از عکسِ فاکتور تا سند حسابداری، از پرسش ساده تا گزارش مدیریتی. این سند همه کاربردهای قابل‌اجرای هوش مصنوعی در تدبیر را فهرست، اولویت‌بندی و زمان‌بندی می‌کند و نشان می‌دهد هر کدام روی کدام بخش موجود سیستم سوار می‌شود.
تدبیر امروز همه داده‌های لازم برای یک دستیار هوشمند را دارد: سند و آرتیکل، حساب‌های چندسطحی و تفصیلی شناور، مرکز هزینه و پروژه، چک و صندوق و دریافت/پرداخت، کارتابل، داشبورد ویجتی، گزارش‌ساز و لاگ کامل عملیات. در کد فعلی هیچ قابلیت هوش مصنوعی وجود ندارد، پس فرصت هم برای تمایز در بازار و هم برای کاهش هزینه پشتیبانی دست‌نخورده است.
پیشنهاد اصلی این است که به جای ساختن چند قابلیت پراکنده، یک «لایه هوش تدبیر» ساخته شود که مستقل از تأمین‌کننده مدل باشد، روی سرور مشتری هم اجرا شود و از سطوح دسترسی فعلی پیروی کند. چون فرم‌ها و گریدهای تدبیر متادیتا‌محورند، هر زیرسیستم جدیدی (انبار، کالا، فروش، حقوق و...) که بعداً اضافه شود، با هزینه کم از همین لایه استفاده می‌کند.
اعداد بالا شمارش همین سند است. برآورد زمان و ارزش هر مورد، تخمین کارشناسی است و پس از پایلوت با داده واقعی مشتری باید بازبینی شود.
چون نصب تدبیر عمدتاً روی سرور مشتری است و هنوز درباره تأمین‌کننده مدل تصمیم قطعی گرفته نشده، معماری باید هر سه مسیر را پشتیبانی کند و انتخاب مدل، تنظیم هر مشتری باشد، نه بخشی از کد.
خروجی هر قابلیت، سند پیش‌نویس، پیشنهاد یا هشدار است. ثبت قطعی همیشه با کاربر است و هر پیشنهاد پذیرفته‌شده در لاگ عملیات ثبت می‌شود.
مدل هیچ عددی را خودش محاسبه نمی‌کند. مانده، جمع و نسبت‌ها از APIهای فعلی تدبیر می‌آید و مدل فقط پرسش را می‌فهمد و پاسخ را توضیح می‌دهد.
دستیار با هویت همان کاربر و از مسیر مخزن امن و دسترسی سطری فعلی داده می‌خواند. کاربری که شعبه دیگری را نمی‌بیند، از دستیار هم چیزی درباره آن نمی‌شنود.
دستیار ساختار موجودیت‌ها را از متادیتای سیستم می‌خواند. زیرسیستم جدید با تعریف متادیتا و چند ابزار، بدون بازنویسی، به دستیار وصل می‌شود.
یک رابط واحد برای همه مدل‌ها. اگر تحریم، قیمت یا کیفیت تغییر کرد، با تغییر تنظیمات مدل عوض می‌شود.
فعال‌سازی هر قابلیت از طریق سرور لایسنس فعلی و با سهمیه مصرف کنترل می‌شود، تا قابل فروش جداگانه باشد.
هر پیشنهادی که کاربر می‌پذیرد یا اصلاح می‌کند، روی سرور همان مشتری ذخیره می‌شود و پیشنهادهای بعدی برای همان شرکت دقیق‌تر می‌شوند، بدون اینکه داده شرکت برای آموزش مدل مشترک استفاده شود.
هر کاری که با گزارش، قاعده یا بارکد حل می‌شود، با همان روش ساخته می‌شود. هوش مصنوعی برای جایی است که داده نامنظم، متن آزاد، تصویر یا الگوی پنهان دارد.
این تصمیم مستقل از انتخاب قابلیت‌هاست و باید جداگانه گرفته شود. نکته اصلی: همه پیشنهادها به GPU یا API نیاز ندارند. تقریباً نیمی از آن‌ها یادگیری ماشین کلاسیک یا مدل کوچک هستند و روی همان سرور فعلی مشتری اجرا می‌شوند.
یادگیری ماشین کلاسیک (ناهنجاری، پیش‌بینی، امتیاز اعتباری، پیشنهاد حساب) و مدل‌های کوچک بردار معنایی برای جستجو و تشخیص تکراری. داده هرگز از سرور مشتری خارج نمی‌شود و هزینه مصرفی ندارد.
خواندن فاکتور و چک، دستیار گفتگو، تفسیر گزارش و پرسش از داده. این‌ها مدل بزرگ می‌خواهند: یا از ابر هوش تدبیر، یا روی GPU داخل سازمان مشتری.
چت‌بات پشتیبانی، مهاجرت از رقبا، تحلیل ریزش، دمو و دستیار فروش. داده مالی مشتری در آن‌ها نیست و طبیعتاً روی سرورهای شرکت تدبیر اجرا می‌شوند.
| معیار | الف: سرور مشتری مستقیم به API | ب: سرور مشتری ← ابر هوش تدبیر | ج: GPU داخل سازمان مشتری |
|---|---|---|---|
| حریم داده | داده مستقیم به تأمین‌کننده می‌رود | فقط تکه لازم (تصویر فاکتور، پرسش و نتیجه خلاصه) از تدبیر عبور می‌کند؛ بدون نگهداری | کامل؛ هیچ داده‌ای خارج نمی‌شود |
| هزینه برای مشتری | حساب و کلید API جداگانه برای هر مشتری | اعتبار مصرفی داخل لایسنس؛ بدون سخت‌افزار | خرید سرور GPU و نگهداری |
| کیفیت مدل | بالا | بالا و قابل تعویض بدون به‌روزرسانی نرم‌افزار مشتری | محدود به مدل‌هایی که روی سخت‌افزار مشتری جا می‌شوند |
| تحریم و قطعی | هر مشتری جداگانه درگیر می‌شود | یک نقطه که تیم تدبیر مدیریت و در صورت نیاز تأمین‌کننده را عوض می‌کند | مستقل |
| کنترل فروش و لایسنس | تدبیر کنترلی بر مصرف ندارد | کامل: سهمیه، قیمت‌گذاری و گزارش مصرف | با لایسنس سالانه |
| به‌روزرسانی پرامپت و کیفیت | با هر نسخه نرم‌افزار | مرکزی و فوری؛ پایش کیفیت روی همه مشتریان | با هر نسخه نرم‌افزار |
| وابستگی به اینترنت | دارد | دارد | ندارد |
| مناسب برای | توصیه نمی‌شود | کوچک و متوسط، دفاتر حسابداری، بیشتر صنایع | هلدینگ‌ها، دولتی و حساس، بانک و بیمه |
| سطح سخت‌افزار مشتری (مسیر ج) | آنچه اجرا می‌شود | برآورد اولیه |
|---|---|---|
| بدون GPU | همه کارهای سطح ۱ | سرور فعلی تدبیر، با حافظه و پردازنده کمی بیشتر |
| یک GPU متوسط | OCR، خواندن فاکتور و چک، مدل زبانی متوسط برای دستیار با کاربران کم | حدود ۲۴ تا ۴۸ گیگابایت حافظه GPU |
| چند GPU | مدل زبانی بزرگ، پرسش از داده و کاربران همزمان زیاد | بر اساس تعداد کاربر؛ پس از سنجش در فاز ۰ |
برآورد سخت‌افزار تقریبی است و باید در فاز ۰ با مدل‌های منتخب فارسی و داده نمونه واقعی سنجیده شود. پخش تعداد پیشنهادها بر اساس محل اجرا:
برای هر مورد، مسئله، راه‌حل، بخشی از سیستم فعلی که پایه کار است، نوع هوش و محل اجرا، ارزش، اندازه کار و فاز پیشنهادی آمده است. کارهایی که با بارکد یا گزارش معمولی حل می‌شوند (مثل انبارگردانی با بارکد یا گزارش کالای راکد) از فهرست حذف شده‌اند. موارد با برچسب «پیشنهاد ویژه» بیشترین اثر را در فروش یا هزینه دارند.
شماره‌ها به کارت‌های فهرست بالا لینک شده‌اند. اجرا از خانه «برد سریع» شروع می‌شود و همزمان زیرساخت موارد راهبردی آماده می‌شود.
ارزش بالا، کار کوچک یا متوسط
ارزش بالا، کار بزرگ
ارزش متوسط، کار کوچک یا متوسط
ارزش متوسط، کار بزرگ
هر زیرسیستم جدید روی همان لایه هوش سوار می‌شود. فهرست زیر فرصت‌های شناخته‌شده در زیرسیستم‌های محتمل بعدی است و با تعریف هر کدام کامل‌تر می‌شود.
| زیرسیستم | فرصت‌های هوش مصنوعی |
|---|---|
| فروش و صورتحساب | صدور پیش‌فاکتور از سفارش متنی یا پیام مشتری، پیشنهاد قیمت و تخفیف، پیش‌بینی فروش، کنترل پیش از ارسال به سامانه مودیان |
| خرید و تأمین | مقایسه پیش‌فاکتورهای تأمین‌کنندگان از تصویر یا PDF، ارزیابی تأمین‌کننده از سابقه تحویل و کیفیت، پیشنهاد خرید از روی پیش‌بینی مصرف |
| حقوق و دستمزد | کنترل ناهنجاری لیست حقوق پیش از پرداخت، پاسخ به پرسش کارکنان درباره فیش، پایش قوانین کار و بیمه |
| دارایی ثابت | تشخیص دارایی از فاکتور خرید و پیشنهاد طبقه، عمر مفید و نرخ استهلاک؛ ثبت دارایی با عکس و برچسب |
| بودجه‌ریزی | پیش‌نویس بودجه سال بعد از سابقه و روند، سناریوسازی «اگر فروش ۱۵٪ کم شود» |
| CRM | خلاصه تعاملات هر مشتری، امتیاز سرنخ، پیش‌نویس پیام پیگیری، پیوند مانده مالی با وضعیت فروش |
| پیمانکاری و پروژه | کنترل صورت‌وضعیت با قرارداد، پیش‌بینی هزینه تکمیل پروژه، هشدار انحراف پیشرفت فیزیکی و مالی |
| تولید | پیش‌بینی ضایعات و مصرف مواد، کنترل انحراف فرمول ساخت از مصرف واقعی |
زمان‌ها با فرض یک تیم هسته اختصاصی تخمین زده شده‌اند. هر فاز با یک پایلوت روی ۲ تا ۳ مشتری داوطلب بسته می‌شود.
خروجی: نمونه اولیه داخلی و گزارش مقایسه مدل‌ها
خروجی: نسخه قابل فروش «پایه» و اولین مشتریان پولی
خروجی: بسته «حرفه‌ای» و نسخه ویژه دفاتر حسابرسی
خروجی: بسته «سازمانی» و پلتفرم باز
| بسته | مشتری هدف | قابلیت‌های اصلی | مدل قیمت‌گذاری پیشنهادی |
|---|---|---|---|
| پایه | شرکت‌های کوچک و متوسط | ثبت سند و چک از تصویر، پیشنهاد هوشمند در فرم، دستیار راهنما، چت پشتیبانی | افزونه سالانه روی لایسنس با سهمیه ماهانه پردازش سند |
| حرفه‌ای | شرکت‌های متوسط، صنایع خاص، دفاتر حسابداری | پایه + پرسش از داده، ناهنجاری، مغایرت بانکی، خلاصه مدیریتی، پیش‌بینی نقدینگی | اشتراک به ازای کاربر یا شرکت، با تخفیف برای دفاتر چندمشتری |
| سازمانی | هلدینگ‌ها و سازمان‌های بزرگ | حرفه‌ای + عامل‌های خودکار، تحلیل تلفیقی، مدل درون‌سازمانی اختصاصی، تنظیم مدل روی داده مشتری | قرارداد سالانه + راه‌اندازی، یا فروش «سرور هوش» از پیش پیکربندی‌شده |
| خدمات | همه | مهاجرت هوشمند از نرم‌افزار رقیب، پاک‌سازی داده، آموزش | پروژه‌ای، به عنوان ابزار جذب مشتری با قیمت تشویقی |
«حسابدار شما به جای تایپ، بررسی و تصمیم‌گیری می‌کند.» نمایش زنده عکس فاکتور به سند در کمتر از یک دقیقه، قوی‌ترین لحظه هر دمو است.
بیشتر رقبا برای AI داده را به ابر می‌فرستند. اجرای کامل روی سرور مشتری برای سازمان‌های بزرگ و دولتی یک مزیت قطعی فروش است.
مهاجرت هوشمند از نرم‌افزارهای رقیب، بزرگ‌ترین مانع تغییر نرم‌افزار را برمی‌دارد و ابزار مبدل پایگاه داده فعلی پایه آن است.
| ریسک | اثر | راهکار |
|---|---|---|
| پاسخ نادرست مدل | سند یا گزارش غلط و از دست رفتن اعتماد | فقط پیش‌نویس و پیشنهاد؛ محاسبات با سیستم؛ نمایش منبع هر عدد؛ آزمون خودکار کیفیت پیش از هر انتشار |
| نشت داده مالی | ریسک حقوقی و اعتباری | حالت کاملاً درون‌سازمانی؛ پاک‌سازی شناسه‌ها پیش از ارسال به سرویس بیرونی؛ قرارداد عدم نگهداری داده با تأمین‌کننده |
| دور زدن سطح دسترسی | دیدن داده شعبه یا شرکت دیگر | اجرای ابزارها با هویت کاربر از مسیر مخزن امن موجود؛ آزمون نفوذ اختصاصی برای پرامپت |
| تحریم و قطع سرویس | توقف قابلیت‌ها | رابط چندتأمین‌کننده و مدل متن‌باز جایگزین، آماده به کار |
| کیفیت فارسی و تاریخ شمسی | خطا در خواندن فاکتور، اعداد و تاریخ | مجموعه آزمون فارسی حسابداری؛ نرمال‌سازی ارقام و تاریخ در کد، نه با مدل |
| هزینه پیش‌بینی‌نشده | زیان در قیمت ثابت | سهمیه و اعتبار مصرف در لایسنس؛ کش؛ مدل کوچک برای کارهای ساده |
| نیاز سخت‌افزاری مشتری | ناتوانی در اجرای مدل محلی | سه سطح: بدون GPU با مدل کوچک، سرور هوش پیشنهادی، یا ابر هوش تدبیر |
| دستور پنهان در اسناد | فاکتور یا پیوستی که متنش مدل را به کار ناخواسته هدایت کند | متن اسناد فقط داده است و هرگز دستور نیست؛ ابزارهای دستیار فقط خواندن و پیش‌نویس می‌سازند و هیچ ابزاری ثبت قطعی یا حذف انجام نمی‌دهد |
| مقررات و رضایت مشتری | ریسک حقوقی پردازش داده اشخاص | بند صریح در قرارداد و لایسنس، فعال‌سازی هر قابلیت ابری با رضایت مدیر سیستم مشتری، و گزارش قابل ارائه از آنچه ارسال شده |
| وابستگی به ابر تدبیر | قطعی ابر، کار مشتری را متوقف کند | نرم‌افزار و قابلیت‌های سطح ۱ مستقل از ابر کار می‌کنند؛ فقط قابلیت‌های مدل بزرگ موقتاً غیرفعال می‌شوند |
| حوزه | شاخص | روش اندازه‌گیری |
|---|---|---|
| ورود اطلاعات | زمان متوسط ثبت هر سند، درصد پیش‌نویس پذیرفته‌شده بدون ویرایش | لاگ عملیات، قبل و بعد از فعال‌سازی |
| کیفیت | دقت استخراج فیلدها، نرخ پیشنهاد رد‌شده | مجموعه آزمون ثابت و بازخورد کاربر |
| پشتیبانی | درصد تیکت حل‌شده بدون کارشناس، زمان پاسخ اول | سامانه تیکت |
| فروش | نرخ تبدیل دمو، تعداد افزونه فروخته‌شده، درآمد تکرارشونده افزونه | CRM و سرور لایسنس |
| استفاده | کاربر فعال هفتگی دستیار، تعداد پرسش به ازای کاربر | لاگ لایه هوش |
| هزینه | هزینه پردازش به ازای هر سند یا پرسش | شمارنده مصرف لایه هوش |