مدیران ارشدی که تمام هستهٔ عملیاتی خود را به یک مدل هوش مصنوعی می‌سپارند، در واقع در حال طراحی پایان‌نامهٔ شرکت خود هستند. ساتیا نادلا (Satya Nadella)، مدیرعامل مایکروسافت، این هشدار تکان‌دهنده را روز یکشنبه در جریان حضور در برنامه «Fareed Zakaria GPS» از شبکه CNN مطرح کرد.
این هشدار در حالی می‌رسد که سازمان‌ها برای گذار از چت‌بات‌های ساده به عامل‌های هوش مصنوعی (AI Agents) — سیستم‌هایی که مانند کارمندانی مستقل، وظایف پیچیده را از ابتدا تا انتها مدیریت می‌کنند — در تکاپو هستند. همان‌طور که در تحلیل قبلی ما درباره‌ی رویکردهای نادلا در مورد ممنوعیت تقطیر (Distillation) در آموزش داده‌های عمومی اشاره کردیم، تمرکز این مدیر اکنون روی ریسک استراتژیک «برون‌سپاری تفکر» است.
ریسک برون‌سپاری تفکر
تصور کنید شرکتی تمام مغز خود را به مدیریت یک شخص ثالث بسپارد؛ در نهایت، آن شخص ثالث می‌تواند به سادگی جایگزین کل شرکت شود. نادلا استدلال می‌کند هر شرکتی که کنترل زیرساخت هوش مصنوعی خود را نداشته باشد، دیگر یک شرکت باقی نخواهد ماند، زیرا در واقع «شناخت مرکزی» خود را برون‌سپاری کرده است. او هشدار داد که کسب‌وکارها باید نسبت به هر چیزی که تحویل می‌دهند، از جمله داده‌های خام و مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن برای گرفتن بهترین جواب از مدل — بسیار هوشیار باشند.
به گزارش TechCrunch، نادلا یک چرخش معماری مشخص را پیشنهاد می‌کند. او معتقد است شرکت‌ها باید تمام متاداده‌های مرتبط با هر تعامل مدل را نزد خود نگه دارند. این کار به شرکت اجازه می‌دهد تا بعداً از این داده‌ها برای آموزش وزن‌های باز (Open Weights) — یعنی پارامترهای آموزش‌دیده‌ای که به عنوان «مغز» مدل عمل می‌کنند — یا یک مدل متن‌باز استفاده کند.
حفاظ‌های ساختاری برای استقلال
نادلا برای حفظ استقلال فنی و جلوگیری از وابستگی مطلق، دو لایه حفاظتی و بافری را توصیه می‌کند:
- درگاه‌های هوش مصنوعی (AI Gateways): لایه‌ای از زیرساخت که پرامپت‌های کاربر را از مدل زیربنایی جدا می‌کند تا رابط مستقیم با ارائه‌دهنده قطع شود.
- هارنس‌های مجزا (Decoupled Harnesses): او از شرکت‌ها می‌خواهد وابستگی به ابزارهای کدنویسی داخلی یا همان «هارنس‌ها» مانند Claude Code متعلق به Anthropic یا ChatGPT Codex متعلق به OpenAI را متوقف کنند، زیرا این ابزارها محیط اجرا (Execution Environment) را به ارائه‌دهنده گره می‌زنند.
با جدا کردن هارنس، زمینه (Context) و حافظه از مدل، شرکت‌ها می‌توانند بر اساس هزینه یا عملکرد، بین ارائه‌دهندگان مختلف جابه‌جا شوند. این انعطاف‌پذیری تضمین می‌کند که اگر یک مدل تغییر کند، ناپدید شود یا شرایطش عوض شود، شرکت همچنان کنترل سرنوشت خود را در دست دارد.
شکارگری رقابتی
این توصیه به‌ویژه برای عامل‌هایی که به «اندام‌های داخلی» و سازوکارهای درونی یک شرکت دسترسی دارند، حیاتی است. نادلا هشدار داد وقتی یک آزمایشگاه AI از طریق پرامپت‌ها، سازوکار داخلی و نحوه عملکرد یک شرکت را بفهمد، مانع بسیار کمی وجود دارد که آن آزمایشگاه بعدها سرویس رقیبی عرضه کند که کل آن کسب‌وکار اصلی را از بازار حذف کرده و جایگزین آن شود.
این تحلیل یادآور هشدار جیسون کالاکانیس (Jason Calacanis)، سرمایه‌گذار مرحله Seed در ماه مه بود. کالاکانیس پس از آنکه سم آلتمن (Sam Altman)، مدیرعامل OpenAI، به آخرین گروه استارت‌آپ‌های Y Combinator اعتبار رایگان AI داد، به آن‌ها هشدار داد. کالاکانیس در پستی نوشت که «شانس غیرصفری» وجود دارد که OpenAI استارت‌آپ‌ها را مطالعه کند، ایده‌های آن‌ها را کپی کرده و سپس آن اپلیکیشن‌ها را در قالب یک سرویس رایگان عرضه کند؛ روشی که او آن را «پلی‌بوک کلاسیک پلتفرم‌ها» نامید.
جالب است که نگرانی نادلا فقط محدود به بخش سازمانی است. او در پاسخ به اینکه افراد عادی چگونه می‌توانند از خود محافظت کنند، با بی‌تفاوتی موضوع را رد کرد. او اظهار داشت که اشتراک داده‌ها بهای استفاده از خدمات رایگان است و خاطرنشان کرد که «تبادل ارزش» همیشه اساس مدل کسب‌وکار تبلیغاتی بوده است.
مایکروسافت مستقیماً از این ترس سود می‌برد. در حالی که این شرکت سرمایه‌گذار بزرگ OpenAI و Anthropic است، بخش ابری (Cloud) آن دقیقاً زیرساخت‌های جایگزینی را می‌فروشد که نادلا توصیه می‌کند؛ از جمله پشتیبانی از مدل‌های با وزن‌های باز.
در نهایت، چرخش به سمت مدل‌های وزن‌باز (که در آن کد زیربنایی به‌صورت عمومی در دسترس است) به شرکت‌ها اجازه می‌دهد تا تنظیم دقیق (Fine-tuning) — شبیه دادن تخصص پوست به یک پزشک عمومی برای تبدیل مدل کلی به متخصص — را روی سخت‌افزار خودشان انجام دهند. این کار از خروج بودجه‌های کلان (Budget Runaway) جلوگیری کرده و مانع از آن می‌شود که یک فروشنده واحد، مالک مالکیت معنوی شرکت شود. این تغییر رویکرد در واقع بخشی از تحول گسترده‌تر در مدل‌های اقتصادی نرم‌افزار است که در آن تمرکز از فروش لایسنس به سمت تضمین نتیجه و مدل‌های Services-as-Software تغییر می‌کند.
گام بعدی شما
- بررسی کنید چه مقدار از «تفکر اختصاصی» سازمان شما در حال حاضر روی سرورهای خارجی ذخیره می‌شود.
- ارزیابی کنید که آیا استک فعلی شما اجازه مهاجرت سریع به یک ارائه‌دهنده دیگر بدون از دست دادن تاریخچه پرامپت‌ها را می‌دهد یا خیر.
- بررسی امکان پیاده‌سازی یک AI Gateway برای جداسازی لایه‌ی کاربر از لایه‌ی مدل.
اما تأثیر این استقلال بر کاهش هزینه‌های استنتاج در مقیاس بزرگ حتی حیاتی‌تر است — به تحلیل ما درباره‌ی مدیریت هزینه‌های GPU در مدل‌های استدلالی مراجعه کنید.
گفتگو