تصور کنید سالانه ۶۰۰ میلیارد دلار صرف نگهداری نرم‌افزارهای سازمانی می‌شود؛ رقمی سرسام‌آور برای صنعتی که هنوز برای زنده نگه داشتن سیستم‌هایش به حافظهٔ انسانی متکی است. Dodge AI اکنون با معرفی یک لایهٔ کنترلی هوشمند (AI Control Plane)، قصد دارد این مدل هزینه‌بر و متکی به نیروی انسانی را به چالش بکشد. هدف این فناوری، اتوماسیون کامل فرآیندهای بررسی و تعمیر اپلیکیشن‌های حیاتی کسب‌وکار است.
بسیاری از سازمان‌های بزرگ، نرم‌افزارها را دقیقاً همان‌طور که از فروشنده می‌خرند، استفاده نمی‌کنند. آن‌ها طی سال‌ها، لایه‌هایی از قوانین سفارشی، استثنائات تک‌موردی و یکپارچه‌سازی‌های پیچیده‌ای را اضافه می‌کنند که به‌ندرت مستند می‌شوند. طبق گزارش‌های صنعتی، وقتی چنین سیستمی دچار اختلال می‌شود، راه حل معمولاً در تیکت‌های قدیمی، فایل‌های پیکربندی یا در ذهن کارکنان قدیمی شرکت دفن شده است. این وضعیت یک شکاف خطرناک بین آنچه سیستم در واقعیت انجام می‌دهد و آنچه شرکت می‌تواند توضیح دهد ایجاد می‌کند؛ نوعی «بدهی فنی» که نه فقط شامل کدهای قدیمی، بلکه فقدان دانش سازمانی است.
برای حل این مشکل، Dodge AI مبلغ ۲.۶۵ میلیون دلار سرمایه را در دور جدیدی به رهبری Accel و Google AI Futures Fund جذب کرد. در این دور، مجموعه‌های NewBuild Venture Capital، Antler و Schema Ventures و همچنین سرمایه‌گذاران فرشته‌ای از اکوسیستم SAP مشارکت داشتند. اگرچه شرکت مرحله دقیق این دور سرمایه‌گذاری را فاش نکرد، اما مشخص است که این بودجه مستقیماً برای هدف قرار دادن لایهٔ نگهداری هزینه می‌شود؛ بخشی که شاید جذاب‌ترین قسمت پشتهٔ فناوری نباشد، اما گران‌ترین است. این تمرکز بر کاربردهای عملیاتی در حالی صورت می‌گیرد که گزارش‌های مکینزی نشان می‌دهد بسیاری از شرکت‌ها هنوز نتوانسته‌اند سود مادی قابل‌توجهی از هوش مصنوعی زاینده کسب کنند.
چالش زمینه و بستر (Context)
نگهداری سنتی بر دوش شرکت‌های بزرگ یکپارچه‌ساز (Systems Integrators) است که تیم‌هایی را برای رفع تیکت‌ها و نظارت بر عملیات‌ها اختصاص می‌دهند. در حالی که این روش سرویس را به حالت عادی برمی‌گرداند، اما در تبدیل تعمیرات به دانش ماندگار شکست می‌خورد. این امر منجر به یک مشکل انباشته می‌شود: سازمان‌ها به‌طور فزاینده‌ای به چند فرد خاص وابسته می‌شوند که به یاد می‌آورند چرا یک سیستم در شرایطی خاص، رفتار خاصی دارد.
برای اینکه عامل‌های هوشمند (AI Agents) — شبیه دستیارهای دیجیتالی که می‌توانند به‌جای ما تصمیم بگیرند و عملیات را اجرا کنند — در محیط‌های ERP مفید باشند، داشتن یک پاسخ «محتمل» یا حدسی کافی نیست. آن‌ها باید بتوانند بر اساس سیاست‌های خاص سازمان و تاریخچهٔ عملیاتی استدلال کنند. برای مثال، یک عامل هوشمند باید درک کند چرا یک انبار خاص، موجودی کالا را متفاوت از انبار دیگر تخصیص می‌دهد، یا چرا یک قانون قیمت‌گذاری خاص، بر قانون دیگر اولویت دارد.
لایه کنترلی هوش مصنوعی چگونه کار می‌کند؟
پلتفرم Dodge AI عامل‌هایی را مستقر می‌کند که در سیستم‌های بزرگی از جمله موارد زیر فعالیت می‌کنند:
- SAP
- Salesforce
- Microsoft Dynamics
- Kinaxis
- Oracle JDE
این عامل‌ها فراتر از رفع باگ‌های ساده عمل می‌کنند؛ آن‌ها حوادث را بررسی کرده، راهکارهای اصلاحی را توصیه یا اجرا می‌کنند و منطق پشت هر تغییر را برای آینده حفظ می‌کنند. این پلتفرم با متصل کردن فرآیندهای تجاری، سیستم‌های مدیریت خدمات IT (ITSM) و پیکربندی‌های قدیمی (Legacy)، چیزی را می‌سازد که شرکت آن را «هوش استثنائی» (Exception Intelligence) می‌نامد.
به نقل از مستندات این شرکت، این رویکرد هر حادثه را از یک مرکز هزینه به یک رویداد جمع‌آوری داده تبدیل می‌کند. با ثبت دقیق علت، راه حل و استثنای مربوطه، Dodge AI یک منبع حقیقت (Source of Truth) و یک دفترچه راهنمای عملیاتی قابل اعتماد برای عامل‌های هوشمند آینده ایجاد می‌کند.
تأثیرات در دنیای واقعی
در حال حاضر، Dodge AI با بیش از ۱۲ شرکت بزرگ همکاری می‌کند که نیمی از آن‌ها شرکت‌های سهامی عام (Listed) هستند. این پلتفرم در حال حاضر ساعتی صدها پرس‌وجو را در جریان‌های بهینه‌سازی فرآیند و مدیریت حوادث پردازش می‌کند.
- لجستیک انبار: در یک مورد، یک کامیون به‌دلیل چاپ اطلاعات غلط در «رسید کالا» (Goods Receipt Note) نمی‌توانست بارگیری شود. پلتفرم مذکور توانست مشکل را در میان SAP، Kinaxis و نرم‌افزار داخلی انبار ردیابی کرده و در عرض چند دقیقه راه حل را ارائه دهد.
- برنامه‌ریزی موجودی: در مورد دیگری، مشتری مجبور بود برنامه‌ریزی موجودی را در طول شب اجرا کند چون سیستم SAP در ساعات صبح دچار کرش شده بود. Dodge AI این جریان کاری را مدرن کرد و سرعت آن را ۱۳۲ برابر افزایش داد. این اقدام باعث بهبود ۸ ساعته در زمان تخصیص سفارش شد و یک تیم ۱۰ نفره را از شر کارهای تکراری نگهداری خلاص کرد.
تغییر استراتژیک
این رویکرد نشان می‌دهد که «نگهداری» ایده‌آل‌ترین نقطه ورود برای هوش مصنوعی در سازمان‌هاست. بسیاری از مدیران فناوری (CIO) از پروژه‌های مدرن‌سازی گسترده اجتناب می‌کنند، زیرا ریسک به‌هم ریختن قوانین مستندنشده و قدیمی بسیار زیاد است. Dodge AI با مستند کردن منطق پنهان سیستم در حین تعمیر آن، نقشه‌ای امن برای فعالیت عامل‌های خودگردان آینده می‌سازد.
Prayank Swaroop، سرمایه‌گذار Accel، اشاره می‌کند که نگهداری اپلیکیشن‌ها یکی از بزرگ‌ترین و در عین حال کم‌مدرن‌ترین دسته‌های فناوری است. ساخت این لایهٔ زمینه‌ای (Context Layer)، پیش‌نیاز هر عامل هوشمندی است که نیاز دارد تغییرات حساس و پرریسک را در بخش‌های مالی، زنجیره تأمین یا عملیات مشتریان اجرا کند. البته مدیریت هزینه‌های عملیاتی در این مسیر حیاتی است، چرا که برخی شرکت‌های بزرگ مانند اوبر با چالش‌های شدید هزینه‌ای در مصرف توکن‌های AI برای کدنویسی مواجه شده‌اند.
Rebhav Bharadwaj، مدیرعامل شرکت، استدلال می‌کند که عامل‌های با افق زمانی بلند (Long-horizon agents) می‌توانند به شرکت‌ها کمک کنند تا سیستم‌های حیاتی خود را به‌طور مداوم «ترمیم» کنند. او باور دارد با ثبت دانشی که معمولاً در حین نگهداری از دست می‌رود، شرکت‌ها می‌توانند از پشتیبانی واکنشی (Reactive) به سمت مدرن‌سازی مستمر حرکت کنند.
تیم مدیریتی شامل Bharadwaj، Aditya Thakur (مدیر فنی) و Aditya Patil (مدیر عملیات)، اکنون با چالش تعمیم این لایه در محیط‌های متنوع و به‌شدت سفارشی‌شده روبرو هستند. موفقیت آن‌ها به این بستگی دارد که آیا می‌توانند قابلیت حسابرسی (Auditability) و حاکمیت داده‌ها را در میان مجوزهای مختلف شرکتی و حالت‌های مختلف شکست سیستم حفظ کنند یا خیر.
باید دید این رویکرد «حافظهٔ عملیاتی» چگونه بر روند کلی هوش مصنوعی عامل‌محور (Agentic AI) در سازمان‌ها تأثیر می‌گذارد و به‌ویژه آیا می‌تواند وابستگی شدید به شرکت‌های پیمانکار بزرگ برای نگهداری‌های روتین را کاهش دهد.
گام بعدی شما
- اگر مدیر سیستم‌های ERP هستید، بررسی کنید چه مقدار از دانش عملیاتی شما در ذهن افراد است و نه در مستندات.
- مدل‌های «عامل‌محور» را برای اتوماسیون تیکت‌های تکراری در لایه نگهداری آزمایش کنید.
- روی ابزارهایی تمرکز کنید که علاوه بر رفع مشکل، «منطق تعمیر» را برای آینده ثبت می‌کنند.
گفتگو