پیش‌بینی تکان‌دهنده گارتنر: ۷۰ درصد سازمان‌ها ایجنت‌های هوش مصنوعی پیمانکاران را کنار می‌گذارند!

مؤسسه پژوهشی گارتنر پیش‌بینی کرده که تا سال ۲۰۲۸، نزدیک به ۷۰ درصد از شرکت‌ها و سازمان‌های بزرگ، پروژه‌های توسعه سیستم‌های ایجنت هوش مصنوعی (Agentic AI) را که با کمک شرکت‌های پیمانکار و فروشندگان فناوری ساخته‌اند به کلی کنار خواهند گذاشت؛ چرا که با گذشت زمان هزینه‌های این سیستم‌ها سر به فلک می‌کشد و کارفرماها بدون اتکا به نیروی کمکی بیرونی عملاً از پس نگهداری و بهینه‌سازی آن برنمی‌آیند.

ماجرا به رویکردی مربوط می‌شود که این مؤسسه مشاوره آن را «مهندسی مستقر در سازمان» یا همان FDE (Forward-Deployed Engineering) می‌نامد؛ مدلی که در آن مهندسان شرکت ارائه‌دهنده خدمات مستقیماً وارد تیم مشتری می‌شوند تا نرم‌افزار مورد نیاز را مطابق نیازهای ویژه او بسازند و مستقر کنند. با این حال، گارتنر استدلال می‌کند که این شیوه شاید در اوایل کار سرعت پیشرفت خیره‌کننده‌ای رقم بزند، اما در نهایت مشتری را اسیر و وابسته به تخصص فوق‌العاده گرانِ نیروهای خارجی رها می‌کند.

به گفته تحلیلگران گارتنر، پروژه‌های FDE معمولاً درست در نقطه‌ای شکست می‌خورند که مهندسان پیمانکار پروژه را ترک می‌کنند، اما سازمان مشتری هنوز دانش فنی، تسلط و کنترل لازم برای نگهداری و توسعه سیستم‌های حاصل را به دست نیاورده است.

موکول ساها، مدیر ارشد و تحلیلگر برجسته گارتنر، در این باره می‌گوید: «موفقیت مدل FDE از همان ابتدای کار و با چیدن درست ساختار همکاری آغاز می‌شود؛ از تعیین دقیق محدوده کار و مشوق‌ها گرفته تا سازوکارهای حاکمیتی، مالکیت پروژه و حتی استراتژی خروج شفاف.»

او در ادامه تأکید می‌کند: «پروژه‌های موفقی که چارچوب‌بندی درستی دارند، از همان روز نخست دستورالعمل‌های کاملاً شفافی در زمینه حاکمیت داده، خلق ارزش تجاری، مالکیت معنوی، مالکیت مشترک پروژه، انتقال کامل دانش فنی و برنامه مشخص برای خروج پیمانکار تنظیم می‌کنند.»

ساها همچنین می‌افزاید: «امروزه بسیاری از ارائه‌دهندگان خدمات، از عبارت شیکِ "مهندسی مستقر" صرفاً به عنوان یک برچسب تبلیغاتی برای کار‌های معمولی پیاده‌سازی، خدمات حرفه‌ای، مهندسی راه‌کار یا مشاوره هوش مصنوعی استفاده می‌کنند؛ برخی این کار را حساب‌شده انجام می‌دهند و برخی دیگر فقط چون به نظرشان جذاب‌تر و استراتژیک‌تر می‌آید! حتی گروهی از آن‌ها دستمزدهای بسیار نجومی طلب می‌کنند، در حالی که اصلاً عمق تحویل پروژه، توان مدیریت برنامه یا بلوغ لازم برای مدیریت تغییرات را ندارند تا چنین رقم‌هایی را توجیه کند.»

اینکه صنعت هوش مصنوعی وعده‌های رنگارنگی بدهد که توانایی عملی کردنشان را ندارد، اصلاً اتفاق تازه‌ای نیست و سراب‌های این حوزه تمامی ندارد!

گارتنر به مدیران مهندسی نرم‌افزار توصیه می‌کند مدل FDE را صرفاً برای مسائلی به کار بگیرند که نیازمند تخصص فنی فوق‌العاده عمیق در زمینه یک محصول خاص، انطباق سریع با نیازها یا یکپارچه‌سازی تنگاتنگ میان فناوری پیمانکار و محیط عملیاتی مشتری باشد.

در غیر این صورت، شرکت‌ها ممکن است در ابتدای راه با پیشرفت سریع فریب بخورند، بدون اینکه توانمندی‌های داخلی لازم را در تیم خودشان بسازند. نتیجه این می‌شود که برای کار‌هایی که در مدل‌های سنتیِ خدمات یا همکاری با شرکا با هزینه بسیار کم‌تر و قابلیت پیش‌بینی بهتر قابل انجام بود، ناچار به پرداخت هزینه‌های گزاف و نجومی می‌شوند.

گارتنر همچنین پیش‌بینی کرده که تا سال ۲۰۲۸، کم‌تر از ۲۰ درصد همکاری‌های FDE موفق می‌شوند نیازهای مداوم مشتریان را به قابلیت‌های واقعی در هسته محصول ارائه‌دهنده تبدیل کنند. این مؤسسه نسبت به پدیده‌ای به نام «شست‌وشوی مفهومی با FDE» یا FDE-washing هشدار می‌دهد؛ روندی که در آن شرکت‌ها خدمات مشاوره‌ای سنتی را در قالبی خاص و فوق‌تخصصی به بازار عرضه می‌کنند.

این نخستین باری نیست که گارتنر زنگ خطر را درباره هزینه‌های سرسام‌آور و تله‌های پنهان پروژه‌های هوش مصنوعی به صدا درمی‌آورد.

اوایل امسال نیز این نهاد پیش‌بینی کرده بود که دست‌کم نیمی از پروژه‌های هوش مصنوعی مولد به دلیل انتخاب‌های نادرست معماری و فقدان مهارت‌های عملیاتی، سقف بودجه خود را رد خواهند کرد و بیش‌تر سازمان‌هایی که قصد ساخت مدل‌های اختصاصی و بومی‌سازی‌شده را دارند، به دلایل مشابه از ادامه کار منصرف خواهند شد.

علاوه بر این، گارتنر برآورد کرده بود که نزدیک به ۴۰ درصد از استقرارهای ایجنت‌های هوش مصنوعی، به دلیل برخورد سازمان‌ها با چالش‌ها و موانع حاکمیتی در مدیریت این فناوری، یا محدود شده یا به طور کامل از مدار خارج خواهند شد.

در تازه‌ترین تحلیل‌ها نیز این مؤسسه پیش‌بینی کرده که تقریباً یک‌سوم کارمندانی که به بهانه جایگزینی با هوش مصنوعی اخراج شده‌اند، در آینده نزدیک باید مجدداً استخدام شوند؛ آن هم با هزینه‌هایی به مراتب سنگین‌تر و دستمزدهایی بالا‌تر.