هزینهٔ هر تسک عملیاتی از ۱۴ دلار به ۵ سنت رسید

تصور کنید مدیر شرکتی هستید که برای هر درخواست مشتری، ۱۴ دلار هزینه پرداخت می‌کردید و حالا همان کار با ۵ سنت انجام می‌شود. این سقوط قیمت، نتیجهٔ جایگزینی دو دستیار مجازی انسانی با مدل‌های Claude و Codex در یکی از شرکت‌های مشتری است که سیگنالی از یک چرخش بزرگ به سمت بازگرداندن عملیات به داخل (Reshoring) است. این مشتری حتی در حال بررسی جایگزینی جایگاه شغلی سوم با مدل Grok است، مشروط بر اینکه بتواند بر برخی احساسات شخصی غلبه کند. این انتقال، ارزش عملیاتی را از قطب‌های نیروی کار ارزان در خارج از کشور، مستقیماً به زیرساخت‌های API در سیلیکون‌ولی منتقل می‌کند.

برای دهه‌ها، تجارت خدمات جهانی بر پایه «آربیتراژ نیروی کار» (Labor Arbitrage) در هند و فیلیپین استوار بود. مدل پیش‌فرض برای مقیاس‌پذیری ساده بود: انتقال گردش‌کارهای بک-آفیس، خدمات مشتری سطح یک و پشتیبانی اداری به قطب‌های نیروی کار با هزینه پایین‌تر. طبق گزارش بازار ISG، مجموع هزینه‌کرد برای برون‌سپاری فرآیندهای تجاری (BPO) و خدمات فناوری اطلاعات سالانه به ۱ تریلیون دلار نزدیک می‌شود. بخش IT-BPO هند به تنهایی سالانه بیش از ۲۰۰ میلیارد دلار درآمدزایی دارد و فیلیپین ۴۰ میلیارد دلار از این بازار را در اختیار گرفته است.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی اقتصاد مدل‌های زبانی اشاره کردیم، مدل سنتی برون‌سپاری بر پایه هماهنگی انسانی در حجم بالا و مراکز تماس فیزیکی بود. اما اکنون این ساختار جای خود را به «هوش برنامه‌ریزی‌شده» می‌دهد.

به عنوان مثال، شرکتی را تصور کنید که پیش‌تر برای مدیریت یک تیکت مشتری به عاملی در مانیل ۶ تا ۱۴ دلار در ساعت پرداخت می‌کرد. این فرآیند شامل ساعت‌ها یا روزها تأخیر (Latency) بود. امروز، همان گردش‌کار توسط یک لایه ارکستراسیون با استفاده از LangGraph یا LlamaIndex مدیریت می‌شود که در میلی‌ثانیه‌ها و با هزینه تقریبی ۰.۰۵ دلار برای هر تسک اجرا می‌گردد.

این پشتهٔ مدرن هوش مصنوعی، هماهنگی انسانی را با یک خط لوله برنامه‌ریزی‌شده جایگزین می‌کند که در سه سطح عمل می‌کند:

• ادراک و تجزیه (Perception & Parsing): تبدیل گفتار به متن در لحظه و طبقه‌بندی قصد کاربر برای جذب ورودی‌های بدون ساختار. این بخش شامل ایمیل‌ها، تماس‌ها، تیکت‌ها و پیام‌های اسلک است که توسط نقاط انتهایی چندوجهی (Multimodal) پردازش می‌شوند.
• سنتز شناختی (Cognitive Synthesis): مدل‌های تخصصی از طریق APIهای توسعه‌دهنده، استدلال را مدیریت می‌کنند:
  • Anthropic Claude 3.5: مدیریت منطق‌های پیچیده، زمینه‌های ظریف حقوقی، اسناد انطباق (Compliance) و ایمیل‌های چندمرحله‌ای بدون ساختار.
  • xAI Grok: بهره‌گیری از جذب داده‌های لحظه‌ای و زمینه وب برای سنتز وضعیت‌های فعلی بازار یا سیستم.
  • OpenAI Codex: مدیریت ترجمه کد، نگاشت طرحواره (Schema Mapping) و نوشتن اسکریپت‌های موقت برای دستکاری نقاط انتهایی API داخلی در لحظه.
• اجرا (Execution): با استفاده از پروتکل زمینهٔ مدل (MCP)، این مدل‌ها مستقیماً اکشن‌های API را تحریک می‌کنند. آن‌ها عملیات SQL و پایگاه‌داده را انجام داده و سیستم‌های CRM مانند Salesforce، Zendesk یا SAP را بدون نیاز به ورود داده توسط انسان به‌روزرسانی می‌کنند. این شامل صدور بازپرداخت‌ها (Refunds) و پاسخ‌های خودکار وب‌هوک (Webhook) است.

به نقل از تحلیل‌های صنعتی، با تکامل این پشته‌ها به شبکه‌های عامل‌محور (Agentic Networks)، چندین نقش کلیدی در برون‌سپاری منسوخ می‌شوند:

• پشتیبانی مشتری سطح ۱ و ۲: نقش‌های سنتی صوتی و تیکت در فیلیپین توسط مدل‌های گفتار-به-گفتار جایگزین می‌شوند که تأخیر صفر و زمینه کامل از پیشینه کاربر را ارائه می‌دهند.
• ورود داده و دستیاران مجازی اجرایی: کارهای روتین مانند مدیریت تقویم، تریاژ اینباکس، دسته‌بندی هزینه‌ها و بهداشت داده‌های CRM اکنون توسط ابزارهای ارکستراسیون سازمانی مدیریت می‌شود.
• نگهداری نرم‌افزار L1 و QA: تیم‌های عظیم آفشور که مسئول کدهای تکراری (Boilerplate)، تست‌های واحد و رفع باگ بودند، توسط عامل‌های مبتنی بر Codex کنار زده شده‌اند که کد تأییدشده را مستقیماً به خط لوله استقرار (Deployment Pipeline) می‌فرستند. این روند مشابه رویکردی است که بانک Chase برای جایگزینی نویسندگان کد با عامل‌های هوش مصنوعی در مقیاس بانکی در پیش گرفته است.
• عملیات بک-آفیس: پردازش‌کنندگان فاکتور در حسابداری و منابع انسانی اکنون از طریق تجزیه چندوجهی AI، سریع‌تر و با نرخ خطای کمتر نسبت به زنجیره‌های بررسی انسانی چندسطحی عمل می‌کنند.

شرکت‌هایی که به مدل‌های سنتی BPO می‌چسبند، با یک نقص رقابتی شدید روبرو هستند. طبق معیارهای صنعت Beacon Filing، مراکز آفشور سنتی سالانه ۲۰ تا ۴۵ درصد نرخ ریزش کارکنان (Attrition) دارند. در مقابل، یک پشتهٔ هوش مصنوعی نرخ ریزش صفر و قابلیت ارتقای لحظه‌ای دارد.

از نظر عملیاتی، در حالی که یک عامل انسانی ۸ تا ۱۴ دلار در ساعت هزینه دارد و با اختلاف ساعت مواجه است، یک فراخوانی API بین ۰.۰۰۱ تا ۰.۰۵ دلار هزینه دارد. این یعنی دسترسی ۲۴ ساعته در تمام روزهای سال (24/7/365).

زمان حل مشکلات از بازه ۴ تا ۲۴ ساعت به زیر یک ثانیه یا چند دقیقه کاهش یافته است. این گسترش حاشیه سود به شرکت‌های AI-native اجازه می‌دهد قیمت‌های خود را پایین‌تر از رقبا بیاورند و سرمایه را از حقوق کارکنان آفشور به زیرساخت‌های محاسباتی منتقل کنند. با این حال، اتکای شدید به این ابزارها چالش‌های جدیدی ایجاد کرده است؛ چنان‌که تضاد میان سرعت تولید کد و معماری نرم‌افزار به یکی از دغدغه‌های اصلی استارتاپ‌های مدرن تبدیل شده است.

با انتقال سرمایه به سمت نقاط انتهایی API، اقتصاد عملیات جهانی در حال بازنویسی است. بازار تریلیون دلاری خدمات دیگر درباره یافتن ارزان‌ترین نیروی انسانی نیست، بلکه درباره بهینه‌سازی کارآمدترین ارکستراسیون مدل‌هاست.

گام بعدی شما

• بررسی ابزارهای ارکستراسیون مانند LangGraph برای جایگزینی فرآیندهای تکراری اداری.
• ارزیابی هزینه استنتاج مدل‌های مختلف در برابر هزینه نیروی انسانی برای تسک‌های سطح ۱.
• مطالعه پروتکل MCP برای اتصال مدل‌های زبانی به پایگاه‌داده‌های داخلی شرکت.

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