تصور کنید هر عامل هوش مصنوعی در شرکت شما، شناسنامهای دقیق، بودجهای مشخص و جایگاهی در نمودار سازمانی داشته باشد. این رویایی که تا پیش از این در کنفرانسهای تئوریک بحث میشد، اکنون با ورود ابزارهای حاکمیتی به محیط تولید، به یک واقعیت عملی برای غولهای تجاری تبدیل شده است. مدیریت عاملهای هوش مصنوعی سازمانی اکنون دقیقاً مانند مدیریت کارمندان در حال پیشروی است.
به نقل از مستندات جدید، شرکت ورکدی (Workday) در فوریه ۲۰۲۶ سامانه «سوابق عاملها» (Agent System of Record) را راهاندازی کرد تا نقش، هزینه و انطباق امنیتی هر عامل را ردیابی کند. رویکرد ورکدی صریح و بیپرده است: عاملها دیگر صرفاً ابزار نرمافزاری نیستند، بلکه بخشی از استراتژی نیروی کار هستند که باید به عنوان سرمایهگذاری اندازهگیری شده و مانند کارمندان مدیریت شوند.
سالهاست که شرکتها با پدیده «پراکندگی عاملها» (Agent Sprawl) دستوپنجه نرم میکنند؛ وضعیتی که در آن رباتهای غیررسمی و تاییدنشده بدون هیچگونه نظارتی در بخشهای مختلف سازمان تکثیر میشدند. این لایه جدید از حاکمیت، عاملها را به جای نرمافزارهای ساده، به عنوان سرمایههای نیروی کار در نمودار سازمانی (Org Chart) شرکت ادغام میکند.
همانطور که در تحلیلهای قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، مدیریت دسترسی و هویت در مقیاس سازمانی همواره چالشبرانگیز بوده است. اکنون این چالش به لایه عاملها منتقل شده است.
مایکروسافت در ۱ مه ۲۰۲۶ سرویس Agent 365 را با قیمت ۱۵ دلار ماهانه به ازای هر کاربر به صورت مستقل، یا در قالب بسته جدید ۹۹ دلاری Microsoft 365 E7 عرضه کرد. برخلاف نرمافزارهای سنتی، مایکروسافت لایسنس را بر اساس کاربر میفروشد؛ به این معنا که یک لایسنس، تمام عاملهایی که یک فرد با آنها کار میکند، مالک آنهاست یا حامی (Sponsor) آنهاست را پوشش میدهد. البته دسترسی به هویتهای کامل عاملها — شامل داشتن صندوق پستی اختصاصی، فضای OneDrive و جایگاهی مشخص در نمودار سازمانی — فعلاً محدود به برنامه خصوصی Frontier است.
بر اساس گزارشهای منتشر شده، سایر ادغامهای کلیدی و عرضههای جدید عبارتند از:
- سرویسنو (ServiceNow): در کنفرانس Knowledge ۲۰۲۶ اعلام کرد که همکاری عمیقتری را آغاز میکند. «برج کنترل AI» (AI Control Tower) این شرکت اکنون با Agent 365 ادغام میشود تا عاملهای سرویسنو بتوانند در محیط Teams و در بازارچه Agent 365 ظاهر شوند.
- Entra Agent ID: این سامانه با هر دو پلتفرم سرویسنو و ورکدی یکپارچه شده است تا اطمینان حاصل شود هر عاملی که در این پلتفرمها ایجاد میشود، بهطور خودکار یک هویت دایرکتوری (Directory Identity) دریافت میکند.
- ورکدی: یک ثبت مرکزی برای تمام عاملهای سازمانی، از جمله عاملهای شخص ثالث، فراهم میکند تا ردیابی شود که چه کسی مالک آنهاست و آیا این عاملها الزامات امنیتی را برآورده میکنند یا خیر.
- لتیس (Lattice): در ۱۰ ژوئن ۲۰۲۶ در رویداد Lattiverse دو ابزار معرفی کرد. اول Lattice MCP است؛ یک کانکتور که دادههای عملکردی را به مدلهایی مثل Claude، ChatGPT، Glean و Slack میرساند (این ابزار در زمان عرضه فقط برای آمریکای شمالی فعال بود و نسخه اتحادیه اروپا در پاییز عرضه میشود). دوم ابزار AI Leverage Insights است که دادههای استفاده از AI را با بازخورد مدیران و سیگنالهای کیفی ترکیب میکند تا مشخص شود آیا هوش مصنوعی واقعاً باعث بهبود کیفیت کار شده است یا خیر.
در مورد لتیس باید اشاره کرد که این رویکرد فعلی حاصل یک چرخش استراتژیک بزرگ است. در ژوئیه ۲۰۲۴، این شرکت سعی کرد برای عاملهای هوش مصنوعی پروندههای استخدامی و ورودی در نمودار سازمانی ایجاد کند. اما پس از مواجهه با انتقادات شدید عمومی، تنها در سه روز این تصمیم را لغو و به عقب راند. اکنون دو سال بعد، آنها دوباره به این موضوع بازگشتهاند، اما نه با «کارمند دانستن» عامل، بلکه با تمرکز بر اندازهگیری واقعی تحویل و نتایج حاصل از عملکرد این عاملها. این تمرکز بر نتایج ملموس در حالی صورت میگیرد که برخی گزارشها از توقف بازدهی عاملهای سازمانی پس از ۹۰ روز خبر میدهند و ضرورت ابزارهای اندازهگیری دقیق را دوچندان میکند.
با این حال، یک خلأ مدیریتی عظیم برای تیمهایی که از سیستمهای گرانقیمت مدیریت منابع انسانی (HRIS) استفاده نمیکنند وجود دارد. هزینه ورود به این اکوسیستم بسیار بالاست: یک لایسنس پایه M365 E5 به علاوه ۱۵ دلار برای هر کاربر، یا یک قرارداد ورکدی، و یا پرداخت ۱۴ دلار به ازای هر کارمند در پلتفرم Deel (که فقط در کنار HRIS آنها فروخته میشود). برای مقایسه، میانگین قراردادهای شرکت Rippling حدود ۳۹ هزار دلار در سال است.
یک شرکت ۲۰ نفره که از کلیدهای API و اشتراکهای تککاربره استفاده میکند، هیچ ابزار مشابهی برای ردیابی این ندارد که کدام جفت از عاملها نتایج موثری تولید میکنند یا بودجه در کجا در حال نشت است. آنها با همان مشکلاتی روبرuent هستند که مشتریان ورکدی دارند، اما بدون دسترسی به ابزارهای مدیریتی سطح سازمانی.
علاوه بر این، هیچیک از این راهکارها از میزبانی شخصی (Self-hosting) پشتیبانی نمیکنند. این یک شکست جدی برای شرکتهای اروپایی است که با مقررات Digital Omnibus روبرuent هستند. در اتحادیه اروپا، استخدام و مدیریت نیروی کار بهطور پیشفرض در دسته AI «پرخطر» قرار میگیرد. اگرچه مقررات Digital Omnibus تعهدات مربوط به سیستمهای پرخطر را از اوت ۲۰۲۶ به دسامبر ۲۰۲۷ موکول کرد، اما الزامات مربوط به مستندسازی، ثبت لاگها و نظارت انسانی همچنان پابرجاست.
در نهایت، ما با یک مشکل حسابداری جدی روبرuent هستیم. در حال حاضر هیچ «واحد اندازهگیری» (Unit of Account) واحدی برای عاملهای هوش مصنوعی وجود ندارد. مایکروسافت کاربران را میشمارد، ورکدی سرمایهگذاریها را رصد میکند و لتیس کیفیت را میسنجد. هیچ محصول واحدی وجود ندارد که این نقاط داده را ترکیب کند تا پاسخ دهد یک تیم خاص در این فصل دقیقاً چقدر هزینه کرده و در مقابل چه خروجی واقعی به دست آورده است.
این پراکندگی نشان میدهد که حسابداری عاملها مسیری شبیه به تکامل هزینههای ابری (Cloud Costs) را طی خواهد کرد: ابتدا به عنوان یک ردیف ساده در صورتحساب شروع میشود، سپس به یک محصول مستقل تبدیل میشود و در نهایت به یک ویژگی داخلی پلتفرم ادغام میگردد. در حال حاضر، بازار بین مرحله اول و دوم قرار دارد و ورودی آن فقط از بالا (برای شرکتهای غولپیکر) باز است.
اگر شما یک تیم کوچک را مدیریت میکنید، احتمالاً هنوز به صفحات گسترده (Spreadsheets) و داشبوردهای ارائهدهندگان متکی هستید. بازار در حال حاضر فقط از بالا به پایین باز است و لایه «کف» بازار — یعنی کسانی که با کلیدهای API زندگی میکنند — کاملاً رها شده و بدون خدمات هستند.
گام بعدی شما
- اگر مدیر تیم هستید، یک جدول ساده برای ردیابی «هزینه توکن در برابر خروجی تجاری» هر عامل ایجاد کنید تا دچار اتلاف بودجه نشوید.
- بررسی کنید که آیا ابزارهای فعلی شما با پروتکل MCP سازگار هستند تا انتقال دادهها به مدلهای مختلف تسهیل شود.
- اگر در اتحادیه اروپا فعالیت میکنید، مستندات نظارت انسانی بر عاملها را از همین حالا آماده کنید تا با مقررات ۲۰۲۷ دچار مشکل نشوید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو