تصور کنید مهندسی هستید که دیگر برای نوشتن خطوط تکراری کد استخدام نمیشوید، بلکه وظیفه دارید تصمیم بگیرید چه کدی باید نوشته شود. گیل هاوس (Gill Haus)، مدیر ارشد فناوری (CIO) بانک Chase، دقیقاً همین تغییر را در ساختار نیروی انسانی خود پیاده کرده است.
به نقل از وبسایت ZDNET، هاوس اعلام کرد که تا شش ماه پیش، کدنویسی شرط اصلی استخدام بود، اما اکنون عاملهای هوش مصنوعی (AI Agents) — شبیه دستیارهای هوشمندی که میتوانند بهجای شما ابزارها را مدیریت کنند و کارها را به سرانجام برسانند — این بار سنگین را به دوش گرفتهاند. هاوس میگوید با حذف کارهای خستهکنندهای که اغلب مانع از پیشرفت مهندسان در کارهایی میشد که واقعاً از آن لذت میبرند، نقش توسعهدهنده سنتی تغییر کرده است. اکنون اهمیت این دارد که بدانند «چه کدی» باید نوشته شود، نه اینکه «چگونه» آن را به صورت دستی تایپ کنند. این تغییر رویکرد با دیدگاههای اندرو انجی درباره مهارتهای حیاتی توسعهدهندگان در عصر AI همسو است که بر تغییر ماهیت تخصص فنی تأکید دارد.
این تحول در حالی رخ میدهد که بسیاری از شرکتها در انتقال هوش مصنوعی از آزمایشگاههای آزمایشی به محیط عملیاتی و تولید (Production) شکست میخورند. شواهد نشان میدهد که استخراج ارزش واقعی از هوش مصنوعی دشوار است؛ به طوری که ۹۱٪ از متخصصان معتقدند شرکتهایشان هنوز در ارائه ارزش واقعی از هوش مصنوعی ناتوان هستند. رهبران کسبوکار اکنون با وظیفه دشوار تبدیل اکتشافات فناوریهای نوظهور به سرویسهای کاربردی در محیط تولید مواجهاند. این چالشها را میتوان در تغییر استراتژی مدیران برای خلق ارزش به جای صرفاً کاهش هزینه مشاهده کرد، جایی که تمرکز از جایگزینی نیروی انسانی به سمت بهرهوری واقعی تغییر یافته است.
برای اکثر مدیران، گذار به هوش مصنوعی عاملمحور شبیه به یک ارتقای ابزاری ساده است. اما برای هاوس، این یک بازتعریف کامل نیروی کار است. او استدلال میکند که صرفاً تعیین هدفی برای افزایش بهرهوری، با بازنگری در فرآیندها از دریچه «عاملمحور» متفاوت است. او اشاره میکند که مرز میان نقشهای فنی و تجاری در حال محو شدن است؛ حالا مدیران محصول که پیشتر فقط سناریوهای کاربر (User Stories) مینوشتند، کد بیشتری میزنند و مهندسان سنتی کارهایی فراتر از صرفاً نوشتن کد انجام میدهند.
مدل عملیاتی عاملمحور
بانک Chase برای تسهیل این گذار، در تابستان ۲۰۲۴ پلتفرم LLM Suite را مستقر کرد. این سامانه یک محیط امن داخلی است که به کارکنان اجازه میدهد به مدلهای زبانی بزرگ (LLM) — هم مدلهای پیشرو (Frontier) و هم مدلهای متنباز (Open-source) — دسترسی داشته باشند. این سیستم به عنوان پلتفرمی طراحی شده است که هر کسی در سازمان بتواند از آن استفاده کند تا پتانسیل تیمها در سراسر شرکت آزاد شود.
کارکنان از این مجموعه برای موارد زیر استفاده میکنند:
- بررسی اسناد پیچیده
- ایجاد مشخصات فنی (Technical Specifications)
- پاسخ به پرسشهای سطح بالای سازمانی
هدف هاوس حذف «ملال» در فرآیندهای مهندسی است که تاریخی از کاهش بهرهوری را به همراه داشته است. او میخواهد با جاسازی عاملها و الگوریتمها در اعماق فرآیندهای عملیاتی — چه از طریق رابطهای داخلی، سرویسهای وب یا اپلیکیشنهای موبایل — فناوری را برای کاربر نهایی نامرئی کند.
اولویت با تجربه مشتری
بانک Chase این نگاه عاملمحور را در سرویسهای مشتریمحور نیز به کار میگیرد تا اطمینان حاصل کند فناوری بهصورت یکپارچه و بدون وقفه احساس میشود. این بانک از یادگیری ماشین برای درک «قصد» (Intent) کاربر استفاده میکند تا مشتری را سریعترین مسیر ممکن به فرد مناسب متصل کند. حتی زمانی که مشتری در تماس تلفنی است، از فناوری مشابهی استفاده میشود تا دقیقاً تشخیص دهند کاربر چه کاری میخواهد انجام دهد.
شخصیسازی و یکپارچگی
هاوس توضیح میدهد که اگر هر فناوری بتواند تجربه مشتری را بهتر یا شخصیسازیتر کند، بانک Chase آن را پیادهسازی خواهد کرد. هدف این است که این ابزارها چنان عمیق ادغام شوند که مشتری حتی متوجه نشود تجربه او بهبود یافته است.
«جادوی» نامرئی بودن
هاوس معتقد است «جادو» زمانی اتفاق میافتد که مشتری سرویس بهتری را تجربه کند و سیستم «بهسادگی برای او کار کند»، بدون اینکه حضور هوش مصنوعی بدیهی یا آزاردهنده باشد. تمرکز اصلی بر روی خروجی — یعنی نتیجهای که مشتری دریافت میکند — است، نه بر روی ورودی یا مدل خاصی که برای رسیدن به آن نتیجه استفاده شده است.
فرمان امنیت در صنعت بانکداری
فعالیت در بخش بانکی که به شدت تحت نظارت است، به این معناست که امنیت نمیتواند یک موضوع ثانویه باشد. به عنوان بانکی در یک بخش با حاکمیت شدید، Chase استانداردهای بسیار بالایی برای فناوریهای نوظهور دارد و در عین سرعت در حرکت، مسئولانه عمل میکند.
هاوس تأکید میکند که حفاظت از دادهها، رضایت کاربر و حریم خصوصی الزامات مطلق هستند. او بیان میکند که بانک اطمینان حاصل میکند مشتریان بدانند اگر دادههایشان برای هدفی استفاده میشود، آگاه شوند و هرگز از دادهها به روشی ناامن یا برخلاف دستورالعملهای حریم خصوصی، انطباق (Compliance) یا مقررات نظارتی استفاده نخواهد کرد. این رویهها هم برای مدلهای سنتی یادگیری ماشین و هم برای فناوریهای عاملمحور حیاتی هستند.
رویکرد امنیتی پیشدستانه Chase شامل موارد زیر است:
- پایبندی شدید به دستورالعملهای نظارتی و انطباقی
- نظارت مداوم بر محیطهای پیرامونی (Perimeter Monitoring)
- وصله کردن سریع آسیبپذیریهای نرمافزاری
- اطمینان از بهروزرسانی بهموقع نرمافزارها برای رفع حفرههای امنیتی
فراتر از دادههای مشتری، هوش مصنوعی در داخل سازمان برای شناسایی باگها و مسدود کردن بازیگران بدخواه (Bad Actors) استفاده میشود. هاوس معتقد است تمرکز بر محیط پیرامونی و حفظ رویکرد پیشدستانه، تنها راه محافظت از مشتریان در دنیایی است که به سرعت در حال تغییر است.
حل شکاف قابلیت اطمینان
یکی از بزرگترین موانع برای هوش مصنوعی عاملمحور، ماهیت احتمالی (Probabilistic) آن است. فناوریهای عاملمحور از مدلها به عنوان موتورهای استدلال استفاده میکنند تا محتملترین اقدام بعدی را از نظر آماری پیشبینی کنند. چون این مدلها احتمالی هستند، همیشه یک پاسخ یکسان را ارائه نمیدهند. این چالشهای فنی با یافتههای پژوهش برکلی درباره نرخ موفقیت پایین عاملهای AI در وظایف تخصصی همخوانی دارد که نشان میدهد دستیابی به دقت ۱۰۰٪ در محیطهای حرفهای همچنان دشوار است.
هاوس اشاره میکند که در حالی که نتایج متغیر ممکن است برای یک دستور پخت غذا قابل قبول باشد — جایی که رسیدن به نوع متفاوتی از مایونز یک مشکل جزئی است — اما در امور مالی این موضوع غیرقابل قبول است. وقتی با پول سر و کار دارید، خروجی باید دقیقاً درست باشد.
برای مبارزه با این مشکل، هاوس چندین حفاظ (Guardrails) را پیاده کرده است:
- انسان در حلقه (Human-in-the-loop): در بسیاری از موارد، راه حل این است که یک انسان را در میانه فرآیند قرار دهند. بانک Chase استقرارهای متعددی دارد که در آن انسانها خروجی هوش مصنوعی را تأیید میکنند تا اعتماد و اطمینان ایجاد شود.
- الگوهای معماری: مهندسان مأموریت دارند الگوهای سختگیرانهای ایجاد کنند که هوش مصنوعی مجبور به پیروی از آنها باشد. این کار مانع از آن میشود که مدل راه حلی را «تولید» کند که به صورت جامع و کلنگر فکر نشده است.
- شفافیت در نتیجه: تمرکز به سمت ایجاد شفافیت در مورد آنچه باید در خروجی صادق باشد تغییر کرده است. این شامل تعریف مقیاس، اجزای خاصی که باید استفاده شوند و نحوه معماری سیستم است.
استاندارد جدید مهندسی
در این محیط جدید، ارزش یک مهندس دیگر با تعداد خطوط کد تولید شده سنجیده نمیشود. در عصر عاملها، تقریباً هر کسی — فارغ از اینکه متخصص IT باشد یا خیر — میتواند با استفاده از ابزارهای کدنویسی مجهز به هوش مصنوعی، یک اپلیکیشن بسازد.
در عوض، هاوس به دنبال متخصصان مهندسی با استعدادی است که بتوانند تشخیص دهند چه زمانی یک عامل صادقانه و مؤثر عمل میکند. او استدلال میکند که «بخشهای سخت» توسعه نرمافزار — یعنی معماری برای مقیاسپذیری و تضمین یکپارچگی کل سیستم — همچنان در قلمرو انسانها باقی مانده است. عاملها نحو (Syntax) را مدیریت میکنند، اما انسانها استراتژی را بر عهده دارند.
این رویکرد نشان میدهد که آینده بخش IT در سازمانها، جایگزینی انسانها با هوش مصنوعی نیست، بلکه ارتقای انسانها به نقش «ارکستراتورهای هوش مصنوعی» (AI Orchestrators) است. هدف این است که الگوهای بنیادی استخراج شوند تا وقتی افراد نرمافزار میسازند، در واقع در حال ساخت «نتیجه مورد نظر» باشند، نه اینکه صرفاً آنچه را که مدل تولید میکند بپذیرند.
در حالی که سایر شرکتها با پذیرش هوش مصنوعی دست و پنجه نرم میکنند، مدل بانک Chase یک نقشه راه برای مقیاسپذیری ارائه میدهد: انسان را از پشت کیبورد به جایگاه خلبان (Cockpit) منتقل کنید و قابلیت اطمینان خروجی را بر نوآوری ابزار اولویت دهید.
گام بعدی شما
- اگر مدیر تیم فنی هستید، معیارهای ارزیابی عملکرد (KPI) خود را از «تعداد تسکهای بسته شده» به «کیفیت معماری و نظارت بر خروجیهای AI» تغییر دهید.
- ابزارهای عاملمحور (Agentic) برای حذف کارهای تکراری در گردشکار (Workflow) تیم خود تست کنید.
- روی مهارتهای «بازبینی کد» (Code Review) و «تأیید صحت» تمرکز کنید، زیرا در دنیای AI، نقش ویراستار مهمتر از نویسنده است.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو