تصور کنید مدیر محصولی هستید که می‌داند دقیقا چه اتفاقی در ماه گذشته افتاده، اما هیچ ایده‌ای ندارد که آیا قانون جدید اتحادیه اروپا قیمت خدماتش را در شش ماه آینده تغییر می‌دهد یا خیر. این همان شکافی است که اکثر تیم‌های عملیاتی با آن دست‌وپنجه نرم می‌کنند: تفاوت میان دانستن آنچه رخ داده و پیش‌بینی آنچه در پیش است. داشتن کوهی از داده‌های گذشته در حالی که چشم‌هایشان روی آینده بسته است.
بیشتر سازمان‌ها برای تصمیم‌گیری به شاخص‌های کلیدی عملکرد (KPI) در داشبوردهای سنتی تحلیل داده (BI) تکیه می‌کنند. اما طبق گزارش Inithouse، هیچ ابزار موجودی نمی‌توانست به پرسش‌های آینده‌نگرانه درباره حرکت رقیبان یا تغییرات رگولاتوری پاسخ دهد. برای پر کردن این خلأ، این شرکت ابزار Watching Agents را توسعه داد.
این استودیو که سبدی از محصولات هوش مصنوعی را عرضه می‌کند، متوجه شد با وجود دسترسی به قیف‌های GA4، نقشه‌های حرارتی Clarity و گزارش‌های گوگل ادز، همچنان در برابر آینده کور است. آن‌ها با پرسش‌هایی مثل «آیا رگولاتوری X در اتحادیه اروپا بر مدل قیمت‌گذاری ما تأثیر می‌گذارد؟» یا «آیا رقیب Y در آستانه عرضه یک سطح دسترسی رایگان (Free Tier) است؟» مواجه بودند. هیچ داشبوردی پاسخی برای این‌ها نداشت؛ چون داشبوردها اساساً برای تحلیل آینده ساخته نشده‌اند.
همان‌طور که در تحلیل قبلی ما درباره‌ی اتوماسیون پیش‌بینی‌ها اشاره کردیم، این رویکرد اذعان دارد که پشته‌های داده‌ای فعلی کاملاً واکنشی هستند. ابزارهایی مثل Grafana، Datadog، Looker یا Power BI تنها زمانی هشدار می‌دهند که یک معیار مشخص از حد مجاز عبور کند. این سیستم‌ها برای سیگنال‌های کمی (Quantitative) و قوانینی که از پیش تعریف شده‌اند عالی هستند؛ مثلاً زمانی که درآمد از یک هدف خاص پایین‌تر می‌رود یا نرخ پرش (Bounce Rate) از حد معینی فراتر می‌رود. با این حال، آن‌ها نمی‌توانند متغیری را ردیابی کنند که هنوز در هیچ پایگاه‌داده‌ای وجود ندارد. این چالش‌ها باعث می‌شود بسیاری از کسب‌وکارها متوجه شوند که زیرساخت‌های فعلی تجارت الکترونیک ممکن است پاسخگوی نیاز عامل‌های هوشمند نباشند و نیاز به بازنگری در معماری داده‌ای خود داشته باشند.
به نقل از مستندات این شرکت، از ۱۶ ژوئیه ۲۰۲۶، Watching Agents نه به عنوان جایگزین پشته گرافانا، بلکه به عنوان یک سیستم موازی در کنار آن قرار می‌گیرد. برای مثال، در حالی که یک داشبورد زمان پاسخگویی سرور را رصد می‌کند (مثلاً اگر از ۲۰۰ میلی‌ثانیه بیشتر شود)، یک عامل (Agent) — شبیه دستیاری که ۲۴ ساعته اخبار دنیا را می‌خواند تا تغییرات کوچک را گزارش کند — بررسی می‌کند که آیا یک الزام در حال بررسی در «قانون هوش مصنوعی اتحادیه اروپا»، جریان احراز هویت شرکت را تا ۶ ماه دیگر غیرقانونی می‌کند یا خیر.
سازوکار پیش‌بینی
این پلتفرم یک پرسش به زبان طبیعی را به یک فرآیند نظارتی زنده تبدیل می‌کند. اگر کاربر بپرسد «آیا گوگل تا پایان ۲۰۲۶ کوکی‌های شخص ثالث را در کروم حذف می‌کند؟»، عامل مراحل زیر را طی می‌کند:
- تولید فرضیه: عامل ۳ تا ۵ سناریوی متمایز ایجاد می‌کند (مثلاً «بله با زمان‌بندی X»، «بله اما با تأخیر»، یا «خیر و دلایل آن این است»).
- جمع‌آوری شواهد: جست‌وجوی لحظه‌ای و پیمایش (Crawl) در اخبار، اسناد سیاستی و تالارهای گفتگو برای یافتن داده‌های پشتیبان.
- امتیازدهی احتمال و اطمینان: هر فرضیه یک امتیاز احتمال (Probability - میزان احتمال وقوع) و امتیاز اطمینان (Confidence - میزان شواهد موجود برای آن فرضیه) می‌گیرد. این امتیازها با ظهور هر اطلاعات جدید به‌روز می‌شوند. در این راستا، جزئیات بیشتری درباره چگونگی محاسبه احتمال وقوع پیش‌بینی‌ها توسط این عامل‌ها در تحلیل‌های فنی ما منتشر شده است.
- هشدار پویا: کاربر به جای دریافت هشدار «عبور از حد عددی»، پیامی دریافت می‌کند با این مضمون که «چشم‌انداز شواهد پیرامون پرسش شما تغییر کرد». در حالی که یک هشدار داشبورد می‌گوید «معیاری از آستانه عبور کرد»، هشدار عامل نظارتی می‌گوید «داده‌های محیطی پیرامون سؤال شما تغییر کرده است».
یکپارچگی عملیاتی
Inithouse این ابزار را ابتدا برای مدیریت محصولات خودش، از جمله ابزار visibility هوش مصنوعی با نام Be Recommended، توسعه داد. طبق اعلام تیم توسعه، آن‌ها می‌توانستند نرخ ارجاعات روزانه را در موتورهای هوش مصنوعی ردیابی کنند، اما سیستمی نداشتند که پیش‌بینی کند آیا این الگوها به دلیل یک به‌روزرسانی ناگهانی در مدل یا تغییر سیاست‌های کلی تغییر می‌کنند یا خیر. داده‌های موجود همیشه رو به عقب (Backwards-looking) بود. این تمرکز بر بهبود تجربه کاربر در کنار ابزارهای پیش‌بینی، یادآور تجربه آن‌ها در مدیریت تعاملات است که در آن محدودیت‌های باینری توانستند نرخ بازگشت کاربران به عامل‌های هوش مصنوعی را افزایش دهند.
یک اثر جانبی غیرمنتظره این پلتفرم، ایجاد عامل‌های عمومی بود. هر عاملی که مستقر شود می‌تواند عمومی باشد؛ به این معنا که صفحه آن عامل — شامل تمام فرضیات و ردپای شواهد — به محتوایی تبدیل می‌شود که توسط موتورهای جست‌وجو ایندکس شود. اگرچه این هدف اولیه پروژه نبود، اما اکنون یک کانال کشف محتوا ایجاد کرده است که شامل صدها سند زنده درباره پرسش‌های خاص پیرامون آینده است.
چه زمانی از کدام ابزار استفاده کنیم؟
- داشبوردها: وقتی معیار کمی است و از قبل جمع‌آوری شده، نیاز به خطوط روند تاریخی دارید، یا آستانه‌های هشدار کاملاً واضح هستند (مثلاً آپ‌تایم کمتر از ۹۹.۹٪).
- عامل‌های نظارتی: وقتی پرسش درباره اتفاقی است که هنوز رخ نداده، نمی‌دانید دقیقاً چه معیاری را رصد کنید، یا پاسخ به عوامل خارجی مثل جابجایی‌های بازار و تغییرات رگولاتوری بستگی دارد.
این تغییر، نقش تحلیل‌گر را از به‌روزرسانی دستی خبرنامه‌ها و مطالعه مقالات پژوهشی به مدیریت ناوگانی از ناظران خودمختار تبدیل می‌کند. در واقع، فرض بنیادین نظارت از «شمارش دانسته‌ها» به «امتیازدهی به نادانسته‌ها» تغییر می‌کند.
اگر در حال ردیابی یک وابستگی خارجی حساس (مانند تغییر قوانین یا رقبای کلیدی) هستید، اکنون می‌توانید یک عامل اختصاصی در watchingagents.com تعریف کنید تا تغییرات امتیاز احتمال/اطمینان (Prob/Conf) آن رویداد را رصد کنید.
گام بعدی شما
- اگر وابستگی‌های خارجی حساس دارید، یک عامل اختصاصی در watchingagents.com تعریف کنید.
- تفاوت میان «هشدار عددی» و «تغییر چشم‌انداز شواهد» را در گردش‌کارهای خود تعریف کنید.
- بررسی کنید کدام پرسش‌های استراتژیک سازمان شما در حال حاضر در هیچ داشبوردی پاسخ داده نمی‌شوند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو