Mapping Repetitive Work and Valuing Opportunities

Break work into testable tasks, evaluate net time including verification and errors, and shortlist two evidence-based AI pilots while considering risk and non-AI alternatives.

بعد از این درس می‌توانی

  • حداقل هشت وظیفهٔ یک نقش را با خروجی، ورودی، تکرار، وابستگی، دادهٔ مجاز و نقطهٔ تصمیم انسانی ثبت و دو مورد را دقیق‌تر تجزیه کند (C05-I01، C05-I02، C05-I05).
  • زمان خالص یک کار پذیرفته‌شده را با هزینهٔ آماده‌سازی، بازبینی، خطای گریخته و هزینهٔ ثابت محاسبه و آن را از سود مالی یا ROI جدا کند (C02-I03، C06-I04).
  • دو نامزد پایلوت و یک گزینهٔ ردشده را با شواهد ارزش/ریسک، راه‌حل بدون هوش مصنوعی، معیار پذیرش و شرط توقف توضیح دهد (C02-I04، C04-I01، C05-I04).

چرا این درس مهم است

[اصل پایدار] مدیر فروشگاه فرضی «برگ سبز» دو هفته صرف ساختن راهکار خلاصهٔ جلسهٔ ماهانه کرد؛ اما کار پشتیبانی «سفارشم کجاست؟» روزانه بارها تکرار می‌شد. مشکل پیش از انتخاب ابزار رخ داده بود: هیچ‌کس وظایف، زمان تحویل نهایی و هزینهٔ خطا را مقایسه نکرده بود. این داستان ساختگی است، نه گزارش میدانی.

فرصت واقعی از نتیجهٔ پذیرفته‌شدهٔ کار شروع می‌شود، نه از شهرت مدل یا تعداد پرامپت‌ها. برای هر وظیفه باید بپرسی: آیا ورودی مجاز و قابل اتکاست؟ کیفیت مستقل از متن روان سنجیده می‌شود؟ بازبینی و اصلاح چه هزینه‌ای دارد؟ جایگزین سادهٔ بدون AI چیست؟ نتیجهٔ این درس یک تصمیم مستند برای آزمایش است، نه وعدهٔ افزایش بهره‌وری.

مفاهیم کلیدی

مرز درس‌ها: در when-not-to-use-ai محدودیت اختیار و تصمیم اثرگذار را دیدی و در decomposition-chaining شکستن درخواست به گام‌های پرامپتی را تمرین کردی. اینجا فرآیند شغلی و ارزش اقتصادی نتیجهٔ کامل را می‌سنجیم؛ انتخاب پرامپت، دستیار، ورک‌فلو یا ایجنت را به choosing-the-right-tool بسپار.

  • [اصل پایدار] تحلیل وظیفه (`Task Analysis`): از خروجی کسب‌وکار به فرایند، وظیفه و گام می‌رسیم؛ هر وظیفه هدف، ورودی، خروجی، معیار قبولی و مسئول دارد.
  • [اصل پایدار] تحلیل سلسله‌مراتبی و شناختی (`HTA` / `CTA`): HTA ترتیب زیرهدف‌ها را روشن می‌کند؛ CTA پرسش از خبره دربارهٔ سرنخ‌ها، استثناها و قضاوت‌های نانوشته است. هیچ‌کدام به‌تنهایی قابلیت یک مدل را ثابت نمی‌کنند.
  • [اصل پایدار] افزایش توان در برابر خودکارسازی (`Augmentation` / `Automation`): کمک در استخراج یا پیش‌نویس با اجازهٔ اقدام مستقل یکی نیست؛ نقش انسان و مسئول تصمیم را جدا مشخص کن.
  • [شواهد وابسته به زمان] مرز دندانه‌دار (`Jagged Frontier`): عملکرد مدل میان وظایف مشابه ظاهری متفاوت است؛ نتیجهٔ یک پژوهش یا مدل را حکم دائمی ندان src-s03.
  • [اصل پایدار] زمان خالص و ارزش (`Net Time Saving` / `ROI`): زمان کار کامل پس از آماده‌سازی، کنترل، خطا و نگهداری؛ ساعت آزادشده بدون دادهٔ مالی معادل بازگشت سرمایه نیست.
  • [رویهٔ داخلی پیشنهادی] ماتریس ارزش و ریسک: غربال مجوز، کیفیت و پیامد خطا قبل از رتبه‌بندی؛ «نامعلوم» یعنی آزمایش، نه موفقیت یا شکست قطعی.

مدل ذهنی

[اصل پایدار] کار را مثل خط تولید ببین: مواد اولیه (داده)، ایستگاه‌ها (گام‌ها)، کنترل کیفیت و تحویل به مشتری. اگر تنها یک ایستگاه با AI سریع شود اما کنترل نهایی کندتر یا پرخطاتر شود، کل فرایند الزاماً بهتر نشده است. تصمیم قابلیت را در سطح وظیفه و تصمیم ارزش را در سطح خروجی کامل بگیر.

ماتریس پیشنهادی ارزش و ریسکِ فرصت‌ها: محور ارزش = زمان خالص و کیفیتِ قابل اندازه‌گیری؛ محور ریسک = پیامد خطا، داده، مجوز و قابلیت بازبینی. موارد فاقد مجوز یا کنترل قابل قبول پیش از رتبه‌بندی متوقف می‌شوند؛ «نامعلوم» به پایلوت محدود می‌رود. این ماتریس استاندارد جهانی نیست.

ماتریس پیشنهادی ارزش و ریسکِ فرصت‌ها

حد تشبیه: همهٔ گام‌ها خطی و مستقل نیستند؛ انتظار، استثنا و دانش ضمنی می‌تواند گلوگاه ایجاد کند. پژوهش‌ها فقط فرضیهٔ آزمایش می‌دهند: در آزمایش نوشتاری Noy و Zhang زمان حدود ۴۰٪ کمتر و کیفیت ۱۸٪ بیشتر بود src-s02؛ در آزمایش توسعه‌دهندگان خبرهٔ METR، با ابزارهای اوایل ۲۰۲۵ کار ۱۹٪ طولانی‌تر شد src-s10. این دو نتیجه دربارهٔ وظایف و محیط‌های متفاوت‌اند، نه وعده یا قانون عام.

گام‌به‌گام

گام ۱: از شغل به دست‌کم هشت وظیفهٔ آزمون‌پذیر برس

[رویهٔ داخلی پیشنهادی] یک هفته فعالیت‌ها را ثبت کن؛ عدد هشت تا دوازده صرفاً قالب آموزشی است، نه «استاندارد علمی». در قالب فهرست کار ستون‌های موجود را پر کن؛ برای دو گزینهٔ مهم، در یادداشت کنار جدول «مسئول، معیار قبولی، گام‌ها، استثنا و سرنخ تصمیم خبره» را هم ثبت کن.

فیلد وظیفهپرسش قابل سنجش
دفعات و زمان دستی کاملچند بار در هفته؟ تحویل پذیرفته‌شده هر بار چند دقیقه طول می‌کشد؟
ورودی، منبع و خروجیداده از کجا و با چه مجوزی می‌آید؟ خروجی را چه کسی تحویل می‌گیرد؟
قاعده‌مندی (۱ تا ۳)کدام گام قطعی است و کجا تشخیص ضمنی یا استثنا داریم؟
پیامد خطا (۱ تا ۳)آیا خطا مالی، ایمنی، حقوقی یا اثرگذار بر افراد است؟
حساسیت داده (۱ تا ۳)آیا اجازهٔ ورود اطلاعات به ابزار وجود دارد؟
مرجع قبولی و نقطهٔ کنترلچه شواهدی موفقیت را اثبات می‌کند؟ چه کسی تأیید نهایی می‌دهد؟

[اصل پایدار] «پاسخ‌گویی به مشتری» هنوز وظیفهٔ قابل آزمون نیست. آن را به «استخراج شناسهٔ سفارش»، «تطبیق با سامانه»، «تشخیص مورد استثنایی» و «تنظیم پاسخ پس از تأیید» تفکیک کن. مرحلهٔ تطبیق کد ممکن است با قاعدهٔ قطعی بهتر انجام شود. طبقه‌بندی «درون/بیرون مرز مدل» باید با آزمون همان داده و همان ابزار انجام شود، نه فقط با حدس.

گام ۲: زمان کامل و هزینهٔ خطا را محاسبه کن

[اصل پایدار] برای هر خروجی پذیرفته‌شده: T0 زمان کامل انسانی قبلی، P آماده‌سازی ورودی، A هدایت انسانی، V بازبینی، p سهم خطای گریخته، R زمان اصلاح هر خطای گریخته و H تأیید نهایی است. برحسب دقیقه/مورد: TA = P + A + V + p×R + H و ΔT = T0 − TA. اگر N مورد در ماه و Tfixed دقیقه نگهداری/ساختِ سهم همان ماه باشد: S = N×ΔT − Tfixed. در این محاسبه p باید از مشاهده یا فرض آشکار بیاید.

[فرض سناریو؛ محاسبهٔ اصلاح‌شدهٔ ممیزی] ماهانه ۵۰ گزارش داریم؛ هر گزارش دستی ۴ ساعت و در مسیر AI، تولیدِ غیرهم‌پوشان ۰٫۱ ساعت، بازبینی ۲٫۵ ساعت، احتمال فرضی خطای گریخته ۲۰٪ و ترمیم هر خطا ۱۰ ساعت است. اینجا به‌طور مشخص ۰٫۱ ساعت را زمان مؤثر مسیر حساب می‌کنیم؛ زمان اجرای ماشین اگر با کار انسان هم‌پوشان باشد باید جدا گزارش شود.

  • TA = 0.1 + 2.5 + 0.20×10 = 4.6 ساعت برای یک گزارش؛ همان گزارش دستی ۴ ساعت است.
  • ΔT = 4 − 4.6 = −0.6 ساعت/گزارش؛ در ۵۰ گزارش: S = −30 ساعت/ماه، پیش از هزینهٔ ابزار و نگهداری.
  • اگر استخراج عدد از منبع معتبر و بازبینی بهتر شود، زمان ممکن است کاهش یابد؛ فرض «بازبینی ۰٫۵ ساعت، خطای ۲٪» فقط سناریوی آموزشی است، نتیجهٔ واقعی نیست.
  • برای ROI مالی به ارزش قابل تحقق ظرفیت آزادشده، هزینه‌های ابزار و اجرای کار و ارزش/زیان مستقلِ کیفیت نیاز داریم. بدون این داده‌ها فقط ساعت خالص و سطح کیفیت را گزارش کن؛ هزینهٔ زمان ترمیم را دوباره به‌عنوان خسارت مالی نشمار.

[شواهد وابسته به زمان] در مطالعهٔ میدانی Brynjolfsson و همکاران، نسخهٔ نهایی داوری‌شدهٔ ۲۰۲۵ شامل ۵۱۷۲ کارشناس پشتیبانی و افزایش میانگین ۱۵٪ موارد حل‌شده در ساعت بود src-s04؛ در مطالعهٔ BCG با ۷۵۸ مشاور، نتیجه بسته به نوع وظیفه مثبت یا منفی بود src-s03. این درصدها زمان، نرخ پذیرش و سود اقتصادی پروژهٔ تو را تعیین نمی‌کنند. تفکیکِ نرخ‌های نسخهٔ اولیه و نهایی مقاله ضروری است.

گام ۳: قبل از امتیازدادن، دروازه‌های توقف را بررسی کن

[اصل پایدار] هشت پرسش کوتاه: داده و مجوز کافی داریم؟ کیفیت مستقل از متن روان قابل آزمون است؟ خطا کشف و جبران می‌شود؟ بازبینی کمتر از کار دستی هزینه دارد؟ کار تکرار کافی دارد؟ راه‌حل قطعی/بدون AI ساده‌تر نیست؟ قضاوت به زمینهٔ نانوشته وابسته نیست؟ امکان توقف و ثبت شواهد وجود دارد؟ اگر «مجوز داده» یا کنترل خطای پرخطر برقرار نیست، شکل فعلی طرح را متوقف کن. جزئیات حریم خصوصی در data-privacy و تصمیم «چه‌وقت AI نه؟» در when-not-to-use-ai است.

گام ۴: مقایسه، پایلوت و انتخاب دو فرصت

[رویهٔ داخلی پیشنهادی] گزینهٔ بدون AI و راه‌حل با قواعد قطعی را هم کنار کمک مدل زبانی بسنج. فقط گزینه‌های دارای مجوز و کیفیت قابل قبول را روی ماتریس ارزش/ریسک بگذار. برای شروع، ۱۰ تا ۲۰ مورد متنوع در هر مسیر می‌تواند پایلوت آموزشی اولیه باشد؛ این اندازه به‌تنهایی سود مالی یا ایمنی در خطای نادر را ثابت نمی‌کند.

وضعیت فرصتتصمیم و شاهد لازم
ارزش قابل اندازه‌گیری، کیفیت قابل قبول، ریسک مهارشدهنامزد نخست آزمایش محدود؛ زمان و خطای هر خروجی پذیرفته‌شده را ثبت کن.
ارزش بالقوه زیاد اما ریسک بالافقط با مجوز، کنترل انسانی، سناریوی استثنا و شرط توقف آزمایش کن؛ شاید فعلاً رد شود.
ارزش نامعلوم یا دادهٔ ناکافی«نامطمئن» بزن؛ خط پایه، نرخ خطا و هزینهٔ بررسی را با آزمایش کوچک به دست بیاور.
راه‌حل قطعی ساده‌تر یا ارزش خالص منفیبدون AI/اصلاح فرآیند را ترجیح بده؛ ساخت ایجنت توجیه ندارد.

خروجی این درس: دو نامزد پایلوت با دلیل، فرض‌ها و شاخص موفقیت و یک گزینهٔ عمداً ردشده. پذیرش را با «زمان تحویل پذیرفته‌شده + کیفیت بدون افت + خطای بحرانی صفر در نمونه» بسنج؛ صفر در نمونه به معنی تضمین آینده نیست. برای انتخاب معماری دقیق فقط به choosing-the-right-tool ارجاع بده؛ دستور ساخت ورک‌فلو در automation-tools و آزمون مدل/پرامپت در testing-prompts-project است.

مثال‌ها

پیاده‌سازی عملی

کارگاه ۱۵دقیقه‌ای [رویهٔ داخلی پیشنهادی]: فایل فهرست کارها را باز کن؛ شش مورد ساختگی آن را نگه دار و دست‌کم دو کار دیگر بیفزا. برای دو نامزد، توضیح ورودی/خروجی و کنترل انسانی را کنار داده‌ها ثبت کن.

  1. ۸ کار را با دفعات، زمان دستی کامل، قاعده‌مندی، پیامد خطا، حساسیت داده و صاحب خروجی ثبت کن (C05-I01, C05-I02).
  2. برای دو کار پرتکرار، گام قطعی، گام زبانی، قضاوت انسانی و مورد استثنا را جدا کن؛ در صورت نبود داده «نامعلوم» ثبت کن.
  3. در ستون محاسبهٔ کمکی، T0، P+A+V+H، p×R و هزینهٔ ثابت را با واحد یکسان وارد و زمان خالص را حساب کن؛ عدد فرضی را برچسب بزن.
  4. مجوز داده و کیفیت را غربال کن؛ گزینهٔ «بدون AI / قواعد قطعی» را هم مقایسه کن؛ دو نامزد پایلوت و یک ردشده با معیار و شرط توقف ارائه بده.

این تمرین را می‌توان بدون اجرای مدل انجام داد. امتیاز کامل با استدلال و شاهد است، نه با ساختن عدد قطعی یا نام بردن از یک مدل خاص. انتخاب محصول با choosing-the-right-tool و حفظ محرمانگی با data-privacy ادامه می‌یابد.

اشتباه‌های رایج

اشتباهپیامداصلاح عملی
خردکردن افراطی کار یا تحلیل فقط در سطح عنوان شغلوابستگی‌ها، هزینهٔ تحویل و استثنا پنهان می‌شودفرآیند کامل را نگه دار؛ گام‌ها را تا حد آزمون‌پذیری بشکن.
اعلام «۱۵ تا ۴۰٪ سود قطعی» از یک مطالعهتعمیم جامعه و سنجهٔ نادرستمطالعه، نمونه، تاریخ و نوع وظیفه را ذکر کن؛ پایلوت بومی بگیر.
حذف زمان بازبینی/خطای گریخته از محاسبهپروژهٔ ظاهراً سریع ممکن است زیان زمانی داشته باشدTA و S را با همهٔ اجزا و فرض‌ها حساب کن.
مساوی گرفتن زمان آزادشده و ROI مالیوعدهٔ سود بدون دادهٔ هزینه و تحقق ظرفیتساعت خالص و منفعت مالی مستند را جدا گزارش کن.
اعتماد به نمرهٔ مدل برای تصمیم دربارهٔ اشخاصسوگیری و حذف مورد درست بدون راه بازبینیاقدام حساس با مسئول مجاز، شاهد و امکان اعتراض.
انتخاب ایجنت برای تطبیق دو فایل یا یک کار قطعیهزینه، خطا و نگهداری اضافیابتدا محاسبه/تطبیق قطعی؛ رجوع به choosing-the-right-tool.
پایلوت کوچک را اثبات بی‌خطری دانستنخطای نادر کشف نمی‌شودمحدودیت نمونه را بگو؛ شرط توقف و آزمون استثنا تعریف کن.

اشکال‌زدایی

بعد از پایلوت، زمان پیش‌نویس کم شده ولی تحویلِ تأییدشده دیرتر انجام می‌شود.

زمان بازبینی، صف تأیید، اصلاح موارد استثنا یا خطای گریخته در خط پایه نادیده گرفته شده است؛ افزایش صف در همهٔ تیم‌ها قطعی نیست.

برای ۱۰ تا ۲۰ مورد، زمان کار انسانی، انتظار، بازبینی، دوباره‌کاری و کیفیت را جدا ثبت کن و با مسیر بدون AI بسنج.

کار قطعی را جدا کن، دادهٔ معتبر بده، محدودیت دامنه/توقف بگذار؛ اگر زمان خالص منفی یا ریسک نامجاز است فرصت را متوقف کن.

یک فرصت در ماتریس ارزش زیاد دارد، اما قوانین و موارد استثنای آن نانوشته است.

قاعده‌مندی و امکان کنترل بیش از واقع برآورد شده؛ دانش ضمنی خبره ثبت نشده است.

از فرد خبره برای دو مورد عادی و دو استثنا سرنخ تصمیم بپرس؛ تعیین کن کدام قاعده قابل آزمون و کدام نیازمند اختیار انسان است.

فقط کار کم‌ریسک قابل‌آزمایش را در پایلوت نگه دار؛ بقیه را به مسئول ارجاع بده یا با روش بدون AI اجرا کن.

تمرین کوتاه

تمرین · 10 دقیقه

هدف: تفاوت سرعت پیش‌نویس با زمان کامل و سود مالی (ROI) را توضیح بده.

[فرض سناریو] شرکت ماهانه ۵۰ گزارش دارد. روش انسانی هر گزارش ۴ ساعت طول می‌کشد. AI برای هر گزارش ۰٫۱ ساعت زمان غیرهم‌پوشان تولید، ۲٫۵ ساعت بازبینی و در ۲۰٪ موارد ۱۰ ساعت اصلاح خطای گریخته دارد. زمان/هزینهٔ ثابت و قیمت ابزار در سؤال داده نشده است.

گام‌ها: TA، اختلاف زمان هر گزارش و اختلاف ماهانه را با واحد حساب کن؛ بگو آیا می‌توان ROI مالی اعلام کرد؛ یک تغییر قابل آزمون در طراحی کار پیشنهاد بده.

معیار پذیرش: عددهای ۴٫۶، −۰٫۶ و −۳۰ درست؛ شرایط فرضی و نبود اطلاعات سود مالی تصریح شود؛ تغییر پیشنهادی بدون اعتماد به عددسازی مدل باشد.

راه‌حل نمونه

TA = 0.1 + 2.5 + 0.2×10 = 4.6 ساعت/گزارش؛ ΔT = 4 − 4.6 = −0.6 ساعت؛ ماهانه 50×−0.6 = −30 ساعت، زیان زمانی سناریو. درصد ROI قابل محاسبه نیست. تغییر: دادهٔ عددی را از منبع مستند با قاعدهٔ قطعی استخراج و به AI فقط متنِ مبتنی بر شاهد بسپار؛ دوباره زمان و نرخ خطا را اندازه بگیر. فرض نرخ خطای ۲٪ و صرفه‌جویی ۱۶۰ ساعت در پژوهش نتیجهٔ اجراشده نیست.

چالش

تمرین · 30 دقیقه

چالش: شغل خود یا یک نقش ساختگی را انتخاب کن. اگر داده واقعی یا مجوز نداری، مثال‌های ناشناس/ساختگی استفاده کن؛ دادهٔ محرمانه در مدل بارگذاری نکن.

  1. فهرست دست‌کم ۸ وظیفه از یک هفته/ماه با دفعات، زمان کامل، ورودی/خروجی، ریسک، داده و مالک.
  2. تجزیهٔ دو کار به گام‌های مشاهده‌پذیر، قواعد قطعی، سرنخ‌های خبره و تصمیم انسانی.
  3. محاسبهٔ زمان خالص برای دو گزینه با برچسب «داده/فرض/نامعلوم» و اشاره به هزینهٔ ثابت؛ اگر اطلاعات مالی نداری، ROI نده.
  4. یک نامزد پایلوت اصلی، یک نامزد دوم و یک گزینهٔ ردشده با مقایسهٔ راه‌حل بدون AI.

خروجی: جدول فرصت‌ها + برگهٔ تحلیل دو وظیفه + تصمیم کوتاه با شاخص کیفیت، زمان کامل و شرط توقف. این بسته ورودی choosing-the-right-tool و سپس repeatable-procedures است.

معیار پذیرش:

  • حداقل ۸ وظیفه و دو تجزیهٔ آزمون‌پذیر با ورودی/خروجی و مسئول (C05-I01، C05-I02).
  • محاسبهٔ درست زمان خالص با نرخ خطا و واحد؛ عدم اعلام ROI بی‌داده (C02-I03، C06-I04).
  • برای هر نامزد، مجوز داده و حد کیفیت بررسی شده و نقطهٔ تأیید انسانی وجود دارد (C05-I05، C06-I03).
  • دو انتخاب و یک رد با دلیل و سنجهٔ پایلوت؛ گزینهٔ بدون AI هم واقعاً سنجیده شده است (C04-I01، C04-I05).

راهنما: اگر نرخ خطا، هزینه یا اجازهٔ داده را نمی‌دانی، آن را «نامعلوم» ثبت کن؛ پایلوت ۱۰ تا ۲۰ موردی فقط برای یادگیری اولیه است و نبود خطا در آن ایمنی آینده را ثابت نمی‌کند.

پرسش‌های سنجش

جمع‌بندی

  • [اصل پایدار] فرصت در سطح وظیفه آزمون می‌شود، ولی ارزش در سطح فرایند و خروجی پذیرفته‌شده محاسبه می‌شود.
  • سرعت پیش‌نویس، صرفه‌جویی خالص یا سود مالی نیست؛ بازبینی، خطای گریخته، نگهداری و محدودیت کیفیت را وارد کن.
  • پژوهش‌های BCG، Brynjolfsson، Noy و METR با قید نمونه، وظیفه و تاریخ خوانده می‌شوند؛ هیچ درصدی برای کار تو تضمین نیست.
  • دو گزینهٔ «بدون AI» و «قاعدهٔ قطعی» را کنار کمک مدل زبانی بسنج؛ انتخاب ابزار مفصل در choosing-the-right-tool است.
  • از بین فرصت‌های مجاز دو نامزد پایلوت و یک ردشده ارائه بده؛ در ابهام «نیازمند آزمایش» بنویس.
  • به پروژهٔ پرخطر، حتی با صرفه‌جویی برآوردی زیاد، بدون امکان بازبینی و مسئول تصمیم اجازهٔ اقدام مستقل نده.

پرسش‌های سنجش

کارشناس مرجوعی فقط می‌گوید «پیام‌ها را می‌خوانم، فاکتور را چک می‌کنم و قبول/رد می‌کنم». چهار وظیفهٔ آزمون‌پذیر با ورودی/خروجی و محل تصمیم انسان بنویس. کجا `AI` را صرفاً آزمایش می‌کنی؟

پاسخ نمونه و معیار ارزیابی

۱) استخراج ادعای مشتری و شمارهٔ فاکتور از پیام ← دادهٔ ساختاریافته با تطبیق شناسه؛ ۲) تطبیق با فاکتور و سیاست مصوب ← نتیجهٔ قاعدهٔ قطعی؛ ۳) سنجش استثنا و دانش ضمنی توسط کارشناس ← تصمیم مسئول مجاز؛ ۴) پیش‌نویس پاسخ از تصمیم تأییدشده و بررسی قبل از ارسال. AI برای استخراج/پیش‌نویس قابل آزمایش است، نه استنباط قطعی مقررات یا اختیار رد/قبول. یک مورد استثنا باید آزموده شود.

  • چهار وظیفه با ورودی و خروجی مشخص و تفکیک قاعده/قضاوت (C05-I01، C05-I02) (2 امتیاز)
  • نقطهٔ تصمیم و تأیید انسانی و یک آزمون استثنا (C05-I05، C06-I04) (2 امتیاز)
  • همه را به ایجنت می‌سپارم ← وظایف ناهمگن‌اند؛ استخراج و پیش‌نویس با قضاوت مقرراتی و تصمیم نهایی تفاوت دارد.

در نمونه‌ای فرضی یک تیم می‌گوید «پیش‌نویس گزارش با `AI` فقط ۶ دقیقه است، پس کار سودده است». چرا کافی نیست و چه داده‌ای برای آزمون لازم داری؟

پاسخ نمونه و معیار ارزیابی

زمان کار کامل تا پذیرش مهم است: آماده‌سازی، هدایت، بازبینی، تأیید و p×R برای خطای گریخته. زمان انتظار ماشین را اگر در مسیر بحرانی اثر دارد جدا ثبت کن. ۱۰ تا ۲۰ مورد مشابه با/بدون AI را برای مشاهدهٔ اولیه، با سنجش زمان و کیفیت، مقایسه کن؛ این تعداد اثبات ایمنی یا سود قطعی نیست. سود مالی بدون هزینه و ارزش قابل تحقق نامعلوم می‌ماند.

  • بازبینی و اصلاح خطای گریخته یا گلوگاه تأیید را ذکر می‌کند (1 امتیاز)
  • سنجهٔ زمان کامل و کیفیت را با صورت/مخرج یا برنامهٔ آزمون تعریف می‌کند (1 امتیاز)
  • عدم‌قطعیت و عدم برابری ساعت با ROI مالی را توضیح می‌دهد (1 امتیاز)
  • فقط مدل را سریع‌تر می‌کنم ← سرعت تولید متن، هزینهٔ بررسی و تحویلِ مورد قبول را نشان نمی‌دهد.

ماهانه ۵۰ گزارش: دستی ۴ ساعت/مورد، در مسیر `AI` تولید غیرهم‌پوشان ۰٫۱ ساعت، بازبینی ۲٫۵ ساعت، خطای گریخته در ۲۰٪ موارد با ۱۰ ساعت ترمیم. زمان خالص ماهانه و وضعیت `ROI` مالی چیست؟

پاسخ نمونه و معیار ارزیابی

TA = 0.1 + 2.5 + 0.20×10 = 4.6 ساعت؛ ΔT=4−4.6=−0.6 ساعت/گزارش؛ 50×−0.6=−30 ساعت/ماه. حتی قبل از هزینهٔ اجرا زیان زمانی است. ROI مالی با نبود هزینه‌ها و ارزش قابل تحقق قابل محاسبه نیست؛ تغییر پیشنهادی: استخراج عدد با منبع و محاسبهٔ قطعی، سپس آزمون دوبارهٔ بازبینی و نرخ خطا.

  • TA=4.6 و −30 ساعت/ماه با واحد درست (2 امتیاز)
  • نبود اطلاعات ROI مالی را تشخیص می‌دهد (1 امتیاز)
  • تغییر ساختاری و آزمون واقعی نرخ خطا پیشنهاد می‌دهد (1 امتیاز)
  • ۱۹۵ ساعت صرفه‌جویی ← بازبینی و خطای گریخته را از محاسبه حذف کرده‌ای.

برای تطبیق هفتگی دو فایل دارای کد سفارش هشت‌رقمی و تولید یک پیام ثابت، کدام راهکار را **پیش از ساخت ایجنت** آزمایش می‌کنی؟

  • ایجنت خودمختار که از روی شباهت متن، ردیف‌ها را حدس بزند.
  • تطبیق قطعی در صفحه‌گسترده/کد با حفظ صفر ابتدایی، کنترل تکراری‌ها و ردیف‌های بی‌جفت؛ بازبینی پیش از ارسال.
  • مدل زبانی که کدهای هشت‌رقمی را آزادانه مقایسه و نتیجه را ارسال کند.
  • بدون بررسی داده‌ها، تصمیم را با محبوب‌ترین ابزار بگیر.
پاسخ نمونه و معیار ارزیابی
  • a ← اختیار پویا و خطای اضافی نیاز نیست.
  • c ← مدل زبانی جای کنترل قطعی شناسه‌ها را نمی‌گیرد.
  • d ← انتخاب ابزار از مسئله و آزمون شروع می‌شود، نه شهرت.

سه فرصت داریم: الف) دسته‌بندی ۲۰۰۰ نظر مشتری برای گزارش داخلی، ب) تعهد مالی خودکار در مذاکره با تأمین‌کننده، ج) ایده‌پردازی یک‌باره برای لوگو. کدام نامزد اول **پایلوت** است؟ یک گزینه را رد کن و دو سنجهٔ آزمون بنویس.

پاسخ نمونه و معیار ارزیابی

الف نامزد اول آزمایش است: حجم و امکان کنترل دسته‌بندی دارد، نه اینکه سودش از پیش قطعی باشد. ب برای اقدام خودمختار رد می‌شود چون اختیار مالی و ریسک بالاست؛ کمک به تحلیل با تأیید مسئول جداگانه ممکن است. ج برای چند ایدهٔ موردی شاید مفید باشد اما خودکارسازی دائمیِ یک‌بار مصرف توجیه ندارد. سنجه‌ها: زمان تحویل پذیرفته‌شده و نرخ دسته‌بندی دارای شاهد/توافق با بررسی انسانی؛ اگر نتیجه منفی شد، بدون AI یا روش ساده را انتخاب کن.

  • انتخاب الف را با تکرار، کنترل‌پذیری و احتیاط دربارهٔ سود توضیح می‌دهد (C05-I04) (1 امتیاز)
  • تفاوت رد ب و ج و نقش انسان را روشن می‌کند (C06-I04) (1 امتیاز)
  • دو سنجهٔ پایلوت یا شرط توقف و گزینهٔ بدون AI را بیان می‌کند (1 امتیاز)
  • همه را خودکار می‌کنیم ← ریسک، تکرار و مجوز عمل در سه مسئله متفاوت‌اند.

فایل‌های درس

قالب فهرست کارها با شش نمونه ساختگی برگ سبز

task-inventory.csv

ابزارها و جایگزین‌ها

  • صفحه‌گسترده — ثبت وظایف، مقایسهٔ سناریوها و محاسبهٔ زمان خالص؛ ابزار الزامی نیست — کاغذ و ماشین‌حساب — جدول سادهٔ متنی

منابع

Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence Science 2023-07-13؛ مقالهٔ داوری‌شده؛ آزمایش نوشتاری با ۴۵۳ نفر

Navigating the Jagged Technological Frontier Organization Science 2026-03-11؛ مقالهٔ داوری‌شده؛ آزمایش ۷۵۸ مشاور با GPT-4

Generative AI at Work Quarterly Journal of Economics 2025-02-04 آنلاین؛ مقالهٔ داوری‌شده؛ ۵۱۷۲ کارشناس و ۱۵٪ بهبود میانگین در همان مرکز

Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity METR 2025-07-10؛ گزارش آزمایش میدانی، نه مقالهٔ داوری‌شدهٔ مجله؛ ۱۶ توسعه‌دهنده و ۲۴۶ کار

Course

AI in Everyday Work