اسکیل هوش مصنوعی چیست؟ چطور یک کار تکراری را به AI بسپاریم؟

اسکیل هوش مصنوعی یعنی چه؟

فرض کنید هر هفته از AI می‌خواهید گزارش تماس‌های فروش را مرتب کند. هر بار باید دوباره توضیح دهید گزارش چه بخش‌هایی داشته باشد، لحن آن چطور باشد، چه چیزی را حدس نزند و در چه شرایطی موضوع را به مدیر ارجاع دهد.

اسکیل هوش مصنوعی راهی است برای اینکه این توضیحات را یک‌بار، درست و قابل‌استفاده‌مجدد آماده کنید. از آن به بعد، AI می‌داند این کار مشخص را با چه قواعدی انجام دهد.

به زبان خیلی ساده:
پرامپت یعنی درخواست امروز شما؛ اسکیل یعنی روش ثابت انجام آن درخواست در دفعات بعد.

یک مثال ساده

یک تیم محتوا می‌خواهد پیش از انتشار هر مقاله، چند مورد را بررسی کند: عنوان جذاب است؟ متن تکرار دارد؟ ادعای مهم منبع دارد؟ CTA مشخص است؟

اگر این موارد را هر بار در یک پیام بنویسید، پرامپت ساخته‌اید. اما اگر آن را با نام «بررسی مقاله سئو» ذخیره کنید، معیارها، نمونه خروجی و موارد ممنوع را کنار آن بگذارید، یک اسکیل ساخته‌اید.

حالا هر مقاله با همان استاندارد بررسی می‌شود؛ نه با سلیقه متفاوت هر فرد.

اسکیل چه چیزهایی دارد؟

یک اسکیل خوب معمولاً چهار بخش ساده دارد:

کار مشخص: مثلاً «گزارش تماس فروش را خلاصه کن».
ورودی لازم: یادداشت تماس، وضعیت مشتری و تاریخ پیگیری.
قواعد: تخفیف یا تعهد جدید نساز؛ اگر اطلاعات ناقص بود، سؤال بپرس.
خروجی مشخص: خلاصه تماس، اعتراض اصلی، اقدام بعدی و مسئول پیگیری.

استاندارد باز Agent Skills این ساختار را معمولاً در فایلی به نام SKILL.md نگه می‌دارد و در صورت نیاز، منابع، قالب‌ها و اسکریپت‌های کمکی هم به آن اضافه می‌شود. راهنمای رسمی Agent Skills این ساختار را توضیح داده است.

اسکیل چه فرقی با پرامپت و MCP دارد؟

مورد	کاربرد ساده
پرامپت	می‌گوید همین حالا چه می‌خواهید.
اسکیل	می‌گوید یک کار تکراری باید همیشه با چه روش و استانداردی انجام شود.
MCP	AI را به داده یا ابزار زنده، مثل CRM یا تقویم، متصل می‌کند.

مثلاً MCP می‌تواند اطلاعات مشتری را از CRM بیاورد؛ اسکیل تعیین می‌کند AI بعد از دریافت آن اطلاعات، گزارش را با چه ترتیب و چه محدودیت‌هایی بنویسد.

سه اسکیل کاربردی برای شروع

۱. اسکیل بررسی محتوا

این اسکیل پیش از انتشار متن را از نظر خوانایی، تکرار، ادعاهای بی‌منبع و CTA بررسی می‌کند. خروجی باید دقیق باشد: چه چیزی درست است، چه چیزی نیاز به اصلاح دارد و چرا.

۲. اسکیل گزارش پیگیری فروش

این اسکیل یادداشت‌های تماس را به یک گزارش کوتاه تبدیل می‌کند: مشتری چه گفته، مانع اصلی چیست، قدم بعدی چیست و چه کسی باید پیگیری کند.

۳. اسکیل آماده‌سازی جلسه

قبل از جلسه، پیام‌ها و گزارش‌ها را می‌گیرد و به یک خروجی ساده تبدیل می‌کند: موضوع جلسه، تصمیم لازم، مسئول اقدام و سؤال‌های باز.

از کجا شروع کنیم؟

بزرگ شروع نکنید. «اسکیل بازاریابی» مبهم است. «اسکیل بررسی پیش از انتشار مقاله» روشن و قابل‌اندازه‌گیری است.

برای اولین اسکیل این پنج سؤال را پاسخ دهید:

این کار دقیقاً چند بار تکرار می‌شود؟
چه اطلاعاتی باید قبل از شروع در اختیار AI باشد؟
خروجی نهایی دقیقاً چه بخش‌هایی دارد؟
AI در چه مواردی حق حدس‌زدن ندارد؟
چه کسی خروجی را قبل از استفاده تأیید می‌کند؟

اگر جواب این پنج سؤال روشن نباشد، هنوز زمان ساخت اسکیل نیست؛ اول باید فرایند کاری خودتان را روشن کنید.

یک نکته مهم

اسکیل قرار نیست مسئولیت تصمیم را از انسان بگیرد. بهترین اسکیل‌ها کارهای تکراری را استاندارد می‌کنند، اما برای قیمت‌گذاری، تعهد به مشتری، اطلاعات حساس و تصمیم‌های مهم، نقطه بازبینی انسانی دارند.

جمع‌بندی

اسکیل هوش مصنوعی یعنی تبدیل یک روش کاری خوب به دستورالعملی که AI بتواند بارها و با کیفیت ثابت اجرا کند. از یک کار کوچک و تکراری شروع کنید؛ قواعد را روشن بنویسید؛ خروجی را اندازه‌گیری کنید؛ سپس آن را توسعه دهید.

برای مطالعه بیشتر، استاندارد Agent Skills و راهنمای Google Cloud درباره Agent Skills منابع معتبر و به‌روز هستند.

CTA: برای یادگیری کاربرد عملی AI در فروش، محتوا و عملیات، کارگاه هوش مصنوعی امین را ببینید.