ربات‌های مبتنی بر هوش مصنوعی مولد چگونه خدمات را متحول می‌کنند

اگر شانس سفر با خودروهای Waymo را داشته‌اید، احتمالاً پس از پیاده‌شدن از خودرو، از قابلیت‌های آن شگفت‌زده شده‌اید. از زمانی که آلفابت این پروژه را در سال ۲۰۰۹ کلید زد، ویمو ناوگانی متشکل از ۲,۵۰۰ تاکسی‌های رباتیک (Robotaxis) بدون راننده را توسعه داده است که اکنون در خیابان‌های سانفرانسیسکو، میامی، فینیکس و سایر شهرها در حال تردد هستند و تا به امروز بیش از ۲۰ میلیون سفر را به سرانجام رسانده‌اند.

چرا ادغام در ربات‌ها مهم است

این خودروها کارهایی فراتر از جابه‌جایی مسافران با سرعت حداکثر ۶۵ مایل در ساعت انجام می‌دهند. آن‌ها می‌توانند به دستورات زبانی پاسخ دهند (مثلاً: «آهنگ رپی از دهه ۸۰ در اسپاتیفای پخش‌کن») یا به پرسش‌ها پاسخ گویند (مثلاً: «بازی تیم جاینتس چه ساعتی شروع می‌شود؟») و درعین‌حال، برای لایی‌کشیدن و عبور از کنار یک ون توزیع کالا که دوبله پارک کرده، تغییر مسیر دهند. داده‌های اولیه خدمات به مشتریان و نظرات ثبت‌شده در اپلیکیشن Waymo One نشان می‌دهد که مسافران از این تجربه بسیار به وجد آمده‌اند.

ویمو تنها یک نمونه کاربردی خاص از فناوری رو‌به‌رشد و رو‌به‌تکاملی است که به‌سرعت برای استقرار گسترده آماده می‌شود؛ یعنی ربات‌های مجهز به هوش مصنوعی مولد. در حال حاضر بسیاری از شرکت‌ها از چت‌بات‌ها، عامل‌ها و فناوری‌های مرتبط با هوش مصنوعی مولد برای خودکارسازی و مقیاس‌پذیری خدمات به مشتریان استفاده می‌کنند، اما در بیشتر این موارد، تعامل مشتریان با این فناوری از طریق صفحه‌نمایش‌ها صورت می‌گیرد. گنجاندن هوش مصنوعی مولد در کالبد ربات‌ها، به شرکت‌ها این فرصت را می‌دهد تا تعاملات خود با مشتریان در محیط‌های فیزیکی (مانند رستوران‌ها، هتل‌ها، بیمارستان‌ها، فروشگاه‌های خرده‌فروشی و سایر اماکن سنتی غیردیجیتال) را بازآفرینی کنند؛ یعنی همان‌جاهایی که ارائه خدمات در آن‌ها به شکلی سرسختانه در انحصار انسان‌ها باقی مانده است. این نسل جدید از ربات‌ها با استفاده از مدل‌های زبانی بزرگ (LLM)، مدل‌های رفتاری بزرگ (LBM) و هوش مصنوعی عامل‌محور، می‌توانند بستر و زمینه موقعیت‌ها را بهتر درک کنند، دست به استنتاج بزنند و تجربیات شخصی‌سازی‌شده‌ای را ارائه دهند. آن‌ها می‌توانند مانند کارکنانی ماهر گفت‌وگو کنند؛ یعنی منطق کلام را در طول چرخش‌های مکالمه حفظ کنند، ابهامات را برطرف کنند و ایده‌های پیچیده را به زبان ساده توضیح دهند.

در گذشته، اگر بیماری از یک ربات می‌پرسید: «آیا این کار درد خواهد داشت؟ چقدر طول می‌کشد؟ و اگر سرم گیج رفت چه می‌شود؟»؛ این سؤالات از محدوده سناریوهای پیش‌فرض و برنامه‌ریزی‌شده ربات فراتر می‌رفت و آن را مستأصل می‌کرد. اما امروزه ربات‌های خدماتی مجهز به مدل‌های زبانی بزرگ می‌توانند این دغدغه‌ها را حلاجی کرده و پاسخ‌هایی به زبان ساده ارائه دهند. رباتی به نام «رابین» (Robin) دقیقاً همین کار را انجام می‌دهد و در ۳۰ بخش کودکان در بیمارستان‌ها و خانه‌های سالمندان در سراسر ایالات متحده، حمایت عاطفی ارائه می‌دهد. رابین به‌صورت خودمختار حرکت می‌کند تا به کودکان خوش‌آمد بگوید و به سؤالات آن‌ها پاسخ دهد. پرستاران می‌توانند دستورات زبانی به رابین بدهند؛ دستوراتی مانند: «به مدت ۲۰ دقیقه به اتاق ۵۱۷ برو و سپس ۱۰ دقیقه به اتاق ۵۱۶ سر بزن». این ربات همچنین مجهز به بازی‌هایی است که کودکان می‌توانند با پاسخ‌های گفتاری با آن بازی کنند.

این احتمالاً اولین مقاله‌ای نیست که در آن ادعا می‌شود ربات‌ها بخش خدمات را متحول خواهند کرد. باید اعتراف کرد که روند رشد اثرگذاری آن‌ها کندتر از حد انتظار شیفتگان این فناوری بوده است. بازار جهانی ربات‌های خدماتی حرفه‌ای که شامل مدل‌های ویژه لجستیک، مراقبت‌های بهداشتی، نظافت و سایر بخش‌ها می‌شود، در سال ۲۰۲۴ تقریباً ۹ درصد رشد داشت و آمار فروش آن به نزدیک ۲۰۰,۰۰۰ دستگاه رسید. بااین‌حال، بسیاری از پروژه‌های آزمایشی متوقف شدند یا عملکردی ضعیف‌تر از حد انتظار داشتند. تحقیقات مؤسسه مک‌کنزی نشان می‌دهد که ۷۱ درصد از شرکت‌ها، هزینه‌های اولیه بالا را یک چالش بزرگ در مسیر به‌کارگیری ربات‌ها می‌دانند و ۶۱ درصد نیز به عدم تجربه کافی در زمینه خودکارسازی به‌عنوان یکی دیگر از موانع اصلی اشاره می‌کنند. بحث تعمیر، نگهداری و قابلیت اطمینان (Reliability) همچنان از چالش‌های همیشگی است؛ همان‌طور که پذیرش این فناوری از سوی مشتریان و کارکنان نیز یک چالش محسوب می‌شود؛ چرا که بسیاری از مردم همچنان تعاملات انسانی را ترجیح می‌دهند، به‌ویژه در موقعیت‌هایی که پیچیده یا به لحاظ عاطفی حساس هستند. زمانی هم که شرکت‌ها ربات‌های سمتِ مشتری (Customer-facing) را مستقر کرده‌اند، بیشتر این پیاده‌سازی‌ها به وظایف محدود و کلیشه‌ای مانند تحویل خدمات اتاق (Room Service) یا جابه‌جایی چمدان‌ها در هتل محدود بوده است. این ربات‌های خدماتی تفاوت چندانی با ماشین‌های فروش خودکار (Vending Machines) متحرک و پیشرفته ندارند. آن‌ها مسیرهای پیش‌فرض را به شکلی قابل‌اعتماد طی می‌کنند، بارکدها را می‌خوانند و به سؤالات متداول پاسخ می‌دهند، اما تا حد زیادی در دستیابی به آن مقیاس‌پذیری یا بازدهی اقتصادی که پذیرندگان اولیه به آن امید بسته بودند، ناکام مانده‌اند.

باوجوداین، تقریباً تمام تولیدکنندگان بزرگ ربات در حال ادغام هوش مصنوعی مولد در محصولات خود هستند و برخی از نتایج اولیه، نویدبخش موفقیت‌های واقعی است. نویسندگان HBR بیش از یک دهه است که در زمینه رباتیک پیشرفته تحقیق می‌کنند و طی ۱۸ ماه گذشته به اروپا، آسیا و آمریکای شمالی سفر کرده‌اند تا پیاده‌سازی ربات‌های خدماتی فیزیکی مجهز به هوش مصنوعی مولد را در ۱۴ سازمان فعال در حوزه‌های خدمات مالی، مراقبت‌های بهداشتی، آموزش، هتل‌داری و غیره از نزدیک مشاهده کنند. در این مقاله، چارچوب‌هایی ترسیم خواهم شد که شرکت‌ها چگونه می‌توانند از این فناوری جدید برای ارزش‌آفرینی، کاهش ریسک‌ها و ایجاد ساختار سازمانی لازم برای موفقیت آن استفاده کنند.

ربات مبتنی بر هوش مصنوعی مولد چیست؟

ربات‌های مجهز به هوش مصنوعی مولد به ترکیبی از فناوری‌ها متکی هستند که برخی از آن‌ها برای ما آشنا و برخی دیگر ناآشنا هستند.

امروزه بیشتر مدیران ارشد درک درستی از مدل‌های زبانی بزرگ (LLMs) و هوش مصنوعی عامل‌محور (Agentic AI) دارند. در یک ربات، مدل‌های زبانی بزرگ امکان مکالمه را فراهم می‌کنند و هوش مصنوعی عامل‌محور قابلیت‌های حافظه، برنامه‌ریزی، اجرا و بازاندیشی را به آن می‌افزاید. ربات با استفاده از این فناوری‌ها می‌تواند مشتریانی که دوباره مراجعه کرده‌اند را به‌خاطر بسپارد، مزایا و معایب گزینه‌ها را بسنجد، تسلسلی از وظایف را برنامه‌ریزی کند، مراحل کار را در بستر سیستم‌های دیجیتال و فضاهای فیزیکی به اجرا درآورد و سپس روی آنچه مؤثر بوده یا نبوده، بازاندیشی و تحلیل کند.

تفاوت میان ربات‌های سنتیِ محدود به سناریو و ربات‌های مجهز به هوش مصنوعی عامل‌محور، تفاوت میان شب و روز است. یک سیستم محدود به سناریو ممکن است تشخیص دهد که یک محموله باید در اولویت قرار گیرد، اما همچنان مسیر ازپیش‌تعیین‌شده را دنبال می‌کند. در مقابل، یک سیستم عامل‌محور می‌تواند آن وظیفه را به یک انسان واگذار کند، مسیر تحویل را تغییر دهد و منابع را برای عملی‌کردن آن بازتوزیع کند. اگرچه یک ربات دارای هوش مختص به یک دامنه کاری مشخص (Domain-specific intelligence) است (به‌عنوان‌مثال، رباتی که در هتل کار می‌کند با روش بسیار متفاوتی از ربات بیمارستان آموزش می‌بیند)، اما می‌تواند برای اجرای دستورات سطح بالا نظیر «پذیرش سریع مهمانان» یا «شارژ موجودی سرم‌ها تا پایان شیفت»، تصمیمات پیچیده‌ای اتخاذ کند.

مدل‌های رفتاری بزرگ (Large Behavior Model) فناوری کمتر شناخته‌شده‌ای هستند. این مدل‌ها بر روی مجموعه‌های عظیمی از رفتارهای فیزیکی آموزش می‌بینند، درست همان‌طور که مدل‌های زبانی بزرگ روی حجم بی‌پایانی از متون آموزش داده می‌شوند. مدل‌های رفتاری بزرگ به ربات‌ها کمک می‌کنند تا با این واقعیت کنار بیایند که ارائه خدمات در یک محیط فیزیکی، کاری نامنظم و غیرقابل‌پیش‌بینی است. سینی‌ها کج می‌شوند، کف زمین لیز می‌شود و مشتریان اشیای شکننده را دست‌به‌دست می‌کنند. ازاین‌رو، برنامه‌ریزی ربات‌ها برای تک‌تک احتمالات غیرممکن است. در عوض، توسعه‌دهندگان به ربات‌ها یاد می‌دهند که با استفاده از مدل‌های رفتاری بزرگ، خود را با هر بستری که موردنیاز است تطبیق دهند. همین مدل‌های رفتاری بزرگ هستند که به خودروهای ویمو اجازه می‌دهند دور ون‌هایی که دوبله پارک کرده‌اند، مانور دهند.

ربات‌های مبتنی بر هوش مصنوعی مولد از دوربین‌ها، میکروفون‌ها و حسگرها برای یادگیری از طریق مشاهده انسان‌ها، پرسیدن سؤال و روش آزمون‌وخطا استفاده می‌کنند. این آموزش در ابتدا می‌تواند در دنیای واقعی انجام شود. ربات‌ها می‌توانند رفتارها را با مشاهده تنها چند نمونه عینی (مثلاً نحوه برداشتن محتاطانه یک گیلاس نوشیدنی) یاد بگیرند و سپس میلیون‌ها ریز‌تغییر در سرعت، قدرت مهار (Grip) و مسیر حرکت را در محیط متاورس یا یک دوقلوی دیجیتال (Digital Twin) آزمایش کنند تا روش خود را به کمال برسانند. این رفتارها همچنین قابل‌انتقال به بسترهای دیگر هستند. اگر رباتی یاد بگیرد که با یک لیوان شکننده در یک کافه کار کند، اصولی از آن مهارت به کار با لوله‌های آزمایش در یک کلینیک یا کالاهای ظریف در یک بوتیک منتقل خواهد شد.

فناوری‌های دیگری نیز توانایی یادگیری ربات‌های مبتنی بر هوش مصنوعی مولد را تسهیل می‌کنند. به‌عنوان نمونه، برنامه‌نویسی بدون کد (No-code programming) و یادگیری جمعی یا ناوگانی (Fleet learning: به‌اشتراک‌گذاری دستورالعمل‌ها میان گروهی از ربات‌ها)، پیاده‌سازی و ارتقای سیستم را نسبت به یک دهه گذشته بسیار آسان‌تر کرده‌اند. در گذشته، هرگونه اصلاح در ربات‌ها نیازمند ثبت تیکت پشتیبانی برای بخش فناوری اطلاعات یا حضور نماینده شرکت سازنده بود. اما آموزش بدون کد که به لطف هوش مصنوعی مولد ممکن شده، به کارکنان خط مقدم اجازه می‌دهد رفتار ربات را تغییر دهند؛ به این صورت که از ربات بپرسند چرا روش خاصی را پیش گرفته است، روش بهتری را برای آن توصیف کنند و آن را به‌صورت فیزیکی به نمایش بگذارند. این سهولت در ارتقا، چرخه زمانی اعمال بهبودهای عملیاتی را از چند ماه به چند روز کاهش می‌دهد. این قابلیت‌ها، ربات‌ها را به سیستم‌های تطبیق‌پذیری تبدیل می‌کنند که گفت‌وگو، شناخت و اقدام فیزیکی را به‌صورت یکپارچه، در مقیاس وسیع و به شکل شخصی‌سازی‌شده برای هر مشتری ارائه می‌دهند.

ربات‌های مشغول به کار در کارخانه مونتاژ BMW در اسپارتانبرگ کارولینای جنوبی را در نظر بگیرید. صنعت خودرو از اولین پذیرندگان رباتیک بود؛ کارخانه‌ها از دهه ۱۹۸۰ از بازوهای رباتیک ساده برای انجام کارهای تکراری مانند جوشکاری نقطه‌ای استفاده کرده‌اند. اما در سال ۲۰۲۴، بی‌ام‌و آزمایش ربات انسان‌نمای «فیگور ۲» (Figure 02) را آغاز کرد که نشان‌دهنده یک گسست کامل از اتوماسیون صنعتی رایج و سنتی است. برخلاف ربات‌های کارخانه‌ای مرسوم، فیگور ۲ می‌تواند با استفاده از شش دوربین مجهز به سیستم پردازش تصویر، به‌صورت خودمختار در کارخانه حرکت کند، آنچه را می‌بیند تفسیر کند و با اتکا به پایگاه دانش گسترده خود در زمینه خودروسازی و اطلاعات عمومی، درباره نحوه استفاده از اشیا استدلال کند.

این ربات که توسط مدل‌های شرکت OpenAI پشتیبانی می‌شود، به گفتار انسان گوش می‌دهد و آن را پردازش می‌کند، قصد و نیت افراد را حتی از روی دستورات مبهم استنتاج می‌کند، در صورت نیاز سؤالات شفاف‌کننده می‌پرسد و به‌مرورزمان از اشتباهات خود درس می‌گیرد. فیگور ۲ در طول یک دوره استقرار ۱۱ماهه، در تولید تقریباً ۳۰,۰۰۰ دستگاه خودروی بی‌ام‌و مشارکت داشت. این ربات به‌عنوان یک جفت دست بسیار دقیق در سالن بدنه عمل کرد؛ قطعات ظریف ورق‌های فلزی را حمل و جاسازی کرد و اجزا را به‌گونه‌ای تراز نمود تا ربات‌های جوشکار بتوانند بدنه خودرو را بسازند. بی‌ام‌و اکنون در حال ارتقا به مدل «فیگور ۳» (Figure 03) است؛ جانشینی سبک‌تر و بلندقامت‌تر که طراحی شده تا این قابلیت‌ها را به فراتر از محیط کارخانه گسترش دهد. در یک ویدئوی تبلیغاتی، فیگور ۰۳ کارهایی مانند شستن ظروف، تا کردن لباس‌ها، سرو نوشیدنی و آوردن اشیا را انجام می‌دهد؛ امری که نشان می‌دهد هوش مصنوعی مولد به ربات‌ها این توانایی را می‌دهد تا طیف رو‌به‌گسترشی از کارکردها را بر عهده بگیرند.

نحوه استقرار ربات‌های مبتنی بر هوش مصنوعی مولد

تجربه همکاری نویسندگان HBR با شرکت‌ها نشان می‌دهد که جذاب‌ترین کاربردهای ربات‌های هوش مصنوعی مولد، شامل وظایف خط مقدم و کارهای مواجه با مشتری و کارکنان است. آوردن یک ربات به محیط کار پیچیده‌تر از باز کردن جعبه یک گجت جدید است؛ چرا که بسیاری از محیط‌های کاری غیرقابل‌پیش‌بینی هستند؛ گارسون‌ها سینی‌ها را حمل می‌کنند، پزشکان و پرستاران با عجله از اتاقی به اتاق دیگر می‌روند و مسائلی ازاین‌دست. برای تبدیل پتانسیل به عملکرد، مدیران باید نمونه‌های کاربردی را با دقت انتخاب کنند، دلیل و نحوه استفاده از ربات‌ها را به مشتریان و کارکنان توضیح دهند و چارچوب‌های حمایتی و نظارتی (Guardrails) را وضع کنند. چهار گام حیاتی، بر اساس مشاهدات میدانی نویسندگان HBR می‌تواند راهنمای آن‌ها باشد

با نمونه‌های کاربردی آغاز کنید که محدودیت‌های نیروی کار را برطرف می‌کنند

ربات‌ها زمانی بیشترین اثربخشی را دارند که در کارهای تکراری و دارای ارزش اقتصادی به کار گرفته شوند که بازدهی ملموسی دارند. بسیاری از آزمایش‌های اولیه‌ای نویسندگان HBR مربوط به نقش‌هایی در صنایعی بود که با کمبود مزمن نیروی کار مواجه هستند. این امر کاملاً منطقی است؛ ربات‌ها نه‌تنها هزینه‌ها، بلکه سختیِ جذب کارگرانی که یافتن‌شان دشوار است را نیز کاهش می‌دهند.

هنگامی که نقش‌های هدف را شناسایی کردید، کار را با بررسی وظایف خاصی که آن مشاغل نیاز دارند آغاز کنید.
آیا آن‌ها به‌اندازه کافی تکرارپذیر هستند که یک ربات بتواند سریع آن‌ها را یاد بگیرد؟
آیا دستاورد واگذاری آن‌ها به ربات از نظر سرعت، کارایی، یکدستی عملکرد یا آزادکردن کارکنان برای انجام کارهایی با ارزش افزوده بیشتر، آنی و ملموس است؟
گزینه‌های مناسب برای آزمایش شامل فرایند پذیرش و ترخیص (Check-in / Check-out) در هتل‌ها، اصلاح سفارش و تحویل آن در فست‌فودها و بخش لجستیک در بخش‌های بیمارستانی است؛ یعنی محیط‌هایی که فشار ثابتی بر ظرفیت نیروهای خط مقدم وجود دارد و یک فرایند عملیاتی شفاف وجود دارد که ربات می‌تواند مسئولیت آن را بر عهده بگیرد.

سپس فرایند پایلوت را به‌گونه‌ای طراحی کنید که کارکنان خط مقدم بتوانند به طور فعال عملکرد ربات را در جریان عادی کار بهبود ببخشند. کارمندی که متوجه انجام یک توالی غیربهینه توسط ربات می‌شود، باید بتواند روش بهتری را توضیح دهد و به‌صورت عملی نشان دهد؛ بدون اینکه هفته‌ها منتظر به‌روزرسانی نرم‌افزاری بماند. اجرای درست این رویکرد، قلمرو توانمندی‌های ربات را به‌مرورزمان گسترش می‌دهد، عملکرد آن را در آن حوزه تخصصی ارتقا می‌بخشد و پیاده‌سازی آن را مؤثرتر می‌کند؛ درحالی‌که هم‌زمان نقش‌های خط مقدم را به سمت کارهای ماهرانه‌تر سوق داده و کمبود نیروی کار را در حیاتی‌ترین نقاط کاهش می‌دهد.

تعاملات ربات را برای پذیرش از سوی مشتری طراحی کنید

بیشتر مقاومت‌ها در برابر ربات‌ها از نقاط تماس مشتری آغاز می‌شود و نه از خود فناوری. کیوسک‌های سنتی، فناوری‌های خودخدمت (Self-service) و بات‌های دارای سناریو معمولاً مشتریان را به بازه‌های صلب و غیرطبیعی محدود می‌کنند. این یک نقص در طراحی است و ربات‌های مجهز به مدل‌های زبانی بزرگ این بار را از دوش مشتری برمی‌دارند. مشتریان و کارمندان می‌توانند به زبان طبیعی با آن‌ها صحبت کنند و مهم‌تر از همه، ربات‌ها می‌توانند آن دستورات را در محیط فیزیکی به سرانجام برسانند.

فرایند پذیرش هتل را در نظر بگیرید. یک کارمند انسانی معمولاً باید در میان چندین سیستم (سوابق رزرو، پروفایل‌های وفاداری مشتری، وضعیت نظافت اتاق‌ها، پرداخت و اولویت‌ها) هر بار در یک صفحه جابه‌جا شود. یک ربات مجهز به هوش مصنوعی مولد می‌تواند به طور موازی به آن سیستم‌ها متصل شود، تناقض‌ها را حل کند و در عرض چند ثانیه کلید اتاق را تحویل دهد و درعین‌حال با مهمان تعامل داشته و به او خوش‌آمد بگوید. برای مشتری، این تجربه یک گفت‌وگوی صمیمانه و کارآمد است و اغلب ثابت می‌شود که زیر فشارهای کاری، یکدست‌تر و پایدارتر از خدمات انسانی عمل می‌کند.

استقرارهای اولیه هم نویدبخش بوده‌اند و هم چالش‌ها را آشکار کرده‌اند. در هتل Henn na در توکیو، پذیرشگرهای رباتیک مهمانان را در مراحل احراز هویت، تعیین اتاق و پرداخت راهنمایی می‌کنند. این ابتکار به هزینه‌ها و کمبود نیروی کار کمک کرده است، اما همه چیز طبق برنامه پیش نرفته است. گاهی اوقات ربات‌ها با لهجه‌ها، صدای پس‌زمینه و درخواست‌های غیرمنتظره دست‌وپنجه نرم کرده‌اند که این امر در مواردی به‌جای کاهش بار کاری کارکنان، باعث افزایش آن شده است. طراحی برای پذیرش مشتری به معنای آزمایش این تعاملات در محیط‌های واقعی با مشتریان واقعی، شناسایی نقاط اصطکاک و اطمینان از این است که شایستگی گفتاری ربات با اجرای فیزیکی قابل‌اعتماد همراه باشد.

ربات‌ها را به‌عنوان ارتقادهنده خدمات معرفی کنید، نه جایگزین نیروی کار

نحوه معرفی ربات‌ها و چگونگی تبیین نقش آن‌ها، به‌شدت بر نوع نگاه مردم به آن‌ها تأثیر می‌گذارد. پذیرش هوش مصنوعی بر اساس ویژگی‌های دموگرافیک و بستر موقعیت متفاوت است و امروزه بسیاری از مشتریان هنوز تعامل انسانی را برای مواجهه‌هایی که نیاز به صمیمیت، همدلی یا قضاوت دارند، ترجیح می‌دهند. ازسوی‌دیگر، کارکنان نگران ازدست‌دادن شغل خود به دلیل این فناوری هستند.

برای پاسخ به این ترجیحات و نگرانی‌ها، شرکت‌ها باید ربات‌های هوش مصنوعی مولد را نه به‌عنوان جایگزینی برای کارکنان خط مقدم، بلکه به‌عنوان ابزارهایی معرفی کنند که دسترسی، سرعت و قابلیت اطمینان را بهبود می‌بخشند؛ درحالی‌که انسان‌ها را آزاد می‌گذارند تا بر تعاملات حساس عاطفی، مبهم یا پرمخاطره تمرکز کنند. در مشاهدات نویسندگان HBR، موفق‌ترین استقرارها در جاهایی رخ می‌دهد که «راحتی و سرعت» اولویت اصلی مشتری است و ارزش اتوماسیون کاملاً واضح و بدیهی به نظر می‌رسد.

شرکت‌ها همچنین باید شفافانه اعلام کنند که ربات چه کاری انجام می‌دهد و مشتریان چگونه می‌توانند در صورت نیاز به پشتیبانی انسانی دسترسی داشته باشند. به‌عنوان‌مثال در بیمارستان‌ها، ربات‌ها می‌توانند توضیح دهند که تعاملات ساده را راحت‌تر و بدون اصطکاک می‌کنند و زمانی که به محدودیت‌های خود می‌رسند، یک انسان را فرامی‌خوانند. در محیط‌های خرده‌فروشی، حضور همکاران فروش در سالن در کنار اتوماسیون رباتیک در انبار، می‌تواند به حفظ حس حضور انسانی در تجربه خرید کمک کند.

تنظیم واقع‌بینانه انتظارات امری حیاتی است. مواردی را که ربات‌ها امروزه در آن‌ها برتری دارند (سرعت، یکدستی عملکرد و قابلیت اطمینان در بلندمدت) و جاهایی که انسان‌ها هنوز عملکرد بهتری دارند (به‌ویژه در موقعیت‌های نیازمند همدلی، خلاقیت یا حل نوآورانه مسائل) با مشتریان و کارکنان در میان بگذارید. برای تقویت این پیام به‌جای هیاهو و تبلیغات اغراق‌آمیز، از شواهد مستند استفاده کنید. معیارهای آماری بسیار متقاعدکننده‌تر از وعده‌های انتزاعی هستند: «زمان انتظار ما از شش دقیقه به ۹۰ ثانیه کاهش یافت» یا «پرستاران ما در هر شیفت ۳,۰۰۰ قدم کمتر راه می‌روند و یک ساعت بیشتر را با بیماران سپری می‌کنند». ارقامی ازاین‌دست نشان می‌دهند که چگونه ربات‌ها یک بازی برد-برد را برای مشتریان و کارکنان رقم می‌زنند.

دستورالعمل‌های استفاده مسئولانه را به طور مداوم به‌روزرسانی کنید

هنگامی که شرکت‌ها ربات‌های مجهز به هوش مصنوعی مولد را راه‌اندازی می‌کنند، مخاطرات پیرامون اخلاق، انصاف و حریم خصوصی افزایش می‌یابد. بسیاری از ربات‌ها همراه با دوربین و میکروفون عرضه می‌شوند، به این معنی که آن‌ها می‌توانند تقریباً تمام اتفاقاتی که در تعاملات حضوری رخ می‌دهد را دیجیتالی و ثبت کنند (مگر اینکه قوانین خلاف آن را بگوید). قابلیت‌های مدل‌های زبانی پیشرفته را هم به این فرمول اضافه کنید؛ ناگهان ربات‌هایی خواهید داشت که می‌توانند افراد را متقاعد کنند. این ویژگی برای خدمات فروش مفید است؛ اما اگر مشتریان به شیوه‌هایی که شرکت هرگز قصد نداشته تحلیل شوند و تحت تأثیر قرار گیرند، می‌تواند از خطوط قرمز عبور کند. موضوع زمانی حساس‌تر می‌شود که ربات‌ها تصمیماتی در مورد تخصیص منابع یا قیمت‌گذاری اتخاذ کنند (مانند ارتقای کلاس خدمات، پذیرش زودهنگام، یا پیشنهادهای شخصی‌سازی‌شده) که می‌تواند تصور وجود تبعیض یا ناعدالتی را ایجاد کند.

در استقرارهای موفق، با ربات‌های هوش مصنوعی مولد به‌عنوان سیستم‌های یادگیرنده برخورد می‌شود و نه محصولات نهایی. سازمان‌ها به مکانیزم‌هایی نیاز دارند تا نحوه تعامل واقعی مردم با ربات‌ها را مشاهده کنند، نقاط شکست تعاملات را شناسایی کنند و به‌مرورزمان عملکرد را به‌صورت سیستماتیک بهبود بخشند. این کار با ثبت نشانه‌های توافق‌شده آغاز می‌شود؛ مانند جاهایی که کاربران تردید می‌کنند، حرف خود را تکرار می‌کنند یا دستورات ربات را لغو می‌کنند. سپس این بینش‌ها باید به یافته‌های شفاف و قابل‌اجرا برای سرپرستان و رهبران خط مقدم تبدیل شوند.

ریسک‌های یادگیری نیز وجود دارند. ربات‌های مبتنی بر هوش مصنوعی مولد از تعاملات خود یاد می‌گیرند و این امر فرصت‌هایی را برای کارکنان و مشتریان ایجاد می‌کند تا از آن‌ها سوءاستفاده کنند. بدون ابزارهای حفاظتی، ربات‌ها می‌توانند رفتارهایی را پذیرا شوند که شما خواهان آن‌ها نیستید.

ابزارهای بدون کد و یادگیری جمعی نیز چالش‌های جدیدی را به همراه دارند. کارکنان ممکن است بدون اینکه قصدی داشته باشند، خطاها یا منطق‌های جانب‌دارانه‌ای را وارد سیستم کنند و بازیگران مخرب نیز می‌توانند ربات‌ها را خراب کنند؛ به‌طوری که رفتارهای مخرب به‌سرعت در کل ناوگان ربات‌ها پخش شود.

فرایند بهبود باید سنجیده و تکرارشونده باشد: تغییرات را آزمایش کنید، نتایج را بسنجید، آنچه را که کار می‌کند نگه دارید و این چرخه را تکرار کنید. در عمل، هیچ پروژه پیاده‌سازی رباتی در ابتدا بی‌نقص کار نمی‌کند و تنظیم دقیق و وسواس‌گونه آن امری ضروری است. کارکنان خط مقدم نقشی محوری در این چرخه یادگیری ایفا می‌کنند و باید به‌عنوان «توسعه‌دهندگان داخلی» حمایت شوند. کارشناسان هر حوزه می‌توانند با فرایندهای میکرولرنینگ مناسب، گواهینامه‌ها و ابزارهای بدون کد، نقاط شکست را شناسایی کرده و روش‌های بهتر را با استفاده از زبان طبیعی مستقیماً به ربات‌ها توضیح دهند. با گذشت زمان، نقش‌های نظارتی از پایش صرفِ وظایف، به هماهنگ‌سازی سیستم‌ها تغییر می‌یابد؛ یعنی بررسی بهبودها، اجرای پروتکل‌های ایمنی و رضایت و همسو کردن انگیزه‌ها با کیفیت، قابلیت اطمینان و دستاوردهای مشتری فراتر از فاکتور سرعت به‌تنهایی.

درعین‌حال، یادگیری باید توسط حکمرانی قوی و مسئولیت دیجیتال شرکتی محدود و قانونمند شود. ازآنجاکه ربات‌ها داده‌های حساسی را جمع‌آوری می‌کنند، حفظ حریم خصوصی یک اصل حیاتی است و ازآنجایی‌که آن‌ها در محیط‌های فیزیکی ناوبری می‌کنند (جایی که می‌توانند با افراد یا اشیا برخورد کنند)، ایمنی نیز دغدغه اصلی است. حرکت محتاطانه، تمیزی محیطی و قابلیت اطمینان باید به‌عنوان اصول غیرقابل‌مذاکره تلقی شوند که توسط تحلیل‌های مخاطرات، حصارکشی جغرافیایی (Geofencing: محدودکردن حرکت ربات به یک منطقه خاص)، توقف‌های اضطراری (Emergency Stops: توانایی انسان برای متوقف کردن آنی حرکت ربات) و توافق‌نامه‌های سطح خدمات (SLAs) شفاف با تأمین‌کنندگان برای تعمیر، نگهداری و پاسخ به حوادث پشتیبانی می‌شوند.

جمع‌بندی

هیچ‌کدام از این موارد به این معنی نیست که برندها باید از ربات‌های هوش مصنوعی مولد دوری کنند. بلکه به این معناست که ایمنی، امنیت و طراحی مسئولانه باید اولویت‌های درجه اول باشند. اشتباهات رخ خواهند داد؛ اما اگر معماری، سیاست‌ها و آزمایش‌های شما قوی باشند، احتمال اینکه آن اشتباهات به آسیب‌های واقعی تبدیل شوند بسیار کمتر است. شیوه‌های مدیریتی درست تضمین می‌کنند که همگام با توانمندتر شدن ربات‌ها، سازمان‌ها پاسخ‌گو باقی بمانند و نوآوری را بدون قربانی‌کردن اعتماد، مقیاس‌پذیر کنند.

ربات‌های مجهز به هوش مصنوعی مولد، مسیری عمل‌گرایانه را برای دستیابی به خدمات مقرون‌به‌صرفه در دنیای فیزیکی ارائه می‌دهند. آن‌ها می‌توانند یکدستی عملکرد و شخصی‌سازی را در مقیاس وسیع به ارمغان آورند؛ یعنی همان موردی که مدت‌ها پاشنه آشیل خدمات فیزیکی بوده است. بااین‌حال، ربات‌های هوش مصنوعی مولد نیازمند یک فرایند پیاده‌سازی پیچیده و طولانی‌مدت هستند و ازآنجاکه این فرایند باید در محیط‌های واقعی انجام شود، مخاطرات بالاتر است، شکست‌ها در چشمان عموم رخ می‌دهد و ایمنی فیزیکی به یک دغدغه بزرگ تبدیل می‌شود.

اگرچه این فناوری هنوز در مراحل اولیه شکل‌گیری خود قرار دارد، اما پروژه‌های آزمایشی اولیه در این حوزه نشان می‌دهند که ربات‌های مجهز به هوش مصنوعی مولد می‌توانند به طور یکسان به کسب‌وکارها، کارکنان و مشتریان سود برسانند. شرکت‌ها می‌توانند با دنبال‌کردن گام‌های ترسیم‌شده در این گزارش، استقرار این ربات‌ها را به شیوه‌ای ساختاریافته و ایمن آغاز کنند.

گزارش حاضر در نسخه May-June 2026 نشریه HBR منتشر شده است.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.