هوش مصنوعی در مدیریت فرایند؛ AI چگونه به BPM کمک می‌کند؟

هوش مصنوعی می‌تواند در مدیریت فرایند کسب‌وکار (BPM) به تحلیل داده‌های فرایندی، کشف الگوها، مدل‌سازی، پیش‌بینی وضعیت فرایند، پردازش اطلاعات غیرساخت‌یافته و پشتیبانی از تصمیم‌گیری کمک کند. اما این به معنی «هوشمندشدن خودکار فرایند» نیست.

یک فرایند نامناسب با اضافه‌کردن AI به فرایند خوبی تبدیل نمی‌شود. اگر مسیر کار روشن نباشد، داده کافی وجود نداشته باشد، مسئول تصمیم مشخص نباشد یا معیار موفقیت تعریف نشده باشد، استفاده از هوش مصنوعی ممکن است فقط لایه‌ای پیچیده‌تر روی مسئله قبلی ایجاد کند.

به همین دلیل، رابطه AI و BPM را بهتر است دوطرفه ببینیم: هوش مصنوعی ابزارهای تازه‌ای برای مدیریت فرایند فراهم می‌کند و در مقابل، BPM کمک می‌کند مشخص شود هوش مصنوعی دقیقاً در کدام مرحله، برای چه تصمیمی و با چه کنترلی باید وارد کار شود. اگر خود فرایند هنوز برای اجرا آماده نیست، بهتر است پیش از انتخاب فناوری، مراحل آماده‌سازی فرایند برای دیجیتالی‌سازی بررسی شوند.

مرور پژوهشی منتشرشده در سال ۲۰۲۵ نیز کاربردهای AI را در مراحل مختلف چرخه BPM، از شناسایی و مدل‌سازی تا تحلیل، بازطراحی، اجرا و پایش فرایند بررسی می‌کند.

منظور از هوش مصنوعی در BPM چیست؟

هوش مصنوعی در BPM یعنی استفاده هدفمند از قابلیت‌های AI در یکی یا چند مرحله از چرخه مدیریت فرایند.

این استفاده ممکن است بسیار ساده باشد؛ مثلاً سیستم متن یک درخواست را طبقه‌بندی کند. در سناریوی دیگری، مدل یادگیری ماشین می‌تواند براساس داده‌های اجرای قبلی، احتمال تأخیر یک پرونده را تخمین بزند. در سطحی متفاوت، هوش مصنوعی مولد می‌تواند به تحلیلگر کمک کند یک توضیح متنی را به پیش‌نویس مدل فرایند تبدیل کند.

در همه این مثال‌ها یک نکته مشترک وجود دارد: AI جای خودِ فرایند را نمی‌گیرد؛ در یک نقطه مشخص از فرایند نقش پیدا می‌کند.

این تفاوت مهم است، چون عباراتی مانند «فرایند هوشمند» یا «اتوماسیون هوشمند» اگر بدون توضیح استفاده شوند، می‌توانند چند فناوری متفاوت را با هم مخلوط کنند.

برای مثال IBM در تعریف Intelligent Automation، ترکیبی از هوش مصنوعی، مدیریت فرایند کسب‌وکار و RPA را مطرح می‌کند. بنابراین هوش مصنوعی، BPM و اتوماسیون سه مفهوم یکسان نیستند؛ بلکه می‌توانند در یک معماری عملیاتی کنار یکدیگر قرار بگیرند.

چرا BPM برای استفاده درست از هوش مصنوعی مهم است؟

فرض کنید یک مدل هوش مصنوعی بتواند پیش‌بینی کند یک درخواست احتمالاً با تأخیر مواجه خواهد شد. هنوز چند سؤال باقی می‌ماند:

این پیش‌بینی در کدام مرحله فرایند باید استفاده شود؟ چه کسی باید آن را ببیند؟ اگر مدل اشتباه کرد چه اتفاقی می‌افتد؟ آیا سیستم اجازه دارد مسیر کار را تغییر دهد یا فقط باید پیشنهاد ارائه کند؟ مسئول نهایی تصمیم چه کسی است؟ نتیجه تصمیم چگونه ثبت می‌شود؟

اینجاست که مدیریت فرایند اهمیت پیدا می‌کند.

BPM می‌تواند بستر تعریف فرایند، نقش‌ها، نقاط تصمیم، شاخص‌ها و سازوکارهای کنترل را فراهم کند تا AI از یک ابزار جداگانه به بخشی مشخص از عملیات تبدیل شود.

یک پژوهش منتشرشده در سال ۲۰۲۶ نیز بر همین مسئله تأکید می‌کند: تعریف روشن فرایند، مالکیت، حاکمیت و سازوکارهای بهبود مستمر می‌توانند چارچوب سازمانی لازم برای به‌کارگیری AI را فراهم کنند.

هوش مصنوعی در کدام مراحل مدیریت فرایند کاربرد دارد؟

کاربرد AI را می‌توان براساس چرخه عمر BPM بررسی کرد. این نگاه کمک می‌کند به‌جای پرسیدن «AI چه کارهایی بلد است؟» سؤال دقیق‌تری بپرسیم: «در کدام مرحله از فرایند مسئله‌ای داریم که AI می‌تواند به حل آن کمک کند؟»

این تقسیم‌بندی با ادبیات پژوهشی جدید AI و BPM نیز هم‌راستاست؛ مرور ادبیات ۲۰۲۵ کاربردهای هوش مصنوعی را در همین مراحل اصلی چرخه BPM دسته‌بندی کرده است.

هوش مصنوعی چگونه به مدل‌سازی فرایند کمک می‌کند؟

یکی از کاربردهای قابل مشاهده AI در BPM، کمک به مدل‌سازی فرایند و تبدیل اطلاعات غیرساخت‌یافته به پیش‌نویس‌های ساخت‌یافته‌تر است.

بخش زیادی از دانش فرایندی سازمان ممکن است ابتدا به شکل مصاحبه، دستورالعمل، توضیح متنی، فایل یا دانش افراد وجود داشته باشد. پردازش زبان طبیعی می‌تواند برای استخراج فعالیت‌ها، نقش‌ها، رویدادها یا ارتباط‌های احتمالی از چنین محتواهایی به کار رود.

هوش مصنوعی مولد نیز این مسیر را یک قدم جلوتر برده است. برای مثال در بازار فعلی، SAP Signavio قابلیتی مستند کرده که می‌تواند از توضیح متنی یا تصویر برای ایجاد پیش‌نویس مدل فرایند استفاده کند. این مثال نشان می‌دهد مدل‌سازی کمکی با AI دیگر فقط موضوع پژوهشی نیست و در برخی محصولات وارد کاربرد عملی شده است.

اما «ساختن یک نمودار» با «شناخت درست فرایند» یکسان نیست.

یک مدل تولیدشده توسط AI ممکن است استثناها، قواعد غیررسمی، محدودیت‌های قانونی، مسئولیت واقعی افراد یا تفاوت میان فرایند مصوب و فرایند اجراشده را نداند. به همین دلیل خروجی AI باید نقطه شروع تحلیل باشد، نه سند نهایی فرایند.

AI چگونه در تحلیل فرایند کاربرد پیدا می‌کند؟

وقتی فرایند در سیستم‌های اجرایی ثبت می‌شود، داده‌هایی درباره فعالیت‌ها، زمان‌ها، وضعیت‌ها و رویدادها ایجاد می‌شود. هوش مصنوعی و یادگیری ماشین می‌توانند روی بخشی از این داده‌ها برای یافتن الگوهایی استفاده شوند که با بررسی دستی به‌راحتی قابل مشاهده نیستند.

برای مثال، می‌توان رابطه برخی ویژگی‌های پرونده با تأخیر را بررسی کرد، موارد غیرعادی را شناسایی کرد یا عواملی را که با افزایش زمان چرخه همراه هستند تحلیل کرد.

در ادبیات BPM، تحلیل علت ریشه‌ای، شبیه‌سازی و پیش‌بینی اجرای فرایند از حوزه‌هایی هستند که استفاده از روش‌های AI در آن‌ها بررسی شده است.

این موضوع با «فرایندکاوی» هم ارتباط پیدا می‌کند، اما این دو مترادف نیستند. فرایندکاوی حوزه مستقلی است که از داده رویدادهای سیستم برای کشف، بررسی انطباق و تحلیل اجرای واقعی فرایند استفاده می‌کند؛ بنابراین جزئیات آن بهتر است در راهنمای مستقل فرایندکاوی بررسی شود.

آیا AI می‌تواند مشکلات فرایند را پیش‌بینی کند؟

در برخی سناریوها، بله؛ البته به شرط وجود داده مناسب.

یکی از حوزه‌های پژوهشی و کاربردی مهم در BPM، پایش پیش‌بینانه فرایند (Predictive Process Monitoring) است. به‌جای اینکه سازمان فقط بعد از وقوع تأخیر آن را در گزارش مشاهده کند، مدل می‌تواند از داده اجرای قبلی برای تخمین وضعیت آینده یک نمونه در حال اجرا استفاده کند.

این پیش‌بینی ممکن است درباره زمان باقی‌مانده، مرحله بعد، احتمال انحراف یا احتمال بروز مشکل باشد. پژوهش‌های BPM و AI این حوزه را به‌طور گسترده بررسی کرده‌اند.

اما پیش‌بینی با تصمیم یکسان نیست.

اگر سیستم احتمال تأخیر یک پرونده را بالا تشخیص دهد، هنوز باید مشخص شود چه اقدامی مجاز است: صرفاً هشدار بدهد؟ پرونده را برای بررسی به مدیر نمایش دهد؟ اولویت آن را تغییر دهد؟ یا مسیر دیگری انتخاب کند؟

هرچه پیامد تصمیم مهم‌تر باشد، تعریف مسئولیت انسانی، امکان توضیح نتیجه و کنترل رفتار مدل اهمیت بیشتری پیدا می‌کند.

AI در اجرای فرایند چه کاری می‌تواند انجام دهد؟

بخشی از فعالیت‌های سازمانی با داده‌های ساخت‌یافته سروکار ندارند. افراد ممکن است ایمیل، متن درخواست، قرارداد، نامه، تصویر یا فایل دریافت کنند و ابتدا مجبور باشند اطلاعات موردنیاز را از آن استخراج یا دسته‌بندی کنند.

AI می‌تواند در سناریوهای مناسب بخشی از این کار شناختی را پشتیبانی کند.

برای مثال ممکن است متن درخواست طبقه‌بندی شود، محتوای یک سند خلاصه شود، اطلاعات موردنیاز از آن استخراج شود یا پیشنهاد اولیه‌ای برای مرحله بعدی ارائه شود.

این نوع استفاده با اتوماسیون فرایند مبتنی بر قواعد تفاوت دارد. اتوماسیون قاعده‌محور زمانی بسیار مناسب است که ورودی و تصمیم قابل تعریف باشند؛ مثلاً «اگر مبلغ بیشتر از مقدار مشخصی بود، درخواست به سطح دوم تأیید برود». AI زمانی بیشتر مطرح می‌شود که بخشی از مسئله با زبان، الگو، احتمال یا داده غیرساخت‌یافته سروکار داشته باشد.

ترکیب این دو رویکرد می‌تواند قدرتمند باشد: قواعد روشن همچنان با منطق قطعی اجرا شوند و AI فقط در نقاطی وارد شود که مسئله واقعاً به تحلیل یا تفسیر نیاز دارد.

در پلتفرم‌های BPMS، تصمیم‌های قاعده‌پذیر می‌توانند با موتور قواعد کسب‌وکار (DMN) مدیریت شوند و AI فقط در نقاطی وارد جریان شود که تحلیل احتمالی یا تفسیر داده لازم است.

یک مثال فرضی: AI در فرایند درخواست خرید

فرض کنید یک سازمان فرایند درخواست خرید دارد. درخواست‌کننده شرح نیاز و مستندات خود را ثبت می‌کند، مدیر واحد بررسی انجام می‌دهد، وضعیت بودجه کنترل می‌شود و سپس درخواست وارد مراحل بعدی خرید می‌شود.

اگر یک سرویس AI مناسب و کنترل‌شده به این سناریو اضافه شود، می‌توان کاربردهای مختلفی را بررسی کرد.

در ابتدای کار، سیستم ممکن است شرح متنی درخواست را برای طبقه‌بندی اولیه بررسی کند. اگر مستندات متنی وجود داشته باشد، می‌توان استخراج برخی اطلاعات را به AI سپرد و نتیجه را پیش از ثبت نهایی به کاربر نشان داد.

در مرحله پایش، اگر داده تاریخی کافی وجود داشته باشد، یک مدل می‌تواند احتمال تأخیر پرونده را برآورد کند. مدیر همچنان تصمیم‌گیرنده باقی می‌ماند، اما به‌جای مشاهده صرف وضعیت فعلی، یک نشانه پیش‌بینانه نیز در اختیار دارد.

پس از اجرای تعداد کافی نمونه، داده‌ها می‌توانند برای بررسی الگوهای توقف یا برگشت استفاده شوند.

این سناریو صرفاً مثال تحلیلی از کاربرد AI در BPM است و به معنی وجود این قابلیت‌ها به‌صورت آماده در گراف BPMS یا هر BPMS دیگری نیست.

مزیت AI در BPM دقیقاً از کجا می‌آید؟

عبارت‌هایی مثل «افزایش بهره‌وری»، «کاهش هزینه» یا «تصمیم‌گیری بهتر» به‌تنهایی توضیح نمی‌دهند که AI چه ارزشی ایجاد کرده است.

ارزش واقعی باید به یک مسئله مشخص در فرایند متصل شود.

بنابراین سؤال مناسب برای شروع پروژه AI این نیست که «کدام مدل هوش مصنوعی را استفاده کنیم؟»

بهتر است ابتدا مشخص شود کدام مسئله در کدام مرحله فرایند ارزش حل‌کردن دارد.

هوش مصنوعی چه مشکلاتی را در BPM حل نمی‌کند؟

AI نمی‌تواند جای تحلیل درست مسئله را بگیرد.

اگر یک فرایند هفت تأیید غیرضروری دارد، مدل هوش مصنوعی الزاماً نمی‌داند کدام تأیید باید حذف شود. اگر مالک فرایند مشخص نیست، AI مسئولیت مدیریتی ایجاد نمی‌کند. اگر اطلاعات ناقص یا متناقض ثبت می‌شوند، استفاده از الگوریتم پیچیده‌تر لزوماً تحلیل را معتبرتر نمی‌کند.

از طرف دیگر، تصمیم‌های سازمانی فقط محصول داده نیستند. قانون، سیاست، مسئولیت، ریسک و شرایط استثنایی نیز در آن‌ها نقش دارند.

در نتیجه بعضی از ارزشمندترین پروژه‌های AI ممکن است اصلاً با ساخت Model شروع نشوند؛ بلکه با اصلاح فرایند، کیفیت داده یا تعریف مسئولیت آغاز شوند.

قبل از ورود AI چه ریسک‌هایی باید بررسی شوند؟

این ملاحظات به‌خصوص در فرایندهایی که با داده حساس، حقوق افراد، امور مالی، منابع انسانی یا تصمیم‌های پرپیامد سروکار دارند اهمیت بیشتری پیدا می‌کنند.

برای انتخاب اولین کاربرد AI در BPM چه سؤالاتی بپرسیم؟

پیش از انتخاب فناوری، این هفت سؤال می‌توانند نقطه شروع مناسبی باشند:

1. دقیقاً کدام فعالیت یا تصمیم در فرایند مسئله دارد؟
2. امروز برای انجام آن چه داده‌ای در دسترس است؟
3. آیا این مسئله با یک قاعده ساده حل می‌شود یا واقعاً به AI نیاز دارد؟
4. خروجی AI قرار است پیشنهاد باشد، هشدار بدهد یا مستقیماً اقدام کند؟
5. اگر خروجی اشتباه بود چه پیامدی ایجاد می‌شود؟
6. چگونه کیفیت نتیجه را با وضعیت فعلی مقایسه خواهیم کرد؟
7. چه کسی مالک تصمیم و مسئول بازبینی عملکرد AI خواهد بود؟

اگر پاسخ این سؤال‌ها روشن نباشد، انتخاب Model یا ابزار AI احتمالاً زودتر از موعد انجام شده است.

تفاوت AI در BPM با BPMS، اتوماسیون و فرایندکاوی چیست؟

این مفاهیم می‌توانند در یک پروژه کنار یکدیگر قرار بگیرند، اما نقش یکسانی ندارند.

این مرزبندی مهم است. برای مثال استفاده از یک BPMS به‌خودی‌خود به معنی استفاده از AI نیست و استفاده از AI نیز الزاماً به BPMS نیاز ندارد. برای آشنایی با اجزایی که یک پلتفرم BPMS سازمانی برای طراحی، اجرا، تصمیم‌گیری و پایش فرایند در اختیار سازمان قرار می‌دهد، می‌توانید ساختار ماژول‌های گراف BPMS را بررسی کنید.

آینده AI و BPM به کدام سمت می‌رود؟

یکی از مسیرهای قابل مشاهده، نزدیک‌شدن رابط‌های زبانی به ابزارهای فرایندی است. به‌جای اینکه تحلیلگر تمام کار را از یک صفحه خالی آغاز کند، AI می‌تواند در تهیه پیش‌نویس، توضیح مدل یا یافتن ناسازگاری‌ها نقش کمکی داشته باشد. وجود قابلیت AI-assisted modeling در برخی محصولات فعلی نمونه‌ای از این جهت حرکت است.

مسیر دیگر، حرکت از تحلیل گذشته به سمت پیش‌بینی و پیشنهاد اقدام است؛ یعنی سیستم فقط نگوید چه اتفاقی افتاده، بلکه بتواند درباره اتفاق احتمالی بعدی یا گزینه مناسب واکنش اطلاعات ارائه کند.

پژوهش‌های جدید حتی مفهوم Agentic BPM را مطرح کرده‌اند؛ جایی که عامل‌های هوشمند بتوانند وضعیت فرایند را درک کنند، درباره آن استدلال کنند و در چارچوب مشخص اقدام انجام دهند. این موضوع در سال ۲۰۲۶ همچنان یک جهت پژوهشی و معماری آینده است و نباید آن را با قابلیت عمومی و بالغ همه سیستم‌های BPM یکی دانست.

احتمالاً مرز مهم آینده نه «انسان یا AI»، بلکه تقسیم مسئولیت میان انسان، قواعد قطعی و مدل‌های هوشمند خواهد بود.

برای تصمیم‌هایی که واضح و قابل تعریف‌اند، Rule ممکن است همچنان راهکار دقیق‌تر باشد. برای فعالیت‌های تکراری، اتوماسیون معمولی کافی است. برای تحلیل الگوهای پیچیده یا داده غیرساخت‌یافته، AI می‌تواند ارزش بیشتری داشته باشد. و در نقاط حساس، انسان باید همچنان مسئول تصمیم نهایی باقی بماند.

سؤالات متداول درباره هوش مصنوعی و BPM

آیا هوش مصنوعی جای تحلیلگر فرایند را می‌گیرد؟

در وضعیت فعلی بهتر است AI را ابزار تقویت کار تحلیلگر بدانیم، نه جایگزین کامل او. AI می‌تواند در استخراج اطلاعات، ساخت پیش‌نویس، تحلیل داده یا ارائه پیشنهاد کمک کند؛ اما شناخت Context سازمان، مصاحبه با ذی‌نفعان، تصمیم درباره استثناها و طراحی مسئولیت‌ها همچنان به قضاوت انسانی نیاز دارد.

آیا برای استفاده از AI در BPM به داده فرایندی نیاز داریم؟

به کاربرد بستگی دارد. برای تهیه پیش‌نویس یک مدل از متن ممکن است داده تاریخی لازم نباشد، اما برای پیش‌بینی تأخیر یا یادگیری الگوهای اجرا، داده تاریخی مناسب معمولاً ضروری است.

آیا AI و اتوماسیون فرایند یک چیز هستند؟

خیر. اتوماسیون می‌تواند کاملاً مبتنی بر قواعد مشخص باشد و هیچ AI در آن وجود نداشته باشد. هوش مصنوعی زمانی وارد می‌شود که نیاز به قابلیت‌هایی مانند تفسیر زبان، یادگیری از داده، تشخیص الگو یا پیش‌بینی وجود داشته باشد.

آیا AI بدون BPM هم قابل استفاده است؟

بله، اما اگر AI قرار است بخشی از عملیات سازمان شود، مشخص‌کردن جایگاه آن در فرایند، مسئولیت‌ها، کنترل‌ها و معیارهای ارزیابی اهمیت زیادی دارد. BPM می‌تواند این ساختار را فراهم کند.

جمع‌بندی

هوش مصنوعی می‌تواند مدیریت فرایند را از چند جهت تقویت کند: کمک به مدل‌سازی، تحلیل حجم بیشتری از داده، پیش‌بینی وضعیت اجرای فرایند، پردازش اطلاعات غیرساخت‌یافته و پشتیبانی از تصمیم‌ها.

اما ارزش AI زمانی بیشتر می‌شود که سؤال درستی برای آن تعریف شده باشد.

اگر فرایند نامشخص است، داده قابل اعتماد نداریم یا مسئول تصمیم روشن نیست، پیچیده‌ترکردن فناوری الزاماً نتیجه بهتری ایجاد نمی‌کند. ابتدا باید فرایند را شناخت؛ سپس مشخص کرد کدام بخش به یک قاعده ساده نیاز دارد، کدام بخش باید توسط انسان انجام شود و کجا واقعاً هوش مصنوعی می‌تواند ارزش اضافه کند.

از این زاویه، آینده BPM فقط «فرایندهای بیشتر با AI» نیست. آینده محتمل‌تر، فرایندهایی است که در آن انسان، منطق قطعی، داده و هوش مصنوعی هرکدام در جای درست خود قرار گرفته‌اند.