برنامه ۹۰ روزه برای شناسایی هوش مصنوعی سایه و بازنگری قراردادهای SaaS

اگر مدیر یک کسب‌وکار کوچک هستید و فکر می‌کنید کنترل ابزارهای هوش مصنوعی در شرکتتان را در دست دارید، احتمالاً در اشتباهید. بسیاری از سازمان‌ها بدون آنکه بدانند، در حال پرداخت هزینه‌های پنهان برای قابلیت‌هایی هستند که هرگز از آن‌ها استفاده نمی‌کنند یا داده‌های حساس خود را در ابزارهای تأییدنشده می‌ریزند.

طبق گزارش UOB Business Outlook Study 2026 (Thailand) H1، حدود ۷۱٪ از کسب‌وکارهای تایلندی پیش از این هوش مصنوعی را مستقر کرده‌اند؛ رقمی که از میانگین کشورهای جنوب شرق آسیا بیشتر است. شتاب این روند بسیار زیاد است: ۸۹٪ از این شرکت‌ها قصد دارند بودجه هوش مصنوعی خود را در سال ۲۰۲۶ افزایش دهند و ۸۰٪ آن‌ها قصد دارند سرمایه‌گذاری کلی خود در حوزه دیجیتال را تقویت کنند. برای ۳.۳ میلیون شرکت کوچک و متوسط (SME) که ۹۹.۵٪ اقتصاد تایلند را می‌سازند و بیش از ۱۳.۶ میلیون نفر را به خدمت گرفته‌اند، خطر اصلی دیگر عقب ماندن از تکنولوژی نیست، بلکه امضای قراردادهای سخت‌گیرانه پیش از شناخت دقیق ردپای دیجیتال خود است.

این فوریت از تغییر قوانین نشأت می‌گیرد. به نقل از Electronic Transactions Development Agency (ETDA)، پیش‌نویس قانون هوش مصنوعی در ۲ ژوئیه ۲۰۲۶ برای نظرات عمومی منتشر شد. این قانون بین «تأمین‌کننده» (Provider) و «به‌کارگیرنده» (Deployer) تفاوت قائل می‌شود. بر اساس این قانون، شرکت‌هایی که صرفاً از سیستم‌های «پرریسک» استفاده می‌کنند، فارغ از اینکه مدل را خودشان ساخته باشند یا نه، با تعهدات قانونی خاصی روبرو هستند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی حاکمیت داده‌ها اشاره کردیم، نظارت‌ها در حال سخت‌تر شدن است. Personal Data Protection Committee (PDPC) در ۱۷ فوریه ۲۰۲۶ دستورالعمل‌هایی را برای حفاظت از داده‌ها در توسعه و استفاده از هوش مصنوعی منتشر کرد. اگرچه این دستورالعمل‌ها هنوز الزام قانونی ندارند، اما بازتاب‌دهنده انتظارات رگولاتورها هستند. برای مثال، موارد پرریسک شامل این‌هاست:

• مؤسسات مالی که از هوش مصنوعی برای امتیازدهی اعتباری استفاده می‌کنند، باید بتوانند نتایج را به‌طور منصفانه توضیح دهند و نظارت انسانی را پیش از رد درخواست متقاضیان تضمین کنند.
• بخش‌های منابع انسانی (HR) که از هوش مصنوعی برای غربالگری رزومه‌ها استفاده می‌کنند، باید به‌طور فعال سوگیری‌های الگوریتمی (Algorithmic Bias) را بررسی کنند.

برای مدیریت این وضعیت، یک بازرسی ساختاریافته ۹۰ روزه پیشنهاد می‌شود. در دو هفته اول، باید فهرستی کامل از کاربردهای هوش مصنوعی در ۶ بخش سازمان تهیه شود. هدف اینجا خرید ابزار جدید نیست، بلکه شناسایی سه نقطه کور است:

• قابلیت‌های پنهان SaaS: ویژگی‌های هوش مصنوعی که در اشتراک‌های ماهانه فعال‌اند اما کسی آن‌ها را رصد نمی‌کند.
• هوش مصنوعی سایه (Shadow AI) — شبیه به وقتی که کارمندی بدون اجازه مدیر، نرم‌افزاری را برای تسریع کارش نصب می‌کند — ابزارهایی که کارکنان به‌طور مستقل برای خلاصه‌سازی جلسات یا نوشتن ایمیل استفاده می‌کنند و داده‌های شرکت را بدون اطلاع مدیریت به بیرون می‌فرستند.
• پردازش‌های تأمین‌کننده: آموزش و تنظیم دقیق (Fine-tuning) — مثل وقتی که به یک پزشک عمومی، تخصص پوست می‌دهیم تا روی یک حوزه دقیق شود — که توسط فروشنده با استفاده از داده‌های شما انجام می‌شود و پرسش‌های حیاتی درباره مالکیت دانش ایجاد می‌کند.

از هفته سوم تا چهارم، ابزارها باید بر اساس ریسک دسته‌بندی شوند. طبق داده‌های IDC، شکاف پذیرش در حوزه‌ها متفاوت است؛ مثلاً در سال ۲۰۲۶، پذیرش در مراکز تماس ۵۰٪ است اما در تجارت دیجیتال تنها ۴٪ است. شرکت‌ها باید وظایف را به سه دسته تقسیم کنند: پرریسک (بهداشت/مالی)، میان‌ریسک (مشتری‌محور) و کم‌ریسک (پشتیبانی داخلی).

به گزارش Gartner، سازمان‌ها نباید به عامل‌های هوش مصنوعی (AI Agents) — شبیه به دستیاران دیجیتالی که می‌توانند به‌جای شما کارهای واقعی را در نرم‌افزارها انجام دهند — استقلال «خاموش» یا متناقض بدهند. این رویکرد در راستای استراتژی‌های جدیدی است که شرکت‌هایی مانند متا و xAI برای مقیاس‌بندی عامل‌های تجاری به کار می‌گیرند تا بهره‌وری سازمانی را افزایش دهند. حاکمیت باید صریح باشد و به چهار پرسش پاسخ دهد:

• آیا عامل می‌تواند هر کاری که انسان در رابط کاربری (UI) می‌کند را انجام دهد؟
• آیا شرایط و ضوابط فروشنده، اتوماسیون شخص ثالث را به‌صورت فنی یا مالی منع می‌کند؟
• «نرخ حفظ دانش» (Knowledge Retention Rate) چقدر است؟ آیا دانش عملیاتی نزد مشتری می‌ماند یا تأمین‌کننده؟
• مالکیت داده‌هایی که سیستم از شما یاد می‌گیرد با کیست؟

بین هفته پنجم تا هشتم، تمرکز بر آزمایش یک گردش‌کار کم‌ریسک (مثل پاسخ به سوالات متداول یا مرتب‌سازی اسناد ورودی) با شاخص‌های کلیدی عملکرد (KPI) قابل اندازه‌گیری است. در این مرحله، مدل‌های قیمت‌گذاری جدید باید بررسی شوند. برای مثال، در ۱ ژوئن ۲۰۲۶، GitHub Copilot به صورت مصرف‌محور با «اعتبارات هوش مصنوعی» (AI credits) تغییر کرد که هر اعتبار ۱ سنت هزینه دارد. با این حال، تکیه بر ابزارهای محبوب همیشه بدون ریسک نیست؛ چنان‌که برخی از پرطرفدارترین مخازن ساخت عامل‌های AI به دلیل تغییرات ساختاری متوقف شده‌اند و اهمیت انتخاب ابزارهای پایدار را نشان می‌دهند. Zendesk اکنون برای هر مسئله‌ای که توسط هوش مصنوعی حل شود ۱.۵ تا ۲ دلار دریافت می‌کند، به‌علاوه هزینه اضافی حدود ۵۰ دلار برای هر عامل در ماه برای قابلیت‌های پیشرفته. Workday نیز «اعتبارات انعطاف‌پذیر» (Flex Credits) را برای جداسازی دسترسی به هوش مصنوعی از قیمت‌گذاری سنتیِ کاربر-محور معرفی کرد.

در ماه آخر، شرکت‌ها باید از داده‌های عملکرد برای مذاکره در تمدید قراردادها استفاده کنند. پژوهش‌های IDC نشان می‌دهد در حالی که ۳۲.۸٪ شرکت‌ها حاضرند ۱۰٪ بیشتر برای عامل‌های داخلی بپردازند، بازار به سمت قیمت‌گذاری «نتیجه‌محور» (Outcome-based) می‌رود. پیش‌بینی می‌شود قیمت‌گذاری وابسته به مصرف یا نتیجه از ۱۳٪ فعلی به ۶۳٪ در دهه آینده برسد. چهار معیار حیاتی برای رصد عبارتند از: زمان ذخیره شده در هر وظیفه، نرخ دخالت انسانی، تغییرات هزینه ماهانه و تکرار اصلاح خطاها. برای بهینه‌سازی این خروجی‌ها، می‌توان از رویکردهایی مانند گزارش‌های HTML برای کاهش بار شناختی در تحلیل عملکرد عامل‌ها استفاده کرد.

کارشناسان حقوقی در Mayer Brown هشدار می‌دهند که این حقوق باید در لحظه امضا مذاکره شوند. آن‌ها معتقدند: «این امتیازات باید زمانی که شرکت قدرت چانه‌زنی دارد مذاکره شوند، نه بعد از آنکه تأمین‌کننده در مدل عملیاتی سازمان ریشه دوانده است.» وقتی یک ارائه‌دهنده در مدل عملیاتی ادغام شود، شرکت قدرت چانه‌زنی خود را از دست می‌دهد.

در نهایت، هدف جایگزینی کل نرم‌افزارهای شرکت نیست. با بازرسی ریسک و رصد هزینه‌ها، SMEها می‌توانند بدون استخدام مشاوران گران‌قیمت یا ساخت تیم‌های داخلی AI، از مصرف غیرفعال به استقرار استراتژیک برسند و در تلهٔ قراردادهای SaaS که تکنولوژی را آماده اما اجرای آن را مسدود می‌کنند، نیفتند.

گام بعدی شما

• فهرستی از تمام اشتراک‌های SaaS فعال در سازمان تهیه کنید و قابلیت‌های AI آن‌ها را بررسی کنید.
• یک گردش‌کار کم‌ریسک (مانند دسته‌بندی ایمیل‌ها) را انتخاب کرده و هزینه استنتاج آن را با خروجی واقعی بسنجید.
• در قراردادهای آتی، بندهای مربوط به «مالکیت داده‌های یادگرفته‌شده» را به دقت بازنگری کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.