تصور کنید هوش مصنوعی دیگر منتظر دستور شما نباشد، بلکه خودش پیش‌قدم شود و با شما صحبت کند. این چرخش از رابط‌های «کششی» (Pull) به سمت عامل‌های «هل‌دهنده» (Push)، شرط‌بندی جدید متا (Meta)، اوپن‌ای‌آی (OpenAI) و اوبر (Uber) است؛ آن‌ها باور دارند ارزشمندترین هوش مصنوعی آن است که خودش تصمیم بگیرد چه زمانی بدون درخواست، مزاحم شما شود.
این تغییر، مسئله‌ی اصلی مهندسی را از تولید محتوا به مدیریت توجه تبدیل می‌کند. همان‌طور که در تحلیل قبلی ما درباره‌ی اکوسیستم ابزارهای B2B اشاره کردیم، پیش از این تمرکز بر ساده‌سازی دسترسی به ابزارها بود، اما روند فعلی فراتر از تامین ابزار است و به نظارت فعال و همیشگی بر زندگی دیجیتال کاربر می‌رسد.
الگوهای پیش‌کنشگر
بر اساس مستندات منتشر شده، سه پیاده‌سازی متمایز این الگو را نشان می‌دهد:
- متا میوز (Meta Muse) که در ۸ سپتامبر ۲۰۲۴ عرضه شد: یک عامل (Agent) شخصی که قادر است در حالی که اپلیکیشن بسته است، رزروها را انجام دهد و ایمیل بزند. این سیستم جزئیات را به خاطر می‌سپارد، پیشنهادهای بدون درخواست می‌دهد و از طریق واتس‌اپ برای تایید نهایی با کاربر تماس می‌گیرد.
- اوپن‌ای‌آی داتس (OpenAI Dots) که در ۲۹ سپتامبر ۲۰۲۴ معرفی شد: عامل‌هایی همیشه-بیدار که «پژوهش پیش‌کنشگر» انجام می‌دهند و اپلیکیشن‌هایی مثل Slack را برای یافتن فاکتورهای فراموش‌شده یا باگ‌ها رصد می‌کنند. این‌ها از طریق ChatGPT و Teams با کاربر ارتباط می‌گیرند و قابلیت‌های صوتی آن‌ها در راه است.
- دستیار راننده اوبر (Uber's Driver Assistant) که نسخه صوتی آن در ۲۴ سپتامبر ۲۰۲۴ اعلام شد: سیستمی که سیگنال‌های زنده بازار را به توصیه‌های پیش‌کنشگر تبدیل می‌کند. تیم محصول اوبر موردی را گزارش داد که در آن به راننده‌ای که ۳۳ دقیقه بیکار بود، با ارائه شواهد، منطقه‌ای بهتر برای دریافت سفر پیشنهاد شد.
مکانیسم‌های مداخله
به نقل از تحلیل فنی ژان-مارک مومسین، مدل زبانی بزرگ (LLM) ابزار مناسبی برای تصمیم‌گیری درباره «آیا باید پیام ارسال شود یا خیر» نیست. به همین دلیل، شرکت‌ها از مدل‌های تصمیم‌گیرنده مانند Jev متعلق به TypeSafe یا Julia 1 از Supersonic Labs استفاده می‌کنند. این مدل‌ها به‌جای متن، یک قضاوت تایپ‌شده — یعنی بله/خیر، یک امتیاز یا انتخابی از یک لیست کوتاه با احتمال مشخص — برمی‌گردانند. مدل Julia 1 یک مدل با وزن‌های باز (Open Weights) است که هر تصمیم را در حدود ۳۳ میلی‌ثانیه روی CPU پردازش می‌کند.
برای جلوگیری از خستگی کاربر، این سامانه‌ها از یک چارچوب ارزش‌محور استفاده می‌کنند؛ پیام تنها زمانی ارسال می‌شود که ارزش مورد انتظار آن از هزینه مداخله بیشتر باشد. این ارزش بر اساس چهار معیار محاسبه می‌شود:
- میزان اهمیت موضوع (چه چیزی در خطر است).
- احتمال واکنش کاربر.
- سرعت انقضای فرصت.
- اینکه ارزش برای چه کسی است (کاربر یا پلتفرم).
جزئیات پیاده‌سازی فنی
تیم‌های فنی این ساختار را از طریق سه نوع مدل خاص پیاده می‌کنند:
۱. مدل‌های Uplift برای تخمین اینکه آیا یک تلنگر واقعاً باعث ایجاد اقدام می‌شود یا خیر.
۲. باندیت‌های زمینه‌ای (Contextual Bandits) برای یادگیری بهترین کانال ارتباطی. هر کانال «بهای ورود» دارد: کارت‌های درون‌برنامه‌ای ارزان هستند، چت هزینه بیشتری دارد، پیامک گران‌تر است و تماس‌های صوتی برای لحظات فوری و زمانی که دست‌های کاربر مشغول است، رزرو شده‌اند.
۳. مدل‌های پذیرندگی (Receptivity) برای پیش‌بینی اینکه آیا کاربر در حال حاضر در دسترس است (مثلاً در حال رانندگی است یا پارک کرده، یا در جلسه است یا آزاد).
برای جامعه فنی، این یک تغییر بنیادین در محک‌های عامل‌محور (Agentic) است. موفقیت دیگر تنها با صحت پاسخ سنجیده نمی‌شود، بلکه دقتِ «محرک» (Trigger) معیار اصلی است. ریسک این مسیر بالاست: اگر عاملی ارزش پلتفرم (فروش متقاطع) را بر ارزش کاربر اولویت دهد، اعتبارش را فوراً از دست می‌دهد.
با ادغام عمیق‌تر این عامل‌ها در تجارت — مانند ورود متا به ابزارهای کسب‌وکارهای کوچک یا سطح اشتراک ۵۰۰ دلاری جدید اوپن‌ای‌آی — نبرد برای «لایه توجه» را کسانی می‌برند که بهترین داده‌های تاریخی از اعلان‌ها (Notifications) را دارند. برای مثال، اوبر از همین حالا اندازه‌گیری می‌کند که آیا رانندگان به فرصت‌های پیش‌کنشگر واکنش نشان داده‌اند یا خیر تا برچسب‌های لازم برای آموزش این مدل‌ها را تامین کند.
گام بعدی شما
- بررسی مدل‌های تصمیم‌گیرنده سبک (مانند Julia 1) برای جایگزینی LLM در لایه Trigger اپلیکیشن‌های خود.
- طراحی «بودجه مداخله» برای کاربران جهت جلوگیری از خستگی و کاهش نرخ حذف اپلیکیشن.
- تحلیل داده‌های تاریخی اعلان‌ها برای شناسایی الگوهای پذیرندگی کاربران در ساعات مختلف روز.
اما نبرد واقعی بر سر سخت‌افزاری است که این نظارت همیشگی را ممکن می‌کند — به تحلیل ما درباره تراشه‌های Blackwell و بهینه‌سازی استنتاج مراجعه کنید.
گفتگو