اگر امروز یک چت‌بات هوش مصنوعی را در سازمان خود مستقر کرده‌اید، احتمالاً متوجه شده‌اید که خروجی آن در یک بن‌بست متوقف می‌شود. تز اصلی جیتو چادها، بنیان‌گذار و مدیرعامل Nventr این است که «بهبود یک تک‌وظیفه، زمانی ارزش دارد که نتیجهٔ آن بتواند به‌طور بهینه در کل سازمان جریان یابد». او استدلال می‌کند که چت‌بات‌های هوش مصنوعی مستقل، اغلب برای سازمان‌ها به یک بن‌بست ختم می‌شوند.
بسیاری از شرکت‌ها سفر خود را با انتخاب یک مدل یا راه‌اندازی یک چت‌بات آغاز می‌کنند. اما این رویکرد، زیرساخت‌های بنیادین کسب‌وکار — یعنی مجوزها، مخازن داده و سلسله‌مراتب تأییدیه‌هایی که نحوهٔ واقعی انجام کار را تعریف می‌کنند — نادیده می‌گیرد. صنعت اکنون از رابط‌های سادهٔ «پرسش و پاسخ» فاصله گرفته و به سمت سامانه‌های عامل‌محور (Agentic) حرکت می‌کند. هدف، ایجاد یک «لایه عملیاتی» است که در آن هوش مصنوعی به‌جای پیشنهاد متن، توابع تجاری چندمرحله‌ای را در دپارتمان‌های مختلف اجرا کند. این تغییر رویکرد برای مقابله با چالش‌های عملیاتی است، چرا که بسیاری از عامل‌های هوش مصنوعی در مقیاس تجاری به دلیل شکاف بین نمایش و استقرار شکست می‌خورند.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، مدیریت دسترسی به داده‌ها در مقیاس سازمانی، سخت‌ترین بخشِ پیاده‌سازی است.
زمینه: تکامل Nventr
جیتو چادها (Jito Chadha) یک مدیر اجرایی و سرمایه‌گذار باسابقه در حوزه فناوری است که مسیر شغلی او حوزه‌های هوش مصنوعی، علوم داده، سرمایه‌گذاری خطرپذیر (VC) و توسعه کسب‌وکار را در بر می‌گیرد. او از زمان تأسیس Nventr در سال ۲۰۱۹، توسعه فناوری‌های هوش مصنوعی سازمانی را رهبری کرده و به‌طور هم‌زمان به عنوان مدیرعامل Rule14، شرکتی در زمینه تحلیل‌های پیش‌بینانه، فعالیت می‌کند.
دیدگاه چادها درباره هوش مصنوعی ریشه در تجربیات او در HandsOn Global Management دارد؛ جایی که او از سال ۲۰۰۷ در آن حضور داشته و در سال ۲۰۱۳ به مقام شریک (Partner) رسید. در این نقش، او سرمایه‌گذاری‌هایی را در زمینه‌های علوم داده، سرمایه‌گذاری خطرپذیر و منابع طبیعی رهبری کرد و بر شناسایی فرصت‌ها، ساختاردهی به معاملات و خلق ارزش تمرکز داشت.
چادها هنگام کار با شرکت‌های مختلف در سبد سرمایه‌گذاری خود، متوجه یک الگوی تکراری شد: اطلاعات پیش از تکمیل یک فرآیند، به‌طور مداوم باید از میان چندین نفر، سیستم و تأییدیه عبور کنند. همین مشاهده باعث شد Nventr به‌جای ابزارهای مستقل، بر روی جریان‌های کاری (Workflows) تمرکز کند، زیرا او دریافت که ساختاردهی به کل فرآیند در مقیاس وسیع، تنها راه ارائه ارزش واقعی است.
معماری جریان‌های کاری عامل‌محور
به نقل از مصاحبه‌ای با unite.ai، پلتفرم Nventr برای حل صلبیت برنامه‌های SaaS سنتی طراحی شده است. چادها مشاهده کرد که سال‌هاست شرکت‌ها از مجموعه‌ای از برنامه‌های SaaS ابری یا محلی استفاده می‌کنند که اغلب دست‌وپاگیر، صلب و گران‌قیمت هستند. او خاطرنشان کرد که treating (در نظر گرفتن) سیستم‌های جریان کاری، مدل‌ها و داده‌های شرکت به عنوان لایه‌های مجزا، خودکارسازی گسترده را تقریباً غیرممکن می‌کند.
برای حل این مشکل، Nventr از یک پشته فنی (Technical Stack) خاص استفاده می‌کند که اقدامات عامل‌محور، مدل‌های یادگیری ماشین و شبکه‌های عصبی را ترکیب می‌کند:
- Agent IO: یک سیستم‌عامل که برای سازماندهی عامل‌های خودمختار در توابع مختلف تجاری طراحی شده است.
- nQube: یک ابزار ساخت جریان کاری که از توسعه بدون کد (No-code)، کم‌کد (Low-code) و کدنویسی کامل (Full-code) پشتیبانی می‌کند تا قابلیت‌ها هم برای دانشمندان داده و هم برای تحلیلگران کسب‌وکار در دسترس باشد.
- استقرار ترکیبی (Hybrid Deployment): قابلیت اجرای این سیستم‌ها در محیط‌های ابری، درون‌سازمانی (On-premises) و لبه (Edge)، تا اطمینان حاصل شود که فرآیند در یک برنامه یا محیط محاسباتی ثابت و محدود حبس نمی‌شود. این انعطاف‌پذیری در استقرار، مشابه رویکرد عامل‌های محلی AGI Inc است که با حذف APIها، کنترل دستگاه‌ها را به صورت داخلی مدیریت می‌کنند.
حل مشکل «نتایج غیرقابل اعتماد»
یکی از بزرگ‌ترین موانع در هوش مصنوعی سازمانی، خطر توهم (Hallucination) یا بروز خطا در محیط‌های عملیاتی است. Nventr این مشکل را با استفاده از یک عامل هماهنگ‌کننده (Coordinating Agent) حل می‌کند که عامل‌های متخصص را در جریان‌های کاری متوالی و تکرارشونده هدایت می‌کند.
در این ساختار، اطلاعات خلاصه شده و به مرحله بعد منتقل می‌شود تا عامل بعدی بستر متن (Context) را حفظ کند و بداند چه اتفاقی افتاده، چه چیزی درخواست شده و چه پیگیری‌هایی باید صورت گیرد. طبق اعلام Nventr، اگر خروجی یک عملیات غیرقابل اعتماد باشد، سیستم به کنترل‌های پیش‌فرض جریان کاری متکی می‌شود.
نحوه مدیریت این نتایج به پیامدهای اقدام بستگی دارد. اگر اقدام مربوط به نتایج حساس باشد — مانند تراکنش‌های مالی، دسترسی به اطلاعات خصوصی یا سایر پیامدهای حیاتی — سیستم به‌طور اجباری یک بازبینی انسانی (Human Review) را فعال می‌کند تا دقت و ایمنی تضمین شود.
آمادگی داده‌ها و مجوزها
چادها تأکید می‌کند که پیش از استقرار هر عامل هوش مصنوعی، شرکت باید ابتدا نقشه چشم‌انداز داده‌های خود را ترسیم کند. این کار بنیادین شامل تعریف فرآیند، شناسایی اطلاعات مورد نیاز عامل و تعیین محل ذخیره این اطلاعات است.
این نقشه‌برداری شامل شناسایی داده‌ها در منابع مختلف است:
- پایگاه‌های داده و مخازن فایل
- فایل‌های PDF و مقالات
- سیستم‌های ایمیل
- سایر منابع داده اختصاصی شرکت
پس از اینکه داده‌ها در قالبی قابل استفاده در دسترس قرار گرفتند، شرکت باید «اقدام پس از عامل» (Post-agent action) را تعریف کند؛ خواه این اقدام یک پاسخ ساده باشد، یا یک خلاصه، یک صف پیگیری و یا یک جریان کاری عامل‌محور دیگر. امنیت نیز از طریق کنترل دسترسی مبتنی بر نقش (RBAC) مدیریت می‌شود. هر عامل محدود به ابزارها و اطلاعاتی است که برای پروژه و جریان کاری خاص او تأیید شده است. هر درخواستی خارج از این محدوده، به‌طور خودکار برای تأیید انسانی ارسال می‌شود.
مفهوم «همتای هوش مصنوعی» (AI Corollary)
چشم‌انداز Nventr، آینده‌ای است که در آن هر کارمند یک «همتای هوش مصنوعی» یا AI Corollary داشته باشد. این عامل به‌مرور زمان عناصر تکراری یک نقش خاص را یاد می‌گیرد؛ کارهایی مانند جمع‌آوری اطلاعات، جابجایی داده‌ها یا ساخت ارائه‌های روتین.
هدف از این تغییر، ایجاد هوش متمرکز و بهینه‌سازی در کل نمودار سازمانی است، به‌جای آنکه مزایای هوش مصنوعی تنها به تعداد محدودی از کارکنان محدود شود. این ایده با دیدگاه Atomicwork همسو است که معتقد است همکاران هوش مصنوعی باید جایگاه مشخصی در نمودار سازمانی داشته باشند تا جایگزین سیستم‌های سنتی تیکتینگ شوند. با حذف بار کارهای تکراری، رهبران می‌توانند تضمین کنند که قضاوت انسانی برای تصمیمات سرنوشت‌ساز و بحث‌های مهم رزرو شود، نه برای ورود داده‌ها به سیستم.
گلوگاه‌های فنی در مسیر مقیاس‌پذیری
با وجود پیشرفت‌ها، چادها اشاره می‌کند که چندین شکاف فنی پیش از آنکه هوش مصنوعی بتواند به‌طور ایمن کل واحدهای تجاری را خودکار کند، باقی مانده است. حیاتی‌ترین نیازها شامل کاهش تأخیر (Latency) و ادغام عمیق‌تر با دیتابیس‌های قدیمی (Legacy) و فایل‌های شرکت‌ها است.
اطلاعات باید بدون نیاز به انتقال دستی یا ایجاد گلوگاه‌های جدید، میان نقش‌ها و دپارتمان‌ها جابجا شوند. علاوه بر این، لایه تعامل باید تکامل یابد. عامل‌های صوتی فعلی اغلب غیرطبیعی به نظر می‌رسند؛ صنعت به سیستم‌هایی نیاز دارد که انسان بتواند در لحظه آن‌ها را متوقف کرده و مسیر گفتگو را تغییر دهد. اگرچه اتوماسیون مرورگر (Browser Automation) می‌تواند این شکاف را پر کند، اما چادها معتقد است صنعت به سمت ساختاری بهینه‌تر حرکت خواهد کرد، زیرا محاسبات و زیرساخت‌ها هزینه دارند.
انعطاف‌پذیری استراتژیک در انتخاب مدل
برای جلوگیری از وابستگی به یک فروشنده (Vendor Lock-in)، Nventr از زیرساختی پشتیبانی می‌کند که چندین مدل را به‌طور موازی اجرا کند. برای مثال، یک ارائه‌دهنده ممکن است بخش تبدیل گفتار به گفتار (Speech-to-Speech) را مدیریت کند، در حالی که مدل دیگری استدلال اصلی یا پردازش پشت صحنه را انجام دهد.
این رویکرد به سازمان‌ها اجازه می‌دهد ابزار خود را بر اساس نیازهای خاص انتخاب کنند:
- هزینه و عملکرد: ایجاد تعادل بین بودجه و سرعت.
- امنیت و تأخیر: تضمین حفاظت از داده‌ها و پاسخگویی سریع.
- ترجیحات زیرساختی: انتخاب بین ترکیبی از ارائه‌دهندگان شخص ثالث یا میزبانی عامل در یک ابر خصوصی اختصاصی.
شناسایی کاندیداهای خودکارسازی
Nventr فناوری خود را در حوزه‌های متنوعی از جمله ارتباطات بهداشتی، تشخیص کلاهبرداری، گزارش‌دهی، خدمات مشتریان و پردازش اسناد به کار می‌گیرد. برای تعیین اینکه آیا یک فرآیند برای خودکارسازی عامل‌محور مناسب است یا خیر، چادها هزینه و تعداد نیروی انسانی مرتبط با آن فرآیند را در برابر پیچیدگی آن می‌سنجد.
او پیشنهاد می‌کند از رویکرد «میوه‌های کم‌ارتفاع» (Lowest-hanging fruit) استفاده کنید: هدف قرار دادن فرآیندهایی که بیشترین تأثیر را دارند اما برای خودکارسازی، بیش از حد پیچیده یا غیرقابل اعتماد نیستند. این فرمول به‌صورت فراکتالی است، به این معنی که می‌توان آن را برای نقش یک فرد، چندین دپارتمان یا کل سازمان به کار برد. با این حال، هر فرآیندی که شامل عدم قطعیت یا قضاوت‌های سرنوشت‌ساز باشد، باید اساساً تحت هدایت انسان باقی بماند.
گام بعدی شما
- فرآیندهای تکراری سازمان خود را نقشه‌برداری کنید و نقاطی که داده‌ها در آن‌ها متوقف می‌شوند (گلوگاه‌ها) را شناسایی کنید.
- به‌جای جست‌وجوی یک «ابزار جادویی»، روی طراحی جریان کاری (Workflow) تمرکز کنید که در آن خروجی هر مرحله، ورودی مرحله بعد باشد.
- برای شروع، یک فرآیند با ریسک پایین اما تکرار بالا را انتخاب کنید تا مدل عامل‌محور را در مقیاس کوچک آزمایش کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو