تصور کنید جهانی را در نظر بگیرید که در آن هوش مصنوعی نه‌تنها به سؤالات شما پاسخ می‌دهد، بلکه در واقع زندگی دیجیتال شما را کنترل می‌کند. این همان شرط‌بندی بزرگی است که OpenAI با عرضه ChatGPT Work در ماه گذشته انجام داده است؛ ابزاری که در پایین‌ترین سطح اشتراک شرکت با هزینه ۲۰ دلار در ماه در دسترس است. این ابزار نشان‌دهنده تلاش شرکت برای مقیاس‌بندی هوش مصنوعی عامل‌محور (Agentic AI) است تا آن را از یک ابزار تخصصی برای برنامه‌نویسان به یک ابزار کاربردی جهانی برای حسابداران، پزشکان و سرمایه‌گذاران تبدیل کند.
این چرخش در حالی رخ می‌دهد که کل صنعت از عصر «پرامپت‌نویسی» (Prompting) به عصر «تفویض اختیار» (Delegating) حرکت می‌کند. در حالی که مهندسان نرم‌افزار پیش از این جریان‌های کاری عامل‌محور را پذیرفته‌اند، دنیای حرفه‌ای گسترده‌تر هنوز برای سپردن «کلید» داده‌های خصوصی خود به هوش مصنوعی تردید دارد. این تغییر رویکرد با روند «تداخل وظایف» در مهندسی و بازاریابی همسو است که در آن مرزهای سنتی شغلی در مواجهه با AI در حال محو شدن هستند. اندرو آمبروسینو، مهندس ارشد اپلیکیشن دسکتاپ OpenAI، معتقد است دسترسی مدل به اینباکس، حساب اسلک، تلفن و برنامه‌هایی مثل Notion و Figma تنها راه آزمایش آینده است. او در گفتگو با TechCrunch به صراحت ریسک‌های حریم خصوصی را پذیرفته و می‌گوید: «اگر از آن بخواهم سندی را بنویسد، آیا این احتمال وجود دارد که اطلاعاتی را از یک پیام مستقیم (DM) خصوصی در آن موضوع استخراج کند و نداند که نباید آن اطلاعات را به اشتراک بگذارد؟ بله.» او می‌افزاید: «من این کار را برای پیشبرد شغلم انجام می‌دهم. اگر لازم باشد، ضربات شخصی را می‌پذیرم، هرچند تا به حال با چنین مشکلی مواجه نشده‌ام.»
همان‌طور که در تحلیل قبلی ما درباره‌ی تمرکز OpenAI بر ایمنی و مقررات اشاره کردیم، این شرکت اکنون در حال مدیریت تنش میان «خودمختاری کامل» و «کنترل کاربر» است. هدف نهایی، طبق مستندات بازاریابی OpenAI، جهانی است که در آن هوش مصنوعی از پاسخ به سؤالات فراتر رفته و به هر کسی کمک کند تا ایده‌های بزرگش را به واقعیت تبدیل کند.
معماری عامل‌ها
برای اینکه یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — بتواند به‌عنوان یک عامل عمل کند، مهندسان چیزی به نام «هارنس» (Harness) یا لایه واسط می‌سازند. این لایه در واقع یک پوشش نرم‌افزاری است که تعیین می‌کند مدل چه اطلاعاتی را ببیند، از چه ابزارهایی استفاده کند و پاسخ‌ها را چگونه ارائه دهد. برای برنامه‌نویسان، یک رابط خط فرمان (CLI) که مدل‌های زبانی را قادر به کدنویسی می‌کرد، برای تغییر نحوه ساخت و استقرار نرم‌افزارها کافی بود. اما برای یک کارمند اداری معمولی، این لایه واسط باید شکاف میان یک LLM مدرن و «دنیای به‌هم‌ریخته» زندگی دیجیتال را پر کند؛ دنیایی که شامل وب‌سایت‌هایی است که در سال ۱۹۹۵ ساخته شده‌اند و هرگز به‌روزرسانی نشده‌اند.
ChatGPT Work در اصل نسخه‌ای تغییریافته از Codex است، ابزار کدنویسی OpenAI. هدف این است که غیربرنامه‌نویسان نیز بتوانند از همان قابلیت‌های تکمیل پروژه‌های چندمرحله‌ای بهره‌مند شوند که برنامه‌نویسان در حال حاضر از آن استفاده می‌کنند. طبق اعلام تیبو سوتیا، مدیر محصول در OpenAI، مأموریت آن‌ها این است که تکمیل وظایف پیچیده به‌صورت خودکار، به گونه‌ای باشد که برای کاربر «لذت‌بخش و ایمن» به نظر برسد.
شکاف پذیرش و چالش کاربران عادی
بر اساس بررسی منابع متعدد، شکاف عمیقی در نحوه استفاده از این ابزارها وجود دارد. مطالعه‌ای تحت حمایت OpenAI در ژوئن ۲۰۲۴ نشان داد که فاصله پذیرش ابزارها بسیار زیاد است:
- ۹۸٪ از کارکنان OpenAI از Codex استفاده می‌کردند.
- ۱۷٪ از مشترکان سازمانی از آن بهره بردند.
- کمتر از ۱٪ از مشترکان انفرادی از این ابزار استفاده کردند.
پر کردن این شکاف نیازمند تبدیل هوش مصنوعی به ابزاری بصری و شهودی برای افرادی است که با گزارش‌های فنی و خروجی‌های پیچیده آشنا نیستند. آمبروسینو اشاره می‌کند که وقتی تیم‌های مالی و ارتباطات OpenAI برای اولین بار از Codex استفاده کردند، ابزار با آن‌ها «به‌طور فعال خصمانه» برخورد می‌کرد؛ به این معنا که از آن‌ها درباره کد سؤال می‌کرد و برای تغییرات نرم‌افزاری، «تفاوت‌های خالی» (empty diffs) را به آن‌ها نشان می‌داد. برای حل این مشکل، تیم توسعه بین فوریه تا کنون تلاش کرده است تا ابزار را به یک ابزار با کاربرد عمومی‌تر تبدیل کند.
برای کمک به غیربرنامه‌نویسان، تیم در حال افزودن دکمه‌ها و نشانه‌های بصری است تا قابلیت‌های ابزار راحت‌تر کشف شوند. آمبروسینو این رویکرد را به «اسکیومورفیسم» (Skeuomorphism) تشبیه می‌کند؛ یعنی ساخت ابزارهای دیجیتال به‌گونه‌ای که شبیه اشیای فیزیکی باشند که جایگزین آن‌ها شده‌اند، مانند اپلیکیشن ماشین‌حساب که شبیه یک ماشین‌حساب جیبی است. او می‌گوید: «آن طراحی‌ها صرفاً طراحی‌های خنده‌دار نبودند، بلکه در واقع به مردم کمک کردند تا وارد این فضا شوند و انتقال را راحت‌تر تجربه کنند.» با این حال، علی‌رغم این تلاش‌ها، این اپلیکیشن مشترک در حال حاضر تنها توسط ۲۰ میلیون نفر استفاده می‌شود که در برابر بیش از یک میلیارد کاربر ChatGPT در وب، رقمی بسیار ناچیز است.
کاربردهای واقعی و اصطکاک‌ها
در حال حاضر، ChatGPT Work برای هماهنگی‌های روتین و وظایفی که نیاز به پردازش حجم زیادی از داده‌ها دارند، مناسب‌ترین است. کاربران از عامل‌ها برای موارد زیر استفاده می‌کنند:
- سازماندهی شخصی: تبدیل تقویم‌های پیش‌دبستانی با فرمت‌های عجیب که از طریق ایمیل ارسال شده‌اند به رویدادهای منظم در گوگل کلندر.
- تحلیل سرمایه‌گذاری: جمع‌آوری ارتباطات مربوطه و تحلیل‌های شرکت‌ها برای تهیه یادداشت‌های سرمایه‌گذاری (که توسط سرمایه‌گذاران خطرپذیر یا VCها استفاده می‌شود).
- عملیات: ایجاد داشبوردهای اختصاصی و بصری‌سازی داده‌ها.
- تجزیه داده‌ها: بررسی گفتگوهای اسلک درباره مشکلات مهندسی برای تولید نمودارهای تحلیلی و بینش‌مند.
- برنامه‌ریزی اجرایی: سام آلتمن شخصاً از این ابزار برای برنامه‌ریزی تعطیلات خود استفاده می‌کند.
آکشی ناتان، مدیر مهندسی محصول در OpenAI، اشاره می‌کند که کارکنان معمولاً در تحلیل «سیل اطلاعات» موجود در سوابق سیستمی مانند Salesforce محدود هستند. ارزش ChatGPT Work در این است که کاربران پیش از این به این داده‌ها دسترسی داشتند، اما اکنون این عامل به آن‌ها اجازه می‌دهد تا «واقعاً به این داده‌ها دسترسی داشته باشند» و از آن‌ها بهره ببرند.
با این حال، تجربه کاربری هنوز یکنواخت نیست. مجوزهای دسترسی برای درایوهای ابری می‌تواند دوری و گیج‌کننده باشد؛ تلاش برای اعطای دسترسی «فقط خواندنی» (read-only) اغلب منجر به پیام‌های خطا می‌شود. در برخی موارد، یک کادر گفتگو در اپلیکیشن موبایل فاش می‌کند که تنها دسترسی کامل باعث کارکرد ابزار می‌شود. علاوه بر این، مدل ممکن است در وظایف ساده دچار مشکل شود و مانند «بدترین کارآموز» عمل کند، مگر اینکه سطح استدلال (reasoning level) روی حالت بالا تنظیم شود. جو گرشنسون، مهندس ارشد لایه واسط، اعتراف کرد که تنظیمات مربوط به میزان تلاش مدل هنوز بصری نیستند و گفت: «چیزهایی هست که می‌توانیم بهتر انجام دهیم تا به کاربران کمک کنیم سطح استدلال درست را انتخاب کنند.»
رقابت با آنتروپیک
فلسفه طراحی OpenAI به‌شدت تحت تأثیر Anthropic قرار گرفته است. در حالی که OpenAI ابتدا روی رویکرد «جعبه جادویی» شرط‌بندی کرد — جایی که مدل همه چیز را به‌طور خودکار مدیریت می‌کند — ابزار Claude Code با استفاده از یک حلقه گفتگوی رفت‌وبرگشتی موفق شد. کلود ابتدا احتمالات را بررسی می‌کند، سه یا چهار گزینه برای ادامه مسیر به کاربر پیشنهاد می‌دهد و به‌طور مداوم بازخورد می‌گیرد، که این امر فضای کمتری برای اشتباهات باقی می‌گذارد.
آمبروسینو اعتراف می‌کند که نسخه‌های اولیه Codex «کمی بیشتر تحت تأثیر ایده‌های AGI» (هوش مصنوعی عمومی) بود و بیش از حد روی هوش مدل شرط‌بندی کرده و رابط کاربری را نادیده گرفت. او می‌گوید: «محصول ما کمی جلوتر از جایی بود که مدل و لایه واسط در آن زمان قرار داشتند.» اکنون OpenAI به سمت تعاملات «انسان در حلقه» (Human-in-the-loop) تغییر مسیر داده است.
با این حال، برخی متخصصان، از جمله اتان مولیک، استاد دانشگاه وارتون، همچنان Claude را کاربرپسندتر می‌دانند؛ زیرا کلود تست‌های A/B انجام می‌دهد و مکرراً درخواست ورودی و بازخورد می‌کند، در حالی که ChatGPT تمایل دارد «جادو کند و فقط آن را برای شما انجام دهد.»
اقتصاد توکن‌ها
اجرای هوش مصنوعی عامل‌محور به‌مراتب گران‌تر است. عامل‌هایی که برای مدت‌های طولانی کار می‌کنند، توکن (Token) — تکه‌های کوچکی از متن که واحد پردازش مدل است — را با سرعت بسیار زیادی مصرف می‌کنند. این موضوع باعث می‌شود این ابزارها برای OpenAI در هر کاربر سودآورتر باشند. در یک تست مربوط به اشتراک ۲۰ دلاری، یک کاربر در چهار روز بیش از ۸۰ میلیون توکن مصرف کرد. بر اساس تحلیل مدل، این هزینه برای OpenAI تقریباً ۶۵ دلار بود؛ یعنی بیش از سه برابر قیمت اشتراک ماهانه، تنها برای چهار روز استفاده معمولی. این چالش‌های هزینه‌ای در مدل‌های پیشرفته‌تر نیز دیده می‌شود؛ برای مثال، تفاوت فاحش هزینه استنتاج بین مدل‌های سنگین مانند Claude Opus 5 و مدل‌های بهینه شده نشان می‌دهد که مدیریت منابع مالی در عصر AI چقدر حیاتی است.
برای پایداری این مدل اقتصادی، OpenAI به‌طور تهاجمی به‌دنبال بهره‌وری است. سوتیا به کاهش ۸۰ درصدی قیمت برای کاربران مدل Luna اشاره کرد. هدف این است که تا ۶ ماه آینده، کاربران بتوانند همان وظایف را با هزینه بسیار کمتری انجام دهند.
بحث بر سر مزیت رقابتی
در داخل OpenAI بحثی داخلی وجود دارد که آیا «لایه واسط» (Harness) یک مزیت رقابتی است یا خیر. برخی مهندسان استدلال می‌کنند که یک مدل عمومی‌تر و بهتر، در نهایت ابزارهای خاص را منسوخ می‌کند. گرشنسون لایه واسط را یک «عکاز موقت» توصیف می‌کند و معتقد است انتشار مدل بعدی در چند ماه آینده می‌تواند ابزارهای پیچیده «اگر-آنگاه» (if and then) را بی‌نیاز کند.
اما رقبای تخصصی در حوزه‌های عمودی مانند Harvey (برای حقوق) و Clay (برای فروش) از رویکردی مستقل از مدل (model-agnostic) استفاده می‌کنند و هر مدل هوش مصنوعی که بهتر عمل کند را به سیستم خود متصل می‌کنند. کریستین کاتالینی در وبلاگ a16z نوشت که اگر آزمایشگاه‌های هوش مصنوعی نتوانند دارایی‌های مکمل کلیدی را برای مقیاس‌بندی به دست آورند، ارزش در جای دیگری متمرکز خواهد شد.
چالش‌های دیگر شامل افرادی مانند ماریو زکنر، خالق لایه واسط Pi است. شرکت Databricks دریافت که Pi در حالی که از همان مدل GPT 5.5 استفاده می‌کرد، عملکرد بهتری نسبت به Codex داشت. زکنر استدلال می‌کند که لایه واسط مینیمالیست او به مدل اجازه می‌دهد تا خودش را اصلاح کند و رابط‌های کاربری خودش را بسازد. او هشدار می‌دهد که آزمایشگاه‌های بزرگ، لایه‌های واسط خود را تحمیل می‌کنند تا کاربران را در اکوسیستم خود حبس کنند (Lock-in)، زیرا می‌ترسند که بدون مالکیت کل زنجیره (Stack)، صرفاً به ارائه‌دهندگان مدل تبدیل شوند که با مدل‌های چینی رقابت می‌کنند.
در نهایت، چالش OpenAI این است که جریان‌های کاری حرفه‌ای را نمی‌توان مانند کد اندازه‌گیری کرد. در حالی که یک برنامه یا اجرا می‌شود یا نمی‌شود، اما یک استراتژی تجاری «خوب»، موضوعی ذهنی و نسبی است. برای حل این مشکل، OpenAI از معیاری به نام GDPVal استفاده می‌کند که از ۴۴ شغل مختلف و صدها تست کار دانشی استخراج شده و با بازخوردهای کاربران تکمیل می‌شود.
این گذار از یک چت‌بات به یک کارمند دیجیتال به این معناست که ارزش حرفه‌ای شما به‌زودی کمتر به توانایی اجرای وظایف و بیشتر به توانایی مدیریت مجموعه‌ای از عامل‌ها بستگی خواهد داشت. در ماه‌های آینده به نحوه ادغام مجوزهای عمیق‌تر در سطح سیستم‌عامل (OS-level permissions) توسط OpenAI توجه کنید، زیرا همین موضوع تعیین می‌کند که آیا این عامل‌ها می‌توانند واقعاً از محیط مرورگر فراتر بروند یا خیر.
گام بعدی شما
- اگر اشتراک ChatGPT دارید، قابلیت‌های جدید مدیریت فایل و اتصال به ابزارهای اداری را در بخش Work تست کنید.
- برای کاهش هزینه‌ها و افزایش دقت، سطح استدلال (Reasoning level) را متناسب با پیچیدگی وظیفه تغییر دهید.
- جریان‌های کاری تکراری خود را شناسایی کنید و سعی کنید آن‌ها را به صورت توالی‌های چندمرحله‌ای به عامل بسپارید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو