اگر امروز برای لایسنس‌های نرم‌افزاری سازمانتان هزینه می‌کنید، احتمالاً در حال پرداخت مبلغی برای معیارهایی هستید که دیگر وجود ندارند. تصور کنید یک عامل (Agent) — شبیه به کارمندی دیجیتال که می‌تواند به‌جای شما در نرم‌افزارها بچرخد و کارها را پیش ببرد — جایگزین ده کاربر انسانی شود؛ در این حالت، مدل پرداخت «به‌ازای هر کاربر» عملاً بی‌معنی می‌شود. این پتانسیل جایگزینی را پیش‌تر در مورد پلتفرم Binate AI دیدیم که توانست ۶ ابزار SaaS مختلف را با یک عامل واحد جایگزین کند و هزینه‌های هماهنگی را کاهش دهد.
گارتنر (Gartner) در تحلیل جدید خود هشدار می‌دهد که تا سال ۲۰۳۰، حدود ۲۳۴ میلیارد دلار از هزینه‌های نرم‌افزارهای سازمانی به‌دلیل پدیده‌ای به نام «آربیتراژ عامل‌محور» در معرض خطر است. طبق این گزارش، چرخش بنیادین این است که شرکت‌ها دیگر نرم‌افزار را در درجه اول برای انسان‌ها نمی‌خرند، بلکه آن‌ها را برای عامل‌های هوش مصنوعی تهیه می‌کنند.
همان‌طور که در تحلیل قبلی ما درباره‌ی بازرسی‌های ریسک هوش مصنوعی برای کسب‌وکارهای کوچک (SMEs) اشاره کردیم، اکنون گلوگاه از توانایی فنی به بندهای حقوقی منتقل شده است. بسیاری از مدیران فناوری (CIO) متوجه خواهند شد که استراتژی‌های هوش مصنوعی آن‌ها نه توسط خود تکنولوژی، بلکه توسط قراردادهایی که پیش از این امضا کرده‌اند، متوقف شده است.
زمینه و ضرورت تغییر
این تحلیل، بخش دوم از یک مجموعه بررسی درباره هوش مصنوعی و مدل‌های SaaS است. در حالی که بخش اول ثابت کرد SaaS در حال مرگ نیست بلکه در حال تکامل است، این بخش بررسی می‌کند که این تکامل در کجا به دیوار حقوقی برخورد می‌کند. وقتی کاربر اصلی نرم‌افزار دیگر انسانی نیست که به صفحه نمایش خیره شود، تمام معیارهای ارزیابی نرم‌افزاری دو دهه گذشته از بین می‌روند و بی‌معنی می‌شوند.
جزئیات حیاتی در قراردادها
برای اجتناب از این تله‌ها، گارتنر توصیه می‌کند که مدیران فناوری چهار پرسش کلیدی را در هر قرارداد SaaS بررسی کنند. CIOها باید قراردادها را با همان سخت‌گیری‌ای ارزیابی کنند که تکنولوژی را می‌سنجند:
- برابری API: آیا یک عامل می‌تواند هر کاری را که انسان از طریق رابط کاربری (UI) انجام می‌دهد، از طریق رابط برنامه‌نویسی کاربردی (API) — مثل یک در پشتی مخفی که اجازه می‌دهد دو نرم‌افزار بدون دخالت انسان با هم حرف بزنند — اجرا کند؟ اگر شرایط تامین‌کننده یا محدودیت‌های فنی مانع این کار شود، پیاده‌سازی کامل عامل‌محور از همان ابتدا غیرممکن است. در این راستا، پروتکل MCP تلاش می‌کند تا تله‌های مجوزها را بشکند و دسترسی عامل‌ها به داده‌های حساس را تسهیل کند.
- استفاده خودمختار: آیا قرارداد صراحتاً «استفاده خودمختار» (autonomous use) یا دسترسی خودکار شخص ثالث را ممنوع کرده است؟ باید به دنبال بندهایی درباره «دسترسی خودکار» (automated access)، «محدودیت‌های نرخ API» (API rate limits)، «استفاده مجاز» (permitted use) و «یکپارچگی‌های شخص ثالث» (third-party integrations) بگردید.
- مالکیت دانش: چه کسی مالک دانشی است که سیستم از کاربر می‌آموزد؟ گارتنر این را «نرخ حفظ دانش» (KRR) می‌نامد. اگر تامین‌کننده مالک این منطق یادگرفته‌شده باشد، تخصص سازمان شما در واقع محصولی را بهبود می‌بخشد که رقبای شما نیز از آن استفاده می‌کنند. این یک شکل جدید از وابستگی (Lock-in) است که به جای تکنولوژی، بر پایه هوش یادگرفته‌شده بنا شده است.
- حکمرانی خودمختاری: آیا محدوده استقلال عامل به طور واضح تعریف و تایید شده است یا سیستم در حالت «اتوماسیون خاموش» عمل می‌کند؟ سازمان‌ها باید دقیقاً تعریف کنند که یک عامل در کجا می‌تواند مستقل عمل کند و این حقوق هر چند وقت یک‌بار بازبینی شوند. با این حال، باید مراقب بود که این استقلال منجر به شکست نشود؛ چرا که گارتنر پیش‌بینی می‌کند ۴۰٪ از شرکت‌ها تا سال ۲۰۲۷ عامل‌های هوش مصنوعی خود را به‌دلیل عدم کارایی بازنشسته کنند.
فراتر از این پرسش‌ها، ساختار کلی معاملات در حال تغییر است. طبق گزارش مایر براون (Mayer Brown)، شرکت‌ها در حال جابجایی بین سه مدل قراردادی هستند:
- کمک (Assist): پرداخت ساعتی برای مراحل اکتشاف و طراحی. در این مدل، ریسک افزایش بودجه بر عهده مشتری است و نظارت متخصصان الزامی است.
- تحویل (Deliver): پرداخت مبلغ ثابت یا پرداخت بر اساس نقاط عطف (milestones) برای خروجی‌های تعریف‌شده. این مدل قطعیت قیمت را فراهم می‌کند اما زمانی که نیازها در طول پروژه تغییر می‌کنند، مدیریت آن دشوار است.
- مشترک (Shared): پرداخت پاداش بر اساس معیارهای خاص، مانند ارزش پولی ثانیه‌هایی که در هر چرخه عملیاتی ذخیره شده است. این مدل انگیزه‌های تامین‌کننده را با نتایج واقعی همسو می‌کند.
این تغییرات همین حالا در بازار رخ داده است. در ۱ ژوئن ۲۰۲۶، گیت‌هاب (GitHub) مدل پرداخت کوپایلت (Copilot) را به سیستم پرداخت مبتنی بر مصرف با استفاده از «اعتبارات هوش مصنوعی» (AI credits) تغییر داد که هر اعتبار ۱ سنت قیمت دارد. زندسک (Zendesk) نیز به قیمت‌گذاری مبتنی بر نتیجه تغییر رویه داد و برای مشتریان متعهد ۱.۵۰ دلار و برای استفاده‌های موردی (on-demand) ۲.۰۰ دلار به‌ازای هر مشکل حل‌شده دریافت می‌کند، به علاوه یک افزونه AI پیشرفته با هزینه تقریبی ۵۰ دلار به‌ازای هر عامل در ماه. در همین حال، ورک‌دی (Workday) سیستم «اعتبارات منعطف» (Flex Credits) را معرفی کرد تا دسترسی به AI را از لایسنس‌های سنتی «به‌ازای هر صندلی» (per-seat) جدا کند.
طبق تخمین IDC، مدل‌های قیمت‌گذاری مبتنی بر مصرف یا نتیجه، از ۱۳٪ فعلی به ۶۳٪ در دهه آینده خواهد رسید. علاوه بر این، ۳۲.۸٪ سازمان‌ها حاضرند برای عامل‌هایی که مستقیماً در اپلیکیشن‌هایشان جاسازی شده‌اند، حداقل ۱۰٪ بیشتر پرداخت کنند و ۱۸٪ آن‌ها حتی حاضرند ۳۰٪ بیشتر بپردازند.
برای شما به عنوان کاربر یا مدیر، این یعنی صورت‌حساب فعلی نرم‌افزارهایتان احتمالاً بر اساس معیارهای منسوخ است. پرداخت برای «صندلی‌ها» یا تعداد کاربران زمانی بی‌معنی است که یک تک عامل بتواند کار ده نفر را انجام دهد.
اگر همین حالا مالکیت پرامپت‌ها، دستورالعمل‌های سیستمی، منطق مدیریتی، داده‌های تست و دفترچه‌های راهنمای عملیاتی خود را تضمین نکنید، با نوع جدیدی از وابستگی به تامین‌کننده (Vendor Lock-in) مواجه می‌شوید؛ وابستگی‌ای که نه با کد، بلکه با همان هوشی ایجاد شده که سیستم از عملیات کسب‌وکار شما استخراج کرده است. اطمینان حاصل کنید که قرارداد شما، محدوده و مدت زمان پشتیبانی برای تحویل این دارایی‌ها را به صراحت مشخص کرده باشد.
گام بعدی شما
- قراردادهای SaaS فعلی خود را پیش از چرخه تمدید بعدی، برای یافتن عبارات «دسترسی خودکار» (automated access) و «استفاده مجاز» (permitted use) بازبینی کنید. قدرت مذاکره شما در زمانی است که عامل هنوز به بخشی جدایی‌ناپذیر از جریان کاری شما تبدیل نشده است.
- در تمدید قراردادهای آتی، مالکیت داده‌های استخراج‌شده و منطق یادگرفته‌شده توسط مدل را به صراحت ذکر کنید.
- مدل‌های پرداخت مبتنی بر نتیجه (Outcome-based) را برای ابزارهای AI جایگزین لایسنس‌های per-seat کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو