AI Agent چیست؟ کاربردها و نقشه راه کسب‌وکار

مقدمه: چرا کسب‌وکارهای پیشرو باید با مفهوم AI Agent آشنا باشند

تکنومنسر به‌عنوان منبعی عملی برای پیاده‌سازی هوش مصنوعی در کسب‌وکارها، چارچوبی روشن برای درک سریعِ پرسش کلیدی ارائه می‌دهد. در همین چارچوب، پرسش «AI Agent چیست؟» نقطه شروعی برای بازتعریف فرایندهای داخلی و افزایش بازگشت سرمایه (ROI) است.

ایجنت‌های هوشمند فراتر از چت‌بات‌های سنتی عمل کرده و با ترکیب مدل‌های زبان، ابزارهای اجرایی، حافظه و پلنینگ، وظایف پیچیده‌ای مانند اتوماسیون تصمیم‌گیری، تحلیل داده‌ها و اجرای جریان‌های کاری را به‌صورت خودکار انجام می‌دهند. برای کسب‌وکارهای تکنولوژیک، این توانایی به معنی کاهش هزینه‌های عملیاتی، کوتاه شدن چرخه‌های فروش و بهبود تجربه مشتری است — معیارهایی که مستقیم در محاسبه ROI قابل ارزیابی هستند.

این بخش آغاز یک راهنمای کاربردی و مبتنی بر اجرا است: ابتدا مفهوم و تفاوت‌های کلیدی روشن می‌شود، سپس نمونه‌های عملی، روش‌های سنجش بازده و نقشه راه استقرار ارائه خواهد شد تا تصمیم‌گیران بتوانند گام‌به‌گام پیاده‌سازی کنند. در بخش بعدی، تعریفی دقیق‌تر از «AI Agent» و مقایسه آن با چت‌بات‌ها ارائه می‌شود.

AI Agent چیست و با چت‌بات چه تفاوتی دارد

وقتی پرسیده می‌شود «AI Agent چیست؟» منظور یک نرم‌افزار خودکار و هدف‌محور است که فراتر از پاسخ‌گویی متنی عمل می‌کند. ایجنت‌ها با ترکیب یک مدل زبان بزرگ، مجموعه‌ای از ابزارها (APIها، دیتابیس‌ها، روبات‌های نرم‌افزاری)، حافظه و یک پلنر تصمیم‌گیرنده، قادر به برنامه‌ریزی و اجرای زنجیره‌ای از اقدامات برای رسیدن به یک هدف مشخص هستند.

تفاوت کلیدی با چت‌بات‌های سنتی در سه ویژگی است: خودکارسازی چندمرحله‌ای، تصمیم‌گیری مستقل و حافظه. چت‌بات‌های واکنشی معمولاً به پیام ورودی پاسخ می‌دهند و حالت جلسه را کوتاه‌مدت نگه می‌دارند؛ اما ایجنت‌ها می‌توانند چندین گام متوالی را برنامه‌ریزی و اجرا کنند، وضعیت و یادداشت‌های بلندمدت ذخیره کنند و بر پایه قواعد یا یادگیری، تصمیم‌های شرطی اتخاذ نمایند.

ایجنت‌ها برای انجام کارهایی که نیاز به تعامل با سیستم‌های خارجی دارند (مثلاً چک کردن موجودی، ایجاد سفارش، ارسال ایمیل، یا استخراج گزارش‌های دوره‌ای) طراحی شده‌اند؛ در حالی که چت‌بات اغلب در نقش پشتیبان گفتگویی یا اطلاع‌رسانی ساده باقی می‌ماند. این توانمندی‌ها باعث می‌شود ایجنت‌ها در فرآیندهای تجاری مانند خودکارسازی فروش، مدیریت عملیات و تحلیل داده‌ها ارزش‌افزوده واقعی و قابل اندازه‌گیری در ROI ایجاد کنند.

در سطح معماری، ایجنت‌ها نیاز به کنترل‌های مشاهده‌پذیری، مدیریت خطا و سیاست‌های محدودکننده دارند تا رفتار قابل اعتماد و ایمن ارائه دهند. برای راهکارهای سازمانی که قصد پیاده‌سازی ایجنت‌های هماهنگ دارند، مرور راهکارهای جامع و معماری‌های آماده مفید است — نمونه‌ای از منابع مرتبط: راهکارهای جامع AI.

در بخش بعدی، اجزای اصلی ایجنت‌ها (مدل زبان، ابزارها، حافظه و پلنر) به‌صورت فنی‌تر بررسی خواهد شد تا مسیر طراحی و استقرار روشن شود.

اجزای اصلی ایجنت‌ها: مدل زبان، ابزارها، حافظه و پلنر

برای پاسخ به پرسش AI Agent چیست؟ لازم است معماری داخلی این سامانه‌ها روشن شود. یک ایجنت مؤثر معمولا از چهار مؤلفه کلیدی تشکیل شده است که هر کدام نقش مشخصی در درک، تصمیم‌گیری و اجرا ایفا می‌کنند: مدل زبان، ابزارها، حافظه و پلنر.

مدل زبان (Large Language Model) هستهٔ فهم و تولید زبان را فراهم می‌کند؛ تعبیر دستور، استخراج نیت و تولید پاسخ‌های طبیعی بر عهدهٔ آن است. در سطح تصمیم‌گیری، مدل زبان معمولاً پیشنهادها و استراتژی‌های اولیه را تولید می‌کند ولی نباید آن را تنها منبع حقیقت دانست — اعتبارسنجی و محدودسازی خروجی با سایر مؤلفه‌ها ضروری است.

ابزارها (Tools) شامل APIها، پایگاه‌های داده، موتورهای جستجو، سرویس‌های اجرای تراکنش و ربات‌های نرم‌افزاری هستند که ایجنت را قادر می‌سازند از جهان بیرون عمل بگیرد. پل ارتباطی بین «قصد» تولید‌شده توسط مدل زبان و «اقدام» در دنیای واقعی به‌وسیلهٔ این ابزارها برقرار می‌شود.

حافظه ساختاری برای نگهداری زمینه، تاریخچه تعامل و داده‌های بلندمدت است. تفکیک حافظه به حالت کوتاه‌مدت (context window)، میان‌مدت (session history) و بلند‌مدت (پروفایل مشتری، قواعد سازمانی) باعث پایداری رفتار ایجنت و شخصی‌سازی تصمیم‌ها می‌شود. استفاده از تکنیک‌هایی مثل Retrieval-Augmented Generation کیفیت پاسخ و پایداری عملکرد را افزایش می‌دهد.

پلنر یا برنامه‌ریز لایهٔ تصمیم‌گیری است: وظیفهٔ تقسیم اهداف به گام‌های عملی، زمان‌بندی، اولویت‌بندی و مدیریت چرخهٔ بازخورد را برعهده دارد. پلنر می‌تواند قوانین نمادین، الگوریتم‌های بهینه‌سازی یا شبکه‌های عصبی را به کار گیرد تا از اجرای مطمئن و قابل‌پایش عملیات اطمینان حاصل شود.

در عمل، ترکیب این مؤلفه‌ها در یک معماری ماژولار، همراه با لاگینگ، معیارهای عملکرد (latency، دقت، نرخ موفقیت و هزینهٔ فراخوانی) و مکانیزم‌های ایمنی، مسیر تحقق ROI را هموار می‌کند. برای مشاهدهٔ نمونه‌های پیاده‌سازی و راهکارهای سازمانی مرتبط می‌توان به راهکارهای جامع AI مراجعه کرد: http:floe.ir/ai-solutions

انواع ایجنت‌ها و نمونه‌های کاربردی در کسب‌وکار

برای روشن شدن پرسش AI Agent چیست؟ باید انواع ایجنت‌ها را براساس کارکرد و خروجی‌شان نگاه کرد. ایجنت‌های تولید محتوا، تحلیلگر سئو، پشتیبانی مشتری، ایجنت فروش و مدیریت موجودی هر کدام مجموعه‌ای از وظایف تکرارشونده و تصمیم‌محور را خودکار می‌کنند و به سرعت قابل اندازه‌گیری از نظر ROI هستند.

ایجنت تولید محتوا: ورودی‌ها شامل موضوع، استراتژی کلمه‌کلیدی و لحن برند است؛ خروجی‌ها متن‌های بهینه‌شده، عناوین، متاها و نسخه‌های شبکه‌‌های اجتماعی با قابلیت شخصی‌سازی برای کانال‌های مختلف. این نوع ایجنت برای کاهش هزینه تولید محتوا و افزایش سرعت انتشار مناسب است — نمونه عملی و قابل استفاده را می‌توان در ایجنت تولید کننده محتوای AI دید.

ایجنت تحلیلگر سئو: داده از ابزارهای تحلیلی و کنسول سرچ می‌گیرد، صفحاتی با پتانسیل رشد را شناسایی و اقدامات اولویت‌بندی‌شده (مثلاً بهبود عناوین، بک‌لینک یا ساختار داخلی) پیشنهاد می‌کند. معیارهای موفقیت شامل افزایش ترافیک ارگانیک، نرخ کلیک و رتبه کلمات هدف است.

ایجنت پشتیبانی مشتری و ایجنت فروش: اولی تیکت‌ها را دسته‌بندی، پاسخ‌های اولیه را خودکار و موارد پیچیده را جهت‌دار به اپراتور انسانی ارجاع می‌دهد؛ دومی سرنخ‌ها را نمره‌دهی، سناریوهای تعامل را اجرا و فرصت‌های فروش متقاطع را پیشنهاد می‌کند. هر دو نوع می‌توانند زمان پاسخ، نرخ حل در اولین تماس و نرخ تبدیل را بهبود دهند.

ایجنت مدیریت موجودی و زنجیره تأمین: با اتصال به ERP و داده‌های فروش، سفارش‌ها را پیش‌بینی، نقطه سفارش و برنامه بازپروری موجودی را پیشنهاد می‌کند تا هزینه نگهداری کاهش و موجودی سرویس بهینه شود. در همه موارد، طراحی جریان‌های کاری مشخص، معیارهای KPI قابل اندازه‌گیری و پلن یکپارچه‌سازی با سیستم‌های موجود، کلید تبدیل نمونه اولیه به ارزش واقعی تجاری است.

کاربردهای تجاری و محاسبه بازگشت سرمایه (ROI)

در بررسی پرسش «AI Agent چیست؟» اهمیت اصلی زمانی پیدا می‌کند که اثرات مستقیم آن روی شاخص‌های کسب‌وکار سنجیده شود. ایجنت‌های هوش مصنوعی در سه قلمروی عملیاتی بیشترین تأثیر را دارند: تولید محتوا (سرعت و حجم)، پشتیبانی مشتری (هزینه و زمان پاسخ) و فرایندهای فروش/تبدیل (نرخ تبدیل و ارزش هر فروش).

نمونه‌های عددی کاربردی نشان می‌دهند که پیاده‌سازی ایجنت مناسب می‌تواند زمان تولید محتوا را 2–5 برابر افزایش دهد؛ مثلاً از 20 به 60 محتوا در ماه برسد، یا زمان پاسخ پشتیبانی را از متوسط 10 دقیقه به 3 دقیقه کاهش دهد که معادل کاهش 40–70٪ هزینه‌های عملیاتی است. در حوزه فروش، افزایش 0.5–2 واحد درصد در نرخ تبدیل (CR) برای کسب‌وکارهای تکنولوژیک معمولاً به‌سرعت به درآمد قابل‌توجهی منجر می‌شود چون هر بهبود در CR روی حجم معاملات تأثیر مرکب دارد.

فرمول ساده محاسبه ROI

ROI = (مزایا − هزینه‌ها) ÷ هزینه‌ها. مثال عددی: هزینه پیاده‌سازی ایجنت (توسعه + سرویس سال اول) = 20,000 دلار. صرفه‌جویی سالانه از کاهش نیروی انسانی و افزایش درآمد = 90,000 دلار. ROI سال اول = (90,000 − 20,000) ÷ 20,000 = 3.5 → معادل 350٪.

شاخص‌های کلیدی برای اندازه‌گیری موفقیت عبارت‌اند از: نرخ تبدیل (CR)، هزینه جذب مشتری (CAC)، ارزش طول عمر مشتری (LTV)، میانگین زمان پاسخ (AHT)، نرخ تولید محتوا در واحد زمان و ترافیک ارگانیک ناشی از محتوا. اندازه‌گیری قبل/بعد (baseline) و تعیین بازه زمانی 3–12 ماهه برای محاسبه تأثیر ضروری است.

برای نمونه‌های عملیاتی مرتبط با تولید محتوا می‌توان به راهکارهای ایجنت تولید محتوا اشاره کرد که افزایش سرعت تولید و بهبود سئو را همزمان دنبال می‌کنند (ایجنت تولید کننده محتوای AI). در انتخاب سناریوها، تمرکز روی نقاطی که بیشترین اصطکاک عملیاتی و بیشترین پتانسیل صرفه‌جویی هزینه‌ای دارند، بازگشت سرمایه را سریع‌تر خواهد کرد.

زمانی‌که یک مجموعه از ایجنت‌ها کنار هم کار می‌کنند: راهکارهای جامع برای دپارتمان‌ها

AI Agent چیست؟ در قالب یک الگوی multi-agent، مجموعه‌ای از ایجنت‌های تخصصی به‌جای یک مدل تک‌منظوره وظایف را تقسیم و هماهنگ می‌کنند. هر ایجنت — مثلاً ایجنت تولیدکننده محتوای AI، ایجنت تحلیلگر سئوی AI و ایجنت مدیر محتوا — نقش مشخصی دارد و از طریق واسط‌های پیام‌رسانی، حافظه مشترک و یک پلنر مرکزی با یکدیگر تعامل می‌کنند تا جریان کاری هدفمند و مقیاس‌پذیر ایجاد شود.

در عمل این‌گونه پیاده‌سازی‌ها، ایجنت تولید محتوا نسخه‌های اولیه را می‌نویسد، ایجنت سئو بر اساس کلمات کلیدی و معیارهای SERP آن‌ها را بهینه می‌کند و ایجنت مدیر محتوا کیفیت را بررسی و انتشار را زمان‌بندی می‌کند؛ خروجی نهایی به CMS، سیستم تحلیلی و واحد فروش ارسال می‌شود. این تقسیم کار باعث کاهش زمان چرخه تولید، افزایش انسجام محتوا و بهبود KPI‌هایی مانند ترافیک ارگانیک و نرخ تبدیل می‌شود.

عناصر کلیدی موفقیت شامل پروتکل ارتباطی مشخص، سیاست‌های حافظه و حاکمیت (قوانین دسترسی و بازبینی انسانی)، سناریوهای بازیابی خطا و معیارهای اندازه‌گیری مشترک است. برای حفظ ROI، باید هزینه هر ایجنت، میزان اتوماسیون قابل اعتماد و تاثیر بر زمان رسیدن به بازار محاسبه شود؛ این محاسبه معمولاً به طراحی جریان‌های کاری و تعیین نقاط تصمیم‌گیری بین انسان و ایجنت وابسته است.

نمونه‌های پیاده‌سازی ترکیبی و بسته‌های آماده برای سازمان‌های چنددپارتمانی در راهکارهای جامع قابل مشاهده است؛ برای نمونه پیاده‌سازی ترکیبی به راهکارهای جامع AI مراجعه شود. این فصل همچنین مقدمه‌ای منطقی برای راهنمای گام‌به‌گام طراحی و استقرار ایجنت‌ها در بخش بعدی مقاله فراهم می‌آورد.

راهنمای قدم‌به‌قدم برای طراحی و استقرار ایجنت در سازمان شما

چک‌لیست اولیه

شروع با تعریف هدف تجاری روشن: مسئله‌ای که ایجنت قرار است حل کند و معیارهای اقتصادی (مثلاً کاهش هزینه، افزایش نرخ تبدیل یا صرفه‌جویی زمانی). تعیین دامنه عملکرد و نقش ایجنت در فرایندهای موجود؛ ورودی‌ها، خروجی‌ها و نقاط اتصال به سیستم‌های داخلی. انتخاب مدل پایه و فهرست ابزارها (APIها، پایگاه‌داده، سیستم‌های ERP/CRM) و برنامه‌ریزی برای حافظه و پلنر. طراحی مسیرهای بازیابی خطا و معیارهای سنجش سلامت سرویس برای تولید.

انتخاب شاخص‌های موفقیت (KPIs)

تعریف KPIs کوتاه‌مدت و بلندمدت: نرخ حل مسئله در اولین تماس، متوسط زمان پاسخ موثر، نرخ اتکا به تصمیمات ایجنت، تأثیر بر نرخ تبدیل یا ارزش سفارش متوسط، و بازگشت سرمایه (ROI) با دوره بازگشت مشخص. آماده‌سازی داشبورد گزارش‌دهی هفتگی/ماهیانه برای پیگیری این شاخص‌ها و تعیین آستانه‌های هشدار.

خطرات رایج و نکات حاکمیت داده و امنیت

ریسک‌های رایج شامل خروجی‌های نادرست، حملات تزریق ورودی، نشت داده حساس و وابستگی بیش از حد به مدل تک. برای کاهش ریسک: پیاده‌سازی سطح‌بندی دسترسی، نگهداری لاگ مشروح، تست‌های حمله و مدل (red/blue teaming)، و رویه بازیابی از خطا. سیاست‌های حاکمیت داده باید شامل طبقه‌بندی داده، رمزنگاری انتقال و ذخیره‌سازی، مدیریت کلید و نگهداری سوابق پردازش باشد. توجه ویژه به دقت داده‌های آموزشی و فرآیند بازبینی انسانی برای تصمیمات با اثر بالا ضروری است.

در فازِ تولیدی، توصیه می‌شود پیاده‌سازی مرحله‌ای (pilot → scale) و بازخورد حلقه‌وار بین تیم محصول، امنیت و عملیات برقرار شود تا ایجنت‌ها با کمترین اختلال و بیشترین بازگشت سرمایه وارد جریان کاری شوند. برای سازمان‌هایی که به دنبال بسته‌های پیاده‌سازی سازمانی هستند، مرجع راهکارهای جامع AI (http:floe.ir/ai-solutions) می‌تواند به‌عنوان نقشه راه فنی و حقوقی مورد استفاده قرار گیرد.

هزینه‌ها، مدل‌های قیمتی و معیارهای اندازه‌گیری موفقیت

برای تکمیل مسیر «AI Agent چیست؟» لازم است مدل هزینه و شاخص‌های سنجش موفقیت از ابتدا تعریف شود. هزینه‌ها معمولاً در سه دسته طبقه‌بندی می‌شوند: هزینه‌های توسعه (تحقیق، طراحی پلن‌ها، یکپارچه‌سازی APIها و پیاده‌سازی اولیه)، هزینه‌های اجرایی ماهانه (پرداخت‌های مدل‌های LLM بر مبنای توکن/درخواست، میزبانی، پایگاه‌داده و مانیتورینگ) و هزینه‌های عملیاتی‌طولانی‌مدت (نگهداری، به‌روزرسانی، امنیت و آموزش مجدد).

مدل‌های قیمتی پذیرفته‌شده در عمل شامل SaaS اشتراکی (پیش‌بینی‌پذیر)، پرداخت براساس مصرف (pay-as-you-go) و ساخت سفارشی (CAPEX بالا، ولی کنترل کامل) هستند. برای کسب‌وکارهایی که نیاز به راه‌حل آماده دارند، مرجع راهکارهای جامع می‌تواند در انتخاب مدل کمک کند (http:floe.ir/ai-solutions).

در سناریوهای مقیاس‌پذیری، پارامترهای اصلی که هزینه را تعیین می‌کنند عبارت‌اند از: نرخ تعامل‌ها و حجم توکن، تعداد ایجنت‌های هم‌زمان، نیاز به پردازش بلادرنگ، و نیازهای ذخیره‌سازی تاریخی. تصمیم بین استقرار ابری، محلی یا ترکیبی بر پایه قوانین حریم‌خصوصی و هزینه‌های بلندمدت گرفته می‌شود.

KPIهای کلیدی که تیم مدیریتی باید رصد کند: نرخ اتوماسیون (درصد تعامل‌های مدیریت‌شده بدون دخالت انسان)، هزینه به ازای هر تعامل، نرخ موفقیت ایجنت (درصد حل‌مسأله بدون انتقال به اپراتور)، میانگین زمان حل، نرخ بازگشت مشتری/Conversion uplift، CSAT/NPS و دوره برگشت سرمایه (Payback Period و ROI = (سود ناشی از اتوماسیون − هزینه‌های کل) ÷ هزینه‌های کل). دقت در تعریف دوره گزارش‌دهی (روزانه برای عملیات، ماهانه برای ROI) و داشتن داشبوردی واحد برای این KPIها، تصمیم‌گیری و بهینه‌سازی را تسریع می‌کند.

پیشنهاد عملی: از سناریوی پایلوت محدود (حجم کم، اهداف KPI مشخص) شروع شود تا داده‌های واقعی هزینه-سود جمع‌آوری و بر اساس آن مدل قیمتی و نقشه راه مقیاس تعیین گردد.

سؤالات متداول برای صاحبان کسب‌وکار (FAQ کوتاه و عملی)

در این بخش پرسش‌های عملی و کوتاه درباره «AI Agent چیست؟» و پیامدهای اجرایی آن برای کسب‌وکارهای تکنولوژیک مطرح می‌شود تا در تصمیم‌گیری سریع کمک کند.

آیا AI Agent جایگزین نیروی انسانی می‌شود؟

ایجنت‌ها عموماً برای خودکارسازی وظایف تکراری، پشتیبانی تصمیم‌سازی و افزایش کارایی به‌کار می‌روند؛ نه جایگزینی کامل نیروی انسانی. مدل بهینه، «انسان در حلقه» است که کارمندان را از کارهای یکنواخت آزاد و تمرکز روی وظایف ارزش‌آفرین را ممکن می‌سازد.

چقدر زمان لازم است تا اثربخش شوند؟

زمان پیاده‌سازی بستگی به دامنه دارد؛ یک پیلوت محدود معمولاً ۴–۱۲ هفته تا نتایج اولیه و مدون‌سازی فرایند نیاز دارد. پروژه‌های سازمانی بزرگ‌تر ممکن است چند ماه تا یک سال فازبندی شوند.

ریسک‌های قانونی و حریم خصوصی چیست؟

ریسک‌های کلیدی شامل حفاظت داده‌های حساس، شفافیت تصمیم‌گیری، تعهدات قراردادی و انطباق با قوانین محلی است. ثبت لاگ، سیاست‌های دسترسی و بررسی حقوقی پیش از استقرار ضروری‌اند.

هزینه و بازگشت سرمایه (ROI) چگونه محاسبه می‌شود؟

هزینه شامل توسعه/اشتراک مدل، زیرساخت، نگهداری و آموزش است. ROI با مقایسه کاهش هزینه‌های عملیاتی، افزایش درآمد یا صرفه‌جویی زمان محاسبه می‌شود؛ پیلوت‌های کوچک سریع‌ترین مسیر برای محاسبه واقعی ROI هستند.

چه مهارت‌ها و تغییرات سازمانی لازم است؟

نیاز به مهارت‌های داده‌کاوی، MLOps، مدیریت محصول و تیم نظارت انسانی وجود دارد. تغییرات فرآیندی شامل تعریف SLA، مدیریت داده و چارچوب‌های کنترل ریسک است.

چطور از امنیت و مقیاس‌پذیری اطمینان حاصل شود؟

پیاده‌سازی لایه‌های احراز هویت، رمزنگاری، تست نفوذ و مانیتورینگ مداوم، همراه با طراحی ماژولار برای مقیاس‌پذیری توصیه می‌شود. برای بررسی راهکارهای آماده و تطبیق‌پذیر می‌توان به صفحه راهکارهای جامع AI مراجعه کرد.

نتیجه‌گیری و فراخوان به اقدام

در پاسخ به پرسش AI Agent چیست؟ پنج نکته کلیدی برای صاحبان کسب‌وکارهای تکنولوژیک: 1) هدف‌محوری—ایجنت‌ها باید برای حل یک مسئله کسب‌وکاری مشخص طراحی شوند؛ 2) ترکیب فناوری—مدل زبان با ابزارها، حافظه و پلنر نتیجه‌بخش می‌شود؛ 3) ارزش‌سنجی—محاسبه ROI پیش از پیاده‌سازی ضروری است؛ 4) هماهنگی فرایندی—چند ایجنت باید نقش‌ها و داده‌ها را به‌روشنی تقسیم کنند؛ 5) گام‌به‌گام استقرار—از نمونه‌های کوچک و قابل اندازه‌گیری شروع شود تا ریسک و هزینه کنترل گردد.

برای دموی فنی یا مشاوره مرحله‌ای و دیدن نمونه‌هایی مانند ایجنت تولیدکننده محتوای AI، امکان گفتگو و برنامه‌ریزی وجود دارد—اطلاعات بیشتر در وب‌سایت تیم تکنومنسر: technomancer.ir. پیشنهاد می‌شود ابتدا یک جلسه بررسی نیاز برگزار شود تا طرح واقع‌گرایانه و نقشه راه مشخص گردد.