اگر شرکت شما هنوز از هوش مصنوعی فقط برای خلاصه‌سازی متون یا چت‌بات‌ها استفاده می‌کند، در واقع دارید سود اقتصادی واقعی این فناوری را از دست می‌دهید. برای رشد واقعی، باید از بهره‌وری ساده عبور کنید و به سمت «هوش خودگردان» بروید.
این یعنی استقرار سیستم‌هایی که منطق‌های چندمرحله‌ای را اجرا می‌کنند و تراکنش‌ها را بدون نیاز به تایید مداوم انسان نهایی می‌کنند. در حال حاضر، اکثر شرکت‌ها در مرحله «هوش کمکی» گیر کرده‌اند. به نقل از تحلیلگران Deloitte، صنعت اکنون در حال حرکت به سمت عامل‌های هوش مصنوعی (AI Agents) — شبیه به کارمندی دیجیتال که فقط پیشنهاد نمی‌دهد، بلکه خودش فرم‌ها را پر کرده و ارسال می‌کند — است تا به خودگردانی کامل برسد.
همان‌طور که در تحلیل قبلی ما درباره‌ی جریان‌های کاری عامل‌محور اشاره کردیم، تفاوت اصلی در این است که هوش مصنوعی زاینده (Generative AI) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — فقط پاسخ تولید می‌کند، اما هوش خودگردان به دنبال رسیدن به یک نتیجه‌ی مشخص است.
پراکول شارما (Prakul Sharma)، یکی از مدیران Deloitte Consulting LLP، یک منحنی بلوغ سه مرحله‌ای را تعریف می‌کند:
- هوش کمکی: هوش مصنوعی به انسان در تفسیر اطلاعات کمک می‌کند.
- هوش مصنوعی: یادگیری ماشین تصمیمات انسانی را تقویت می‌کند.
- هوش خودگردان: هوش مصنوعی در چارچوب‌های تعریف‌شده، تصمیم می‌گیرد و اجرا می‌کند.
طبق اعلام این شرکت، برای عملیاتی شدن این مدل، سازمان‌ها به «داده‌های درجه‌یک» نیاز دارند. اکثر شرکت‌ها از داده‌های گزارش‌محور استفاده می‌کنند که دسته‌ای و قدیمی هستند. یک عامل خودگردان نمی‌تواند با داده‌های قدیمی یک قرارداد را اجرا کند؛ او به داده‌های لحظه‌ای و الزام‌آور با کنترل‌های دسترسی سخت‌گیرانه نیاز دارد.
این وضعیت نشان می‌دهد که مدل زبانی بزرگ (LLM) اکنون به یک کالای عمومی تبدیل شده است. گلوگاه واقعی، «شکاف تولید» است. این اتفاق زمانی می‌افتد که یک پروژه آزمایشی با داده‌های دست‌چین‌شده موفق می‌شود، اما در زمان اجرا در مقیاس واقعی، به دلیل «بدهی حاکمیتی» شکست می‌خورد. شرکت‌ها برای سرعت بخشیدن به آزمایش، امنیت و مسیرهای حسابرسی را نادیده می‌گیرند و در نهایت، تیم‌های حقوقی جلوی استقرار نهایی را می‌گیرند.
برای عبور از این بن‌بست، باید اولین پروژه آزمایشی خود را مانند یک نسخه نهایی و تولیدی بسازید. مدل شناسایی و چارچوب حاکمیتی را از روز اول پیاده کنید تا پلتفرمی قابل استفاده برای تمام کاربردهای بعدی داشته باشید.
گام بعدی شما
- یک «حسابرسی تصمیم» روی حیاتی‌ترین زنجیره‌های ارزش شرکت خود انجام دهید.
- نقاطی را شناسایی کنید که خروجی آن‌ها به دلیل تصمیمات انسانی متوقف شده است، نه کارهای ساده.
- مدل حاکمیتی و دسترسی داده‌ها را پیش از انتخاب مدل هوش مصنوعی طراحی کنید.
اما چالش‌های سخت‌افزاری برای اجرای این عامل‌ها در مقیاس بزرگ، داستان دیگری دارد — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو