گارتنر: یک‌سوم اپلیکیشن‌های سازمانی تا سال ۲۰۲۸ عامل‌محور می‌شوند

تصور کنید نرم‌افزارهای شما دیگر منتظر دستور نمانند و به‌جای اجرای یک لیست از کارهای تکراری، خودشان برای رسیدن به یک هدف برنامه‌ریزی کنند. این تغییر رویکرد، مرز میان «ابزار» و «همکار دیجیتال» را به‌طور کامل از بین می‌برد. با این حال، پذیرش این نقش جدید می‌تواند چالش‌برانگیز باشد؛ چرا که برخی پژوهش‌ها نشان می‌دهند مدیران هنگام تعامل با هوش مصنوعی به عنوان یک همکار، احتمال نادیده گرفتن خطاها را افزایش می‌دهند.

طبق پیش‌بینی گارتنر (Gartner)، تا سال ۲۰۲۸ حدود ۳۳٪ از اپلیکیشن‌های نرم‌افزاری سازمانی شامل هوش مصنوعی عامل‌محور (Agentic AI) خواهند بود. این رقم در سال ۲۰۲۴ کمتر از ۱٪ بود و نشان می‌دهد سال ۲۰۲۵ نقطه عطفی است که در آن عامل‌های خودمختار از محیط‌های آزمایشگاهی به اتاق جلسات مدیران ارشد راه می‌یابند.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، گذار به سمت خودمختاری، چالش‌های جدیدی در کنترل و نظارت ایجاد می‌کند. در واقع، ما از اتوماسیون سنتی — که شبیه به یک کلید برق ساده است و فقط با فشار دادن آن یک اتفاق مشخص می‌افتد — به سمت سیستم‌های عامل‌محور حرکت می‌کنیم؛ سیستم‌هایی که مثل یک مدیر پروژه عمل می‌کنند، هدف را می‌فهمند و مسیر رسیدن به آن را خودشان طراحی می‌کنند.

به نقل از آندره دیاس موریرا پرول، متخصص فناوری‌های نوظهور، اتوماسیون در دو دهه اخیر موج‌های مختلفی را پشت سر گذاشته است. صنعت ابتدا از اسکریپت‌های ساده به سمت اتوماسیون رباتیک فرآیندها (RPA) رفت و حالا در آستانه ورود به عصری است که نرم‌افزارها نه‌تنها دستورات را اجرا می‌کنند، بلکه استدلال می‌کنند، برنامه‌ریزی می‌کنند و به‌طور مستقل عمل می‌کنند.

عامل‌های خودمختار برخلاف اتوماسیون سنتی که واکنشی (Reactive) است، هدف‌محور هستند. برای مثال، اگر هدف «کاهش ریزش مشتریان» باشد، این عامل می‌تواند به‌طور مستقل هدف را به زیر-وظایف کوچک‌تر تقسیم کند، داده‌ها را استخراج کند و بدون نیاز به مدیریت ذره‌بینی انسان، استراتژی خود را تغییر دهد.

از نظر معماری، این عامل‌ها مدل زبانی بزرگ (LLM) — که مثل کتابخانه‌داری است که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — را برای استدلال با حافظه، ابزارهای خارجی و حلقه‌های بازخورد ترکیب می‌کنند. چارچوب‌هایی مانند LangGraph، AutoGen از شرکت مایکروسافت و مشتقات AutoGPT در حال حاضر این سازمان‌دهی را ممکن کرده‌اند. در این مسیر، بسیاری از کسب‌وکارهای متوسط برای دستیابی به دقت بالاتر، پلتفرم‌های آماده را رها کرده و به سمت توسعه عامل‌های سفارشی حرکت می‌کنند.

بر اساس گزارش‌های صنعتی، کاربردهای واقعی این فناوری در حال حاضر نتایج قابل‌اندازه‌ای را ثبت کرده‌اند:

• عملیات مالی: شرکت Klarna گزارش داد که دستیار هوش مصنوعی این شرکت در ماه اول، دو-سوم چت‌های خدمات مشتری را مدیریت کرد؛ حجم کاری که پیش از این بر عهده ۷۰۰ کارمند تمام‌وقت بود.
• وب۳ و توکن‌سازی: در شبکه‌های Stellar و Soroban، عامل‌ها اکنون رویدادهای قراردادهای هوشمند را رصد می‌کنند و سبدهای دارایی توکن‌شده را بدون دخالت انسان بازتنظیم می‌کنند.
• توسعه نرم‌افزار: دستیارهای کدنویسی عامل‌محور با باز کردن Pull Requestها و اجرای تکراری تست‌ها، سرعت تحویل پروژه‌ها را در وظایف مشخص، بین ۲۰ تا ۴۰ درصد افزایش داده‌اند.

در حوزه جرم‌شناسی دیجیتال، آندره دیاس موریرا پرول از عامل‌هایی استفاده کرده است که به‌طور خودمختار لاگ‌های تراکنش‌های بلاک‌چین را تحلیل کرده و خوشه‌های مشکوک کیف‌پول‌ها را شناسایی می‌کنند. این فرآیند که پیش‌تر یک هفته زمان یک تحلیلگر را می‌گرفت، اکنون توسط عامل‌ها در قالب گزارش‌های اولیه سریعاً آماده می‌شود.

با این حال، خودمختاری بدون کنترل یک ریسک بزرگ است. عاملی که به سیستم‌های عملیاتی یا کیف‌پول‌های بلاک‌چین دسترسی دارد، در صورت تفسیر غلط هدف یا قرار گرفتن در معرض تزریق پرامپت (Prompt Injection)، می‌تواند خسارات جبران‌ناپذیری وارد کند.

برای کاهش این ریسک‌ها، سه حفاظ (Guardrails) ضروری است:

• مجوزهای محدود: عامل‌ها باید با دسترسی‌های حداقلی عمل کنند و سقف‌های مالی سخت‌گیرانه‌ای برای آن‌ها تعریف شود.
• نقاط بازرسی انسانی: تصمیمات حیاتی مانند انتقال مبالغ بالا یا حذف داده‌ها باید تایید صریح انسان را بخواهند.
• قابلیت حسابرسی کامل: هر اقدام عامل باید به‌صورت تغییرناپذیر ثبت شود.

برای رهبران کسب‌وکار، این تغییر به معنای گذار از «مدیریت ابزارها» به «مدیریت نتایج» است. هدف جایگزینی کامل نقش‌ها نیست، بلکه جذب لایه‌های تکراری و قانون‌محور شغل است تا انسان‌ها برای استراتژی‌های سطح بالا آزاد شوند. در این میان، بهینه‌سازی فرآیند پیکربندی عامل‌ها برای حذف مداخلات دستی، کلید اصلی افزایش بهره‌وری در سازمان‌هاست.

سازمان‌هایی که حاکمیت و نظارت را به جای یک فکر جانبی، به عنوان زیربنای سیستم قرار دهند، با امنیت مقیاس می‌گیرند. کسانی که تا سال ۲۰۲۶ برای آزمایش فرآیندهای کم‌ریسک صبر می‌کنند، احتمالاً سال آینده را صرف جبران عقب‌ماندگی خواهند کرد.

گام بعدی شما

• شناسایی فرآیندهای تکراری با حجم بالا و ریسک پایین در سازمان برای اولین پیاده‌سازی‌های عامل‌محور.
• بررسی چارچوب‌های AutoGen یا LangGraph برای تبدیل چت‌بات‌های ساده به عامل‌های هدف‌محور.
• تعریف پروتکل‌های «تایید انسانی» برای هر دسترسی حساس به داده‌ها یا تراکنش‌های مالی.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.