تقاضای ابزارهای زیرساختی در بازار عامل‌ها؛ اولویت حل کپچا بر استدلال هوش مصنوعی

تصور کنید یک کارمند فوق‌تخصص استخدام کرده‌اید که هر مدرکی دارد، اما هر بار که می‌خواهد وارد دفتری شود، نگهبان جلوی در او را متوقف می‌کند. او نیازی به مدرک تحصیلی بالاتر ندارد، بلکه فقط به یک کلید ورود نیاز دارد؛ این دقیقاً وضعیتی است که امروز عامل‌های هوش مصنوعی (AI Agents) در وب باز تجربه می‌کنند. در حالی که انسان‌ها کپچاها را صرفاً یک مزاحمت ساده می‌بینند، برای یک عامل هوش مصنوعی، این ابزارها یک مانع وجودی در مسیر دسترسی به وب آزاد هستند.

طبق داده‌های منتشر شده در ۷ اوت ۲۰۲۶ از یک بازار زنده API (عامل-به-عامل)، حل کپچا (CAPTCHA) — همان آزمون‌های تشخیص انسان از ربات — به پرتقاضاترین سرویس پولی برای عامل‌های خودمختار تبدیل شده است. این تغییر مسیر در حالی رخ می‌دهد که صنعت از ساخت مدل‌های بزرگ‌تر به سمت استقرار عامل‌های خودمختار حرکت می‌کند. در حالی که اکثر توسعه‌های فعلی هوش مصنوعی بر روی قابلیت‌های استدلالی تمرکز دارند، این داده‌ها نشان می‌دهند که گلوگاه فوری، هوش نیست، بلکه دسترسی ابتدایی به اینترنت است. این نیاز به زیرساخت‌های عملیاتی در حالی است که عامل‌های خودگردان پیش از این توانسته‌اند بهره‌وری در پاسخ‌دهی SaaS را تا ۸۰ درصد افزایش دهند و اکنون برای اثرگذاری بیشتر، نیازمند عبور از موانع وب هستند.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، هرچه استقلال عامل‌ها بیشتر می‌شود، برخورد آن‌ها با دیوارهای امنیتی وب انسانی شدیدتر می‌شود. برای درک این رفتار، یک بازار با ۳۲۳ نقطه اتصال (Endpoint) پرداخت‌به-درخواست (pay-per-call) راه‌اندازی شد. این سیستم برای حداکثر خودمختاری طراحی شده بود: بدون فرم ثبت‌نام، بدون کلید API و بدون کارت اعتباری. عامل‌ها صرفاً درخواست‌های HTTP می‌فرستادند و درگاه پرداخت، تراکنش‌ها را در سطح پروتکل و با استفاده از USDC مدیریت می‌کرد.

به نقل از مستندات این بازار، به هر عامل ۱۵ درخواست رایگان برای هر سرویس داده شد تا بتوانند خدمات را آزمایش کنند. این مجموعه داده، رفتار خام ماشین‌هایی را ثبت می‌کند که بدون دخالت انسان در حال خرید خدمات هستند. نتایج نشان داد که عامل‌ها برخلاف انسان‌ها، مستندات را نمی‌خوانند، صفحات بازاریابی را بررسی نمی‌کنند و قیمت‌ها را در جداول اکسل مقایسه نمی‌کنند؛ آن‌ها صرفاً درخواست‌های API ارسال می‌کنند.

در بررسی ۱۰,۲۰۷ درخواست آزمایشی از ۳۲۲ عامل منحصر‌به‌فرد و ۲۴۷ نقطه اتصال، سلسله‌مراتب تقاضا به شکل عجیبی به سمت «لوله‌کشی» و زیرساخت متمایل بود، نه «هوش»:

• حل کپچا: با ۱,۲۸۰ درخواست از ۱۳۳ عامل، برنده مطلق بود. این رقم ۴۱٪ از کل عامل‌های منحصر‌به‌فرد پلتفرم را شامل می‌شود. مورد کاربرد بسیار ساده است: عاملی که در حال استخراج داده از یک وب‌سایت است یا یک API مستند نشده را فراخوانی می‌کند، به یک دیوار برخورد می‌کند. با پرداخت 0.01 دلار به ازای هر درخواست، کپچا حل شده و عامل به مسیر خود ادامه می‌دهد. این ثابت می‌کند که موج اول تقاضا مربوط به زیرساخت‌هایی است که عامل‌ها را از محدودیت‌های وب انسانی، از جمله مسدود شدن IP و محدودیت‌های نرخ درخواست (Rate Limits)، رها می‌کند.

• داده‌های کریپتو و دیفای: در این دسته مجموعاً ۱,۷۲۳ درخواست ثبت شد. تقاضا بیشتر روی ابزارهای خام (Primitives) متمرکز بود تا تحلیل‌های پیچیده:

  • قیمت گاز (Gas Prices): ۷۹۳ درخواست از ۱۴۷ عامل؛ این دقیقاً معادل چک کردن موجودی حساب بانکی توسط یک انسان قبل از خرج کردن است.
  • داده‌های Polymarket: ۳۴۵ درخواست از ۴۴ عامل برای دریافت فیدهای قیمت، عمق دفتر سفارشات (Order Book) و نتایج رویدادها.
  • امنیت توکن: ۱۵۱ درخواست از ۴۰ عامل برای انجام بررسی‌های سریع (Due Diligence) با سرعت ماشین جهت شناسایی Honeypotها، مالیات‌های توکن یا قابلیت فروش.
  • شاخص ترس و طمع (Fear & Greed): ۱۲۸ درخواست تنها از ۷ عامل، که نشان می‌دهد تعداد کمی از عامل‌های معاملاتیِ مبتنی بر احساسات، به شدت از این نقطه اتصال استفاده می‌کنند.

• ابزارهای توسعه‌دهنده: عامل‌ها مکرراً ابزارهای نرم‌افزاری را برای خودشان خریداری کردند که در مجموع ۱,۲۹۰ درخواست شد:

  • جست‌وجوی عامل (Find): ۹۵۰ درخواست از ۷۳ عامل. این در واقع «کشف عامل» است؛ جایی که عامل‌ها به دنبال عامل‌های دیگر می‌گردند و این امر اثر شبکه‌ای ماشین-به-ماشین را ثابت می‌کند. این نوع تعاملات بین-ماشینی، مشابه رویکرد ابزارهایی مانند RoboZilla در تحلیل سیگنال‌های قصد خرید است که با حذف مراحل دستی، اتلاف زمان را به حداقل می‌رسانند.
  • زمان (Time): ۴۹۵ درخواست از ۵۶ عامل. عامل‌هایی که در محیط‌های Sandbox، توابع Edge یا زمینه‌های LLM اجرا می‌شوند، اغلب دسترسی قابل‌اعتمادی به ساعت سیستم ندارند.
  • استخراج وب (Web Scraping): ۳۰۷ درخواست از ۶۱ عامل برای تجزیه و تحلیل وب باز.
  • ذخیره‌ساز داده (Data Store): ۲۹۶ درخواست از ۳۲ عامل که به یک ذخیره‌ساز ساده کلید-مقدار (Key-Value) با دسترسی API برای حفظ وضعیت (State) نیاز داشتند.
  • تولید UUID: ۲۵۶ درخواست از ۳۶ عامل که برای شناسه‌های همبستگی یا Idempotency، به Math.random() اعتماد ندارند.

نکته جالب اینجاست که تقاضا برای خدماتی که عامل‌ها خودشان می‌توانند انجام دهند، تقریباً صفر بود. نقاط اتصال استنتاج (Inference) — یعنی همان لحظه‌ای که مدل جواب تولید می‌کند — هیچ فعالیتی نداشتند چون عامل‌ها مدل‌های زبانی خودشان را دارند. ابزارهای تولید محتوا مثل ساختار کلی وبلاگ، رشته‌توییت‌ها یا پیش‌نویس ایمیل، هر کدام تنها ۶ تا ۸ درخواست داشتند که احتمالاً مربوط به تست توسعه‌دهندگان بود، نه بارهای کاری تولیدی. تولید تصویر نیز تقریباً nonexistent بود و تنها دو درخواست ثبت شد. عامل‌ها میم نمی‌سازند؛ آن‌ها آنچه را که «نمی‌توانند» انجام دهند، می‌خرند.

با این حال، نرخ تبدیل از حالت آزمایشی به پولی بسیار ناچیز و تنها ۰.۱۴٪ بود. از ۱۰,۲۰۷ درخواست آزمایشی، فقط ۱۴ مورد به تراکنش‌های پولی منجر شد که مجموعاً ۱۲.۷۵ دلار حجم USDC بود. بر اساس بررسی‌ها، سه دلیل برای این شکاف وجود دارد:

۱. شکل‌گیری عادت: عامل‌ها در حالت اکتشاف هستند. هر عامل به‌طور متوسط ۳۲ نقطه اتصال را تست می‌کند. آن‌ها در حال خرید و آزمایش ۵ تا ۱۰ API مختلف هستند، نه ساخت خط لوله‌های تولیدی.
۲. اصطکاک مدل اعتباری: با وجود ۵۰۰ اعتبار رایگان هنگام ثبت‌نام و ۱۵ درخواست رایگان برای هر سرویس، اکثر عامل‌ها قبل از تمام شدن سقف رایگان، سراغ سرویس بعدی می‌روند.
۳. تجربه کاربری پرداخت (Payment UX): برای یک انسان، افزودن یک هدر X-Wallet ساده است. اما برای یک عامل خودمختار، هر مرحله — از ثبت‌نام و دریافت اعتبار تا افزودن هدرها — یک نقطه تصمیم‌گیری است که نیازمند برنامه‌نویسی صریح است.

این داده‌ها نشان می‌دهد که موج اول اقتصاد عامل‌محور، نه فروش هوش مصنوعی به انسان، بلکه فروش «بیل و کلنگ» به عامل‌های دیگر است. گلوگاه اصلی دیگر ریل پرداخت نیست (که از طریق USDC و Cloudflare Wallets به خوبی کار کرد)، بلکه «کشف» (Discovery) است. عامل‌ها برای یافتن API خاصی که نیاز دارند در میان ۳۲۳ گزینه، دچار مشکل می‌شوند.

برای توسعه‌دهندگان، این بدان معناست که بزرگ‌ترین فرصت، ساخت یک Wrapper بهتر برای LLM نیست، بلکه ساخت زیرساختی است که عامل‌ها را از بن‌بست‌های وب انسان‌محور نجات دهد. بازار به سمت یک اثر شبکه‌ای ماشین-به-ماشین حرکت می‌کند که در آن عامل‌ها، عامل‌های دیگر را برای حل موانع تاکتیکی جست‌وجو و استخدام می‌کنند.

گام بعدی شما

• اگر توسعه‌دهنده هستید، به‌جای تمرکز بر لایه‌های Wrapper، روی ابزارهای Unblocking (مثل مدیریت IP و حل کپچا) برای عامل‌ها سرمایه‌گذاری کنید.
• مدل‌های پرداخت میکروسرویس (Micro-payments) مبتنی بر کریپتو را برای تعاملات ماشین-به-ماشین بررسی کنید.
• قابلیت‌های Discovery یا کشف سرویس را در معماری عامل‌های خود تقویت کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.