با گسترش کاربردهای هوش مصنوعی مولد (Generative AI)، موج جدیدی از سامانههای خودمختار با عنوان «هوش مصنوعی عاملمحور» (Agentic AI) در حال شکلگیری است؛ سامانههایی که برخلاف چتباتهای سنتی، نهتنها به پرسشها پاسخ میدهند، بلکه قادرند برای رسیدن به یک هدف مشخص، برنامهریزی کرده و مجموعهای از اقدامات را بهصورت مستقل اجرا کنند. این تغییر، به گفته برخی گزارشهای صنعتی، میتواند مسیر اتوماسیون سازمانی را وارد مرحلهای تازه کند و نقش نرمافزارها را از ابزارهای صرفاً تعاملی به سیستمهای اجرایی ارتقا دهد.
در این میان، شرکتها و مراکز تحقیقاتی بزرگی مانند OpenAI، Microsoft و Google DeepMind در حال توسعه نسل جدیدی از عاملهای نرمافزاری هستند که میتوانند در محیطهای پیچیده دیجیتال تصمیمگیری کنند. این سامانهها بر پایه مفهوم «خودمختاری عملیاتی» (Autonomy) طراحی شدهاند و تلاش میکنند فاصله میان تصمیمگیری انسانی و اجرای ماشینی را کاهش دهند.
در تعریف فنی، هوش مصنوعی عاملمحور به سیستمهایی گفته میشود که به جای اجرای یک دستور واحد، قادرند یک هدف کلی را دریافت کرده و آن را به مراحل کوچکتر تقسیم کنند، برای هر مرحله برنامهریزی انجام دهند، ابزارهای دیجیتال را به کار بگیرند و در صورت بروز خطا، مسیر خود را اصلاح کنند. این چرخه تصمیمگیری مداوم باعث شده برخی پژوهشگران از آن بهعنوان گامی به سمت «نرمافزارهای خودگردان» یاد کنند؛ نرمافزارهایی که میتوانند بدون دخالت مستقیم انسان، فرآیندهای چندمرحلهای را تا رسیدن به نتیجه دنبال کنند.
در مقایسه با نسلهای پیشین هوش مصنوعی مولد (Generative AI)، تفاوت اصلی در نوع تعامل است. در مدلهای قبلی، سیستمها عمدتاً واکنشی بودند و بر اساس ورودی کاربر پاسخ تولید میکردند، اما در معماریهای عاملمحور، سیستم از حالت منفعل خارج شده و به یک بازیگر فعال در فرآیند تبدیل میشود. این تحول، بهویژه در حوزههایی که نیازمند تصمیمگیری چندمرحلهای هستند، اهمیت بیشتری پیدا میکند.
در سطح صنعتی، شرکت NVIDIA نیز بر نقش زیرساختهای محاسباتی در اجرای این نوع سیستمها تأکید کرده است. زیرا اجرای عاملهای پیچیده نیازمند ترکیب مدلهای زبانی، دسترسی به ابزارهای نرمافزاری و توان پردازشی بالا است؛ ترکیبی که بدون زیرساخت مناسب، مقیاسپذیری محدودی خواهد داشت.
از منظر کاربردی، هوش مصنوعی عاملمحور در حال ورود به چند حوزه کلیدی است. در اتوماسیون صنعتی و مهندسی، این عاملها میتوانند به نرمافزارهای تخصصی متصل شوند، در تولید کدهای کنترلی و تست سیستمهای صنعتی نقش کمکی داشته باشند و حتی بخشی از فرآیندهای شبیهسازی را بهصورت خودکار انجام دهند. در زنجیره تأمین و لجستیک نیز، این سامانهها با تحلیل دادههای انبار و رفتار بازار، امکان پیشبینی تقاضا و پیشنهاد سفارشگذاری را فراهم میکنند.
در فرآیندهای اداری، بهویژه در حوزههای مالی، حقوقی و منابع انسانی، استفاده از عاملهای هوشمند در حال افزایش است. بر اساس گزارشهای منتشرشده از سوی OpenAI، این سامانهها میتوانند وظایف تکراری و زمانبر مانند بررسی اسناد، تطبیق قراردادها یا پردازش فاکتورها را با سرعت بالاتر و وابستگی کمتر به نیروی انسانی انجام دهند. با این حال، سطح دقت و قابلیت اعتماد آنها همچنان به کیفیت دادهها و میزان نظارت انسانی وابسته است.
در حوزه امنیت سایبری نیز، عاملهای هوش مصنوعی بهعنوان ابزارهای پایش مداوم شبکه مورد استفاده قرار میگیرند. این سامانهها میتوانند رفتارهای غیرعادی را شناسایی کرده، آسیبپذیریهای احتمالی را شبیهسازی کنند و در برخی موارد هشدارهای امنیتی اولیه ارائه دهند. با این وجود، کارشناسان تأکید میکنند که نقش آنها در این مرحله مکمل تیمهای امنیتی انسانی است، نه جایگزین کامل آنها.
با وجود ظرفیتهای قابل توجه، توسعه هوش مصنوعی عاملمحور با چالشهای مهمی نیز همراه است. یکی از اصلیترین مسائل، موضوع «حاکمیت و نظارت» (Governance) است؛ زیرا اعطای دسترسی گسترده به سیستمهای خودمختار میتواند در صورت نبود چارچوبهای کنترلی مناسب، ریسکهایی در حوزه امنیت داده و تصمیمگیری ایجاد کند. به همین دلیل، رویکرد «انسان در حلقه تصمیمگیری» (Human-in-the-loop) همچنان بهعنوان یک استاندارد کلیدی در طراحی این سامانهها مطرح است.
چالش دیگر، میزان اطمینانپذیری در محیطهای پیچیده و غیرقابل پیشبینی است. همچنین موضوعاتی مانند سوگیری دادهها، مصرف بالای منابع محاسباتی، نبود استانداردهای قانونی یکپارچه و محدودیت در مقیاسپذیری، از موانع مهم توسعه گسترده این فناوری محسوب میشوند.
در مجموع، هوش مصنوعی عاملمحور را میتوان مرحلهای جدید در تکامل سیستمهای هوشمند دانست که در آن تمرکز از «تولید پاسخ» به «اجرای هدف» تغییر کرده است. با این حال، آینده این فناوری نهتنها به پیشرفتهای فنی، بلکه به شکلگیری چارچوبهای نظارتی، امنیتی و سازمانی وابسته خواهد بود. در نهایت، رقابت میان شرکتها احتمالاً دیگر صرفاً بر سر قدرت مدلهای زبانی نخواهد بود، بلکه بر سر توانایی طراحی و ادغام عاملهایی خواهد بود که بتوانند بهصورت ایمن، قابلکنترل و مؤثر در فرآیندهای واقعی کسبوکار عمل کنند.