تصور کنید یک همکار دیجیتال داشته باشید که قادر باشد یک گردش کار کامل را، از بازتولید یک خطا گرفته تا مستندسازی نهایی آن، بدون هیچگونه دخالت انسانی مدیریت کند. برای نمایش این جهش از رابطهای سادهی چت به سمت اقدامات خودگردان، رویداد گروکبات (Grok Bot) Galaxy از فردا با یک دموی ۷۲ ساعته آغاز میشود. این رویداد بهگونهای طراحی شده است تا گردشهای کاری پایانبهپایان (End-to-End) را از چندین منظر مختلف، از جمله کسبوکار، مهندسی و بازاریابی به نمایش بگذارد.
اکثر کاربران تاکنون به یک حلقهی غیرفعال عادت کردهاند: انسان یک دستور (Prompt) ارائه میدهد، هوش مصنوعی پاسخ میدهد و سپس انسان باقی کار را اجرا میکند. مثالهای رایج شامل درخواست از AI برای توضیح یک API ناشناخته، دیباگ کردن یک خطا، نوشتن یک تست، ایدهپردازی برای یک معماری یا خلاصهسازی مستندات است. همانطور که در تحلیل قبلی ما دربارهی تواناییهای تحلیلی گروکبات در بررسی تجهیزات ورزشی خانگی اشاره کردیم، تکامل فعلی بر «عاملبودن» (Agency) تمرکز دارد، نه فقط تحلیل. تفاوت بنیادین اینجاست که بهجای پرسیدن «چطور این باگ را رفع کنم؟»، به مدل دستور میدهیم «این باگ را رفع کن و تیکت مربوط به آن را ایجاد کن».
تغییر در گردش کار
گردش کار سنتی خطی است: دستور $\rightarrow$ پاسخ $\rightarrow$ اقدام انسانی. اما گردش کار مبتنی بر عامل (Agent-based) چرخشی است: هدف $\rightarrow$ برنامهریزی $\rightarrow$ استفاده از ابزار $\rightarrow$ اجرا $\rightarrow$ بازبینی انسانی. در این مدل جدید، هوش مصنوعی دیگر صرفاً پاسخدهنده نیست، بلکه در حال اقدام کردن است.
طبق گزارش وبسایت dev.to، هستهی این انتقال نه فقط مدلهای هوشمندتر، بلکه معماریهای توانمندتر است. در حالی که هوش مصنوعی در اواخر سال ۲۰۲۳ نیز تحسینبرانگیز بود، اما تعاملات همچنان ساده باقی مانده بود: چیزی تایپ میکردید، پاسخی میگرفتید و ادامه میدادید. اما امروز، پیشرفت به سمت گردشهای کاری خودگردان و هوش مصنوعی عمومی (AGI) از طریق دادن قدرت «عمل» به مدل بر اساس آنچه فکر میکند، حاصل میشود. در واقع، هوش (Intelligence) استدلال را فراهم میکند، اما معماری عامل (Agent Architecture) ابزارهای لازم برای اقدام را فراهم میسازد.
الزامات فنی برای عاملبودن
برای اینکه یک عامل (Agent) — شبیه به کارمندی که هم میفهمد چه میگوید و هم ابزار لازم برای انجام کار را دارد — بتواند بهعنوان یک همتیمی واقعی عمل کند، به قابلیتهای خاصی نیاز دارد که فراتر از یک مدل زبانی بزرگ (LLM) است. مدل هوش را فراهم میکند، اما معماری به سیستم اجازه میدهد چیزی را مشاهده کند، تصمیمی بگیرد، اقدامی انجام دهد، نتیجه را مشاهده کند و سپس مسیر را ادامه دهد.
بر اساس مستندات فنی، این قابلیتها شامل موارد زیر است:
- دسترسی به ابزارهای خارجی: توانایی استفاده از ترمینال، اجرای دستورات سیستمی یا فراخوانی APIها.
- مشاهده محیط: قابلیت جستوجوی وب و توانایی مشاهده نتایج اقدامات خود برای اتخاذ تصمیمات بعدی.
- مدیریت وضعیت (State Management): داشتن حافظهی پایدار و یک وضعیت تعریفشده برای ردیابی پیشرفت کار در طول زمان.
در یک سناریوی مهندسی عملی، برنامهنویس دیگر نیازی نیست بهطور دستی بین مرورگر، مشاهدهگر لاگ (Log Viewer) و ابزار مدیریت پروژه جابهجا شود. بهجای درخواست برای مراحل بازتولید، کاربر به گروکبات یک هدف میدهد: «این باگ را بازتولید کن، لاگها را جمعآوری کن و یک تیکت جیرا (Jira) بساز».
حلقهی اجرای مهندسی
عامل میتواند سپس توالی پیچیدهای از مراحل را اجرا کند:
- باز کردن برنامه و طی کردن گردش کار مورد نیاز.
- بازتولید مسئله و جمعآوری لاگها و اطلاعات مرتبط.
- مستندسازی دقیق و شفاف مراحل بازتولید.
- ایجاد تیکت در جیرا و انتظار برای بازبینی توسط انسان.
این یک تغییر بنیادین است. هوش مصنوعی جایگزین مهندس نمیشود، بلکه گردش کاری را بر عهده میگیرد که پیش از این نیاز داشت مهندس بهصورت دستی بین ابزارهای مختلف جابهجا شود.
گسترش فراتر از مهندسی
این توانایی به حوزههای خارج از کدنویسی، یعنی عملیات کسبوکار و بازاریابی نیز گسترش مییابد. بخش جالب این است که AI میتواند بهجای صرفاً نوشتن محتوا، مراحل مجزای کاری را به یکدیگر متصل کند.
- اهداف تجاری: برای بررسی اینکه چرا نرخ تبدیل کاربران رایگان به پولی (Trial-to-Paid) در این ماه کاهش یافته است، عامل میتواند بهطور مستقل دادهها را جمع کند، داشبوردها را بررسی کند، نتایج را با دادههای تاریخی مقایسه کند، دلایل احتمالی را شناسایی کرده و یک گزارش جامع تهیه کند.
- اهداف بازاریابی: برای آمادهسازی کمپین یک ویژگی جدید، عامل میتواند روی رقبا تحقیق کند، پیشنویس محتوا بنویسد، نسخههای مختلف (Variations) را آماده کند و گردش کار کمپین را برای بازبینی سازماندهی نماید.
مدیریت استقلال و ریسک
با این حال، این استقلال ریسکهای عملیاتی قابلتوجهی را به همراه دارد. هرچه یک عامل توانمندتر شود، تعریف مجوزها و مرزها حیاتیتر میشود. برای جلوگیری از هرگونه تداخل در مقیاس بالا، استفاده از ساختارهای سلسلهمراتب سازمانی برای مدیریت عاملها به عنوان یک راهکار کلیدی مطرح شده است. دادن دسترسی به موارد زیر در صورتی که مرزها بهطور سختگیرانه تعریف نشده باشند، یک آسیبپذیری امنیتی و عملیاتی جدی ایجاد میکند:
- دسترسی به سیستمهای عملیاتی (Production) و کدبیس.
- دادههای مشتریان و مستندات داخلی شرکت.
- حسابهای شرکتی و سیستمهای پرداخت.
اگر یک عامل هدفی را اشتباه بفهمد، دسترسی نامحدود میتواند فاجعهبار باشد. ما باید بپرسیم: عامل مجاز به انجام چه کارهایی است؟ چه مواردی باید حتماً تایید انسانی را بخواهد؟ و چگونه بفهمیم که عامل دقیقاً چه کاری انجام داده است؟
چالش مهندسی اکنون از ساخت مدلهای هوشمندتر به طراحی «درگاههای دسترسی» (Permission Gates) درست و تعیین مواردی که نیاز به تایید انسانی دارند، تغییر یافته است. یک همتیمی AI با دسترسی بسیار کم، بیفایده است، اما عاملی با دسترسی بیش از حد، یک ریسک است.
نقش در حال تکامل برنامهنویس
این بدان معناست که نقش برنامهنویس انسانی در حال تغییر است. شما زمان کمتری را صرف اجرای مراحل دستی خواهید کرد و بیشتر بر این موارد تمرکز خواهید کرد:
- تعریف اهداف سطح بالا و طراحی گردشهای کاری.
- انتخاب ابزارهای مناسب و تعیین مجوزهای سختگیرانه.
- بازبینی تصمیمات AI و مدیریت موارد استثنا (Edge Cases).
- پذیرش مسئولیت نهایی برای نتیجه نهایی.
در این فضای جدید، برای متخصصانی که بهصورت مستقل کار میکنند، تغییر رویکرد به سمت نتیجهمحوری تنها راه حفظ سودآوری در مواجهه با ابزارهای تولیدی است. پرسش اصلی دیگر این نیست که آیا AI میتواند کاری را انجام دهد یا خیر، بلکه این است که چه مقدار از یک گردش کار خاص باید به سیستم واگذار شود. ما به سمت نسلی از نرمافزارها میرویم که فقط منتظر دستور نمیمانند، بلکه در کنار کاربر کار میکنند. تمرکز اکنون بر انتقال از «از AI چیزی بپرس» به «به AI ماموریتی برای به سرانجام رساندن بسپار» است.
گام بعدی شما
- در دموی ۷۲ ساعته Grok Bot Galaxy شرکت کنید تا تفاوت بین چت و عامل را در عمل ببینید.
- گردشهای کاری تکراری خود را لیست کنید و بررسی کنید کدام بخشها قابلیت تبدیل به یک «هدف» برای عامل هستند.
- استراتژی دسترسیهای سیستم خود را بازبینی کنید تا برای پذیرش عاملهای خودگردان آماده شوید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو