تصور کنید به جای صرف ساعت‌ها وقت برای استخراج داده از فرم‌های بیمه یا پیگیری استرداد گمرکی، ابزاری داشته باشید که دقیقاً مانند یک انسان روی دسکتاپ شما حرکت کند و هر کلیکی را با دقت بزند. اگر امروز برای اتوماسیون کارهای اداری تکراری هزینه می‌کنید، مدل جدید Prentis ادعا می‌کند این کار را با دقتی بیشتر و هزینه‌ای ۱۰ برابر کمتر انجام می‌دهد.
به گزارش TechCrunch در ۲۴ ژوئیه ۲۰۲۶، آزمایشگاه تحقیقاتی جدیدی به نام Prentis در حال مذاکره برای جذب ۱۰۰ میلیون دلار سرمایه با ارزش‌گذاری ۱ میلیارد دلاری است. طبق گفته‌های دو منبع آشنا با این مذاکرات، هدف این مرکز، عبور از چت‌بات‌های ساده و رسیدن به عامل‌های (Agents) پیشرفته‌ای است که می‌توانند به صورت فیزیکی کامپیوتر را کنترل کرده و جریان‌های کاری متداول اداری را هدایت کنند.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی تکامل مدل‌های عامل‌محور اشاره کردیم، رقابت اکنون از «تولید متن» به «اجرای عملیات» تغییر جهت داده است. در حالی که اکثر تمرکزهای فعلی هوش مصنوعی بر روی کدنویسی یا گفتگو است، Prentis هدف خود را «میز کار یقه-سفید» قرار داده است. آن‌ها روی «چسب‌های» خسته‌کننده‌ی کارهای شرکتی تمرکز کرده‌اند؛ همان فرآیندهایی مانند رسیدگی به ادعاهای بیمه یا اتوماسیون موارد استثنا در استرداد حقوق گمرکی، جایی که یک انسان معمولاً باید میان انبوهی از کاغذپاره‌های پراکنده و سیستم‌های قدیمی (Legacy) جستجو کند. این رویکرد همسو با تلاش‌های دیگر استارتاپ‌ها برای اتوماسیون خدمات زیرساختی است، مانند تلاش شرکت Hang Ten برای اتوماسیون خدمات IT.
طبق مستندات و اسلایدهای معرفی این شرکت، استراتژی فنی آن‌ها که در آپریل ۲۰۲۶ آغاز شده، بر پایه مدل Hive-32B است. این مدل در دو محک (Benchmark) کلیدی عملکرد خیره‌کننده‌ای داشته است:
- WindowsAgentArena: سنجش توانایی تکمیل کامل یک مأموریت از ابتدا تا انتها در محیط واقعی نرم‌افزارهای ویندوز.
- ScreenSpot-v2: ارزیابی دقت مدل در مکان‌یابی کنترل‌های خاص روی صفحه نمایش.
این ارزیابی‌ها در حالی صورت می‌گیرد که بحث‌های گسترده‌ای پیرامون تفاوت بنچمارک‌های ایستا در برابر شبیه‌سازی‌های پویا در سنجش دقیق توانایی‌های عامل‌های هوشمند در جریان است.
بر اساس ادعاهای Prentis در رقابتی مستقیم با مدل‌های پیشرو، مدل Hive-32B در این دسته‌بندی‌های خاص از GPT-5.4 شرکت OpenAI و Claude Opus 4.6 شرکت Anthropic پیشی گرفته است. نکته حیاتی و استراتژیک این است که معماری کوچک‌تر این مدل، هزینه هر تسک را تقریباً ۱۰ برابر ارزان‌تر از APIهای مدل‌های غول‌پیکر فعلی می‌کند و همین امر، استقرار آن را در جریان‌های کاری روزمره بسیار اقتصادی‌تر می‌سازد.
تکانه تجاری این استارتاپ نیز بسیار سریع است. Prentis تاکنون قراردادهایی به ارزش مجموعاً ۵۰ میلیون دلار با مشتریان مختلف، از جمله یک سازمان مدیریت خدمات بهداشتی، یک شرکت تولیدی و همچنین تولیدکنندگان کالا و پوشاک امضا کرده است. اسناد داخلی شرکت پیش‌بینی می‌کنند که نرخ درآمد سالانه (Run Rate) تا سه ماهه سوم سال ۲۰۲۶ به ۷۵ میلیون دلار برسد.
با این حال، شرکت برای شفافیت، زمینه مهمی را به این اعداد اضافه کرده است. در اسناد ارائه به سرمایه‌گذاران ذکر شده که این ارقام در واقع تخمینی از ارزش سالانه بر اساس «کارمزد قراردادی معادل ۲۰٪ از صرفه‌جویی‌های ایجاد شده برای مشتری» است و نه لزوماً درآمد شناس شده (Recognized Revenue). این پیش‌بینی‌ها کاملاً «وابسته به عملکرد و منوط به اجرای نهایی عملیات» هستند.
در رأس این تیم، مثلثی قدرتمند از بنیان‌گذاران قرار دارد. Ritankar Das در مقام مدیرعامل، رهبری چشم‌انداز فنی را بر عهده دارد. داس کارآفرینی prolific و former Gates Cambridge Scholar است که در سال ۲۰۱۴ پس از ترک برنامه دکتری AI در کمبریج، شرکت هلدینگ Titan را تأسیس کرد. او که در ۱۸ سالگی با مدرک دوگانه در مهندسی زیستی و بیولوژی شیمیایی فارغ‌التحصیل شده و برنده مدال دانشگاه UC Berkeley بود، دارای مدرک کارشناسی ارشد مهندسی پزشکی از آکسفورد است.
داس مدل Titan را مشابه مدل کسب‌وکار Berkshire Hathaway توصیف می‌کند که بودجه آن از طریق خروجی‌های (Exits) شرکت‌های زیرمجموعه‌اش تأمین می‌شود. برخی از سرمایه‌گذاری‌های Titan عبارتند از:
- Tala Health: ارائه‌دهنده مراقبت‌های مجازی مبتنی بر AI که سال گذشته ۱۰۰ میلیون دلار سرمایه اولیه جذب کرد.
- Forta Health: استارتاپ مراقبت از اوتیسم که در سال ۲۰۲۴ با هدایت Insight Partners، مبلغ ۵۵ میلیون دلار جذب نموده است.
- Dascena: شرکت پیش‌بینی بیماری‌ها که در سال ۲۰۲۲ توسط CirrusDx خریداری شد.
در کنار داس، Reid Hoffman، هم‌بنیان‌گذار لینکدین و شریک Greylock، و Marc Pincus، بنیان‌گذار Zynga (نویسنده کتاب «زندگی با سرعت بازی») حضور دارند. هافمن پیشینه‌ای طولانی در این حوزه دارد؛ او یکی از سرمایه‌گذاران اولیه OpenAI و هم‌بنیان‌گذار Inflection AI است و اخیراً برای تمرکز بر استارتاپ کشف داروی خود به نام Manas AI، از هیئت مدیره مایکروسافت کناره‌گیری کرد.
برای رسیدن به این اهداف، Prentis بیش از ۲۵ کارمند استخدام کرده و پژوهشگران ارشدی را از Google DeepMind، OpenAI، Meta، Tencent و Alibaba جذب (Poach) کرده است. این حجم از استخدام تهاجمی نشان‌دهنده یک حمله مستقیم به قلمرو «استفاده از کامپیوتر» (Computer Use) است؛ میدانی که در حال حاضر مورد مناقشه بین Anthropic و شرکت Thinking Machines متعلق به میرا موراتی است. این رقابت برای تسلط بر عامل‌های عملیاتی، مشابه جنجال‌های پیرامون ارزش‌گذاری‌های بالای شرکت‌هایی نظیر Nous Research برای توسعه عامل‌های متن‌باز است که نشان می‌دهد سرمایه‌گذاران به شدت تشنه‌ی ابزارهای اجرایی هستند.
برای کاربران تجاری، این تغییر یک چرخش بنیادین است. هوش مصنوعی دیگر فقط یک مشاور نیست که پیش‌نویس بنویسد، بلکه به یک «اپراتور» تبدیل شده است. وقتی یک مدل بتواند محیط ویندوز را ارزان‌تر و دقیق‌تر از انسان مدیریت کند، ارزش محصول از «تولید محتوا» به «تکمیل کار» منتقل می‌شود.
البته بازار بسیار شلوغ است. شرکت Anthropic اخیراً استارتاپ Vercept مستقر در سیاتل را خرید تا بنیان‌گذاران و استعدادهای آن را در این دسته جذب کند و در نتیجه محصول Vercept را تعطیل کرد. Prentis روی این شرط شرط‌بندی کرده است که «اقتصاد مقیاس» — یعنی هزینه کمتر برای هر تسک — در نهایت بر اندازه خام مدل‌ها پیروز خواهد شد.
اینکه آیا Hive-32B می‌تواند در برابر بودجه‌های عظیم پردازشی OpenAI پیشتازی کند یا خیر، پرسش کلیدی است. در حال حاضر، مذاکرات برای ارزش‌گذاری ۱ میلیارد دلاری نشان می‌دهد که سرمایه‌گذاران معتقدند مسیر بهره‌وری از طریق کنترل عامل‌محور سیستم‌عامل می‌گذرد، نه فقط یک رابط چت بهتر.
گام بعدی شما
- اگر مدیر محصول هستید، بررسی کنید کدام جریان‌های کاری اداری شما هنوز وابسته به «کلیک انسانی» هستند و قابلیت تبدیل به مدل Hive-32B را دارند.
- روی تفاوت میان «مدل‌های عمومی» و «مدل‌های تخصصی عملیاتی» برای کاهش هزینه‌های API در سازمان خود مطالعه کنید.
- منتظر انتشار نتایج مستقل از WindowsAgentArena برای تایید ادعاهای Prentis باشید.
اما این رقابت بر سر کنترل دسکتاپ، تنها بخشی از یک بازی بزرگتر است؛ اثر این مدل‌ها بر امنیت داده‌های سازمانی را در گزارش بعدی بررسی خواهیم کرد.
گفتگو