فرحزادی: ایجنت‌های هوشمند می‌توانند زمان عرضه محصول را تا ۱۰ برابر کاهش دهند

در جریان این رویدادمهدی فرحزادیمشاور و مدرس حوزه مدیریت محصول، در سخنرانی خود با عنوان«از ایده تا لانچ؛ بازطراحی چرخه مدیریت محصول با ایجنت‌های هوش مصنوعی»به تشریح ظرفیت‌های هوش مصنوعی مولد و ایجنت‌های هوشمند در بازطراحی فرایندهای توسعه محصول پرداخت.

او با استناد به آمارهای جهانی و تجربه‌های اجرایی خود در شرکت‌های فناوری‌محور ایرانی، کاهش هزینه‌ها، افزایش سرعت توسعه و بهبود کیفیت خروجی‌ها را از مهم‌ترین دستاوردهای استفاده از این مدل دانست.

فرحزادی در ابتدای سخنان خود، ضمن قدردانی از تیم اجرایی رویداد «ای‌آی بریج» و به‌ویژه دکتر کمالی، خود را مشاور و مدرس مدیریت محصول، مسئول پروژه‌های عملیاتی شرکت فرانگر از گروه ملی انفورماتیک بانک مرکزی، راهبر ارشد مدیریت محصول در شرکت پلازا، مشاور محصول تکنوپی و مدرس علم داده و هوش مصنوعی در تهران‌دیتا و آکادمی XNET معرفی کرد. وی تأکید کرد که موضوع ارائه او بر پایه «تجربه زیسته» و فعالیت مستقیم در صنعت شکل گرفته است.

ایجنت‌های هوشمند و کاهش زمان عرضه محصول

فرحزادی با اشاره به گزارش‌های مؤسسه‌های مکنزی و دیلویت، برخی از پیامدهای به‌کارگیری ایجنت‌های هوش مصنوعی در شرکت‌های بزرگ جهان را چنین برشمرد

• کاهش زمان عرضه به بازار تا ۱۰ برابرکوتاه‌شدن چرخه تبدیل ایده به محصول نهایی؛
• افزایش ۴۰ درصدی بهره‌وریبه‌ویژه در فعالیت‌های مرتبط با مدیریت محصول؛
• ارتقای ۷۵ درصدی کیفیت خروجی‌هاهمراه با کاهش باگ‌ها و مشکلات گزارش‌شده از سوی مشتریان در محیط عملیاتی؛
• افزایش هفت‌برابری سرعت بازبینی کدتسریع فرایند Code Review در لایه توسعه نرم‌افزار؛
• تولید نمونه اولیه در دو روزبا استفاده از ابزارهایی مانند GitLab، Codex، Claude، Gemini و Zicode.

تجربه پیاده‌سازی در استارت‌آپ‌های ایرانی

به گفته فرحزادی، این دستاوردها صرفاً به شرکت‌های بزرگ فناوری در جهان محدود نیست و امکان پیاده‌سازی آن‌ها در کسب‌وکارهای های‌تک و استارت‌آپ‌های ایرانی نیز وجود دارد.

او نتایج برخی از تجربه‌های اجرایی خود را این‌گونه بیان کرد

• کاهش ۴۰ درصدی هزینه‌های توسعهاز طریق انتقال نقش‌های عملیاتی به نقش‌های تصمیم‌ساز و تأییدکننده نهایی؛
• کاهش ۷۵ درصدی زمان طراحی محصول؛ به‌گونه‌ای که فرایندی یک‌ماهه، در حدود یک هفته انجام شده است؛
• کاهش ۶۰ درصدی زمان ساخت نمونه اولیه یا پروتوتایپ.

گلوگاه‌های چرخه سنتی مدیریت محصول

این مدرس مدیریت محصول، چرخه سنتی توسعه محصول را فرایندی شامل اعلام نیازمندی، کشف مسئله، ساخت، آزمون، انتشار و تحلیل بازخورد مشتریان توصیف کرد. به گفته او، مهم‌ترین گلوگاه‌های این چرخه عبارت‌اند از

۱.انباشت نیازمندی‌ها و صف تقاضاورود درخواست‌های متعدد از کانال‌های مختلف به تیم محصول، نخستین گلوگاه در مسیر توسعه است.

۲.کشف فرصت و اولویت‌بندیسازمان‌ها در تشخیص اولویت‌ها و تصمیم‌گیری درباره توسعه ویژگی‌ها یا ابزارهای جدید با چالش مواجه‌اند.

۳.دوباره‌کاری در مرحله ساختتفاوت میان خواسته تیم محصول و برداشت تیم توسعه، گاه به تولید محصولی متفاوت از نیاز واقعی کاربران منجر می‌شود.

۴.فرایند زمان‌بر دریافت بازخورد و تحلیل اثرنظرسنجی‌ها و سازوکارهای ارزیابی پس از انتشار محصول، در بسیاری از موارد زمان و منابع قابل‌توجهی مصرف می‌کنند.

مدل سه‌لایه‌ای برای بازطراحی چرخه محصول

فرحزادی برای رفع این گلوگاه‌ها، یک چارچوب عملیاتی سه‌لایه‌ای را معرفی کرد که به گفته او، در برخی سازمان‌های تحت مشاوره‌اش مستقر شده است

• لایه نخست؛ تصمیم‌گیری و تأیید نهایی انسانبا وجود پیشرفت ابزارهای هوش مصنوعی، مسئولیت تصمیم‌گیری و تأیید نهایی همچنان بر عهده انسان است؛ زیرا نمی‌توان به خروجی مدل‌ها به‌صورت کامل و بدون ارزیابی انسانی اتکا کرد.
• لایه دوم؛ ارکستریتور (Orchestrator)این لایه وظیفه خودکارسازی فرایندها و انتقال خروجی هر ایجنت به‌عنوان ورودی ایجنت بعدی را بر عهده دارد. فرحزادی از ابزارهای متن‌بازی مانندn8nبه‌عنوان نمونه‌ای برای پیاده‌سازی این لایه نام برد.
• لایه سوم؛ مغز سیستم (Brain)این بخش شامل استراتژی‌ها، طرح کسب‌وکار و پایگاه‌های داده سازمان، از جمله داده‌های فروش، عملیات و مرکز تماس است. به گفته او، این لایه می‌تواند با استفاده از پایگاه داده PostgreSQL و قابلیت‌های جست‌وجوی برداری آن پیاده‌سازی شود.

از تیکت‌های جیرا تا تحلیل گفت‌وگومحور داده‌ها

در چارچوب پیشنهادی فرحزادی، فرایند توسعه محصول به‌صورت مرحله‌به‌مرحله و با همکاری چند ایجنت هدایت می‌شود

۱.ثبت نیازمندی و ایجنت نخستنیازمندی‌های ثبت‌شده در سامانه‌های تیکتینگ یا ابزارهای همکاری مانند Jira و Confluence گردآوری و بر اساس استانداردهای مشخص، به سند نیازمندی‌های کسب‌وکار یاBRDتبدیل می‌شوند.

۲.تدوین سند نیازمندی محصولخروجی مرحله نخست در اختیار ایجنت دوم قرار می‌گیرد تا فرصت را تحلیل کرده و سند نیازمندی‌های محصول یاPRDرا تدوین کند.

۳.خودکارسازی طراحی در فیگماطراحی اولیه می‌تواند با استفاده از ابزارهایی مانند Figma انجام شود و طراح محصول بیشتر در نقش ناظر و تصمیم‌گیرنده نهایی فعالیت کند.

۴.توسعه با کمک دستیارهای برنامه‌نویسیدر مرحله ساخت، از ابزارهایی مانند Codex و Claude استفاده می‌شود. این ابزارها از طریق سرورهایMCPیا «پروتکل زمینه مدل» (Model Context Protocol) به ابزارها و منابع مورد نیاز متصل می‌شوند و فرایند توسعه را تسریع می‌کنند.

۵.تحلیل اثر و گفت‌وگو با داده‌هاپس از انتشار محصول، ایجنت‌های تحلیلی می‌توانند بازخورد کاربران و داده‌های عملیاتی را بررسی کنند. فرحزادی با اشاره به رویکرد «گفت‌وگو با داده‌ها» (Chat with Your Data) گفت مدیران می‌توانند به‌جای اتکا صرف به داشبوردهای سنتی هوش تجاری، پرسش‌های خود را به زبان طبیعی مطرح کنند و پاسخ‌های تحلیلی دریافت کنند.

آمار پذیرش هوش مصنوعی و تجربه گروه «متنا»

فرحزادی با اشاره به استقبال شرکت‌هایی مانند GitLab، GitHub، گوگل، مایکروسافت و انویدیا از هوش مصنوعی مولد، آمارهای زیر را ارائه کرد

• بیش از۷۲ درصدسازمان‌ها به سمت استفاده از هوش مصنوعی مولد حرکت کرده‌اند و دست‌کم از یک ایجنت هوشمند استفاده می‌کنند؛
• ۶۲ درصدشرکت‌ها در حال آزمایش حداقل یک ایجنت هستند؛
• ۲۳ درصدسازمان‌ها در حال توسعه ایجنت‌های بومی و اختصاصی خود هستند.

او همچنین از پیاده‌سازی عملیاتی این رویکرد در بخش منابع انسانی «گروه متنا» خبر داد و گفت: «در حوزه منابع انسانی گروه متنا، ایجنت‌هایی برای پاسخ‌گویی به پایگاه دانش مستقر کرده‌ایم که فرایندهایی مانند مرخصی، وام، پاداش، مأموریت و حتی فرایند پیچیده ورود و استقرار کارکنان جدید یا Onboarding را به‌صورت شبانه‌روزی و خودکار پشتیبانی می‌کنند.»

فرحزادی در پایان سخنان خود، به مدیران عامل پیشنهاد کرد که به‌کارگیری ایجنت‌های هوشمند را نه صرفاً به‌عنوان یک ابزار فناورانه، بلکه به‌عنوان مدلی برای ایجاد «همکاران دیجیتال» در فرایندهای سازمانی در نظر بگیرند؛ همکارانی که می‌توانند بخشی از فعالیت‌های تکراری و پیچیده را با سرعت و هزینه کمتر انجام دهند.

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