OpenAI در حال فراتر رفتن از چتباتهای ساده برای ساخت عاملهای هوش مصنوعی خودمختار است که جریانهای کاری دیجیتال چندمرحلهای را مدیریت میکنند. این شرکت اولین نمونه از این عاملها را با نام ChatGPT Work عرضه کرده است که یک افزونه ۲۰ دلاری در ماه برای اشتراک کاربران عادی است. این سرویس وعده میدهد که به عنوان یک همکار دیجیتال عمل کند که دادهها را از صندوقهای ورودی ایمیل، Slack، Notion و سایر ابزارها استخراج میکند؛ قابلیتی که میتواند نحوه گذراندن روز توسط کارکنان دانشبنیان را بازتعریف کند.
چرا تغییر به سمت هوش مصنوعی «عاملمحور» (agentic)
مدلهای زبانی بزرگ سنتی به سوالات پاسخ میدهند و متوقف میشوند. «هوش مصنوعی عاملمحور» توصیفگر سیستمهایی است که تصمیم میگیرند چه کاری انجام دهند و سپس آن را اجرا میکنند؛ مانند ارسال ایمیل، بهروزرسانی صفحات گسترده یا طراحی طرحها در Figma، بدون اینکه انسان نیاز به کلیک کردن روی هر دکمه داشته باشد. مهندسان OpenAI میگوینند این گام اضافی، یک دستیار گفتگومحور را به یک شریک بهرهوری تبدیل میکند، بهویژه برای مشاغلی که جابهجایی بین اپلیکیشنهای مختلف، زمان قابلصورتحساب آنها را میبلعد.
از توسعهدهندگان تا کل محیط کار
ملموسترین موفقیت هوش مصنوعی عاملمحور در حوزه مهندسی نرمافزار بوده است. مدل Codex شرکت OpenAI به توسعهدهندگان اجازه میداد آنچه را که میخواهند با زبان ساده توصیف کنند و سپس کد تولید شود، که به طور موثری پیچیدگیهای نحو (syntax) را حذف میکرد. یک مطالعه تحت حمایت شرکت نشان داد که در حالی که تقریباً تمام کارکنان OpenAI از Codex استفاده میکردند، کمتر از یک نفر از هر صد مشترک خارجی از آن استفاده میکردند. هدف ChatGPT Work این است که همان تجربه «توصیف آنچه نیاز دارید» را برای حسابداران، پزشکان، سرمایهگذاران و سایر متخصصان غیرفنی فراهم کند. هدف این است که رابطهای خط فرمان (command-line interfaces) و اسکریپتهای سفارشی با یک دستور متنی ساده جایگزین شوند که میتواند در وبسایتهای قدیمی پیمایش کند، دادهها را از محصولات مختلف SaaS استخراج کند و نتایج را به هم پیوند دهد.
نگرانیهای مربوط به حریم خصوصی و کنترل
برای اینکه یک عامل مفید باشد، باید همان اطلاعاتی را ببیند که یک انسان میبیند: ایمیلهای خصوصی، رشتهپیامهای فوری، اسناد داخلی و فایلهای طراحی. منتقدان هشدار میدهند که دادن چنین سطح از دسترسی به هوش مصنوعی، سطح جدیدی از آسیبپذیری (attack surface) ایجاد میکند؛ یک مدل هکشده میتواند دادههای محرمانه را استخراج کند و ممکن است کاربران بهطور کامل درک نکنند که اطلاعاتشان چگونه برای تولید پاسخ استفاده میشود. تیم OpenAI این ریسک را میپذیرد اما میگوید که این سبکسنگین کردن (trade-off) اجتنابناپذیر است؛ بدون ادغام عمیق، عامل نمیتواند وظایفی را که کاربران از او میخواهند، انجام دهد.
فشار رقابتی از سوی متخصصان حوزهای (vertical specialists)
OpenAI تنها بازیگری نیست که روی عاملهای خودمختار شرطبندی کرده است. شرکتهای کوچکتر ابزارهایی را عرضه کردهاند که بر یک حرفه خاص تمرکز دارند؛ یکی برای وکلا و دیگری برای تیمهای فروش. این محصولات رویکردی مستقل از مدل (model-agnostic) دارند: آنها به جای وابستگی به فناوری یک ارائهدهنده واحد، از هر مدل زبانی که بهترین عملکرد را در حوزه تخصصی خودشان ارائه میدهد، استفاده میکنند. این انعطافپذیری به آنها اجازه میدهد چابک بمانند و به سرعت تغییرات را اعمال کنند. برای OpenAI، چالش اصلی ساخت راهکاری است که برای همه کاربرد داشته باشد (one-size-many) اما همچنان مانند یک اپلیکیشن تخصصی، شخصیسازی شده به نظر برسد، در غیر این صورت شرکتها ممکن است گزینههای محدودتر اما حرفهایتر را انتخاب کنند.
انگیزههای اقتصادی پشت عاملهای با فعالیت طولانیتر
هر توکنی که یک عامل تولید میکند — هر کلمه یا قطعه کد — برای OpenAI هزینه منابع محاسباتی دارد و شرکت بر اساس میزان استفاده از توکن، از کاربران هزینه دریافت میکند. وقتی یک عامل جریان کاری را اجرا میکند که چندین دقیقه طول میکشد، با چندین API ارتباط برقرار میکند و یک گزارش نهایی تولید میکند، تعداد توکنها در مقایسه با یک چت تکسوالی به طرز چشمگیری افزایش مییابد. این امر باعث افزایش درآمد به ازای هر کاربر میشود، بهویژه برای مشترکانی که افزونه ۲۰ دلاری را فعال نگه میدارند. مدل کسبوکار بر مقیاسپذیری سرویس برای یک پایگاه کاربری عظیم استوار است؛ هرچه متخصصان بیشتری روزانه به این عامل تکیه کنند، جریان درآمدی بزرگتری ایجاد میشود که سرمایهگذاری سنگین در خوشههای محاسباتی و آموزش مدل را توجیه میکند.
آنچه باید در آینده زیر نظر داشت
- شاخصهای پذیرش (Adoption metrics) – دادههای اولیه استفاده نشان خواهد داد که آیا کاربران غیرفنی میتوانند بر منحنی یادگیری غلبه کنند و برای وظایف حساس به عامل اعتماد کنند یا خیر.
- محافظتهای حریم خصوصی (Privacy safeguards) – هرگونه عرضه استنتاج در دستگاه (on-device inference) یا کنترلهای دسترسی قویتر میتواند تراز ریسک به سود مشتریان سازمانی را تغییر دهد.
خلاصه کلام
تلاش OpenAI برای تبدیل ChatGPT به یک همکار فعال میتواند بهرهوری اداری را بازتعریف کند، اما این مسیر با نگرانیهای حریم خصوصی، شکاف بزرگ در پذیرش و رقبایی که در حال حاضر بازارهای تخصصی را در اختیار دارند، پر شده است. موفقیت بستگی به این دارد که بتوان طیف گستردهای از متخصصان را متقاعد کرد که راحتی و مزایای درآمدی، بر ریسکهای دادن دسترسی عمیق به زندگی دیجیتالشان به یک هوش مصنوعی، میچربد.