عامل‌های چندنفره جایگزین بات‌های تک‌کاربره در مدیریت دانش سازمانی شدند

تصور کنید در شرکتی هستید که هر کسی بات شخصی خودش را دارد، اما هیچ‌کس نمی‌داند بقیه با هوش مصنوعی چه می‌کنند. این مدل «تک‌کاربره» دقیقاً همان جایی است که مقیاس‌پذیری هوش مصنوعی در سلسله‌مراتب شرکتی متوقف می‌شود. این وضعیت دقیقاً همان مشکل «نماینده گیج» (Confused Deputy) است؛ مانع اصلی که از گسترش بات‌های تک‌نفره در ساختارهای سازمانی جلوگیری می‌کند.

بسیاری از تیم‌ها هنوز هوش مصنوعی (AI) را صرفاً به عنوان یک نویسندهٔ شبح‌وار و شخصی می‌بینند. اما شرکت Corgi در ۶ ماه گذشته با استقرار یک چارچوب عامل مشترک، سعی کرده شکاف پذیرش فناوری بین بنیان‌گذاران فنی و کارکنان غیرفنی را پر کند. این چرخش به سمت «هوش مصنوعی چندنفره» در عرضهٔ اخیر Claude Tag نیز دیده می‌شود؛ قابلیتی که با تبدیل @claude در Slack به یک تجربهٔ جمعی، اجازه می‌دهد تیم‌ها به‌صورت مشترک با مدل تعامل کنند.

این تغییر روند، واکنشی به توزیع نابرابر توانمندی‌ها در استارتاپ‌های AI-native است. در حالی که تیم‌های فنی حلقه‌های پیچیده‌ای را در Claude مدیریت می‌کنند، تیم‌های بازاریابی، فروش، عملیات و مالی هنوز از هوش مصنوعی مثل یک موتور جست‌وجوی ساده استفاده می‌کنند. این وضعیت یادآور مشاهدهٔ ویلیام گیبسون است که می‌گوید: «آینده همین‌جاست، فقط به‌طور یکسان توزیع نشده است.» همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، دسترسی به ابزار به معنای توانایی استفاده از آن نیست؛ اینجا مسئلهٔ توزیع دانش است.

طبق گزارش dev.to در ۵ ژوئیه ۲۰۲۶، کارگاه‌های آموزشی سنتی شکست می‌خورند چون عادت‌های قدیمی بدون همکاری‌های عملی و مستمر تغییر نمی‌کنند. شرکت‌ها به آموزش هوش مصنوعی نیاز ندارند، بلکه به «شاگردی» نیاز دارند. با این حال، استارتاپ‌ها محیط‌هایی demanding (سخت‌گیر و پرتوقع) هستند و تمرکز و زمان، کمیاب‌ترین منابع آن‌هاست. در عصری که تقریباً همه در مواجهه با AI یک «جونیور» هستند — شبیه به دوران آغاز وب در دهه ۹۰ — تکیه بر چند متخصص معدود غیرممکن است، چون اساساً تعداد آن‌ها در دنیا کافی نیست.

در ساختار سنتی، هر عامل (Agent) — شبیه به یک دستیار خصوصی که فقط با یک نفر حرف می‌زند — به عنوان یک گره انتهایی (Leaf Node) به یک انسان متصل است. این یعنی اطلاعات برای جابه‌جایی در سازمان باید از طریق انسان‌ها عبور کند که نتیجه‌اش ایجاد گرافی است که در آن مسیرهای ارتباطی کند، ناقص یا گم‌شده هستند.

سازوکار انتقال دانش

عامل‌های چندنفره، هوش مصنوعی را از یک گره انتهایی به یک «هاب» یا مرکز توزیع تبدیل می‌کنند. به نقل از بررسی‌های عملیاتی، انتقال تعاملات به محیط باز منجر به بهره‌وری‌های حیاتی می‌شود:

• یادگیری غیرفعال: وقتی یک کاربر ماهر با عامل در فضای عمومی تعامل می‌کند، دیگران بدون هزینه، تکنیک‌های مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن برای گرفتن بهترین جواب — را مشاهده کرده و می‌آموزند. انتقال دانش در اینجا به‌طور خودکار رخ می‌دهد.
• مشارکت فعال: کاربران می‌توانند به رشته‌گفتارها واکنش نشان دهند، رنگ و زمینه (Context) اضافه کنند، مسئولیت را به دست گیرند و در بازبینی‌ها کمک کنند. این یعنی تبدیل تماشای غیرفعال به یک دورهٔ شاگردی فعال.
• زمینه مشترک: یک عامل واحد به یاد می‌آورد چه کسی مالک کدام فرآیند است، چه کسی تأیید نهایی را می‌دهد، سیستم‌های ثبت داده کجا هستند و چگونه ساختار یافته‌اند. این کار از «اتلاف توکن» جلوگیری می‌کند؛ یعنی لازم نیست چندین بات به صورت مستقل، حقایق تکراری شرکت را دوباره یاد بگیرند.

شرکت Shopify این فلسفه را در ابزار خود به نام River پیاده کرد. یک محدودیت سخت‌گیرانه در River این است که فقط در فضای باز کار می‌کند و هیچ پیام مستقیمی (DM) ندارد تا گفتگوها به‌طور پیش‌فرض برای همه کارکنان عمومی بماند. Tobi Lütke، مدیرعامل Shopify، در شبکه X اشاره کرد که در کانال شخصی او، بیش از ۱۰۰ نفر به رشته‌گفتارها واکنش نشان می‌دهند و به او کمک می‌کنند؛ موضوعی که به او یادآوری می‌کند حتی او هم می‌تواند در برخی موارد «زنگ‌زده» (Rusty) باشد و در عین حال، دیگران با تماشای او یاد می‌گیرند.

پر کردن شکاف زمینه

عامل‌های تک‌کاربره از یک هزینه ذاتی برای اشتراک‌گذاری زمینه رنج می‌برند. تیم‌ها برای انتقال دانش اغلب به مخازن داخلی مانند ریپازیتوری‌های Git، Obsidian، ویکی‌های LLM یا فضای اختصاصی Notion تکیه می‌کنند. این روش‌ها نیازمند تلاش دستی و آگاهانه از سوی هر دو طرف (تولیدکننده و مصرف‌کننده) برای ارسال و دریافت داده‌هاست.

جایگزین دیگر — یعنی اجازه دادن به عامل‌ها برای صحبت مستقیم با یکدیگر — تأخیر و هزینهٔ توکن (Token) — تکه‌های کوچکی از متن که مدل می‌خورد — را افزایش می‌دهد. یافتن زمینه مناسب و تحویل آن چندین نوبت تعامل بین عامل‌ها زمان می‌برد. اما عامل‌های چندنفره این مشکل را حل می‌کنند چون زمینه مشترک تیم به‌طور طبیعی در یک مکان جمع می‌شود و «روش کار در این شرکت» را به عنوان محصول جانبی استفادهٔ روزانه جذب می‌کند.

حل مسئلهٔ هماهنگی

سازمان‌ها در اصل سیستم‌هایی برای انتقال اطلاعات و تصمیم‌گیری بین انسان‌ها، نرم‌افزارها و عامل‌ها هستند. هماهنگی، دلیل اصلی تبدیل شدن عامل‌های چندنفره از یک «مزیت» به یک «ضرورت» است. برای مثال، انتقال‌های بین‌تیمی را در نظر بگیرید: یک لید از بازاریابی به فروش می‌رود، سپس به یک حساب برای موفقیت مشتری (CS) تبدیل می‌شود و در نهایت بازخوردی به محصول و R&D می‌دهد. این چرخه عمر مشتری در واقع یک مسئلهٔ «همگام‌سازی» است.

پیچیدگی سازمانی معمولاً سریع‌تر از تعداد کارکنان رشد می‌کند. وقتی اطلاعات در نمودار سازمانی جریان می‌یابد، معمولاً به چهار روش شکست می‌خورد:

۱. لبه‌های گمشده (Missing Edges): منجر به پرسش‌های تکراری و کارهای موازی می‌شود. برای مثال، تیم‌های فروش و بازاریابی که بارها و بارها سؤالات یکسانی را در کانال #product-questions می‌پرسند.
۲. مسیرهای کند (Congested Paths): مسدود شدن تحویل پروژه‌ها که باعث عقب افتادن زمان‌بندی می‌شود؛ مثلاً زمانی که تیم محصول به دلیل عدم دسترسی به تیم R&D متوقف می‌شود.
۳. زنجیره‌های ناقص (Lossy Chains): سوءتفاهم‌هایی که در مسیرهای طولانی رخ می‌دهد و جزئیات در هر گام کمرنگ می‌شوند. مثلاً تیم محصول ممکن است پاسخ R&D را اشتباه بفهمد و در نتیجه پاسخ غلطی به مشتری تحویل دهد.
۴. داده‌های گمراه شده (Misrouted Data): تصمیمات غیربهینه یا نشت داده‌ها، جایی که وظایف مهم به دلیل نبود مالکیت مشخص، نادیده گرفته می‌شوند.

Jack Dorsey، مدیرعامل Block، در مقاله «از سلسله‌مراتب تا هوشمندی» استدلال کرد که سازمان‌ها باید این فرض را که باید با انسان به عنوان مکانیسم هماهنگی سازمان یافته باشند، زیر سؤال ببرند. او قصد دارد نقش سلسله‌مراتب را با «هماهنگی مبتنی بر هوشمندی» جایگزین کند. عامل‌های چندنفره با تبدیل شدن به هاب‌هایی که تیم‌های مختلف را مستقیم به هم وصل می‌کنند، نیاز به همگام‌سازی دستی انسانی را حذف کرده و توان عملیاتی بین گره‌ها را بالا می‌برند.

مانع امنیتی

انتقال به عامل‌های چندنفره به سادگیِ به اشتراک گذاشتن یک رمز عبور نیست. مانع اصلی، ایمنی است. عامل‌های تک‌کاربره دارای «سلطه محیطی» (Ambient Authority) هستند، یعنی تمام هویت و دسترسی‌های کاربر را به ارث می‌برند و هر کاری را که آن شخص می‌تواند انجام دهد، انجام می‌دهند.

اگر کاربری بات خود را به اشتراک بگذارد، در واقع دسترسی کامل به هویت و ابزارهای خود را به دیگران می‌دهد. این یک مشکل کلاسیک «نماینده گیج» (Confused Deputy) است. برای هماهنگی بین تیم‌ها یا مرزهای سازمانی، عامل‌ها باید بتوانند به چندین نفر در یک محیط واحد — مانند یک کانال Slack، یک رشته ایمیل یا یک گروه WhatsApp — خدمات دهند. در این راستا، مدل خودمختاری کنترل‌شده که توسط کریستوفر کُک پیشنهاد شده، چارچوب مفیدی برای کاهش ریسک‌ها در هنگام استقرار عامل‌های AI در محیط‌های سازمانی ارائه می‌دهد.

برای چندنفره کردن عامل‌ها، توسعه‌دهندگان باید «هویت» را از «اقدام» (Action) جدا کنند. عامل باید به‌گونه‌ای طراحی شود که استفاده از آن توسط چندین نفر، دسترسی‌های خصوصی یک کاربر را به کل گروه افشا نکند. شما نمی‌توانید صرفاً با بهبود یک عامل تک‌کاربره به این سطح از هماهنگی برسید؛ این کار نیازمند تغییری بنیادین در معماری مجوزها (Permission Architecture) است.

این تغییر ساختاری، نقش هوش مصنوعی را از یک دستیار شخصی به یک «زیرساخت مشترک شرکتی» تبدیل می‌کند. این یعنی جایگزینی تلاش دستی برای وارد کردن داده به Notion یا Git با یک زمینه زنده که هم‌زمان با تعامل تیم تکامل می‌یابد.

برای کاربر حرفه‌ای، این به معنای پایان «پرامپت‌های تنها» است. شما دیگر در خلاء دست‌وپنجه نرم نمی‌کنید، بلکه در محیطی شفاف فعالیت می‌کنید که رشد هوش مصنوعی در آن، گره خورده به هوش جمعی تیم است.

دوران بهره‌وری عملیاتی را توانایی هماهنگ‌سازی گردش‌های کاری پیچیده از طریق عامل‌های مشترک تعریف می‌کند. کسانی که ذهنیت «یک نفر، یک بات» را حفظ کنند، احتمالاً توسط همان هزینه‌های هماهنگی متوقف می‌شوند که هوش مصنوعی قرار بود آن‌ها را حذف کند.

منتظر تحلیل فنی عمیق ما درباره مکانیسم‌های ایمنی و لایه‌های دسترسی باشید که برای ساخت این چارچوب‌های چندنفره بدون ایجاد حفره‌های امنیتی مورد نیاز است.

گام بعدی شما

• بررسی کنید آیا ابزارهای فعلی شما (مثل Claude یا GPT) در کانال‌های باز تیم فعال هستند یا هر کاربر در محیط ایزوله خود کار می‌کند.
• برای کاهش هزینه‌های تکراری، سعی کنید پرامپت‌های موفق خود را در محیط‌های جمعی به اشتراک بگذارید تا «یادگیری غیرفعال» در تیم شکل بگیرد.
• اگر توسعه‌دهنده هستید، معماری دسترسی‌های عامل خود را از مدل «ارث‌بری هویت» به مدل «تفکیک هویت از اقدام» تغییر دهید.

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