تصور کنید مدیریتی را که هرگز نمی‌خوابد، خسته نمی‌شود و هر ثانیه با دقت میلی‌متری تمام گزارش‌ها را بررسی می‌کند. این رویای هر صاحب کسب‌وکاری است که اکنون در یک استودیوی تناسب اندام در شهر دونگ‌گوان چین به واقعیت تبدیل شده است.
طبق گزارشی در وب‌سایت dev.to، ۹ عامل (Agent) — شبیه دستیارهای هوشمندی که هر کدام یک وظیفه مشخص دارند و می‌توانند به‌طور مستقل تصمیم بگیرند — تا تاریخ ۱۱ ژوئیه ۲۰۲۶ به‌مدت ۱۲۰ روز کامل، تمام امور عملیاتی یک استودیو را مدیریت کردند. در این پروژه، برخلاف دموهای تبلیغاتی، یک سیستم واقعی با مشتریان و درآمدهای واقعی درگیر بود و تنها یک انسان برای نظارت کلی حضور داشت.
همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، تفاوت میان محیط آزمایشگاه و دنیای واقعی در «پیش‌بینی‌ناپذیری» است. در حالی که اکثر دموهای کدنویسی خودکار هنگام مواجهه با ساختارهای پیچیده در عرض چند دقیقه شکست می‌خورند، این پروژه بر تداوم و پایداری خروجی‌ها در یک کسب‌وکار فیزیکی تمرکز کرد. این چالش با آنچه در تحلیل ناکارآمدی عامل‌های برنامه‌نویسی در محیط‌های واقعی بررسی کردیم، همسو است و نشان می‌دهد مدیریت تداوم در دنیای واقعی دشوارتر از نمایش‌های کوتاه است.
بر اساس مستندات این پروژه، دستاوردهای عملیاتی کلیدی شامل موارد زیر است:
مدیریت قلمرو (Jurisdiction): برای جلوگیری از تداخل عامل‌ها (وقتی دو عامل به یک سیگنال واکنش نشان می‌دهند)، یک سلسله‌مراتب اولویت تعریف شد. ساختار به ترتیب «لایه صحنه > لایه زیرساخت > لایه محتوا» طراحی شد تا همیشه عاملی که نزدیک‌تر به مشتری است، تصمیم نهایی را بگیرد. این رویکرد یادآور معماری‌های غیرمتمرکز در عامل‌های هوش مصنوعی است که با توزیع وظایف، نه تنها پایداری را افزایش داده بلکه هزینه‌های استنتاج را نیز به شکل چشم‌گیری کاهش داده است.
الگوی حسابرس: تیمی به نام Stella را مستقر کردند؛ یک حسابرس با دسترسی «فقط خواندنی» که خارج از زنجیره فرمان قرار دارد. این لایه با اعتبارسنجی متقاطع، از شکست‌های زنجیره‌ای جلوگیری می‌کند؛ مثلاً وقتی عاملی به نام Momo یک نقطه کور در مانیتورها را شناسایی کرد، Stella آن را تأیید نمود.
ثبات عملیاتی: در حالی که انسان‌ها پس از ۹۰ روز دچار فرسودگی شده و بررسی داشبوردها را سرسری می‌کردند، عامل‌ها در تمام مدت، دقت یکسانی در بررسی‌های سلامت سیستم داشتند.
این نتایج ثابت می‌کند ارزش اصلی عملیات خودکار، نه در حل بحران‌های بزرگ، بلکه در حفظ یک سطح پایه و ثابت از کیفیت است. برای صاحبان کسب‌وکار، این یعنی بخش‌های «کسل‌کننده» مدیریت — یعنی بررسی‌های تکراری و حسابرسی — جایی است که هوش مصنوعی زاینده (Generative AI) بیشترین بازگشت سرمایه را دارد.
مؤسس این پروژه چارچوب کار خود را در گیت‌هاب (github.com/ZWISERFIT/retroonto) به‌صورت متن‌باز منتشر کرده است.
گام بعدی شما
- اگر توسعه‌دهنده هستید، ساختار «لایه حسابرسی» (Read-only Auditing) را در گردش‌کارهای عامل‌محور خود پیاده‌سازی کنید تا جلوی توهم (Hallucination) مدل در تصمیمات حیاتی را بگیرید.
- بررسی کنید کدام بخش‌های تکراری бизнес شما قابلیت تبدیل به یک «عامل نظارتی» با دسترسی محدود را دارد.
- ساختار سلسله‌مراتبی (Hierarchy) را جایگزین دستورات متمرکز کنید تا تداخل عامل‌ها کاهش یابد.
اما تأثیر این رویکرد بر کاهش هزینه‌های سخت‌افزاری در مقیاس بزرگ، بحثی پیچیده‌تر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو