تصور کنید میخواهید از کارخانههای جنوب شرق آسیا محصولی سفارش دهید، اما هیچکدام از تأمینکنندگان انگلیسی بلد نیستند و پیامهایشان کاملاً غیررسمی است. در چنین شرایطی، یک توسعهدهنده در ویتنام راهکاری ساخته است که حدود یکسوم از فرآیند تدارکات کارخانهای را بهطور کامل خودکار میکند.
طبق گزارش وبسایت dev.to، این سازنده در ۳۰ سپتامبر ۲۰۲۶ دمویی منتشر کرد که نشان میدهد چگونه یک عامل (Agent) — شبیه به یک دستیار اداری فوقسریع که هرگز خسته نمیشود — میتواند شرحهای متنی محصول را به درخواستهای استاندارد صنعتی به زبان ویتنامی تبدیل کند. این سیستم روی کارهای سنگین دادهای تمرکز دارد تا خریداران خارجی از سردرگمی نجات یابند و بازرسیهای فیزیکی را به انسانها بسپارد.
تدارکات کالا از جنوب شرق آسیا معمولاً با شکاف ارتباطی بزرگی همراه است. اکثر کارخانهها در قطبهایی مثل «نها ترانگ» و «هو چیمین سیتی» از سبکهای پیامرسانی بسیار غیررسمی استفاده میکنند. در حالی که بسیاری از شرکتها ادعای ارائه «مذاکره با هوش مصنوعی» را دارند، این پروژه با هوش مصنوعی به عنوان یک لایه ترجمه و ساختاردهی برخورد میکند، نه جایگزینی برای یک عامل انسانی که همچنان باید از سایت بازدید کرده و اسناد کاغذی را امضا کند. همانطور که در تحلیلهای قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، اتکا به ابزارهای عمومی برای کارهای حساس ریسک بالایی دارد؛ به همین دلیل این پروژه بهجای ادعای «مذاکره خودکار»، هوش مصنوعی را صرفاً به عنوان یک لایه ترجمه و ساختاردهی به کار گرفته است.
شکاف تدارکاتی در بازار آسیا
خریداران آمریکایی و اروپایی اغلب نمیدانند چگونه ارتباط با تولیدکنندگانی که تسلطی به انگلیسی ندارند را آغاز کنند. به نقل از سازنده این ابزار، در حالی که هوش مصنوعی میتواند بخش دیجیتال درخواست را مدیریت کند، اما دوسوم کار همچنان نیازمند حضور فیزیکی است؛ یعنی شخصی باید با ماشین به کارخانه برود، نمونهها را با دست بررسی کند و اسناد کاغذی را امضا کند.
این ابزار برای حل بخش «نامنظم» زنجیره ارتباطات طراحی شده است. هدف این است که بهجای ارسال اسکرینشات و طرحهای اولیه (Mockups)، یک نمایش زنده از تبدیل یک شرح محصول به یک درخواست حرفهای ارائه شود.
سازوکار سه مرحلهای
این عامل برای جلوگیری از خطاهای رایج در «پرامپتهای غولپیکر» (One Giant Prompt)، از سه فراخوانی مجزای مدل استفاده میکند تا خطاها در پاسخهای طولانی گم نشوند و هر مرحله قابل بررسی باشد. این رویکرد با این ایده همسو است که بازرسی خروجیها در هر مرحله میتواند موثرتر از مهندسی پیچیدهٔ پرامپت باشد تا دقت نهایی سیستم تضمین شود:
- استخراج ساختار: مدل متن را به هر زبانی که باشد میخواند و فیلدهای خاص شامل محصول، متریال، تعداد، تراکم، رنگ، سایز و بستهبندی را بیرون میکشد. سیستم بهگونهای سختافزاری (Hard-coded) برنامهریزی شده که بهجای اختراع اعداد یا حدس زدن، برای اطلاعات ناقص سؤال بپرسد.
- ترجمه صنعتی: درخواستها به زبان تجاری ویتنامی نوشته میشوند. برخلاف گوگل ترنسلیت، این سیستم اصطلاحات لاتین صنعتی مثل MOQ (حداقل مقدار سفارش)، gsm (گرم بر متر مربع) و Incoterms (اصطلاحات بازرگانی بینالمللی) را حفظ میکند چون در ارتباطات کارخانهای ویتنام استاندارد هستند.
- نرمالسازی دادهها: عامل پاسخهای غیررسمی از پیامرسانهایی مثل Zalo، واتساپ یا ایمیل را میخواند. سپس ارزها را تبدیل (مثلاً از دونگ ویتنام به دلار) و ضربالاجلهای مبهم که اغلب به صورت «روزهای کاری» بدون تاریخ تقویمی ذکر میشوند را استاندارد میکند. پرامپت بهگونهای طراحی شده که نرخ تبدیل دونگ به دلار را در یک مکان مرکزی نگه دارد تا در سراسر کد پخش نشود.
بنچمارکها و مثالهای واقعی
برای نمایش قدرت ابزار، یک مثال واقعی بررسی شد: «هودی کتان اورسایز، ۳۲۰ گرم بر متر مربع، ۵۰۰ عدد، سه رنگ، سایز S تا XL، لوگوی گلدوزی شده و بستهبندی تکی». عامل این مشخصات را فیلد به فیلد استخراج میکند تا کاربر قبل از تولید درخواست نهایی، آنها را به صورت دستی اصلاح کند.
همچنین برای ارائه زمینه (Context) در دمو، دادههای قیمتی خاص بازار ویتنام در سیستم ادغام شده است:
- هودیها: بر اساس دادههای Cosmo Sourcing، سیستم قیمتهای FOB را برای سفارشهای ۱۰۰۰ تا ۳۰۰۰+ عددی در کارخانههای بزرگ حدود ۸ دلار در هر واحد نشان میدهد، در حالی که هزینهها در کارگاههای کوچکتر بالاتر است.
- کیفها: بسته به پیچیدگی ساخت، محدوده قیمت بین ۵ تا ۲۰ دلار متغیر است.
- لوازم آرایشی: چون دادههای قیمتی خاص ویتنام در دسترس نبود (منابع فقط MOQ را ارائه داده بودند)، سیستم از ارقام یک کارخانه در گوانگدونگ چین استفاده کرد و صراحتاً آن را به عنوان یک مرجع جداگانه علامتگذاری کرد تا در مورد بازار ویتنام دروغ نگوید و از توهم (Hallucination) — شبیه به دوستی که خاطرهای را اشتباه تعریف میکند — جلوگیری کند.
این رویکرد تعریف «عامل هوش مصنوعی» را از یک مذاکرهکننده مستقل به یک ابزار اداری با دقت بالا تغییر میدهد. با جداسازی مراحل ترجمه و ورود داده، ریسک تولید مشخصات «توهمی» که میتواند منجر به اتلاف هزاران دلار در تولیدات اشتباه شود، کاهش مییابد.
محدودیتهای فنی
بزرگترین گلوگاه فعلی، APIها هستند. برای مثال، این عامل نمیتواند پیامهای Zalo را خودکار ارسال کند چون این پلتفرم API باز برای پیامهای سرد (Cold-messaging) ندارد. خودکارسازی این بخش نیازمند ارسال پیام انبوه از حسابهای شخصی است که منجر به مسدود شدن (Ban) حسابها میشود. بنابراین، دمو فقط فرآیند تبدیل شرح به درخواست را نشان میدهد و یک طرح اولیه را به عنوان ارسال زنده جا نمیزند.
برای کسانی که از ویتنام خرید میکنند، این مدل نشان میدهد که بیشترین بازگشت سرمایه (ROI) هوش مصنوعی نه در «بستن قرارداد» یا مذاکره، بلکه در حذف ورود دستی دادهها و خطاهای ترجمه است. توسعهدهنده در حال حاضر در حال ارائه ساختهای سفارشی برای لیستهای خاص تأمینکنندگان است و یک طرح آزمایشی بسته (Closed Pilot) را برای برندهای علاقهمند به مدل اشتراکی اجرا میکند.
گام بعدی شما
- اگر با تأمینکنندگان خارجی کار میکنید، فرآیند استخراج دادههای نامنظم را از مدلهای عمومی جدا کنید.
- برای کاهش توهم مدل، از ساختار «فراخوانیهای مجزا» بهجای یک پرامپت طولانی استفاده کنید.
- در ترجمههای صنعتی، لیست واژگان تخصصی (Glossary) را به مدل بدهید تا اصطلاحات استاندارد را ترجمه نکند.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو