۱۰ روند استراتژیک فناوری در سال ۲۰۲۷؛ چشم‌انداز گارتنر از آینده هوش مصنوعی و ایجنت‌های خودمختار

مؤسسه پژوهشی گارتنر در جریان رویداد سالانه IT Symposium/Xpo در اورلاندو، ۱۰ روند استراتژیک فناوری را برای سال ۲۰۲۷ معرفی کرد. این انتخاب به سه چالش کلیدی و مرتبط پیش روی رهبران فناوری پاسخ می‌دهد: گسترش توانمندی‌های هوش مصنوعی فراتر از پردازش متن، ایجاد کنترل و نظارت مؤثر بر سیستم‌های خودمختار، و طراحی محیط‌های فناورانه‌ای که هم‌گام با تغییر شرایط کسب‌وکار سازگار شوند.

گارتنر این روندها را زیر چتر سه محور اصلی دسته‌بندی کرده است: «بهره‌گیری از مرزهای فرامتنی هوش مصنوعی»، «حکمرانی بر پلتفرم ایجنت‌های خودمختار» و «معماری چابکی ماندگار». این سه محور نشان می‌دهند که فاز بعدی هوش مصنوعی سازمانی، نیازمند توجه ویژه به جریان اطلاعات، سازوکارهای کنترلی و زیرساخت‌های پیرامون خودِ مدل‌ها خواهد بود.

بهره‌گیری از مرزهای فرامتنی هوش مصنوعی

نخستین محور بررسی می‌کند که هوش مصنوعی چگونه می‌تواند از تحلیل‌های عددی، تعاملات کلامی و درک محیط‌های فیزیکی پشتیبانی کند. این قابلیت‌ها می‌توانند کارایی هوش مصنوعی را در پیش‌بینی‌های استراتژیک، خدمات مشتریان و شبیه‌سازی به‌شکل چشمگیری گسترش دهند.

مدل‌های کمّی بزرگ (LQMs)

مدل‌های کمّی بزرگ یا LQMها به‌طور اختصاصی برای تحلیل اطلاعات و داده‌های عددی طراحی شده‌اند. کاربردهای بالقوه این مدل‌ها شامل ارزیابی ریسک مالی، برنامه‌ریزی زنجیره تأمین و پیش‌بینی مصرف انرژی است؛ حوزه‌هایی که سازمان‌ها در آنها به سیستم‌هایی متناسب با تحلیل‌های کمّی نیاز مبرم دارند. گارتنر پیش‌بینی می‌کند که تا سال ۲۰۳۰، مدل‌های LQM حدود یک‌چهارم از وظایف پیش‌بینی استراتژیک و مدل‌سازی عملیاتی را که هم‌اکنون توسط مدل‌های بزرگ زبانی (LLMs) انجام می‌شوند، در دست خواهند گرفت.

مدل‌های استدلال گفتار

مدل‌های استدلال گفتار با هدف ارتقای تعاملات صوتی توسعه یافته‌اند و می‌توانند صوت را تفسیر کرده و زمینه گفت‌وگو را به‌دقت دنبال کنند. پتانسیل این مدل‌ها بسیار فراتر از تشخیص ساده یک دستور صوتی است و مواردی چون پاسخ به سؤالات تکمیلی، انطباق با تغییر شرایط و برطرف کردن سوءتفاهم‌های کلامی را در بر می‌گیرد. گارتنر پیش‌بینی می‌کند که این مدل‌ها تا سال ۲۰۳۰ بیش از ۷۰ درصد از تعاملات صوتی سازمان‌ها را به‌طور مستقل مدیریت خواهند کرد.

مدل‌های جهان (World Models)

مدل‌های جهان نمایشی جامع از محیط‌های فیزیکی و مجازی را فرا می‌گیرند و به سیستم‌ها این امکان را می‌دهند که پیش از هرگونه اقدام عملی، نتایج احتمالی آن را شبیه‌سازی و بررسی کنند. در کاربردهایی مانند رباتیک، این ویژگی به سیستم خودمختار کمک می‌کند تا تأثیر تصمیمات و حرکات خود را بر محیط پیرامون پیش‌بینی کند. فرصت بزرگ این مدل‌ها برای سازمان‌ها، بهره‌گیری از شبیه‌سازی پیشرفته برای تصمیم‌گیری آگاهانه، پیش از تخصیص منابع یا اقدام در دنیای واقعی است.

حکمرانی بر پلتفرم ایجنت‌های خودمختار

با افزایش مسئولیت‌های واگذارشده به سیستم‌های هوش مصنوعی، سازمان‌ها به راهکارهایی برای تأمین اطلاعات مرتبط، راستی‌آزمایی خروجی‌ها و کنترل دسترسی این ابزارها نیاز دارند. دومین محور گارتنر به زیرساخت‌ها و پایه‌های لازم برای مدیریت‌پذیر کردن سیستم‌های خودمختار می‌پردازد.

پلتفرم‌های زمینه (کانتکست) هوش مصنوعی

پلتفرم‌های کانتکست هوش مصنوعی تمام اطلاعات زمینه‌ای را که ایجنت‌ها برای درک درخواست‌ها و اقدام هم‌سو با اهداف کسب‌وکار نیاز دارند، یکپارچه می‌کنند. هدف اصلی این پلتفرم‌ها غلبه بر مشکل پراکندگی دانش سازمانی است؛ عاملی که می‌تواند کارایی یک ایجنت را به‌شدت محدود کند. بر اساس برآوردهای گارتنر، تمرکز بر مفاهیم و ارتباطات معنایی در داده‌های آماده‌سازی‌شده برای هوش مصنوعی می‌تواند دقت هوش مصنوعی ایجنت‌محور را تا ۸۰ درصد بهبود دهد و در عین حال، هزینه‌ها را تا ۶۰ درصد کاهش دهد.

چارچوب مهار و ارزیابی ایجنت‌های کدنویسی

با افزایش سهم ایجنت‌های هوش مصنوعی در فرآیند برنامه‌نویسی و توسعه نرم‌افزار، سازمان‌ها به سازوکارهای مشخصی برای ارزیابی خروجی کدهای آنها نیاز دارند. چارچوب مهار ایجنت‌های کدنویسی، ابزارهای توسعه را به زمینه سازمانی، مراحل اعتبارسنجی و حلقه‌های بازخورد متصل می‌کند. در این رویکرد، تمرکز اصلی از صرفاً تولید کد به اطمینان از انطباق تغییرات ایجادشده با استانداردهای کیفیت، امنیت و قابلیت نگهداری نرم‌افزار تغییر می‌یابد.

هویت ایجنت‌های هوش مصنوعی

مبحث هویت ایجنت‌ها به این پرسش پاسخ می‌دهد که وقتی یک نرم‌افزار به نمایندگی از یک فرد یا سازمان عمل می‌کند، اعتماد و پاسخ‌گویی چگونه تضمین می‌شود. ایجنت‌ها نیازمند مجوزهای دسترسی متناسب، مالکیت مشخص و کنترل‌هایی هستند که بازتاب‌دهنده دامنه فعالیت‌های آنها باشد. گارتنر پیش‌بینی می‌کند که تا سال ۲۰۲۸، سوءاستفاده از ایجنت‌های هوش مصنوعی عامل یک‌چهارم رخنه‌های امنیتی در سازمان‌ها خواهد بود؛ هشداری که اهمیت مدیریت دسترسی ماشین‌ها را درست هم‌تراز با دسترسی انسان‌ها نشان می‌دهد.

رفع خودکار آسیب‌پذیری‌های امنیتی

سیستم‌های رفع خودکار آسیب‌پذیری، از هوش مصنوعی و اتوماسیون برای شناسایی، اولویت‌بندی و برطرف ساختن روزنه‌های امنیتی استفاده می‌کنند. این سیستم‌ها می‌توانند فرآیند کشف تهدید را مستقیماً به اقدامات اصلاحی از جمله پچ کردن نرم‌افزار و آزمایش‌های امنیتی متصل سازند. چالش اصلی رهبران فناوری در این بخش، افزایش سرعت ترمیم آسیب‌پذیری‌ها در کنار حفظ سازوکارهای حفاظتی است؛ به‌گونه‌ای که تغییرات ناموفق فوراً شناسایی شده و امکان بازگردانی سریع آنها فراهم باشد.

معماری چابکی ماندگار

سومین محور گارتنر به این موضوع می‌پردازد که سازمان‌ها چگونه می‌توانند در بحبوحه عدم‌قطعیت‌های ژئوپلیتیکی، دگرگونی وابستگی‌های فناورانه و محدودیت‌های زیرساختی، انعطاف‌پذیری خود را حفظ کنند. هدف مشترک در این حوزه، تبدیل قابلیت سازگاری به بخشی جدایی‌ناپذیر از معماری و طراحی فناوری است.

فناوری حاکمیتی (SovereignTech)

فناوری حاکمیتی با تکیه بر معماری‌ها و راهکارهایی که گزینه‌های جایگزین واقع‌بینانه را حفظ می‌کنند، به معضل وابستگی به ارائه‌دهندگان حیاتی فناوری می‌پردازد. این راهبرد مواردی چون محل استقرار و اجرای سیستم‌ها، قوانین قضایی حاکم بر داده‌ها و نحوه جابه‌جایی بار کاری را مد نظر قرار می‌دهد. گارتنر پیش‌بینی می‌کند که تا سال ۲۰۳۰، بیش از سه‌چهارم سازمان‌های خارج از ایالات متحده راهبردهای مشخصی برای حفظ حاکمیت دیجیتال خود تدوین خواهند کرد.

اپلیکیشن‌های یک‌بارمصرف

اپلیکیشن‌های یک‌بارمصرف صرفاً برای یک هدف مشخص ساخته می‌شوند و به محض پایان یافتن آن هدف، از چرخه فعالیت کنار می‌روند. با توجه به اینکه هوش مصنوعی ساخت نرم‌افزار را بسیار ساده‌تر و در دسترس‌تر کرده است، سازمان‌ها می‌توانند در این نگرش که هر نرم‌افزاری باید به دارایی همیشگی تبدیل شود، تجدیدنظر کنند. بهره‌مندی از این مزیت مستلزم آن است که در کنار فرآیند توسعه، برنامه‌ریزی دقیقی برای جایگزینی و از رده خارج کردن نرم‌افزار وجود داشته باشد تا ابزارهای موقت به تعهدات نگهداری دائمی و هزینه‌بر بدل نشوند.

وت‌ور به‌عنوان خدمت (Wetware as a service)

مدل «وت‌ور به‌عنوان خدمت» (Wetware as a service) دسترسی به رایانش و محاسبات زیستی را در قالب یک مدل خدمات‌محور بررسی می‌کند. این مفهوم به این موضوع می‌پردازد که آیا سیستم‌های زیستی زنده یا مصنوعی می‌توانند از محاسبات تخصصی با مصرف انرژی به‌مراتب کمتر پشتیبانی کنند یا خیر. این حوزه همچنان در مراحل اولیه ظهور قرار دارد و کاربرد عملی آن برای سازمان‌ها به پیشرفت این فناوری و اثبات قابلیت اطمینان و ارزش اقتصادی آن در میدان عمل وابسته خواهد بود.