اتوماسیون در نرمافزارهای ERP موضوع جدیدی نیست. سالهاست سازمانها از سیستمهایی مانند Odoo برای حذف فعالیتهای تکراری، اجرای خودکار گردشکارها و یکپارچهسازی اطلاعات بین واحدهای مختلف استفاده میکنند.
اما ورود هوش مصنوعی، مفهوم اتوماسیون را وارد مرحله جدیدی کرده است.
در اتوماسیون سنتی معمولاً باید از قبل مشخص کنیم:
اگر X اتفاق افتاد، Y را انجام بده.
برای مثال اگر یک سرنخ فروش جدید ثبت شد، یک فعالیت برای کارشناس فروش ایجاد شود یا اگر موجودی یک محصول از حد مشخصی کمتر شد، فرآیند تأمین آغاز شود.
این نوع اتوماسیون همچنان بسیار ارزشمند است؛ اما هوش مصنوعی قابلیت دیگری به آن اضافه میکند: درک اطلاعات غیرساختاریافته، تحلیل Context، کار با زبان طبیعی و استفاده از AI Agents برای کمک به اجرای فرآیندها.
به همین دلیل ترکیب Odoo + AI + Automation میتواند بسیاری از فرآیندهای روزمره سازمان را از مجموعهای از فعالیتهای دستی به Workflowهای هوشمند تبدیل کند.
در ادامه ۷ فرآیندی را بررسی میکنیم که ظرفیت بالایی برای این نوع اتوماسیون دارند.
اتوماسیون سنتی با اتوماسیون مبتنی بر AI چه تفاوتی دارد؟
در اتوماسیون سنتی، مسیر اجرای فرآیند معمولاً از قبل مشخص است.
برای مثال:
Lead جدید → تخصیص به کارشناس → ایجاد Activity → ارسال Follow-up
سیستم طبق قواعدی که برای آن تعریف شده عمل میکند.
اما همه تصمیمات کسبوکار را نمیتوان با چند شرط ساده If/Then تعریف کرد.
فرض کنید یک مشتری ایمیلی برای شرکت ارسال کرده و درباره قیمت محصول، شرایط تحویل و امکان دریافت تخفیف سؤال کرده است.
در اینجا سیستم باید ابتدا متن را بفهمد، اطلاعات مرتبط را پیدا کند و Context درخواست مشتری را تشخیص دهد.
اینجاست که AI وارد فرآیند میشود.
در یک Workflow مبتنی بر AI، مسیر میتواند به شکل زیر باشد:
Request → Understand → Analyze → Decide/Recommend → Action
هوش مصنوعی میتواند بخشی از مرحله «درک و تحلیل» را انجام دهد و Automation مسئول اجرای مراحل مشخص فرآیند باشد.
در نتیجه هدف این نیست که AI جای تمام Workflowهای موجود را بگیرد؛ بلکه AI و Automation در کنار یکدیگر قرار میگیرند.
۱. اتوماسیون مدیریت Lead و فرآیند فروش
یکی از بهترین نقاط برای شروع اتوماسیون، فرآیند فروش است.
در بسیاری از شرکتها Leadها از کانالهای مختلفی وارد سازمان میشوند:
وبسایت، تماس تلفنی، ایمیل، کمپینهای تبلیغاتی، شبکههای اجتماعی یا حتی معرفی مشتریان قبلی.
مشکل از جایی شروع میشود که تیم فروش باید این اطلاعات را بررسی کند، Lead را ثبت کند، آن را به کارشناس مناسب ارجاع دهد و Follow-upهای بعدی را مدیریت کند.
هر مرحله دستی میتواند باعث تأخیر، خطای انسانی یا حتی فراموش شدن یک فرصت فروش شود.
Odoo CRM امکان مدیریت Leadها، Pipeline، فعالیتها و تیمهای فروش را فراهم میکند. در کنار آن، Automation میتواند بسیاری از اقدامات تکراری این فرآیند را مدیریت کند.
اما AI میتواند یک لایه دیگر به این فرآیند اضافه کند.
برای مثال تصور کنید مشتری این درخواست را ارسال میکند:
«برای شرکتمان به یک سیستم CRM برای حدود ۳۰ کاربر نیاز داریم و میخواهیم مرکز تماس هم به آن متصل باشد.»
این فقط یک فرم با چند فیلد مشخص نیست؛ داخل همین جمله اطلاعات مهمی درباره نیاز مشتری وجود دارد.
یک Workflow هوشمند میتواند این اطلاعات را تحلیل کند، Context درخواست را تشخیص دهد و در ادامه برای ثبت یا تکمیل Lead، ارجاع آن به تیم مناسب یا پیشنهاد اقدام بعدی مورد استفاده قرار گیرد.
در سناریوهای Agentic حتی میتوان AI Agent را به ابزارهای مشخصی متصل کرد تا در محدوده دسترسی تعریفشده، در اجرای برخی عملیات CRM مشارکت کند.
در نتیجه فرآیند فروش میتواند از:
Lead → بررسی دستی → ثبت → تخصیص → Follow-up
به مدلی نزدیک شود که در آن:
Lead → AI Analysis → CRM → Assignment → Automated Follow-up
انسان همچنان در نقاط مهم فرآیند حضور دارد، اما زمان کمتری صرف فعالیتهای تکراری میکند و میتواند تمرکز بیشتری روی مذاکره، شناخت نیاز مشتری و بستن فروش داشته باشد.
۲. اتوماسیون پشتیبانی و پاسخگویی به مشتریان
پشتیبانی یکی دیگر از فرآیندهایی است که بخش قابلتوجهی از زمان کارکنان در آن صرف کارهای تکراری میشود.
بسیاری از درخواستهای مشتریان حول موضوعات مشابه هستند:
وضعیت سفارش من چیست؟
چطور از یک قابلیت استفاده کنم؟
شرایط خدمات چگونه است؟
این خطا به چه دلیل رخ داده؟
درخواست من به کدام واحد ارجاع داده شده است؟
در مدل سنتی، کارشناس باید درخواست را بخواند، موضوع آن را تشخیص دهد، اطلاعات مشتری را پیدا کند، مستندات مربوطه را بررسی کند و سپس پاسخ دهد.
اما با اتصال AI به اطلاعات و فرآیندهای سازمان، بخشی از این مسیر میتواند هوشمند شود.
مدل ساده آن میتواند چنین باشد:
Customer Request → AI Understanding → Knowledge/Customer Context → Response → Action
برای مثال AI میتواند از منابع مشخصی مانند مستندات داخلی، Knowledge Base یا اسناد مجاز استفاده کند تا اطلاعات مرتبط با سؤال مشتری را پیدا کند.
اگر درخواست نیازمند اقدام باشد، Workflow میتواند آن را به تیم یا فرد مناسب هدایت کند.
نکته مهم اینجاست که هدف لزوماً حذف کارشناس پشتیبانی نیست.
هدف این است که درخواستهای ساده و تکراری سریعتر مدیریت شوند و کارشناسان زمان بیشتری برای مسائل پیچیدهتر داشته باشند.
این تفاوت میان یک سیستم Ticketing ساده و یک فرآیند پشتیبانی هوشمند است.
۳. پردازش هوشمند اسناد و فاکتورها
یکی از پرهزینهترین فعالیتهای پنهان در بسیاری از سازمانها، پردازش دستی اسناد است.
فاکتورهای تأمینکنندگان، قراردادها، درخواستهای خرید، رسیدها، فایلهای PDF و سایر مدارک دائماً وارد سازمان میشوند و کارکنان باید آنها را بررسی، دستهبندی و اطلاعات موردنیاز را وارد سیستم کنند.
فرض کنید روزانه دهها فاکتور از تأمینکنندگان مختلف دریافت میکنید. در روش سنتی، کارشناس باید هر فاکتور را باز کند، اطلاعات آن را بخواند و سپس مواردی مانند تأمینکننده، تاریخ، مبلغ و سایر دادههای موردنیاز را وارد فرآیند مربوطه کند.
اما ترکیب Odoo و AI میتواند بخش مهمی از این چرخه را خودکار کند.
Odoo 19 قابلیتهایی برای اتوماسیون اسناد دارد که میتواند از AI برای پردازش و دستهبندی اسناد استفاده کند و براساس تنظیمات انجامشده، اطلاعات را استخراج کرده یا Business Action مرتبط ایجاد کند.
در یک سناریوی ساده، جریان کار میتواند به این شکل باشد:
Document → Classification → Data Extraction → Validation → Business Action
برای مثال یک فاکتور وارد سیستم میشود.
سیستم تشخیص میدهد که سند یک Vendor Bill است، اطلاعات موردنیاز استخراج میشود و سند وارد فرآیند مالی مربوطه میشود.
در مرحله بعد نیز میتوان Approval انسانی را حفظ کرد تا مسئول مالی اطلاعات را بررسی و تأیید کند.
در نتیجه بهجای اینکه نیروی انسانی وظیفه خواندن و ورود اطلاعات را بر عهده داشته باشد، تمرکز او روی کنترل و تأیید اطلاعات قرار میگیرد.
این تغییر کوچک در سازمانهایی که حجم بالایی از اسناد دارند میتواند اهمیت زیادی داشته باشد.
۴. اتوماسیون خرید و تأمین
فرآیند خرید معمولاً یکی از پیچیدهترین Workflowهای سازمانی است؛ زیرا واحدهای مختلفی در آن درگیر هستند.
یک درخواست ساده خرید ممکن است این مسیر را طی کند:
نیاز → درخواست خرید → بررسی → تأیید → انتخاب تأمینکننده → سفارش خرید → دریافت کالا
Odoo میتواند بخش زیادی از ساختار این فرآیند را در یک سیستم یکپارچه مدیریت کند.
اما وقتی AI را به این معماری اضافه کنیم، فرصتهای جدیدی ایجاد میشود.
فرض کنید واحد عملیات اعلام میکند:
«برای پروژه جدید به ۲۰ دستگاه از محصول X نیاز داریم و باید حداکثر تا دو هفته آینده تحویل داده شوند.»
سیستم فقط با یک عدد مواجه نیست.
برای تصمیمگیری ممکن است لازم باشد موجودی فعلی، سفارشهای باز، نیازهای ثبتشده، اطلاعات تأمینکنندگان و زمان موردنیاز برای تأمین بررسی شود.
در یک سناریوی پیشرفته، AI میتواند به تحلیل Context و اطلاعات مرتبط کمک کند و Automation مراحل مشخص Workflow را اجرا کند.
برای مثال:
Purchase Need → Data Analysis → Recommendation → Approval → Purchase Workflow
نکته مهم، مرحله Approval است.
هرچقدر AI قدرتمندتر شود، الزاماً به این معنا نیست که باید اختیار نهایی خرید را نیز در اختیار آن قرار دهیم.
برای بسیاری از سازمانها معماری مناسبتر این است که AI پیشنهاد دهد، سیستم Workflow را آماده کند و انسان تصمیم نهایی را تأیید کند.
این همان مفهوم Human-in-the-loop است که در اتوماسیون فرآیندهای حساس اهمیت زیادی دارد.
۵. مدیریت موجودی و عملیات انبار
مدیریت موجودی یکی از بهترین مثالها برای نشان دادن تفاوت بین اتوماسیون مبتنی بر Rule و اتوماسیون هوشمند است.
در مدل سنتی میتوان یک قانون ساده تعریف کرد:
اگر موجودی محصول کمتر از X شد → فرآیند تأمین را آغاز کن.
این روش مؤثر است، اما همیشه Context کسبوکار را در نظر نمیگیرد.
ممکن است موجودی یک محصول کم باشد اما فروش آن نیز کاهش یافته باشد.
یا برعکس، موجودی هنوز به حداقل تعیینشده نرسیده باشد، اما افزایش سفارشها نشان دهد که احتمال کمبود کالا در آینده نزدیک وجود دارد.
اینجاست که تحلیل داده میتواند ارزش بیشتری ایجاد کند.
در یک معماری هوشمند، تصمیم میتواند براساس مجموعه بزرگتری از اطلاعات گرفته شود:
Stock Level + Sales + Open Orders + Lead Time + Demand → Analysis → Recommendation
برای مثال سیستم میتواند اعلام کند:
«با توجه به روند سفارشها و زمان تأمین این محصول، موجودی فعلی احتمالاً پاسخگوی تقاضای دوره آینده نخواهد بود.»
سپس بسته به سیاست سازمان، میتوان یک Alert ایجاد کرد، فعالیتی برای مسئول خرید تعریف کرد یا Workflow تأمین را برای بررسی آماده کرد.
بنابراین هدف فقط خودکار کردن Reordering نیست.
هدف حرکت از:
Reactive Inventory Management
به سمت:
Proactive Inventory Management
است؛ یعنی بهجای اینکه سازمان بعد از ایجاد مشکل واکنش نشان دهد، بتواند زودتر نشانههای آن را شناسایی کند.
۶. گزارشگیری و تحلیل مدیریتی با زبان طبیعی
یکی از جالبترین کاربردهای AI در ERP، تغییر نحوه تعامل مدیران با دادههاست.
ERPها حجم بسیار زیادی از اطلاعات تولید میکنند؛ اما داشتن داده لزوماً به معنای دسترسی آسان به Insight نیست.
یک مدیر ممکن است برای پاسخ به یک سؤال ساده مجبور شود وارد چند گزارش شود، Filterهای مختلف اعمال کند یا از واحد BI بخواهد گزارش جدیدی تهیه کند.
اما AI میتواند یک Interface جدید بین مدیر و داده ایجاد کند:
زبان طبیعی.
بهجای جستوجوی دستی در گزارشها، مدیر میتواند سؤالهایی شبیه این مطرح کند:
«فروش این ماه نسبت به ماه گذشته چقدر تغییر کرده است؟»
یا:
«کدام محصولات بیشترین کاهش فروش را داشتهاند؟»
یا:
«عملکرد تیمهای فروش را با یکدیگر مقایسه کن.»
Odoo نیز AI را برای دریافت Business Insights و تعامل طبیعیتر با دادههای کسبوکار توسعه داده است.
در این مدل، مسیر رسیدن به اطلاعات تغییر میکند:
Dashboard → Filters → Report → Analysis
به:
Question → Data → AI Analysis → Insight
این موضوع به معنی حذف Dashboardها و ابزارهای BI نیست.
داشبورد همچنان برای پایش مستمر KPIها بسیار ارزشمند است؛ اما AI میتواند در کنار آن، لایهای برای پرسشهای موردی و تحلیل سریعتر اطلاعات ایجاد کند.
۷. دستیار هوشمند برای دانش سازمانی
دانش سازمان معمولاً در یک محل قرار ندارد.
بخشی از اطلاعات در اسناد است، بخشی در دستورالعملها، بخشی در Knowledge Base و بخشی نیز در ذهن کارکنان باتجربه سازمان قرار دارد.
نتیجه چیست؟
کارکنان دائماً سؤالهایی میپرسند که پاسخ آنها جایی در سازمان وجود دارد، اما پیدا کردنش دشوار است.
مثلاً:
«فرآیند تأیید خرید بالای یک مبلغ مشخص چیست؟»
«آخرین دستورالعمل خدمات پس از فروش کجاست؟»
«برای این نوع مشتری چه شرایط پرداختی داریم؟»
«روش ثبت این درخواست در سیستم چیست؟»
اینجا AI Agent میتواند نقش یک دستیار دانش سازمانی را ایفا کند.
Odoo امکان تعریف Sources برای Agentها را فراهم میکند و این Sources میتوانند شامل محتوای مشخصی باشند که Agent هنگام پاسخگویی از آنها استفاده میکند.
ساختار ساده میتواند چنین باشد:
Documents + Knowledge + Policies → AI Agent → Employee Question → Contextual Answer
مزیت اصلی این معماری این است که Agent قرار نیست براساس هر چیزی که در اینترنت وجود دارد پاسخ دهد.
میتوان منابع مشخص و مورداعتماد سازمان را در اختیار آن قرار داد و دامنه عملکرد Agent را کنترل کرد.
برای مثال یک HR Agent میتواند فقط از دستورالعملها و Policies منابع انسانی استفاده کند، در حالی که Sales Agent به منابع مرتبط با محصولات، قیمتگذاری و فرآیند فروش دسترسی داشته باشد.
به این ترتیب بهجای ساخت یک «AI برای همهچیز»، سازمان میتواند مجموعهای از Agentهای تخصصی برای وظایف مشخص ایجاد کند.
آیا باید همه فرآیندها را به AI بسپاریم؟
خیر.
یکی از اشتباهات رایج در پروژههای AI این است که هدف پروژه از ابتدا «خودکار کردن همهچیز» تعریف شود.
در بسیاری از فرآیندهای سازمانی، مدل مناسبتر این است:
AI پیشنهاد میدهد → انسان تأیید میکند → Automation اجرا میکند.
بهخصوص در فرآیندهایی مانند خرید، پرداخت، قراردادها، تغییر قیمت یا تصمیماتی که اثر مالی و حقوقی دارند، وجود Approval، Access Control و Human-in-the-loop اهمیت زیادی دارد.
هدف یک سیستم هوشمند این نیست که انسان را از تمام تصمیمات حذف کند.
هدف این است که انسان مجبور نباشد وقت خود را صرف کارهای قابل پیشبینی، تکراری و کمارزش کند.
از کدام فرآیند برای اتوماسیون شروع کنیم؟
لازم نیست از پیچیدهترین فرآیند سازمان شروع کنید.
اتفاقاً معمولاً بهترین نقطه شروع، فرآیندی است که چهار ویژگی داشته باشد:
تکرار زیاد + زمانبر بودن + داده کافی + قواعد نسبتاً مشخص
برای مثال اگر کارکنان هر روز صدها سند را بهصورت دستی بررسی میکنند، این فرآیند احتمالاً کاندید بهتری برای شروع است تا تصمیمی استراتژیک که ماهی یک بار توسط مدیرعامل گرفته میشود.
بهترین پروژههای Odoo + AI نیز الزاماً پروژههایی نیستند که بیشترین تعداد Agent یا پیچیدهترین مدل هوش مصنوعی را دارند.
پروژه موفق، پروژهای است که یک مشکل واقعی کسبوکار را پیدا کند و بتواند با ترکیب درست ERP، Automation و AI آن را سریعتر، دقیقتر یا کمهزینهتر حل کند.
جمعبندی
ترکیب Odoo و هوش مصنوعی میتواند ERP را از سیستمی که فقط اطلاعات و فرآیندها را ثبت و مدیریت میکند، به بستری هوشمندتر برای درک اطلاعات، پیشنهاد اقدام و اجرای Workflowها تبدیل کند.
از فروش و پشتیبانی گرفته تا اسناد، خرید، انبار، تحلیل مدیریتی و دانش سازمانی، فرصتهای زیادی برای اتوماسیون وجود دارد.
اما نقطه شروع نباید «AI» باشد.
نقطه شروع باید فرآیند کسبوکار باشد.
ابتدا فرآیند مناسب را پیدا کنید، گلوگاه آن را بشناسید و سپس مشخص کنید کدام بخش باید با Odoo مدیریت شود، کدام بخش با Automation و در کدام نقطه واقعاً به AI نیاز دارید.
این همان مسیری است که اتوماسیون را از یک پروژه تکنولوژی به یک مزیت واقعی برای کسبوکار تبدیل میکند.
سؤالات متداول
بله. در نسخههای جدید Odoo قابلیتهای مبتنی بر هوش مصنوعی برای مواردی مانند AI Agents، کار با دانش و منابع اطلاعاتی، پردازش اسناد و تعامل هوشمندتر با اطلاعات کسبوکار ارائه شده است. همچنین میتوان با توسعه و یکپارچهسازی، سناریوهای AI بیشتری را در فرآیندهای Odoo پیادهسازی کرد.
فرآیندهایی مانند مدیریت Lead و فروش، پشتیبانی مشتریان، پردازش اسناد و فاکتورها، خرید و تأمین، مدیریت موجودی، تحلیل دادههای مدیریتی و دسترسی کارکنان به دانش سازمانی از مهمترین گزینهها هستند.
اتوماسیون معمولی عمدتاً براساس قوانین و Triggerهای از پیش تعیینشده عمل میکند؛ برای مثال «اگر موجودی کمتر از X شد، یک اقدام مشخص انجام بده». AI Automation میتواند قابلیتهایی مانند درک زبان طبیعی، تحلیل اطلاعات غیرساختاریافته و استفاده از Context را نیز به این فرآیند اضافه کند.
AI Agent را میتوان یک دستیار هوشمند با وظایف و دسترسیهای مشخص در نظر گرفت. Agent میتواند درخواست کاربر را درک کند، از منابع اطلاعاتی تعریفشده استفاده کند و در صورت در اختیار داشتن Tool و مجوز مناسب، در انجام برخی عملیات کمک کند.
هزینه به پیچیدگی فرآیند، تعداد کاربران، میزان سفارشیسازی، نوع AI مورد استفاده، یکپارچهسازی با سیستمهای دیگر و سطح اتوماسیون بستگی دارد. به همین دلیل بهتر است ابتدا فرآیند موردنظر تحلیل و ROI احتمالی اتوماسیون محاسبه شود.
