۷۱٪ از عامل‌های هوش مصنوعی در شرکت‌ها تنها پوششی برای چت‌بات‌ها هستند

تصور کنید برای یک سیستم پیچیده انتقال صنعتی هزینه پرداخته‌اید، اما در عمل تنها از آن برای جابه‌جایی تک‌تک جعبه‌ها استفاده می‌کنید. این دقیقاً وضعیتی است که بسیاری از مدیران محصول امروز در مواجهه با عامل‌های هوش مصنوعی تجربه می‌کنند. ماشین‌آلات آماده‌اند، اما گردش‌های کاری همچنان ابتدایی هستند.

طبق گزارش ژوئن ۲۰۲۶ از Pulse Research متعلق به VentureBeat، حدود ۷۱٪ از سازمان‌ها اعتراف کرده‌اند که تنها ۲۵٪ یا کمتر از عامل‌های مستقر در آن‌ها، واقعاً گردش‌های کاری چندمرحله‌ای و سازمان‌یافته (Orchestrated Workflows) هستند. این یعنی اکثریت مطلق این سیستم‌ها در واقع در «تله‌ی چت‌بات» گیر کرده‌اند؛ یعنی مدل‌هایی که در واقعیت تنها پوشه‌هایی برای تک‌پرامپت‌ها (Single-prompt wrappers) هستند و توان استدلال پیچیده یا اجرای زنجیره‌ای از اقدامات را ندارند.

این وضعیت در حالی رخ می‌دهد که شرکت‌ها برای استانداردسازی زیرساخت‌های هوش مصنوعی خود عجله دارند. در حالی که فضای صنعت با وعده‌های مربوط به «کارگران خودگردان» (Autonomous Workers) پر شده است، پیاده‌سازی واقعی آن‌ها از زیرساخت‌های مورد نیاز عقب مانده است. همان‌طور که در تحلیل قبلی ما درباره‌ی مدیریت تنظیمات در Claude Code اشاره کردیم، سازمان‌ها اکنون دریافته‌اند که حاکمیت (Governance) بر داده‌ها و رفتار مدل‌ها، نیازمند یک لایه‌ی کنترلی (Control Plane) است که خودشان مالک آن باشند و بتوانند بر آن تسلط داشته باشند.

برای درک بهتر، عامل هوش مصنوعی (AI Agent) — شبیه کارمندی است که نه تنها حرف می‌زند، بلکه می‌تواند ابزارها را باز کند، تقویم را چک کند و یک پروژه را به پایان برساند — اما آنچه در بازار فعلی وجود دارد، بیشتر شبیه دستیاری است که فقط پاسخ می‌دهد و هیچ اقدامی در دنیای واقعی یا سیستمی انجام نمی‌کند.

متدولوژی و توزیع نمونه‌ها

پژوهش Pulse Research یک تصویر مقطعی (Cross-sectional snapshot) از رفتار فعلی صنعت ارائه می‌دهد. نمونه مورد بررسی شامل ۱۰۱ سازمان است که هر یک دارای ۱۰۰ کارمند یا بیشتر هستند. داده‌ها از یک موج واحد در ژوئن ۲۰۲۶ جمع‌آوری شده‌اند، به این معنی که این نتایج بازتاب‌دهنده یک لحظه خاص از زمان هستند و نه لزوماً روندهای ماهانه.

توزیع پاسخ‌دهندگان در گروه‌های اندازه سازمان به‌صورت متوازن پخش شده است:

• ۱۰۰ تا ۴۹۹ کارمند: ۲۱٪
• ۲,۵۰۰ تا ۹,۹۹۹ کارمند: ۲۱٪
• بیش از ۵۰,۰۰۰ کارمند: ۲۱٪
• ۱۰,۰۰۰ تا ۴۹,۹۹۹ کارمند: ۱۹٪
• ۵۰۰ تا ۲,۴۹۹ کارمند: ۱۹٪

نقش‌های حرفه‌ای و صنایع

تصمیم‌گیرندگانی که مورد پرسش قرار گرفته‌اند، افرادی در سطوح مدیریتی بالا و دارای اعتبار خرید هستند. مدیران محصول و مدیران برنامه ۱۵٪ از پاسخ‌دهندگان را تشکیل می‌دهند، در حالی که مدیران ارشد فناوری (CIO)، مدیران تکنولوژی (CTO) و مدیران امنیت اطلاعات (CISO) ۱۳٪ سهم دارند. مشاوران و راهنمایان ۱۳٪ دیگر را تشکیل می‌دهند و در کنار آن‌ها ترکیبی از مدیران و معاونان ارشد (VP) در حوزه‌های داده، هوش مصنوعی و مهندسی حضور دارند. در مجموع، ۸۱٪ از شرکت‌کنندگان در جایگاه توصیه کننده، اثرگذار یا تصمیم‌گیرنده نهایی هستند و ۱۵٪ آن‌ها مستقیماً تصمیم‌گیرنده نهایی بودجه و استراتژی هستند.

از نظر توزیع صنعتی، بخش فناوری و نرم‌افزار با ۴۴٪ پیشتاز است و پس از آن خدمات مالی با ۱۷٪ و حوزه بهداشت و علوم زیستی با ۸٪ قرار دارند.

سلطه‌ی «گرانش مدل»

به گزارش VentureBeat، سازمان‌دهی (Orchestration) عامل‌ها به‌شدت و با سرعت زیادی به دور تامین‌کنندگان مدل‌ها در حال تجمیع است. پلتفرم Claude متعلق به Anthropic با ۴۰٪ سهم بازار، پیشتازی قاطعی دارد و به عنوان لایه اصلی سازمان‌دهی برای اکثر سازمان‌ها استفاده می‌شود. این برتری بیش از دو برابر هر یک از رقبای دیگر است.

در رده‌های بعدی، Microsoft AI Foundry / Copilot Studio با ۱۸٪ و SDK عامل‌های OpenAI یا Responses API با ۱۳٪ قرار دارند. پلتفرم گوگل برای عامل‌های سازمانی ۸٪ و Amazon Bedrock Agents تنها ۲٪ سهم دارند. نکته جالب این است که چارچوب‌های متن‌باز محبوب مانند LangChain یا LangGraph در محیط‌های عملیاتی واقعی (Production) حاشیه هستند و تنها ۶٪ از کل نمونه‌ها از آن‌ها استفاده می‌کنند. ۵٪ پاسخ‌دهندگان در حال ساخت راهکارهای داخلی و سفارشی هستند و ۳٪ هنوز هیچ‌گونه سازمان‌دهی را آغاز نکرده‌اند.

دلیل این اتفاق پدیده‌ای به نام «گرانش مدل» (Model Gravity) است. ۲۱٪ خریداران پلتفرمی را انتخاب می‌کنند چون با مدل بنیادی (Foundation Model) — یعنی مدل عظیم اولیه‌ای که مانند یک دایره‌المعارف جامع است و پایه و اساس بقیه مدل‌ها می‌شود — سازگاری بومی و مستقیم دارد.

دیگر عوامل تاثیرگذار در روند انتخاب پلتفرم عبارتند از:

• انعطاف‌پذیری در استفاده از مدل‌ها و ابزارهای مختلف (۱۷٪)
• سهولت در توسعه و پیاده‌سازی (۱۷٪)
• امنیت و مدیریت دسترسی‌ها (۱۴٪)
• هزینه کل مالکیت یا TCO (۱۱٪)
• کنترل بر نحوه اجرای عامل (۱۰٪)
• عملکرد (Performance) مانند تأخیر (Latency) و حافظه، با تنها ۴٪ اثر، کم‌اثرترین عامل بودند.

با وجود این تسلط، رضایت کاربران موقتی است. پاسخ‌دهندگان به پلتفرم‌های خود امتیاز کلی ۳.۹۴ از ۵ داده‌اند. در حالی که «ارزش در برابر قیمت» نیز امتیاز ۳.۹۴ گرفت، «سهولت پیاده‌سازی» با امتیاز ۳.۸۵ ضعیف‌ترین حلقه بود. این امتیاز lukewarm (نیم‌سوز) با این واقعیت تکان‌دهنده همراه است که ۹۶٪ کاربران قصد دارند رویکرد سازمان‌دهی خود را ظرف یک سال تغییر دهند.

شکاف قابلیت اطمینان

سازمان‌ها موفقیت خود را بر اساس دو معیار اصلی می‌سنجند: قابلیت اطمینان در تکمیل وظایف (۳۲٪) و مدیریت گردش‌های کاری چندمرحله‌ای (۲۸٪). این دو معیار را मिलाकर ۵۹٪ از کل معیارهای موفقیت را تشکیل می‌دهند. سایر معیارها شامل بهره‌وری توسعه‌دهندگان (۱۷٪)، تجربه کاربر نهایی (۹٪) و پایداری عملیاتی (۹٪) است.

اما واقعیت استقرار بسیار تلخ و صریح است و «تله‌ی چت‌بات» در همه جا جاری است:

• ۶۲٪ شرکت‌ها می‌گویند تنها ۱ تا ۲۵٪ از عامل‌هایشان واقعاً عملیات سازمان‌دهی (Orchestration) را انجام می‌دهند.
• ۱۹٪ می‌گویند ۲۶ تا ۵۰٪ از پورتفولیوی آن‌ها به معماری‌های حالت‌دار (Stateful) و سازمان‌یافته منتقل شده است.
• ۹٪ پاسخ‌دهندگان صراحتاً اعتراف می‌کنند که ۰٪ از استقرار آن‌ها عامل واقعی است و همه سیستم‌ها صرفاً پوششی برای پرامپت‌ها هستند.
• تنها ۷٪ دارای خط‌لوله‌های (Pipelines) پیچیده چند-عاملی (۵۱ تا ۷۵٪) هستند.
• فقط ۳٪ به سیستم‌های پیشرفته و عمدتاً خودگردان (۷۶ تا ۱۰۰٪) دست یافته‌اند.

این شکاف در بازار متوسط (Mid-market) بسیار شدیدتر است؛ ۷۷٪ سازمان‌های کوچک‌تر در تله چت‌بات گیر کرده‌اند، در حالی که این عدد برای سازمان‌های بزرگ ۶۲٪ است. این نشان می‌دهد سازمان‌های بزرگ‌تر به‌طور معناداری در استقرار واقعی سیستم‌های چندمرحله‌ای پیشروتر هستند.

معماری ترس: فرار از وابستگی

به دلیل بی‌اعتمادی به اتکای کامل به یک تامین‌کننده واحد، سازمان‌ها در حال ساخت «لایه‌های کنترلی ترکیبی» (Hybrid Control Planes) هستند. طبق اعلام شرکت‌ها، تا پایان سال ۲۰۲۶، ۵۱٪ آن‌ها ترکیبی از ابزارهای بومی تامین‌کننده و سازمان‌دهنده‌های خارجی را به کار خواهند برد.

فقط ۶٪ سازمان‌ها برنامه‌ای دارند که کنترل کامل را به یک سرویس مدیریت‌شده توسط تامین‌کننده بسپارند. دلیل اصلی این احتیاط، ترس از «وابستگی به تامین‌کننده» (Vendor Lock-in) است که ۳۵٪ پاسخ‌دهندگان آن را به عنوان ریسک اصلی ذکر کردند. سایر نگرانی‌ها شامل محدودیت‌های امنیتی و دسترسی‌ها (۲۸٪) و عدم انعطاف‌پذیری در تغییر مدل‌ها و ابزارها (۲۱٪) است.

این دیدگاه در حال تغییر سریع است. در یک نظرسنجی در ماه‌های آوریل و می، تنها ۳۴٪ انتظار لایه ترکیبی داشتند و ۱۲٪ مایل به استفاده از سرویس‌های مدیریت‌شده بودند. اما تا ژوئن، خواهان کنترل ترکیبی به ۵۱٪ جهش کرد و ریسک وابستگی (Lock-in) از دومین ریسک نگرانی (۲۴٪) به ریسک اصلی (۳۵٪) تبدیل شد.

نقشه‌های راه برای سال ۲۰۲۷

حرکات استراتژیک برای ۱۲ ماه آینده تقریباً به‌طور مساوی بین سه اولویت تقسیم شده است:
۱. سفارشی‌سازی (۲۵٪): افزایش سرمایه‌گذاری روی لایه‌های کنترلی سازمان‌دهی داخلی و سفارشی.
۲. استانداردسازی (۲۴٪): استانداردسازی روی یک چارچوب مرکزی و واحد.
۳. عملیاتی‌سازی (۲۳٪): فشار برای انتقال عامل‌ها از محیط‌های آزمایش (Sandbox) به محیط تولید واقعی (Full Production).

سایر تغییرات شامل ۹٪ حرکت به سمت معماری‌های آماده و بومی‌شده (Turnkey) و ۸٪ تقسیم بین خودمختاری بومی مدل و چارچوب‌های خارجی است. تنها ۴٪ انتظار هیچ تغییری در استراتژی خود را ندارند.

جریان سرمایه و خطر مالی

سرمایه‌گذاری در حال حاضر به دنبال «قابلیت اطمینان» است. ۳۴٪ از بودجه‌های در حال رشد به ابزارهای گردش‌کار عامل‌ها (Agent Workflow Tooling) اختصاص یافته است که نشان می‌دهد اولویت بسیار بالایی برای تکمیل وظایف چندمرحله‌ای قائل هستند.

سایر حوزه‌های رشد بودجه عبارتند از:

• اجرای امنیت و کنترل دسترسی‌ها (۲۵٪)
• زیرساخت برای مقیاس‌بندی عامل‌ها (۲۰٪)
• نظارت و عیب‌یابی عامل‌ها (۱۱٪)

همچنین ۱۱٪ از شرکت‌ها بودجه‌های ثابت (Flat) را گزارش کرده‌اند. وزن زیاد بودجه روی ابزارها و دسترسی‌ها نشان می‌دهد شرکت‌ها بیشتر هزینه می‌کنند تا ماشین‌آلات را برای محیط تولید سخت‌کردن (Harden) کنند، تا اینکه روی قابلیت مشاهده (Observability) تمرکز کنند.

اما یک نقطه ضعف بحرانی در کنترل مالی وجود دارد: ۲۷٪ سازمان‌ها هیچ راهی برای توقف لحظه‌ای (Real-time) یک «عامل فراری» ندارند که توکن‌ها را می‌بلعد و بودجه را می‌سوزاند، تا اینکه صورت‌حساب نهایی برسد و آن‌ها به‌صورت واکنشی (Reactive) متوجه هزینه شوند.

سایر روش‌های کنترل هزینه شامل موارد زیر است:

• کنترل‌های بومی پلتفرم (۳۲٪): استفاده از سقف‌های بودجه داخلی و محدودسازی نرخ (Throttling).
• لوله‌کشی‌های درگاه سفارشی (۲۳٪): ساخت میان‌افزارهای پروکسی را برای متوقف کردن اجراهای runaway.
• آربیتراژ مسیریابی پویا (۱۹٪): انتقال کارهای سنگین به مدل‌های ارزان‌قیمت‌تر.

این عدم بلوغ مالی بازتابی از شکاف در استقرار است. بازار متوسط به‌ویژه در معرض خطر است؛ ۳۴٪ شرکت‌های زیر ۲,۵۰۰ کارمند صرفاً به نظارت واکنشی هزینه متکی هستند، در حالی که این عدد در شرکت‌های بزرگ ۲۰٪ است.

تحلیل: پارادوکس زیرساخت

ما شاهد یک «پارادوکس زیرساخت» هستیم. سازمان‌ها میلیون‌ها دلار روی لایه‌های سازمان‌دهی و صفحات کنترلی ترکیبی هزینه می‌کنند تا پورتفولیویی از عامل‌ها را مدیریت کنند که در واقعیت هنوز وجود ندارند.

برای یک رهبر کسب‌وکار، این بدان معناست که تحول «هوش مصنوعی عامل‌محور» (Agentic AI) در حال حاضر بیشتر یک تمرین برای آماده‌سازی است تا اجرا. در این مسیر، مدیریت پیچیدگی‌های عملیاتی حیاتی است؛ به‌طوری که مدل Team Topologies می‌تواند با بهینه‌سازی ساختار تیم‌ها، بار شناختی را از دوش کاربران در پلتفرم‌های عامل‌محور بگیرد و مسیر استقرار را هموار کند. ریسک اصلی، شکست تکنولوژی نیست، بلکه شکاف بین ROI (بازگشت سرمایه) وعده‌ داده شده برای عامل‌های خودگردان و واقعیتِ چت‌بات‌های سطح‌بالاست.

شرکت‌ها با ساخت لایه‌های ترکیبی در حال حاضر، در واقع در حال پوشش ریسک (Hedging) هستند. آن‌ها محدودیت‌های فعلی تامین‌کنندگان مدل را می‌پذیرند اما تضمین می‌کنند که وقتی یک چارچوب عامل واقعاً خودگردان و قابل اطمینان ظهور کرد، بتوانند سریعاً تغییر مسیر دهند. آن‌ها لایه کنترلی را اکنون می‌سازند تا زمانی که عامل‌ها بالاخره از مرحله تک-پرامپت عبور کنند، زیرساخت آماده باشد.

گام بعدی شما

• منتظر ظهور «درگاه‌های عامل» (Agent Gateways) باشید که کلیدهای قطع اضطراری (Kill-switches) مالی و امنیتی را به‌صورت لحظه‌ای فراهم می‌کنند؛ چیزی که ۲۷٪ سازمان‌ها فعلاً فاقد آن هستند.
• برای سنجش واقعی عامل خود، یک وظیفه با وابستگی سه مرحله‌ای (که خروجی مرحله اول پیش‌نیاز مرحله دوم و سوم باشد) طراحی کرده و سعی کنید منطق آن را با ورودی‌های متناقض به هم بریزید تا میزان قابلیت اطمینان آن را بسنجید.

این تنها آغاز ماجراست؛ اثر موج‌گونه‌ی این چرخش به سمت لایه‌های کنترلی ترکیبی بر بازار ابزارهای متن‌باز را در گزارش بعدی بررسی خواهیم کرد.