امروزه بسیاری از آژانسهای تبلیغاتی و برندها به دنبال بهرهبرداری حداکثری از هوش مصنوعی عاملمحور (Agentic AI) در کمپینهای خود هستند. با این حال، کارشناسان تأکید میکنند که کلید دستیابی به ارزش واقعی در این فناوری، شناخت دقیق زمانهایی است که نباید از آن استفاده کرد. برندگان این عرصه کسانی خواهند بود که با برنامهریزی هدفمند و اتخاذ یک رویکرد هیبریدی (تلفیقی)، وظایف را میان هوش مصنوعی و نرمافزارهای سنتی تقسیم کنند.
معماری هیبریدی؛ تقسیم کار هوشمندانه برای کاهش هزینهها
یک معماری هیبریدی کارآمد، وظایف را به نرمافزارهایی واگذار میکند که بهترین عملکرد را در آن زمینه دارند. نرمافزارهای قطعی و قاعدهمحور (Deterministic software) مسئولیت فرآیندهایی را بر عهده میگیرند که باید تحت شرایطی کاملاً مشخص و پیشبینیپذیر اجرا شوند. در مقابل، هوش مصنوعی برای تفسیر، ترکیب دادهها یا ارائه پیشنهادها در شرایط ابهام و مواجهه با دادههای ساختارنیافته به کار گرفته میشود.
بر اساس گزارشهای مشترک مؤسسات مشاوره مدیریت بزرگ جهان شامل McKinsey، BCG و Gartner، کارآمدترین ابزار در دست مدیران فناوری اطلاعات (CIOs) برای به حداکثر رساندن ارزش سرمایهگذاری روی هوش مصنوعی، کاهش مصرف توکن (Token) و هدایت وظایف پیشبینیپذیر و قاعدهمحور به سمت نرمافزارهای سنتی است. این استراتژی به طور معمول منجر به صرفهجویی ۲۰ تا ۳۰ درصدی در هزینههای هوش مصنوعی شرکتها میشود. علاوه بر این، استفاده از معماریهای چندلایه که چندین مدل هوش مصنوعی را با منطق قاعدهمحور ترکیب میکنند، میتواند هزینههای ترکیبی توکن را در مقایسه با اتکا به یک مدل پیشرو و واحد، تا ۸۷ درصد کاهش دهد.
این رویکرد همچنین به مدیریت چالش «پارادوکس جونز» (Jevons paradox) کمک میکند؛ پدیدهای که نشان میدهد هرچه کارایی هوش مصنوعی افزایش یابد، تمایل سازمانها به استفاده بیشتر از آن فراتر میرود. افزایش حجم کاری سیستمهای عاملمحور منجر به مصرف بیشتر توکنها میشود. این هزینهها تنها زمانی توجیهپذیر است که بازگشت سرمایه (ROI) ۱۰ تا ۱۰۰ برابری به همراه داشته باشد، در غیر این صورت، برای بهبودهای جزئی، هزینهای گزاف و بیهوده خواهد بود.
نقشه راه ۹۰ روزه برای پیادهسازی و سنجش بازگشت سرمایه
برای پیادهسازی موفق هوش مصنوعی عاملمحور، تعریف اهداف شفاف و زمانبندی دقیق ضروری است. به عنوان مثال، یک آژانس خرید رسانه (Media buying agency) میتواند هدفی مانند کاهش ۲۵ درصدی هزینههای تولید طرحهای کمپین تاییدشده ظرف مدت ۹۰ روز را با حفظ استانداردهای کیفیت و رضایت مشتری تعریف کند.
یک برنامه استاندارد پیادهسازی شامل مراحل زیر است:
- ۳۰ روز نخست: تعیین خط مبنا (Baseline)، تایید آمادگی دادهها، تعیین مالکیت پروژه و تصویب اهداف و سقف هزینهها.
- تا روز شصتم: اجرای یک طرح آزمایشی (Pilot) کنترلشده برای نشان دادن عملکرد سیستم در مقایسه با فرآیندهای موجود.
- تا روز نودم: ارائه شواهد توسط مالک کسبوکار و تصمیمگیری نهایی درباره توسعه مقیاس (Scale)، بازنگری یا متوقف کردن پروژه.
در طول دوره آزمایشی، شاخصها باید به صورت هفتگی بررسی شوند. این شاخصها شامل زمان لازم برای رسیدن به نتیجه تاییدشده، نرخ موفقیت در تکمیل وظایف، نرخ خطاهای اساسی، ساعات بازبینی و اصلاح توسط نیروی انسانی، و هزینه کل به ازای هر وظیفه موفق (با احتساب هزینه تلاشهای ناموفق) است.
فرمول محاسبه بازگشت سرمایه هوش مصنوعی عاملمحور در یک دوره مشخص عبارت است از: سود مالی افزایشی حاصل از پیادهسازی منهای کل هزینههای افزایشی آن، تقسیم بر کل هزینههای افزایشی. در این محاسبات، بخش مالی و مالک کسبوکار باید پیش از شروع طرح آزمایشی روی مفروضات به توافق برسند و تفاوت میان صرفهجویی واقعی هزینهها با ظرفیت آزاد شده نیروی کار را مشخص کنند.
معیارهای کلیدی در ارزیابی و یکپارچهسازی سیستمها
برای تشخیص اینکه هوش مصنوعی عاملمحور در کجا بیشترین ارزش را ایجاد میکند، مدیران باید سوالات استراتژیک زیر را مطرح کنند:
- میزان تکرار فرآیند چقدر است؟ منطقیتر است که پروژه را با وظایفی شروع کنید که به صورت روزانه تکرار میشوند، نه فرآیندهایی که هر چند ماه یکبار رخ میدهند.
- چه میزان در زمان صرفهجویی میشود؟ در یک آژانس خرید رسانه، استفاده از هوش مصنوعی مولد به عنوان عامل برنامهریزی و استراتژی کمپین میتواند زمان برنامهریزی را از دو هفته به دو ساعت کاهش دهد.
- نظارت انسانی چقدر مورد نیاز است؟ با وجود خودکارسازی، سیستمهای عاملمحور همچنان به سطحی از نظارت و درک انسانی نیاز دارند.
- آیا کیفیت دادهها مناسب است؟ دادههای ضعیف و نامعتبر مستقیماً منجر به خروجیهای نادرست اما با اعتمادبهنفس بالا از سوی هوش مصنوعی خواهند شد.
علاوه بر این، برای بهبود هماهنگی میان عوامل هوش مصنوعی، آزمایشگاه فناوری IAB (IAB Tech Lab) به عنوان بخشی از پروتکل بهروزرسانیشده AAMP 3.0 خود، ویژگی جدیدی به نام OpenProposal را معرفی کرده است. این ویژگی نحوه ارزیابی پیشنهادات توسط عوامل خریدار و فروشنده را با استانداردهای موجود در خرید، اجرا و گزارشدهی رسانهای همسو میکند.
حفظ اعتماد مشتریان و مرزبندیهای مالی
یکی از سریعترین راهها برای از دست رفتن اعتماد مشتریان، بروز خطا در ارقام مالی است. از این رو، کارشناسان توصیه میکنند که از هوش مصنوعی صرفاً برای دریافت تحلیلها و پیشنهادها استفاده شود و محاسبات مالی به طور کامل به نرمافزارهای قطعی واگذار گردد. فرآیندهایی مانند رزرو کمپینها، تایید قیمتها و صدور صورتحساب باید خارج از دسترس مستقیم هوش مصنوعی باشند و هرگونه پیشنهاد مالی ارائه شده توسط عوامل هوش مصنوعی، پیش از ایجاد تعهد مالی برای شرکت، از فیلترهای کنترلی و تایید انسانی عبور کند.
پیادهسازی هوش مصنوعی صرفاً به خاطر همگام شدن با موج فناوری، هزینههای پنهان سنگینی مانند اتلاف بودجه، خطاهای عملیاتی جدی، از دست رفتن اعتماد مشتریان و هزینه فرصت ناشی از تمرکز بر مسائل نادرست را به همراه دارد. رهبران سازمانها باید بر اهداف شفاف، نقاط عطف قابل دستیابی و معیارهای معتبر برای سنجش پیشرفت پافشاری کنند. سرمایهگذاری باید با هدف مشخص انجام شود، بازدهی آن ارزیابی گردد و گسترش آن تنها در صورت تایید نتایج صورت گیرد.