تصور کنید در شرکتی کار می‌کنید که برای هر درخواست سادهٔ دسترسی، باید هفته‌ها در صف انتظار تیکت‌ها بمانید. حالا جای این صف را عاملی می‌گیرد که نه یک چت‌بات ساده، بلکه یک «همکار» با دسترسی‌های قانونی و مسئولیت مشخص در نمودار سازمانی است.
ویجای رایپاتی (Vijay Rayapati)، مدیرعامل و هم‌بنیان‌گذار Atomicwork، معتقد است شکست اکثر ابزارهای هوش مصنوعی در سازمان‌ها نه به دلیل ضعف فنی، بلکه به دلیل نبود «مسئولیت‌پذیری» است. او استدلال می‌کند عاملی که جایگاهی در نمودار سازمانی (Org Chart) نداشته باشد، در واقع چیزی جز یک فرم سریع‌تر نیست. این دیدگاه با چالش‌های گسترده‌تری که سازمان‌ها در پیاده‌سازی عملیاتی این فناوری با آن روبروست، همسو است؛ موضوعی که در تحلیل ما درباره دلایل شکست عامل‌های هوش مصنوعی در مقیاس تجاری به تفصیل بررسی شده است.
دهه‌هاست که مدیریت خدمات فناوری اطلاعات (ITSM) بر پایه «تیکت» به عنوان سیستم ثبت رکورد استوار است. کارکنان این سیستم را به شکل یک صف تجربه می‌کنند، در حالی که مدیریت از آن برای ایجاد ردپای حسابرسی (Audit Trail) استفاده می‌کند. طبق گزارش‌های صنعتی، این ساختار باعث ایجاد گلوگاه‌هایی شده که در آن هوش مصنوعی صرفاً به عنوان یک ویژگی جانبی (Feature) اضافه می‌شود، نه اینکه به عنوان عضوی از نیروی کار یکپارچه گردد. رایپاتی اشاره می‌کند که ITSM چهل سال با وجود نارضایتی کاربران دوام آورد، دقیقاً به این دلیل که محصول واقعی آن «ردپای حسابرسی» بود، نه خودِ تیکت.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی حاکمیت داده در سازمان‌ها اشاره کردیم، ادغام ابزارها با ساختار قدرت در شرکت‌ها کلید موفقیت است. دیدگاه رایپاتی حاصل سال‌ها تجربه گسترده در زیرساخت‌های سازمانی است. او پیش از این نقش‌های مدیریتی کلیدی در VMware و Microsoft داشته است. او بعدها شرکت Frame را تأسیس کرد که یک شرکت در زمینه دسکتاپ‌های ابری بود و در نهایت توسط Nutanix خریداری شد. پس از این تصاحب، او به عنوان نایب‌رئیس ارشد و مدیر کل در Nutanix فعالیت کرد و کسب‌وکار رایانش کاربر نهایی (End User Computing) را رهبری نمود. تخصص او در زیرساخت‌های ابری، نرم‌افزارهای سازمانی و فناوری‌های محیط کار مبتنی بر هوش مصنوعی، او را به یکی از بنیان‌گذاران برجسته در فضای IT سازمانی تبدیل کرده است.
درس‌هایی از چرخه حیات سازمان
تجربه رایپاتی در تأسیس Minjar درسی حیاتی درباره رفتار سازمان‌ها به او آموخت. در Minjar، تیم او نرم‌افزاری ساخت که قادر بود از طریق اتوماسیون، هزینه‌های ابری یک شرکت را تا یک‌سوم کاهش دهد. با این حال، با وجود این ارزش اقتصادی، مشتریان اغلب دو فصل روی توصیه‌های نرم‌افزار درنگ می‌کردند و اقدامی نمی‌نمودند. رایپاتی دریافت که مشکل فنی نیست، بلکه مربوط به مسئولیت است؛ سازمان‌ها فقط خروجی نرم‌افزاری نمی‌خرند، بلکه کسی را می‌خواهند که پاسخگوی آن خروجی باشد. نرم‌افزاری که جایگاهی در نمودار سازمانی ندارد، فارغ از کیفیتش، فاقد اعتبار و قدرت تصمیم‌گیری است.
خرید شرکت Frame توسط Nutanix درس محدودتر اما به همان اندازه حیاتی دیگری داشت: محصولات تک‌منظوره (Point Products) خریداری می‌شوند، اما «سیستم‌های ثبت رکورد» (Systems of Record) هستند که سازمان‌ها روی آن‌ها بنا می‌شوند. او مشاهده کرد حتی اگر شرکتی محصول برتری داشته باشد، ممکن است تمام عمر خود را صرف دور زدن کسی کند که مالک گردش کار (Workflow) فعلی است.
در سال‌های حضور در Nutanix، این درس‌ها به هم رسیدند. او مشاهده کرد که دپارتمان‌های IT ابزارهای مدیریت خدمات را صرفاً به خاطر «کنترل» خریداری می‌کنند، در حالی که کارکنان همان ابزارها را چیزی بیش از یک فرم و یک صف نمی‌دیدند. این درک منجر به تأسیس Atomicwork در سال ۲۰۲۲ شد. هدف این نبود که صرفاً بپرسند آیا هوش مصنوعی می‌تواند کار را انجام دهد، بلکه این بود که آیا می‌توان به هوش مصنوعی جایگاهی مشروع در نمودار سازمانی داد؟
معماری یک همکار هوش مصنوعی
Atomicwork «همکاران هوش مصنوعی» (AI Coworkers) خود را از چت‌بات‌ها یا کوپایلت‌ها متمایز می‌کند. این تفاوت در یک تغییر بنیادین در مسئولیت نهفته است. در حالی که یک چت‌بات به سؤال پاسخ می‌دهد و یک کوپایلت به انسان کمک می‌کند، یک همکار هوش مصنوعی دارای یک نقش تعریف‌شده است و انتظار می‌رود یک خروجی کامل را تحویل دهد. این تغییر رویکرد، بخشی از یک روند کلی‌تر در صنعت است که در آن نرم‌افزارهای ابزاری در حال تبدیل شدن به همکاران دیجیتال هستند تا تعاملات انسانی با فناوری را بازتعریف کنند. این عامل چه در دسته‌بندی حوادث (Triage)، چه در تخصیص دسترسی‌ها یا پذیرش کارکنان جدید (Onboarding) باشد، تا رسیدن به هدف در تمام مراحل به کار ادامه می‌دهد و پس از اولین تعامل متوقف نمی‌شود.
رایپاتی تأکید می‌کند که این تفاوت میان «هوش مصنوعی به عنوان ویژگی» و «هوش مصنوعی به عنوان نیروی کار» است. شما یک همکار هوش مصنوعی را به معنای سنتی نرم‌افزار پیکربندی نمی‌کنید؛ بلکه او را در یک نقش «استخدام» می‌کنید، کارش را بررسی می‌کنید و اگر عملکردش ضعیف بود، دسترسی‌اش را لغو می‌کنید. این رویکرد، هوش مصنوعی را از یک ابزار به یک عضو نیروی کار ترکیبی تبدیل می‌کند.
برای دستیابی به این هدف، پلتفرم چندین پیش‌نیاز فنی کلیدی را پیاده کرده است:
- هویت و دسترسی‌ها: هر عامل دارای هویت مستقل و حقوق دسترسی خاص به ابزارهای تأییدشده است تا بتواند به عنوان یک موجودیت فعال و کاربردی در سیستم عمل کند.
- زمینه سازمانی: عامل‌ها در لایه‌ای به نام «زمینه جهانی» (Universal Context) عمل می‌کنند. این لایه داده‌ها را از Confluence, SharePoint, Jira, Workday و Salesforce جمع‌آوری کرده و هم‌زمان داده‌های مربوط به افراد، شبکه، زیرساخت و دستگاه‌ها را از سیستم‌های عملیاتی زنده مانند Intune و JAMF یکپارچه می‌کند.
- بودجه و مرزها: همکاران تحت سقف هزینه‌ای مشخص و مرزهای عملیاتی تعریف‌شده بر اساس نقششان فعالیت می‌کنند تا از مصرف کنترل‌نشده منابع جلوگیری شود.
- قابلیت حسابرسی: هر اقدام ردپایی قابل ردی می‌گذارد. سازمان‌ها می‌توانند ببینند چه چیزی عامل را فعال کرده، از چه ابزارهایی استفاده شده، چه تأییدیه‌هایی اخذ شده و نتیجه نهایی چه بوده است.
زمینه جهانی و اعتماد به داده
دانش سازمانی به‌ندرت در یک جا جمع است و معمولاً بین مستندات، سیستم‌های ثبت رکورد و فعالیت‌های روزمره کسب‌وکار پراکنده شده است. لایه زمینه جهانی Atomicwork این منابع را یکپارچه می‌کند تا هوش مصنوعی زاینده (Generative AI) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — تصمیمات قابل‌اعتمادی بگیرد.
با ترکیب داده‌های عملیاتی زنده و مستندات ایستا، هوش مصنوعی می‌تواند هم‌زمان به پلتفرم‌هایی مثل Confluence یا SharePoint ارجاع دهد و در عین حال اتفاقات لحظه‌ای در Jira یا Salesforce را بفهمد. نکته حیاتی این است که این لایه به مرزهای امنیتی موجود احترام می‌گذارد؛ هم انسان‌ها و هم همکاران هوش مصنوعی فقط به اطلاعاتی دسترسی دارند که بر اساس مجوزهای تعریف‌شده، اجازه دیدن آن‌ها را دارند.
ارکستراسیون چندعاملی و حاکمیت
Atomicwork به‌جای ساخت یک هوش مصنوعی همه‌فن‌حریف و قادر مطلق، از همکاران تخصصی و گواهینامه‌دار استفاده می‌کند. این ساختار دقیقاً مشابه سازمان‌های IT انسانی است که مسئولیت‌ها را بر اساس اهداف، مجوزها و تخصص بین تیم‌های مختلف تقسیم می‌کنند.
وقتی درخواستی وارد سیستم می‌شود، مسیریابی هوشمند آن را به متخصص مربوطه می‌سپارد. اگر وظیفه پیچیده باشد، یک همکار می‌تواند تیکت‌های فرزند (Child Tickets) برای دیگران ایجاد کند تا به‌صورت موازی حل شوند. برای مثال، درخواست پذیرش یک کارمند جدید ممکن است به فعالیت‌های هم‌زمانی تقسیم شود که توسط عامل‌های مختلف مدیریت می‌گردد. در این مسیر، اطلاعات مربوطه از طریق تیکت (سیستم ثبت رکورد) به همراه دسترسی به پلتفرم‌های هویتی، سیستم‌های HR و ابزارهای همکاری جابه‌جا می‌شود. این زمینه مشترک اجازه می‌دهد هر همکار بر اساس اقدامات قبلی تصمیم بگیرد، نه اینکه از صفر شروع کند.
برای حفظ پایداری، پلتفرم از مدل‌های مختلف OpenAI, Anthropic و Google پشتیبانی می‌کند. تمرکز Atomicwork بر لایه ارکستراسیون — شامل هویت، اجرای سیاست‌ها، تله‌متری و ارزیابی — است تا حتی با به‌روزرسانی مدل‌های بنیادی (Frontier Models)، رفتار سیستم ثابت بماند و مشتری مجبور نباشد با هر نسخه جدید، گردش کارهای خود را بازطراحی کند.
استراتژی امنیت و یکپارچگی
دادن دسترسی به سیستم‌های هویتی ریسک‌هایی مثل تزریق پرامپت (Prompt Injection)، مسمومیت منابع دانش و خطاهای زنجیره‌ای را به همراه دارد. Atomicwork با برخورد با همکاران هوش مصنوعی به عنوان «کارمندان دارای دسترسی ویژه»، این ریسک‌ها را مدیریت می‌کند.
حفاظ‌ها و نرده‌های ایمنی:
- تأیید انسانی: اقدامات حساس در حوزه‌های هویتی، زیرساخت، مالی، مسائل حقوقی یا استخدامی نیاز به تأیید صریح انسان دارند. استقلال عامل جایی تمام می‌شود که کار بر سیستم‌های حساس اثر بگذارد یا پیامدهای قانونی و مالی داشته باشد.
- فرآیند بررسی: مهارت‌ها و دستورالعمل‌ها پیش از انتشار بررسی می‌شوند تا از نشت داده، دسترسی به اعتبارنامه‌ها یا اقدامات ناایمن جلوگیری شود. این شامل بررسی دستورالعمل‌های پنهان و ریسک‌های تزریق پرامپت است.
- غیرفعال‌سازی خودکار: اگر ابزاری به گونه‌ای تغییر کند که پروفایل ریسک آن افزایش یابد، تا زمان بررسی توسط انسان به‌طور خودکار غیرفعال می‌شود.
- کنترل‌های اضطراری: پلتفرم شامل محدودیت‌های اقدام، جلوگیری از اقدامات تکراری، کنترل‌های قطع اضطراری و قابلیت‌های جایگزینی توسط انسان است.
هر اقدام قابل ردی است و سازمان‌ها می‌توانند دقیقاً نظارت کنند چه چیزی باعث فعال شدن عامل شده و از چه ابزارهایی استفاده شده است. برای اطمینان از اثربخشی این حفاظ‌ها در برابر تکامل مدل‌ها، Atomicwork روی ارزیابی مستمر، نظارت و تست‌های تیم قرمز (Red-teaming) سرمایه‌گذاری کرده است.
این شرکت همچنین مشکل «اصطکاک مهاجرت» در سازمان‌های بزرگ را حل کرده است. Atomicwork می‌تواند در کنار ServiceNow یا Jira Service Management مستقر شود و با همگام‌سازی دوطرفه، زمینه را از این سیستم‌های قدیمی استخراج کند بدون اینکه سازمان مجبور به مهاجرت کامل در روز اول باشد. این به سازمان‌ها اجازه می‌دهد تجربه کارکنان را متحول کرده و تیم‌های خدمات را تقویت کنند بدون اینکه سیستم‌هایی که به آن‌ها متکی هستند را مختل کنند. رایپاتی این را نه فقط یک استراتژی انتقال، بلکه راهی برای پذیرش هوش مصنوعی طبق زمان‌بندی هر سازمان می‌بیند.
عیب‌یابی چندوجهی و حریم خصوصی
برای عیب‌یابی، پلتفرم قابلیت‌های چندوجهی (Multimodal) — مدلی که هم‌زمان متن، عکس و صدا را می‌فهمد — را معرفی کرده است. عامل‌ها می‌توانند آنچه کارمند تجربه می‌کند را از طریق حالت‌های صوتی و بصری ببینند و بشنوند، که نیاز به توصیف دستی خطاهای فنی را از بین می‌برد. این یعنی هوش مصنوعی دقیقاً پیام خطایی یا صفحه پیکربندی را می‌بیند که کاربر مشاهده می‌کند و گفتگوهای طولانی رفت و برگشتی حذف می‌شود.
برای حفظ حریم خصوصی، دسترسی بصری نیاز به رضایت صریح دارد و کاربر همیشه مطلع می‌شود که این قابلیت فعال است. اطلاعات حساس از طریق ماسک کردن داده‌های شخصی (PII)، کنترل‌های مدیریتی و سیاست‌های سخت‌گیرانه نگهداری محافظت می‌شوند. همچنین، Atomicwork تضمین می‌کند که داده‌های مشتری برای آموزش مدل‌های خود یا مدل‌های بنیادی شخص ثالث استفاده نمی‌شود تا سازمان‌ها بدون از دست دادن کنترل داده‌ها، از هوش مصنوعی چندوجهی استفاده کنند.
چرخش در رهبری IT
طبق گزارش «وضعیت هوش مصنوعی در IT ۲۰۲۶» این شرکت، دو‌سوم متخصصان IT بازگشت سرمایه مثبتی از سرمایه‌گذاری در هوش مصنوعی گزارش کرده‌اند. با این حال، تنها یک سازمان از هر پنج سازمان، هوش مصنوعی را به‌طور کامل در تیم‌های خدمات خود جای داده است.
رایپاتی معتقد است این شکاف به این دلیل است که اکثر شرکت‌ها از هوش مصنوعی برای تکالیف ایزوله استفاده می‌کنند، نه گردش‌های کاری کامل عملیاتی. شرکت‌هایی که ارزش تجاری ملموسی می‌بینند، کسانی هستند که مشکلات تجاری خاص را با تفکر در قالب «نقش‌ها» حل کرده و نتایج مهم (مانند کاهش هزینه‌های پشتیبانی یا سرعت حل مشکل) را می‌سنجند. او اشاره می‌کند که هوش مصنوعی مسئولانه همچنان اولویت اول رهبران IT است، زیرا سازمان‌ها تنها زمانی مسئولیت بیشتری به AI می‌سپارند که بتوانند تصمیمات آن را بررسی کرده و به نرده‌های ایمنی اعتماد کنند.
این گذار به نیروی کار دیجیتال، نقش مدیر ارشد فناوری (CIO) و دپارتمان IT را به‌طور بنیادین تغییر می‌دهد:
- متخصصان میز خدمات: هوش مصنوعی کارهای تکراری عملیاتی را انجام می‌دهد و انسان‌ها بر مدیریت استثناها، بهبود فرآیندها و اصلاح پایگاه دانش تمرکز می‌کنند.
- تیم‌های عملیات IT: تمرکز از اجرای دستی گردش کار به حاکمیت بر همکاران هوش مصنوعی — تعریف دسترسی‌ها، متصل کردن سیستم‌ها و نظارت بر عملکرد — تغییر می‌کند.
- مدیر ارشد فناوری (CIO): نقش او به مدیریت نیروی کار دیجیتال گسترش می‌یابد. CIO مسئول تصمیم‌گیری درباره اینکه همکاران AI به چه چیزهایی دسترسی داشته باشند، چگونه اندازه‌گیری شوند و آیا ارزش‌آفرینی می‌کنند یا خیر، خواهد بود.
در این مدل جدید، IT تبدیل به «منابع انسانی برای هوش مصنوعی» می‌شود. به‌جای مدیریت نرم‌افزار به عنوان ابزار، IT پلتفرم، حاکمیت و کنترل‌های عملیاتی را مدیریت می‌کند تا یک نیروی کار ترکیبی به‌صورت ایمن فعالیت کند. این تغییر، تمرکز را از مدیریت نرم‌افزار به مدیریت نیروی کاری منتقل می‌کند که در آن هوش مصنوعی کار را تحویل می‌دهد و انسان‌ها حاکمیت را فراهم می‌کنند.
گام بعدی شما
- بررسی کنید آیا در سازمان شما «نقش‌های» مشخصی وجود دارد که بتوان آن‌ها را به عامل‌های هوش مصنوعی سپرد یا هنوز از مدل «تیکتینگ» سنتی استفاده می‌کنید.
- ارزیابی کنید که کدام لایه‌های داده‌ای سازمان شما (مثل Confluence یا Jira) می‌تواند به عنوان «زمینه جهانی» برای یک عامل هوش مصنوعی عمل کند.
- مطالعه کنید که چگونه تعریف «مسئولیت‌پذیری» برای AI می‌تواند نرخ پذیرش ابزارهای هوش مصنوعی در لایه‌های مدیریتی شرکت شما افزایش دهد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو