درون استراتژی ورسل؛ انتقال از نمونه‌های اولیه به چارچوب سندباکس

اگر امروز مدیریت یک تیم توسعه هستید، باید بدانید که دوران «نمونه‌های اولیه» به پایان رسیده و زمان استقرار واقعی فرا رسیده است. در حالی که بسیاری از ابتکارات هوش مصنوعی همچنان در فاز آزمایشی و پایلوت باقی مانده‌اند، ورسل شاهد تغییری به سوی واقعیت‌های سختِ محیط تولید است. این شرکت اکنون روزانه بیش از ۱ تریلیون توکن را از طریق درگاه هوش مصنوعی خود پردازش می‌کند و این حجم از داده، نشانه‌ای از تغییر رفتار شرکت‌هاست.

به گزارش گایرمو راک، مدیرعامل ورسل (Vercel)، در مصاحبه‌ای پس از کنفرانس ShipNYC، این شرکت روزانه ۶ میلیون استقرار (Deployment) را ثبت می‌کند که نیمی از آن‌ها توسط عامل‌های کدنویسی (Coding Agents) هدایت می‌شوند. این جهش زمانی رخ می‌دهد که سازمان‌ها از فاز «نمونه اولیه» سال گذشته عبور می‌کنند. در سال ۲۰۲۳، تمرکز بر آزاد کردن عامل‌ها و اکتشاف در محیط‌هایی بود که در آن «آسمان تنها مرز بود». ورسل این موضوع را در داخل سازمان خود تست کرد و صدها عامل را که به‌طور ارگانیک توسعه یافته بودند، مستقر نمود. اما آن فاز، منجر به مواجهه با واقعیت‌های چالش‌برانگیز محیط تولید شد.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، بزرگ‌ترین مانع در مسیر تجاری‌سازی، ترس از نشت داده‌هاست. برای اکثر کسب‌وکارها، هیجان اولیه جای خود را به اصطکاک ناشی از بازرسی‌های امنیتی و نشت داده‌ها داده است. ورسل در این معادله، خود را نه به عنوان یک ارائه‌دهنده مدل، بلکه به عنوان زیرساخت حیاتی یا «AWS این نسل» معرفی می‌کند؛ زیرساختی که به این عامل‌ها اجازه می‌دهد به‌صورت ایمن فعالیت کنند.

زمینه و زیرساخت هوش مصنوعی

رشد ورسل بر این فرض استوار است که نیاز شدیدی به لایه‌ای وجود دارد که مدل را از لایه اجرا جدا کند. این ساختار شامل مدل، هارنس (Harness)، پلتفرم داده، سندباکس و درگاه (Gateway) است. با تبدیل کردن هر یک از این قطعات به ابزارهایی با قابلیت «بستن و اتصال سریع» (Plug-and-Play)، ورسل به توسعه‌دهندگان اجازه می‌دهد تا بدون تحمل بار سنگین مدیریت سرورها، عامل‌های خود را مستقر کنند. این رویکرد در راستای تلاش‌های گسترده‌تر صنعت برای تسهیل انتقال عامل‌های هوش مصنوعی به محیط‌های عملیاتی است تا فاصله میان آزمایشگاه و تولید کاهش یابد.

پشته امنیتی (Security Stack)

برای مدیریت ریسک‌های هوش مصنوعی در محیط تولید، راک دو مکانیسم اصلی را معرفی کرد:

• Eve: چارچوبی که به توسعه‌دهندگان اجازه می‌دهد دستورالعمل‌ها و مهارت‌های عملیاتی یک عامل (Agent) — شبیه به دستیاری که دقیقاً می‌داند چه کاره‌ای است و چه ابزاری را باید به کار بگیرد — را با زبان طبیعی تعریف کنند. این فناوری هم برای بهره‌وری داخلی و هم برای عامل‌های رو به مشتری از طریق APIها استفاده می‌شود. در واقع ورسل با ارائه‌ی رویکردی مبتنی بر سیستم فایل، مدیریت این عامل‌ها را در مقیاس سازمانی ساده‌تر کرده است.
• Vercel Sandbox: یک محیط محصور یا «قفس کوچک» که در آن هوش مدل جاری است، اما شرکت سیاست‌های سخت‌گیرانه‌ای را اعمال می‌کند که چه داده‌ای می‌تواند توسط عامل دسترسی پیدا کند و چه داده‌ای مجاز است از سندباکس خارج شود.

این ابزارها دقیقاً برای رفع یک ترس خاص شرکتی طراحی شده‌اند: نشت تصادفی مالکیت معنوی (IP). راک برای توصیف این ریسک به گفتگویی با رئیس شرکت ایرباس اشاره می‌کند. او خاطرنشان می‌کند که یک نصب اشتباهِ ابزار توسعه‌دهنده در یک IDE کدنویسی — مانند Devin یا Cursor — اگر کاربر در تنظیمات اشتباهی باشد، می‌تواند باعث شود دهه‌ها کد تخصصی مهندسی هوافضا با زبان C++ برای آموزش مدل‌ها به یک ابر عمومی ارسال شود.

عامل داخلی سازمان

علاوه بر کدنویسی، راک یک «برنامه کاربردی قاتل» (Killer App) دوم را شناسایی کرده است: عامل‌های داخلی شرکتی که برای کمک به اداره یک شرکت طراحی شده‌اند. او مثالی از یک نماینده فروش در ورسل می‌زند که روی پایگاه‌های نصب‌شده کار می‌کند تا حساب‌های موجود را رشد دهد. پیش از این، گلوگاه کار او نه خلاقیت یا رابطه‌سازی، بلکه دسترسی به داده‌ها بود.

در گذشته، او نمی‌توانست به‌سادگی بپرسد «کدام ۵ حساب در دو هفته اخیر بیشترین رشد صندلی (Seat) را داشته‌اند؟» تا اولویت‌های کاری خود را مشخص کند. در عوض، او مجبور بود منتظر تکمیل یک پروژه در سه ماهه اول (Q1) برای یک داشبورد فروش جدید باشد. راک اعتراف می‌کند که اگرچه ورسل در بخش تحقیق و توسعه (R&D) سریع‌ترین شرکت جهان است، اما بخش مهندسی Salesforce چنان «ناکارآمد» بود که او حتی وقتی کارش را شروع کرد، هرگز Salesforce را باز نکرد. اکنون با استفاده از Eve، این گلوگاه داده حذف شده و امکان تأثیرگذاری فوری در سراسر شرکت فراهم شده است.

این قابلیت، تغییر ساختاری در صنعت نرم‌افزارهای سرویس‌بنیان (SaaS) ایجاد می‌کند. راک استدلال می‌کند که استراتژی‌های «به‌دام انداختن داده‌ها» (Data Trapping) که غول‌های نرم‌افزاری قدیمی برای ساخت پادشاهی‌های خود به کار می‌بردند، با عصر عامل‌محور (Agentic) ناسازگار است؛ چرا که در این عصر، داده‌ها باید به‌طور یکپارچه بین ابزارهای مستقل از مدل (Model-Agnostic) جریان یابند. این چالش عدم هماهنگی در مدل‌های عامل‌محور موضوعی است که حتی غول‌هایی مانند متا با سرمایه‌گذاری‌های کلان را برای عبور از بن‌بست‌های فعلی تلاش را به جان خریده‌اند.

تنوع مدل‌ها و محیط تولید

در حال حاضر، ورسل شاهد جهشی در استفاده از مدل‌های Gemini گوگل در محیط‌های تولیدی است، در کنار گزینه‌های وزن‌های باز (Open Weights) — یعنی مدل‌هایی که دستور پخت آن‌ها علناً منتشر شده and هر کسی می‌تواند آن‌ها را شخصی‌سازی کند — مانند DeepSeek و GLM-5.2. هرچند Gemini ممکن است به اندازه سایرین در اخبار نباشد، اما راک اشاره می‌کند که دلیل رشد آن، بهینه‌سازی کاربران برای محیط تولید است. وقتی شرکت‌ها به ویژگی‌های «قیمت-عملکرد» نگاه می‌کنند، مدل‌های Gemini و مدل‌های باز بسیار جذاب می‌شوند.

این تغییر نشان‌دهنده تغییری در رفتار مشتری است. سال گذشته، بسیاری از شرکت‌ها یک شریک آزمایشگاهی واحد (مانند OpenAI یا Anthropic) را انتخاب می‌کردند. اما اکنون، آن‌ها با مدل‌ها به عنوان قطعات تعویض‌پذیر (Plug-and-Play) برخورد می‌کنند و آن‌ها را بر اساس نیازهای خاص محیط تولید انتخاب می‌کنند.

رقابت با آزمایشگاه‌های AI

این ماژولار بودن، ورسل را در رقابت مستقیم با آزمایشگاه‌هایی مثل OpenAI قرار می‌دهد که اخیراً ابزارهایی را منتشر کرده‌اند که به کاربران اجازه می‌دهد بدون ترک محیط بسته OpenAI، وب‌سایت‌های خود را مستقیماً منتشر کنند. در حالی که این قابلیت به OpenAI اجازه می‌دهد وب‌سایت‌های کوچک را میزبانی کند، راک این موضوع را یک «گشایش استراتژیک» می‌بیند. او معتقد است که این کار باعث می‌شود مردم به ChatGPT به عنوان ابزاری برای ساخت وب‌سایت فکر کنند و زمانی که از مدل درباره میزبانی حرفه‌ای وب (Professional Web Hosting) سوال کنند، مدل به‌طور طبیعی ورسل را توصیه خواهد کرد.

در نهایت، صنعت در حال تصمیم‌گیری است که آیا مدل و عامل باید متصل بمانند یا جدا شوند. ورسل روی دنیایی شرط بسته است که در آن پروتکل‌ها باز هستند و هوش، یک ماژول یا کتابخانه‌ای است که از یک تامین‌کننده فراخوانی می‌شود، و عامل، یک لایه امن و مجزا است که شما روی آن می‌سازید.

گام بعدی شما

• اگر از ابزارهای کدنویسی AI استفاده می‌کنید، تنظیمات دسترسی به داده‌ها و خروجی‌های Cloud را بازبینی کنید تا از نشت کد جلوگیری شود.
• توسعه‌دهندگانی که درگیر مدیریت سرور برای عامل‌ها هستند، مدل‌های Deployment-less ورسل را بررسی کنند.
• استراتژی انتخاب مدل خود را از «یک partner واحد» به «سبد مدل‌ها» تغییر دهید تا هزینه استنتاج را بهینه کنید.

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