اگر تمام گردش‌کار عامل‌های هوشمند خود را بر پایه یک مدل پیشرو بنا کرده‌اید، همین حالا با بزرگ‌ترین نقطه ضعف خود آشنا شدید. در ۱۲ ژوئن ۲۰۲۶، دولت ایالات متحده دستور داد شرکت آنتروپیک (Anthropic) دسترسی تمامی اتباع خارجی به جدیدترین مدل خود، یعنی کلود فیبل ۵ (Claude Fable 5)، را متوقف کند. به دلیل اینکه این شرکت نمی‌توانست در لحظه و از طریق شرکای ابری خود، کاربران را بر اساس ملیت فیلتر کند، مدل را برای همه کاربران جهان خاموش کرد.
این اتفاق، نخستین مورد توقف اجباری یک مدل پیشرو توسط دولت است که در زمان گذار صنعت از چت‌بات‌های ساده به عامل‌های هوشمند (AI Agents) — سیستم‌هایی شبیه به دستیارهای شخصی که می‌توانند به‌طور مستقل کارهای پیچیده کدنویسی و تحلیل داده را مدیریت کنند — رخ می‌دهد. برای کسب‌وکارها درس این اتفاق تلخ است: یک مدل هوش مصنوعی، نرم‌افزاری پایدار نیست، بلکه خدمتی است که می‌تواند بدون هیچ مهلتی برای مهاجرت به جایگزین، ناپدید شود.
سقوط فیبل ۵
آنتروپیک مدل کلود فیبل ۵ را در ۹ ژوئن ۲۰۲۶ به عنوان بخشی از کلاس جدید «میثوس» (Mythos) عرضه کرد. این سطح از مدل‌ها از نظر توانایی خام، بالاتر از خط تولید Opus قرار دارند. طبق گزارش‌های منتشر شده، این مدل ظرف چند ساعت با کلود کد (Claude Code) و گیت‌هاب کوپایلت (GitHub Copilot) برای مشترکان سطح بالا (شامل Pro+، Max، Business و Enterprise) ادغام شد، در حالی که کاربران کِرسور (Cursor) از طریق API به آن دسترسی یافتند.
سه روز بعد، در ساعت ۵:۲۱ عصر به وقت شرق آمریکا در ۱۲ ژوئن، خاموشی رخ داد. بر اساس مستندات، هاوارد لوتنیک، وزیر بازرگانی آمریکا، دستوری مستقیم به داریو آمودی، مدیرعامل آنتروپیک ارسال کرد. این دستور روی یک تکنیک خاص در خواندن کد متمرکز بود که دولت آن را ریسکی برای امنیت ملی می‌دانست. آنتروپیک استدلال کرد که این دستور بر اساس یک مورد محدود از «جیل‌بریک» (Jailbreak) صادر شده و فراخوانی مدلی که میلیون‌ها کاربر دارد، روی یک نقص کوچک، الگویی خطرناک می‌سازد که می‌تواند عرضه مدل‌های پیشرو را در کل صنعت متوقف کند.
دسترسی‌ها به‌طور هم‌زمان در پلتفرم‌های زیر قطع شد:
- AWS Bedrock
- گوگل کلاد (Google Cloud)
- مایکروسافت فاندری (Microsoft Foundry)
- اسنو-فلیک (Snowflake)
- باکس (Box)
- API مستقیم کلود
در حالی که فیبل ۵ و میثوس ۵ حذف شدند، دسترسی به مدل‌های دیگر مثل Opus 4.8 برقرار ماند. این وضعیت برای توسعه‌دهندگانی که استک عامل‌های خود را روی فیبل ۵ قفل کرده بودند، بحران ایجاد کرد. آنتروپیک اکنون برای بازگرداندن دسترسی تلاش می‌کند، اما اعتماد توسعه‌دهندگان آسیب دیده است. این ریسک برای آنتروپیک که در ژوئن به‌طور محرمانه برای عرضه عمومی سهام با ارزشی نزدیک به ۹۶۵ میلیارد دلار اقدام کرده، بسیار حیاتی است؛ چرا که سرمایه‌گذاران حالا باید ریسک دخالت رگولاتورها در محصولات شاخص را بدون توضیح قبلی در قیمت‌گذاری لحاظ کنند.
چرخش به صورت‌حساب بر اساس مصرف
هم‌زمان با این جنجال، اقتصاد ابزارهای کدنویسی AI تغییر کرد. گیت‌هاب در ۱ ژوئن ۲۰۲۶، مدل اشتراک ثابت کوپایلت را به صورت‌حساب بر اساس مصرف تغییر داد.
بر اساس بررسی قیمت‌های تأیید شده تا ۱۵ ژوئن، ساختار جدید چنین است:
- رایگان: ۲,۰۰۰ تکمیل کد در ماه، دسترسی به Haiku 4.5 و GPT-5 mini.
- Pro (۱۰ دلار در ماه): تکمیل کد نامحدود، دسترسی به عامل‌های ابری و ۱۵ دلار اعتبار AI.
- Pro+ (۳۹ دلار در ماه): دسترسی به مدل‌های ممتاز و ۷۰ دلار اعتبار.
- Max (۱۰۰ دلار در ماه): دسترسی اولویت‌دار و ۲۰۰ دلار اعتبار.
کاربران روزانه عامل‌ها به دلیل مصرف بالای توکن (Token) در اجراهای طولانی و خودکار، در عمل ۶۰ تا ۱۰۰ دلار هزینه می‌کنند. این الگو در جای دیگر تکرار شد؛ OpenAI در ۲ آوریل ۲۰۲۶، مدل کودکس (Codex) را به اعتبار توکنی منتقل کرد. کِرسور نیز سطح Pro+ را با قیمت ۶۰ دلار بین سطح Pro (۲۰ دلار) و Ultra (۲۰۰ دلار) اضافه کرد. حالا حسابداری توکن‌ها بخشی از شغل روزمره توسعه‌دهنده است.
ظهور IDEهای عامل‌محور
سهم بازار به سمت ابزارهایی می‌رود که از ابتدا برای عامل‌ها ساخته شده‌اند. کِرسور که توسط انیسفیر (Anysphere) اداره می‌شود، تا اواسط ۲۰۲۶ به درآمد سالانه تکرارشونده (ARR) ۲ میلیارد دلار رسید. رشد این ابزار انفجاری بود و از ۱۰۰ میلیون دلار در ژانویه ۲۰۲۵ به ۱ میلیارد دلار در اواسط همان سال رسید.
ترجیح توسعه‌دهندگان تغییر کرده است. طبق نظرسنجی جت‌برینز (JetBrains) از توسعه‌دهندگانی با بیش از ۱۰ سال تجربه، ۴۶٪ اکنون از کلود کد به عنوان ابزار روزانه استفاده می‌کنند، در حالی که سهم گیت‌هاب کوپایلت از ۶۷٪ به ۵۱٪ سقوط کرد. مایکروسافت در پاسخ، حالت عامل (Agent Mode)، پشتیبانی از کلید شخصی (Bring-your-own-key) و دسترسی به پروتکل آنتروپیک را به VS Code Insiders اضافه کرد.
تیم‌های واقعی به سمت استک‌های چندابزاری می‌روند. ابزارهای تکمیل خودکار برای تأخیر کم (زیر یک ثانیه) در سطح خطوط کد و ابزارهای عامل‌محور برای کارهای طولانی که چندین دقیقه زمان می‌برند و چندین فایل را درگیر می‌کنند، استفاده می‌شوند. این همگرایی یعنی اکثر تیم‌ها اکنون هم‌زمان از بیش از یک ابزار استفاده می‌کنند.
گسترش مدل عامل‌ها
این چرخش فراتر از محیط کدنویسی رفته است. در اوایل ۲۰۲۶، آنتروپیک کو-ورک (Cowork) را معرفی کرد؛ ابزاری که به عنوان «کلود کد برای محاسبات عمومی» توصیف می‌شود. این ابزار همان چرخه عامل را برای صفحات گسترده، مدیریت فایل و پیش‌نویس گزارش‌ها برای غیربرنامه‌نویس‌ها به کار می‌گیرد.
برای ترویج این مدل، آنتروپیک تور کنفرانس «کد با کلود» را برگزار کرد. این رویدادها در ۶ می در سان‌فرانسیسکو، ۱۹ می در لندن و ۱۰ ژوئن در توکیو برگزار شد. این تور نشان‌دهنده تغییر مدل کسب‌وکار بود: فروش عامل‌هایی که کل یک وظیفه را به پایان می‌رسانند و بر اساس مصرف صورت‌حساب می‌شوند، به جای لایسنس‌های ساده برای تکمیل خطوط کد.
علاوه بر این، راهنمای آنتروپیک برای مقیاس‌بندی کلود کد در پایگاه‌های کد سازمانی به منبع اصلی این حوزه تبدیل شده است. این موضوع یک اثر شبکه‌ای ایجاد کرده که در آن کتابخانه‌های مهارت‌های قابل استفاده مجدد، هزینه تغییر پلتفرم (Switching Costs) را برای سازمان‌ها بالا می‌برد.
جنگ سخت‌افزار: محلی در برابر ابری
در نمایشگاه کامپیوکس در ۱ ژوئن ۲۰۲۶، جنسن هوانگ، مدیرعامل انویدیا (Nvidia)، تراشه RTX Spark Superchip را معرفی کرد. این سیستم روی تراشه برای ماشین‌های ویندوزی طراحی شده تا استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند — را با عملکرد بالا به‌صورت محلی ممکن کند. هوانگ اعلام کرد انویدیا و مایکروسافت قصد دارند «PC را بازتعریف کنند».
استنتاج محلی، ریاضیات حریم خصوصی و هزینه را تغییر می‌دهد. NPUهای فعلی اینتل (Intel)، AMD و اپل (Apple) قدرتی بین ۴۰ تا ۵۰ TOPS دارند و کارهای کوچک را ۱۰ تا ۱۵ برابر بهینه‌تر از GPUها اجرا می‌کنند. این یعنی داده‌های حساس پزشکی، مالی یا حقوقی روی دستگاه می‌مانند و مشکل انطباق با قوانین را به یک ویژگی طراحی تبدیل می‌کنند.
در همین حال، غول‌های ابری برای کاهش وابستگی به انویدیا، سخت‌افزار خود را می‌سازند. بیش از ۶۰٪ نمونه‌های یادگیری ماشین AWS اکنون روی تراشه‌های آمازون مثل Inferentia و Trainium اجرا می‌شوند و Trainium3 برای مدل‌های تریلیون-پارامتری در دست توسعه است.
گوگل نیز در TPU 8i روی حافظه تمرکز کرده و SRAM روی تراشه را سه برابر کرده است تا حافظه‌های موقت (KV caches) طولانی مورد نیاز برای مدل‌های استدلالی (Reasoning Model) را مدیریت کند. این تراشه همچنین دارای یک موتور شتاب‌دهنده Collectives برای نمونه‌برداری سریع‌تر توکن‌ها و توپولوژی شبکه‌ای است که تأخیر all-to-all را برای بارهای کاری Mixture-of-Experts نصف می‌کند.
استنتاج تخصصی و زنجیره تأمین
استنتاج اکنون از آموزش جدا شده و مسابقه‌ای مستقل است. Groq 3 LPX انویدیا (پس از خرید ۲۰ میلیارد دلاری Groq در اواخر ۲۰۲۵) طراحی کم‌تأخیر را با پردازش انویدیا ترکیب می‌کند. حافظه به گلوگاه اصلی تبدیل شده است؛ مدل‌های استدلالی به حافظه‌های KV بزرگ نیاز دارند و ظرفیت و پهنای باند حافظه مهم‌تر از حداکثر FLOPS شده است. این موضوع در نمایشگاه CES ژانویه با پلتفرم‌های Rubin انویدیا و Helios ای‌ام‌دی مشهود بود.
ژئوپلیتیک نیز زنجیره تأمین را شکل می‌دهد. در ۱۴ ژانویه ۲۰۲۶، اداره صنعت و امنیت آمریکا سیاست مجوز تراشه‌های پیشرفته (H200 و MI325X) برای چین را از «پیش‌فرض رد» به «بررسی مورد به مورد» تغییر داد. این موضوع عدم قطعیت را برای استقرار بین‌المللی افزایش داد و سازندگان چینی را به سمت توسعه شتاب‌دهنده‌های داخلی در محدوده قیمت-عملکرد H20 سوق داد.
سخت‌افزار باز و چالش CUDA
حصار نرم‌افزاری انویدیا تحت فشار جایگزین‌های باز است. Tenstorrent شتاب‌دهنده‌های RISC-V را عرضه می‌کند و اینتل استک نرم‌افزاری باز خود را حول Gaudi حفظ کرده است. Gaudi 3 به‌طور خاص بازار حساس به قیمت را هدف قرار داده و ادعا می‌کند در استنتاج مدل‌های بزرگ، نسبت قیمت به عملکرد بهتری نسبت به قطعات قدیمی انویدیا دارد.
در لبه شبکه (Edge)، رقابت بر اساس نیاز به توان است. Jetson انویدیا با ۲۷۵ TOPS در جایگاه عملکرد بالا قرار دارد، اما مصرف برق آن برای دستگاه‌های باتری‌خور زیاد است. برای کارهای همیشه-روشن و کم‌مصرف، NPUهای اختصاصی در شاخص TOPS بر وات برنده هستند.
لوله‌کشی سیستم‌های عامل
برای جلوگیری از شکست کامل سیستم هنگام ناپدید شدن یک مدل، توسعه‌دهندگان به پروتکل‌های باز روی آورده‌اند. جامعه پروتکل کانتکست مدل (MCP) در ۱۴ و ۱۵ ژوئن ۲۰۲۶ در بمبئی گرد هم آمد. این تور جهانی شامل سئول، شانگهای، توکیو، تورنتو و نایروبی بود. رویدادهای بزرگی مثل AGNTCon و MCPCon برای سپتامبر در آمستردام و اکتبر در سن خوزه برنامه‌ریزی شده‌اند.
MCP اتصال عامل به ابزار را مدیریت می‌کند و اجازه می‌دهد یک مدل از طریق یک رابط واحد، فایل‌ها را بخواند یا دیتابیس‌ها را کوئری کند. در حال حاضر بیش از ۱۸,۰۰۰ سرور MCP ایندکس شده‌اند و دانلود SDKهای آن ماهانه به ده‌ها میلیون می‌رسد.
پیشرفت‌های کلیدی در مشخصات MCP شامل این موارد است:
- هسته بدون وضعیت (Stateless Core): حذف گلوگاه‌های نشست‌های چسبنده برای اتصال راحت‌تر عامل‌ها به مجموعه‌ای از سرورها بدون دردسرهای وضعیت.
- مدل وظایف (Tasks Model): مدیریت کارهایی که بیشتر از یک درخواست زمان می‌برند (دقایق یا ساعت‌ها)، مثل اسکن‌های بزرگ یا مراحل آموزش مدل.
- اپلیکیشن‌های MCP: امکان بازگرداندن سطوح تعاملی مثل نمودارها یا جداول فیلترشده به جای متن ساده.
- ترکیب بازگشتی: حرکت به سمت قابلیت «سرور-به‌عنوان-عامل»، جایی که سرورهای MCP می‌توانند سرورهای دیگر را فراخوانی کنند تا درختی از عامل‌ها بسازند.
هماهنگی و حاکمیت عامل‌ها
هماهنگی بین فروشندگان مختلف توسط پروتکل Agent2Agent (A2A) مدیریت می‌شود که توسط گوگل با بیش از ۵۰ شریک آغاز شد. A2A از «کارت‌های عامل» استفاده می‌کند؛ توصیف‌های ساختاریافته‌ای از قابلیت‌ها که اجازه می‌دهد عامل‌ها یکدیگر را در چارچوب‌های مختلف کشف و فراخوانی کنند. این کار مشکل ادغام N-در-M را با تبدیل کشف عامل به یک جستجوی ساده حل می‌کند.
هر دو پروتکل MCP و A2A اکنون تحت نظارت بنیاد AI عامل‌محور (Agentic AI Foundation) زیرمجموعه بنیاد لینوکس هستند. این حاکمیت بی‌طرف، قابلیت جابجایی لازم را به سازمان‌ها می‌دهد تا بدون بازنویسی کد، بارهای کاری خود را بین محیط‌های مختلف جابجا کنند.
برای تیم‌های داده، این یعنی یک عامل کوئری می‌تواند از طریق MCP به یک کاتالوگ برسد، کاتالوگ متادیتا را حل کند و یک لایه محاسباتی اسکن را اجرا کند — در حالی که همه با یک پروتکل صحبت می‌کنند. این روند، ادغام‌های پراکنده را به یک زیرساخت مشترک تبدیل می‌کند.
تحلیل: پایان حصار مدل
این هفته ثابت کرد که خودِ مدل، جای مناسبی برای ساختن یک حصار رقابتی نیست. اگر دولتی بتواند یک مدل شاخص را در یک عصر جمعه متوقف کند، تنها مزیت پایدار، لایه‌ای است که شما مالک آن هستید: مجموعه ارزیابی‌ها (Eval Suite)، کتابخانه گردش‌کار و دسترسی به داده‌ها.
برای خواننده، این بدان معناست که «استک AI» شما در واقع باید یک «استک انتزاعی» باشد.
جزئیات حیاتی برای پیاده‌سازی
برای بقا در برابر نوسانات مدل‌ها، سازندگان باید مکانیسم‌های زیر را به کار گیرند:
- لایه‌های انتزاعی: به جای سخت‌کد کردن رشته‌های نام مدل در پرامپت‌ها یا خطوط لوله CI، از یک لایه انتزاعی برای مسیریابی استفاده کنید.
- سیم‌کشی جایگزین (Fallback): یک مدل جایگزین تست‌شده را در هر مسیر عامل قرار دهید.
- ارزیابی‌های مستمر: مجموعه‌های ارزیابی را روی حداقل دو مدل اجرا کنید. وقتی فیبل ۵ ناپدید شد، تیم‌هایی با ارزیابی‌های قوی توانستند شکاف با Opus 4.8 را در یک ساعت بسنجند؛ دیگران مجبور به حدس زدن بودند.
- بازبینی قراردادها: توافق‌نامه‌های سازمانی را به‌روز کنید. بندهای قدیمی «قوه قهریه» اغلب بلایای طبیعی را پوشش می‌دهند، اما توقف مدل‌ها توسط دولت را خیر.
واقعیت‌های امنیتی و بهره‌وری
بهبود بهره‌وری واقعی است اما با چالش‌هایی همراه است. مطالعه‌ای توسط Veracode نشان داد ۴۵٪ از کدهای تولید شده توسط AI در تست‌های امنیتی شکست می‌خورند و ۶۲٪ دارای نقص‌های طراحی هستند. Snyk اشاره کرد که همان قابلیت‌های تحلیل کد که به تیم‌های امنیتی در خواندن باینری‌های مخرب کمک می‌کند، می‌تواند برای خواندن باینری‌های حساس استفاده شود و تنشی در نحوه دسترسی به مدل‌های آینده ایجاد کند.
در حالی که ۶۲٪ تیم‌ها گزارش داده‌اند که بهره‌وری آن‌ها در کدنویسی روتین حداقل ۲۵٪ افزایش یافته، هزینه‌های واقعی پس از محاسبه زمان بازبینی و بازنویسی، اغلب دو تا سه برابر هزینه اشتراک است. اکثر تیم‌های موفق، بازگشت سرمایه (ROI) را طی دو تا چهار سال به دست می‌آورند، نه در عرض چند هفته.
گام بعدی شما
- منتظر انتشار سیستم امتیازدهی اعتماد و امضای رسمی در ریجستری MCP باشید تا متوجه شوید کدام ابزارهای جامعه برای داده‌های عملیاتی ایمن هستند.
- قراردادهای خدمات سازمانی خود را بررسی کنید تا ببینید آیا بندهای «قوه قهریه» (Force Majeure) واقعاً توقف مدل‌ها توسط دولت را پوشش می‌دهند یا خیر.
- رصد کنید که آیا دولت آمریکا دلیل دقیق تعلیق فیبل ۵ را شفاف می‌کند یا خیر، زیرا این موضوع الگوی تمام عرضه‌های آینده مدل‌های پیشرو را تعیین می‌کند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو