تصور کنید در شرکتی کار می‌کنید که هر روز صدها فرآیند تکراری را دستی انجام می‌دهد؛ حالا به جای یک چت‌بات ساده، دستیاری دارید که دقیقاً می‌داند هر ابزار سازمان شما چگونه کار می‌کند و بدون نظارت، وظایف را پیش می‌برد. این همان نقطه‌ای است که جنگ مدل‌های زبانی به پایان می‌رسد و نبرد بر سر «لایه اجرا» آغاز می‌شود.
بر اساس داده‌های بازار پیش‌بینی Polymarket، شرط‌بندان عملاً پایان این رقابت را اعلام کرده‌اند. در حالی که احتمال برتری Anthropic در کیفیت مدل تا اوت ۲۰۲۶ روی ۹۹٪ قفل شده، سهم OpenAI تنها ۱٪ است. این تغییر نشان می‌دهد که هوش مصنوعی در حال تبدیل شدن به یک کالای عمومی (Commodity) است و جبهه رقابت به لایه پلتفرم منتقل شده است؛ جایی که عامل‌ها (Agents) در واقعیت کارها را اجرا می‌کنند. جمعیت شرط‌بندان دیگر ریسک نمی‌کنند؛ آن‌ها به‌طور کلی شرط‌بندی روی مسابقه مدل‌ها را متوقف کرده‌اند.
این گذار در حالی رخ می‌دهد که صنعت از چت‌بات‌های ساده به سمت موجوداتی پایدار و ناهمگام (Asynchronous) حرکت می‌کند. همان‌طور که اندری کارپاتی (Andrej Karpathy) در توییتی که ۲۳,۳۶۵ لایک و ۸.۲ میلیون بازدید داشت اشاره کرد، پارادایم جدید شامل تبدیل LLMها به «یک موجود مستقل، پایدار و ناهمگام با ابزارها و زمینه‌های سازمانی که در کنار تیم‌های انسانی کار می‌کند» است. هدف دیگر تنها داشتن یک مغز 똑똑تر نیست، بلکه داشتن مجموعه‌ای از دست‌های توانمندتر است. این شتاب در توسعه، در حالی است که پیش‌تر صدها کارمند از هر دو شرکت خواستار ترمز در این رقابت تسلیحاتی شده بودند تا خطرات احتمالی کنترل شود.
همگرایی در زیرساخت‌ها
در هفته پایانی اوت ۲۰۲۶، هر دو شرکت Anthropic و OpenAI به‌طور هم‌زمان به‌روزرسانی‌هایی را برای سه رکن اصلی معماری منتشر کردند: اتصال‌دهنده‌ها (Connectors)، مهارت‌ها (Skills) و عامل‌های زمان‌بندی‌شده. این عرضه هم‌زمان نشان‌دهنده یک همگرایی استراتژیک در مورد نحوه ساختاردهی AI سازمانی برای ایجاد «هزینه جابه‌جایی» (Switching Cost) بالا برای مشتریان است.
شرکت Anthropic قابلیت /design را معرفی کرد؛ مهارتی که Claude Code را به یک ابزار طراحی رابط کاربری (UI) تبدیل می‌کند که دارای تخته‌های طراحی (Artboards)، حلقه‌های اصلاحی و قابلیت پیاده‌سازی مستقیم از طریق دستورات ترمینال است. به‌طور هم‌زمان، OpenAI کانال یوتیوب خود را با ۹ ویدیو آموزشی برای ChatGPT Work پر کرد که تمرکز آن‌ها بر تسک‌های زمان‌بندی‌شده و اتصال‌دهنده‌های Gmail و Slack بود. دو آزمایشگاه، در یک هفته، با سه رکن مشابه. این یک تصادف نیست؛ بلکه همگرایی به مقصدی است که کارپاتی ماه‌ها پیش توصیف کرده بود.
اتصال‌دهنده‌ها: لوله‌کشی داده‌ها
اتصال‌دهنده‌ها در واقع لوله‌کشی داده‌ها هستند که به عامل (Agent) اجازه می‌دهند به ابزارهایی مثل Gmail، Slack، Google Drive، Salesforce و Jira دسترسی داشته باشد. بدون این‌ها، یک عامل هوشمند شبیه مغزی است که در اتاقی دربسته زندانی شده است.
- رویکرد Anthropic: این شرکت استراتژی باز (شبیه اندروید) را از طریق «پروتکل زمینه مدل» (MCP) پیش گرفته و آن را به بنیاد لینوکس اهدا کرد. Claude Cowork از ترکیب MCP، اتصال‌دهنده‌ها و پلاگین‌ها استفاده می‌کند. اتصال‌دهنده Microsoft 365 به Claude اجازه می‌دهد ایمیل بفرستد، رویدادهای تقویم را مدیریت کند و فایل‌ها را در OneDrive یا SharePoint تغییر دهد. ده شریک در زمان عرضه شامل Atlassian، Figma، Canva، Stripe، Notion و Zapier بودند.
- رویکرد OpenAI: این شرکت از اپلیکیشن‌های متصل (Connected Apps) و یک دایرکتوری اختصاصی پلاگین استفاده می‌کند. ChatGPT Work مجوزها را از اتصالات ابزارهای موجود به ارث می‌برد و اخیراً قابلیت ویرایش مستقیم Google Drive را اضافه کرده است. OpenAI این سیستم را به جای یک چت‌بات، به عنوان یک «سیستم‌عامل فضای کاری» (Workspace OS) معرفی کرد و در عرض ۲۴ ساعت، یک برنامه آموزشی کامل شامل ۹ ویدیو آموزشی منتشر نمود.
تفاوت کلیدی در «استاندارد» است. MCP توسط مایکروسافت (در VS Code و GitHub Copilot)، Cursor، Gemini CLI و تقریباً ۴۰ محصول در agentskills.io پذیرفته شده است. Anthropic با تبدیل شدن به استاندارد در حال پیروزی است، نه لزوماً با داشتن تنها پیاده‌سازی.
نبرد بر سر زمان اجرای مهارت‌ها
مهارت‌ها (Skills) بسته‌های قابل استفاده مجددی از دستورالعمل‌ها، اسکریپت‌ها و منابع هستند که تضمین می‌کنند یک عامل، وظیفه‌ای را همیشه به یک شکل ثابت و سازگار انجام دهد. این‌ها در واقع واحد «دانش سازمانی» برای یک سازمان AI-native هستند.
شرکت Anthropic در اکتبر ۲۰۲۵ «مهارت‌های عامل» را با استفاده از یک مشخصات باز در agentskills.io و یک SDK مرجع معرفی کرد. این فرمت مبتنی بر فایل‌سیستم (SKILL.md) در Claude Code، API، claude.ai و Cursor کار می‌کند. طبق گزارش‌ها، تا ژوئن ۲۰۲۶ حدود ۱.۹ میلیون مهارت توسط جامعه کاربران در گیت‌هاب منتشر شده است.
شرکت OpenAI در جولای ۲۰۲۶ با معرفی Skills for Business و Enterprise وارد میدان شد که از ۲۳ جولای ۲۰۲۶ برای محیط‌های سازمانی فعال گشت. به گزارش VentureBeat، معماری OpenAI از نظر ساختاری دقیقاً مشابه مشخصات Anthropic است، از جمله در نام‌گذاری فایل‌ها و فرمت متاداده‌ها.
در نمایشگاه جهانی مهندسان AI، عماد تویل از QuantumBlack به یک نقص حیاتی اشاره کرد: اکثر مهندسان یک مهارت را می‌سازند، تعداد کمی آن‌ها را به اشتراک می‌گذارند و تقریباً هیچ‌کس آن‌ها را مدیریت (Govern) نمی‌کند. این قیف در حال فروپاشی، جایی است که دانش سازمانی نشت می‌کند. قلعه دفاعی (Moat) دیگر مدل نیست، بلکه کتابخانه مهارت‌های نگهداری‌شده است.
اتوماسیون و زمان‌بندی
عامل‌های زمان‌بندی‌شده، چت‌بات‌ها را به همکارانی خودمختار تبدیل می‌کنند که وقتی شما می‌خوابید، تسک‌ها را بدون نظارت اجرا می‌کنند.
- نسخه Anthropic: تسک‌های Claude Cowork به‌صورت در لحظه (On-demand) یا طبق زمان‌بندی اجرا می‌شوند. اجرای ابری به این معنا است که دستگاه کاربر دیگر نیازی به آنلاین بودن ندارد. تسک‌ها در «پروژه‌ها» (Projects) قرار می‌گیرند که ورودی‌ها و خروجی‌ها را برای حفظ انسجام زمینه (Context Coherence) نگه می‌دارند.
- نسخه OpenAI: تسک‌های زمان‌بندی‌شده ChatGPT Work می‌توانند یک‌بار اجرا شوند، تکرار شوند، به محرک‌ها (Triggers) واکنش نشان دهند یا تغییرات را رصد کنند. این‌ها با اتوماسیون‌های Codex برای ایجاد یک سطح مدیریت تسک یکپارچه گروه‌بندی شده‌اند.
برای مدیران عملیاتی، تفاوت روشن است: OpenAI انعطاف‌پذیری بیشتری در محرک‌ها (رویداد-محور، نه فقط cron) ارائه می‌دهد، در حالی که Anthropic انسجام زمینه بهتری دارد (به یاد می‌آورد که چرا یک تسک از طریق وضعیت پروژه در حال اجراست).
چرخش به سمت زیرساخت
تز سرمایه‌گذاری از «هوش خام» به «زیرساخت» تغییر کرده است. اعداد Polymarket این واقعیت را با بی‌رحمی نشان می‌دهند: برای پایان اوت، Anthropic روی ۹۹٪ و OpenAI روی ۱٪ است. برای پایان سپتامبر، Anthropic سهم ۹۲٪، OpenAI سهم ۴٪ و گوگل ۳٪ را دارد. با نقدینگی ۶۸۹,۰۰۰ دلاری، جمعیت شرط‌بندان مسابقه مدل‌ها را به عنوان یک انحصار (Monopoly) قیمت‌گذاری کرده‌اند.
حتی کارپاتی مدل Claude Fable 5 را یک «جهش بزرگ شایسته یک نسخه اصلی جدید» و «پیشرو (SOTA) در همه زمینه‌ها با اختلاف زیاد» دانست. در نتیجه، سم آلتمن در توییتی اخیر به این چرخش اشاره کرد: «ما یک تراشه ساختیم و سریع است.» تمرکز اکنون روی سیلیکون سفارشی است، نه یک مدل جدید.
هر کس «زمان اجرای مهارت‌ها» را تصاحب کند، قلعه دفاعی عملیاتی را در اختیار دارد. اگر سازمانی ۲۰۰ مهارت سفارشی بسازد که فرض می‌کنند از APIهای اتصال‌دهنده Claude استفاده می‌کنند، مهاجرت به OpenAI به معنای بازنویسی ۲۰۰ گردش کار است. این یک قلعه دفاعی عملیاتی است که هر روز تقویت می‌شود.
شکاف حاکمیتی
با وجود حجم بالای مهارت‌ها، کیفیت یک نقطه شکست بحرانی است. گزارش اکوسیستم Agentman نشان داد که در ۲۲,۵۱۱ مهارت بازبینی‌شده، ۱۴۰,۹۶۳ مشکل امنیتی وجود دارد (میانگین ۶.۳ مورد برای هر مهارت). امتیاز متوسط ۶.۲ از ۱۲ است.
حدود ۳۶٪ از این مهارت‌ها دارای آسیب‌پذیری تزریق پرامپت (Prompt Injection) بودند. این وضعیت یک پروفایل ریسک مشابه اکوسیستم npm در سال ۲۰۱۶ ایجاد می‌کند، با این خطر اضافی که این بسته‌ها می‌توانند ایمیل‌های خصوصی را بخوانند. قلعه دفاعی برای پلتفرم برنده، تعداد مهارت‌ها نخواهد بود، بلکه توانایی حاکمیت و نظارت بر آن‌هاست.
سیگنال‌های تقاضای بازار
رفتار توسعه‌دهندگان در گیت‌هاب تایید می‌کند که مهارت‌ها واحد اتمی جدید توانمندی AI شده‌اند. در ۲۹ اوت، ۵ مورد از ۸ مخزن ترند شده، «مهارت‌های عامل» بودند، نه فریم‌ورک‌ها.
نمونه‌های برجسته:
- scientific-agent-skills: با ۳۷,۷۲۵ ستاره و رشد ۱,۶۰۴ ستاره در روز. توسط ۱۹۰,۰۰۰ دانشمند در بیش از ۱۰۰ پایگاه داده علمی استفاده می‌شود.
- ponytail: با ۱۱۶,۲۳۹ ستاره و رشد ۱,۱۷۱ ستاره در روز. کد تولید شده توسط عامل را ۵۴٪ کاهش می‌دهد در حالی که گارد‌های امنیتی را حفظ می‌کند.
- graphify: با ۱۱۲,۲۲۷ ستاره و رشد ۳۷۶ ستاره در روز. کدبیس‌ها را به گراف‌های دانش قابل پرس‌وجو تبدیل می‌کند.
- archify: با ۳۰,۳۶۷ ستاره و رشد ۳,۹۲۷ ستاره در روز. یک مهارت عامل برای نمودارهای معماری با قابلیت حرکت و خروجی.
معمای مدیران عملیاتی
برای مدیران کسب‌وکار، این همگرایی می‌تواند یک تله باشد. بن کاس از شرکت Box اخیراً در نمایشگاه مهندسان AI هشدار داد که ابزارهای عامل چنان سریع تغییر می‌کنند که دستورالعمل‌های «بهترین روش» (Best Practice) هر ۱۲ ماه منقضی می‌شوند. او حتی توصیه سال گذشته خود درباره معماری عامل مبتنی بر گراف را پس گرفت.
داده‌های نمایشگاه مهندسان AI پذیرش دوگانه (Bimodal) را نشان می‌دهد. آمازون ۵۰ تیم را برای یک سال بررسی کرد: نیمی از آن‌ها کمتر از ۳ برابر بهبود سرعت دیدند، در حالی که نیمی دیگر تقریباً ۴.۵ برابر سریع‌تر شدند. علاوه بر این، برایان لوئیس از Millennium اشاره کرد که تنها حدود ۵٪ از دموهای استارتاپی به قراردادهای امضا شده تبدیل می‌شوند؛ این نشان‌دهنده یک مسیر طولانی به سمت قابلیت اطمینان است، نه یک رشد انفجاری.
بحث‌های Hacker News درباره پرامپت‌های لو رفته سیستم Claude Design این تنش را بیشتر می‌کند. جامعه در حال بحث است که آیا مهارت‌ها یک قلعه دفاعی استراتژیک هستند یا یک بدهی بلندمدت. ایال بلوم از Figma اشاره کرد که بهترین مهندسان اغلب دیرترین افراد در پذیرش عامل‌ها هستند، زیرا ابتدا این حالت‌های شکست را تشخیص می‌دهند.
استراتژی عملیاتی برای ۲۰۲۶
برای حفظ تاب‌آوری در برابر تغییرات پلتفرم، مدیران باید این دستورالعمل‌ها را دنبال کنند:
۱. استانداردسازی روی مشخصات باز: هر دو آزمایشگاه روی فرمت agentskills.io هم‌گرا شده‌اند. مهارت‌های داخلی خود را بر اساس این مشخصات بسازید تا فارغ از برنده میدان، قابل انتقال باشند. اگر هیچ‌کدام از آزمایشگاه‌ها تسلط پیدا نکنند، استاندارد باز زنده می‌ماند.
۲. اولویت نظارت بر تعداد: تیم شما به ۲۰۰ مهارت نیاز ندارد؛ به ۲۰ مهارت نیاز دارد که تست، بازبینی و نگهداری شده باشند. با مهارت‌ها مانند کد تولیدی (Production Code) برخورد کنید، نه آزمایش‌های پرامپت. ریسک زنجیره تأمین واقعی است.
۳. پیاده‌سازی مشاهده‌پذیری تولید (Observability): با عامل‌های زمان‌بندی‌شده به عنوان سیستم‌های خودمختاری برخورد کنید که ایمیل می‌خوانند و اسناد را تغییر می‌دهند. همان مکانیزم‌های هشدار و بازگشت (Rollback) را برای آن‌ها تعریف کنید که برای هر سرویس تولیدی دارید.
۴. نادیده گرفتن برتری‌های کوتاه‌مدت مدل‌ها: مدل‌ها مکرراً جایگزین یکدیگر می‌شوند، اما پلتفرم‌ها انباشته می‌شوند. انتخاب خود را بر اساس عمق اتصال‌دهنده‌ها، بلوغ اکوسیستم مهارت‌ها و تناسب با استک ابزاری انجام دهید.
۵. ساخت برای جایگزینی: انتظار داشته باشید معماری عامل شما هر ۱۲ ماه تکامل یابد. از لایه‌های یکپارچه‌سازی نازک و فرمت‌های قابل انتقال استفاده کنید تا از وابستگی شدید به یک پلتفرم (Lock-in) جلوگیری کنید.
نتیجه نهایی: جنگ مدل‌ها به پایان رسیده و جنگ پلتفرم‌ها آغاز شده است. برنده آزمایشگاهی نخواهد بود که مهارت‌های بیشتری دارد، بلکه کسی است که آن‌ها را مدیریت می‌کند. مدیرانی که روی استاندارد باز متمرکز شوند و با عامل‌ها مانند سیستم‌های تولیدی برخورد کنند، فارغ از برنده، تاب‌آور خواهند بود.
نگاه به آینده
اکوسیستم مهارت‌های عامل در حال حاضر به ۱.۹ میلیون مهارت منتشر شده رسیده و در حال رشد است. GitHub Trending عملاً به یک بازار مهارت تبدیل شده است. اکنون ۴۰ محصول از استاندارد باز پشتیبانی می‌کنند و هر دو آزمایشگاه پیشرو بر روی یک بنیاد معماری مشابه می‌سازند.
۱۲ ماه آینده به یک سوال حیاتی پاسخ خواهد داد: آیا جنگ پلتفرم‌ها استانداردی تولید می‌کند که به نفع همه باشد (مانند HTTP)، یا اکوسیستمی تکه‌تکه که فقط به نفع مالکان پلتفرم است (مانند فروشگاه‌های اپلیکیشن موبایل)؟ اگر سازمان مهندسی خود را روی هر یک از این پلتفرم‌ها شرط‌بندی می‌کنید، پاسخ به این سوال ریسک استراتژیک واقعی شماست. بر همین اساس برنامه‌ریزی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو