چگونه از هوش مصنوعی برای شروع کار جدید خود استفاده کنید

شروع یک شغل تازه شبیه ورود به شهری ناآشناست: نام خیابان‌ها را نمی‌دانید، قواعد نانوشته را هنوز یاد نگرفته‌اید و تقریباً هر تصمیم کوچک می‌تواند پرسش تازه‌ای بسازد. در هفته‌های نخست، خواندن اسناد، شناخت پروژه‌ها و مشتریان، آشنایی با فرایندها و ساختن رابطه با همکاران، همچنان مهم‌ترین کارها هستند. هوش مصنوعی قرار نیست این مسیر انسانی را حذف کند، اما می‌تواند بخشی از بار یادگیری را سبک‌تر کند.

نقطه شروع، شناخت ابزارهای موجود در خود سازمان است. پیش از آنکه فایل یا اطلاعاتی را در یک سرویس عمومی وارد کنید، باید بدانید شرکت مجوز سازمانی هوش مصنوعی (Enterprise AI License) دارد یا نه، سیاستش درباره داده‌های محرمانه چیست و آیا بات‌ها یا عامل‌هایی برای پرسش‌های پرتکرار از قبل ساخته شده‌اند یا نه. ساختن ابزار جدید، وقتی نسخه امن و تأییدشده آن در سازمان وجود دارد، فقط وقت را تلف نمی‌کند؛ ممکن است ریسک اطلاعاتی هم ایجاد کند.

کاربرد نخست هوش مصنوعی، ساختن عامل‌هایی برای کارهای تکراری است. اگر بخشی از وظایف شما هر روز یا هر هفته تکرار می‌شود، می‌توان یک عامل هوش مصنوعی (AI Agent) ساخت که آن کار را تا حد ممکن انجام دهد و زمان شما را برای قضاوت تخصصی نگه دارد. نویسنده مقاله هنگام آغاز کار در پروژه مینروا (Minerva Project)، عاملی ساخت که هر دوشنبه خبرها را بررسی کند و چند موضوع مرتبط با بهبود آموزش عالی و زاویه‌های احتمالی داستان را پیشنهاد دهد. اما خودِ نوشتن و تحلیل را به مدل زبانی بزرگ (Large Language Model) نسپرد، چون تجربه، تشخیص و صدای انسانی را نمی‌توان با خروجی آماده جایگزین کرد.

کاربرد دوم، ساختن یک هم‌فکر (Thought Partner) است. می‌توانید پروژه‌ای بسازید و اسناد مأموریت شرکت، نمونه کارهای موفق، اطلاعات پروژه‌ها و مشتریان را در چارچوب مجاز سازمان به آن بدهید. سپس از آن بخواهید به‌جای جواب‌دادن فوری، پرسش‌های چالش‌برانگیز بپرسد، استدلال شما را نقد کند یا راه‌های متفاوت دیدن مسئله را پیشنهاد دهد. ارزش این گفت‌وگو معمولاً در پاسخ نهایی مدل نیست؛ در این است که ذهن شما را از مسیر عادی بیرون می‌کشد و کمک می‌کند به راه‌حلی برسید که شاید به‌تنهایی به آن فکر نمی‌کردید.

کاربرد سوم، ساختن زمین تمرین برای موقعیت‌های پرریسک است. مدیر تازه‌کار می‌تواند گفت‌وگوی بازخورد با یک کارمند را شبیه‌سازی کند؛ فردی که شاید واکنش دفاعی نشان دهد یا برعکس، پذیرای نقد باشد. کسی که با مشتری کار می‌کند نیز می‌تواند مذاکره یا فروش را تمرین کند و پس از پایان، از سیستم بازخورد بگیرد. چنین شبیه‌سازی‌ای جای تجربه واقعی را نمی‌گیرد، اما مثل قفس تمرینیِ ورزشکار است: اجازه می‌دهد پیش از مسابقه اصلی، اشتباه کنید، واکنش‌های مختلف را ببینید و با اعتماد بیشتری وارد گفت‌وگوی واقعی شوید.