سه رویکرد هوش مصنوعی و کاربرد آن‌ها در مدیریت منابع انسانی

مقدمه

فرض کنید یک سازمان می‌خواهد احتمال ترک خدمت کارکنان خود را برآورد کند، برای کاهش این احتمال برنامه‌ای تهیه کند و سپس فعالیت‌های مصوب را در سامانه‌های داخلی پیگیری کند. هر سه کار را می‌توان با کمک هوش مصنوعی انجام داد، اما فناوری موردنیاز برای هرکدام متفاوت است.

هوش مصنوعی پیش‌بینی‌گر (Predictive AI) برای برآورد پیامدهای احتمالی به کار می‌رود. هوش مصنوعی مولد (Generative AI) می‌تواند محتوای جدید تولید کند و هوش مصنوعی عامل‌محور (Agentic AI) قادر است برای رسیدن به هدفی مشخص، مجموعه‌ای از اقدامات را برنامه‌ریزی و اجرا کند.

این سه رویکرد به پرسش‌های متفاوتی پاسخ می‌دهند: چه اتفاقی احتمالاً رخ می‌دهد؟ چه محتوایی می‌توان تولید کرد؟ و برای رسیدن به نتیجه چه اقداماتی لازم است؟

شناخت تفاوت آن‌ها به سازمان‌ها کمک می‌کند فناوری متناسب با مسئله را انتخاب کنند. این موضوع در مدیریت منابع انسانی اهمیت بیشتری پیدا می‌کند؛ زیرا بسیاری از کاربردهای هوش مصنوعی با اطلاعات کارکنان و تصمیم‌های اثرگذار بر زندگی شغلی آن‌ها ارتباط دارند.

هوش مصنوعی پیش‌بینی‌گر (Predictive AI) چیست؟

هوش مصنوعی پیش‌بینی‌گر از داده‌های تاریخی و گاهی اطلاعات جاری برای شناسایی الگوها و برآورد پیامدهای احتمالی استفاده می‌کند. این رویکرد بر روش‌های آماری و الگوریتم‌های یادگیری ماشین متکی است. برای مثال، سازمانی را در نظر بگیرید که طی چند سال گذشته اطلاعات مربوط به تعداد کارکنان، جابه‌جایی نیروها، حجم فعالیت واحدها و روند جذب را ثبت کرده است. یک مدل پیش‌بینی‌گر می‌تواند با تحلیل این اطلاعات، نیاز احتمالی نیروی انسانی در دوره آینده را برآورد کند. طبق توضیحات IBM و Microsoft، هدف این فناوری شناسایی روابط موجود در داده‌ها و استفاده از آن‌ها برای پیش‌بینی نتایج آینده است.

هوش مصنوعی پیش‌بینی‌گر چگونه کار می‌کند؟

فرایند معمول با جمع‌آوری داده‌های مرتبط آغاز می‌شود. داده‌ها بررسی و آماده‌سازی می‌شوند تا اطلاعات ناقص، نامعتبر یا ناسازگار شناسایی شوند. سپس مدل با استفاده از الگوریتم‌هایی مانند رگرسیون، درخت تصمیم، جنگل تصادفی یا شبکه‌های عصبی آموزش می‌بیند. در مرحله بعد، عملکرد مدل با داده‌هایی مستقل از داده‌های آموزشی ارزیابی می‌شود. انتخاب الگوریتم به نوع مسئله بستگی دارد. برای مثال، پیش‌بینی تعداد کارکنان موردنیاز با مسئله طبقه‌بندی ریسک ترک خدمت یکسان نیست.کیفیت داده‌ها، ارتباط متغیرها با مسئله و تغییر شرایط سازمانی بر اعتبار نتایج اثر می‌گذارند.

کاربرد هوش مصنوعی پیش‌بینی‌گر در منابع انسانی

یکی از کاربردهای شناخته‌شده این فناوری، تحلیل ترک خدمت کارکنان است. سازمان می‌تواند با استفاده از داده‌های معتبر و مجاز، الگوهای مرتبط با خروج کارکنان را بررسی کند و برای دوره‌های آینده برآوردی از ریسک ترک خدمت داشته باشد. در برنامه‌ریزی نیروی انسانی نیز مدل‌های پیش‌بینی‌گر به برآورد نیازهای جذب، تغییرات تعداد کارکنان و ظرفیت موردنیاز واحدهای سازمانی کمک می‌کنند. کاربرد دیگر، تحلیل نیازهای آموزشی است. اگر اطلاعات مربوط به مهارت‌های موجود، تغییرات مشاغل و برنامه‌های توسعه سازمان در دسترس باشد، می‌توان شکاف‌های مهارتی احتمالی آینده را بررسی کرد.

هوش مصنوعی مولد (Generative AI) چیست؟

هوش مصنوعی مولد با یادگیری الگوها و ساختارهای موجود در داده‌ها، محتوای جدید تولید می‌کند. متن، تصویر، صدا، ویدئو و کد برنامه‌نویسی از خروجی‌های رایج این فناوری هستند. مدل‌های زبانی بزرگ (LLMs)، مدل‌های انتشار (Diffusion Models) و شبکه‌های مولد تخاصمی (GANs) از فناوری‌های مورد استفاده در این حوزه‌اند. برای مثال، کارشناس منابع انسانی می‌تواند از یک مدل مولد بخواهد شرح شغل «کارشناس توسعه سازمانی» را بر اساس ساختار مشخصی تدوین کند. مدل با دریافت اطلاعات موقعیت شغلی و دستور کاربر، پیش‌نویسی شامل مسئولیت‌ها، شایستگی‌ها و الزامات شغل تولید می‌کند.

هوش مصنوعی مولد چگونه کار می‌کند؟

مدل‌های مولد طی فرایند آموزش، الگوها و روابط موجود در داده‌ها را یاد می‌گیرند. هنگام دریافت درخواست یا پرامپت (Prompt)، بر اساس این الگوها و اطلاعات ارائه‌شده، خروجی جدیدی تولید می‌کنند. در مدل‌های زبانی بزرگ، تولید متن معمولاً با پیش‌بینی توکن‌های بعدی انجام می‌شود. بنابراین، سازوکار تولید متن نیز ماهیتی آماری دارد، اما هدف کاربردی آن با پیش‌بینی یک پیامد سازمانی متفاوت است. مدل مولد ممکن است بدون اتصال به منابع معتبر، اطلاعات نادرستی تولید کند. متن روان و منسجم لزوماً نشانه صحت محتوای آن نیست.

کاربرد هوش مصنوعی مولد در منابع انسانی

در جذب و استخدام، مدل‌های مولد می‌توانند به تدوین شرح شغل، آگهی استخدام و طراحی پرسش‌های مصاحبه کمک کنند. در آموزش و توسعه، از این فناوری برای تهیه محتوای آموزشی، طراحی تمرین، تدوین آزمون و آماده‌سازی سناریوهای یادگیری استفاده می‌شود. مدیریت دانش سازمانی نیز از کاربردهای مهم آن است. خلاصه‌سازی آیین‌نامه‌ها، تنظیم راهنماهای داخلی و پاسخ‌گویی به پرسش‌های کارکنان بر اساس اسناد معتبر از جمله فعالیت‌هایی هستند که می‌توان با کمک مدل‌های مولد انجام داد. در مدیریت عملکرد، این فناوری می‌تواند پیش‌نویس بازخوردهای سازنده و چارچوب جلسات گفت‌وگوی عملکرد را تهیه کند. تحلیل و دسته‌بندی پاسخ‌های متنی نظرسنجی‌های کارکنان نیز از دیگر کاربردهای آن است. در تمام این موارد، دسترسی به اطلاعات داخلی باید کنترل‌شده باشد و خروجی‌های حساس پیش از استفاده بررسی شوند.

هوش مصنوعی عامل‌محور (Agentic AI) چیست؟

هوش مصنوعی عامل‌محور به سیستم‌هایی اشاره دارد که می‌توانند برای دستیابی به یک هدف، فعالیت‌های موردنیاز را برنامه‌ریزی کنند و با استفاده از ابزارها یا سامانه‌های متصل، اقداماتی را انجام دهند. یک مدل مولد ممکن است متن ایمیل خوشامدگویی به کارمند جدید را بنویسد. در مقابل، یک سیستم عامل‌محور می‌تواند با دریافت مجوزهای لازم، اطلاعات کارمند را از سامانه منابع انسانی دریافت کند، متن پیام را آماده کند، تأیید مسئول مربوطه را بگیرد و پس از تأیید، آن را ارسال کند.

هوش مصنوعی عامل‌محور چگونه کار می‌کند؟

یک سیستم عامل‌محور معمولاً هدف را دریافت می‌کند و آن را به فعالیت‌های کوچک‌تر تقسیم می‌کند. سپس ابزارهای موردنیاز را انتخاب کرده و در محدوده دسترسی‌های تعیین‌شده، مراحل کار را انجام می‌دهد. برای اجرای این فرایند ممکن است از مدل‌های زبانی، رابط‌های برنامه‌نویسی (API)، ابزارهای جست‌وجو، پایگاه‌های داده و سامانه‌های مدیریت گردش کار استفاده شود. سیستم می‌تواند نتایج اقدامات را بررسی کند و در صورت ناقص بودن اطلاعات، مسیر دیگری انتخاب کند یا موضوع را به مسئول انسانی ارجاع دهد. میزان استقلال سیستم‌های عامل‌محور متفاوت است. برخی برای هر اقدام به تأیید انسان نیاز دارند و برخی می‌توانند مجموعه‌ای از فعالیت‌های ازپیش‌مجاز را بدون تأیید جداگانه انجام دهند.

کاربرد هوش مصنوعی عامل‌محور در منابع انسانی

فرایند ورود کارکنان جدید (Onboarding) نمونه مناسبی برای درک این فناوری است.

پس از نهایی شدن استخدام، یک سیستم عامل‌محور می‌تواند اطلاعات تأییدشده کارمند را دریافت کند، چک‌لیست ورود ایجاد کند، درخواست تجهیزات را در سامانه خدمات داخلی ثبت کند و فعالیت‌های باقی‌مانده را پیگیری کند.

در مدیریت آموزش نیز چنین سیستمی می‌تواند پس از تأیید برنامه، ثبت‌نام کارکنان در دوره‌ها، ارسال یادآوری و گردآوری وضعیت تکمیل آموزش را هماهنگ کند.

پیگیری درخواست‌های داخلی، آماده‌سازی گزارش‌های دوره‌ای و مدیریت گردش کار اسناد از دیگر کاربردهای احتمالی هستند.

تفاوت Agentic AI با اتوماسیون سنتی

اتوماسیون سنتی معمولاً مجموعه‌ای از مراحل ازپیش‌تعریف‌شده را اجرا می‌کند. برای مثال، پس از ثبت یک درخواست مرخصی، آن را به مدیر مربوطه ارجاع می‌دهد. سیستم عامل‌محور می‌تواند در مواجهه با شرایط متفاوت، مسیر مناسب را بر اساس اطلاعات در دسترس انتخاب کند. اگر درخواست ناقص باشد، ممکن است اطلاعات تکمیلی بخواهد یا مسئله را برای بررسی انسانی ارجاع دهد. این انعطاف‌پذیری به طراحی سیستم وابسته است و لزوماً در تمام ابزارهایی که با عنوان عامل هوش مصنوعی معرفی می‌شوند وجود ندارد.

## مقایسه هوش مصنوعی پیش‌بینی‌گر، مولد و عامل‌محور

هوش مصنوعی پیش‌بینی‌گر، مولد و عامل‌محور از نظر هدف، نوع خروجی، فناوری‌های مورد استفاده و نقش انسان در فرایندها تفاوت دارند. هوش مصنوعی پیش‌بینی‌گر (Predictive AI) با تکیه بر داده‌های تاریخی، مدل‌های آماری و الگوریتم‌های یادگیری ماشین، به این پرسش پاسخ می‌دهد که «چه اتفاقی احتمالاً رخ خواهد داد؟». خروجی این رویکرد معمولاً به شکل احتمال، امتیاز ریسک، طبقه‌بندی یا پیش‌بینی عددی ارائه می‌شود. در مدیریت منابع انسانی، برآورد ریسک ترک خدمت کارکنان نمونه‌ای از کاربرد آن است. در این فرایند، متخصصان منابع انسانی مسئول تفسیر نتایج و استفاده از آن‌ها در تصمیم‌گیری هستند.

در مقابل، هوش مصنوعی مولد (Generative AI) بر تولید محتوای جدید تمرکز دارد و به پرسش «چه چیزی می‌توان تولید کرد؟» پاسخ می‌دهد. این رویکرد با استفاده از مدل‌های زبانی بزرگ و سایر مدل‌های مولد، قادر به تولید متن، تصویر، کد، صدا و ویدئو است. در حوزه منابع انسانی، تدوین شرح شغل، تهیه محتوای آموزشی و تنظیم پیش‌نویس اسناد سازمانی از کاربردهای آن به شمار می‌روند. نقش انسان در این فرایند، تعریف درخواست، ارائه اطلاعات موردنیاز و بررسی و اصلاح خروجی تولیدشده است.

هوش مصنوعی عامل‌محور (Agentic AI) با دو رویکرد دیگر تفاوت دارد؛ زیرا علاوه بر پردازش اطلاعات و تولید محتوا، می‌تواند برای دستیابی به یک هدف مشخص، فعالیت‌های موردنیاز را برنامه‌ریزی و در چارچوب مجوزهای تعیین‌شده اجرا کند. پرسش اصلی این رویکرد آن است که «برای تحقق هدف چه اقداماتی لازم است؟». سیستم‌های عامل‌محور معمولاً از ترکیب مدل‌های هوش مصنوعی، ابزارهای متصل، قابلیت‌های برنامه‌ریزی و سازوکارهای مدیریت گردش کار استفاده می‌کنند. برای مثال، در فرایند ورود کارکنان جدید، چنین سیستمی می‌تواند اطلاعات تأییدشده را دریافت کند، فعالیت‌های اداری را ثبت کند و وضعیت اجرای آن‌ها را پیگیری کند. میزان استقلال این سیستم‌ها به طراحی و سطح دسترسی آن‌ها بستگی دارد و انسان همچنان مسئول تعیین اهداف، مدیریت مجوزها و نظارت بر اقدامات است.

چگونه این سه رویکرد در کنار یکدیگر کار می‌کنند؟

فرض کنید سازمانی قصد دارد برنامه نگهداشت کارکنان خود را بهبود دهد. ابتدا یک مدل پیش‌بینی‌گر، داده‌های معتبر را تحلیل می‌کند و روندهای مرتبط با ترک خدمت را شناسایی می‌کند. کارشناسان منابع انسانی نتایج را بررسی کرده و مسائل نیازمند رسیدگی را مشخص می‌کنند. در مرحله بعد، هوش مصنوعی مولد می‌تواند بر اساس یافته‌های تأییدشده، پیش‌نویس برنامه نگهداشت، راهنمای مصاحبه ماندگاری یا محتوای ارتباطی مرتبط را آماده کند. پس از بررسی و تصویب برنامه، یک سیستم عامل‌محور می‌تواند فعالیت‌های اجرایی مجاز را در سامانه مدیریت پروژه ثبت کند، یادآوری‌های لازم را تنظیم کند و گزارش پیشرفت اقدامات را تهیه کند. در چنین ساختاری، تحلیل داده به شناسایی مسئله کمک می‌کند، تولید محتوا از طراحی پاسخ پشتیبانی می‌کند و سیستم عامل‌محور پیگیری اقدامات را بر عهده می‌گیرد. البته رابطه آماری میان متغیرها به‌تنهایی علت ترک خدمت را اثبات نمی‌کند. برنامه‌های مداخله نیز باید بر اساس شواهد، شناخت شرایط سازمان و بررسی کارشناسی تدوین شوند.

چالش‌ها و محدودیت‌های سه رویکرد

هرکدام از این فناوری‌ها ریسک‌های متفاوتی دارند. در هوش مصنوعی پیش‌بینی‌گر، داده‌های ناقص یا نامتوازن ممکن است نتایج گمراه‌کننده ایجاد کنند. تغییر شرایط سازمان نیز می‌تواند دقت مدلی را که بر اساس داده‌های گذشته آموزش دیده است کاهش دهد. در هوش مصنوعی مولد، تولید اطلاعات نادرست، استنادهای ساختگی و افشای احتمالی اطلاعات محرمانه از نگرانی‌های اصلی هستند. در سیستم‌های عامل‌محور، خطا می‌تواند به اقدام اشتباه در یک سامانه منجر شود. برای مثال، ارسال پیام به گیرنده نامناسب یا تغییر ناخواسته یک رکورد سازمانی ممکن است پیامدهای عملی داشته باشد. در منابع انسانی، حفاظت از اطلاعات کارکنان اهمیت زیادی دارد. سطح دسترسی سیستم‌ها باید مشخص باشد و تصمیم‌های حساس مانند استخدام، ارتقا، ارزیابی عملکرد و خاتمه همکاری تحت نظارت افراد مسئول باقی بمانند.

سازمان‌ها کدام رویکرد را انتخاب کنند؟

انتخاب فناوری به ماهیت مسئله بستگی دارد. برای برآورد نیاز آینده نیروی انسانی، مدل‌های پیش‌بینی‌گر قابل‌بررسی هستند. برای تدوین اسناد و محتوای آموزشی، مدل‌های مولد کاربرد بیشتری دارند. اگر مسئله شامل هماهنگی چند فعالیت در سامانه‌های مختلف باشد، سیستم عامل‌محور ممکن است مناسب باشد. بااین‌حال، هر فرایندی به هوش مصنوعی عامل‌محور نیاز ندارد. برای فعالیت‌های تکراری با مراحل ثابت، اتوماسیون سنتی گاهی ساده‌تر و قابل‌کنترل‌تر است. پیش از استقرار هر فناوری، سازمان باید کیفیت داده‌ها، هزینه اجرا، زیرساخت فنی، ریسک‌های امنیتی و شاخص‌های ارزیابی موفقیت را مشخص کند.

جمع‌بندی

تفاوت اصلی هوش مصنوعی پیش‌بینی‌گر، مولد و عامل‌محور در نوع مسئله‌ای است که برای حل آن طراحی شده‌اند. مدل پیش‌بینی‌گر با تحلیل داده‌ها، احتمال وقوع رویدادها را برآورد می‌کند. مدل مولد محتوای جدید تولید می‌کند و سیستم عامل‌محور می‌تواند مجموعه‌ای از فعالیت‌ها را برای رسیدن به هدف مشخص انجام دهد. این قابلیت‌ها در مدیریت منابع انسانی می‌توانند از برنامه‌ریزی نیروی انسانی و طراحی آموزش تا مدیریت دانش و پیگیری فرایندهای سازمانی کاربرد داشته باشند. انتخاب و ترکیب آن‌ها باید با توجه به نیاز واقعی سازمان، کیفیت اطلاعات و پیامدهای تصمیم‌ها انجام شود. مسئولیت تصمیم‌های اثرگذار بر کارکنان همچنان بر عهده مدیران و متخصصان سازمان است.

منابع و مراجع

۱. IBM – What Is Predictive AI?](https://www.ibm.com/think/topics/predictive-ai)

۲.Microsoft – What Is Predictive AI(https://www.microsoft.com/en-us/ai/ai-101/predictive-ai)

۳. SAP Learning – Differentiating Predictive, Generative, and Agentic AI(https://learning.sap.com/courses/exploring-sap-cloud-erp/differentiating-predictive-generative-and-agentic-ai_e0b8c491-2ad0-42b2-a448-62a33196ad89)

۴. Daya Shankar (2026) – Agentic AI vs. Generative AI vs. Predictive AI](https://huggingface.co/blog/daya-shankar/agentic-ai-vs-generative-ai-vs-predictive-ai)