چرا تقاضا برای مهندسان استقرار پیشگام (FDE) در صنعت هوش مصنوعی بهشدت افزایش یافته است؟

جدیدترین فاز پذیرش هوش مصنوعی، تقاضای بالایی را برای مهندسانی ایجاد کرده است که میتوانند فراتر از نوشتن پرامپتهای ساده یا تولید کد عمل کنند. شرکتها به افراد باتجربهای نیاز دارند که بتوانند وارد یک سازمان شوند، مشکلاتی را که هوش مصنوعی قادر به حل آنهاست شناسایی کنند، فناوری جدید را به سیستمهای موجود متصل کرده و دموهای جاهطلبانه را به برنامههای کاربردی و تجاری تبدیل کنند. این متخصصان که با نام مهندسان استقرار پیشگام (FDE) شناخته میشوند، در حال حرکت از یک گوشه نسبتاً ناشناخته در نرمافزارهای سازمانی به مرکز استراتژی تجاری صنعت هوش مصنوعی هستند.

خریدهای اخیر شرکتهای مهندسی و مشاوره هوش مصنوعی توسط OpenAI و Anthropic، این تقاضا را بیش از پیش نمایان میکند؛ چرا که شرکتهای پیشرو هوش مصنوعی در حال سرمایهگذاری روی سازمانهایی هستند که تخصص لازم برای استقرار مستقیم فناوری آنها را در کسبوکار مشتریان دارند. توافق OpenAI برای تصاحب Tomoro و همچنین خرید Fractional AI توسط یک شرکت خدمات سازمانی تحت حمایت Anthropic، نشان میدهد که تخصص در پیادهسازی تا چه حد برای شرکتهایی که میخواهند از صرفِ فروش مدلهای هوش مصنوعی فراتر رفته و برنامههای سازمانی کاربردی ارائه دهند، ارزشمند شده است.

اهمیت این موضوع بسیار فراتر از استخدام مهندس یا پیادهسازیهای ساده هوش مصنوعی است. توسعهدهندگان هوش مصنوعی میتوانند مدلهای پیچیدهتری بسازند، اما مشتریان همچنان با دادههای پراکنده، فرآیندهای مستندنشده (که اغلب «دانش قبیلهای» نامیده میشوند)، محدودیتهای قانونی و عدم اطمینان در مورد اینکه کدام برنامهها ارزش سرمایهگذاری دارند، مواجه هستند. مهندسی استقرار پیشگام راهی برای پر کردن شکاف میان قابلیتهای هوش مصنوعی و واقعیتهای عملیاتی سازمانهایی است که انتظار میرود از آن استفاده کنند.

برای ارائهدهندگان فناوری، این رویکرد ممکن است چرخههای فروش را کوتاهتر کرده، میزان پذیرش را افزایش دهد و روابط پایدارتری با مشتریان ایجاد کند. برای سازمانها نیز، این مدل مسیر مستقیمتری را از مرحله آزمایش تا رسیدن به بازدهی قابل اندازهگیری نوید میدهد.

با این حال، این اشتیاق فزاینده یک سوال مهم را مطرح میکند. آیا شرکتهای هوش مصنوعی باید مهندسان خود را در کنار مشتریان مستقر کنند و هزینه و پیچیدگی تبدیل شدن به یک شرکت دوگانه (فروشنده نرمافزار و مشاور) را بپذیرند؟ یا باید مدل سنتی خدمات حرفهای را حفظ کرده و با استفاده از کشف هدفمند، کارگاهها و نمونهسازی سریع (Rapid Prototyping)، پیش از تخصیص منابع مهندسی، مشکلات را شناسایی کنند؟

بررسیها و گفتوگوهای اخیر با دو شرکت فناوری در کاوناس (دومین شهر بزرگ لیتوانی و یکی از قطبهای در حال رشد هوش مصنوعی در جهان)، نشان میدهد که چرا این مدل در حال جلب توجه است و چرا حتی در پیشرفتهترین لبههای بازار هوش مصنوعی، بر سر میزان پیشروی آن و اتفاقات پس از پایان دموی هوش مصنوعی اختلاف نظر وجود دارد.

چرا شرکتهای پیشگام هوش مصنوعی در حال خرید تخصص مهندسی هستند؟

در ماه مه ۲۰۲۶، OpenAI از ایجاد شرکت استقرار OpenAI (OpenAI Deployment Company) خبر داد؛ کسبوکار جدیدی که با بیش از ۴ میلیارد دلار سرمایهگذاری اولیه و پشتیبانی ۱۹ شرکت سرمایهگذاری، مشاوره و یکپارچهساز سیستمها آغاز به کار کرد. OpenAI همزمان توافقنامهای را برای تصاحب Tomoro اعلام کرد؛ یک شرکت مشاوره هوش مصنوعی کاربردی که حدود ۱۵۰ مهندس و متخصص استقرار آن، از همان ابتدا یک سازمان تحویل و پیادهسازی تثبیتشده را برای این سرمایهگذاری جدید فراهم میکنند.

در ادامه این روند، در ماه ژوئیه، شرکت استقرار OpenAI از توافق برای خرید Northslope خبر داد؛ شرکت دیگری در حوزه هوش مصنوعی کاربردی که تجربه پیادهسازی هوش مصنوعی در محیطهای پیچیده سازمانی را دارد. هدف اعلامشده این شرکت، آوردن مستقیم مهندسان به داخل سازمان مشتریان و اتصال مدلهای هوش مصنوعی به اطلاعات اختصاصی، برنامههای موجود، کنترلهای امنیتی و فرآیندهای عملیاتی است.

Anthropic نیز برای عقب نماندن از رقبا، رویکرد مشابهی را از طریق Ode with Anthropic دنبال میکند؛ یک کسبوکار خدمات سازمانی هوش مصنوعی که با همکاری Blackstone، Hellman & Friedman و دیگر سرمایهگذاران تاسیس شده است. این شرکت که در ژوئیه ۲۰۲۶ با نام Ode معرفی شد، بر پایه Fractional AI شکل گرفت؛ یک شرکت خدمات هوش مصنوعی کاربردی که در ماه مه خریداری شده بود. شرکت Ode متعاقباً در ماه اوت Casper Studios را نیز خریداری کرد تا تخصص استقرار Claude در داخل برنامهها و جریانهای کاری فعلی شرکتها را به مجموعه خود اضافه کند.

منطق تجاری این شرکتهای فناوری بسیار قانعکننده است. یک ارائهدهنده مدل زمانی درآمد کسب میکند که از فناوری آن استفاده شود، اما سازمانی که نتواند هوش مصنوعی را در فرآیندهای تجاری خود ادغام کند، دلیل چندانی برای افزایش مصرف خود نخواهد داشت. مهندسانی که کاربردها را شناسایی میکنند، یکپارچهسازیها را انجام میدهند و سیستمهای کارآمد را مستقر میکنند، میتوانند یک آزمایش محدود را به تقاضای پایدار تبدیل کنند. به این ترتیب، ارائهدهندگان مدلها به محیطهای عملیاتی مشتریان خود نزدیکتر میشوند و همزمان تخصص فنی و دانش دستاول از مشکلات تجاری را که فناوری آنها باید حل کند، به دست میآورند.

استارتاپها FDEها را به مدلهای جذب مشتری خود اضافه میکنند

برای استارتاپ Ace Waves که در کاوناس مستقر است، مهندس استقرار پیشگام یک منبع کمکی نیست که تنها در زمان بروز مشکلات پیادهسازی به کار گرفته شود. این مهندسان از همان ابتدا بخشی از پیشنهاد تجاری شرکت هستند.

این استارتاپ ایجنتهایی توسعه میدهد که تعاملات خدمات مشتریان را برای کسبوکارهای بزرگ مصرفکننده مدیریت میکنند. فناوری این شرکت از ایجنتهایی استفاده میکند که فراتر از پاسخگویی به سوالات اولیه عمل کرده و میتوانند لغو اشتراکها را پردازش کنند، حسابهای مشتریان را تغییر دهند، اطلاعات را از سیستمهای پرداخت بازیابی کرده و تراکنشها را از طریق کانالهای پشتیبانی موجود اجرا کنند.

ارائه چنین قابلیتی نیازمند سفارشی‌سازی قابل‌توجهی است. بهعنوان مثال، یک کسبوکار مبتنی بر اشتراک ممکن است به ایجنت اجازه دهد پیش از لغو حساب مشتری، یک طرح تخفیفدار به او پیشنهاد دهد. شرکتی دیگر ممکن است زمانی که خطر اختلاف پرداخت از حد مشخصی فراتر میرود، نیازمند لغو فوری اشتراک باشد. فناوری هوش مصنوعی زیربنایی ممکن است مشابه باشد، اما قوانین تجاری، یکپارچهسازیها و تدابیر امنیتی عملیاتی میتوانند بهطور قابلتوجهی متفاوت باشند.

آنتاناس باکشیس، بنیانگذار Ace Waves توضیح میدهد که حدود یکسوم نیروی کار این شرکت در بخش مهندسی استقرار پیشگام مشغول به کار هستند. این شرکت معمولاً یک مهندس اختصاصی را با پشتیبانی سایر اعضای تیم به یک فرآیند پیادهسازی اختصاص میدهد. هدف آنها راهاندازی یک سیستم اولیه و کارآمد در ماه اول و به دنبال آن بهبود و توسعه سیستم است. مهندسان حتی پیش از امضای قرارداد در پروژه مشارکت دارند.

باکشیس تصریح میکند: «مهندسان FDE ما بخشی از تیم فروش هستند. ما از این رویکرد استفاده میکنیم تا نشان دهیم فناوری ما در محیط عملیاتی واقعی مشتری احتمالی چه کارهایی میتواند انجام دهد، نه اینکه از مشتری بخواهیم پلتفرمی را صرفاً بر اساس دموها یا قابلیتهای وعدهدادهشده خریداری کند.»

هدف اعلامشده این شرکت، خودکارسازی ۸۰ درصد از حجم کاری پشتیبانی مشتریان و تبدیل خدمات مشتری از یک هزینه به منبع درآمد است. یک نسخه آزمایشی کارآمد، فرصتی برای راستیآزمایی این ادعا در برابر سیستمها و رویههای خود مشتری فراهم میکند.

این مدل تجاری به بخش قیمتگذاری نیز تسری پیدا میکند. Ace Waves میگوید قراردادهای آن بر اساس وضوح و موفقیت در خدمات مشتری تنظیم میشوند و درآمد شرکت با عملکرد ایجنتهایی که مستقر میکند، همسو است. قیمتگذاری مبتنی بر عملکرد (بهجای رویکرد قیمتگذاری ساعتی یا پروژهای) اغلب مکمل مدل FDE است. این موضوع به جای تشویق به دریافت هزینه بیشتر برای پیادهسازیهای پیچیده یا سهمیهبندی استعدادهای مهندسی در یک رویکرد با قیمت ثابت، انگیزه مالی لازم را برای درک عملیات مشتری پیش از آغاز پیادهسازی به شرکت میدهد.

برای شرکتهای مشاوره و راهکار، مدل FDE نیازمند بازآفرینی است

همه شرکتهای پیادهسازی هوش مصنوعی در مورد استفاده از FDEها در پروژههای هوش مصنوعی همعقیده نیستند. Gritmind از زاویه متفاوتی به همین موضوع نزدیک میشود.

این شرکت مهندسی نرمافزار مستقر در کاوناس، با مشتریان سازمانی در زمینه توسعه برنامهها، نوسازی سیستمها و بهطور فزایندهای پروژههای مرتبط با هوش مصنوعی همکاری میکند. عملیات مهندسی آن در لیتوانی مستقر است، در حالی که تیم فروش، توسعه کسبوکار و تخصص تجاری آن در ایالات متحده قرار دارد.

نمایندگان Gritmind تقاضا برای مهندسی استقرار پیشگام را درک میکنند. با این حال، آنها چندان متقاعد نشدهاند که ایجاد یک سازمان پیادهسازی اختصاصی یا تخصیص مهندسان فردی به مشتریان، پیشرفت بنیادی و مهمی نسبت به روشهای تثبیتشده مشاوره نرمافزاری به شمار رود.

راموناس زاویستاناویچیوس، شریک و مدیر مهندسی این شرکت، با اشاره به چشم‌انداز تخصیص یک مهندس فردی به مشتری بدون وجود یک ساختار جامع‌تر تحویل پروژه، توضیح داد: «ما نمی‌خواهیم مهندسان کلیدی خود را به سادگی در اختیار کسی قرار دهیم.»

در عوض، Gritmind استقرار موقت تیمهای کوچک برای بررسی مشکلات تجاری، برگزاری کارگاهها، تعیین الزامات فنی و مشخص کردن برنامههای واجد شرایط سرمایهگذاری را ترجیح میدهد. این شرکت توضیح میدهد که این فرآیند بخشی از رویکرد فروش مشاورهای سنتی آنهاست.

زاویستاناویچیوس در ادامه افزود: «ما بلافاصله پیشنهاد استفاده از هوش مصنوعی برای هر چیزی را نمیدهیم.» وی توضیح داد که این شرکت ابتدا به دنبال درک مشکلات عملیاتی مشتری است.

رویکرد آنها به جای یک راهحل ازپیشتعیینشده با هوش مصنوعی، از مشکل تجاری آغاز میشود. این فرآیند برای شرکتهای مشاوره باتجربه آشناست. Gritmind سالهاست که کارگاههای اکتشافی برگزار کرده و برنامههای کاربردی برای مشتریان توسعه میدهد.

اما هوش مصنوعی شرایط را حتی برای شرکتهای سنتی ارائهدهنده راهکار تغییر داده است. آنچه تغییر کرده، سرعتی است که این کارگاهها میتوانند دموهای فنی قانعکنندهای تولید کنند.

در گذشته، مذاکرات اولیه با مشتری ممکن بود به اسناد طراحی، نمودارهای جریان کار یا نمونههای اولیه قابل کلیک منجر شود. اما اکنون هوش مصنوعی مولد و ابزارهای موسوم به vibe coding به مهندسان Gritmind اجازه میدهند تا در چرخههای توسعه بسیار کوتاهتری، نمونههای اولیه کاربردی را با رابطهای قابل استفاده و خروجیهای واقعی بسازند.

بر اساس گزارشها، در یک پروژه اعتبارسنجی فاکتور سازمانی، Gritmind یک اثبات مفهوم (PoC) کوچک را با استفاده از یک فاکتور و قرارداد واقعی ایجاد کرد. این دمو به انتقال راهحل پیشنهادی پیش از تعهد مشتری به یک پیادهسازی بزرگتر کمک کرد.

نمایندگان این شرکت اظهار داشتند که پس از رقابت با سه فروشنده دیگر، برنده این قرارداد شدند و نتیجه را تا حدی به نمونه اولیه کاربردی که تولید کرده بودند، نسبت دادند. پیامد این موضوع بسیار مهم است. مشتریان بهطور فزایندهای این فرصت را دارند که پیش از خرید کل پروژه توسعه، برنامه پیشنهادی را تجربه کنند. در برخی موارد، خود مشتریان با نمونههای اولیه کاربردی خود به سراغ شرکتهای فناوری میآیند.

Gritmind استدلال میکند که اصول مشاوره زیربنایی همچنان معتبر هستند. مهندسان هنوز باید کسبوکار مشتری را درک کنند، تعیین کنند چه چیزی باید ساخته شود و فناوری مناسب را شناسایی کنند. هوش مصنوعی این فرآیند را سریعتر میکند، اما شرکت معتقد است که این موضوع لزوماً نیاز به یک سازمان تخصصی مهندسی استقرار پیشگام را ایجاب نمیکند.

مانع واقعی پذیرش هوش مصنوعی اغلب در درون کسبوکار پنهان است

با وجود اختلاف نظر در مورد روش درست تعامل با مشتری پیش از شروع یک قرارداد، جالبترین نکته، شناسایی مستقل یک مانع مشترک بر سر راه پذیرش هوش مصنوعی سازمانی توسط این دو شرکت است.

هر دو شرکت با سازمانهایی مواجه میشوند که فرآیندهای تجاری آنها حاوی دانش مستندنشدهای است که نمیتواند مستقیماً به نرمافزار ترجمه شود. Ace Waves این وضعیت را «بدهی خدمات مشتری» مینامد و Gritmind از آن بهعنوان «دانش قبیلهای» یاد میکند.

سیاستها ممکن است از طریق اسناد داخلی توزیع شوند، کارمندان مختلف ممکن است استثنائات را به روشهای متفاوتی مدیریت کنند و قوانین مهم تجاری ممکن است تنها در حافظه نمایندگان باتجربه خدمات مشتری وجود داشته باشند. یک ایجنت هوش مصنوعی نمیتواند رویهای را که خود سازمان هرگز با دقت کافی تعریف نکرده است، بهطور قابل اعتمادی اجرا کند.

این مشکل زمانی برجستهتر میشود که ایجنت به جای ارائه اطلاعات، باید اقداماتی را انجام دهد. پاسخ اشتباه به یک سوال نوعی ریسک ایجاد میکند، اما لغو اشتراک اشتباه، صدور بازپرداخت غیرمجاز یا تغییر حساب مشتری ریسک کاملاً متفاوتی به همراه دارد.

مهندسان استقرار پیشگام در Ace Waves پیش از امضای قرارداد یا در مراحل اولیه، با مشتریان همکاری میکنند تا این ناهماهنگیهای عملیاتی را کشف کنند، قوانین تصمیمگیری را مستند کرده و سیستمهای مرتبط را پیش از گسترش اتوماسیون به یکدیگر متصل کنند تا ارزشی که سازمان میتواند ارائه دهد، مشخص شود.

Gritmind نیز در پروژه اعتبارسنجی فاکتور خود با چالش مشابهی روبرو شد. این شرکت فرآیندی را توصیف کرد که در آن کارمندان باتجربه هنگام تصمیمگیری در مورد اعتبار فاکتورها، به دانش خود از قراردادهای فروشنده، تراکنشهای تاریخی و شیوههای داخلی تکیه میکنند.

اسناد موجود همیشه تفاوتهای ظریف مورد نیاز برای اتخاذ این تصمیمات را ثبت نمیکنند. تیم Gritmind در حال بررسی این موضوع بوده است که چگونه سوابق تاریخی، اطلاعات قرارداد و رویههای مستند میتوانند به ایجاد قوانینی برای اعتبارسنجی خودکار فاکتورها کمک کنند.

بهعنوان بخشی از فرآیند این تعامل، مهندسی که کسبوکار مشتری را درک میکند، ممکن است دریابد که راهحل مناسب ترکیبی از هوش مصنوعی با نرمافزار سنتی، تاییدیههای انسانی و قوانین قطعی است. از این دیدگاه، راهحل زمانی موفق است که مشکل تجاری حل شود، نه صرفاً زمانی که مشتری خدمات هوش مصنوعی بیشتری مصرف کند.

چرا تقاضا برای مهندسان استقرار پیشگام در حال رشد است؟

مهندسی استقرار پیشگام با هوش مصنوعی مولد آغاز نشده است. شرکت Palantir این مدل را از طریق مهندسانی که از نزدیک با مشتریان همکاری میکردند تا نرمافزار آن را با الزامات پیچیده عملیاتی تطبیق دهند، رواج داد. اما ظهور هوش مصنوعی ضرورت تجاری جدیدی به این رویکرد بخشیده است.

هوش مصنوعی چندمنظوره با توسعه نرمافزارهای سازمانی معمولی، ساخت برنامههای وب یا موبایل، یا داشبوردهای هوش تجاری متفاوت است.

همان مدلها و فناوریهای پیشرو هوش مصنوعی ممکن است از تحلیل قرارداد، خدمات مشتریان، توسعه نرمافزار، تدارکات، تطبیق مالی یا تحقیقات داخلی پشتیبانی کنند. تعیین اینکه کدام برنامه ارزش سرمایهگذاری دارد، نیازمند دانش از کسبوکار مشتری و امکانات فنی مدل زیربنایی است.

این موضوع یک چالش دشوار در فروش ایجاد میکند. مشتریان ممکن است قابلیتهای گسترده هوش مصنوعی را بشناسند بدون اینکه بدانند کدام موارد استفاده در اولویت هستند یا چگونه میتوان آنها را به برنامههای کاربردی عملیاتی ترجمه کرد.

مهندسان استقرار پیشگام میتوانند این شکاف را از طریق ترکیبی از توسعه فنی و اکتشاف تجاری پر کنند. آنها میتوانند فرصتهایی را که مشتریان در نظر نگرفتهاند شناسایی کنند، از نظر فنی امکانپذیر بودن این فرصتها را آزمایش کرده و مشخص کنند که آیا برنامههای حاصل بازده مالی قابل اندازهگیری ارائه میدهند یا خیر.

ساخت موفقیتآمیز یک طرح تجاری با بازده بالا نه تنها میتواند به انعقاد قراردادهای بیشتر منجر شود، بلکه پشتوانه محکمتری برای این استدلال فراهم میکند که هوش مصنوعی در حال ارائه ارزش تجاری واقعی است.

در فوریه ۲۰۲۶، OpenAI ائتلافهای مرزی (Frontier Alliances) خود را با شرکت‌های Accenture، Boston Consulting Group، Capgemini و McKinsey اعلام کرد. این ابتکار، تخصص مهندسی شرکت را با تجربه شرکتهای مشاوره در تغییرات سازمانی، یکپارچهسازی سیستمها و تحول دیجیتال ترکیب میکند.

بر اساس گزارشهای منتشرشده، سرمایهگذاریهای عمدهای در بخش مهندسی استقرار پیشگام توسط Amazon Web Services و Microsoft صورت گرفته است که نشاندهنده تعهد گستردهتر صنعت به قابلیتهای استقرار به جای تمرکز صرف بر توسعه مدل است.

این تمایز از نظر تجاری اهمیت دارد. یک شرکت ممکن است اشتراکهای هوش مصنوعی را برای هزاران کارمند خریداری کند، اما اگر فناوری از مهمترین فرآیندهای تجاری آن جدا بماند، ارزش عملیاتی محدودی به دست خواهد آورد. به عبارت دیگر، شرکتها تلاش میکنند استفاده کارمندان از هوش مصنوعی را برای بهبود نتایج پاداش دهند، اما کارمندان دانش و تجربه کافی برای پیادهسازی پروژههای هوش مصنوعی با بازدهی چشمگیر را ندارند.

یک فروشنده هوش مصنوعی با FDEهای باتجربه که به مشتریان در طراحی مجدد آن فرآیندها کمک میکنند، فرصت مستقیمتری برای نشان دادن ارزش، تضمین درآمد مستمر و توسعه روابط قویتر دارد. برای سازمانها نیز، جذابیت این مدل در کاهش فاصله بین شناسایی یک فرصت و تحویل یک برنامه کاربردی است.

آیا مهندسی استقرار پیشگام قابلیت مقیاسپذیری دارد؟

رویکرد این دو شرکت تنشی را آشکار میکند که ممکن است مسیر توسعه بازار نوظهور خدمات هوش مصنوعی را تعیین کند.

شرکت Ace Waves عمداً نرمافزار اختصاصی را با یک سازمان خدمات مهندسی قابلتوجه ترکیب کرده است. مهندسان این شرکت از پلتفرم اختصاصی خود برای ساخت و هماهنگسازی ایجنتهای خدمات مشتری استفاده میکنند و فرصتهایی را برای استفاده مجدد از اجزای فنی و دانش عملیاتی بین پروژهها به وجود میآورند. از این منظر، رویکرد FDE آنها بیشتر شبیه به نوعی توسعه کسبوکار است. این امر همچنین به تمایز کسبوکار آنها از یک شرکت مشاوره سنتی که هر برنامه مشتری را بهطور مستقل توسعه میدهد، کمک میکند.

با این حال، این مدل هنوز به مشارکت قابلتوجه انسانی نیاز دارد. مشتریان جدید سیستمهای ناآشنا، رویههای مستندنشده و استثنائات عملیاتی جدیدی را معرفی میکنند که مهندسان باید آنها را بررسی کنند. با گسترش پایگاه مشتریان، حفظ ظرفیت مهندسی کافی میتواند به یک چالش عملیاتی و مالی بزرگ تبدیل شود.

از سوی دیگر، Gritmind با چالش مشابهی از جهت مخالف روبرو است. ابزارهای هوش مصنوعی به تیمهای این شرکت اجازه میدهند برنامهها را سریعتر توسعه دهند که این امر بهطور بالقوه مدت زمان پروژهها را کاهش داده و اقتصاد خدمات مهندسی ساعتی سنتی را تغییر میدهد. اما اعزام مهندسان با نرخهای پرداختی به مشتریان بدون هیچ تضمینی برای تجارت آینده ممکن است بسیار خطرناک باشد، بهخصوص اگر پیادهسازی بتواند بهطور مستقل یا توسط ارائهدهندگان دیگر انجام شود.

فاز بعدی پذیرش هوش مصنوعی سازمانی ممکن است کمتر تحت تأثیر پیشرفتهای چشمگیر در قابلیتهای مدل یا یک ابزار ایجنتیک جدید قرار گیرد و بیشتر متأثر از کار مهندسی انسان به انسانی باشد که برای مفید ساختن قابلیتهای موجود مورد نیاز است. در حالی که شرکتهای فناوری بررسی میکنند چگونه این تعامل انسانی را به بهترین شکل ارائه دهند، باید دید آیا کسبوکارها میتوانند افراد، فرآیندها و سیستمهای خود را بهگونهای سازماندهی کنند که فناوری بتواند آن وظیفه را بهطور قابل اعتماد، اقتصادی و در مقیاس گسترده انجام دهد یا خیر.