عامل‌های هوش مصنوعی در همه جا حضور دارد، اما هیچ‌کس نمی‌داند چرا

مدتی  پیش، فریم‌ورک نرم‌افزاری LangChain گزارشی منتشر کرد که به بررسی وضعیت «عامل‌های هوش مصنوعی» در سال 2024 پرداخت. این گزارش از 1300 متخصص نظرخواهی کرده بود و در نهایت نشان داد که حدود 51 درصد از پاسخ‌دهندگان هم‌اکنون از عامل‌های هوش مصنوعی استفاده می‌کنند. همچنین، 63 درصد از شرکت‌های متوسط در حال بهره‌برداری از این تکنولوژی در فرآیندهای تولید خود هستند و 78 درصد نیز در آینده برنامه‌هایی برای ادغام هوش مصنوعی دارند.

همچنین این نظرسنجی نشان داد که حتی در شرکت‌های غیرتکنولوژی نیز تمایل زیادی به استفاده از عامل‌های هوش مصنوعی وجود دارد. طبق این گزارش، «90 درصد از افرادی که در شرکت‌های غیرتکنولوژیک کار می‌کنند، یا از عامل‌های هوش مصنوعی استفاده کرده‌اند یا برنامه دارند که آنها را به فرایند خود وارد کنند (که تقریباً معادل با 89 درصد در شرکت‌های تکنولوژی است).»

همچنین طی گزارشی از Research and Market درباره «تحلیل بازار عامل‌های هوش مصنوعی»، آینده‌ای امیدوارکننده برای این تکنولوژی پیش‌بینی شده است. این گزارش اشاره کرده که «پیش‌بینی می‌شود بازار عامل‌های هوش مصنوعی از 5.1 میلیارد دلار در سال 2024 به 47.1 میلیارد دلار در سال 2030 برسد. در واقع این رشد با نرخ سالانه 44.8 درصد طی سال‌های 2024 تا 2030 خواهد بود.»

این آمارها نشان‌دهنده تغییرات بزرگ در نگرش به عامل‌های هوش مصنوعی است و نشان می‌دهد که دیدگاه‌ها به سمت پذیرش بیشتر و شکستن شک و تردیدهای اولیه پیش می‌روند.

نماینده یا دستیار؟

در نظرسنجی LangChain، اکثریت پاسخ‌دهندگان اعلام کردند که از عامل‌های هوش مصنوعی برای خلاصه‌سازی تحقیقات و کمک‌های شخصی استفاده می‌کنند، اما نکته جالب این است که 35 درصد از آنها گفته‌اند که از این تکنولوژی برای انجام کارهای برنامه‌نویسی استفاده می‌کنند. البته هنوز شرکت‌ها نتونسته‌اند تعریف دقیقی از «عامل‌های هوش مصنوعی» ارائه بدن و مشخص نیست که این سیستم‌ها باید تا چه حد خودمختار باشند.

در گذشته هنگامی که گوگل اعلام کرد 25 درصد از کدهای نوشته‌شده جدید توسط هوش مصنوعی تولید می‌شود، انتقادهایی از سمت کاربران مطرح شد. به عنوان مثال، یکی از کاربران در HackerNews پیشنهاد کرد که احتمالا این ادعا اغراق‌آمیز باشد و بیشتر به یک موتور تکمیل کد وابسته است. در همین حال، یک کاربر در Reddit اظهار داشت که گوگل در واقع به «انجام کارهای تمیزکاری برای وابستگی‌ها، حذف کلاس‌های قدیمی یا تغییر پیکربندی‌های استقرار» اشاره داشته است.

چند روز پیش، شرکت بزرگ پردازش پرداخت Stripe یک کیت توسعه نرم‌افزاری (SDK) برای عامل‌های هوش مصنوعی منتشر کرد. این ابزار به مدل‌های زبانی بزرگ (LLM) امکان می‌دهد به توابع مرتبط با پرداخت‌ها، صورتحساب‌ها و تراکنش‌ها دسترسی داشته باشند. با این ویژگی، عامل‌های هوشمند می‌توانند پول خرج کنند یا پرداخت‌ها را تأیید و رد کنند.

با این حال، این قابلیت با تردیدهایی روبه‌رو شده است. برخی کاربران در شبکه اجتماعی X (توییتر سابق) پرسیدند آیا این ویژگی چیزی فراتر از فراخوانی‌های API معمولی است یا فقط یک نام شیک‌تر برای همان عملکردها است؟

یکی از کاربران در X نوشت: «برای من، این فقط حذف چند خط کد است و به جای آن یک مدل قیمت‌گذاری پیچیده‌تر ارائه می‌دهد. در نهایت، آیا نکته خاصی را از دست داده‌ام؟»

شرکت اوراکل در رویداد Oracle CloudWorld 2024، معرفی بیش از 50  عامل هوش مصنوعی را در مجموعه نرم‌افزارهای Fusion Cloud Application اعلام کرد. با این حال، «استیو میرندا»، معاون اجرایی توسعه برنامه‌های کاربردی اوراکل، تعریف دقیقی از عامل‌های هوش مصنوعی ارائه کرد. او در گفت‌وگویی با AIM گفت: «به نظر من، استفاده اولیه از این عامل‌های کاملاً خودمختار نخواهد بود و بیشتر با کمک انسان انجام می‌شود.»

همچنین، «کتان کارخانیس»، مدیرعامل ThoughtSpot، در گفت‌وگویی توضیح داد که بسیاری از سیستم‌های امروزی، مانند Microsoft Copilot، تنها به پرسش‌های تک‌مرحله‌ای پاسخ می‌دهند و توانایی استدلال، انطباق‌پذیری و یادگیری از محیط کسب‌وکار کاربران را ندارند تا بتوان آنها را خودمختار نامید.

او افزود: «این موضوع پیچیدگی‌های زیادی دارد. اگر نتوانید یک سیستم را آموزش دهید، پس نمی‌توان آن را نماینده هوش مصنوعی نامید. به نظرم نمی‌توانید یک کوپایلت را آموزش دهید، شما فقط می‌توانید برای آن دستورات سفارشی بنویسید.»

«مارک بنیوف»، مدیرعامل Salesforce، بارها از رویکرد مایکروسافت در زمینه عامل‌های هوش مصنوعی انتقاد کرده و این شرکت را به اغراق در بازاریابی توانایی‌های Copilot متهم کرده است.

هرچند هنوز تعریف مشترک و دقیقی برای عامل‌های هوش مصنوعی وجود ندارد، اما شرکت‌ها ادعا می‌کنند که استفاده از این فناوری باعث بهبود در بسیاری از عملیات‌های آنها شده است.

نظرسنجی اخیر درباره عامل‌های هوش مصنوعی با انتقادهایی در شبکه‌های اجتماعی روبه‌رو شد. یکی از کاربران در X نوشت: «در این دوره و زمانه، نظرسنجی‌ها بدترین معیار برای ارزیابی استفاده واقعی هستند. به جای آن، داده‌های واقعی و قابل‌ردیابی را نشان دهید.»

با وجود تعریف‌های غیرشفاف، بسیاری از شرکت‌ها، حتی برندهای بزرگ، با استفاده از عامل‌های هوش مصنوعی به موفقیت‌های چشمگیری دست یافته‌اند.

چند هفته پیش، شرکت Freshworks نسخه جدیدی از Freddy AI را معرفی کرد؛ یک عامل خودمختار که در نسخه آزمایشی (بتا) توانست 45 درصد درخواست‌های پشتیبانی مشتریان و 40 درصد خدمات IT را به‌تنهایی حل‌وفصل کند. همچنین، Salesforce از Agentforce رونمایی کرد؛ ابزاری که به مشتریان این شرکت اجازه می‌دهد عامل‌های هوش مصنوعی خود را روی پلتفرم خود پیاده‌سازی کنند.

شرکت انتشاراتی Wiley به‌عنوان یکی از مشتریان Salesforce، از موفقیت چشمگیر خود با ابزار Agentforce خبر داد. Wiley در یک پست وبلاگی نوشت: «با کمک ابزارهای هوش مصنوعی و افزایش بهره‌وری، توانستیم فرآیند آموزش نیروهای فصلی را 50 درصد سریع‌تر کنیم که منجر به بازگشت سرمایه 213 درصدی و صرفه‌جویی 230 هزار دلاری شد.»

همچنین شرکت Wiley اعلام کرد که Agentforce در مقایسه با چت‌بات قبلی آن‌ها، توانست 40 درصد بهبود در حل پرونده‌های مشتریان ایجاد کند. این موفقیت‌ها با نتایج نظرسنجی LangChain نیز همخوانی دارد، جایی که 45.8 درصد از شرکت‌کنندگان اعلام کردند که از عامل‌های هوش مصنوعی در خدمات و پشتیبانی مشتریان استفاده کرده‌اند.

Salesforce همچنان به آینده‌ای روشن برای عامل‌های هوش مصنوعی امیدوار است. «میک کاستیگان»، معاون بخش Salesforce Futures، گفت: «در سال 2025، شاهد هماهنگی‌های پیچیده‌تر و چندنماینده‌ای خواهیم بود که چالش‌های بزرگ‌تری مانند شبیه‌سازی راه‌اندازی محصولات جدید، کمپین‌های بازاریابی و ارائه توصیه‌هایی برای بهینه‌سازی آن‌ها را در سازمان‌ها حل می‌کنند.»

شرکت‌هایی که از عامل‌های هوش مصنوعی استفاده می‌کنند، توانسته‌اند دقت کارها را افزایش دهند و هزینه‌های عملیاتی را کاهش دهند. به‌عنوان‌مثال، شرکت مخابراتی Amdocs با استفاده از ابزارهای هوش مصنوعی NVIDIA’s NIM Microservices، موفق شد دقت عملکرد سیستم‌های خود را 30 درصد بهبود دهد.

این شرکت همچنین اعلام کرد که با کاهش مصرف منابع، هزینه‌های خود را به طور چشمگیری پایین آورده است. در واقع شرکت Amdocs توانست استفاده از توکن‌ها را برای آماده‌سازی داده‌ها 60 درصد و برای پردازش نهایی تا 40 درصد کاهش دهد.

برخلاف تصور عمومی که عامل‌های هوش مصنوعی کاملاً خودمختار عمل می‌کنند، دلایل موجهی وجود دارد که چرا چنین نیست. در نظرسنجی LangChain، بیشتر پاسخ‌دهندگان بر اهمیت ردیابی و نظارت برای مدیریت عملیات خودکار تأکید کردند.

بیش از 35 درصد از شرکت‌ها، ارزیابی آنلاین یا آفلاین نتایج تولیدشده توسط این عامل‌های را در اولویت قرار داده‌اند. همچنین، بیشتر شرکت‌ها تنها به عامل‌های هوش مصنوعی اجازه خواندن اطلاعات را داده‌اند و تنها حدود 10 درصد از شرکت‌ها به آنها اجازه خواندن، نوشتن و حذف داده‌ها را داده‌اند.

حتی اگر نگرانی‌ها و خطرات مربوط به عامل‌های هوش مصنوعی کاهش یابد، این سیستم‌ها ممکن است نتوانند به طور کامل تمام جزئیات هر بخش از عملیات را درک کنند.

«سم منتل» مدیرعامل گروه Lingaro در گفت‌وگویی با AIM، بر اهمیت مدیریت جریان داده‌ها بین هر بخش از یک عملیات تأکید کرد. او گفت که این بخش‌ها معمولاً از هم جدا هستند و باید توجه بیشتری به نحوه ارتباط آنها داشته باشیم.

منتل افزود: «من می‌خواهم مالک داده‌هایی که ممکن است در هر یک از این اپلیکیشن‌ها وجود داشته باشد را بشناسم. در واقع اگر بخواهیم همه چیز را به طور مؤثر و روان پیش ببریم، باید یک نفر مسئول آن داده‌ها باشد، حتی اگر در سازمان جابه‌جا شوند.»