این روزها بهسختی میشود در فضای فناوری سازمانی گشتی زد و به عبارت «Agentic AI» برنخورد. شرکتهای مشاورهای، وندورها و حتی رویدادها، تصویری از آیندهای ترسیم میکنند که در آن عاملهای هوشمند، میتوانند برنامهریزی کنند، تصمیم بگیرند، ابزارهای مختلف را فراخوانی کنند و حتی بخشی از عملیات سازمان – از برنامهریزی مالی گرفته تا خدمات منابع انسانی و عملیات IT – را بهصورت خودکار اجرا کنند.
اما یک الگوی تکراری در بسیاری از سازمانهایی که وارد این مسیر شدهاند دیده میشود: پروژههایی که با عنوان «دستیار هوشمند» یا «Agent» شروع میشوند، در عمل چیزی بیش از یک چتبات پیشرفته از آب درنمیآیند، یا اگر هم واقعاً به سطح Agent برسند، در محیط عملیاتی واقعی با شکست یا بیاعتمادی مواجه میشوند.
در خصوص «چرایی» این روند، فارغ از اقتضائات بازار (که جای بررسی دقیق دارد و این نوشتار بدان نمیپردازد) - یک سوال اجرایی-عملیاتی جدی هم وجود دارد که پاسخ به آن، شرط لازم برای تحقق اهداف پروژههای مبتنی بر هوش مصنوعی عاملمحور است: آیا سازمان اصلاً آماده واگذاری تصمیم و اجرا به یک Agent هست؟
پاسخ این سؤال بیش از آنکه به مدل زبانی، چارچوب توسعه یا توان پردازشی وابسته باشد، به 2 موضوع بنیادی بستگی دارد: کیفیت داده و سطح واقعی بلوغ فرایندی سازمان.
1) تعریف «داده باکیفیت» در حال تغییر است
در معماریهای سنتی داده، منظور از «کیفیت داده» معیارهایی مانند صحت (Accuracy)، کامل بودن (Completeness) و یکپارچگی (Consistency) بود. این معیارها برای دنیایی طراحی شده بودند که در آن داده عمدتاً ساختاریافته بود، در انبارهای داده متمرکز یا Datalakeها نگهداری میشد، از طریق پردازش دستهای (Batch) بهروزرسانی میشد و هدف نهایی آنها تولید گزارش و داشبورد مدیریتی بود.
اما با ورود GenAI، این تعریف بهآرامی در حال تغییر است. در معماریهای AI-Supportive، داده صرفاً یک رکورد ساختاریافته نیست؛ بلکه میتواند متن، تصویر، صوت یا ویدئو باشد. در نتیجه، معیارهای ارزش داده نیز تغییر میکنند. به همین دلیل، امروز مفاهیمی ارتباط معنایی(Semantic relevance)، زمینهمندی (Context) و استنادپذیری به واقعیت (Factual grounding) به همان اندازه Accuracy اهمیت پیدا کردهاند.
ممکن است دادهای کاملاً صحیح، کامل و مستند به واقعیت بوده، اما برای یک Agent تقریباً بیاستفاده باشد؛ زیرا ارتباط معنایی کافی نداشته باشد، زمینه لازم را فراهم نکند یا امکان استناد به منبع معتبر در آن وجود نداشته باشد.
طبیعتاً معماری داده نیز در حال تغییر است: از Data Warehouse به سمت Data Lakehouse و Vector Database حرکت میکنیم؛ از پردازشهای Batch به سمت Pipelineهای بلادرنگ؛ و از حاکمیتی که صرفاً بر امنیت داده متمرکز بود، به حاکمیتی که باید مسئولیتپذیری AI، کاهش سوگیری و حفاظت از اطلاعات شخصی را نیز پوشش دهد.
شاید بتوان این تغییر را در یک جمله خلاصه کرد: معماری داده در حال گذار از "Prepared for Reporting" به "Prepared for Reasoning" است. این یکی از مبانی بنیادین هر استراتژی دادهای است که قرار است از هوش مصنوعی مولد و عاملمحور پشتیبانی کند؛ و بدون این گذار، هیچ Agentای - هرقدر هم پیشرفته - نمیتواند تصمیم درستی بگیرد.
2) آیا سازمان هم آماده است؟
علاوه بر داده، فرایند هم مهم است. Agentها امکان معجزه روی فرایندهای آشفته را ندارند!
نگاهی به مسیر تحول سازمانها در دو دهه گذشته دید جالبی در خصوص این لایه ارائه میدهد: ابتدا سازمانها بر اساس واحدهای وظیفهای اداره میشدند؛ سپس مدیریت فرایندها اهمیت پیدا کرد؛ بعد BPMS و اتوماسیون هوشمند مطرح شدند و در سالهای اخیر نیز بسیاری از سازمانها به سمت Platform حرکت کردند. اکنون شرکتهایی مانند BCG از مرحله بعدی این مسیر صحبت میکنند؛ مرحلهای که در آن انسان بیش از آنکه مجری باشد، Orchestrator است و مجموعهای از Agentهای تخصصی، اجرای عملیات را بر عهده میگیرند.
اما نکته مهم اینجاست که عامل موفقیت این چشمانداز، خود AI نیست. آنچه تعیین میکند یک سازمان میتواند به سمت Agentic Execution حرکت کند یا خیر، کیفیت داده، یکپارچگی فرایندها و بلوغ Master Data است.
بنابراین در پروژههایی که با کلمات کلیدی نظیر «ایجاد و راهاندازی هوش مصنوعی عاملمحور» کلید میخورند، پیش از آن که بخواهیم به این پرسش پاسخ دهیم که: «برای سازمان چه Agentهایی بسازیم؟»، باید پاسخ این سوال را پیدا کنیم: «آیا فرایندهای ما آنقدر استاندارد، یکپارچه و قابل اعتماد هستند که بتوان اجرای آنها را به یک Agent سپرد؟»
در غیر این صورت، Agentها (در صورت موفقیت در پیادهسازی) فقط سرعت تولید آشفتگی را افزایش خواهند داد.
سخن پایانی
در دهه گذشته، رقابت سازمانها بر سر ساخت Platform بود و احتمالاً رقابت دهه آینده بر سر ساخت Platformهای Agentic خواهد بود؛ پلتفرمهایی که در آنها داده، فرایند و عاملهای هوشمند سه جزء مستقل نیستند، بلکه اجزای یک معماری واحد را تشکیل میدهند.
اما از منظر اجرایی-عملیاتی، موفقیت هوش مصنوعی عاملمحور در سازمانها در گرو تحقق پیشنیازهایی است که از آنها گریزی نیست! به همین دلیل، پیش از هر تعریف و اجرای پروژههای Agentic AI، ارزش دارد مدیران چند سؤال ساده از خود بپرسند:
آیا دادههای ما برای استدلال آمادهاند یا فقط برای گزارشدهی؟
آیا فرایندهای ما بهاندازه کافی استاندارد شدهاند که بتوان آنها را به یک Agent سپرد؟
چه کسی قرار است نقش Human Orchestrator را در این اکوسیستم بر عهده بگیرد؟
آیا آنچه در حال ساخت آن هستیم واقعاً یک Agent است یا صرفاً یک Assistant پیشرفته؟
پاسخ صادقانه به این پرسشها، احتمالاً بسیار مهمتر از انتخاب مدل زبانی، Vendor یا ابزار توسعه خواهد بود.
