في عالم الأعمال المتنامي، يتزايد الاعتماد على الذكاء الاصطناعي (AI) لتحسين كفاءة العمليات وتبسيط الإجراءات. لكن، كيف يمكننا تقييم جاهزية الذكاء الاصطناعي للتعامل مع مهام إدارة العمليات التجارية بشكل دقيق؟ هنا يأتي دور النموذج المبتكر T-IPO، والذي يحتوي على مصفوفة LARA لتقييم جاهزية وكلاء النماذج اللغوية الكبيرة (Large Language Models) في هذا السياق.

عند النظر في أي مهمة داخل سير العمل داخل المؤسسات، يُعاني الكثير من نماذج تجميع الأعمال من الاقتداء بالأنشطة بشكل عام، مما يتجاهل الفروق الكبيرة في صعوبة بعض الأنشطة. يقدم بحثنا الجديد تحليلاً أكثر دقة، حيث يقوم بتفكيك المهام إلى عناصرها الأساسية عبر نموذج T-IPO، والذي يمثل كل مهمة كزوج من ثمان عناصر.

أما مصفوفة LARA، فهي أداة تقييم تتكون من خمسة معايير تقيم جاهزية المهمة لاستبدالها بواسطة وكيل ذكاء اصطناعي. لقد أظهرت الأبحاث المستندة إلى دراسات دلفي (Delphi Study) وأخرى بالتحليل الهرمي (AHP) أن الحساسية للتوافق (Compliance Sensitivity) تحمل وزنًا ثلاثة أضعاف. نتائج التقييم تصنف المهام إلى أربع مستويات، L1 إلى L4، مع قاعدة لمنع تصنيف المهام ذات عبء المطابقة العالي لأقل من المستوى L3.

إجراء تقييم لـ 127 مهمة أظهر توافقًا على مستوى عالٍ بين المقييمين، مما يحقق مستوى كابا (Fleiss' κ) يصل إلى 0.80. تجربة مقارنة تسيطر عليها النتائج توحي بتحسين القدرة التنبؤية عند المستوى المهام مقارنة بالتقييم على مستوى الأنشطة.

تؤكد نتائج نشر تجريبي لـ 120 حالة مهمة أن القدرة على الاكتمال التلقائي تنخفض تدريجيًا من 95% في المستوى L1 إلى حوالي 40% في المستوى L3. وتحليل العوامل الاستكشافية يشير إلى وجود بنية ذات عاملين، حيث يتحدد استعداد المهمة من خلال التعقيد في التنفيذ الإدراكي وشدة الالتزام بالحوكمة.

ختمنا بمسار إعادة المعايرة (LARA-TCA) لضمان استمرار المصفوفة في مواكبة تطور قدرات وكلاء النماذج اللغوية الكبيرة. إذا كنت مهتمًا بمعرفة المزيد عن كيفية تأثير هذه الأدوات على العملية التجارية، فلا تتردد في المشاركة بآرائك! ما رأيكم في هذه الابتكارات؟