فرض کن یه هوش مصنوعی داشته باشی که می‌تونه افکار مشتریتو بخونه، یا قبل از اینکه هکرها حمله کنن، خلاهای امنیتی رو پیدا کنه و ببنده! یا حتی تصور کن تیمی از ایجنت‌های هوش مصنوعی داشته باشی که بتونن زنجیره تامین یه شرکت بزرگ رو بازسازی کنن و با تغییرات عجیب و غریب سیاسی مقابله کنن! خب دلیل همین سناریوهای هیجان‌انگیزه که این روزا بحث ایجنت‌های هوش مصنوعی (Agentic AI) حسابی بین مدیرای شرکت‌ها داغ شده و همه دنبالشن.
حالا ایجنتیک AI دقیقاً چیه؟ بذار ساده بگم: هنوز اونقدر تازه و نوپاست که همه یه تعریف مشخص ازش ندارن. اما خلاصه‌ش میشه مجموعه‌ای از سیستم‌های هوش مصنوعی که می‌تونن خودشون، بدون دخالت یا با حداقل دخالت انسان، تصمیم بگیرن و کارها رو انجام بدن. مثلاً جایی که معمولاً هوش مصنوعی سنتی نیاز به راهنمایی یا دستورالعمل داره، ایجنتیک AI خودش یاد می‌گیره و با محیطش سازگار میشه و تصمیم‌های بهتری می‌گیره. یعنی می‌تونه به جای نیاز به کلی دستور ریز و درشت، خودش گلیمش رو از آب بیرون بکشه و حتی روز به روز بهتر بشه!
شرکت‌ها دوست دارن این تکنولوژی رو برای مدیریت فرایندهای سخت و پیچیده (مثل خرید و استخدام کارمند) یا مثلاً چکاپ های امنیت سایبری، یا حتی اتومات کردن بخش‌های پشتیبانی مشتری استفاده کنن. چون حالا که صحبتش اومده، کلی جای پیشرفت و کاربرد براش تصور می‌کنن.
بذار یه آمار هم بدم: توی یه نظرسنجی که شرکت Capgemini انجام داده، گفتن حدود ۵۰ درصد مدیران کسب‌وکارها قراره سال ۲۰۲۵ روی ایجنت‌های هوش مصنوعی سرمایه‌گذاری کنن یا اجراش کنن. الان این عدد فقط ۱۰ درصده! از اون طرف، Gartner (که یه شرکت معروف تحلیلگر بازاره) پیش‌بینی کرده تا سال ۲۰۲۸ حدود ۳۳ درصد نرم‌افزارهای سازمانی ایجنتیک AI خواهند داشت، در حالی که تو سال ۲۰۲۴ این عدد کمتر از ۱٪ بود! یعنی تازه اول راهیم اما داریم تند پیش می‌ریم.
به خاطر همین هیجانا، مت مک‌لارتی (مدیر ارشد فناوری شرکت Boomi) می‌گه همه تو بازار تکنولوژی دارن دنبال اپلیکیشن کشنده و فوق‌العاده می‌گردن، ولی خیلی از شرکت‌ها هنوز حتی نمیدونن دقیقاً از کجا باید شروع کنن. مشکل اینجاست که خیلیا انقدر جوگیر شدن که می‌خوان یهویی شیرجه بزنن وسط ماجرا، در حالی که هنوز بلد نیستن حتی راه برن! و خب این می‌تونه به جای یه موفقیت تجاری، سر از هزینه و گیجی و پیچیدگی بیاره بیرون.
یه تجربه مشابه هم داشتیم: یادتونه موقع جدا شدن بلاک‌چین (Blockchain یعنی فناوری دفتر کل دیجیتالی، غیرمتمرکز، چیزی که بیت‌کوین روش ساخته شده) از بیت‌کوین کلی سر و صدا شد و شرکتا همه ریختن سرمایه‌گذاری، ولی الان بعد از یه دهه نه اونقدر که پیش‌بینی شده بود رشد کرد و نه کاربردش اونطور که همه امید داشتن شد! مک‌لارتی می‌گه: بلاک‌چین یه درس عبرت شد که حواسمون جمع باشه تا ایجنتیک AI هم به سرنوشت بی‌کاربردی و صرفاً هیجان ختم نشه. مشکل این بود که اکثراً اول مسئله رو پیدا نکردن و بیشتر دنبال این بودن اون تکنولوژی رو زورکی یه جایی بچپونن!
حالا راه‌حل چیه؟ مک‌لارتی می‌گه نباید جوگیر شی و مستقیم بری سراغ کارهای خیلی عجیب و غریب. سراغ همون اصطلاح «میوه‌های پایین درخت» برو، یعنی از کاربردهای ساده‌تر و سریع‌الحصول شروع کن که زود نتیجه می‌ده. مثلاً روی ایجنت‌های ساده‌تر و کارگر سرمایه‌گذاری کن که بعدا می‌شن جزئی از سیستم‌های پیچیده‌تر ایجنتیک. اینجوری از روز اول داری سود می‌بری و همون قدمای کوچیک بهت تجربه می‌ده.
یه نمونه خیلی کاربردی اینه که ایجنت‌هایی که قابلیت NLP (Natural Language Processing یعنی تکنولوژی‌ای که کامپیوتر بتونه حرف آدم رو، مثل ما آدما، بفهمه) دارن، می‌تونن به چت‌بات‌هایی که الان زیاد داریم کمک کنن تا بهتر جواب بدن یا کارای تکراری رو خودشون انجام بدن. یا مثلاً همین الان فرایندهای اتوماسیون تکراری تو شرکتا کلی وقت و انرژی می‌گیرن ولی باعث می‌شن جاهایی کار دستی بخواد؛ اینجاست که ایجنت‌های هوشمند می‌تونن مدیریت استثناها رو خودشون انجام بدن و این بار رو از دوش آدما بردارن.
ولی حواست باشه: یه وقت نری دنبال استفاده از ایجنتیک AI واسه کارایی که میشه با یه راه‌حل ساده‌تر و ارزون‌تر حلشون کرد. مثلاً ساختن یه سیستم خیلی باکلاس و پیچیده از ایجنت‌های لحظه‌ای و پراکنده شاید هیجان‌انگیز باشه، اما شاید بشه با یه ایجنت reasoning ساده که به داده‌های داخلی شرکت و چندتا ابزار API وصل میشه همون کارو کرد! اینجاست که اصل «سادگی ایجنت‌ها» یا همون KASS principle به درد می‌خوره: Keep Agents Simple, Stupid! یعنی الکی قضیه رو سخت نکن.
یه چیز دیگه هم مهمه: اتصال و یکپارچگی بین داده‌ها و این سیستم‌ها. یعنی قابلیتی به اسم Interoperability که یعنی سیستم‌ها بتونن به راحتی با هم حرف بزنن و اطلاعات بگیرن (این خودش آینده رو از همین الان تضمین می‌کنه). مثلاً تصور کن یه ایجنت برای استخدام نیرو ببینه و لازم باشه به دیتاهای مربوط به قوانین جدید منابع انسانی یا لیست دارایی‌ها یا واحد IT دست پیدا کنه. اگر این اطلاعات تو دسترس و قابل اتصال باشه، ایجنت کارت راحت جلو می‌بره. پس اگه با داده‌ها و اپلیکیشن‌های قابل اتصال کار کنی، عملاً داری یه گام بزرگ تو مسیر آینده ایجنتیک AI برمی‌داری.
اینجا مدل‌هایی مثل “MCP” یا Model Context Protocol میان وسط – اینا یه مدل باز و قابل‌پلاگین هستن که به راحتی مدل‌های AI رو به دیتاهای داخلی (یا حتی خارجی) وصل می‌کنن. اینو میشه روی ساختار API شرکت‌ها سوار کرد تا از روز اول، سیستم رو یکپارچه بسازن. شاید الان دردسرش زیاد باشه، ولی تو بلندمدت کلی فایده خواهد داشت.
البته اینم بدون! هرچی بیشتر با دیتا و اپلیکیشن وصل باشی، بعداً توی آینده پر از ایجنت (Multi-Agent Systems یعنی مجموعه‌ای از ایجنت‌ها که با هم کار می‌کنن و کارای بزرگتر رو پوشش می‌دن) کارت راحت‌تر میشه. تصور کن در آینده چندتا ایجنت با هم هماهنگ کار می‌کنن؛ یکی تو انبار، یکی تو لجستیک، یکی تو تولید – همه دست به دست هم می‌دن تا مدیریت زنجیره تامین شرکت رو بهینه کنن.
از الان هم کلی توسعه‌دهنده شخص ثالث دارن سراغ این مدل‌ها میان. مثلا آمازون دسامبر پارسال یه ابزار برای سرویس Bedrock خودش ارائه داد که توش کاربرا می‌تونن از چند ایجنت تخصصی که یه ایجنت مدیرکل هماهنگ‌کننده داره استفاده کنن: اجرای وظایف رو تقسیم و خروجیا رو جمع و جور می‌کنه و تحویل می‌ده.
منتهای مراتب اگه سازمانت بزرگ باشه و سیستمای دیجیتال مختلف داشته باشی، در بلندمدت کاریش نمی‌تونی بکنی جز اینکه خودت ساختار API اختصاصی بزنی تا از عهده همه نیازات بر بیای و از نهایت پتانسیل سیستم‌های چندایجنتی استفاده کنی.
پس نتیجه اینکه: هرچی می‌خوای در زمینه هوش مصنوعی انجام بدی، اول و آخر روی مسئله اصلی کسب‌وکار تمرکز کن و فقط به اندازه‌ای که لازمه پیش برو – زیاد هیجان‌زده نشو و حواست باشه از سادگی غافل نشی!
پ.ن: جالبه بدونی این مقاله، توسط تیم محتوای تخصصی MIT Technology Review تولید و تحقیق شده و کار نوشتن متن، جمع‌آوری دیتا و آنالیزش رو آدمای واقعی و با تجربه کردن! (البته شاید تو مراحل فنی تکمیلی از ابزار هوش مصنوعی هم استفاده شده باشه ولی کار به تایید و ویرایش نهایی انسان‌ها رسیده).
منبع: +
