آینده ی هوش مصنوعی در صنعت روانکار، از شایعه تا واقعیت

🖊️ محمدرضا مهران جلیل | فعال حوزه روانکارها

(برداشتی تحلیلی از مقالات و مباحث کنفرانس تابستانی 2025 UKLA با شعار "نقشه راه" به همراه پیشنهاد برای فعالان  صنعت روانکار در ایران )

مقدمه

این مقاله از دل یک نشست صنعتی برجسته در لندن شکل گرفت؛ جایی که دکتر کالین مورتون، مدیرعامل پیشین و مدیر ارشد مرکز فناوری شرکت  لوبریزول  (Lubrizol UK) و از شخصیت های باتجربه صنعت روانکار، در کنفرانس تابستانی انجمن تولیدکنندگان روانکار انگلستان (UKLA) درباره آینده هوش مصنوعی (AI) در این صنعت سخن گفت.

اما هدف این نوشته، صرفا تکراریا ترجمه نکات مهم این کنفرانس نیست. با نگاه آینده پژوهانه به صنعت روانکار، تلاش کرده ام بین آنچه در این کنفرانس گفته شد و آنچه در ایران نیاز است، پل تحلیلی و کاربردی بزنم. مقاله حاضر، آمیزه ای است از درک روندهای جهانی و پیشنهادهای بومی شده برای ایران.

۱. از مرحله شعار عبور کرده ایم

پژوهشگران معتقدند هوش مصنوعی دیگر در مرحله «شایعه و تبلیغ» نیست. اکنون در بخش هایی مثل خدمات مشتری، نگهداری پیش گیرانه ( بخوانید پیش بینانه) ، بازاریابی داده محور، زنجیره تامین و حتی برنامه ریزی تولید، در حال استفاده عملیاتی است.

در صنعت روانکار، این به معنای آن است که:

• نیاز مشتری بهتر درک می شود
• موجودی بهینه می شود
• هزینه های نگهداری تجهیزات کاهش می یابد
• و بازخوردها سریع تر جذب و تحلیل می شوند

در ایران، حتی در شرایط متفاوت از بازار جهان و علیرغم اقتصاد کوپنی با نوسانات ارزی، تحریم، جنگ یا اختلال در زنجیره تامین، AI می تواند ابزاری باشد برای «یادگیری سریع» از رفتار بازار و تصمیم گیری چابک تر. کافی ست کمی شفاف تر باشیم و جرات آزمایش داشته باشیم.

۲. عبور از هوش مولد به هوش عامل محور

در یکی از کلیدی ترین ارائه های کنفرانس، کالین مورتون (Colin Morton)، به شکلی روش مند به تفکیک دو نسل از هوش مصنوعی پرداخت: نسلی که امروز در اختیار ماست و نسلی که آینده صنعت را خواهد ساخت.

او معتقد است آینده ی هوش مصنوعی در صنعت روانکار، به جای تمرکز بر تولید محتوا، به سوی طراحی و پیاده سازی عامل های هوشمند (Agentic AI) سوق پیدا خواهد کرد؛ سیستم هایی که نه تنها به سوالات پاسخ می دهند یا اطلاعات تولید می کنند، بلکه می توانند وظایف پیچیده را تحلیل، برنامه ریزی و اجرا کنند.

در این تقسیم بندی، دو نسل از هوش مصنوعی تعریف می شود:

• هوش مولد (Generative AI): سامانه هایی که داده و محتوا تولید می کنند،از جمله متن، گزارش، تصویر یا پاسخ اولیه به مخاطب. این نسل از هوش مصنوعی حافظه ندارد و تنها در لحظه عمل می کند.
• هوش عامل محور (Agentic AI): سامانه هایی با حافظه پایدار، یادگیری مستمر، تحلیل زمینه ای، تصمیم سازی مستقل و اقدام مرحله به مرحله. این هوش می تواند مانند یک متخصص انسانی، یک وظیفه را از ابتدا تا پایان مدیریت کند و از تجربه های قبلی خود بیاموزد.

در ایران اما، کارکردهای ابتدایی هوش مولد مانند تهیه پیش نویس گزارش فروش یا طراحی اولیه بروشور است که قطعا ارزشمندند و سرعت متخصصان حوزه های مختلف را به شدت افزایش داده است اما تحول واقعی زمانی رخ می دهد که شرکت ها بتوانند عامل های هوشمند طراحی کنند که در تصمیم گیری، برنامه ریزی تولید، یا مدیریت زنجیره تامین نقش ایفا کنند.

برای مثال، در یک کارخانه تولید روانکار:

• یک عامل هوشمند می تواند سفارش های دریافتی را با موجودی انبار مواد و ظرفیت تولید و گلوکاهها تطبیق دهد
• پیشنهاد اولویت بندی بر اساس سودآوری یا SLA ارائه کند
• برنامه روزانه تولید را تنظیم و برای تایید به مدیر برنامه ریزی ارسال کند
• و در صورت تایید، داده ها را به واحد تولید انتقال دهد

این یعنی عبور از «ابزار کمکی» به «عامل تصمیم ساز». اما برای تحقق چنین آینده ای، سه پیش نیاز کلیدی لازم است:

1. ایجاد زیرساخت داده محور، حتی در سطحی ساده (که التزام آن شفافیت است)
2. تربیت تیم هایی با درک هم زمان از عملیات صنعتی و فناوری و بازار
3. شروع با پروژه های کم ریسک، سنجش پذیر و قابل تکرار

۳. متخصصین مقاومت نمی کنند ، رفتار جاری آنها ناشی از احتیاط است

یکی از نکات جالب در پنل اصلی کنفرانس، اشاره به این واقعیت بود که بسیاری از فعالان صنعت حتی با شناخت نسبی از ابزارهای AI هنوز در اعتماد کامل به خروجی های آن تردید دارند. این موضوع بیشتر در بخش هایی مانند کنترل کیفیت، تنظیم فرمولاسیون یا مشاوره فنی به مشتریان صنعتی خود را نشان می دهد.

پژوهشگران حاضر در پنل این وضعیت را نه به عنوان مقاومت، بلکه به عنوان احتیاط هوشمندانه تحلیل کردند. این احتیاط، فرصتی است برای گفت وگو درباره حدود اخلاقی، صحت علمی، و مسئولیت های انسانی در حوزه ی استفاده از AI.

برای صنعت روانکار در ایران، این یعنی:

• طراحی پروتکل های شفاف برای استفاده از AI
• تعریف مسئولیت انسانی در تعامل با خروجی های ماشین
• و ارتقای سواد دیجیتال در همه سطوح سازمان

۴. عامل انسانی کلید اصلی موفقیت

موفقیت AI به «هوشمندی تکنولوژی» وابسته نیست، بلکه به «خرد انسانی در طراحی، استفاده، و کنترل آن» بستگی دارد. مهم ترین عامل موفقیت در پروژه های AI، نه الگوریتم، بلکه سوالاتی است که انسان ها از آن می پرسند.

پیشنهادات کلیدی از دل بحث های کنفرانس:

• عامل انسانی در مرکز تصمیم بماند: تحلیل، قضاوت، و نگاه راهبردی همچنان انسانی است.
• همکاری بین واحدی تقویت شود: AI مرزهای سنتی سازمانی را می شکند.
• ریسک پذیری حساب شده تشویق شود: برای دیدن قابلیت های AI، باید جرات آزمایش وجود داشته باشد.
• هوشمندی سازمانی بازتعریف شود: از «جمع آوری داده» به «خلق دانش از داده»

۵. چالش های ایران، فرصت های متفاوت

در ایران، چالش هایی مانند تحریم، عدم دسترسی به اینترنت پر سرعت و زیرساخت های ابری جهانی، نبود دیتاست های ساختار یافته، عدم شفافیت در داده ها یا بی اعتمادی سنتی به فناوری های نو، مسیر را دشوارتر می سازد. اما همین چالش ها، می توانند فرصت طراحی بومی، همکاری بین صنعتی، و خلق راه حل های نوآورانه را ایجاد کنند.

مثلا:

• به جای تقلید از نرم افزارهای بین المللی، می توان سامانه های داخلی بر اساس زبان فارسی و نیازهای صنعتی بومی طراحی کرد.
• دانشگاه های فنی می توانند با صنایع روانکار وارد پروژه های مشترک شوند تا هوش مصنوعی را در سطح کاربردی بومی سازی کنند.
• اتحادیه ها و انجمن های تخصصی (مثل انجمن پالایشگاه های روغن ساز و اتحادیه صادر کنندگان فراورده های نفت، گاز و پتروشیمی) می توانند نقش تسهیلگر بازی کنند.

ماشین ها در خدمت خرد ورزی انسان

هوش مصنوعی به صنعت روانکار وارد شده است ، چه باور کنیم و چه مقاومت کنیم. اما انتخاب ما در این است که طراح این ورود باشیم یا تماشاگر آن.

اگر بخواهیم در آینده رقابتی باقی بمانیم، باید:

• از شعار عبور کنیم
• از ابزارهای مصرف گرایانه فاصله بگیریم
• و به سمت ساختارهای هوشمند، عامل محور، اخلاق محور و یادگیرنده برویم

ما وارد دوره ای شده ایم که در آن، ماشین ها تنها پردازنده نیستند، بلکه در تصمیم سازی مشارکت می کنند.

اما در نهایت، ماشین ها جایگزین انسان نیستند بلکه در خدمت خردورزی انسان ایفای نقش می کنند.