آیا هوش مصنوعی صرفاً امکانات جدیدی به ERP، CRM و BPMS اضافه میکند یا نسل متفاوتی از سامانههای سازمانی در حال شکلگیری است؟
تصور کنید مشتری یک شرکت تولیدی، درخواست خرید چند محصول را از طریق ایمیل ارسال میکند. در روال متعارف، کارشناس فروش باید درخواست را بررسی کند، اطلاعات مشتری و اقلام موردنیاز را شناسایی کند، موجودی کالا و قیمتها را در ERP کنترل کند، پیشفاکتور تهیه کند و پس از مکاتبات لازم، سفارش را ثبت کند، حالا تصور کنید بخش عمده این فعالیتها را یک عامل هوشمند انجام دهد؛ ایمیل مشتری را بخواند، اطلاعات را از ERP استخراج کند، موجودی و قیمت را بررسی کند، پیشفاکتور آماده کند و تنها برای بازبینی و تأییدهای ضروری به کارشناس مراجعه کند.
این سناریو دیگر صرفاً یک رویا نیست. مایکروسافت در Dynamics 365 Business Central قابلیتی با عنوان Sales Order Agent ارائه کرده است که دقیقاً در همین مسیر حرکت میکند.
اما اهمیت این تحول فراتر از خودکارسازی فرایند ثبت سفارش است. برای اولین بار، سامانههای سازمانی در حال حرکت از ابزارهایی برای انجام کار توسط انسان، به نرمافزارهایی هستند که میتوانند بخشی از کار را به نمایندگی از انسان انجام دهند.
بررسی محصولات جدید و مطالعات شرکتهایی مانند Gartner، Forrester، McKinsey و سایر مؤسسات معتبر نشان میدهد که این تحول احتمالاً طی سه سال آینده بر ماهیت نرمافزارهای سازمانی، تجربه کاربری، معماری سامانهها و نحوه اجرای فرایندهای کسبوکار تأثیر جدی خواهد گذاشت.
پرسش اصلی این است: آیا هوش مصنوعی صرفاً یک قابلیت جدید در نرمافزارهاست یا در آستانه شکلگیری نسل جدیدی از سامانههای اطلاعاتی هستیم؟
این پرسش همچنین، مسبب برگزاری نشست تخصصی «آینده سامانههای سازمانی در عصر هوش مصنوعی» بوده است.
۱. از نرمافزارهای متعارف تا سامانههای خودمختار
اگر نگاهی به چند دهه گذشته بیندازیم، سامانههای سازمانی تحولات زیادی را تجربه کردهاند. از نرمافزارهای جزیرهای و مبتنی بر پردازش تراکنشها به سامانههای یکپارچه ERP، CRM و BPMS رسیدهایم. با گسترش وب، موبایل، رایانش ابری و فناوریهای Low-Code نیز شیوه توسعه و استفاده از آنها تغییر کرده است.
بااینحال، یک ویژگی اساسی تقریباً ثابت مانده است: این انسان است که باید بداند چه کاری انجام دهد و با استفاده از امکانات نرمافزار، مراحل لازم را اجرا کند.
حتی در پیشرفتهترین سامانههای ERP، کاربران معمولاً باید فرمها را تکمیل کنند، گزارشها را بررسی کنند، تصمیم بگیرند و اقدامات موردنیاز را آغاز کنند.
در موج اول، قابلیتهایی مانند جستوجوی هوشمند، تحلیل داده، تولید گزارش و پاسخگویی به پرسشهای کاربران به نرمافزارها اضافه شدند. این قابلیتها عمدتاً در قالب AI Copilot یا دستیار هوشمند ارائه میشوند.
اما نسل جدید AI Agents میتواند از پاسخگویی فراتر برود؛ هدفی را دریافت کند، مراحل موردنیاز را تشخیص دهد، از ابزارها و سرویسهای مختلف استفاده کند و در چارچوب اختیارات مشخص، اقدام عملی انجام دهد.
در سطح پیشرفتهتر نیز سامانههای خودمختار شکل میگیرند؛ سامانههایی که میتوانند مجموعهای از فعالیتهای مرتبط را بهصورت مستمر پایش و اجرا کنند و فقط در موارد حساس یا استثنایی به انسان مراجعه کنند.
این سیر تکامل را میتوان در چهار سطح خلاصه کرد.
| نوع سامانه | ویژگی اصلی | نمونه کاربرد |
|---|---|---|
| نرمافزار متعارف (Traditional) | انسان فعالیت را آغاز و اجرا میکند و نرمافزار اطلاعات و تراکنشها را مدیریت میکند. | ثبت دستی سفارش در ERP یا رسیدگی به درخواست در BPMS |
| دستیار هوشمند (AI Copilot) | اطلاعات را تحلیل میکند، پیشنهاد میدهد و به انجام کار کمک میکند. | خلاصهسازی پرونده مشتری یا تهیه پیشنویس پاسخ |
| عامل هوشمند (AI Agent) | هدف را دریافت میکند و مجموعهای از اقدامات را با استفاده از ابزارها اجرا میکند. | بررسی مدارک، اعتبارسنجی و تکمیل درخواست |
| سامانه خودمختار (Autonomous System) | یک فرایند یا حوزه عملیاتی را در محدوده سیاستها و اختیارات، با مداخله انسانی کمتر مدیریت میکند. | پایش مستمر سفارشها و اقدام اصلاحی در موارد کمریسک |
تفاوت اصلی این چهار سطح در ظاهر رابط کاربری یا استفاده از مدل زبانی نیست؛ بلکه در میزان اختیار، توانایی اجرای اقدام و نقش انسان در تصمیمگیری و کنترل است.
البته این سطوح لزوماً جایگزین کامل یکدیگر نمیشوند. یک ERP در آینده میتواند همزمان دارای رابطهای متعارف، دستیارهای هوشمند، عاملهای اجرایی و فرایندهای نیمهخودمختار باشد.
همچنین نباید خودمختاری را با هوشمندی یکسان دانست. سامانهای که بر اساس قواعد ثابت، یک فعالیت را بدون دخالت انسان اجرا میکند، الزاماً یک سامانه هوشمند نیست. وجه تمایز عاملهای AI، توانایی تحلیل شرایط، برنامهریزی، استفاده از ابزارها و انتخاب اقدام مناسب در موقعیتهای متغیر است.

۲. این تحول را در محصولات واقعی ببینیم
بهترین راه شناخت نسل جدید سامانهها، بررسی نمونههایی است که هماکنون در محصولات نرمافزاری یا خدمات واقعی ارائه شدهاند.
چهار نمونه زیر، ابعاد متفاوت این تحول را در فروش صنعتی، دولت، بانکداری و مدیریت منابع انسانی نشان میدهند.
نمونه اول؛ عامل هوشمند فروش در Microsoft Dynamics 365
فرض کنید یک شرکت صنعتی روزانه دهها ایمیل درخواست قیمت و سفارش دریافت میکند. در حالت متعارف، بخش قابلتوجهی از وقت کارشناسان فروش صرف بررسی درخواستها، جستوجوی کالاها، کنترل موجودی و تهیه پیشفاکتور میشود.
در Microsoft Dynamics 365 Business Central، قابلیت Sales Order Agent میتواند ایمیل مشتری را بررسی کند، اقلام و مقادیر درخواستی را شناسایی کند، مشتری و کالاها را در ERP تطبیق دهد، موجودی را بررسی کند و پیشنویس پیشنهاد فروش را آماده کند.
عامل همچنین میتواند تغییرات مورددرخواست مشتری را دنبال کند و پس از طی مراحل لازم، پیشفاکتور را به سفارش فروش تبدیل کند.
نکته مهم آن است که طبق مستندات مایکروسافت، مکاتبات خروجی عامل همچنان نیازمند تأیید کاربران تعیینشده است. بنابراین با یک فرایند عاملمحور و کنترلشده روبهرو هستیم، نه یک فروشنده کاملاً مستقل.
این نمونه نشان میدهد که ERP میتواند از محیط ثبت و پردازش سفارشها به محیطی تبدیل شود که عامل هوشمند در اجرای خود فرایند فروش مشارکت میکند.
مشاهده معرفی و ویدئوی Sales Order Agent در سایت Microsoft
نمونه دوم؛ هوش مصنوعی در صدور و تمدید مجوزهای دولتی
یکی از کاربردهای جذاب این فناوری در دولت الکترونیکی، کاهش فعالیتهایی است که شهروند یا متقاضی برای دریافت یک خدمت باید شخصاً انجام دهد.
در مدل متعارف، متقاضی مجوز باید شرایط را بررسی کند، اطلاعات و مدارک را بارگذاری کند، استعلامهای مختلف را پیگیری کند و مراحل فرایند را تا دریافت نتیجه دنبال کند.
در مدل عاملمحور، بخشی از این فعالیتها میتواند توسط عاملهای هوشمند انجام شود؛ از شناسایی خدمت مناسب و بررسی کاملبودن مدارک تا هماهنگی استعلامها و پیگیری مراحل اجرایی.
یک نمونه واقعی در این زمینه، دولت عجمان در امارات است که در ژوئیه ۲۰۲۶ از انجام نخستین تراکنش تمدید مجوز تجاری با استفاده از Agentic AI در مدل خدمات پیشدستانه و بدون رابط متعارف خبر داد.
در این الگو، متقاضی پیش از پایان اعتبار مجوز مطلع میشود و از طریق دستیار هوشمند در اپلیکیشن AjmanOne، فرایند تمدید را دنبال میکند. در صورت نیاز به تمدید قرارداد اجاره تجاری نیز هماهنگی با مرجع مربوط در جریان خدمت پیشبینی شده است.
مشاهده گزارش رسمی دولت عجمان درباره تمدید مجوز با Agentic AI
نمونه دیگر، سامانههای هوش مصنوعی در فرایند بررسی درخواستهای مجوز برنامهریزی و ساختوساز انگلستان است. دولت بریتانیا در ژوئن ۲۰۲۶ ابزارهایی را معرفی کرد که اطلاعات اسناد را استخراج میکنند، پروندهها را تحلیل و خلاصه میکنند و ارزیابی اولیه را برای کارشناس تهیه میکنند.
در این نمونه، تصمیم نهایی همچنان با مقام انسانی است. همین تفاوت نشان میدهد که حتی در یک حوزه مانند صدور مجوز، سطح مطلوب خودمختاری میتواند متفاوت باشد.
مشاهده پروژه رسمی هوش مصنوعی در بررسی مجوزهای برنامهریزی انگلستان
نمونه سوم؛ عاملهای هوشمند در فرایند اعطای تسهیلات بانکی
فرایند اعطای تسهیلات یکی از نمونههای مناسب برای شناخت تفاوت خودکارسازی سنتی و Agentic Automation است.
در یک فرایند متعارف، اطلاعات متقاضی دریافت میشود، مدارک بررسی میشوند، اعتبارسنجی انجام میشود، شرایط و وثایق ارزیابی میشوند و در نهایت پرونده برای تصمیمگیری و عقد قرارداد آماده میشود.
بخشی از این فعالیتها ممکن است از قبل با BPMS یا RPA خودکار شده باشند؛ اما همچنان بررسی اسناد، تحلیل اطلاعات غیرساختیافته و رسیدگی به استثناها به دخالت انسان نیاز داشته باشد.
محصول UiPath Maestro نمونهای از رویکرد جدید را در فرایند اعطای تسهیلات نمایش میدهد.
در دموی این محصول، عاملهای هوشمند در استخراج اطلاعات مدارک، بررسی دادهها و سیاستهای اعتباری و تحلیل شرایط مشارکت میکنند. رباتها و موتورهای محاسباتی، فعالیتهای قطعی مانند محاسبه شاخصهای مالی و ثبت اطلاعات را انجام میدهند و فعالیتهای نیازمند قضاوت یا تأیید نیز به کارشناس انسانی ارجاع میشوند.
در اینجا تحول اصلی فقط افزایش سرعت بررسی پرونده نیست؛ بلکه همکاری عاملهای هوشمند، سامانههای عملیاتی، موتور فرایند و کارشناس در یک جریان کاری واحد است.
مشاهده دموی ویدئویی فرایند تسهیلات با UiPath
نمونه چهارم؛ مدیریت هوشمند فرایندهای منابع انسانی
در حوزه مدیریت منابع انسانی نیز عاملهای هوشمند میتوانند از یک دستیار ساده پاسخگو به ابزار اجرای بخشی از خدمات کارکنان تبدیل شوند.
برای مثال، فرایند ورود یک کارمند جدید به سازمان را در نظر بگیرید. معمولاً واحد منابع انسانی باید اطلاعات کارمند را تکمیل کند، برنامه آشنایی و آموزش تهیه کند، وظایف مرتبط را به واحدهای مختلف ارجاع دهد و هماهنگیهای لازم را با مدیر و کارمند انجام دهد.
در ServiceNow HR Service Delivery، عاملهای هوشمند میتوانند برای تهیه برنامه شخصیسازیشده ورود کارمند، استخراج اطلاعات نقش و مهارتها، پیشنهاد آموزشهای موردنیاز و هماهنگی وظایف مرتبط به کار گرفته شوند.
این محصول همچنین عاملهایی برای مدیریت درخواستهای منابع انسانی، زمانبندی مصاحبه، انتقال دانش هنگام خروج کارکنان و رسیدگی به برخی درخواستهای غیرحساس ارائه کرده است.
در چنین الگویی، کارشناسان منابع انسانی بهجای انجام همه فعالیتهای اداری، بیشتر بر نظارت، تصمیمگیری و رسیدگی به موارد پیچیده تمرکز میکنند.
مشاهده مستندات و نمونههای Agentic Workflow در ServiceNow
این چهار مثال نشان میدهند که تحول سامانهها محدود به یک صنعت یا یک خانواده نرمافزاری نیست. از ERP و BPM گرفته تا بانکداری، خدمات عمومی و منابع انسانی، عاملها در حال ورود به فرایندهای واقعی هستند.
البته باید توجه داشت که نمونههای فوق همگی در یک سطح از بلوغ قرار ندارند؛ برخی قابلیت محصول تجاریاند، برخی دموی فرایند و برخی نمونه اجرای واقعی در سازمان. بنابراین، نمیتوان از مشاهده یک دمو نتیجه گرفت که تمام قابلیتهای آن در مقیاس گسترده و بدون محدودیت عملیاتی شدهاند.

۳. معماری سامانههای سازمانی چگونه تغییر میکند؟
تحول مهمتر از ظاهر نرمافزارها، تغییر معماری آنهاست.
معماری متعارف سامانههای سازمانی عمدتاً بر چند لایه استوار است: رابط کاربری، منطق کسبوکار، مدیریت فرایند، داده و یکپارچگی با سایر سامانهها.
در این معماری، کاربر درخواست یا فعالیتی را آغاز میکند و نرمافزار طبق قواعد ازپیشتعریفشده آن را پردازش میکند.
در نسل جدید، یک لایه هوشمند به این معماری اضافه میشود که میتواند هدف کاربر را تفسیر کند، برای تحقق آن برنامهریزی کند و با استفاده از ابزارها و سامانههای موجود، اقدامات لازم را اجرا کند.
به این ترتیب، معماری جدید احتمالاً ترکیبی از اجزای زیر خواهد بود:
لایه تعامل هوشمند: کاربران میتوانند بهجای پیمایش منوها و فرمهای متعدد، درخواست خود را با زبان طبیعی یا از طریق رابطهای متناسب با نیاز مطرح کنند.
لایه عاملهای هوشمند: عاملهای تخصصی وظایفی مانند تحلیل اطلاعات، برنامهریزی، بررسی مدارک، تصمیمسازی و اجرای اقدامات را انجام میدهند.
لایه ارکستراسیون و مدیریت فرایند: هماهنگی میان عاملها، کاربران، قواعد کسبوکار و سامانههای عملیاتی را مدیریت میکند.
لایه یکپارچگی: APIها، رویدادها، سرویسها و فناوریهای اتصال عاملها به سیستمهای موجود را فراهم میکند. پروتکلهایی مانند MCP و A2A نیز در این حوزه اهمیت پیدا کردهاند.
لایه سامانهها و دادههای سازمانی: ERP، CRM، BPMS، سامانههای تخصصی و پایگاههای داده همچنان مسئول نگهداری اطلاعات معتبر، اجرای تراکنشها و اعمال بخش مهمی از قواعد قطعی هستند.
در کنار این لایهها، کنترل هویت و دسترسی، مدیریت اختیارات عاملها، ثبت سوابق، نظارت و ارزیابی عملکرد نیز ضروری خواهد بود.
در ادبیات جدید از حرکت به سمت Systems of Action در کنار Systems of Record صحبت میشود.
Systems of Record همان سامانههای معتبری هستند که اطلاعات و تراکنشهای رسمی را نگهداری میکنند. Systems of Action نیز به لایهها و قابلیتهایی اشاره دارند که میتوانند با اتکا به این اطلاعات، اقدامات موردنیاز برای تحقق یک هدف کسبوکار را هماهنگ و اجرا کنند.
برای مثال، مدیر فروش ممکن است در آینده بهجای بررسی جداگانه CRM، ERP و سامانه تأمین، از یک عامل هوشمند بخواهد: «سفارشهای در معرض تأخیر را شناسایی کن و راهکارهای ممکن برای تحویل بهموقع آنها را بررسی کن.»
عامل میتواند اطلاعات را از چند سامانه دریافت کند، شرایط را تحلیل کند، گزینههای اصلاحی پیشنهاد دهد و در محدوده اختیارات خود بخشی از اقدامات را پیش ببرد.
در این مدل، مرزهای سنتی نرمافزارها برای کاربر کمرنگتر میشود، اما سامانههای موجود لزوماً حذف نمیشوند.
به نظر میرسد آینده نزدیک، بیشتر متعلق به معماری ترکیبی باشد؛ معماریای که در آن منطق قطعی نرمافزارها و موتورهای فرایندی، در کنار توان استدلال و اقدام عاملهای هوشمند قرار میگیرند.
این موضوع برای سازمانهای دارای سامانههای متعدد و جزیرهای، فرصت و چالش مهمی خواهد بود. عاملهای هوشمند میتوانند هماهنگی خدمات را سادهتر کنند، اما جایگزین یکپارچگی اصولی، کیفیت داده و قواعد معتبر کسبوکار نخواهند شد.
۴. نرمافزارهای سازمانی در سه تا پنج سال آینده چه تفاوتی خواهند داشت؟
پیشبینی آینده فناوری همیشه با عدم قطعیت همراه است؛ اما روند محصولات و گزارشهای جدید تصویری نسبتاً روشن از تغییرات احتمالی ارائه میکنند.
Gartner در گزارشی در اوت ۲۰۲۵، پنج مرحله برای تکامل Agentic AI در اپلیکیشنهای سازمانی مطرح کرد: دستیارهای تعبیهشده، عاملهای تخصصی، همکاری عاملها در یک اپلیکیشن، اکوسیستمهای عامل در چند اپلیکیشن و در نهایت فراگیرشدن توسعه و استفاده از عاملها توسط کارکنان سازمان.
این مؤسسه پیشبینی کرده بود که تا سال ۲۰۲۸، حدود یکسوم تجربههای کاربری از رابطهای بومی اپلیکیشنها به سمت رابطهای عاملمحور حرکت کنند. البته این عدد پیشبینی است و تحقق آن به عوامل مختلف فنی، اقتصادی و سازمانی بستگی دارد.
با توجه به این روندها، پنج تغییر را میتوان مهمتر دانست.
| وضعیت رایج امروز | روند محتمل در سه تا پنج سال آینده |
|---|---|
| کاربران برای انجام کار وارد سامانهها میشوند. | عاملها بخشی از کار را به نمایندگی از کاربران انجام میدهند. |
| تعامل عمدتاً از طریق فرم، منو و داشبورد است. | تعامل مبتنی بر زبان طبیعی، هدف و رابطهای پویا گسترش مییابد. |
| اجرای فرایندها عمدتاً مبتنی بر قواعد ثابت و مداخله انسانی است. | قواعد قطعی با تحلیل و تصمیمگیری انعطافپذیر عاملها ترکیب میشوند. |
| یکپارچگی بیشتر به معنی تبادل اطلاعات میان سامانههاست. | عاملها علاوه بر تبادل اطلاعات، فعالیتهای چندسامانهای را هماهنگ میکنند. |
| توسعه قابلیتهای جدید معمولاً به پروژه برنامهنویسی نیاز دارد. | بخشی از قابلیتها با طراحی عاملها، Workflowها و ابزارهای هوشمند ایجاد میشوند. |
یکی از تغییرات مهم، تحول تجربه کاربری است. در بسیاری از نرمافزارهای آینده، کاربر لزوماً نیازی نخواهد داشت که ساختار داخلی سامانه یا محل قرارگیری هر قابلیت را بشناسد. کافی است هدف خود را بیان کند تا سامانه اقدامات مناسب را پیشنهاد دهد یا در محدوده مجاز اجرا کند.
تغییر دوم، گسترش فرایندهای ترکیبی است. آینده BPM احتمالاً نه در حذف کامل مدلسازی فرایند، بلکه در ترکیب Workflowهای قابلکنترل با عاملهایی خواهد بود که برای فعالیتهای انعطافپذیر به کار گرفته میشوند.
تغییر سوم نیز مربوط به سفارشیسازی نرمافزارهاست. محصولاتی مانند SAP Joule Studio نشان میدهند که ایجاد برخی قابلیتهای جدید میتواند بهجای توسعه کاملاً دستی، با توصیف نیاز، ساخت عامل و طراحی گردشکار هوشمند انجام شود.
مشاهده دموها و معرفی SAP Joule Studio
بااینحال، تصور نمیکنم ERP، CRM یا BPMS طی چند سال آینده بهطور گسترده حذف شوند. سازمانها همچنان به سامانههای معتبر برای ثبت تراکنش، نگهداری داده، مدیریت قواعد و انطباق با الزامات قانونی نیاز دارند.
تغییر اساسی احتمالاً در نحوه استفاده از این سامانهها و توزیع مسئولیت میان انسان، نرمافزار و عاملهای هوشمند اتفاق خواهد افتاد.
۵. آیا همه چیز خودمختار خواهد شد؟
در کنار فرصتهای فراوان، نباید محدودیتها و ریسکهای این تحول را نادیده گرفت.
نخست آنکه همه فعالیتها به یک اندازه برای واگذاری به AI مناسب نیستند.
برای مثال، ممکن است یک عامل بتواند موجودی کالا را بررسی و سفارش خرید پیشنهادی ایجاد کند، اما صدور نهایی سفارش با مبلغ بالا به تأیید مدیر نیاز داشته باشد.
در بانکداری، عامل میتواند مدارک متقاضی را بررسی و اطلاعات اعتباری را تحلیل کند، اما تصمیم نهایی درباره تسهیلات حساس ممکن است همچنان به کارشناس یا کمیته اعتباری واگذار شود.
در دولت نیز عامل میتواند استعلامها را هماهنگ و پرونده را کامل کند، اما بعضی تصمیمهای قانونی باید توسط مقام دارای صلاحیت اتخاذ شوند.
بنابراین، خودمختاری بیشتر همیشه به معنی طراحی بهتر نیست.
دوم آنکه هر محصول دارای Chatbot را نباید Agentic تلقی کرد. Gartner از اصطلاح Agentwashing برای محصولاتی استفاده میکند که قابلیتهای متعارف دستیارها یا خودکارسازی را با عنوان عامل هوشمند بازاریابی میکنند.
عامل واقعی باید بتواند در محدوده مشخص، هدف را دنبال کند، از ابزارها استفاده کند، چند اقدام مرتبط انجام دهد و نتیجه فعالیت خود را بررسی کند.
مسئله سوم، پیچیدگی امنیت و حکمرانی است. وقتی یک عامل صرفاً گزارش تهیه میکند، خطای آن معمولاً با خطای عاملی که اطلاعات مالی را تغییر میدهد یا سفارش خرید صادر میکند، قابل مقایسه نیست.
ازاینرو، در معماری نسل جدید، مدیریت هویت عاملها، کنترل سطح اختیار، ثبت سوابق اقدامات، پایش رفتار و امکان مداخله انسانی اهمیت بیشتری خواهد داشت.
از سوی دیگر، بسیاری از فرایندهای سازمانی الزاماً به Agent نیاز ندارند. برای فعالیتهایی که قواعد کاملاً مشخص و پایدار دارند، استفاده از BPMS، Business Rules یا RPA ممکن است سادهتر، ارزانتر و قابلاعتمادتر باشد.
به نظر میرسد ترکیب درست این فناوریها، مهمتر از تلاش برای عاملمحورکردن همه فعالیتهاست.
۶. سازمانها برای ورود به این نسل چقدر آمادهاند؟
پیشرفت سریع محصولات هوش مصنوعی لزوماً به معنای آمادگی سازمانها برای استفاده گسترده از آنها نیست.
یک عامل هوشمند زمانی میتواند بهدرستی فعالیت کند که به دادههای معتبر دسترسی داشته باشد، فرایندها و قواعد کسبوکار را بشناسد، بتواند با سامانههای مختلف ارتباط برقرار کند و حدود اختیاراتش مشخص باشد.
برای مثال، اگر اطلاعات مشتری، موجودی کالا یا وضعیت یک پرونده در چند سامانه ناسازگار باشد، عامل هوشمند نیز ممکن است تصمیم اشتباه بگیرد یا اقدام نامناسبی انجام دهد.
بنابراین، کیفیت و حکمرانی داده، شناخت فرایندها و خدمات، بلوغ معماری سازمانی، یکپارچگی سامانهها و توانمندی تیمهای فناوری اطلاعات از پیشنیازهای مهم این تحول هستند.
نکته جالب آن است که هرچه سطح خودمختاری عاملها بیشتر شود، اهمیت این پیشنیازها نیز افزایش پیدا میکند.
برای استفاده از یک دستیار دانشی، ممکن است داشتن مخزن اسناد معتبر و کنترل دسترسی کافی باشد؛ اما برای توسعه عاملهای اجرایی و سامانههای خودمختار، به معماری منسجم، قواعد روشن، دادههای قابلاعتماد و سازوکارهای حکمرانی پیشرفتهتری نیاز خواهیم داشت.
به همین دلیل، سازمانها صرفاً با خرید چند محصول AI Agent هوشمند نمیشوند؛ بلکه باید دادهها، خدمات، فرایندها، معماری و مدل عملیاتی خود را برای همکاری انسان و عاملهای هوشمند آماده کنند.
این موضوع یکی از مهمترین بحثهای آینده معماری سازمانی و تحول دیجیتال خواهد بود.
جمعبندی؛ آینده متعلق به سامانههایی است که کار انجام میدهند
هوش مصنوعی در حال عبور از مرحله اضافهشدن چند قابلیت جدید به نرمافزارهای سازمانی و حرکت به سمت نسل متفاوتی از سامانههای اطلاعاتی است.
در این نسل، نرمافزار صرفاً منتظر اجرای دستورهای جزئی کاربر نمیماند، بلکه میتواند هدف را درک کند، اطلاعات موردنیاز را از چند منبع گردآوری کند، برای انجام کار برنامهریزی کند و در محدوده اختیارات مشخص اقدام کند.
نمونههای واقعی در ERP، خدمات دولتی، بانکداری و منابع انسانی نشان میدهند که این تحول آغاز شده است، هرچند هنوز فاصله قابلتوجهی تا فراگیرشدن سامانههای کاملاً خودمختار وجود دارد.
به نظرم طی سه تا پنج سال آینده، مهمترین اتفاق نه حذف گسترده نرمافزارهای سازمانی، بلکه تغییر نقش آنها خواهد بود؛ حرکت از سامانههایی که انسان با آنها کار میکند، به سامانههایی که میتوانند بخش مشخصی از کار را برای انسان انجام دهند.
در این میان، محصولات متعارف احتمالاً بهعنوان بستر دادهها و تراکنشهای معتبر باقی میمانند و قابلیتهای هوشمند، لایه جدیدی برای تعامل، تحلیل، تصمیمگیری و اجرای هماهنگ فعالیتها ایجاد میکنند.
اما این تحول یک پرسش مهم دیگر را نیز مطرح میکند: اگر ماهیت نرمافزارهای سازمانی در حال تغییر است، آیا روش تولید آنها و مدل کسبوکار شرکتهای نرمافزاری میتواند مانند گذشته باقی بماند؟
این پرسش، موضوع یادداشت دوم این مجموعه خواهد بود.
همچنین این موضوع، انگیزه برگزاری نشست تخصصی «آینده سامانههای سازمانی در عصر هوش مصنوعی» بوده است.
منابع منتخب و دموهای پیشنهادی
- Gartner — The Future of Agentic AI in Enterprise Applications
- Gartner — Why AI Isn’t Replacing Enterprise Applications
- Forrester — How Business Applications Become Agentic
- Microsoft — Sales Order Agent
- Government of Ajman — Agentic AI for Trade Licence Renewal
- UK Government — AI in Planning Applications
- UiPath — Loan Origination Agentic Automation
- ServiceNow — Agentic Workflows for HR Services
- SAP — Joule Studio