تصور کنید مدیر فناوری شرکتی هستید که می‌خواهد ۱۰۰ عامل هوش مصنوعی را در سازمانش فعال کند، اما متوجه می‌شود داده‌هایش در ده‌ها پایگاه داده پراکنده و متضاد ذخیره شده است. این دقیقاً همان نقطه‌ای است که اکثر پروژه‌های هوش مصنوعی سازمانی با شکست مواجه می‌شوند.
طبق اعلام Time Ventures، بازوی سرمایه‌گذاری مارک بنیوف، این شرکت ۲۰ میلیون دلار سرمایه پیش‌بذری (Pre-seed) را برای June فراهم کرد تا مشکل «بدهی استقرار» را حل کند. این استارتاپ در صبح دوشنبه از حالت مخفیانه خارج شد تا راهکاری برای وضعیتی ارائه دهد که در آن شرکت‌های بزرگ مجبورند ارتش‌هایی از مهندسان متخصص را برای سازماندهی داده‌ها استخدام کنند.
برای جذب این مبلغ، June از حمایت چهره‌های برجسته‌ای چون مایکل دل، آرون لویی و جورج کورتز نیز بهره برد. افرات راپوپورت، مدیرعامل این شرکت، تأکید کرد که سوابق تیم آن‌ها چنان قوی بوده که حتی برای این مرحله از جذب سرمایه، نیازی به ارائه «دک» (Deck) یا معرفی‌نامه نداشتند.
زمینه و چالش‌های استقرار هوش مصنوعی
در دنیای شرکت‌های لیست‌شده در Fortune 500، مانع اصلی رسیدن به ارزش واقعی هوش مصنوعی، خودِ مدل نیست، بلکه «هرت‌ومهورت زیرین» است. داده‌های سازمانی اغلب در سیستم‌های قدیمی و تکه‌تکه‌شده‌ای مثل Salesforce، ServiceNow، DataBricks و Workday حبس شده‌اند و با بدهی‌های فنی و فیلدهای تکراری دست‌وپنج نرم می‌کنند.
همان‌طور که در تحلیل‌های پیشین ما درباره امنیت و استقرار مدل‌های سازمانی اشاره کردیم، پیچیدگی داده‌ها همیشه سد راه است. این چالش‌ها باعث شده تا بسیاری از شرکت‌ها به دنبال مدل‌های منعطفی باشند که مسیر مقیاس‌پذیری پیاده‌سازی هوش مصنوعی را در سازمان‌ها هموار کند. به باور راپوپورت، ساختن یک قالب برای عامل (Agent) — که شبیه کارمنشکی است که می‌تواند به‌تنهایی وظایفی را انجام دهد و تصمیم بگیرد — بخش ساده ماجراست. دشواری اصلی زمانی است که ۱۰ فیلد تکراری در پایگاه داده دارید که همگی یک چیز را می‌گویند اما توسط تیم‌های مختلف استفاده می‌شوند. این پیچیدگی به این معناست که پیش از آنکه هوش مصنوعی بتواند ارزشی خلق کند، کسی باید با داده‌های پراکنده و گردش‌کارهای پیچیده ذاتی در سیستم‌های قدیمی مقابله کند.
مکانیزم فنی و نحوه پیاده‌سازی
June با اسکن سیستم‌های موجود، فرآیندهای تجاری را نقشه‌برداری کرده و گلوگاه‌ها را شناسایی می‌کند. بر اساس مستندات این پلتفرم، یک نقشه راه خودکار ارائه می‌شود که دقیقاً می‌گوید پیش از فعال‌سازی عامل، کدام داده‌های تکراری باید حذف یا کدام منابع متصل شوند تا عامل بتواند به‌طور قابل‌اعتمادی عمل کند.
فرآیند کاری این ابزار شامل مراحل زیر است:
- اسکن سیستم: تحلیل معماری فعلی برای درک اینکه داده‌ها چگونه در میان پلتفرم‌های مختلف جریان می‌یابند.
- تحلیل شکاف: شناسایی «گلوگاه‌ها» و تناقضات داده‌ای که منجر به شکست یا خطای عامل هوش مصنوعی می‌شود.
- راهنمای گام‌به‌گام: تولید فهرستی دقیق از پیش‌نیازها (مثلاً «این داده‌های تکراری را حذف کنید» یا «به این منبع داده متصل شوید»).
- ساخت خودکار: امکان کلیک بر روی گزینه «ساخت» (Build) برای تسک‌های مشخص، تا June تغییرات سازمانی را اجرا کند.
- یکپارچه‌سازی ارتباطات: اطلاع‌رسانی خودکار به تیم‌های مربوطه از طریق کانال‌های ارتباطی موجود در شرکت.
این رویکرد برای شرکت‌هایی مثل CMG (یکی از وام‌دهندگان بزرگ مسکن در آمریکا) حیاتی است. پل یکینماده، مدیر استراتژی این شرکت، گزارش داد که تیم آن‌ها به‌سرعت مهندسی نرم‌افزار خود را به Claude Code منتقل کردند اما در یکپارچه‌سازی آن با Salesforce به بن‌بست رسیدند. این مسئله به‌خصوص از آن جهت فوری بود که یکینماده در کنفرانس سالانه سال‌گذشتۀ سالزفورس قول داده بود که سال بعد با ۱۰۰ عامل فعال بازگردد.
علیرغم صرف هفته‌ها وقت برای جلسات با معماران سیستم و مشورت با مهندسان استقرار پیشرو (FDEs)، تیم او پیشرفتی نکرد تا زمانی که June دیدگاهی شفاف از محل استقرار امن عامل‌ها به آن‌ها داد. یکینماده تأکید کرد که او به دنبال یک «ابزار کاربرپسند» بود، نه یک «جعبه سیاه» که برای درک آن نیاز به مهندسان متخصص FDE باشد.
پیشینه مؤسسان و دیدگاه استراتژیک
تیم مؤسس June شامل راپوپورت، اوهاد هن، باراک گولدستاین و ایدان تسیات، دارای تخصص صنعتی عمیقی هستند. آن‌ها پیش از این استارتاپ Bonobo AI را تأسیس کرده بودند؛ شرکتی در زمینه مدل‌های زبانی پیش از دوران ترنسفورمرها که در سال ۲۰۱۷ سرویس تبدیل صوت به متن را عرضه کرد. آن شرکت دو سال بعد توسط Salesforce خریداری شد.
این مؤسسان سال‌ها در داخل سالزفورس فعالیت کردند و شاهد بودند که مشتریان برای ادغام هوش مصنوعی در پلتفرم‌هایشان، تنها به یک راه حل روی آورده‌اند: «استخدام هرچه بیشترِ نیروی انسانی».
در حالی که بسیاری از تحلیل‌گران از «سقوط نرم‌افزارهای خدماتی» (SaaSpocalypse) می‌ترسند و گمان می‌کنند هوش مصنوعی جایگزین CRMها می‌شود، June روی فرض متفاوتی شرط‌بندی کرده است. آن‌ها استدلال می‌کنند که هیچ‌کس برای یک شرکت Fortune 500 با استفاده از Vibe Coding — یا همان کدنویسی بر اساس حس و شهود بدون برنامه‌ریزی دقیق — یک CRM نمی‌سازد. در واقع، هوش مصنوعی به‌طور متناقض تقاضا برای خدمات حرفه‌ای را افزایش می‌دهد، چون داده‌های زیرساختی بیش از حد آشفته‌اند و با چند پرامپت ساده حل نمی‌شوند. این رویکرد با مفهوم پذیرش مدل خدمات به‌عنوان نرم‌افزار (Services-as-Software) همسو است، جایی که تضمین نتیجه جایگزین فروش صرف لایسنس می‌شود. با خودکارسازی پاکسازی و نقشه راه، June به دنبال آن است که مدل گران‌قیمت FDE را منسوخ کند.
برای یک رهبر سازمانی، این یعنی مسیر رسیدن به ۱۰۰ عامل فعال دیگر نیازی به افزایش شدید تعداد کارکنان ندارد. در این معادله، انتقال ارزش از این است که «چه کسی بهترین پرامپت را می‌نویسد» به این است که «چه کسی سریع‌تر از همه داده‌هایش را پاکسازی می‌کند».
گام بعدی شما
- اگر در حال استقرار عامل‌های هوش مصنوعی در سازمان هستید، ابتدا نقشه داده‌های تکراری (Redundant fields) خود را استخراج کنید.
- به جای تمرکز بر مهندسی پرامپت، بر روی «بهداشت داده‌های سازمانی» سرمایه‌گذاری کنید.
- بررسی کنید آیا ابزارهای فعلی شما قابلیت نقشه‌برداری خودکار از جریان داده (Data Flow) را دارند یا خیر.
اما این تنها بخشی از معادله است؛ اثر این پاکسازی داده‌ها بر کاهش هزینه‌های استنتاج در مقیاس بزرگ را در گزارش بعدی بررسی خواهیم کرد.
گفتگو