اختیارات تفویض‌شده در برابر خودمختاری کامل برای عامل‌های هوش مصنوعی

تصور کنید به‌جای اینکه ساعت‌ها وقت خود را صرف کپی کردن متن بین پنجره‌های مختلف چت کنید، مانند یک مدیرعامل استراتژیک، دستورات را به تیمی از متخصصان دیجیتال ابلاغ کنید. اگر هنوز از هوش مصنوعی به‌عنوان یک چت‌باکس ساده استفاده می‌کنید، در واقع خودتان را به یک «لایه واسط گوشتی» (meat-based integration layer) تبدیل کرده‌اید که تنها وظیفه‌اش جابه‌جایی داده‌هاست.

به نقل از مقاله‌ای مفصل که در ۱۷ اکتبر ۲۰۲۶ در dev.to منتشر شد، یک معمار نرم‌افزار استراتژی خود را از «گفتگو با مدل» به مدیریت یک شرکت مصنوعی (Synthetic Company) تغییر داده است. او توصیف می‌کند که در این گردش‌کار، انسان‌ها دیگر به‌عنوان یک گذرگاه پیام‌های دستی (manual message bus) بین مدل‌های زبانی بزرگ (LLM) عمل نمی‌کنند، بلکه به نقش استراتژیک مدیرعامل منتقل می‌شوند.

این تغییر در حالی رخ می‌دهد که صنعت از مرحله‌ی ساده‌ی «پرامپت‌نویسی» به سمت «جریان‌های کاری عامل‌محور» (Agentic Workflows) حرکت می‌کند. در حال حاضر، اکثر کاربران با هوش مصنوعی مانند یک کارآموز دیجیتال رفتار می‌کنند و خروجی‌ها را به‌صورت دستی از یک پنجره چت به پنجره‌ای دیگر کپی می‌کنند. این رفتار یک گلوگاه جدید ایجاد کرده است: اکنون توجه و قضاوت انسان است که به عامل محدودکننده تبدیل شده است، نه ظرفیت هوش مصنوعی برای تولید کد یا متن. گلوگاه از «ظرفیت» (جایی که کارهای زیادی برای ساخت وجود داشت اما نیروی انسانی کم بود) به «توانایی انسان در جابه‌جایی بستر (Context) بین سیستم‌ها، خواندن خروجی‌ها و تولید دستور بعدی بدون اینکه فرآیند از مسیر خود منحرف شود» تغییر یافته است.

زمینه: هیولای بهره‌وری

نویسنده مقاله از وسواسی مادام‌العمر در زمینه بهره‌وری صحبت می‌کند؛ اما تأکید دارد که منظور او «فرهنگ بهره‌وری» رایج، مانند حمام‌های یخ در ساعت ۵ صبح، نوشتن خاطرات روزانه یا قهوه‌های کره شده نیست. او این نوع بهره‌وری را برای افرادی می‌داند که «قبل از صبحانه سه کتاب صوتی خودیاری گوش می‌دهند» و آن را رد می‌کند. در مقابل، بهره‌وری او یک کارایی عملی و تحت فشار است که از مدیریت هم‌زمان سه قرارداد نرم‌افزاری و یک میز معاملاتی (Trading Desk) به دست آمده است.

این محیط کاری مستلزم مدیریت توسعه‌دهندگان دورکار، الگوریتم‌ها و جریان‌های متعدد کاری تحت ضرب‌الاجل‌های غیرممکن بود. نویسنده حالت ایده‌آل خود را به یک «کنترل‌کننده ترافیک هوایی با دوز بالای کافئین» تشبیه می‌کند؛ کسی که به‌طور هم‌زمان پنج نمایشگر، هفتاد تب مرورگر، یک پرامپت نیمه‌تمام، یک مشکل نرم‌افزاری، یک پیش‌نویس در Substack و یک ایده تجاری را مدیریت می‌کند.

برای سال‌ها، نویسنده برای رام کردن این هرج‌ومرج به KanbanFlow تکیه می‌کرد. او از این سیستم برای همه چیز استفاده می‌کرد؛ از وظایف نرم‌افزاری و امور اداری زندگی گرفته تا نیازهای اولیه بقا مانند آبیاری گیاهان و خوردن ناهار. نویسنده اشاره می‌کند که بدون چنین سیستمی، یک مغز دارای ADHD ممکن است در ساعت ۱۱:۳۰ صبح مجذوب یک جزئیات کوچک در پیاده‌سازی شود و تنها زمانی متوجه شود که ساعت ۴:۴۵ عصر شده است که شروع به احساس ضعف کند و از همه متنفر شود.

وقتی هوش مصنوعی از راه رسید، او یک «هیولای بهره‌وری» خلق نکرد، زیرا نویسنده از قبل یکی بود. در عوض، هوش مصنوعی به آن هیولا «کارمند» داد. این امر منجر به ایجاد یک شرکت مصنوعی شد که در آن نویسنده می‌توانست قصد کلی خود را دیکته کند، آن را به یک پرامپت تبدیل نماید و سپس از طریق خط لوله‌ای از عامل‌های متخصص عبور دهد.

نمودار سازمانی مصنوعی

نویسنده اکنون ناوگانی از عامل‌های نام‌گذاری‌شده را مدیریت می‌کند که هر کدام نقش متمایز و ابزارهای خاص خود را دارند. این دیگر صرفاً استفاده از یک «دستیار» نیست، بلکه مدیریت یک نیروی کار است که در آن یک هوش مصنوعی به‌عنوان معمار، یکی به‌عنوان مجری و دیگری به‌عنوان متصدی تضمین کیفیت (QA) عمل می‌کند. او خاطرنشان می‌کند که استفاده از واژه «دستیار» اغلب تلاشی است تا استخدام کارآموزان دیجیتال نامرئی، آرام‌بخش‌تر به نظر برسد.

• Henry (Claude): به‌عنوان معمار ارشد عمل می‌کند. او کارها را تجزیه می‌کند، معماری را به چالش می‌کشد و این خدمت ارزشمند را ارائه می‌دهد که به انسان بگوید چه زمانی یک ایده «احمقانه» است. او همچنین به‌عنوان مدیر برای سایر عامل‌ها عمل می‌کند، مثلاً پرامپت‌هایی برای کنترل از راه دور Maths-Claude می‌سازد.
• Margo (ChatGPT): پروژه‌های خاص را رهبری می‌کند و مسئول زبان، لحن و بازبینی خروجی‌های عمومی است.
• Mini-Claude: توده‌ای از نمونه‌ها (Instances) که درون Visual Studio Code زندگی می‌کنند و بخش اعظم کارهای اجرایی و پیاده‌سازی را بر عهده دارند.
• Maths-Claude: یک نمونه تخصصی که در محیط اکسل فعالیت می‌کند. او اغلب توسط هنری کنترل می‌شود تا آمار خوانندگان را به‌روز کند و معیارهای سطح بالا (High-line metrics) را درباره منابع ارائه دهد.
• Pizzazz-Claude: عاملی تخصصی که در پاورپوینت مستقر است تا زیبایی‌شناسی ارائه‌ها را مدیریت کند.
• Unit Test Goblin: متمرکز بر نوشتن تست‌ها برای تضمین پایداری سیستم.
• Antagonistic Tester: به‌طور خاص وظیفه دارد به نتایج حمله کند تا نقاط شکست را بیابد.
• Release Clerk: مسئول بسته‌بندی نهایی خروجی‌ها و تحویل آن‌هاست.

از لجن چت تا دستور کارهای اجرایی

مشکل اصلی تعاملات فعلی با هوش مصنوعی، چیزی است که نویسنده آن را «لجن چت» (Chat Sludge) می‌نامد؛ تمایل به این است که تصمیمات حیاتی در تاریخچه‌های طولانی و عمودی چت ناپدید شوند. نویسنده از استرس یادآوری این موضوع می‌گوید که «هنری چیز مفیدی درباره تغییر طرح‌واره (Schema) گفته بود»، اما در حالی که Mini-Claude منتظر است، Margo بیکار نشسته و سگ در گوشه اتاق به یک اسباب‌بازی حمله می‌کند، او نمی‌تواند آن پیام را پیدا کند. او این وضعیت را به «گشتن در تاریخچه چت مانند یک راکون در سطل زباله» تشبیه می‌کند.

برای حل این مشکل، نویسنده در حال ساخت Relay است؛ یک کابین خلبان (Cockpit) که طراحی شده تا با کارهای هوش مصنوعی به‌جای گفتگو، به‌عنوان «داده‌های سازمانی ساختاریافته» برخورد کند. Relay کار را از پنجره چت خارج کرده و به سیستمی از پروژه‌ها، مأموریت‌ها و دستور کارهای اجرایی منتقل می‌کند. این کار باعث می‌شود خروجی‌ها دارای حافظه، وضعیت (State)، نقش و مرز باشند.

سیستم Relay کارها را در یک سلسله‌مراتب خاص سازماندهی می‌کند:

• پروژه‌ها (Projects): حوزه‌های بلندمدت مانند «Become»، «Relay»، «بازاریابی» یا «امور اداری شخصی».
• مأموریت‌ها (Missions): کمپین‌های خاصی که در دل یک پروژه قرار دارند.
• دستور کارهای اجرایی (Work Orders): وظایف تفویض‌شده‌ی مشخص.
• مصنوعات (Artefacts): خروجی‌های ماندگار شامل پرامپت، تغییرات کد (Diff)، بازبینی، تصمیمات یا طرح تست.

در Relay، «داستان کاربر» (User Story) با «دستور کار» جایگزین می‌شود. در حالی که داستان کاربر در واقع پرامپتی برای گفتگو میان انسان‌هاست، یک دستور کار یک دستور قابل اجراست که شامل موارد زیر است:

• هدف و بستر (Objective and Context): هدف مشخص و اطلاعات پس‌زمینه‌ای مورد نیاز.
• نقش و ورودی‌ها (Role and Inputs): نقش عامل تعیین‌شده و داده‌های ورودی لازم.
• محدودیت‌ها (Constraints): مرزهای سخت‌گیرانه درباره اینکه عامل چه کارهایی را می‌تواند بدون اجازه انجام دهد و به چه چیزهایی نباید دست بزند.
• منطق ارجاع (Escalation Logic): قوانین روشن درباره اینکه عامل چه زمانی باید متوقف شود و موضوع را به انسان ارجاع دهد.
• مصنوعات (Artefacts): خروجی ماندگار و تعریفی دقیق از «پایان کار» (Definition of Done).

اصل اختیارات تفویض‌شده

نویسنده استدلال می‌کند که هدف برای هوش مصنوعی، «خودمختاری» (Autonomy) به معنای علمی-تخیلی نیست، بلکه «اختیارات تفویض‌شده» (Delegated Authority) است. در یک شرکت واقعی، کارکنان کاملاً خودمختار نیستند؛ بلکه آن‌ها مجازند در یک نقش، محدوده، بودجه، مرز ریسک و مسیر ارجاع مشخص عمل کنند. عامل‌های هوش مصنوعی نیز به همین اختیارات محدود، خسته‌کننده و بازگشت‌پذیر نیاز دارند.

اعتماد در این سیستم یک ویژگی شخصیتی کلی یا یک «حس» (Vibe) نیست، بلکه یک قابلیت اثبات‌شده در یک دسته‌بندی خاص است. نویسنده تأکید می‌کند که اعتماد در یک دسته به دسته دیگر منتقل نمی‌شود؛ یک نویسنده خوب صرفاً به این دلیل که از استعاره‌های زیبایی استفاده می‌کند، به یک مدیر پایگاه‌داده تبدیل نمی‌شود.

• Margo ممکن است در لحن و نوشتار مورد اعتماد باشد، اما این او را به یک مدیر پایگاه‌داده تبدیل نمی‌کند.
• Mini-Claude می‌تواند در تغییرات کنترل‌شده کد و تست‌های واحد مورد اعتماد باشد.
• Henry می‌تواند در معماری و تجزیه کارها مورد اعتماد باشد.

عامل‌ها باید اختیارات تفویض‌شده را در طول زمان به دست آورند. هدف ایجاد یک لایه حاکمیتی است که بپرسد آیا عامل دستورالعمل را دنبال کرده، در محدوده مانده و بار انسان را کاهش داده است یا صرفاً نیاز به پاک‌سازی بیشتری ایجاد کرده است. اعتماد نمی‌تواند بر این اساس باشد که «مارگو یک بار یک پاراگراف زیبا نوشت».

بازتعریف Agile برای غیرانسان‌ها

این مدل، مفروضات اصلی توسعه چابک (Agile) را برهم می‌زند. Agile برای همکاری انسان‌ها در شرایط عدم قطعیت ساخته شد، جایی که داستان‌های کاربر یادگیری و گفتگو را تسهیل می‌کنند. با این حال، عامل‌های هوش مصنوعی سریع‌تر و ارزان‌تر از انسان‌ها حرکت می‌کنند، به‌صورت موازی کار می‌کنند و نیازی به ناهار ندارند، اما در عین حال بسیار لفظ‌گرا (Literal-minded) هستند و مستعد تولید «مزخرفات با فرمت زیبا» می‌باشند.

از نظر تاریخی، نیازمندی‌های دقیق گران بودند زیرا انسان‌ها باید آن‌ها را می‌نوشتند و نگهداری می‌کردند، به همین دلیل Agile در واکنش به آن‌ها شکل گرفت. اما هوش مصنوعی اقتصادِ «مشخصات» (Specification) را تغییر می‌دهد. اکنون AI می‌تواند به نوشتن دستور کار، تجزیه مأموریت، نگهداری مصنوعات و بررسی نقادانه (Red-teaming) نتایج کمک کند. سوال دیگر این نیست که «چقدر می‌توان کمتر نوشت»، بلکه این است که «چه سطحی از ساختار اجازه می‌دهد کارگران AI بدون نیاز به نظارت اداری تمام‌مدت، به‌صورت ایمن حرکت کنند».

به‌جای مدل «انسان در حلقه» (Human-in-the-loop) — که اغلب انسان را به یک گلوگاه تبدیل می‌کند — نویسنده مدل «ارجاع در موارد استثنا» (Escalation by Exception) را پیشنهاد می‌کند. مدیرعامل انسانی تنها برای تصمیمات پرریسک فراخوانده می‌شود که اگر هوش مصنوعی در جهت اشتباهی «باهوش» شود، زندگی را به‌طور محسوسی بدتر کند، مانند:

• تغییرات در معماری یا تغییرات طرح‌واره (Schema).
• تنظیمات محیط عملیاتی (Production)، کلیدهای امنیتی (Secrets) یا وابستگی‌های جدید.
• اختلافات شدید بین عامل‌ها.
• خروجی‌های عمومی، ارسال ایمیل‌ها یا پیامدهای هزینه‌ای.
• کارهای خارج از محدوده یا نیازمندی‌های نامشخص.

مدل عملیاتی جدید

این رویکرد، نقش انسان را از یک ناظر اداری به یک مالک استراتژیک تبدیل می‌کند. انسان جهت‌گیری و میزان ریسک‌پذیری را تعیین می‌کند، در حالی که ارکستراتور مأموریت را تجزیه کرده و کارگران آن را اجرا می‌کنند. انسان دیگر یک «میمون کپی-پیست» نیست که پیام‌ها را بین اعضای بدن یک ماشین جابه‌جا کند.

با تبدیل زیرساخت هوش مصنوعی به یک سازمان واقعی با سلسله‌مراتب — شامل مدیرعامل، مدیر فنی (CTO)، مالک محصول و هیئت مدیره — سیستم حافظه را از طریق «مصنوعات» حفظ می‌کند، نه از طریق لاگ‌های چت. این امر تضمین می‌کند که کار دارای شکل، حافظه، وضعیت و مرز باشد. نویسنده اشاره می‌کند که این کار «نقش بازی کردن در ساختار شرکتی» (LARPing) نیست، بلکه تشخیص این واقعیت است که سازمان‌های واقعی این ساختارها را تکامل دادند زیرا تصمیم‌گیری به سلسله‌مراتب، اجرا به تفویض اختیار و ریسک به حاکمیت نیاز دارد.

این نه بازگشتی به مدل آبشاری (Waterfall) است و نه Agile کلاسیک. این یک مدل عملیاتی جدید برای تیمی است که هرگز نمی‌خوابد. سیستمی که در آن پرامپت‌نویسی شبیه به مدیریت است و اعتماد از طریق قضاوت‌های اثبات‌شده به دست می‌آید. نویسنده در نهایت می‌گوید در حالی که ساخت چنین سیستم عجیبی آزاردهنده است — و در حال حاضر از آن برای فرار از انجام اظهارنامه مالیاتی استفاده می‌کند — اما این تنها راه دستیابی به اهرم واقعی است بدون اینکه انسان به یک کارمند اداری تبدیل شود.

گام بعدی شما

• نقش‌های تکراری در گردش‌کارهای خود را شناسایی کنید و برای هر کدام یک «نام» و «محدوده اختیار» مشخص تعریف کنید.
• به‌جای تکیه بر تاریخچه چت، خروجی‌های کلیدی را در قالب «مصنوعات» (Artefacts) در یک سند مجزا ذخیره کنید.
• برای هر عامل، یک «منطق ارجاع» بنویسید: دقیقاً در چه نقطه‌ای مدل باید متوقف شود و از شما سوال کند؟

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