يجب أن يتعلم الذكاء الاصطناعي طريقة عملك
عندما صممنا Snappy PM لأول مرة، خطرت لنا فكرة طبيعية جدًا: ما دام لدينا ذكاء اصطناعي، فلماذا لا ندعه يقرأ مشاريع الشركة التاريخية ويولّد تلقائيًا سير عمل خاصًا بها؟ يبدو هذا منطقيًا — ومتسقًا جدًا مع روح AI. لكن مع استمرارنا في البناء، غيّرنا رأينا: ما حدث في الماضي لا يعني أنه يجب أن يحدث في المستقبل. ذكاء اصطناعي يتعلم التاريخ باجتهاد قد ينتهي به الأمر فقط إلى أتمتة الأمس.
عندما صممنا Snappy PM لأول مرة، خطرت لنا فكرة طبيعية جدًا:
ما دام لدينا ذكاء اصطناعي، فلماذا لا ندع الذكاء الاصطناعي يقرأ المشاريع التاريخية لشركة ما ويولّد تلقائيًا Workflow يخص تلك الشركة؟
يبدو هذا منطقيًا.
ومتسقًا جدًا مع روح AI-native.
لكن مع استمرارنا في البناء، غيّرنا رأينا.
لأن الذكاء الاصطناعي يستطيع بسهولة أن يجعل الشيء البسيط يبدو ذكيًا جدًا.
ينظر إلى مشاريع الشركة السابقة ويستطيع أن يلخص منها العديد من Stages وRules وRoles وExceptions.
لكن المشكلة هي:
ما حدث في الماضي لا يعني أنه يجب أن يحدث هكذا في المستقبل.
العمليات التاريخية لأي شركة قد تحتوي أصلًا على العديد من الممارسات العَرَضية أو غير الفعالة أو حتى الخاطئة.
إذا تعلم الذكاء الاصطناعي هذا التاريخ بجدية شديدة، فقد تكون النتيجة النهائية ببساطة:
Automating yesterday.
لذلك أجرت النسخة الجديدة من Snappy PM تبسيطًا مهمًا جدًا.
لم نعد ندع الذكاء الاصطناعي يخترع State Machine لكل شركة.
الهيكل الأساسي للمشروع هو خمس مراحل Phases:
Requirement Capturing
Scoping & Design
Implementation or Manufacturing
Deployment or Installation
Closing
هذا الجزء يبقى ثابتًا.
ما يجب أن يتعلمه الذكاء الاصطناعي حقًا هو الاختلافات ذات المعنى بين الشركات.
على سبيل المثال:
أي الـ Phases تنطبق عليك؟
أي نوع من Quotations تستخدم عادة؟
ما هي Payment Terms الخاصة بك؟
أي Documents هي قوالبك القياسية الخاصة؟
هل لديك Inventory؟
هل يتعامل العميل مع هذه الشركة، أم مع Sales Company أخرى داخل المجموعة؟
هذه هي:
How you work.
لذلك يستطيع Snappy أن يقرأ مشروعًا سابقًا، ويفهم عادات العمل ومستندات الشركة، ويقدم اقتراحات.
لكننا أعطيناه مبدأً آخر:
Evidence or default.
إذا اعتقد الذكاء الاصطناعي أن شركة ما تعمل بطريقة معينة، فيجب أن يكون قادرًا على إخبارنا:
في أي مستندات حقيقية رأيت هذا.
إذا لم يكن هناك دليل، نستخدم القيم الافتراضية البسيطة والثابتة للمنصة — بدلًا من ترك الذكاء الاصطناعي يخمّن.
أشعر أكثر فأكثر أن هذه حدود مهمة جدًا في تصميم منتجات الذكاء الاصطناعي.
أكثر ما في الذكاء الاصطناعي قيمة ليس بالضرورة:
أن نترك الذكاء الاصطناعي يقرر كل شيء.
بل أن نعرف:
ما يجب أن يبقى ثابتًا، وما يمكن تعلمه.
قواعد Accounting يجب أن تبقى ثابتة.
تدفق Project الأساسي يجب أن يبقى ثابتًا.
حدود الصلاحيات يجب أن تبقى ثابتة.
بينما مستندات الشركة وعاداتها وقوالبها وطرق عملها المحددة يمكن تعلمها.
لذلك نفضل الآن أن نصف Snappy PM هكذا:
AI learns how you work.
It doesn't invent how you should work.
يجب أن يقلل الذكاء الاصطناعي تكلفة تكيّف الشركة مع البرنامج.
لا أن يخلق طبقة جديدة من التعقيد ثم يطالب الشركة بأن تتكيف مع الذكاء الاصطناعي.
SnapLedger, your life easier.
حدود مهمة في تصميم منتجات الذكاء الاصطناعي: معرفة ما يجب أن يبقى ثابتًا وما يمكن تعلمه. قواعد المحاسبة وتدفق المشروع الأساسي وحدود الصلاحيات يجب أن تبقى ثابتة؛ أما مستندات الشركة وعاداتها وقوالبها وطرق عملها المحددة فيمكن تعلمها. وعندما يدّعي الذكاء الاصطناعي أن شركة ما تعمل بطريقة معينة، يجب أن يكون قادرًا على إظهار المستندات الحقيقية التي رأى ذلك فيها — دليل أو افتراضي.
لو تعلم ذكاء اصطناعي طريقة عمل شركتك من مشاريعكم السابقة فقط، أي العادات سيستنسخها بأمانة — وأيها ستحرج من رؤيته مؤتمتًا؟
الذكاء الاصطناعي يتعلم كيف تعمل. لا يخترع كيف يجب أن تعمل.
احصل على يوميات المؤسس + التحديثات التنظيمية لبلدك
بريد واحد في الأسبوع، وفقط عندما يكون هناك جديد حقيقي — يوميات ريتشارد المؤسس والتحديثات التنظيمية المهمة حيث تعيش. مجانًا، ويمكنك إلغاء الاشتراك في أي وقت.