۸۰٪ عامل‌های پشتیبانی هوش مصنوعی به‌دلیل عدم دسترسی به لایه‌ی اجرا شکست می‌خورند

اگر برای ابزار هوش مصنوعی شرکتتان هزینه می‌پردازید اما این سیستم نمی‌تواند به‌طور خودکار یک مبلغ را بازگرداند، رکورد CRM را به‌روز کند، موجودی لحظه‌ای کالا را بررسی کند و تصمیم بگیرد که آیا موضوع را به یک اپراتور انسانی ارجاع دهد یا خیر — آن هم همگی در جریان یک گفتگو — شما در واقع هزینه یک «تکمیل‌کننده‌ی متن» پیشرفته را می‌دهید، نه یک عامل هوشمند. طبق داده‌های سال ۲۰۲۵ شرکت فورستر (Forrester)، شکاف ۶۳ درصدی در «میانگین زمان رسیدگی» (Average Handle Time) را میان عامل‌های واقعی و چت‌بات‌های ساده می‌بینیم.

تا اوت ۲۰۲۶، بازار هوش مصنوعی پشتیبانی مشتری به دو سطح غیرقابل جمع است تبدیل شده است. ۸۰ درصد فروشندگان نسخه‌های ارزان‌تر و کم‌عمقی را می‌فروشند. اکثر فروشندگان «عامل‌هایی» را بازاریابی می‌کنند که صرفاً متن‌های روان تولید می‌کنند، در حالی که سازمان‌ها در واقعیت به سامانه‌هایی نیاز دارند که بتوانند بر اساس سیاست‌های شرکت استدلال کنند و تغییراتی در وضعیت نرم‌افزارهای خارجی ایجاد نمایند. این شکاف باعث نشت شدید بودجه‌ها شده است؛ به‌طوری که گارتنر (Gartner) گزارش می‌دهد به‌طور میانگین ۳۴۰,۰۰۰ دلار در هر استقرار شکست‌خورده‌ی هوش مصنوعی، پیش از آنکه تیم‌ها مسیر خود را تغییر دهند، تلف می‌شود. این اتلاف منابع اغلب با یک دوره میانگین ۱۴ ماهه از استقرار ناموفق همراه است، تا زمانی که شرکت در نهایت سیستم را به حالت پیشین بازمی‌گرداند.

تفاوت میان چت‌بات و عامل (Agent)

تفاوت میان یک چت‌بات و یک عامل در معماری است، نه فقط در کلمات تبلیغاتی. چت‌بات متن تولید می‌کند. یک عامل در سیستم‌های واقعی اقدام می‌کند و استدلال می‌کند که آیا باید آن اقدام را انجام دهد یا خیر. این رویکرد عملیاتی تنها محدود به پشتیبانی مشتری نیست، بلکه در حوزه‌های فنی نیز شاهد آن هستیم، جایی که عامل‌های پیشرفته‌ی کدنویسی اکنون قادر به ارسال کد به محیط‌های تولیدی و مدیریت چرخه حیات نرم‌افزار شده‌اند.

این تفاوت در خدمات یک ارائه‌دهنده واحد مانند Intercom کاملاً مشهود است. چت‌بات‌های قدیمی آن‌ها، نیت‌های کاربر (Intents) را با جریان‌های از پیش‌تعریف‌شده (Canned Flows) مطابقت می‌دادند. در مقابل، Fin Agent محتوای زنده را بازیابی می‌کند، گردش‌های کاری را از طریق ارکستراسیون سازگار با LangGraph زنجیر می‌کند، در Salesforce می‌نویسد و تصمیم می‌گیرد چه زمانی دسترسی را به انسان منتقل کند. فرگال رید، نایب‌رئیس هوش مصنوعی Intercom، در یادداشت‌های پژوهشی سال ۲۰۲۵ این شرکت اشاره کرد که چالش اصلی، تولید پاسخ‌های متنی نبود، بلکه جلب اعتماد برای انجام عملیاتی بود که مشتری بتواند اثر واقعی آن را حس کند.

این شکاف اعتماد، تفاوت بنیادی میان هوش مصنوعی پشتیبانی مشتری و چت‌بات‌های سنتی است. در حالی که اولی یک حلقه «استدلال-اقدام» می‌سازد، دومی صرفاً توکن بعدی را پیش‌بینی می‌کند. به همین دلیل است که بسیاری از لیست‌های مقایسه‌ای شکست می‌خورند؛ آن‌ها این دو گونه‌ی متفاوت را در یک ردیف قرار می‌دهند و تفاوت بنیادین در معماری ارکستراسیون را نادیده می‌گیرند. طبق گفته‌ی اوما چالا، تحلیلگر گارتنر، تا پایان ۲۰۲۶ حدود ۴۰ درصد از تیکت‌های پشتیبانی سازمانی به اقداماتی در چندین سیستم مختلف نیاز دارند. بازگشت وجه نیاز به فراخوانی API پرداخت، تغییر آدرس نیاز به نوشتن در CRM و استعلام‌های سفارش نیاز به بررسی لحظه‌ای موجودی یا لجستیک دارد. تولید متن به تنهایی هیچ‌کدام از این مسائل را حل نمی‌کند.

پشته‌ی عمق حل مسئله (Resolution Depth Stack)

برای تشخیص تولیدکنندگان متن از عامل‌های عملیاتی، صنعت اکنون از «پشته‌ی عمق حل مسئله» استفاده می‌کند. این چارچوب پنج‌لایه، فروشندگان را بر اساس توانایی‌های واقعی تولیدی (Production) می‌سنجد، نه بر اساس جذابیت‌های دموی تبلیغاتی. این مدل، گفتگو را از «روانی کلام» (لایه ۱) به سمت «قضاوت» و «بهبود» (لایه‌های ۴ و ۵) می‌برد.

جزئیات لایه‌های پشته

• لایه ۱: پاسخ زاینده (Generative Response): مدل‌هایی مانند GPT-4o یا Claude 3.5 که یک پاسخ روان به زبان طبیعی تولید می‌کنند. ورودی: پیام مشتری؛ خروجی: متن. تأخیر (Latency) معمولاً بین ۸۰۰ میلی‌ثانیه تا ۲ ثانیه است. هر ابزاری در بازار از این سد عبور می‌کند، اما این لایه صفر تیکت نیازمند اقدام سیستمی را حل می‌کند.
• لایه ۲: تولید بازیابی‌افزا (RAG) و بازیابی دانش: عامل پیش از پاسخ دادن، محتوای مستند را از یک پایگاه‌داده برداری (مانند Pinecone یا Weaviate) روی یک پایگاه دانش استخراج می‌کند. این کار توهم (Hallucination) را کاهش می‌دهد. این لایه اکنون استاندارد اولیه صنعت است و جایی است که اکثر «عامل‌های» ادعایی به‌طور بی‌صدایی متوقف می‌شوند. ابزارهایی مانند Tidio Lyro AI اغلب در محیط عملیاتی यहीं متوقف می‌شوند؛ یعنی پاسخ‌های مستند می‌دهند اما قادر به انجام وظایف نیستند.
• لایه ۳: اجرای عملیات (Action Execution): عامل در CRM می‌نویسد، مبلغ بازگشتی صادر می‌کند، تیکت را مسیریابی می‌کند یا سفارش Shopify را تغییر می‌دهد. این امر مستلزم تغییر وضعیت (State Change) واقعی در یک سیستم خارجی است و نیاز به پشتیبانی بومی از پروتکل زمینه مدل (MCP) یا فراخوانی توابع (Function Calling) قدرتمند دارد. این لایه، «خط شکست» بازار است که جداسازنده ابزارهای پیشرفته از ابزارهای ساده است.
• لایه ۴: منطق ارجاع شرطی (Conditional Escalation Logic): عامل بر اساس سیاست‌های شرکت و سطح اطمینان (Confidence Level) خود استدلال می‌کند تا تصمیم بگیرد که اقدام کند، اطلاعات بیشتری بخواهد یا موضوع را به انسان ارجاع دهد. Salesforce Agentforce برای دستیابی بومی به این هدف از درخت‌های تصمیم Einstein استفاده می‌کند. این مکانیسم از ایجاد عامل‌های «خطرناک» (که روی هر چیزی اقدام می‌کنند) یا عامل‌های «بی‌فایده» (که همه‌چیز را ارجاع می‌دهند) جلوگیری می‌کند.
• لایه ۵: یادگیری مبتنی بر نتیجه (Outcome-Based Learning): نتایج موفق و شکست‌خورده به صورت بازخورد به وزن‌دهی بازیابی، اصلاح پرامپت‌ها یا تنظیم دقیق (Fine-tuning) بازمی‌گردند. عامل هر ماه به‌طور قابل اندازه‌گیری بهتر می‌شود. طبق داده‌های AIMultiple، تنها ۸ درصد از استقرارهای سازمانی در محیط تولید به این مرحله رسیده‌اند. این سیستم‌های خودبه‌ببودی در طول زمان compounding (تراکمی) می‌شوند، در حالی که سیستم‌های استاتیک با تغییر محصولات، دچار زوال می‌شوند.

سطح ۱ در مقابل سطح ۲: چشم‌انداز رقابتی

فروشندگان اکنون بر اساس حداکثر لایه‌ی حل مسئله‌ی خود به دو سطح متمایز تقسیم می‌شوند. عامل‌های سطح ۱ حل مسئله کامل (لایه‌های ۳ تا ۵) را ارائه می‌دهند، در حالی که عامل‌های سطح ۲ محدود به پاسخ‌های بازیابی‌افزا (لایه‌های ۱ و ۲) هستند.

پیشروان سطح ۱: حل مسئله عامل‌محور کامل (Full-Stack)
این ابزارها سیستم‌های آماده‌ی تولید هستند که می‌توانند از یک گردش کار واقعی بازگشت وجه عبور کنند:

• Salesforce Agentforce: بهترین گزینه برای سازمان‌های بزرگ چندکاناله از طریق Einstein Voice و Service Cloud. این سیستم از الگوهای انتقال بین چندین عامل (Multi-agent handoff) مشابه AutoGen در صوت و چت پشتیبانی می‌کند. صرفه‌جویی در هزینه‌های یکپارچگی آن اغلب بیشتر از بهبودهای عددی در بنچمارک‌ها است.
• Intercom Fin Agent: بسیار قدرتمند برای پشتیبانی فنی B2B SaaS با نرخ حل مسئله ۵۱ درصدی در بنچمارک‌های ۲۰۲۵. از زنجیره‌سازی گردش کار سازگار با LangGraph برای حل مسائل چندمرحله‌ای استفاده می‌کند.
• Ada CX: پیشرو در تجارت الکترونیک. ابزار ساخت اقدامات بدون کد (No-code action builder) آن به تیم‌ها اجازه می‌دهد بدون نیاز به توسعه‌دهنده، سفارشات Shopify و Magento را تغییر دهند. برند Allbirds پس از استقرار آن، کاهش ۲۸ درصدی در ارجاعات به عوامل انسانی گزارش کرد.
• Zendesk AI Agents: دارای قابلیت‌های لایه ۳ و ۴ با همگام‌سازی عمیق با Zendesk Suite و CRM، طراحی شده برای میزهای کمک (Helpdesks) بازار متوسطه.
• Sierra: پلتفرم برت تیلور که در لایه ۴ فعالیت می‌کند و دارای MCP بومی و APIهای سفارشی سازمانی برای نیازهای بسیار سطح بالا است.

تأمین‌کنندگان سطح ۲: پاسخ‌دهنده‌های بازیابی‌افزا
این ابزارها در دفع تیکت‌های متداول (FAQ) عالی هستند اما عمق لازم برای اجرای یک تراکنش پایان‌به‌پایان را ندارند:

• Tidio Lyro AI: ارائه پاسخ‌های مستند عالی، اما فاقد قابلیت‌های اجرایی.
• Freshdesk Freddy AI، Drift، Chatbase و پوشش‌های مختلف GPT-4o. این‌ها عمدتاً برای چت‌های وب ساده یا پشتیبانی کسب‌وکارهای کوچک (SMB) استفاده می‌شوند.
• Zapier Central: یک مدل ترکیبی که تا سه ماهه چهاردم ۲۰۲۵، ۱۰,۰۰۰ اتوماسیون پشتیبانی فعال را گزارش کرد. برای تیم‌های کوچک به دلیل داشتن بیش از ۶,۰۰۰ رابط اتصال اپلیکیشن، سریع‌تر مستقر می‌شود اما عمق حل مسئله کلی آن پایین‌تر است.

بسیاری از جداول مقایسه‌ای با ترکیب این دو سطح، خریداران را گمراه می‌کنند. بنچمارک Q1 ۲۰۲۶ شرکت AIMultiple روی بیش از ۵۰ ابزار نشان داد که کمتر از ۱۲ ابزار می‌توانستند یک گردش کار کامل بازگشت وجه را بدون تأیید انسان به‌طور کامل انجام دهند. کانسو دنیز بایراک (نایب‌رئیس Bessemer Venture Partners) اشاره می‌کند که خریداران اغلب کیفیت گفتگو را مقایسه می‌کنند، در حالی که باید «نرخ‌های حل مسئله» (Resolution Rates) را مقایسه کنند. نشانه شناسایی این تفاوت در قیمت‌گذاری است: فروشندگان سطح ۱ بر اساس «هر حل مسئله» هزینه می‌گیرند چون به توانایی خود در حل مشکل اطمینان دارند. ابزارهای سطح ۲ بر اساس «هر گفتگو یا پیام» هزینه می‌گیرند؛ این نشانه‌ی واضحی است که آن‌ها در حال درآمدزایی از حجم پیام‌ها هستند، نه از نتایج.

تله‌ی بدهی یکپارچگی (Integration Debt Trap)

استقرار جایی است که بیشتر بازگشت سرمایه (ROI) در آن ناپدید می‌شود. بسیاری از شرکت‌ها ابزارهای سطح ۱ را می‌خرند اما هرگز اقدامات API لازم را متصل نمی‌کنند؛ در واقع برای یک عامل پریمیوم هزینه می‌کنند اما از آن به عنوان یک چت‌بات لایه ۲ استفاده می‌کنند. این همان «تله‌ی بدهی یکپارچگی» است.

بدهی یکپارچگی اغلب پروژه‌ها را در لایه ۲ متوقف می‌کند. برای مثال، در استقراری برای یک برند پوشاک DTC با ۴۰ صندلی (اپراتور) که ماهانه ۹,۰۰۰ تیکت دریافت می‌کرد، لایه RAG در ۹ روز فعال شد، اما متصل کردن اقدامات بازگشت وجه و مرجوعی Shopify پنج هفته زمان برد تا موارد خاص (Edge-cases) مدیریت شوند. پس از تکمیل کامل گیت‌ها، عامل در روز شصت به نرخ حل خودکار ۵۴ درصد رسید.

نکته حیاتی این است که اجرای اقدامات بدون مبنی‌سازی (Grounding) صحیح، خطرناک است. یک شرکت مخابراتی Fortune 500 در سال ۲۰۲۵ یک سیستم چندعاملی CrewAI را مستقر کرد بدون اینکه اسناد سیاست‌ها را در یک خط لوله RAG برداری کند. عامل‌ها در مبالغ بازگشتی دچار توهم شدند و طی ۶۰ روز باعث ۲.۱ میلیون دلار بازگشت وجه اضافی (Over-refunding) شدند. این موضوع نشان می‌دهد که قدرت اقدام لایه ۳ بدون grounding لایه ۲، یک ریسک خودکار شده است. طبق تحلیل ۲۰۲۶ شرکت AIMultiple، «اختیار اقدام بدون مبنی‌سازی»، گران‌ترین خطای استقرار است.

شکست‌های رایج در استقرار

اکثر استقرارهای شکست‌خورده از سه الگوی مشابه پیروی می‌کنند:

• خطاهای توالی (Sequencing Errors): متصل کردن اقدامات لایه ۳ پیش از ساخت خط لوله RAG. راه حل این است که ابتدا اسناد سیاست‌ها را در Pinecone یا Weaviate برداری کنید و مطمئن شوید دقت Grounding بالای ۹۵ درصد است، سپس اقدامات را فعال کنید.
• نمایش خریدهای اداری (Procurement Theater): پرداخت هزینه برای Agentforce یا Fin Agent بدون تعیین محدوده (Scope) کارهای یکپارچگی، که منجر به ROI ضعیف می‌شود. رابط‌های MCP بومی یا پل‌های n8n/Make باید ظرف ۳۰ روز لایه ۳ را هدف قرار دهند.
• تأخیر در اندازه‌گیری (Measurement Lag): قضاوت درباره پایلوت‌ها بر اساس CSAT (رضایت مشتری) که ۶۰ تا ۹۰ روز تأخیر دارد. در عوض، در بازه‌ی زمانی پایلوت، فقط نرخ حل خودکار (ARR%) و هزینه هر حل مسئله (CPR) را اندازه بگیرید.

محاسبه بازگشت سرمایه (ROI) واقعی در سال ۲۰۲۶

مدیران مالی (CFOs) در حال فاصله گرفتن از «نرخ دفع تیکت» (Deflection Rate) به عنوان معیار اصلی هستند. در عوض، آن‌ها بر هزینه هر حل مسئله (CPR) و نرخ حل خودکار (ARR%) تمرکز می‌کنند.

طبق روندهای CX سال ۲۰۲۵ شرکت Zendesk، عامل‌های لایه ۳ به بالا به‌طور میانگین ۵۸ درصد ARR دارند، در حالی که ابزارهای لایه ۱-۲ تنها ۲۲ درصد هستند. فرمول ROI برای صرفه‌جویی خالص ماهانه به این صورت است: (هزینه تیم انسانی * ARR%) - (هزینه ابزار هوش مصنوعی + عملیات یکپارچگی).

به عنوان مثال، با هزینه تیم انسانی ۴۵,۰۰۰ دلار، ARR ۵۵ درصد، هزینه ابزار ۸,۰۰۰ دلار و ۳,۵۰۰ دلار برای عملیات یکپارچگی، صرفه‌جویی خالص ماهانه ۱۳,۲۵۰ دلار خواهد بود.

بازه زمانی ROI معمولاً بر اساس اندازه شرکت تغییر می‌کند:

• تیم‌های زیر ۵۰ صندلی: ROI در ۴ تا ۶ ماه به دلیل سطح پایین یکپارچگی.
• تیم‌های ۵۰ تا ۵۰۰ صندلی: ROI در ۸ تا ۱۲ ماه به دلیل پیچیدگی متوسط CRM.
• سازمانی بالای ۵۰۰ صندلی: ROI در حدود ۱۶ ماه به دلیل بدهی عمیق یکپارچگی سیستم‌های قدیمی (Legacy).

مسیر رسیدن به محیط تولید (Production)

برای تیم‌هایی که استک خود را می‌سازند، استراتژی ترکیبی از سه تکنیک است:
۱. RAG: روش پیش‌فرض برای مبنی‌سازی عامل‌ها در دانش جاری و متغیر از طریق پایگاه‌های داده برداری. این دقیق‌ترین راه برای به‌روز نگه داشتن دانش بدون نیاز به آموزش مجدد مدل است.
۲. تنظیم دقیق (Fine-tuning): استفاده از ترنسکریپت‌های پشتیبانی برای تیز کردن طبقه‌بندی نیت‌ها؛ این روش در ساختارهای تجارت الکترونیک با SKU بالا، طبق بنچمارک‌های استقرار Anthropic، حدود ۳۴ درصد بهبود نسبت به GPT-4o پایه نشان داد.
۳. مهندسی پرامپت (Prompt Engineering): جایی که رفتار خاص و لحن مدل شکل می‌گیرد.

بسیاری از افراد این‌ها را جایگزین هم می‌بینند، اما این‌ها یک پشته هستند: تثبیت واقعیت‌ها (RAG)، دقیق‌تر کردن طبقه‌بندی (Fine-tuning) و شکل دادن به رفتار (Prompts).

تا سه ماهه اول ۲۰۲۶، چشم‌انداز تولید به این صورت تقسیم شده است:

• آماده تولید: RAG (Pinecone/Weaviate)، اجرای اقدام تک-مرحله‌ای از طریق MCP، خواندن/نوشتن CRM از طریق Zapier/Make و ارجاع بر اساس احساسات (Sentiment-triggered).
• آزمایشی: شبکه‌های چندعاملی کاملاً خودکار از طریق LangGraph یا AutoGen بدون گاردریل‌های نظارت انسانی، و عامل‌های صوتی لحظه‌ای با تأخیر زیر ۳۰۰ میلی‌ثانیه.

در حالی که Claude 3.5 Sonnet برای استدلال سیاست‌های لایه ۴ در سه شرکت از ۱۰ شرکت بیمه برتر آمریکا استفاده می‌شود، حل کامل و خودکار خسارت‌ها همچنان در مرحله پایلوت است. تنها ۸ درصد از تیم‌های سازمانی یک عامل خود-بهبوددهنده لایه ۵ را به‌طور کامل مستقر کرده‌اند. به اکثر بنیان‌گذاران توصیه می‌شود لایه ۵ را بدون یک حلقه بازبینی انسانی بسیار سخت‌گیرانه عرضه نکنند.

ماتریس تصمیم‌گیری برای خریداران

برای اجتناب از آمار شکست ۳۴۰ هزار دلاری، این چهار گام را به ترتیب دنبال کنید:
۱. شناسایی عمق حل مسئله: اگر بیش از ۴۰ درصد تیکت‌ها به اقدامات سیستمی نیاز دارند (نرم سازمان‌های ۲۰۲۶)، باید سطح ۱ را داشته باشید. اگر زیر ۲۰ درصد است، سطح ۲ ممکن است کافی باشد.
۲. حسابرسی محیط یکپارچگی: ابزار را با استک خود مطابقت دهید. تیمی که به شدت از HubSpot استفاده می‌کند باید برای کاهش هزینه‌های پیاده‌سازی، Intercom یا Zendesk را به Salesforce ترجیح دهد.
۳. امتیازدهی به فروشندگان: دموهای زنده فراخوانی ابزارهای API را مطالبه کنید. نشانه‌های خطر (Red Flags) شامل قیمت‌گذاری بر اساس «گفتگو» به جای «حل مسئله» یا ناتوانی در نمایش گردش کارهای چندمرحله‌ای است.
۴. اجرای پایلوت ۳۰ روزه: فقط ARR% و CPR را اندازه بگیرید. در ۹۰ روز اول CSAT را نادیده بگیرید، زیرا یک شاخص تأخیری است و نویز تولید می‌کند.

پیش‌بینی‌های آینده و روندها

با نگاه به اواخر ۲۰۲۶، سه تغییر در حال رخ دادن است:

• استانداردسازی MCP: پذیرش پروتکل زمینه مدل (Model Context Protocol) بین سه ماهه سوم ۲۰۲۵ و اول ۲۰۲۶ رشد ۳۸۰ درصدی داشت. این پروتکل در حال کالامحور کردن (Commoditizing) اتصال لایه ۳ است و به عامل‌ها اجازه می‌دهد بدون ساخت‌های سفارشی به سیستم‌های CRM و پرداخت متصل شوند و وابستگی به فروشنده (Vendor lock-in) را کاهش دهند.
• تغییر به سمت صوت: استنتاج LLM لحظه‌ای از OpenAI Realtime API و Anthropic احتمالاً تا سه ماهه سوم ۲۰۲۶، ۳۵ درصد تماس‌های ورودی سازمانی را بدون انتقال به انسان مدیریت خواهد کرد که محرک آن منحنی‌های تأخیر زیر ۵۰۰ میلی‌ثانیه است.
• تثبیت بازار: چشم‌انداز بیش از ۵۰ ابزار احتمالاً به حدود ۸ پلتفرم کاهش می‌یابد. سرمایه‌گذاری ۲.۷ میلیارد دلاری سالزفورس در Agentforce، با گزارش بنیوف از ۳۸۰,۰۰۰ گفتگوی خودکار هفتگی در سه ماهه چهاردم ۲۰۲۵، سیگنالی برای این نقطه پایانی است.

تا سال ۲۰۲۷، مزیت انسان‌ها عمدتاً به «تنش‌زدایی‌های عاطفی با ریسک بالا» محدود خواهد شد که آخرینe خندق دفاعی پایدار برای عوامل انسانی است.

گام بعدی شما

• اگر مدیر محصول هستید، نرخ ARR% فعلی خود را با میانگین ۲۲ درصدی ابزارهای لایه ۲ مقایسه کنید تا بفهمید کجا در تله‌ی یکپارچگی هستید.
• برای تیم‌های فنی: پروتکل MCP را جایگزین اتصالات دستی API کنید تا انعطاف‌پذیری استک خود را افزایش دهید.
• در مذاکره با تامین‌کنندگان، مدل قیمت‌گذاری «per-resolution» را جایگزین «per-conversation» کنید تا ریسک مالی را به فروشنده منتقل کنید.

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