HR نقش را میداند، LMS تکمیل را میداند و مدیر شواهد کار را؛ اما اتصال قابل ممیزی ندارند.
۰۱
AlefGPT / 2026
الفجیپیتی؛
اطلس صنعتی دانش
سامانهٔ اختصاصی هوش مصنوعی سازمانی برای تبدیل دادهٔ مجاز به بینش مستند، مسیر یادگیری و نتیجهٔ قابل سنجش.
آموزش و توسعه سازمانی
Tenant اختصاصی
Human-approved agents
۰۱COLLECTدادهٔ مجاز
۰۲CONFIRMتأیید انسانی
۰۳INSIGHTبینش مستند
۰۴LEARNمسیر رشد
۰۵MEASUREسنجش اثر
۰۲
مسئله
داده هست؛ اما فاصلهٔ مهارت تا نتیجه قابلردیابی نیست.
نرخ تکمیل بهتنهایی نمیگوید کجا مداخله کنیم یا آیا آموزش به نتیجهٔ کاری رسیده است.
پیشنهاد درباره کارکنان باید منبع، freshness، محدودیت و صاحب تصمیم داشته باشد.
سؤال محصول «امروز مدیر L&D با اتکا به کدام شواهد، چه اقدام کوچکی انجام دهد؟»
۰۳
Learning Signal Spine
حلقهٔ اصلی: از سیگنال تا اثر، بدون پرش جادویی.
- ۰۱CollectAPI · File · Approved Agent
رکورد با provenance و policy وارد میشود.
- ۰۲ConfirmValidate · Map · Reject
انسان کیفیت و دامنهٔ استفاده را تأیید میکند.
- ۰۳InsightFacts · Evidence · Narrative
Metric قطعی و روایت تحلیلی از هم جدا میمانند.
- ۰۴LearnAssign · Coach · Practice
مسیر متناسب با نقش و gap اجرا میشود.
- ۰۵MeasureEvent · Outcome · Feedback
نتیجه به baseline و اقدام قبلی برمیگردد.
هر مرحله یک owner، timestamp، policy و audit reference دارد.
۰۴
سه مسیر جمعآوری
API اول؛ عامل فقط جایی که رابط دیگری نیست.
Browser و Desktop دو runtime و دو سطح اعتماد جدا هستند.
API REST / Batch
schema، checkpoint، idempotency و provenance؛ file/webhook پس از MVP.
credential محدود: تست محلی پاس، شواهد staging گیت انتشار استAI Web Browser Agent
observe → plan → preview → extract از دامنه allowlisted.
بدون submit یا تغییر داده در MVPAI Desktop Agent
device enrolled، user-launched و محدود به app/window مجاز.
pause فوری؛ بدون ضبط دائمی دسکتاپ
PLANPREVIEWAPPROVE / REJECT / EDITEXECUTEAUDIT
۰۵
Evidence-backed AI Insight
هر Insight یک ادعا نیست؛ یک بستهٔ شواهد است.
- Metric محاسبهشده، نه حدس مدل
- sample size و source watermark
- freshness، confidence و limitation
- اقدام، owner و چرخهٔ feedback
توقف مسیر در شیفت B دو برابر baseline ساختگی است.
۲۸٪۹ نفر از ۳۲ تخصیص فعال
بیشترین توقف در تمرین دوم است. جلسهٔ کوتاه مربی و خردکردن تمرین برای cohort محدود پیشنهاد میشود.
- شواهد
- ۱۸۶ progress event
- تازگی
- امروز، ۰۹:۴۰
- منابع
- LMS-03 · HR-02
- محدودیت
- outcome شغلی متصل نیست
۰۶
تجربهٔ کارکنان
یک مسیر روشن، نه یک کاتالوگ بیانتها.
یادگیرنده میداند چرا این مسیر به او پیشنهاد شده و چه دادهای برای پیشرفت ثبت میشود.
ROLE / 07سرپرست نگهداری۴ مهارت هدف
GAP / 02تحلیل علائم خرابی۱٫۸ از ۳ — تأیید مدیر
PATH / 04Wمسیر چهار هفتهایخردآموزی · تمرین · مربی
PROOF / 03آزمون سناریوییشاهد قابل بازبینی
شفافیت پیشنهاد
نقش، gap و منبع توصیه دیده میشود.
Coach grounded
پاسخ فقط از منابع مجاز همان سلول.
کنترل داده
تاریخچه، اصلاح و درخواست حذف قابل پیگیری.
۰۷
تجربهٔ مدیر و L&D
داشبورد با یک سؤال شروع میشود: «کجا مداخله کنم؟»
مرز تصمیم:
AI میتواند مسئله را توضیح و اقدام را پیشنهاد کند؛ استخدام، ارتقا، حقوق یا اخراج را خودکار تصمیم نمیگیرد.
۰۸
Dedicated deployment stamp · target architecture
هر مشتری، یک سلول مستقل.
الگوی استقرار هدف: یک codebase و release؛ runtime، داده، کلید و lifecycle جدا.
- دامنه و OIDC/SSO اختصاصی
- PostgreSQL، object storage و queue مستقل
- agent workers و policy مستقل
- backup، restore، upgrade و rollback مستقل
CONTROL PLANEversion · region · health · backup statusNO CUSTOMER PAYLOAD
SSOWEBAPIDBSTORAGEAGENTSAUDITBACKUP
۰۹
سناریوی کاملاً ساختگی
گروه صنعتی سپهر؛ cohort نگهداری پیشبینانه.
این نام و تمام اعداد صرفاً برای توضیح محصول ساخته شدهاند و مشتری واقعی نیستند.
تعریف baseline
۳۲ یادگیرنده · ۴ مهارت · یک آزمون سناریویی.
شاهد: نقش + assessmentمسیر و Coach
چهار هفته خردآموزی، تمرین و جلسهٔ مربی.
شاهد: ۱۸۶ progress eventسنجش outcome
مقایسهٔ آزمون نهایی با baseline و مرور محدودیتها.
گیت: بهبود ≥ ۱۵٪
نتیجهٔ مورد انتظار پایلوت
اثبات یا رد یک فرضیه با داده؛ نه تولید یک گزارش زیبا.
۱۰
برنامهٔ ۹۰ روزه
یک مسئله، یک cohort، یک معیار موفقیت.
کشف و data contract → اجرای مسیر و Insight → سنجش، audit و تصمیم go / adjust / stop.
- ۰–۳۰کشف و اتصال امن
- ۳۱–۶۰اجرای مسیر واقعی
- ۶۱–۹۰سنجش و تصمیم توسعه