تخیل نامتقارن در برابر رابط‌های کاربری سنتی در مدل جدید Atlassian

تصور کنید ابزارهای مدیریتی که سال‌ها با آن‌ها کار کرده‌اید، ناگهان توسط یک مدل زبانی جایگزین شوند و دیگر نیازی به باز کردن هیچ اپلیکیشنی نباشد. برای بسیاری از مدیران فناوری، این کابوس «سقوط SaaS» (SaaSpocalypse) است؛ ایده‌ای که مدل‌های پیشرو هوش مصنوعی به‌سادگی ابزارهای نرم‌افزاری را حذف می‌کنند. اما مایک کنون-بروکز، مدیرعامل اتلسین (Atlassian)، این پیش‌بینی را یک سوءتفاهم بنیادین درباره نحوه عملکرد واقعی کسب‌وکارها می‌داند.

به باور کنون-بروکز، مدل‌های پیشرو می‌توانند کارهای قاعده‌مند را خودکار کنند، اما هرگز نمی‌توانند جایگزین شهود و قضاوت انسانی شوند که برای اداره سازمان‌های پیچیده و جهانی ضروری است. او در گفتگوهای مفصل خود به شدت با این ایده که مدلی مانند Claude بتواند به‌سادگی «کسب‌وکار من را اداره کند» مخالفت کرد. او خاطرنشان کرد که اکثر کسب‌وکارها ساده نیستند؛ بلکه مجموعه‌هایی جهانی از قوانین، الزامات انطباق (Compliance)، قوانین حقوقی و تناقضات رفتاری انسانی هستند که فراتر از توان یک مدل زبانی است.

این بحث در حالی شکل می‌گیرد که بسیاری از رهبران صنعت معتقدند عامل‌های هوشمند (AI Agents) به‌زودی رابط‌های کاربری (UI) را منسوخ می‌کنند و به یک مدل واحد اجازه می‌دهند تا داده‌ها را از چندین فروشنده مختلف سنتز و ترکیب کند. این آینده‌ی «بدون سر» (Headless)، مدل کسب‌وکار اصلی ارائه‌دهندگان SaaS را که متکی بر تعامل کاربران با پلتفرم‌های خاص خود هستند، تهدید می‌کند. برای شرکتی مثل اتلسین که ستون فقرات عملیاتی هزاران تیم فنی را از طریق جیرا (Jira) و ترلو (Trello) تأمین می‌کند، این موضوع مستقیماً با تعریف نرم‌افزارهای سازمانی در ارتباط است.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن و آینده ابزارهای بهره‌وری اشاره کردیم، رقابت اکنون از میدان «دسترسی به داده» به میدان «طراحی تجربه» منتقل شده است. کنون-بروکز اتلسین را نه مجموعه‌ای از اپلیکیشن‌ها، بلکه یک پلتفرم واحد می‌بیند که محصولاتش تنها جلوه‌های مختلفی از یک موتور مرکزی هستند. او شرکت خود را پلتفرمی می‌بیند که کسب‌وکارها را قادر می‌سازد تا همکاری و مدیریت کار را در میان تیم‌های فناوری و تجاری به طور یکپارچه انجام دهند. او معتقد است نرم‌افزارهای «بدون سر» در واقع «بدون مغز» هستند، چون طراحی و تجربه‌ای که ارزش واقعی را برای کاربر خلق می‌کند و محرک بهره‌وری است، از بین می‌برند.

طبق اعلام این شرکت، اتلسین برای مقابله با تهدید جایگزینی توسط هوش مصنوعی، روی چهار محور استراتژیک متمرکز شده است:

• ثبات در طراحی: طراحی در این شرکت یک جایگاه مدیریتی ارشد است و مدیر ارشد طراحی (Chief Design Officer) مستقیماً به مدیرعامل گزارش می‌دهد. کنون-بروکز یک «سخت‌گیر» در زمینه طراحی و ثبات است و برای دستیابی به «ثبات نهایی» (Eventual Consistency) در سطح گسترده محصولاتش تلاش می‌کند. او معتقد است وقتی هزینه ساخت نرم‌افزار کاهش می‌یابد، تمایز شرکت‌ها کاملاً به سلیقه، قضاوت و تجربه کاربری وابسته خواهد بود.
• لایه چت Rovo: ابزار رووو (Rovo) یک رابط بومی هوش مصنوعی است که بستر متنی (Context Window) — شبیه به میز کاری که مدل هم‌زمان چند ورق را روی آن نگه می‌دارد تا جواب دهد — را در کل پلتفرم درک می‌کند، بدون اینکه ابزارهای تخصصی مثل جیرا را حذف کند. این ابزار به کاربران اجازه می‌دهد در تمام داده‌ها جستجو کنند در حالی که لایه تعاملی خاص ابزارهایی مثل Loom یا Jira حفظ شود. کنون-بروکز استدلال می‌کند که Rovo در ارزیابی‌ها عملکرد بهتری دارد چون در پلتفرم ادغام شده است، نه اینکه یک LLM بنیادین مستقل باشد.
• یکپارچگی MCP و CLI: اتلسین از پروتکل زمینه مدل (Model Context Protocol - MCP) و رابط‌های خط فرمان (CLI) استفاده کرده تا عامل‌های هوش مصنوعی بتوانند با داده‌های آن‌ها تعامل کنند. این شامل یک CLI داخلی و MCP برای سیستم طراحی تحسین‌شده آن‌ها، atlassian.design است. این زیرساخت به طراحان اجازه می‌دهد سیستم را تکامل دهند و هم‌زمان تضمین کنند که هزاران مهندس، ویژگی‌های سازگار و یکدستی می‌سازند.
• مرورگر Dia: این شرکت مرورگر اختصاصی خود به نام دیا (Dia) را ساخته که ۹۶ تا ۹۷ درصد کارکنان شرکت روزانه از آن استفاده می‌کنند. کنون-بروکز معتقد است این بهترین مرورگر برای کارکنان دانش‌محور در جهان است و بخشی حیاتی از نحوه عملیاتی شدن شرکت محسوب می‌شود.

نکته جالب اینجاست که طبق گزارش‌های داخلی اتلسین، مشتریانی که از این ابزارهای تعاملی هوش مصنوعی استفاده می‌کنند، نرخ رشد درآمد سالانه (ARR) آن‌ها دو برابر مشتریان عادی است. این نشان می‌دهد عامل‌ها به‌جای جایگزینی پلتفرم، باعث افزایش استفاده از آن می‌شوند. این روند با تغییرات گسترده در هزینه‌های عملیاتی همسو است؛ چنان‌که در برخی مدل‌های جدید هزینه هر تسک عملیاتی به شدت کاهش یافته و از ۱۴ دلار به ۵ سنت رسیده است.

ساختار فنی اتلسین برای تضمین این ثبات در سه لایه تعریف شده است تا هوش مصنوعی و اتوماسیون در کل اکوسیستم یکسان باشند:

۱. پلتفرم تحقیق و توسعه (R&D): این لایه پایه، درگاه‌های هوش مصنوعی، چت، اتوماسیون، احراز هویت، ثبت وقایع (Logging)، حاکمیت، انطباق و طبقه‌بندی محتوا را مدیریت می‌کند. بیش از نیمی از سرمایه‌گذاری R&D شرکت در این بخش متمرکز است تا قابلیت‌های بنیادین بین تمام محصولات مشترک باشد.
۲. لایه ثبات: این لایه تضمین می‌کند که اتوماسیون و عملیات، چه در کانفلوئنس باشد و چه در جیرا، به یک شکل عمل کنند. این امر امکان «بازترکیب‌پذیری» (Recomposability) را فراهم می‌کند؛ مثلاً باز کردن یک صفحه کانفلوئنس (Confluence) درون جیرا بدون خروج از برنامه. این کار از ایجاد «جهنم نرم‌افزاری» جلوگیری می‌کند که وقتی نرم‌افزارهای سازمانی به‌طور نامنظم با هم ترکیب می‌شوند، رخ می‌دهد.
۳. لایه اپلیکیشن: جایی که ابزارهای تخصصی (که کنون-بروکز آن‌ها را به «پیچ‌گوشتی یا چکش» تشبیه می‌کند) وظایف اختصاصی خود را انجام می‌دهند. هر اپلیکیشن رابطی خاص دارد که برای کمک به کاربر در تکمیل یک تکلیف طراحی شده است، چیزی که او آن را برای بهره‌وری ضروری می‌داند.

این تغییرات استراتژیک با تغییرات سخت در نیروی انسانی همراه بوده است. در مارس ۲۰۲۴، اتلسین حدود ۱۰ درصد از کارکنان خود را تعدیل کرد. کنون-بروکز تصریح کرد که این اقدام به‌منظور جایگزینی ساده انسان با هوش مصنوعی نبوده، بلکه یک تغییر پیش‌دستانه در «ترکیب مهارت‌ها» (Mix of Skills) برای رقابتی ماندن بود. او اشاره کرد که دوران «استخدام و رشد مداوم» در دوره کووید — جایی که شرکت‌ها صرفاً با استخدام «نقاط سبز» (نیروهای جدید) برای پر کردن شکاف‌های مهارتی رشد می‌کردند — دیگر مسیری عملی نیست.

اتلسین اکنون بین ۱۲ تا ۱۳ هزار نفر را تحت سیاست «تیم در هر کجا» (Team Anywhere) مدیریت می‌کند. در حالی که ۶۰ درصد کارکنان سه روز یا بیشتر در هفته به دفتر می‌آیند، ۲۵ درصد هرگز وارد دفتر نمی‌شوند. این ساختار توزیع‌شده از ابتدا به دلیل حضور شرکت در استرالیا و سان‌فرانسیسکو شکل گرفت. کنون-بروکز دوران پیش از Zoom را به یاد می‌آورد که شرکت برای پل زدن میان اقیانوس آرام به سیستم‌های عظیم Polycom در اتاق‌های جلسه متکی بود.

برای مدیریت این گذار به عصر AI، اتلسین یک تغییر سازمانی غیرمعمول ایجاد کرد: ادغام بخش IT داخلی و مهندسی زیر نظر مدیر ارشد نیروی انسانی. این نقش جدید، «مدیر ارشد نیروی انسانی و توانمندسازی هوش مصنوعی»، هم تغییرات سیستمی (مانند استقرار سرورهای MCP و مدیریت هزینه توکن‌ها) و هم تغییرات استعدادی (آموزش و استخدام) مورد نیاز برای پذیرش AI را مدیریت می‌کند. از نظر کنون-بروکز، این‌ها دو مشکل جدا نیستند؛ یک تغییر سیستمی برای به‌کارگیری AI اغلب ۶۰ درصد یک مسئله مربوط به استعدادها و ۴۰ درصد یک مسئله سیستمی است، یا برعکس.

مدیرعامل اتلسین معتقد است ما از عصر «نامتقارن بودن اطلاعات» — جایی که قدرت در دست کسی بود که داده‌ها را می‌شناخت یا کنترل می‌کرد — به عصر «نامتقارن بودن تخیل» می‌رویم. او شغل‌ها را به دو دسته تقسیم می‌کند:

اول، شغل‌های ورودی‌محور (Input-Bound) مثل خدمات مشتریان یا امور حقوقی که حجم کار توسط درخواست‌های خارجی تعیین می‌شود (مثلاً پردازش قراردادهای عدم افشا یا اجاره‌نامه‌ها). او مثال فرآیند استثنائات در معاملات فروش را می‌زند: هوش مصنوعی می‌تواند ۸۰ درصد درخواست‌های ساده (مثلاً تغییر شرایط پرداخت از ۳۰ به ۴۵ روز) را هندل کند، اما استثناهای پیچیده همچنان به شهود انسانی نیاز دارند. AI سرعت و کیفیت این فرآیندها را بالا می‌برد اما نیاز به قضاوت انسان را حذف نمی‌کند.

دوم، شغل‌های خروجی‌محور (Output-Bound) مثل مهندسی و نقش‌های خلاق که محدودیت در حجم ورودی نیست، بلکه در توانایی انسان برای تخیل و شروع راهکارهای جدید است. او اشاره می‌کند که در ۲۵ سال گذشته، هرگز نشنیده است که یک تیم مهندسی بگوید «نقشه راه ما به پایان رسیده است».

به باور او، مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — هرگز نمی‌توانند تصمیم بگیرند یک شرکت را تاسیس کنند یا یک دسته‌بندی محصول جدید را تخیل کنند. او تأکید می‌کند که تا به امروز هیچ کسب‌وکاری در جهان توسط یک LLM شروع نشده است. او مثال شعب بانک‌ها را می‌زند: با وجود بانکداری موبایل که منجر به بسته شدن برخی شعب در سال ۲۰۰۰ شد، اکنون تعداد شعب در حال افزایش است چون آن‌ها را تطبیق داده‌اند تا خدمات سطح بالا و فرآیندهای پیچیده‌ای را ارائه دهند که تکنولوژی به‌تنهایی قادر به مدیریت آن‌ها نیست.

در مورد ساختار سازمانی، کنون-بروکز برخلاف مارک زاکربرگ (مدیرعامل Meta) که معتقد است AI به مدیران اجازه می‌دهد تیم‌های ۵۰ نفره را رهبری کنند، نسبت به چنین بازه‌های کنترلی افراطی تردید دارد. او همچنین با دیدگاه متیو پرینس (مدیرعامل Cloudflare) مبنی بر اینکه AI می‌تواند «نقش‌های اندازه‌گیری» (Measurement Roles) را حذف کند مخالف است و استدلال می‌کند که اندازه‌گیری معمولاً برای هدفی انجام می‌شود که نیازمند قضاوت انسانی است.

او پیش‌بینی می‌کند سازمان‌ها «پهن‌تر» (کم‌عمق‌تر) شوند و مرز بین نقش‌ها از بین برود؛ مثلاً مدیران محصول مهندسی بیشتری انجام دهند و تیم‌های مالی چارچوب‌های حقوقی بیشتری را مدیریت کنند. او این وضعیت را «ترکیب شدن لبه‌های نقش‌ها» توصیف می‌کند، جایی که طراحان به‌جای ارائه طرح‌های ساده (Mock-ups) در فیگما، نمونه‌های کدنویسی‌شده (Prototypes) را ارسال کنند. او اشاره می‌کند که بسیاری از مدیران محصول و طراحان اکنون در حال نوشتن و ارسال کد هستند، اما تأکید می‌کند که این کار همچنان نیازمند یک پلتفرم مهندسی مستحکم برای تضمین انطباق با قوانین اروپا، اقامت داده‌ها (Data Residency) و امنیت مشتری است — چیزهایی که نمی‌توان با «کدنویسی بر اساس حس» (Vibe Coding) انجام داد.

او معتقد است عنصر انسانی — یعنی تخصص «تیز» در سلیقه و قضاوت — به تمایز اصلی تبدیل خواهد شد، زیرا هزینه تولید کد و محتوای پایه به نزدیک صفر می‌رسد. این تغییر نشان می‌دهد که آینده SaaS ناپدید شدن رابط کاربری نیست، بلکه تکامل ابزار به یک سیستم با اهرم بالا برای تخیل انسانی است.

در نهایت، او در مورد چارچوب رهبری شخصی خود بر فرآیند بحث‌های گسترده و جمع‌آوری دیدگاه‌های متنوع تأکید دارد. او به اهمیت توضیح «چرایی» تصمیمات برای کارکنان، به‌جای صرفاً بیان «چه چیزی» تغییر کرده، باور دارد.

او به ارزش اصلی اتلسین اشاره می‌کند: «ما شرکتی باز هستیم، بدون مزخرفات» (We’re an open company, no bullshit). او تصریح می‌کند که این به معنای شفافیت مطلق نیست — که آن را طاقت‌فرسا و مخالف سرعت می‌داند — بلکه به معنای «وضوح» است. او معتقد است مدیران به کارکنان مدیون هستند که گزینه‌های بررسی شده (مثلاً «ما مسیرهای مستقیم، راست و چپ را بررسی کردیم») و دلایل خاص انتخاب یک مسیر را توضیح دهند. این رویکرد در نحوه ارتباط او درباره تغییرات ترکیب نیروی انسانی در مارس ۲۰۲۴ محوری بود تا تصمیمات بدون «رنگ‌آمیزی» یا ابهامات شرکتی منتقل شوند.

باید منتظر ماند و دید غول‌های دیگر نرم‌افزارهای سازمانی چگونه به استاندارد MCP پاسخ می‌دهند، زیرا این موضوع تعیین می‌کند که آیا آینده «بدون سر» به واقعیت تبدیل می‌شود یا یک تهدید تئوریک باقی می‌ماند. این رقابت در حالی شدت می‌گیرد که برخی نگرانی‌ها درباره اتحاد غول‌های هوش مصنوعی برای توقف توسعه و احتمال تشکیل کارتل به گوش می‌رسد.

گام بعدی شما

• اگر مدیر محصول هستید، بررسی کنید که چگونه می‌توانید خروجی‌های تیم طراحی را از Mock-up به Prototypeهای کدنویسی‌شده تغییر دهید.
• استانداردهای MCP را دنبال کنید تا متوجه شوید چگونه عامل‌های هوش مصنوعی می‌توانند بدون جایگزینی UI، با داده‌های سازمانی شما تعامل کنند.
• در سازمان خود تفکیک بین کارهای «ورودی‌محور» و «خروجی‌محور» را انجام دهید تا نقاط دقیق جایگزینی با AI را شناسایی کنید.

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