تصور کنید یک کارمند دیجیتال داشته باشید که نه تنها به سؤالات شما پاسخ می‌دهد، بلکه یک پروژه را از ابتدا تا انتها در تمام نرم‌افزارهای شرکت مدیریت می‌کند. بانک برزیلی Bradesco همین حالا این تجربه را زندگی می‌کند و زمان بررسی اسناد خود را از یک ساعت به ۵ دقیقه کاهش داده است. این تغییر نشان‌دهنده گذار از چت‌بات‌های ساده به سمت سامانه‌های عامل‌محور (Agentic) است؛ یعنی سیستم‌هایی که تمام بستر کسب‌وکار سازمان را درک می‌کنند و می‌توانند وظایفی را که اجرای آن‌ها چندین روز زمان می‌برد، به طور مستقل پیش ببرند.
این تحول در حالی رخ می‌دهد که بسیاری از سازمان‌ها برای انتقال هوش مصنوعی از مرحله «پرامپت‌های آزمایشی» به «تولید در مقیاس صنعتی» با چالش روبرو هستند. همان‌طور که در تحلیل قبلی ما درباره‌ی Google AI Edge Foresight و تمرکز آن بر بهره‌وری محلی (Local-first) برای سیستم‌های مک اشاره کردیم، این ابزار جدید در نقطه مقابل قرار دارد: یک ارکستراتور ابری، دائمی و قدرتمند که دقیقاً برای نیازهای غول‌های Fortune 100 طراحی شده است.
موتور ارکستراسیون
به نقل از وبلاگ گوگل کلاود، این عامل در ۸ اکتبر ۲۰۲۶ در رویداد Gemini at Work معرفی شد. گوگل آن را به عنوان یک عامل جهانی و واحد برای محیط کار توصیف می‌کند که کارهای دانشی، پاسخ به سؤالات، تولید محتوا و کدنویسی را تنها از طریق یک جعبه پرامپت مدیریت می‌کند. نکته کلیدی این است که این عامل بر روی یک مدل واحد متکی نیست. در عوض، سیستم به صورت پویا بهترین مدل را برای هر وظیفه خاص انتخاب می‌کند تا تعادلی بهینه بین کیفیت خروجی و هزینه عملیاتی ایجاد کند.
در حال حاضر، این سامانه بین خانواده مدل‌های Gemini و مدل‌های Claude شرکت Anthropic جابه‌جا می‌شود. گوگل قصد دارد در آینده مدل‌های خصوصی و باز (Open) بیشتری را به این مجموعه اضافه کند. برای مدیریت هزینه‌ها، ابزاری به نام Smart Routing وظیفه اولویت‌بندی و توزیع حجم کاری به کارآمدترین مدل موجود را بر عهده دارد. طبق مستندات گوگل، مدل‌ها به چهار دسته تخصصی تقسیم شده‌اند: Argon برای استدلال‌های پیشرو و پیچیده، Flash برای سرعت و پردازش حجم بالای داده، Omni برای رسانه‌های زاینده و Gemma برای کارهای سبک و مدل‌های با وزن باز در لبه شبکه. در این میان، گوگل برای مدل Argon سخت‌گیرانه‌ترین پروتکل‌های امنیتی را در نظر گرفته است تا از تزریق پرامپت و سوءاستفاده‌های سایبری جلوگیری کند.
یکپارچگی سازمانی و حافظه
برخلاف مدل‌های زبانی بزرگ (LLM) استاندارد که با بستن پنجره گفتگو، تمام جزئیات را فراموش می‌کنند، این عامل در ابر حضور دائمی دارد. این سیستم از یک گراف شخصی‌سازی واحد و چهار نوع حافظه مجزا استفاده می‌کند: حافظه جلسه‌ای (Session)، معنایی (Semantic)، رویه‌ای (Procedural) و اپیزودیک (Episodic). این ساختار اجازه می‌دهد کارهایی که اجرای آن‌ها چندین روز زمان می‌برد، حتی پس از بستن لپ‌تاپ کاربر، بدون وقفه ادامه یابد. این عامل شبیه به یک نیروی تازه‌استخدام عمل می‌کند؛ یعنی ابتدا خودش را با کاربر، ابزارها و اعضای تیم آشنا می‌کند و سپس کار را شروع می‌کند.
دسترسی به این سیستم جهانی است و در iOS، اندروید، ویندوز، مک، خط فرمان (CLI) و حتی از طریق یکپارچگی بدون رابط کاربری (Headless) در اپلیکیشن‌های شخص ثالث امکان‌پذیر است. این عامل با طیف گسترده‌ای از ابزارها یکپارچه شده است:
- ابزارهای همکاری: Slack، Microsoft 365، Confluence، Microsoft Office، Teams و Google Workspace.
- پلتفرم‌های توسعه: Git و Jira.
- سیستم‌های سازمانی: Salesforce، ServiceNow و Snowflake.
- پایگاه‌های داده: BigQuery، Databricks، Postgres و Snowflake.
- همچنین دسترسی به فایل‌های محلی روی دسکتاپ کاربر و هر سروری که از پروتکل Model Context Protocol پشتیبانی کند.
پارادایم «همکار دیجیتال»
یکی از متمایزترین ویژگی‌ها، «حالت همکار» (Coworker Mode) است. در این ساختار، عامل دیگر صرفاً ابزاری در دست کاربر نیست، بلکه یک موجودیت دیجیتال مستقل است که آدرس ایمیل سازمانی اختصاصی (agents.company.com) و فضای ذخیره‌سازی دائمی خود را دارد.
این عامل‌های همکار در دایرکتوری شرکت حضور دارند و از تنظیمات اشتراک‌گذاری و عضویت موجود در سازمان پیروی می‌کنند. آن‌ها با هویت مستقل خود عمل کرده و تنها داده‌هایی را می‌بینند که صراحتاً توسط اعضای تیم با آن‌ها به اشتراک گذاشته شده است. برای وظایف چندمرحله‌ای، Gemini می‌تواند به صورت پویا «زیر-عامل‌های» (Sub-agents) موقتی ایجاد کند که هر کدام هویت خاص خود را دارند تا مراحل موازی و متوالی را که ممکن است ساعت‌ها یا روزها طول بکشد، هماهنگ کنند.
Gemini در محیط Google Workspace
این سیستم به صورت داخلی در Gmail، Drive، Docs، Slides، Sheets، Chat و Calendar فعال است. گوگل سه حالت خاص برای Workspace تعریف کرده است:
- حالت دستیار شخصی (Personal-assistance): عامل با اطلاعات کامل از تقویم، تیم و پروژه‌های کاربر وارد عمل می‌شود.
- حالت تفویض فعال (Proactive-delegation): هوش Workspace وظایفی را که قابلیت واگذاری دارند شناسایی کرده و امکان انتقال آن‌ها به عامل را با یک کلیک فراهم می‌کند.
- حالت همکار (Coworker): عامل حساب کاربری Workspace مستقل خود را دریافت می‌کند، شامل ایمیل، تقویم و فضای Drive اختصاصی.
مهارت‌های داده و تخصص‌های صنعتی
مهارت‌های جدید داده به مهندسان اجازه می‌دهد نتایج مورد نظر خود را با زبان ساده توصیف کنند؛ در حالی که Gemini کدهای PySpark را تولید می‌کند، نوت‌بوک‌هایی برای تست ارائه می‌دهد، مدل‌ها را آموزش می‌دهد و خط لوله‌های داده (Pipelines) را عیب‌یابی می‌کند. کاربران تجاری نیز می‌توانند گزارش‌های عملیاتی لحظه‌ای را از طریق مهارت‌های یکپارچه با BigQuery و Knowledge Catalog تولید کنند. این گزارش‌های ذخیره شده را می‌توان بدون صرف توکن‌های جدید، مجدداً اجرا کرد.
برای جلوگیری از توهم (Hallucination) — وضعیتی که مدل با اطمینان کامل چیزی را می‌گوید که وجود ندارد — گوگل از سه مکانیزم استفاده می‌کند:
- Knowledge Catalog: تعریف یک‌باره مفاهیم و تعاریف کسب‌وکار برای تمام عامل‌ها و خواندن متریک‌ها از Databricks، dbt، LookML یا SAP.
- Smart Storage: غنی‌سازی اشیاء بدون ساختار در همان محل ذخیره‌سازی.
- Borderless Lakehouse: امکان پرس‌وجو از Amazon S3 و Azure Data Lake بدون پرداخت هزینه‌های متغیر خروج داده (Egress fees) و خواندن داده‌ها از Salesforce Data 360، SAP، ServiceNow و Workday بدون نیاز به کپی کردن داده‌ها.
گوگل نسخه‌های تخصصی برای بخش‌های حساس نیز عرضه کرده است. نسخه خدمات مالی که توسط Deutsche Bank و CME Group استفاده می‌شود، داده‌های FactSet، LSEG و پرونده‌های SEC را تحلیل کرده و با بیش از ۵۰ مهارت بنیادی عرضه می‌شود.
نسخه حقوقی نیز با همکاری Harvey و Onit، دیوارهای اخلاقی و مجوزهای دسترسی را از پلتفرم‌هایی مثل NetDocuments و iManage به ارث می‌برد. برای مثال، شرکت حقوقی Cooley در حال حاضر از این چارچوب برای ساخت عاملی جهت پاک‌سازی (Redaction) اطلاعات محرمانه استفاده می‌کند.
امنیت و زیرساخت
برای پاسخ به نیازهای حاکمیتی سازمان‌ها، هر عامل در یک «سندباکس» (Agent Sandbox) با مرز شبکه اختصاصی فعالیت می‌کند. تمام ترافیک از یک Agent Gateway عبور می‌کند که مانند یک دیواره آتش (Firewall) برای هوش مصنوعی عمل کرده و سیاست‌های سازمان را در لحظه اجرا می‌کند.
هر اقدام عامل در یک ردپای حسابرسی (Audit Trail) ثبت می‌شود که به هویت رمزنگاری‌شده و با «حداقل دسترسی» (Least-privilege) مربوط به خود عامل نسبت داده می‌شود، نه به یک کاربر انسانی. هنگام اتصال به سیستم‌های خارجی، این هویت از طریق OAuth منتقل می‌شود.
کنترل هزینه‌ها شامل سقف‌های هزینه لحظه‌ای است که برای هر پروژه در کنسول صورت‌حساب کلاود تنظیم می‌شود و در صورت رسیدن به سقف، عامل‌ها را متوقف می‌کند. در بخش سخت‌افزار، سیستم TPU 8i جدید گوگل طبق گزارش‌ها ۸۰٪ بهبود در نسبت قیمت به عملکرد نسبت به نسل قبل داشته است.
پذیرش در دنیای واقعی
توماس کوریان، مدیرعامل گوگل کلاود، اعلام کرد که نزدیک به ۹۰٪ از شرکت‌های Fortune 100 اکنون از Gemini Enterprise استفاده می‌کنند. مقیاس استفاده بسیار گسترده است: نزدیک به ۸۰٪ از تمام مشتریان گوگل کلاود از محصولات هوش مصنوعی آن استفاده می‌کنند و نزدیک به ۵۰۰ مشتری در سال گذشته هر کدام بیش از یک تریلیون توکن را پردازش کرده‌اند.
سایر پذیرندگان اولیه عبارتند از:
- PayPal: که هفتگی ۱۰ میلیون درخواست چند-مدلی را مسیریابی می‌کند.
- Shopify: که مدل‌های پیشرو را برای میلیون‌ها فروشنده ترکیب می‌کند.
- Orange Spain: که بیش از ۱,۰۰۰ عامل سفارشی Gemini Enterprise را مستقر کرده است.
- On: که قابلیت‌های انتخاب پویای مدل در این عامل را تست کرده است.
این روند نشان می‌دهد آینده هوش مصنوعی سازمانی، یافتن «یک مدل برتر» نیست، بلکه ساخت لایه‌ای پیچیده از ارکستراسیون است که بتواند مدل‌ها را بر اساس نیاز هر وظیفه عوض کند.
برای مدیران کسب‌وکار، گلوگاه دیگر هوش مدل نیست، بلکه کیفیت «کتابخانه مهارت‌ها» (شامل پرامپت‌های ماژولار جهانی، مشترک در شرکت و شخصی) و تمیزی کاتالوگ داده‌های سازمان است. عامل تنها به اندازه ابزارهایی که اجازه استفاده از آن‌ها را دارد، مؤثر است.
منتظر عرضه نسخه‌های تخصصی برای دولت، بهداشت و درمان و خرده‌فروشی باشید تا ببینیم آیا دستاوردهای این بخش‌ها نیز مشابه نتایج بخش مالی خواهد بود یا خیر.
گام بعدی شما
- اگر مدیر محصول هستید، بررسی کنید که کدام فرآیندهای تکراری سازمان شما (مانند بررسی اسناد) قابلیت تبدیل شدن به یک «عامل همکار» با حافظه بلندمدت را دارد.
- ساختار داده‌های سازمان خود را بازبینی کنید؛ عامل‌های پیشرفته بدون یک کاتالوگ داده تمیز، دچار توهم می‌شوند.
- مدل‌های مختلف (Gemini و Claude) را برای کارهای مختلف تست کنید تا متوجه شوید کدام‌یک در استدلال و کدام‌یک در سرعت برای سازمان شما بهینه است.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های TPU نسل جدید مراجعه کنید.
گفتگو