Omilia با جذب ۶۷ میلیون دلار، سد استقرار بی‌رویه مدل‌های زبانی را می‌شکند

تصور کنید برای پرسیدن موجودی حساب خود، از یک ابرکامپیوتر میلیارد دلاری استفاده کنید؛ این دقیقاً همان اشتباهی است که Omilia می‌گوید کل صنعت پشتیبانی مشتریان اکنون دچار آن شده است. این شرکت معتقد است که تب فعلی هوش مصنوعی زاینده در پشتیبانی مشتریان با یک اشتباه حیاتی تعریف شده است: استفاده از یک «بازوکا» برای مبارزه با دشمنی که درست در کنار شما ایستاده است. شرکت آتنی Omilia در ۶ آگوست ۲۰۲۶ اعلام کرد که در راند Series B، به رهبری Expedition Growth Capital، مبلغ ۶۷ میلیون دلار جذب کرده است تا مدل «سخت‌افزار متناسب با نیاز» را جایگزین وابستگی شدید به مدل‌های زبانی بزرگ کند.

به گزارش این شرکت، بسیاری از استارتاپ‌های مطرح مانند Sierra، Decagon و Parloa تمرکز خود را بر استقرار هوش مصنوعی زاینده (GenAI) در تک‌تک تعاملات مشتری گذاشته‌اند. اما طبق ادعای دیمیتریس واسوس، مدیرعامل Omilia، بخش بزرگی از پشتیبانی مشتریان صرفاً شامل بازیابی داده‌های ساده است، مانند بررسی موجودی حساب. استفاده از یک مدل زبانی بزرگ (LLM) — مثل به‌کارگیری یک استاد دانشگاه برای خواندن یک لیست خرید — برای این کارهای روتین، نه‌تنها ناکارآمد است، بلکه هزینه‌های استنتاج را به‌طرز غیرمنطقی بالا می‌برد. در مقابل، Omilia رویکرد «چند ابزاری» را ترویج می‌کند؛ جایی که فناوری درست — و نه لزوماً جدیدترین فناوری — برای هر شغل خاص به کار گرفته شود. این رویکرد در تضاد با استراتژی برخی شرکت‌های نوظهور است که به دنبال خلق تجربه‌ای indistinguishable از انسان از طریق مدل‌های صوتی بسیار پیچیده هستند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی بهینه‌سازی هزینه‌های مدل‌های بازمتن اشاره کردیم، تمرکز بر بهره‌وری عملیاتی جایگزین هیجانات اولیهٔ سرمایه‌گذاری شده است. Omilia با تمرکز بر اقتصاد واحد (Unit Economics) به‌جای دنبال کردن هایپ‌های سرمایه‌گذاری، رشد سریعی داشته است. از زمان آخرین جذب سرمایه ۲۰ میلیون دلاری از Grafton Capital در سال ۲۰۲۰، این شرکت توانسته است درآمد سالانه تکرارشونده (ARR) خود را ۱۰ برابر کرده و به ۶۰ میلیون دلار برساند.

این شرکت اکنون به‌طور ویژه بر بخش رستوران‌های خدمات سریع (QSR) برای سیستم‌های سفارش صوتی متمرکز است. جزئیات عملیاتی این استقرار عبارتند از:

• Taco Bell: پیاده‌سازی فناوری در بیش از ۱۰۰۰ شعبه.
• نیروی انسانی: در حال حاضر تقریباً ۵۰۰ کارمند دارد و هدف آن رسیدن به ۶۰۰ نفر تا پایان سال است.
• مشتریان کلیدی: لیستی از سازمان‌های بزرگ شامل Capital One، Discover، RBC، DWP و PSEG.

البته در مورد پایداری سیستم، یک تناقض وجود دارد. در حالی که گزارش‌ها حاکی از آن بود که یک نقص فنی در سیستم Taco Bell سال گذشته به مشتری اجازه داد ۱۸,۰۰۰ لیوان آب سفارش دهد، واسوس اصرار دارد که لاگ‌های Omilia هیچ اثری از وقوع چنین حادثه‌ای را نشان نمی‌دهند.

این چرخش در جذب سرمایه نشان‌دهنده خستگی رو به رشد در بخش سازمانی از رویکرد «هوش مصنوعی برای هوش مصنوعی» است. برای صاحبان کسب‌وکار، این بدان معناست که نبرد برای خدمات مشتری از این‌که «چه کسی مدل باهوش‌تری دارد»، به این‌که «چه کسی می‌تواند بازگشت سرمایه (ROI) واقعی را اثبات کند» تغییر جهت داده است. Omilia با اولویت دادن به رشد پایدار به‌جای دیده شدن در لینکدین، خود را به عنوان جایگزینی عمل‌گرا برای «تب طلا» در حوزه GenAI معرفی می‌کند. این تمایل به جایگزینی سیستم‌های ناکارآمد، مشابه رویکرد شرکت Rime است که قصد دارد سیستم‌های تلفنی قدیمی IVR را با فناوری‌های مدرن‌تر Speech-to-Speech جایگزین کند.

Omilia قصد دارد از این سرمایه جدید برای تأسیس دفتر جدید در ایالات متحده و استخدام یک مدیر ارشد درآمد (CRO) و یک مدیر ارشد بازاریابی (CMO) استفاده کند تا سهم بیشتری از بازار آمریکا را تصاحب نماید. باید زیر نظر گرفت که آیا با محدود شدن بودجه‌های سازمانی حول محور ROI، سایر بازیگران تثبیت‌شده در حوزه اتوماسیون صوتی نیز از مدل‌های خالص LLM فاصله می‌گیرند یا خیر.

گام بعدی شما

• اگر مدیر محصول هستید، به‌جای جایگزینی کامل سیستم‌ها با LLM، مدل ترکیبی (Hybrid) را برای کارهای ساده تست کنید.
• نرخ بازگشت سرمایه (ROI) را به عنوان معیار اصلی جایگزین «دقت مدل» در گزارش‌های مدیریتی قرار دهید.
• تحول در بودجه‌های سازمانی را زیر نظر بگیرید تا ببینید آیا سایر بازیگران صوتی نیز از مدل‌های خالص LLM فاصله می‌گیرند یا خیر.

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