اگر امروز یک مدل زبانی قدرتمند دارید اما نمی‌دانید چگونه آن را در جریان کاری پیچیده یک سازمان ادغام کنید، در واقع یک موتور جت دارید که فرمان و پدال ندارد. این دقیقاً همان نقطه‌ای است که شرکت‌ها برای عبور از آن، ۱۱۶۵ درصد افزایش در پست‌های شغلی مربوط به متخصصان جدید داشته‌اند.
به نقل از هنلی وینگ چیو، مدیر فنی Revealera، این جهش خیره‌کننده در تقاضا برای مهندسین استقرار (Forward-Deployed Engineering یا FDE) در سال گذشته، نشان‌دهنده یک چرخش استراتژیک است. این رشد که تا سال ۲۰۲۵ رصد می‌شود، نشان‌دهنده نیاز مبرم سازمان‌ها به متخصصانی است که بتوانند شکاف میان یک مدل توسعه‌یافته در آزمایشگاه و یک محیط عملیاتی زنده را پر کنند. کسب‌وکارها دیگر به دنبال «اثبات مفهوم» در محیط‌های ایزوله نیستند، بلکه به دنبال افرادی هستند که بتوانند هوش مصنوعی را از یک کنجکاوی آزمایشگاهی به یک ابزار کاربردی و عملکردی در کسب‌وکار تبدیل کنند.
در واقع، مهندس استقرار مانند یک مترجم فنی است که زبان پیچیده مدل‌های ریاضی را به زبان نیازهای عملیاتی شرکت تبدیل می‌کند. تصور کنید یک موتور خودرو با عملکرد بسیار بالا دارید که هیچ فرمان یا پدالی ندارد؛ هوش مصنوعی سازمانی بدون متخصصان استقرار دقیقاً در همین وضعیت است. در حالی که یک توسعه‌دهنده می‌تواند مدلی قدرتمند بسازد، این FDE است که می‌فهمد چگونه آن مدل را با توجه به محدودیت‌های خاص یک شرکت به حرکت درآورد. این نقش از یک نیاز تخصصی و محدود، به یک بردار رشد اصلی تبدیل شده است، زیرا کسب‌وکارها با چالش «آخرین مایلی» (Last Mile) در پذیرش هوش مصنوعی دست‌وپنجه نرم می‌کنند.
همان‌طور که در تحلیل قبلی ما درباره‌ی چالش‌های استقرار مدل‌های بازمتن اشاره کردیم، تفاوت میان یک دمو (Demo) موفق و یک سیستم عملیاتی، در مدیریت لایه‌های امنیتی و داده‌های ناپایدار است.
زمینه و جزئیات نقش FDE
طبق گزارش ZDNET، تمرکز اصلی نقش FDE بر همکاری مستقیم و قرارگیری در کنار مشتریان و کاربران برای ترویج و پیاده‌سازی هوش مصنوعی است. مسئولیت‌های کلیدی این نقش شامل موارد زیر است:
- ساخت و استقرار سیستم‌های یادگیری ماشین (Machine Learning)
- ادغام APIهای پیچیده در زیرساخت‌های موجود و قدیمی شرکت‌ها
- بهینه‌سازی مدل برای محیط‌های تولیدی واقعی
شروتی تیاگی، مدیر ارشد مدیریت مشکل در ServiceNow، معتقد است چالش واقعی در هوش مصنوعی سازمانی، صرفاً خودِ راهکار یا مدل نیست. دشواری اصلی در این است که هوش مصنوعی را در دل گردش‌کارهای موجود، الزامات سختگیرانه امنیتی، فرآیندهای تأییدیه و مسائل سرسخت مربوط به داده‌ها به جریان بیندازند. تیاگی نقش FDE را یک مسیر شغلی قدرتمند برای کسانی توصیف می‌کند که می‌خواهند نزدیک‌تر به مشکلات واقعی مشتریان کار کنند و راهکارهای عملی ارائه دهند.
جایگزین: مهندس هوش مصنوعی (AI Engineer)
با این حال، همه رهبران صنعت، FDE را مسیر شغلی نهایی نمی‌بینند. اندرو ان‌جی (Andrew Ng)، بنیان‌گذار DeepLearning.AI، رئیس و هم‌بنیان‌گذار Coursera و استاد استنفورد، استدلال می‌کند که مهندسان هوش مصنوعی (AI Engineers) پتانسیل شغلی بلندمدت‌تری دارند. او هشدار می‌دهد که مهندسین استقرار با ریسک این مواجه‌اند که سازمان‌ها را به یک فروشنده یا مدل خاص وابسته کنند (Vendor Lock-in)، در حالی که مهندسان AI در قلمرو گسترده‌تری عمل می‌کنند و انعطاف بیشتری دارند.
اندرو ان‌جی تقاضای شدیدی برای مهندسانی می‌بیند که قادر باشند اپلیکیشن‌ها را با استفاده از قطعات نرم‌افزاری خاص هوش مصنوعی بسازند، از جمله:
- پرامپت‌های مدل زبانی بزرگ (LLM prompts)
- چارچوب‌های عامل‌محور (Agentic frameworks)
- سیستم‌های ارزیابی (Evals)
- عامل‌های کدنویس AI (مانند Claude Code، Codex، Antigravity CLI و OpenCode)
شکاف فنی و دیدگاه‌های متضاد
در حال حاضر متخصصان صنعت بر سر اینکه کدام نقش ارزش بلندمدت بیشتری ایجاد می‌کند، تقسیم شده‌اند:
دیدگاه طرفداران مهندس AI: واسایلی مازین، مدیر ارشد تحقیقات و هم‌بنیان‌گذار Mind Simulation Lab، معتقد است این مسیر پایه فنی عمیق‌تری فراهم می‌کند. او پیشنهاد می‌کند مهندس AI که مهارت‌های ارتباطی قوی، تفکر تحلیلی و توانایی توضیح مفاهیم پیچیده به زبان ساده را دارد، می‌تواند به راحتی به نقش FDE منتقل شود. با این حال، او اشاره می‌کند که مسیر معکوس — یعنی تبدیل یک FDE به یک مهندس AI — بسیار دشوارتر است.
دیدگاه طرفداران FDE: دن هرباتشک، مدیرعامل و بنیان‌گذار Ramsey Theory Group، استدلال می‌کند که دانستن «مقصد» در حال تبدیل شدن به ارزشی بیشتر از دانستن «طرز کار موتور» است. او معتقد است مهندسان AI موتور را می‌سازند، اما FDEها تعیین می‌کنند که ماشین باید به کجا برود. از نظر او، متخصصان استقرار ارزشمندترند چون مدل‌ها هر ماه بهتر می‌شوند، ابزارها ساده‌تر شده‌اند و بخش‌های سخت فنی به طور فزاینده‌ای اتوماتیک می‌شوند.
براندون ساموت، مدیر ارشد منابع انسانی و تحول AI در Zapier، لایه‌ای واقع‌گرایانه به این بحث اضافه می‌کند. او با اندرو ان‌جی موافق است که تعداد نقش‌های مهندسی AI بیشتر خواهد بود، زیرا اکثر شرکت‌ها ترجیح می‌دهند سیستم‌ها را توسط کارکنان داخلی خودشان بسازند تا اینکه به متخصصان بیرونی وابسته شوند. با این حال، او تأکید می‌کند که «پیچیدگی ادغام» — و نه بودجه یا کیفیت مدل — مانع شماره یک عملیاتی‌شدن هوش مصنوعی در عمل است.
تنوع‌بخشی و بازگشت سرمایه (ROI)
به دلیل سرعت بالای تغییرات در فضای AI، کارشناسان نسبت به بهینه‌سازی بیش از حد برای یک عنوان شغلی خاص هشدار می‌دهند. هرباتشک توصیه می‌کند که متخصصان با یادگیری عمیق AI و در عین حال حفظ پیش‌زمینه قوی در حوزه‌های زیر، «جایگزین‌ناپذیر» شوند:
- امور مالی (Finance)
- عملیات (Operations)
- محصول (Product)
- تجربه مشتری (Customer Experience)
- مدیریت تغییرات سازمانی (Organizational Change)
به باور هرباتشک، بالاترین دستمزدها به افرادی می‌رسد که بدانند چگونه مدل‌ها را به نرخ بازگشت سرمایه (ROI) واقعی تبدیل کنند. ساموت نیز این موضوع را تأیید می‌کند و می‌گوید استخدام‌شدنی‌ترین فرد، کسی است که بتواند در کنار یک تیم بنشیند، مشکل واقعی را شناسایی کند و راهکاری بسازد که در برخورد با سیستم‌های واقعی از هم نپاشد.
ظهور معمار سیستم‌های انسانی
این تقابل ممکن است در نهایت با ظهور یک نقش ترکیبی جدید از بین برود. اسماعیل আমلا، نایب رئیس ارشد Kyndryl Consult در Kyndryl، پیش‌بینی ظهور «معمار سیستم‌های انسانی» (Human Systems Architect) را می‌کند. او استدلال می‌کند که بحث فعلی به اشتباه فرض کرده است که آینده AI صرفاً با ساخت و استقرار مدل‌ها تعریف می‌شود.
در واقع، این دسته سوم از نقش‌ها وظیفه طراحی نحوه تعامل انسان‌ها و هوش مصنوعی را بر عهده دارند. مسئولیت‌های آن‌ها شامل موارد زیر است:
- تعیین نقاطی که در آن‌ها قضاوت انسانی همچنان ضروری و حیاتی است
- تعریف نحوه مدیریت استثنائات (Exceptions)
- نحوه حفظ مسئولیت‌پذیری (Accountability) در خروجی‌ها
این موضوع بسیار حیاتی است زیرا طبق گفته আমلا، تا ۳۰ درصد از منطق تصمیم‌گیری‌های کلیدی در سازمان‌ها به صورت «دانش ضمنی» (Tacit Knowledge) وجود دارد و نه در قالب فرآیندهای مستند شده. در نهایت، در حالی که تخصص در AI ارزشمند است، اما فرصت‌های رشد حداکثری متعلق به کسانی است که بتوانند پلی میان رشته‌های مختلف بزنند.
گام بعدی شما
- اگر مهندس هستید، علاوه بر کدنویسی، روی مهارت‌های تحلیل کسب‌وکار و تجربه مشتری تمرکز کنید تا در دسته FDEهای سطح بالا قرار بگیرید.
- برای مدیران محصول: به جای تمرکز بر قابلیت‌های مدل، روی «نقشه ادغام» (Integration Map) مدل در جریان کاری فعلی تیمتان تمرکز کنید.
- بررسی کنید کدام بخش از تصمیمات کلیدی سازمان شما بر اساس «دانش ضمنی» است و قابلیت مدل‌سازی دارد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو