۹۰٪ از محتوای شرکت‌ها برای عامل‌های هوش مصنوعی غیرقابل‌خوان است

تصور کنید یک مدیر محصول می‌خواهد فرآیند تولید صفحات فروشگاه آنلاین خود را کاملاً هوشمند کند، اما متوجه می‌شود هوش مصنوعی حتی نمی‌داند کدام عکس برای بازار اروپا مجاز است. این شکستِ عملیاتی، دلیل اصلی توقف پروژه‌های آزمایشی در سازمان‌های بزرگ است.

طبق داده‌های مک‌کینزی (McKinsey)، تنها ۱۱٪ از سازمان‌ها بازدهی قابل‌توجهی از سرمایه‌گذاری‌های هوش مصنوعی خود دیده‌اند. هرچند پلتفرم‌هایی مثل Agentverse تا مارس ۲۰۲۶ بیش از ۶۰۰ عامل (Agent) — سیستم‌های هوشمندی که می‌توانند به‌طور مستقل هدف را دنبال کنند — را فعال کردند، اما اکثر مدیران وقتی در مورد برنامه‌های استقرار واقعی خود سوال می‌شود، سکوت می‌کنند. مشکل از هوشبینی مدل‌ها نیست، بلکه خلأ در زیرساخت محتواست.

اکثر دارایی‌های شرکتی مثل تصاویر محصول، دستورالعمل‌های برند و اسناد انطباق (Compliance)، برای هوش مصنوعی مثل یک «جعبه سیاه» هستند. این فایل‌ها در گوگل درایو، دیسک‌های محلی و گروه‌های چت پراکنده‌اند و هیچ متادیتای واحد یا برچسب معنایی ندارند. بدون یک لایه محتوایی ساختاریافته، یک عامل هوشمند به‌جای اینکه مثل یک کارمند خودگردان عمل کند، شبیه به یک موتور جست‌وجوی گران‌قیمست.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، کیفیت ورودی‌ها تعیین‌کننده خروجی است. در همین راستا، MuseDAM معماری جدیدی به نام Agentic DAM معرفی کرده است. این سیستم برخلاف مدیریت سنتی دارایی‌های دیجیتال (Digital Asset Management) که فقط روی پیدا کردن یک فایل تمرکز دارد، محتوا را به اشیای عملیاتی تبدیل می‌کند. این معماری با محتوا به عنوان یک «سیستم زمینه محتوا» (Content Context System) برخورد می‌کند که در آن هوش مصنوعی می‌فهمد یک دارایی چیست، در کجا استفاده می‌شود و چگونه به سایر قواعد تجاری متصل است.

سه لایه زیرساختی برای عامل‌ها

بر اساس مستندات MuseDAM، برای انتقال عامل‌ها از مرحله آزمون (Pilot) به مرحله تولید (Production)، سه لایه‌ی فنی ضروری است:

• لایه معنایی (Semantic Layer): این لایه برچسب‌گذاری دستی را با توصیفات خودکارِ هوش مصنوعی جایگزین می‌کند. این سیستم برچسب‌های چندبعدی تولید می‌کند که ویژگی‌های بصری، ویژگی‌های برند و وضعیت انطباق قانونی را پوشش می‌دهد.
• لایه رابطه‌ای (Relationship Layer): این لایه یک گراف رابطه محتوایی ایجاد می‌کند. در این ساختار، یک تصویر محصول به‌طور صریح به لایسنس استفاده از آن، دستورالعمل‌های مرتبط با برند و سوابق کانال‌های انتشار خاص پیوند داده می‌شود.
• لایه رابط (Interface Layer): این لایه از APIهای استاندارد و پروتکل‌های پروتکل زمینهٔ مدل (MCP) استفاده می‌کند. این ابزارها به عامل‌های خارجی اجازه می‌دهند تا بدون دخالت دستی انسان، دارایی‌ها را مستقیماً فراخوانی کنند. این رویکرد برای توسعه قابلیت‌های عامل‌ها حیاتی است، مشابه آنچه در تلاشات iFLYTEK برای انتقال کنترل عامل‌ها به کدهای ماژولار دیدیم تا مقیاس‌پذیری عملیاتی افزایش یابد.

گلوگاه تولید

زمینه (Context) عامل اصلی محدودکننده است. طبق یک نظرسنجی از گارتنر (Gartner) در اواخر سال ۲۰۲۵، ۷۸٪ پروژه‌های آزمایشی هوش مصنوعی در سازمان‌ها هرگز به مرحله تولید نرسیدند. دلیل این اتفاق این است که ۹۰٪ محتوای سازمانی در حال حاضر برای هوش مصنوعی «غیرقابل‌خوان» است.

مثال بزنیم: عاملی را در نظر بگیرید که وظیفه دارد صفحات تجارت الکترونیکی فرامرزی بسازد. این عامل باید تصویر درست را شناسایی کند، رنگ‌های برند را تأیید نماید، انطباق با قوانین بازار هدف را بررسی کند و بومی‌سازی (Localization) را مدیریت نماید. اگر این داده‌ها فقط در حافظه یک همکار یا در یک گروه وی‌چت (WeChat) باشد، عامل نمی‌تواند عملیات را اجرا کند.

شرکت فورستر (Forrester) در گزارش سال ۲۰۲۵ خود در مورد DAM، برای نخستین بار «آمادگی برای هوش مصنوعی» (AI-readiness) را به عنوان یک بعد ارزیابی رسمی فهرست کرد. این موضوع نشان‌دهنده یک درک گسترده‌تر در صنعت است: کیفیت زیرساخت محتوا، سقف توانمندی‌های یک عامل هوشمند را تعیین می‌کند.

مسیر رسیدگی به آمادگی هوش مصنوعی

برای آماده‌سازی سازمان‌ها، MuseDAM یک ممیزی سه‌مرحله‌ای را پیشنهاد می‌دهد:

۱. متمرکزسازی و استانداردسازی: انتقال دارایی‌ها از پلتفرم‌های پراکنده به یک سیستم واحد با چارچوب‌های متادیتای سازگار.
۲. خودکارسازی برچسب‌ها: تغییر رویکرد به سمت توصیفات مبتنی بر هوش مصنوعی برای افزایش ۱۰ برابری کارایی نسبت به روش‌های دستی.
۳. باز کردن دسترسی API: اطمینان از اینکه سیستم DAM یک جعبه بسته نیست. عامل‌ها باید بتوانند برای بازیابی داده‌ها با سیستم «گفتگو» کنند.

در حال حاضر MuseDAM به بیش از ۲۰۰ شرکت متوسط و بزرگ خدمات می‌دهد و مالک بیش از ۱۷۰ اختراع ثبت‌شده است. این شرکت تأکید می‌کند که برای جریان‌های کاری هوش مصنوعی، گواهینامه‌های SOC2 و ISO 27001 حداقل‌های ورود برای تأمین امنیت و انطباق هستند.

این تغییر رویکرد نشان می‌دهد که برنده مسابقه هوش مصنوعی در آینده، کسانی نخواهند بود که بزرگ‌ترین مدل‌ها را دارند، بلکه کسانی هستند که پاک‌ترین زمینه داده‌ای (Data Context) را ساخته‌اند. گلوگاه از «مغز» (LLM) به «حافظه» (DAM) منتقل شده است. کسانی که لایه زیرساختی را نادیده بگیرند، خواهند دید که عامل‌هایشان همواره در حال ضربدر زدن به دری بسته‌اند.

کسب‌وکارها اکنون باید وضعیت متادیتای محتوای خود را ممیزی کنند. سوال حیاتی دیگر این نیست که آیا هوش مصنوعی به اندازه کافی هوشمند هست یا خیر، بلکه این است که آیا دارایی‌های شما آماده خوانده شدن هستند یا نه.

گام بعدی شما

• وضعیت متادیتا (Metadata) دارایی‌های شرکت خود را ممیزی کنید.
• بررسی کنید چه مقدار از محتوای شما در گروه‌های چت یا فایل‌های شخصی محبوس شده است.
• استراتژی انتقال از ذخیره‌سازی ساده به «سیستم زمینه محتوا» را تدوین کنید.

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