«مالیات انتخاب»؛ مانعی در مسیر بهره‌وری عامل‌های هوش مصنوعی

اگر هنوز ساعت‌ها وقت خود را صرف اصلاح کلمات یک پرامپت می‌کنید تا جواب دلخواه را بگیرید، باید بدانید که این مهارت در حال تبدیل شدن به یک میراث قدیمی است. عصر منوهای کشویی برای انتخاب مدل به پایان رسیده و جای خود را به سامانه‌هایی داده است که در آن‌ها کاربر فقط «نتیجه» را می‌خواهد و «فرآیند فنی» را به زیرساخت می‌سپارد. پلتفرم‌هایی مانند HeFu و دیگر سامانه‌های عامل‌محور (Agentic)، انتخاب مدل را از رابط کاربری (UI) به لایه زیرساختی منتقل کرده‌اند.

به نقل از گزارش‌های منتشر شده تا ۱۲ سپتامبر ۲۰۲۶، صنعت به سمت عامل‌های «بدون تنظیمات» (Zero-Configuration) حرکت کرده است. در این رویکرد، طبقه‌بندی قصد کاربر و مسیریابی درخواست به صورت خودکار انجام می‌شود تا اطمینان حاصل شود که کاربر تنها نتیجه مطلوب را توصیف می‌کند، نه فرآیند فنی رسیدن به آن را. این تحول زمانی رخ داد که سازمان‌ها دریافتند مهندسی پرامپت (Prompt Engineering) — که شبیه هنر سؤال درست پرسیدن از یک مشاور باتجربه است — در مقیاس سازمانی به یک «مالیات بهره‌وری» تبدیل شده است.

همان‌طور که در تحلیل قبلی ما درباره‌ی تفکیک عامل‌های کدنویسی و اداری توسط Anthropic اشاره کردیم، بازار اکنون به سمتی می‌رود که موتور زیربنایی هوش مصنوعی به عنوان یک زیرساخت نامرئی دیده شود. برای یک کارمند اداری، این یعنی تفاوت بین یک ساعت کلنجار رفتن با یک پرامپت برای رفع خطاهای احتمالی و صرفاً بیان هدف نهایی. این رویکرد در عمل منجر به تغییرات بنیادین در عملیات‌های داخلی شده است، همان‌طور که در بررسی تحول پردازش فاکتورهای مالی توسط ابزارهای خودمختار مشاهده کردیم.

زمینه و ضرورت حذف تنظیمات

در جریان‌های کاری سنتی، کاربر باید دو تصمیم سخت بگیرد: اول اینکه کدام مدل خاص را فراخوانی کند و دوم اینکه دقیقاً چگونه درخواست خود را عبارت‌بندی کند. یک عامل «بدون انتخاب مدل و بدون پرامپت»، هر دو بار را از دوش کاربر برمی‌دارد. این تغییر، فراتر از یک چت‌بات با رابط کاربری زیباتر است؛ این یک تغییر معماری است؛ جایی که محصول نهایی «خروجی» است، نه ابزاری برای گفتگو، و مدل تنها به عنوان زیرساخت عمل می‌کند. چنین تغییراتی در معماری نرم‌افزار، این پرسش را ایجاد می‌کند که آیا ابزارهای SaaS فعلی تا سه سال آینده منسوخ خواهند شد یا خیر.

برای مثال، کاربر می‌تواند به سادگی بیان کند: «گزارش فروش این فصل را خلاصه کن و یک ایمیل پیگیری برای مدیران منطقه‌ای بنویس». در این حالت، عامل ابتدا وظیفه را طبقه‌بندی می‌کند، آن را به مناسب‌ترین مدل می‌فرستد و یک محصول نهایی و آماده را تحویل می‌دهد. کاربر تجاری هرگز منوی کشویی انتخاب مدل را نمی‌بیند، هرگز یک پرامپت سیستمی نمی‌نویسد و نیازی ندارد یک درخواست واحد را چهار بار در موتورهای مختلف اجرا کند تا خروجی‌ها را با هم مقایسه کند.

بر اساس مستندات HeFu Blog، این سیستم از طریق یک زیرساخت لایه‌ای عمل می‌کند که بار انتخاب تأمین‌کننده را حذف می‌کند. وقتی کاربر درخواستی می‌فرستد، عامل یک خط لوله سه مرحله‌ای را اجرا می‌کند:

جزئیات فنی خط لوله مسیریابی

• طبقه‌بندی قصد (Intent Classification): عامل خانواده‌ی وظیفه را شناسایی می‌کند. این دسته‌بندی‌ها شامل مواردی چون استدلال ریاضی، خلاصه‌سازی اسناد طولانی، تولید کد، ترجمه چندزبانه، درک تصویر یا استخراج داده‌های ساختاریافته است.
• تطبیق قابلیت (Capability Matching): سیستم مدل‌های کاندید را بر اساس تأخیر (Latency)، هزینه و معیارهای کیفیت (Benchmarks) امتیازدهی می‌کند. برای مثال، یک خلاصه حقوقی پیچیده به دلیل قدرت در مدیریت زمینه‌های متنی طولانی به Claude Opus 5 یا Kimi K3 فرستاده می‌شود، در حالی که یک وظیفه تحلیل جدول داده برای بهره‌وری در هزینه به سری‌های متن‌باز DeepSeek می‌رود.
• اعتبارسنجی اجرا (Execution Validation): پلتفرم خطاهای قالب‌بندی یا انحراف از وظیفه (Task Drift) را بررسی می‌کند. اگر نتیجه اول از فیلترهای کیفی رد شود، سیستم به‌طور خودکار با یک مدل جایگزین تلاش مجدد می‌کند.

این مسیریابی از طریق یک نقطه اتصال واحد (API endpoint) در آدرس https://api.hefu.hk/v1 انجام می‌شود که به پلتفرم اجازه می‌دهد فهرست مدل‌های خود را به‌طور مداوم بازبینی و بنچمارک کند. تا مه ۲۰۲۶، این دایرکتوری شامل مدل‌هایی چون GPT-5.6 (Terra / Sol / Luna)، Claude Opus 5، DeepSeek-V4-Pro، Kimi K3، Gemini 3.6 Flash و Qwen 3.8 Max است.

تأثیر اقتصادی این تغییر بسیار زیاد است. سازمان‌ها در حال حاضر زمانی را از دست می‌دهند که کارکنان خروجی‌های مدل‌های مختلف را در تب‌های جداگانه مقایسه می‌کنند — مثلاً مقایسه GPT-5.6 با Claude Sonnet 5 برای یک وظیفه ترجمه و بازنویسی سه باره پرامپت برای اصلاح لحن. پلتفرم‌ها با فرستادن کارهای ساده به لایه‌های ارزان‌قیمت و کارهای پیچیده به مدل‌های پرچم‌دار، هزینه‌های استنتاج (Inference) — که شبیه کرایه یک آشپزخانه صنعتی است — را در لحظه بهینه می‌کنند؛ کاری که انسان‌ها نمی‌توانند با دقت و تکرارپذیری انجام دهند.

حذف مالیات انتخاب

وقتی پلتفرم انتخاب تأمین‌کننده را مدیریت می‌کند، کاربران دیگر «مالیات انتخاب» را نمی‌پردازند. این مالیات همان زمانی است که برای بررسی کارت‌های مدل (Model Cards)، مقایسه بنچمارک‌ها و اجرای مجدد پرامپت‌های شکست‌خورده تلف می‌شود.

همچنین هزینه جابجایی (Switching Cost) به‌شدت کاهش می‌یابد. در خط لوله‌های سنتی، ارسال وظایف به Gemini 3.6 Flash، GLM 5 یا MiniMax M2.1 به این معناست که هر عرضه مدل جدید، کاربر را مجبور می‌کند دوباره وارد فاز ارزیابی شود. اما در عامل‌های بدون انتخاب، این بار بر دوش اپراتور پلتفرم است که مدل‌های جدیدی مثل DeepSeek-V4-Flash و Qwen 3.8 Max را به‌طور مداوم ادغام کند تا جریان کاری بدون هیچ اقدامی از سوی کاربر بهبود یابد.

این گذار، نقش کاربر AI را از یک «مهندس پرامپت» به یک «مدیر اعلامی» (Declarative Manager) تغییر می‌دهد. کاربر به‌جای یادگیری نحو (Syntax) خاص مدل‌هایی مثل Gemini 3.6 Flash یا GLM 5، فقط هدف را تعریف می‌کند و مسئولیت ارزیابی و انتخاب ابزار با پلتفرم است.

برای یک متخصص، این یعنی منحنی یادگیری AI تقریباً به صفر می‌رسد. پایداری خروجی دیگر به توانایی کاربر در نوشتن یک پیام سیستمی بی‌نقص یا ارائه نمونه‌های Few-shot بستگی ندارد، بلکه به توانایی پلتفرم در نظارت بر کیفیت و فعال کردن جایگزین‌ها (Fallbacks) وابسته است. در حالی که دستیارهای سنتی بسته به کیفیت پرامپت تغییر می‌کنند، عامل‌های خودمختار از طریق تلاش‌های مجدد خودکار و گزارش‌های بازرسی (Audit Logs)، ثبات ایجاد می‌کنند.

منتظر ظهور لایه‌های سازمانی «مستقل از مدل» (Model-agnostic) باشید که با مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — نه به عنوان محصولات متمایز، بلکه به عنوان کالاهای جایگزین‌پذیر برخورد می‌کنند. میدان نبرد بعدی احتمالاً دقت لایه طبقه‌بندی قصد خواهد بود، زیرا یک خطای مسیریابی کوچک می‌تواند کل یک جریان کاری خودکار را مختل کند.

گام بعدی شما

• بررسی ابزارهای مسیریابی مدل (Model Router) برای کاهش هزینه‌های API در پروژه‌های خود.
• تغییر تمرکز از یادگیری «نحو پرامپت» به یادگیری «تعریف دقیق اهداف و خروجی‌ها».
• نظارت بر توسعه استانداردهای لایه میان‌افزار (Middleware) که مدل‌های مختلف را یکپارچه می‌کنند.

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