نگاه او، آزادشدن ظرفیت یک تیم میتواند به معنای امکان حل مسائل بیشتر با همان ظرفیت سازمانی باشد.
توحید علیاشرفی یکی از مهمترین آثار هوش مصنوعی را کاهش زمان و هزینه رسیدن از مسئله به تصمیم دانست. در بسیاری از فرایندهای سازمانی، جمعآوری اطلاعات، بررسی دادهها و تحلیل گزینهها پیشتر میتوانست ساعتها یا حتی چند روز زمان ببرد. هوش مصنوعی بخشی از این فاصله را کوتاه کرده و امکان بررسی حجم بیشتری از اطلاعات و گزینهها را در زمان کمتر فراهم کرده است.
با این حال، دسترسی سریعتر به اطلاعات و تحلیل به معنای حذف نقش انسان در تصمیمگیری نیست. انتخاب میان گزینهها، تشخیص مسئله مهم و مسئولیت تصمیم نهایی همچنان برعهده انسان باقی میماند.
هوش مصنوعی وقتی جدی میشود که نتیجهاش قابل دیدن باشد
تجربههای مطرحشده در IRAN AI ۲۰۲۶ نشان میدادند که هوش مصنوعی در کسبوکارهای فناوری از مرحله گفتوگو درباره قابلیتها به سمت استفاده در فرایندهای واقعی حرکت کرده است.
در علیبابا، نمونههایی از تحلیل تماسهای مشتریان، شناخت و پیشبینی رفتار مشتری مطرح شد. همچنین تجربههای دیجیکالا در قیمتگذاری، دیوار در بررسی آگهی و کشف تقلب و اسنپپی در توسعه نرمافزار، نمونههای دیگری از ورود هوش مصنوعی به عملیات روزمره کسبوکارها بودند.
در کنار تفاوت این تجربهها، یک نقطه مشترک دیده میشود: فاصله میان داشتن ابزار هوش مصنوعی و ساختن ارزش با آن، صرفاً با اضافهکردن مدلها و ابزارهای بیشتر پر نمیشود. تعریف درست مسئله، کیفیت داده، زیرساخت مناسب و توانایی یادگیری و تغییر مسیر همچنان بخش مهمی از این معادلهاند.
۳۳۳
