فرز المهام الجديدة تلقائيًا بالذكاء الاصطناعي: إعداد يُسند ويضع التسميات ويحدد الأولويات فعلًا

الفرز أقل الوظائف بريقًا في أي فريق، وأول ما ينهار تحت الضغط. يصل خطأ، فلا يقرؤه أحد يومين. وحين يقرؤه أحدهم أخيرًا، يقضي أربع دقائق ليقرر أنه P2، ويلصق عليه تسمية "billing"، ويتبين من يملك تلك المنطقة هذا الشهر. اضرب ذلك في خمسين مهمة أسبوعيًا فتحصل على استنزاف هادئ ودائم للفريق كله.

هذا هو الموضع الوحيد الذي يثبت فيه الذكاء الاصطناعي جدواه فورًا. قراءة بلاغ جديد، وتقدير الخطورة، واختيار تسميتين، هذا بالضبط نوع الحكم المحدود والمتكرر الذي تجيده النماذج. يمكن التحقق منه في ثوانٍ، والتراجع عنه رخيص، وهو يحدث باستمرار. إن كنت ستسلّم وظيفة واحدة للذكاء الاصطناعي، فلتكن هذه.

إليك كيف تعمل أتمتة فرز المهام بالذكاء الاصطناعي فعليًا في Taskfolk، وبالقدر نفسه من الأهمية، أين نُبقي الإنسان في مقعده عمدًا.

ماذا يعني "الفرز" حقًا، مفككًا إلى أجزاء

يقول الناس "فرز" وكأنه فعل واحد. إنه ثلاثة أفعال على الأقل، وتحمل مخاطر مختلفة.

1. صنّف. اقرأ العنوان والنص، وقرر النوع (خطأ أم قصة أم مهمة) والأولوية. الخطأ فيه منخفض الكلفة وسهل التصحيح.
2. ضع التسميات. ألحق بضعة وسوم من مجموعة المشروع القائمة كي تكون المهمة قابلة للعثور عليها وللتوجيه.
3. وجّه. أسندها إلى شخص أو طابور، وأسقطها في سبرنت، وانقلها إلى عمود.

ذكاء Taskfolk الاصطناعي يؤدي الأولين، ولا يؤدي الثالث، وهذا مقصود. التصنيف ووضع التسميات مطابقة أنماط مع النص الذي أمامك. أما التوجيه فقرار عن الأشخاص والطاقة الاستيعابية يتغير أسبوعًا بعد أسبوع، والنموذج الذي يخمّن خطأً هناك يرسل العمل إلى شخص في إجازة.

لذا قسمنا الوظيفة: الذكاء الاصطناعي يصنّف ويضع التسميات، وقواعد الأتمتة عندك تتولى الإسناد والتوجيه انطلاقًا من تلك النتائج. سنفصّل هذا التقسيم أدناه، لأنه الجزء الذي تخطئ فيه معظم الأدوات حين تدّعي أن نداء نموذج واحدًا يستطيع فعل كل شيء.

الوضعان: الاقتراح، أو التطبيق التلقائي

يشحن Taskfolk الفرز بهيئتين، وعليك البدء بالأولى.

وضع الاقتراح يبقي الإنسان في الحلقة. افتح مهمة، واضغط زر الفرز بالذكاء الاصطناعي، فتحصل على أولوية مقترحة، ونوع اختياري، وقائمة قصيرة من التسميات مأخوذة حصرًا من لوحة ذلك المشروع، وجملة واحدة تشرح القرار. كل اقتراح بالشكل نفسه:

{
  "priority": "high",
  "type": "bug",
  "labels": ["billing"],
  "reason": "Checkout failure with direct customer impact reads as a high-priority defect."
}

لا شيء يتغير حتى تقبله. وهناك نسخة دفعات أيضًا: حدد حفنة مهام في عرض القائمة، وشغّل الفرز عليها كلها، واحتفظ بالصفوف التي تبدو صحيحة. وهي مسقوفة لكل تشغيل حتى لا تولّد نقرة واحدة مئة نداء نموذج.

وضع التطبيق التلقائي هو النسخة المستقلة. فعّله لكل مشروع من الإعدادات، فتُفرز كل مهمة تُنشأ حديثًا في الخلفية وتُكتب النتيجة مباشرة في المهمة. بلا نقرة. وهو مطفأ افتراضيًا، وينبغي أن يبقى مطفأً حتى يكسب وضع الاقتراح ثقتك في ذلك المشروع.

sequenceDiagram
    participant M as Member
    participant U as Taskfolk
    participant AI as Model
    M->>U: Creates an issue
    U->>AI: Title and description
    AI-->>U: Priority, type, labels, reason
    U->>U: Guards drop anything invented or already set by a human
    U->>M: One activity entry, attributed to the AI, reason attached

مسار التطبيق التلقائي حذر في مواضع مهمة:

• لا يضبط الأولوية إلا حين تكون المهمة ما تزال على الافتراضي "متوسطة". إن كان مقدّم البلاغ قد علّمها حرجة، يتركها الذكاء الاصطناعي كما هي. نية الإنسان تفوز.
• لا يحوّل إلا "مهمة" عامة إلى خطأ أو قصة. لا يلمس أبدًا مهمة صنّفتها أنت خطأً، ولا يعيد تصنيف ملحمة أو مهمة فرعية، لأنها تحمل قواعد احتواء تكسرها الكتابة العمياء.
• لا يلحق إلا تسميات موجودة فعلًا في مشروعك. لا يستطيع اختراع وسم؛ كل ما يهلوسه النموذج يُسقط قبل أن يصل قاعدة البيانات.
• كل تغيير يهبط سطر نشاط واحدًا على المهمة، منسوبًا إلى الذكاء الاصطناعي، ومعه سبب النموذج. تستطيع دائمًا رؤية ما فعله ولماذا.

وإذا لم يجد شيئًا يستحق الفعل بثقة، لا يكتب شيئًا. اللافعل جواب صحيح.

من أين يأتي الإسناد والتوجيه

إذا كان الذكاء الاصطناعي لا يُسند، فمن يفعل؟ قواعد الأتمتة.

قواعد الأتمتة في Taskfolk تنطلق مع أحداث المهام، وissue.created هو الحدث الذي تريده هنا. القاعدة تراقب المهام الجديدة، وتفحص الشروط، وتنفذ الإجراءات بالترتيب: ضبط الأولوية، إضافة تسمية أو إزالتها، الإسناد إلى عضو محدد أو إلى من أطلق الحدث، النقل إلى السبرنت النشط، ضبط الحالة، نشر تعليق. الإسناد إجراء حقيقي (assign_to)، ويتحقق قبل الكتابة من أن الهدف عضو فعلي في مساحة العمل، فلا تستطيع قاعدة أن تركن العمل بصمت عند شخص غادر.

النمط الذي ينجح: دع الذكاء الاصطناعي يضع التسمية، ثم دع قاعدة توجّه بناءً عليها. يقرأ الذكاء الاصطناعي "رُفضت البطاقة عند الدفع" فيسم المهمة بـ billing. وترى قاعدة تسمية billing على مهمة جديدة فتسندها إلى مسؤول المدفوعات، وترفع الأولوية، وتسقطها في السبرنت الحالي. الذكاء الاصطناعي اتخذ الحكم في ماهية المهمة، والقاعدة اتخذت القرار الحتمي في وجهتها. لا أحد منهما يخمّن وظيفة الآخر.

تقسيم العمل، مرسومًا:

flowchart TD
    N["New issue: card declined at checkout"] --> AI["AI triage reads it"]
    AI -->|"the judgment call"| L["Type, priority, and a billing label"]
    L --> R["issue.created rule matches the billing label"]
    R -->|"the deterministic part"| ACT["Assign payments lead, bump priority, move to sprint"]

إنشاء قاعدة التوجيه عبر API

تستطيع بناء تلك القاعدة من الواجهة، أو إنشاءها عبر API العام بمفتاح يحمل نطاق automations:write. شروط التسمية تطابق معرّف التسمية لا اسمها.

curl -X POST "https://taskfolk.ai/api/v1/workspaces/acme/automations" \
  -H "Authorization: Bearer tfk_live_your_key" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "Route billing issues",
    "trigger": "issue.created",
    "conditions": {
      "match": "all",
      "rules": [{ "field": "label", "op": "is", "value": "BILLING_LABEL_ID" }]
    },
    "actions": [
      { "type": "assign_to", "assign_target": "member", "member_id": "PAYMENTS_LEAD_ID" },
      { "type": "set_priority", "priority": "high" },
      { "type": "move_to_sprint", "sprint_target": "active" }
    ]
  }'

const res = await fetch("https://taskfolk.ai/api/v1/workspaces/acme/automations", {
  method: "POST",
  headers: {
    Authorization: "Bearer tfk_live_your_key",
    "Content-Type": "application/json",
  },
  body: JSON.stringify({
    name: "Route billing issues",
    trigger: "issue.created",
    conditions: {
      match: "all",
      rules: [{ field: "label", op: "is", value: "BILLING_LABEL_ID" }],
    },
    actions: [
      { type: "assign_to", assign_target: "member", member_id: "PAYMENTS_LEAD_ID" },
      { type: "set_priority", priority: "high" },
      { type: "move_to_sprint", sprint_target: "active" },
    ],
  }),
});
const rule = await res.json(); // 201 with the created rule

import requests

rule = requests.post(
    "https://taskfolk.ai/api/v1/workspaces/acme/automations",
    headers={"Authorization": "Bearer tfk_live_your_key"},
    json={
        "name": "Route billing issues",
        "trigger": "issue.created",
        "conditions": {
            "match": "all",
            "rules": [{"field": "label", "op": "is", "value": "BILLING_LABEL_ID"}],
        },
        "actions": [
            {"type": "assign_to", "assign_target": "member", "member_id": "PAYMENTS_LEAD_ID"},
            {"type": "set_priority", "priority": "high"},
            {"type": "move_to_sprint", "sprint_target": "active"},
        ],
    },
).json()

هذا أيضًا سبب انسجام الفرز مع نماذج الاستقبال. النموذج العام على /f/<token> يحوّل طلبًا خارجيًا إلى مهمة، ويحمل بنفسه افتراضات توجيه: مُسند إليه افتراضي، وتسميات، وسبرنت هدف. تلك الافتراضات مع قاعدة issue.created مع تصنيف الذكاء الاصطناعي تمنحك طلبًا يصل وقد صُنّف ووُسم وحُددت أولويته وأُسند، دون أن يلمسه إنسان حتى يوجد قرار فعلي يحتاج إليه. هذا هو المكسب كله.

ما تدعه للذكاء الاصطناعي، وما تصعّده

كن صريحًا في رسم الخط. هنا نرسمه نحن.

القرار	من يملكه	لماذا
النوع والأولوية في بلاغ روتيني	الذكاء الاصطناعي	الخطأ يكلف ثانيتين لإصلاحه
تسميتان من المجموعة القائمة	الذكاء الاصطناعي	تُفحص بلمحة والتراجع عنها رخيص
خطورة توقظ شخصًا في الثانية فجرًا	الإنسان	النص لا يحمل ذلك السياق
كل ما يمس التزامًا تجاه عميل	الإنسان	النموذج لا يعرف من على وشك المغادرة
إغلاق العمل أو حذفه	الإنسان	التطبيق التلقائي لا يفعل هذا أبدًا
أولوية ضبطها المُبلِّغ مسبقًا	الإنسان	التطبيق التلقائي يرفض تجاوزها

الخلاصة القصيرة: إذا كان الخطأ في تذكرة واحدة يكلف ثواني، فدع النموذج يقرر. أما إذا كان "خطأ صغير" قد يعطل إطلاقًا في الواقع، فذلك قرار سياق لا قرار نص، وقرارات السياق تبقى بشرية.

حواجز التطبيق التلقائي تجسّد معظم هذا عنك مسبقًا. لكن الحكم في أي المشاريع تحصل على التطبيق التلقائي أصلًا يعود إليك. مشروع وارد صاخب بتصنيف تسميات واضح؟ فعّله. مشروع عالي المخاطر كل مهمة فيه قرار متعمد؟ أبقه على الاقتراح.

سؤال التكلفة، مُجابًا مقدمًا

يبدو الفرز التلقائي طريقًا لإنفاق ثروة على نداءات النماذج دون قصد. وهو محصّن ضد ذلك بالضبط.

• المسارات الجماعية، استيراد CSV، والاستيراد من Trello وأشباهه، وإرسالات النماذج، وAPI العام، لا تُطلق الفرز التلقائي أبدًا. الإنشاء التفاعلي وحده يطلقه، فاستيراد خمسمئة صف يولّد صفر نداء نموذج.
• وفوق ذلك سقف معدل لكل مشروع.
• ويتوقف كل شيء لحظة نفاد رصيد الذكاء الاصطناعي في مساحة العمل.
• والاقتراحات تعمل على نموذج رخيص وسريع بميزانية رموز ضئيلة، لأن هذه مهمة تصنيف قصيرة لا مقالة.

المقارنة الصريحة

كل من Rovo في Jira وLinear يقدمان نسخة من هذا، وكلاهما يضعها خلف الفئات الأعلى. Rovo إضافة بتسعير مقاعد خاص بها فوق Jira. والفرز التلقائي من هذا النوع يقبع في الطبقة المدفوعة لا الخطة الأساسية.

في Taskfolk، الفرز مدمج. إنه جزء من ميزات الذكاء الاصطناعي التي تأتي مع المنتج، يُحتسب من رصيد الذكاء الاصطناعي نفسه الذي تُحتسب منه البقية، لا بندًا منفصلًا تترقى إليه. وهذا اختيار متعمد: الفرز هو ميزة الذكاء الاصطناعي الأعلى مردودًا لفريق عادي، وحجبه خلف باقة مؤسسات يعني أن الفرق الأكثر استفادة منه لا تصل إليه أبدًا.

لا شيء من هذا يستبدل الحكم البشري. إنه يزيل من الفرز الجزء الذي لم يكن حكمًا يومًا، القراءة والتصنيف ووضع التسميات، فيبقى للشخص القرارات التي تحتاج فعلًا إلى شخص. ابدأ بوضع الاقتراح في مشروع واحد مزدحم، وراقبه أسبوعًا. وحين تتوقف عن تصحيحه، فعّل التطبيق التلقائي واربط قاعدة issue.created لتوجّه ما يسمه. وإن كنت تسلّم الوكلاء مزيدًا من اللوحة عمومًا، فقد كتبنا عن منحنى الثقة ذاك في إدارة المشاريع مع وكلاء الذكاء الاصطناعي.

إن أردت رؤية السطح كاملًا، تعرض صفحة الأسعار ما هو مشمول، والأتمتة والنماذج كلتاهما على بعد نقرة داخل أي مشروع.