چگونه با کمک کلود، پشتیبانی ایمیلی یک کسب‌وکار کوچک را با ChatGPT Plus خودکار کردم

همسرم از صندوق ورودی ایمیل‌های پشتیبانی کسب‌وکار کوچکش بیزار بود؛ بنابراین از هوش مصنوعی کمک گرفتم تا این فرایند را خودکار کنم. در ادامه توضیح می‌دهم چگونه این کار را انجام دادم.

نکات کلیدی

• ChatGPT Plus از عهده این کار برمی‌آید، اما نتوانست به‌تنهایی سیستم لازم را بسازد.
• استفاده از یک هوش مصنوعی دیگر برای بررسی کار هوش مصنوعی اول، اهمیت زیادی دارد.
• رسیدگی به ایمیل‌های مشتریان لزوماً نباید کاری فرساینده باشد.

این ماجرای خودکارسازی موفق پاسخ‌گویی به ایمیل‌های خدمات مشتریان برای یک فروشگاه اینترنتی کوچک است. در عین حال، روایت فرایندی است که طی آن کم‌کم دیدگاهم را از دست دادم و واقعاً به این فکر افتادم که ChatGPT را خفه کنم!

همه‌چیز از آنجا شروع شد که شرکت تجارت الکترونیک همسرم با حجم بسیار زیادی از ایمیل‌های پشتیبانی مشتریان روبه‌رو بود. از طرف دیگر، من هم ستونی درباره هوش مصنوعی می‌نویسم.

فروشگاه اینترنتی همسرم محصولات دیجیتال مرتبط با یک سرگرمی پرطرفدار می‌فروشد. بیشتر ایمیل‌های واقعی مشتریان درباره نحوه دانلود محصولات، مشکلات گذرواژه و ورود به حساب کاربری و گاهی هم چگونگی استفاده از خود محصولات است.

حدود نیمی از این درخواست‌ها را می‌توان با پاسخ‌های از پیش تعیین‌شده مدیریت کرد. همسرم نیز تا آن زمان بیشتر ایمیل‌هایش را به همین روش پاسخ می‌داد. او چند الگوی متنی در نرم‌افزار TextExpander ساخته بود که برای پاسخ‌گویی به بسیاری از درخواست‌های واقعی مشتریان کفایت می‌کرد.

تنها حدود یک تا دو درصد از ایمیل‌های دریافتی او واقعاً از سوی مشتریانی بود که پرسشی داشتند. بقیه شامل انواع هرزنامه، پیام‌های تبلیغاتی PayPal و تعداد زیادی خبرنامه بود که تقریباً برای هیچ‌کدام از آن‌ها ثبت‌نام نکرده بود.

همه این پیام‌ها به نشانی ایمیل کاری شرکت ارسال می‌شدند و ارتباطی با ایمیل‌های شخصی همسرم نداشتند. این جداسازی خوشبختانه به من اجازه داد فرایند خودکارسازی ایمیل‌های شرکت را بدون به خطر انداختن ایمیل‌های شخصی او بررسی کنم.

هوش مصنوعی باید دو فرایند اصلی را مدیریت می‌کرد: نخست، شناسایی و تفکیک ایمیل‌های ورودی؛ و دوم، پردازش پیام‌ها پس از شناسایی تا هرکدام به‌درستی رسیدگی شوند.

متأسفانه، تنوع ایمیل‌ها به‌اندازه‌ای زیاد بود که فیلترهای Gmail از عهده این کار برنمی‌آمدند. برای مثال، این فیلترها نمی‌توانستند به‌خوبی تفاوت میان یک ایمیل تبلیغاتی PayPal و پیامی را تشخیص دهند که در آن مشتری از مشکلی شکایت کرده و لازم بود همسرم فوراً پاسخ بدهد. تشخیص چنین تفاوت‌های ظریفی از جمله کارهایی است که هوش مصنوعی در انجام آن‌ها توانایی خوبی دارد.

من چند دهه است که برنامه‌نویسی رویه‌ای یا قطعی انجام می‌دهم؛ روشی که در آن هر مرحله پس از مرحله قبلی اجرا می‌شود و برنامه‌نویس مراحل و شرایط انجام اقدامات را تعریف می‌کند. این نخستین بار بود که برنامه‌ای می‌ساختم که در آن خودِ گردش کار تصمیم می‌گرفت چه برنامه‌ای را برای انجام وظیفه انتخاب کند.

نقطه شروع، یافتن راهی برای پردازش ایمیل‌های ورودی پشتیبانی مشتریان بود. مصمم بودم ببینم آیا می‌توانم از اشتراک ماهانه ۲۰ دلاری ChatGPT Plus همسرم برای مدیریت تمام این فرایند استفاده کنم یا نه. در نهایت، این سیستم واقعاً توانست چنین کاری انجام دهد.

البته رسیدن به مرحله‌ای که هوش مصنوعی بتواند نقش دستیار پشتیبانی مشتریان را بر عهده بگیرد، با ناکامی‌ها و کلافگی‌های زیادی همراه بود؛ آن‌قدر که در این مسیر بارها درباره انتخاب‌های زندگی‌ام تجدیدنظر کردم. نه برای نخستین بار، آرزو کردم کاش میان گرگ‌ها بزرگ شده بودم و هرگز چیزی درباره رایانه، اینترنت، ایمیل، صفحه‌کلید یا هوش مصنوعی نمی‌دانستم!

تلاش اول: ماجرای صفحه‌گسترده

بزرگ‌ترین اشتباه من، که بیشترین زمان را هم گرفت، این بود که طراحی و معماری راهکار را به ChatGPT سپردم و نزدیک به چهار هفته به آن اعتماد کردم، با این تصور که واقعاً می‌داند چه کار می‌کند.

با این حال، طرحی که ارائه می‌کرد بسیار منسجم و باورپذیر به نظر می‌رسید. وقتی این مرحله به پایان رسید، احساس می‌کردم صاحب‌خانه‌ای هستم که پیمانکاری را استخدام کرده است؛ پیمانکار نقشه‌هایی عالی ارائه می‌دهد و نیمی از دستمزد را پیشاپیش می‌گیرد، اما بعد معلوم می‌شود با وجود آن نقشه‌های زیبا، اصلاً نمی‌داند چگونه کار را در عمل اجرا کند.

ChatGPT سامانه‌ای چندلایه برای هماهنگ‌سازی فرایندها طراحی کرد که محور آن یک صفحه‌گسترده مشترک در Google Sheets بود. این لایه‌ها شامل موارد زیر می‌شدند:

• کنترل برنامه و دریافت پیام‌ها
• دسته‌بندی
• تحلیل سفارش‌ها و پرداخت‌ها
• اولویت‌بندی درخواست‌های پشتیبانی
• شناسایی هرزنامه و کنترل ایمنی
• اجرای عملیات در Gmail
• نگاشت نهایی، انتخاب پاسخ و راستی‌آزمایی
• زمان‌بندی و نقاط کنترل

ایده این بود که هر پیام، با استفاده از شناسه منحصربه‌فرد خود، از یک یا چند مرحله عبور کند تا در نهایت یا به آن پاسخ داده شود و در پوشه مناسب قرار بگیرد، یا صرفاً بایگانی شود. همسرم از قبل نظامی دقیق و حساب‌شده برای برچسب‌گذاری و دسته‌بندی ایمیل‌ها داشت و هوش مصنوعی باید یاد می‌گرفت پیام‌ها را در همان ساختار قرار دهد. هر پیامی که هوش مصنوعی نمی‌توانست مدیریت کند، به پوشه‌ای با عنوان «نیازمند رسیدگی انسانی» منتقل می‌شد تا همسرم شخصاً آن را بررسی کند.

در ابتدا، هوش مصنوعی ۲۴۰ پیام را از صندوق ورودی انباشته‌شده جمع‌آوری کرد. این مجموعه نمونه‌ای نسبتاً نماینده از انواع پیام‌هایی بود که به صندوق پشتیبانی می‌رسیدند. بر اساس آن، ساختاری برای دسته‌بندی طراحی کردیم که بیشتر انواع ایمیل را پوشش می‌داد: پیام‌های مشتریان، سفارش‌ها، پرداخت‌ها، فروشندگان، هشدارهای امنیتی، خبرنامه‌ها، پیام‌های بازاریابی و هرزنامه‌ها.

سپس وارد چرخه‌ای شدیم که انگار پایانی نداشت. هوش مصنوعی تلاش می‌کرد ویژگی‌های هر دسته را شناسایی کند و بر اساس آن صفحه‌گسترده‌ای می‌ساخت تا من صحت دسته‌بندی هر ایمیل را ارزیابی کنم. بعد هم با توجه به تأییدها و اصلاحات من، برداشت خود را تغییر می‌داد.

پس از آنکه هوش مصنوعی موضوع اصلی هر ایمیل را تشخیص می‌داد، باید نوع پیام را به اقدام مناسب مرتبط می‌کرد. این اقدامات شامل پاسخ‌دادن و بایگانی، بایگانی بدون پاسخ، انتقال به پوشه «نیازمند رسیدگی انسانی» یا علامت‌گذاری به‌عنوان هرزنامه بود. البته دست‌کم در هفته‌های نخست، گاهی هم پیام‌ها را با برچسب‌هایی عجیب‌وغریب و ساخته ذهن آشفته هوش مصنوعی مشخص می‌کرد که هیچ ارتباطی با واقعیت نداشتند!

بارها پیام‌های ناآشنا و موارد خاص را بررسی کردیم تا اینکه هوش مصنوعی سرانجام شناخت مناسبی از ایمیل‌های پشتیبانی‌ای پیدا کرد که هر هفته دریافت می‌شدند.

هوش مصنوعی برای هر مرحله، گفت‌وگویی جداگانه در ChatGPT ایجاد کرده بود و مدام از من می‌خواست دستورالعمل‌ها را میان این گفت‌وگوها کپی و جای‌گذاری کنم. قرار بود یک گفت‌وگو ایمیل‌ها را دسته‌بندی کند، گفت‌وگوی دیگری سفارش‌ها و پرداخت‌ها را تشخیص دهد، گفت‌وگوی بعدی ایمیل‌های پشتیبانی را به‌درستی طبقه‌بندی کند و گفت‌وگویی دیگر پاسخ‌ها را بنویسد و همین‌طور تا پایان.

اما ChatGPT نمی‌تواند گفت‌وگوهای مختلف را مانند سرویس‌های نرم‌افزاری به کار بگیرد؛ بااین‌حال، معماری‌ای که در حال ساخت آن بودیم، دقیقاً بر همین فرض استوار بود. هوش مصنوعی برای هر گفت‌وگو نامی رویه‌ای تعیین می‌کرد، مرتب آن‌ها را مؤلفه‌های نرم‌افزاری می‌نامید و اصرار داشت که می‌تواند با این گفت‌وگوها مانند اجزای واقعی یک برنامه رفتار کند.

این نخستین تجربه من در ساخت چنین سیستمی با کمک هوش مصنوعی بود و در ابتدا همراه آن پیش رفتم تا ببینم چه پیش می‌آید.

تا اینکه سرانجام صبرم تمام شد و به تلاش ناموفق دوم رسیدم.

تلاش دوم: نخستین تجربه با یک مهارت اختصاصی

سرانجام کاسه صبرم لبریز شد و مستقیماً با ChatGPT روبه‌رو شدم. این ابزار همچنان اصرار داشت فرایندی که با زحمت در حال توسعه‌اش بودیم، کار خواهد کرد. اما من پیش‌تر با برنامه‌نویسان قراردادی همکاری کرده بودم و می‌دانستم وقتی کسی با اطمینان حرف می‌زند، ولی در عمل چیزی جز وعده ارائه نمی‌دهد، می‌توان فضای آن را به‌خوبی تشخیص داد.

ChatGPT هم تفاوت چندانی نداشت؛ هرچند در مقایسه با بسیاری از پیمانکارانی که با آن‌ها بحث کرده بودم، چاپلوسانه‌تر رفتار می‌کرد و آمادگی بیشتری برای کمک نشان می‌داد.

سرانجام توانستم آن را قانع کنم که استفاده از چند گفت‌وگوی جداگانه جواب نمی‌دهد و باید راه بهتری وجود داشته باشد. از آن پرسیدم: «چطور است همه این‌ها را به یک مهارت تبدیل کنیم؟» ChatGPT این ایده را بسیار عالی دانست.

بنابراین، صفحه‌گسترده را بررسی کرد؛ صفحه‌گسترده‌ای که تا آن زمان به مجموعه‌ای عظیم با ۷۳ زبانه تبدیل شده بود. بر اساس اطلاعات آن، مهارتی با یک خط لوله پردازش ۱۲مرحله‌ای ساخت که شامل قواعد رسمی، نقاط کنترل، رویه‌های راستی‌آزمایی و سازوکارهایی برای جلوگیری از پردازش تکراری یا گم‌شدن پیام‌ها بود. در واقع، گفت‌وگوهای چندلایه قبلی به خط لوله‌ای ۱۲مرحله‌ای و چندلایه در قالب مهارت ChatGPT تبدیل شدند.

ظاهراً اجرای آزمایشی موفقیت‌آمیز بود. هوش مصنوعی ۵۹ آزمون واحد و ۱۳۹ آزمون رگرسیون اجرا کرد تا از قابل‌اعتمادبودن فرایند مطمئن شود و گزارش داد که هیچ مغایرتی وجود ندارد. اما مشکلاتی هم در کار بود؛ مشکلاتی که تعدادشان کم نبود.

نخست اینکه با وجود تمام این آزمون‌ها، سیستم در عمل کار نمی‌کرد. مشخص شد آزمایش‌ها فقط قواعدی را بررسی می‌کردند که در داخل خود مدل اجرا می‌شدند و نتایج را شبیه‌سازی می‌کردند. هیچ‌کدام پردازش واقعی ایمیل‌ها بدون نظارت انسان را آزمایش نکرده بودند.

خودکارسازی زمان‌بندی‌شده نیز شکست خورد. این سازوکارها نمی‌توانستند مراحل مختلف خط لوله را هماهنگ کنند، هیچ تغییری واقعی در Gmail ایجاد نمی‌کردند و سپس متوقف می‌شدند؛ بدون آنکه راهی برای بازیابی فرایند و ادامه کار وجود داشته باشد.

تلاش دوم، که هدفش تبدیل سامانه بیش‌ازحد پیچیده مدیریت ایمیل به سرویسی خودکار و قابل‌اعتماد بود، فقط پیچیدگی بیشتری به سیستم افزود و مشکل اصلی را حل نکرد: سیستم نمی‌توانست خط لوله پردازش را به‌شکلی قابل‌اعتماد اجرا کند.

تلاش سوم: کمک‌گرفتن از کلود به‌عنوان مشاور

تجربه من نشان داده است که Claude می‌تواند لایه‌ای بسیار خوب برای هماهنگ‌کردن فعالیت سایر ابزارهای هوش مصنوعی باشد. از آن برای ساخت مجموعه‌ای از سیستم‌های هوش مصنوعی روی سامانه آزمایشگاهی خانگی خود، مبتنی بر Mac Studio، استفاده کرده‌ام و احتمالاً در مقاله‌ای دیگر بیشتر درباره آن‌ها خواهم نوشت. از آنجا که پیش‌تر در استفاده از Claude برای بررسی کار یک هوش مصنوعی دیگر و ارائه دستورالعمل به آن موفق بوده‌ام، تصمیم گرفتم از این روش برای حل مشکلات ChatGPT نیز استفاده کنم.

نخست از ChatGPT خواستم گزارشی جامع از تمام اقداماتی که انجام داده بود تهیه کند تا آن را در اختیار Claude بگذارم. Claude از نتیجه کار راضی نبود و معماری طراحی‌شده توسط ChatGPT را چنین توصیف کرد: «معماری‌ای شکست‌خورده در سطح سامانه‌های بانکی برای وب‌سایتی مختص دانلود محصولات سرگرمی که با الزامات دیوید تناقض داشت و بدون ایجاد ارزش، پیچیدگی اضافی به وجود آورده بود.»

راستش را بخواهید، آیا تا به حال دیده‌اید پیمانکاری کار پیمانکار دیگری را تأیید کند؟ فرقی نمی‌کند موضوع برنامه‌نویسی باشد یا لوله‌کشی؛ معمولاً هر کاری را که فرد دیگری انجام داده باشد، بی‌ارزش می‌دانند. بااین‌حال، Claude نکته درستی را مطرح کرده بود. طرح ChatGPT ناکارآمد و به‌شدت بیش‌ازحد پیچیده بود.

هدفم همچنان این بود که سیستم با حساب ChatGPT Plus همسرم، با هزینه ماهانه ۲۰ دلار، اجرا شود. اما تصمیم گرفتم از حساب Claude Max خودم، با هزینه ماهانه ۱۰۰ دلار، برای توسعه مهارت و عملیات لازم استفاده کنم و سپس آن‌ها را در حساب‌های سرویس‌دهی فروشگاه اینترنتی همسرم به کار بگیرم. این تصمیم نتیجه بسیار خوبی داشت.

Claude ابتدا بیشتر آموخته‌های ثبت‌شده در صفحه‌گسترده را کنار گذاشت و به‌جای آن، رویکرد جالب‌تری در پیش گرفت. از من خواست به بخش Google Takeout حساب پشتیبانی بروم و کل سابقه ایمیل‌ها را صادر کنم. سپس اطلاعات خروجی را خواند و بر اساس آن، قواعد مربوط به انواع ایمیل‌های دریافتی و نحوه پاسخ‌گویی به آن‌ها را استخراج کرد.

فایل خروجی ۵٫۲۴ گیگابایت حجم داشت و شامل ۸۸٬۷۷۷ پیام بود که در میان آن‌ها سابقه ۴۰٬۵۸۰ پیام ارسال‌شده نیز قرار داشت.

چون این حساب مخصوص پشتیبانی مشتریان بود، نگرانی زیادی از به‌اشتراک‌گذاشتن کل سابقه آن با Claude نداشتم. اما حاضر نبودم همین کار را با حساب شخصی یا حسابی حاوی اطلاعات محرمانه و حیاتی کسب‌وکار انجام دهم. بااین‌حال، به‌جای آنکه هفته‌ها صرف آزمایش‌های پیاپی و اصلاح خطاها کنیم، Claude در کمتر از یک ساعت، یعنی زمانی که من ناهار می‌خوردم، کل سابقه پشتیبانی کسب‌وکار اینترنتی همسرم را بررسی و تحلیل کرد.

سپس Claude نحوه دسته‌بندی و بایگانی پیام‌ها را نیز مشخص کرد. از آنجا که این بخش، یکی از مراحل مهم و زمان‌بر فرایند بود، تعیین دقیق این نگاشت اهمیت اساسی داشت. Claude بیشتر پرسش‌های کلیدی مشتریان و شیوه پاسخ‌گویی به آن‌ها را شناسایی کرد تا بتوانیم از مجموعه‌ای از الگوهای آماده استفاده کنیم. همچنین توانست پیام‌های پیشنهاد همکاری تجاری، هرزنامه‌ها و سایر پیام‌هایی را که می‌شد بایگانی یا حذف کرد، تشخیص دهد.

تمام این اطلاعات در سندی از Google Docs با عنوان «کتابچه قواعد ربات ایمیل» ثبت شد. کمی بعد دوباره به این سند برمی‌گردیم.

کلود گردش کار را ساخت

در مرحله بعد، Claude کار طراحی گردش کار را آغاز کرد.

نخست بررسی کرد که چرا گردش کار طراحی‌شده با ChatGPT مدام شکست می‌خورد. مشکل اصلی این بود که ChatGPT نمی‌توانست ایمیل‌ها را به‌شکلی قابل‌اعتماد از طریق Gmail ارسال کند. بیشتر توصیه‌های متداول می‌گویند بهتر است ایمیل‌ها در پوشه پیش‌نویس‌ها باقی بمانند تا یک انسان آن‌ها را بررسی و ارسال کند.

اما یکی از اهداف اصلی این پروژه آن بود که پاسخ‌گویی به مشتریان به‌صورت خودکار انجام شود. بنابراین، هوش مصنوعی باید توانایی ارسال واقعی ایمیل را هم می‌داشت.

Claude پیشنهاد کرد کار به دو بخش روشن تقسیم شود: یک رویداد زمان‌بندی‌شده در ChatGPT و یک اسکریپت زمان‌بندی‌شده در Google Apps Script. بخش نخست بر اساس تصمیم‌گیری غیردترمینستیک هوش مصنوعی عمل می‌کند؛ بخش دوم، فرایندی رویه‌ای و قابل‌پیش‌بینی است.

ChatGPT رویدادی زمان‌بندی‌شده دارد که روزی یک‌بار اجرا می‌شود. در این رویداد، هوش مصنوعی کتابچه قواعد را می‌خواند و پیام‌های دریافتی همان روز را پردازش می‌کند. ایمیل‌هایی را که می‌تواند مدیریت کند، بایگانی می‌کند. اگر پیامی نیازمند پاسخ باشد، کتابچه قواعد مشخص می‌کند که آن پیام باید به پوشه «نیازمند رسیدگی انسانی» منتقل شود یا پاسخ آن با استفاده از یکی از ۱۰ الگوی از پیش آماده‌شده نوشته شود.

اگر درخواست مشتری با یکی از الگوهای آماده قابل‌پاسخ‌گویی باشد، ChatGPT پیش‌نویس پاسخ را تهیه و در پوشه پیش‌نویس‌های Gmail قرار می‌دهد. پیام اصلی مشتری دست‌نخورده باقی می‌ماند و همچنان در صندوق ورودی Gmail قرار دارد.

سپس، هر ساعت یک‌بار، اسکریپتی که با Google Apps Script نوشته شده است، مستقل از ChatGPT اجرا می‌شود. این اسکریپت پیش‌نویس‌های موجود را بررسی می‌کند و با توجه به معیارهای مشخص زیر، تصمیم می‌گیرد کدام‌یک را ارسال کند:

• اسکریپت فقط ایمیل‌هایی را ارسال می‌کند که با نام اختصاص‌یافته به نماینده پشتیبانی هوش مصنوعی امضا شده‌اند، یا عبارت کلیدی بسیار مشخصی دارند که نشان می‌دهد پیام فوری و حیاتی است. پیام‌های نوع دوم مستقیماً برای همسرم ارسال می‌شوند. مشکلات حیاتی سیستم و اختلال در سرویس‌های پردازش پرداخت در این دسته قرار می‌گیرند.
• فقط پیش‌نویس‌هایی ارسال می‌شوند که دست‌کم ۱۰ دقیقه از ایجاد آن‌ها گذشته باشد. همچنین در هر نوبت اجرا، حداکثر ۱۰ پیش‌نویس ارسال می‌شود.
• پس از ارسال هر پیش‌نویس، اسکریپت بررسی می‌کند که پیام واقعاً در پوشه پیام‌های ارسال‌شده قرار گرفته باشد. سپس برای ایمیل اصلی مشتری برچسب «درخواست‌ها» تعیین می‌کند و آن را از صندوق ورودی خارج می‌سازد. اگر ارسال پیام قابل‌تأیید نباشد، ایمیل اصلی در صندوق ورودی باقی می‌ماند. تاکنون تنها پیام‌هایی که در این مرحله گیر کرده‌اند، هشدارهای امنیتی خود گوگل بوده‌اند؛ Gmail اجازه نمی‌دهد Apps Script یا ChatGPT این پیام‌ها را دست‌کاری کنند.

در دو هفته نخست، کتابچه قواعد ۱۵ بار با اصلاحات جزئی به‌روزرسانی شد. از آن زمان، سیستم مدتی است که به‌شکلی قابل‌اعتماد کار می‌کند.

Claude همچنان از اقداماتی که انجام داده بود آگاهی دارد، اما دیگر به‌طور فعال در پروژه دخالت نمی‌کند. اکنون گردش کار متکی بر ChatGPT و Apps Script، بدون نیاز به نظارت مستمر، به‌طور خودکار اجرا می‌شود.

نتایج، ارزش این سیستم را ثابت می‌کنند

پیش از راه‌اندازی این سیستم، همسرم هر بار که صندوق ایمیل پشتیبانی مشتریان را باز می‌کرد، با انبوهی از پیام‌های بی‌ارزش روبه‌رو می‌شد. برای به‌دست‌آوردن آمار، یکی از مجموعه‌های ایمیل انباشته‌شده را بررسی کردیم. از مجموع ۱٬۶۸۹ پیام موجود در آن، فقط ۲۵ پیام واقعاً از مشتریان بودند. این رقم تقریباً معادل ۱٫۵ درصد از ایمیل‌های دریافتی در هر نوبت بررسی صندوق ورودی بود.

از میان این ۲۵ پیام، حدود نیمی را می‌شد به‌صورت خودکار پاسخ داد و فقط نیمی واقعاً به رسیدگی انسانی نیاز داشتند. می‌توانستیم تعداد پاسخ‌های مبتنی بر الگو را بیشتر هم کنیم، اما همسرم دوست دارد پیام‌هایی از جنس «ببینید چه کاری انجام داده‌ام» یا «محصولتان را دوست دارم» بخواند. به همین دلیل، سیستم طوری تنظیم شد که به این پیام‌ها به‌طور خودکار پاسخ ندهد.

در نتیجه، از میان ۱٬۶۸۹ پیام موجود در آن مجموعه، فقط ۱۱ پیام باقی می‌ماند که همسرم باید شخصاً به آن‌ها پاسخ دهد. این تغییر نه‌تنها حجم کار را به‌شدت کاهش داده، بلکه از فشار ذهنی و استرس او نیز به میزان چشمگیری کاسته است.

قبلاً هر بار بررسی ایمیل‌های دریافتی مستلزم آمادگی ذهنی برای روبه‌روشدن با انبوهی از پیام‌های بی‌ربط بود و اراده و انرژی او را تحلیل می‌برد. حالا همسرم از بررسی ایمیل‌های پشتیبانی استقبال می‌کند.

برای توضیح نتیجه این پروژه، می‌توان از یک مثال استفاده کرد. بخش نامه‌رسانی یک شرکت بزرگ را تصور کنید. در ابتدا، متخصص ارشد محصولات شرکت مجبور بود تمام ایمیل‌های ورودی را بررسی کند تا چند پیامی را پیدا کند که واقعاً به دانش تخصصی او نیاز داشتند. اکنون همان تعداد اندک از پیام‌ها مستقیماً روی میز او قرار می‌گیرند و می‌تواند وقتش را صرف ایجاد ارزش برای کسب‌وکار و انجام تمام کارهای ارزشمند دیگری کند که همسرم هر روز انجام می‌دهد.

اگر تصمیم دارید پروژه‌ای مشابه اجرا کنید، پیشنهاد می‌کنم این شش نکته را در نظر داشته باشید:

• دامنه پروژه را تا حد امکان کوچک و محدود نگه دارید.
• تا جای ممکن، از خودکارسازی فرایندهای حیاتی و مأموریت‌محور اجتناب کنید.
• انتظار داشته باشید که پروژه بسیار بیشتر از حد تصورتان طول بکشد و دردسر بیشتری داشته باشد.
• برای ارزیابی طرح یک هوش مصنوعی دیگر، از به‌کارگیری هوش مصنوعی دوم تردید نکنید.
• به خاطر داشته باشید که هوش مصنوعی در مدیریت گردش کارهای رویه‌ای با دشواری روبه‌رو می‌شود.
• دسترسی هوش مصنوعی به ایمیل‌ها و سامانه‌های شرکت را محدود کنید و به‌هیچ‌وجه اجازه ندهید به ایمیل شخصی یا سرویس‌های حاوی اطلاعات محرمانه کسب‌وکار دسترسی داشته باشد. نمی‌دانید ممکن است تصمیم بگیرد چه پیامی را ارسال کند.

باید بگویم ساخت این سیستم فرایندی فرساینده بود و از انجام آن لذت نبردم. بااین‌حال، ارزشی که از به‌کارگیری اشتراک ماهانه ۲۰ دلاری ChatGPT Plus همسرم برای این راهکار به دست آمده، تقریباً قابل‌اندازه‌گیری نیست.

هوش مصنوعی در چنین موقعیت‌هایی واقعاً می‌تواند مفید باشد. ما گروهی از کارکنان پشتیبانی مشتریان نداریم که هوش مصنوعی شغلشان را از آن‌ها بگیرد. همسرم به‌تنهایی کسب‌وکارش را اداره می‌کند. بنابراین، هوش مصنوعی باعث بیکاری کسی نشد؛ در عوض، وقت بیشتری در اختیار او گذاشت و کیفیت خدماتی را که به مشتریان ارائه می‌شود افزایش داد. تاکنون چندین ایمیل از مشتریان دریافت کرده‌ایم که در پاسخ به پیام‌های سریع و مفید هوش مصنوعی نوشته‌اند: «ممنون، کمک کرد.»

البته می‌دانم پیام‌های «ممنون، کمک کرد» هم خودشان ایمیل‌های ورودی محسوب می‌شوند. اما این دقیقاً از آن نوع پیام‌هایی است که دوست دارید هر صبح در صندوق ورودی‌تان ببینید.

موفق باشید. اگر تجربه انجام پروژه‌ای مشابه را داشته‌اید یا اکنون مشغول اجرای آن هستید، در بخش دیدگاه‌ها درباره نتیجه کارتان بنویسید.

می‌توانید به‌روزرسانی‌های روزانه پروژه‌های من را در شبکه‌های اجتماعی دنبال کنید. برای دریافت خبرنامه هفتگی من مشترک شوید و در شبکه X با حساب @DavidGewirtz، در فیس‌بوک، در اینستاگرام با نشانی Instagram.com/DavidGewirtz، در بلواسکای با حساب @DavidGewirtz.com و در یوتیوب من را دنبال کنید.