همکاری سنگین اطلسیان با OpenAI؛ پای مدل‌های پیشرفته به جیرا باز شد، اما خبری از انحصار نیست!

شرکت اطلسیان (Atlassian)، غول نرم‌افزارهای مدیریت پروژه و توسعه نرم‌افزار، اعلام کرد که همکاری استراتژیک خود با OpenAI را که از سال ۲۰۲۳ آغاز شده بود، وارد فاز جدیدی کرده است. بر اساس این توافق جدید، پیشرفته‌ترین مدل‌های هوش مصنوعی OpenAI از جمله مدل‌های تازه‌نفس GPT-6 Astra و سری GPT-5.6 مستقیماً وارد پلتفرم اطلسیان و سیستم هوش مصنوعی Rovo می‌شوند و از طرف دیگر، داده‌ها و محتوای سازمانی اطلسیان به چت‌بات‌های ChatGPT و Codex متصل خواهد شد.

برای مدیران فنی و تیم‌های سازمانی که کار و زندگی روزمره‌شان با ابزار‌هایی مثل جیرا (Jira)، کانفلوئنس (Confluence) و بیت‌باکت (Bitbucket) گره خورده، این خبر یعنی توانمندی‌های بسیار بیشتر، شفافیت بهتر در حاکمیت داده‌ها و البته یک پیوند تجاری پررنگ با OpenAI؛ پیوندی که اطلسیان با زیرکی تمام اجازه نداده به یک رابطه انحصاری تبدیل شود.

همکاری اطلسیان و OpenAI دقیقاً چه تغییراتی کرده است؟

بخش زیادی از این قابلیت‌های یکپارچه‌سازی، ریشه در گذشته دارد. اطلسیان از زمان معرفی سرویس Atlassian Intelligence در آوریل ۲۰۲۳ از مدل‌های OpenAI برای قدرت بخشیدن به هوش مصنوعی خود استفاده می‌کرد. از همان روز‌های اول هم مفهومی به نام «گراف کار تیمی» (Teamwork Graph) — یعنی نقشه ارتباط میان افراد، پروژه‌ها، اسناد و تصمیم‌ها در اطلسیان — در کانون توجه بود. اطلسیان در دسامبر ۲۰۲۵ ادغام پروتکل MCP را برای ChatGPT معرفی کرد و مدل GPT-6 Astra نیز به‌طور جداگانه در ۳ سپتامبر عرضه شد.

آنچه این دو غول فناوری در روز‌های اخیر اضافه کرده‌اند، بیش‌تر شبیه یک پل ارتباطی قدرتمند است: تزریق جدید‌ترین مدل‌های پیشرو OpenAI به ترکیب مدل‌های Rovo به‌محض انتشار، یک سرور بازطراحی‌شده بر پایه پروتکل کانتکست مدل (MCP) که بخش‌های بسیار وسیع‌تری از قلمرو نرم‌افزاری اطلسیان را در اختیار ابزار‌های هوش مصنوعی خارجی می‌گذارد، و البته یک تعهد تجاری مهم.

وقتی از نماینده OpenAI درباره جزئیات حقوقی عبارت «دسترسی گسترده‌تر» سؤال شد، او بدون افشای جزئیات قرارداد، این توافق را در واقع «یک تعهد مالی مشخص برای خرید خدمات» توصیف کرد؛ به این معنی که اطلسیان متعهد شده میلیون‌ها دلار برای استفاده از مدل‌ها و فناوری‌های OpenAI هزینه کند، نه برعکس.

اطلسیان تمام تخم‌مرغ‌هایش را در سبد یک مدل هوش مصنوعی نمی‌گذارد

شاید مهم‌ترین نکته‌ای که خریداران و سازمان‌ها باید بدانند، این است که این قرارداد اصلاً به چه معنا نیست!

اطلسیان در پاسخ به پیگیری‌ها صراحتاً شفاف‌سازی کرده که مدل GPT-6 Astra به هیچ وجه قرار نیست مدل پیش‌فرض Rovo شود. سیستم Rovo در واقع از یک گیت‌وی هوش مصنوعی داخلی استفاده می‌کند که درخواست‌ها را به‌طور پویا میان OpenAI و سایر ارائه‌دهندگان هدایت می‌کند تا برای هر وظیفه، بهترین تعادل بین قدرت پردازش، سرعت و هزینه برقرار شود.

این رویکرد چندمدلی را می‌توان به‌وضوح در اطلاعیه‌های رسمی خود اطلسیان هم دید. خبر مربوط به سرور MCP اطلسیان — که هم‌زمان با کنفرانس Team '26 Europe منتشر شد — با نقل‌قولی از اسکات وایت، مدیر محصولات سازمانی شرکت آنتروپیک (Anthropic) آغاز می‌شود. او سرور MCP اطلسیان را «یکی از پرکاربردترین یکپارچه‌سازی‌های سازمانی MCP روی مدل کلود (Claude)» نامیده و گزارش داده که صرفه‌جویی سرور بازطراحی‌شده در مصرف توکن‌ها، بر اساس تست‌های انجام‌شده روی مدل‌های کلود اندازه‌گیری شده است.

به زبان ساده: دقیقاً در همان روزی که OpenAI با افتخار از همکاری با اطلسیان صحبت می‌کند، اطلسیان هم دارد دستاوردهای خود با آنتروپیک را به رخ می‌کشد! سازمان‌هایی که از وابستگی و قفل شدن به یک شرکت خاص (Vendor Lock-in) نگرانند، باید این موضوع را یک برگ برنده بدانند؛ اطلسیان گراف کار تیمی خودش را سرمایه اصلی و پایدار می‌داند و به مدل‌های زبانی به چشم مهره‌های قابل تعویض نگاه می‌کند.

لایه MCP موتور اصلی ماجراست؛ جایی که مدیریت و امنیت تعریف می‌شود

جذاب‌ترین بخش ماجرا برای توسعه‌دهندگان و مدیران سیستم، سرور بازطراحی‌شده MCP اطلسیان است که به گفته شرکت، اکنون روزانه بیش از ۱۵ میلیون درخواست را پردازش می‌کند. این سیستم بیش از ۲۲۰ ابزار مختلف را در سرویس‌هایی مثل جیرا، کانفلوئنس، بیت‌باکت، لوم (Loom) و بخش اهداف (Goals) در دسترس هوش مصنوعی قرار می‌دهد. اطلسیان می‌گوید نسخه جدید بسیار سبک‌تر کار می‌کند و در تست‌های داخلی، تا ۲۵ درصد توکن کمتری برای وظایف مشابه در جیرا و کانفلوئنس مصرف کرده است. پشتیبانی از Jira Service Management نیز به‌زودی اضافه می‌شود.

این معماری به یک ایجنت در پلتفرم‌هایی مثل ChatGPT، کدکس (Codex)، کورسر (Cursor) یا کلود (Claude) اجازه می‌دهد تا تنها با یک دستور، به کل چرخه حیات نرم‌افزار سرک بکشد؛ یعنی بتواند یک پول‌ریکوئست (Pull Request) را بررسی کند، مستندات مربوطه را در کانفلوئنس بخواند و تسک‌های بعدی پروژه را پیش‌نویس کند، به جای اینکه فقط به یک جستجوی ساده کلیدواژه‌ای بسنده نماید.

برای مدیران ارشد امنیت اطلاعات (CISO) و متولیان پلتفرم‌های سازمانی، مدل حاکمیت داده‌ها در این نسخه بسیار شفاف‌تر از بیانیه‌های تبلیغاتی بیان شده است. اطلسیان تأکید کرده که سرور MCP دارای این ویژگی‌هاست:

• روی سرور‌های اطلسیان میزبانی می‌شود و به‌طور پیش‌فرض با OAuth 2.1 و PKCE ایمن شده است؛ همچنین دسترسی‌های هر کاربر را در همان لحظه استعلام بررسی می‌کند تا هیچ ایجنتی نتواند به داده‌هایی دست پیدا کند که خود کاربر به آن‌ها دسترسی ندارد.

• عملیات‌های خواندن، نوشتن و حذف را به سطوح ریسک تفکیک‌شده دسته‌بندی می‌کند تا برنامه‌ها بتوانند برای اقدامات پرخطر، تأیید صریح کاربر را درخواست کنند.

• سیاست‌های امنیت داده و سیستم پیشگیری از نشت داده (DLP) را از طریق سرویس Atlassian Guard در تمامی اتصالات MCP اعمال می‌کند.

• امکاناتی مانند لیست سفید دامنه‌ها، لیست سفید IP، کنترل دقیق دسترسی خواندن/نوشتن/جستجو و لاگ‌های بازرسی در سطح کل سازمان را از طریق پنل مدیریت در اختیار مدیران قرار می‌دهد؛ از جمله امکان غیرفعال‌سازی کامل هرگونه دسترسی نوشتاری.

این تدابیر سخت‌گیرانه، بزرگ‌ترین دغدغه و مانع شرکت‌ها برای دادن دسترسی به ایجنت‌های خودکار در پایگاه‌های داده حیاتی را برطرف می‌کند.

البته این راهکارها به‌تنهایی خطر تزریق پرامپت (Prompt Injection) — یعنی قرار دادن دستورات مخرب داخل تیکت‌ها یا صفحات مستندات برای به بیراهه بردن ایجنت‌های دارای دسترسی نوشتن — را کاملاً از بین نمی‌برد؛ اما ترکیب دسترسی‌های مجزا برای هر کاربر، تفکیک سطوح نوشتن، تأیید دستی برای مراحل پرخطر و سیستم DLP، تدابیر دفاعی محکمی هستند که اطلسیان ارائه داده و ارزش آزمایش در فاز پایلوت سازمانی را دارند.

ورود مدل Astra: قدرت خارق‌العاده، هزینه‌های واقعی و بررسی‌های امنیتی که می‌توانند کار را متوقف کنند

مدل GPT-6 Astra ستاره اصلی این ماجراست و از نظر توانمندی حرف‌های زیادی برای گفتن دارد؛ OpenAI ادعا می‌کند این مدل در بنچمارک‌های کار با کامپیوتر (Computer Use)، کدنویسی و امنیت سایبری نتایج بی‌سابقه‌ای ثبت کرده است. با این حال مشتریان باید به دو نکته اساسی توجه داشته باشند. اول اینکه این مقایسه‌ها را خود OpenAI انجام داده؛ جالب است بدانید در حداقل یکی از شاخص‌های مستقل منتشرشده توسط خود OpenAI یعنی بنچمارک Artificial Analysis Intelligence Index، مدل Claude Fable 5.1 از شرکت آنتروپیک امتیاز بالاتری نسبت به Astra کسب کرده است! دوم اینکه Astra مدل بسیار گرانی است؛ ۱۰ دلار به‌ازای هر میلیون توکن ورودی و ۵۰ دلار برای هر میلیون توکن خروجی. اطلسیان هم یادآوری کرده که مصرف کریدت‌های Rovo متناسب با مدل و توان پردازشی مورد نیاز هر وظیفه افزایش پیدا می‌کند؛ بنابراین استدلال‌های پیچیده‌تر ایجنت‌ها هزینه بیشتری خواهد داشت. در واقع قیمت پایه افزایش نیافته، اما هزینه‌های متغیر بالا‌تر می‌رود.

هشدارهای عملیاتی برای سازمان‌ها حتی از بنچمارک‌ها هم مهم‌ترند. مدل Astra نخستین مدل OpenAI است که در چارچوب آمادگی و ایمنی این شرکت به آستانه «بحرانی» (Critical) در امنیت سایبری رسیده است؛ این مدل در آزمایش‌ها توانسته امتیاز ۱۰۰ درصدی در یک بنچمارک اکسپلویت کسب کند و دو آسیب‌پذیری روز صفر (Zero-day) تاکنون ناشناخته را کشف نماید.

برای مهار این قدرت خطرناک، OpenAI لایه‌های امنیتی متعددی تعبیه کرده است؛ از جمله بازبینی خودکار در Codex، پایش انحراف مدل در محیط عملیاتی، و سیستم‌های طبقه‌بندی که می‌توانند اقدامات غیرمجاز را متوقف کنند. طبق اعتراف صریح OpenAI، این فیلترهای کنترلی ممکن است حتی کار‌های قانونی و روتین — از جمله تسک‌های امنیت دفاعی — را با «کاهش سرعت، مکث یا توقف کامل» روبرو کنند. تسک متوقف‌شده در ChatGPT یا Codex ممکن است از کاربر بخواهد پیش از ادامه فرآیند را تأیید کند، اما در محیط API کار بدون تعارف کاملاً متوقف می‌شود!

تیم‌هایی که خطوط لوله خودکارسازی (Pipelines) خود را بر پایه Astra می‌سازند، باید از همان ابتدا برای این توقف‌های ناگهانی چاره‌اندیشی کنند. علاوه بر این، مدل Astra در حال حاضر از انجام اقدامات تهاجمی پیشرفته‌تر مثل نوشتن کدهای اثبات مفهوم اکسپلویت (PoC) خودداری می‌کند؛ قابلیتی که تیم‌های امنیتی برای مانورهای نفوذ (Red-teaming) به آن نیاز دارند، هرچند OpenAI چراغ سبز نشان داده که این محدودیت‌ها را به مرور زمان برای فرایندهای دفاعی تأییدشده کاهش خواهد داد.

یک نکته مهم دیگر: OpenAI اعلام کرده ردیابی و نظارت بر استدلال‌های متنی Astra دشوارتر از نسل‌های قبلی است؛ نقصی که آن را جدی خوانده و همچنان مشغول تحقیق روی آن است. بنابراین برای سازمان‌هایی که می‌خواهند دقیقاً بدانند چرا یک ایجنت تصمیم خاصی گرفته، توضیحات خود مدل چندان قابل اتکا نیست و بهتر است به لاگ‌های سیستمی ثبت‌شده در اطلسیان و Codex تکیه کنند.

تکلیف امنیت داده‌های سازمانی چه می‌شود؟

در پاسخ به اولین سؤالی که هر سازمانی می‌پرسد — اینکه آیا داده‌های ما به دست OpenAI می‌رسد یا نه؟ — تصویر بسیار شفاف‌تر از تبلیغات اولیه است. اطلسیان توضیح داده که فقط و فقط داده‌های مشخصی که توسط ابزار فراخوانی‌شده MCP بازگردانده می‌شوند، آن هم در چارچوب سطح دسترسی کاربر، به‌عنوان کانتکست به OpenAI ارسال می‌شوند.

از طرف دیگر، OpenAI برای مشتریان سازمانی واجد شرایط API، از سیاست «عدم ذخیره‌سازی داده‌ها» (Zero Data Retention) پشتیبانی می‌کند و دسترسی سازمانی به Astra نیز تا زمانی که مدیر ارشد آن را فعال نکند، به‌طور پیش‌فرض خاموش است. در خط‌مشی‌های رسمی اطلسیان نیز صراحتاً آمده که OpenAI یک پردازنده‌فرعی (Subprocessor) است و حق ندارد مدل‌های خود را روی ورودی‌ها یا خروجی‌های مشتریان آموزش دهد.

تنها ابهام باقی‌مانده در جزئیات حقوقی است: اینکه دقیقاً چه سازمان‌هایی «واجد شرایط» عدم ذخیره‌سازی داده هستند، و آیا استفاده از مدل‌های داخلی Rovo دقیقاً همان شرایط حفظ حریم خصوصی اتصال MCP به ChatGPT و Codex را دارد یا خیر. این‌ها نکاتی هستند که شرکت‌های تحت مقررات سخت‌گیرانه حتماً باید قبل از سپردن داده‌های حساس به سیستم، از آن‌ها مطمئن شوند.

جمع‌بندی: یک تکامل هوشمندانه، نه یک تغییر ناگهانی

برای کاربران اطلسیان، این اتفاق یک دگرگونی مثبت و تدریجی است، نه یک شوک ناگهانی. مدل‌های تازه‌نفس و گسترش قابلیت‌های سرور MCP باعث شده‌اند تا ایجنت‌ها در محیط ابری اطلسیان به شکلی چشمگیر کاربردی‌تر شوند؛ ضمن اینکه کنترل‌های نظارتی ارائه‌شده دقیقاً همان چیزی است که سازمان‌های بزرگ به آن نیاز دارند.

سیگنال استراتژیک ماجرا کاملاً روشن است: اطلسیان پیوند خود با OpenAI را با سرمایه‌گذاری سنگین دلاری عمیق‌تر کرده، اما هم‌زمان با هوشمندی تمام پلتفرم خود را وابسته به یک مدل نکرده است و دست آنتروپیک و سایر رقبا را هم در این بازی کاملاً باز گذاشته است.

قابلیت‌هایی که هنوز در افق پیش رو قرار دارند — مثل ایجنت‌های کاملاً خودکاری که تسک‌ها را به‌تنهایی برمی‌دارند و هماهنگی چند ایجنت با نظارت مقطعی انسان — همان نقطه‌ای هستند که پاسخ سوالات کلیدی درباره کنترل و مسئولیت‌پذیری هوش مصنوعی مشخص خواهد شد.

در حال حاضر، منطقی‌ترین کار برای سازمان‌ها این است که قابلیت‌های اتصال MCP را در یک محیط آزمایشی تست کنند، مراقب مصرف کریدت‌ها در استدلال‌های سنگین هوش مصنوعی باشند، و فرایندهای خودکار مبتنی بر Astra را طوری بچینند که در صورت مکث‌های ناگهانی سیستم‌های ایمنی، کارشان لنگ نماند!