اگر امروز برای اشتراک‌های ChatGPT یا Claude پول می‌دهید، احتمالاً متوجه شده‌اید که این ابزارها با وجود دانش گسترده، هیچ‌چیز درباره منطق قیمت‌گذاری یا تعاریف عملیاتی شرکت شما نمی‌دانند. به نقل از راب کالی (Rob Collie)، بنیان‌گذار و مدیرعامل P3 Adaptive، همین شکاف است که باعث شده اکثر پروژه‌های هوش مصنوعی در سازمان‌ها متوقف شوند. او استدلال می‌کند که یک چت‌بات ممکن است در همه زمینه‌ها مدرک PhD داشته باشد، اما هیچ شناختی از منطق خاص قیمت‌گذاری یا تعاریف عملیاتی سازمان شما ندارد.
او مدل‌های عمومی را به «پیتزای ۳۰۰ میلیون نفره» تشبیه می‌کند؛ محصولی که طوری طراحی شده تا برای همه قابل قبول باشد، اما برای هیچ‌کس به‌طور خاص خوش‌طعم نیست. کالی که بیش از یک دهه در تیم‌های اکسل، بینگ و Power BI مایکروسافت رهبری مهندسی داشته، می‌گوید در نرم‌افزارهای کلان، یک مشتری ناراضی فقط یک آمار است. او تجربه ساخت نرم‌افزار برای کل جهان در مایکروسافت را دارای یک «حس کمترین مخرج مشترک» توصیف می‌کند. اما انتقال به کارهای مشتری‌محور به او آموخت که در بازار متوسط و شرکت‌های Fortune 1000، نارضایتی یک مشتری به معنای شکست کامل است. این تغییر دیدگاه از «نرم‌افزارهای غول‌آسا» به «راهکارهای سفارشی»، همان لنزی است که او اکنون بر هوش مصنوعی سازمانی اعمال می‌کند.
همان‌طور که در تحلیل‌های قبلی ما درباره امنیت مدل‌های بازمتن اشاره کردیم، تفاوت میان ابزاری که «کار می‌کند» و ابزاری که «ارزش می‌آفرزد»، در لایه‌ی پیاده‌سازی است. بسیاری از سازمان‌ها سال گذشته لایسنس‌های مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — خریدند و امیدوار بودند معجزه‌ای رخ دهد، اما دریافتند فاصله میان بهره‌وری شخصی و سودمندی سازمانی بسیار زیاد است. مشکل در هوش مدل نیست، بلکه در فقدان «زمینه» (Context) است.
شکاف زمینه‌ای
طبق اعلام کالی، هوش مصنوعی‌های آماده فاقد «حلقه رمزگشای» یک کسب‌وکار هستند. این مدل‌ها کل اینترنت را خوانده‌اند، اما منطق داخلی شرکت شما در اینترنت نیست. به‌طور مشخص، هوش مصنوعی عمومی در چهار حوزه شکست می‌خورد:
- تعاریف داخلی: مدل نمی‌داند شرکت شما دقیقاً چه کسی را «مشتری فعال» می‌نامد.
- منطق قیمت‌گذاری: قوانین خاص شما برای قیمت‌گذاری خدمات یا محصولات را نمی‌شناسد و نمی‌تواند در میان آن‌ها پیمایش کند.
- فرآیندهای عملیاتی: از گردش‌کارهای منحصربه‌فرد شما که یک پروژه را از ابتدا به انتها می‌رساند، بی‌خبر است.
- اعتماد به سیستم: وقتی داده‌های دو سیستم داخلی با هم تضاد دارند، نمی‌داند به کدام‌یک اعتماد کند.
بر اساس بررسی‌های کالی، پیروزی‌های واقعی از طریق «شخصی‌سازی» حاصل می‌شود؛ یعنی متصل کردن مدل به داده‌ها، فرآیندها و تعاریف خاص سازمان تا از چت‌بات‌های عمومی به سمت سامانه‌هایی برویم که ظرافت‌های هر سازمان را می‌فهمند. هدف این است که هوش مصنوعی را با داده‌های خاص شرکت تطبیق دهیم.
سیگنال‌های نیاز به شخصی‌سازی
نشانه نیاز به شخصی‌سازی ساده است: هرگاه کارمندی مجبور شود برای پنجمین بار در هفته، زمینه‌ی یک موضوع را برای چت‌بات تایپ کند، آن توضیح تکراری دقیقاً همان چیزی است که یک سیستم شخصی‌سازی‌شده باید از ابتدا و در هر بار فعال شدن بداند.
کالی نسبت به کسانی که با خرید اشتراک شروع کردند همدل است و می‌گوید «خرید اشتراک و امتحان کردن» یک گام اول طبیعی است. با این حال، او تأکید می‌کند که راهکار، دستکاری در خودِ مدل یا تبدیل شدن به پژوهشگر LLM نیست. شما نیازی ندارید که محقق مدل‌های زبانی شوید. راه حل در محیط اطراف مدل است: داده‌های شما، نرم‌افزارهای متداول و دستورالعمل‌هایی که به زبان ساده انگلیسی نوشته شده‌اند.
ظهور «صنعت‌گران» (Crafters)
برای پر کردن این شکاف، کالی گروهی از کارکنان را صنعت‌گران (Crafters) می‌نامد. این‌ها توسعه‌دهندگان نرم‌افزار سنتی نیستند، بلکه متخصصان کسب‌وکاری هستند که مهارت بالایی در کار با ابزارها دارند و میل ذاتی به حل مشکلات با ابزارها دارند. او معتقد است از هر ۱۶ کارمند اداری، تنها یک نفر این ویژگی را دارد.
- آن‌ها چه کسانی هستند: کاربران حرفه‌ای اکسل، نسل Power BI و افرادی که بخش IT معمولاً آن‌ها را «IT سایه» می‌نامد. آن‌ها معمولاً تحلیل‌گران، مدل‌سازان مالی یا مدیران عملیاتی هستند که در حین رشد در کسب‌وکار، استعداد ابزارسازی پیدا کرده‌اند.
- مزیت آن‌ها: آن‌ها دارای دو ویژگی حیاتی هستند که در بوت‌کمپ‌ها قابل آموزش نیست. اول «تفکر سیستمی» است؛ یعنی توانایی غریزی در تجزیه یک فرآیند به‌هم‌ریخته به ورودی‌ها، قوانین و خروجی‌ها. دوم، ریشه عمیق در کسب‌وکار است؛ آن‌ها می‌دانند مدیر مالی (CFO) واقعاً به دنبال چه اعدادی است و قصد واقعی پشت سؤال یک ذینفع چیست.
- چگونه آن‌ها را بیابیم: کالی پیشنهاد می‌کند مدیران «ردپای صفحات گسترده (Spreadsheets) را دنبال کنند». کسانی که داشبوردهای غیررسمی اما حیاتی و اتوماسیون‌هایی را ساخته‌اند که در واقع قلب شرکت را می‌چرخانند، بهترین کاندیداها برای رهبری شخصی‌سازی AI هستند.
تقسیم کار جدید
هوش مصنوعی شخصی‌سازی‌شده توسعه‌دهندگان را حذف نمی‌کند، بلکه نقش آن‌ها را تغییر می‌دهد. چون سخت‌ترین بخش این مسیر «زمینه» است و نه «کد»، صنعت‌گران باید طراحی اولیه را رهبری کنند. یک مهندس حرفه‌ای که از سه سطح بالاتر در نمودار سازمانی وارد پروژه شود، برای درک آنچه یک مدیر عملیاتی به‌صورت غریزی می‌داند، به ماه‌ها مصاحبه نیاز دارد.
کالی مدل تقسیم کار را بر اساس پیچیدگی و ریسک تعریف می‌کند:
- صنعت‌گران: در جایی که ظرافت‌های فرآیند تجاری حاکم است، مهندسی زمینه را مدیریت می‌کنند و تصمیم می‌گیرند سیستم چه چیزهایی را درباره کسب‌وکار بداند.
- توسعه‌دهندگان: وقتی قابلیت استفاده مجدد، پیچیدگی و حساسیت داده‌ها بالا می‌رود، وارد عمل می‌شوند. هر چیزی که با مشتری در ارتباط است، هر چیزی که با داده‌های حساس سر و کار دارد یا هر چیزی که تصمیمات خودکار می‌گیرد، در قلمرو توسعه‌دهندگان باقی می‌ماند. با افزایش تعداد عامل‌های AI، این مهارت‌های مهندسی کمیاب ارزشمندتر می‌شوند. این روند با تلاش مایکروسافت برای تبدیل Copilot به یک سوپر اپلیکیشن تجاری که قصد دارد چت، کدنویسی و عامل‌ها را یکپارچه کند، هم‌راستا است.
- IT و امنیت: به‌جای نقش «دروازه‌بان» که پروژه‌ها را برای تایید متوقف می‌کند، باید «سازنده جاده» باشند. این یعنی فراهم کردن پلتفرم‌های تاییدشده، قوانین دسترسی به داده‌ها و نقاط بازرسی برای بررسی.
مهندسی زمینه و مدل‌های معنایی
شرکت‌هایی که در عصر پیشین روی هوش تجاری (BI) سرمایه‌گذاری کرده‌اند، یک مزیت پنهان دارند. یک مدل معنایی (Semantic Model) — که در واقع ثبت ماشین‌خوانِ معانی کسب‌وکار است — دقیقاً همان چیزی است که عامل‌های (Agents) هوش مصنوعی برای استدلال درست به آن نیاز دارند.
کالی این کار را «مهندسی زمینه» می‌نامد: تلاش برای ساختاردهی به دانسته‌های یک کسب‌وکار تا هوش مصنوعی بتواند واقعاً از آن‌ها استفاده کند. در حالی که تحلیل‌گران این اصطلاح را جدید جلوه می‌دهند، متخصصان BI پانزده سال است که این کار را انجام می‌دهند. شرکت‌هایی که لایه معنایی را نادیده گرفتند، اکنون می‌بینند که این کارهای «کسل‌کننده» تعریفی، در واقع عوارض عبور از جاده‌ای است که به هوش مصنوعی می‌رسد. این نیاز به زیرساخت‌های متمرکز برای مدیریت عامل‌ها، دلیل اصلی راه‌اندازی پلتفرم Buzz توسط جک دورسی است تا جایگزینی برای ابزارهای ارتباطی سنتی مانند Slack باشد.
این تعاریف چون عمیقاً مختص هر کسب‌وکار هستند، یک مزیت رقابتی پایدار می‌سازند؛ زیرا در حالی که هر فروشنده‌ای می‌تواند همان LLM را بفروشد، هیچ‌کس نمی‌تواند «تعاریف داخلی» یک شرکت را به خودش بفروشد.
استراتژی «اول شیر آب»
بسیاری از مشاوران توصیه می‌کنند ابتدا تمام داده‌ها را پاک‌سازی و متمرکز کنید. کالی این کار را «لوله‌کشی برای لوله‌کشی» می‌نامد — یعنی ساخت لوله‌های گران‌قیمت در همه جا، فقط برای اینکه بفهمید شیر آب در جایی که واقعاً نیاز است، نصب نشده است. او رویکرد «اول شیر آب» (Faucets First) را پیشنهاد می‌دهد:
۱. شناسایی اثر: یک مورد استفاده خاص را انتخاب کنید و به‌جای حرکت رو به جلو از زیرساخت، از اثر تجاری به عقب حرکت کنید.
۲. ساخت MVP: یک محصول مینیمال (Minimum Viable Product) با کمترین زیرساخت جدید بسازید.
۳. تکرار: محصول را تا رسیدن به سطح تولیدی اصلاح کنید.
۴. مستحکم‌سازی: زیرساخت را تنها پس از اثبات ارزش، ارزیابی کرده و ارتقا دهید.
این روش اثر تجاری را سریع‌تر تحویل می‌دهد، هزینه‌های اولیه را به حداقل می‌رساند و به پروژه‌های زیرساختی آینده در هر دو سطح شیر آب و لوله‌کشی جهت می‌دهد.
تجربه عملی: آزمایش «ادی»
کالی برای تست این نظریه، یک ویرایشگر AI شخصی به نام ادی (Eddie) ساخت تا در نوشتن کتابش که برای اوت ۲۰۲۶ برنامه‌ریزی شده، کمکش کند. ادی کتاب را ننوشت — کالی هر پاراگراف را از ابتدا نوشت — اما ادی به‌عنوان متخصصی ۲۴ ساعته عمل کرد که دست‌نوشته‌ها را حداقل ۳۰ بار خواند.
کالی اشاره می‌کند که هیچ انسانی نمی‌توانست این کار را انجام دهد، چون هیچ انسانی دوست نداشت چنین کاری را بکند. ادی سه کار حیاتی انجام داد:
- ردیابی سازگاری: اگر در فصل ۳ وعده‌ای داده شده بود و در فصل ۱۲ فراموش می‌شد، هشدار می‌داد.
- حفظ لحن: سبک نوشتاری کالی را یاد گرفت و مانع از این شد که نویسنده به لحن «نویسندگان خشک تجاری» تغییر رویه دهد.
- بازخورد انتقادی: نقاطی را که نویسنده تنبل بود یا موضوعی را بیش از حد و بیهوده می‌کشید، شناسایی کرد.
وقتی ادی اشتباه می‌کرد — مثلاً بازخوردهای کلی می‌داد یا قانونی را فراموش می‌کرد — راهکار تغییر مدل AI نبود. در عوض، کالی «مغز» او را به‌روز کرد؛ مغزی که شامل دستورالعمل‌های انگلیسی در یک پوشه بود. این چرخه «مشاهده خطا $ \rightarrow $ کدگذاری درس $ \rightarrow $ تثبیت»، تمام هنر هوش مصنوعی شخصی‌سازی‌شده در مقیاس کوچک است. این موفقیت باعث شد کالی «ادی‌های» تخصصی دیگری برای تبلیغات، تحقیقات رقابتی و پیام‌های وب‌سایت بسازد که همگی از یک LLM اما با زمینه‌های تخصصی متفاوت استفاده می‌کردند. در این مسیر، کاهش هزینه‌های عملیاتی مدل‌ها، مانند آنچه در عرضه مدل‌های وزن-باز Kimi K3, امکان پیاده‌سازی گسترده‌تر این عامل‌های تخصصی را فراهم می‌کند.
نقاط شروع استراتژیک
برای شرکت‌هایی که اولین ابتکار عمل خود را آغاز می‌کنند، کالی دو مسیر کم‌مقاومت پیشنهاد می‌کند که کارکنان به‌جای مقاومت، آن را بپذیرند:
- «شغل نامرئی»: شناسایی کارهایی که مدیر فکر می‌کند «اگر یک نفر بود مدام این را می‌پایید، اوضاع بهتر می‌شد — اما نمی‌توانم استخدام یک نفر را توجیه کنم». این‌ها نقاط شروع امنی هستند چون جایگزین آن‌ها، انجام نشدنِ کاملِ آن کار است.
- عامل‌های داده به‌جای داشبوردها: جایگزینی داشبوردهای ایستا با عامل‌ها. به‌جای اجبار کاربران به گشتن در داشبوردها، جمع‌آوری دستی اسکرین‌شات‌ها یا دستکاری مکرر فیلترها، کاربران می‌توانند سؤال تجاری خود را به زبان ساده بپرسند. عامل یک پاسخ بصری تاییدشده را در چند دقیقه برمی‌گرداند و اجازه می‌دهد تصمیمات در لحظه و در طول جلسات گرفته شوند.
ارزیابی و تکرار
کالی هشدار می‌دهد که دموهای AI به‌دلیل فاصله زیاد با واقعیت، ارزش کمتری نسبت به دموهای نرم‌افزاری دارند. هوش مصنوعی درباره «گردش‌کار» (Workflow) است و گردش‌کارها شخصی‌ترین بخش هر سازمان هستند. او چرخه تکرار سریع را پیشنهاد می‌کند:
۱. نمونه اولیه/MVP: از دمو فقط برای نشان دادن «هنرِ ممکن‌ها» استفاده کنید و سپس بلافاصله به سراغ نمونه اولیه بروید.
۲. عرضه محدود (Soft Launch): یک برنامه آزمایشی اجرا کنید تا یاد بگیرید سیستم چگونه با کارکنان واقعی و موارد خاص (Edge Cases) برخورد می‌کند.
۳. نظارت: در مرحله آزمایشی نظارت و ارزیابی برقرار کنید، زیرا نیازهای واقعی اغلب با حدس‌های اولیه متفاوت است.
در مورد نتیجه، کالی اشاره می‌کند که اکثر استقرار‌های موفق AI، پیش از آن شکست‌هایی داشتند. پروژه‌ای که به‌جای سود، یک «درس» تولید کند، «شهریه» است، نه شواهدی از شکست. قانون او ساده است: اگر مردم از آن استفاده می‌کنند، گسترشش دهید. اگر نه، بفهمید دلیلش نقص فنی است، عدم درک است یا ترس، و سپس تصمیم بگیرید که آن را بهبود ببخشید، بازطراحی کنید یا رها کنید.
مدیریت ریسک AI سایه
«AI سایه» نشانه تقاضای برآورده‌نشده است. اگر مسیر رسمی دسترسی به ابزار یک سال طول بکشد، صنعت‌گران آن را مخفیانه و زیر رادار می‌سازند که در آنجا خطرناک‌ترین حالت است. برای جلوگیری از آسیب‌پذیری‌های امنیتی و ابزارهای رها شده، کالی پیشنهاد می‌کند:
- مسیر آسان: پلتفرمی تاییدشده با حفاظ‌های امنیتی، دسترسی به داده‌ها و ثبت وقایع (Logging) فراهم کنید تا انتخاب قانونی، راحت‌ترین راه باشد.
- ثبت سبک: هر ابزاری که از آزمایش شخصی به چیزی تبدیل شد که نفر دوم به آن وابسته است، باید با یک مالک مشخص ثبت شود. این کار مانع از رها شدن بی‌صدای ابزارها می‌شود.
- مدل ارتقا: آزمایش‌ها آزاد باشند، اما هرچه ابزاری حیاتی‌تر شد (کاربران بیشتر، حساسیت بالاتر یا استقلال بیشتر)، بررسی‌های مهندسی بیشتری دریافت کند. در این حالت، صنعت‌گران منطق تجاری را حفظ می‌کنند و توسعه‌دهندگان سیستم را مستحکم می‌کنند.
شرکت‌ها همین تجربه را با اکسل داشتند و برنده‌ها کسانی نبودند که اکسل را ممنوع کردند.
گام بعدی شما
- در سازمان خود «صنعت‌گران» را شناسایی کنید؛ کسانی که پیچیده‌ترین فایل‌های اکسل شرکت در دستان آن‌هاست.
- یک «شغل نامرئی» (وظیفه‌ای که کسی برایش نیست اما لازم است) را پیدا کرده و برای آن یک عامل با زمینه اختصاصی بسازید.
- به‌جای شروع با لوله‌کشی داده‌ها، یک «شیر آب» (خروجی کوچک و اثرگذار) تعریف کنید و از آنجا به عقب مهندسی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو