بعد از هوش مصنوعی مولد چه خواهد آمد؟ ۱۰ روند برتر فناوری گارتنر برای سال ۲۰۲۷
مرحله بعدی تکامل هوش مصنوعی مولد ممکن است بسیار فراتر از تولید متن و تصویر باشد و قابلیت‌هایی مانند استدلال عددی، تعاملات صوتی مبتنی بر درک زمینه مکالمه و سیستم‌هایی با توانایی اقدام مستقل را در بر بگیرد. ۱۰ روند راهبردی برتر فناوری گارتنر برای سال ۲۰۲۷ نشان می‌دهند کسب‌وکارها چگونه می‌توانند قابلیت‌های هوش مصنوعی را گسترش دهند و هم‌زمان، خطرات امنیتی را مدیریت کنند و محیط‌های فناوری انعطاف‌پذیرتری بسازند.
این روندها که در رویداد IT Symposium/Xpo گارتنر در اورلاندو معرفی شدند، در سه محور اصلی قرار می‌گیرند: استفاده از هوش مصنوعی فراتر از پردازش متن، نظارت و مدیریت عامل‌های خودمختار و طراحی فناوری با هدف حفظ چابکی در بلندمدت. این چارچوب علاوه بر مدل‌های هوش مصنوعی، بر داده‌ها، سازوکارهای کنترل هویت و زیرساخت‌هایی تأکید دارد که برای به‌کارگیری مسئولانه این فناوری ضروری هستند.
۱. مدل‌های کمی بزرگ؛ تمرکز بر تحلیل و پردازش داده‌های عددی
مدل‌های کمی بزرگ (LQM) برای کار با اطلاعات عددی طراحی شده‌اند و می‌توانند در حوزه‌هایی مانند ارزیابی ریسک مالی، برنامه‌ریزی زنجیره تأمین و پیش‌بینی وضعیت انرژی کاربرد داشته باشند. این فعالیت‌ها به سیستم‌هایی نیاز دارند که برای تحلیل‌های کمی مناسب باشند و صرفاً به خروجی‌های متداول مبتنی بر زبان متکی نباشند.
گارتنر پیش‌بینی می‌کند که تا سال ۲۰۳۰، مدل‌های کمی بزرگ بیش از یک‌چهارم وظایف پیش‌بینی راهبردی و مدل‌سازی عملیاتی را که اکنون مدل‌های زبانی بزرگ انجام می‌دهند، بر عهده خواهند گرفت. این پیش‌بینی از احتمال تغییر در شیوه تصمیم‌گیری سازمان‌ها درباره مسائل تجاری وابسته به حجم زیادی از داده‌ها حکایت دارد.
۲. مدل‌های استدلال گفتاری؛ گامی به سوی تعاملات صوتی پیشرفته‌تر
مدل‌های استدلال گفتاری با هدف تفسیر اطلاعات صوتی و درک زمینه و روند مکالمه توسعه می‌یابند. قابلیت‌های مورد انتظار از این مدل‌ها به تشخیص درخواست‌های گفتاری محدود نیست؛ بلکه پاسخ‌گویی به پرسش‌های بعدی، رفع سوءتفاهم‌ها و سازگاری با شرایط متغیر را نیز شامل می‌شود.
گارتنر پیش‌بینی می‌کند که این مدل‌ها تا سال ۲۰۳۰ بتوانند بیش از ۷۰ درصد تعاملات صوتی سازمانی را به‌طور مستقل مدیریت کنند. اگر استفاده از آن‌ها در مقیاس گسترده رواج پیدا کند، ممکن است شیوه طراحی خدمات مشتریان مبتنی بر صدا و سایر تعاملات گفتاری در کسب‌وکارها را تغییر دهند.
۳. مدل‌های جهان؛ شبیه‌سازی محیط پیش از اقدام
مدل‌های جهان (World Models) بازنمایی‌هایی از محیط‌های فیزیکی یا مجازی ایجاد می‌کنند تا سیستم‌ها بتوانند پیش از انجام هر اقدام، نتایج احتمالی آن را بررسی کنند. در حوزه رباتیک، این رویکرد می‌تواند به ماشین‌های خودمختار کمک کند تا تأثیر احتمالی اقدامات خود بر اشیا و شرایط محیط اطراف را پیش‌بینی کنند.
کاربرد بالقوه این فناوری برای کسب‌وکارها، استفاده از شبیه‌سازی برای تصمیم‌گیری آگاهانه‌تر پیش از تخصیص منابع یا انجام اقدامات فیزیکی است. گارتنر مدل‌های جهان را بخشی از تلاش گسترده‌تر برای گسترش کاربرد هوش مصنوعی به حوزه‌هایی فراتر از پردازش متداول متن می‌داند.
۴. پلتفرم‌های زمینه‌ساز هوش مصنوعی؛ دسترسی عامل‌ها به اطلاعات مرتبط سازمانی
عامل‌های هوش مصنوعی برای تفسیر درست درخواست‌ها و اقدام در راستای اهداف سازمان، به اطلاعات زمینه‌ای قابل‌اعتماد نیاز دارند. پلتفرم‌های زمینه‌ساز هوش مصنوعی (AI Context Platforms) با هدف یکپارچه‌سازی اطلاعات پیش‌زمینه مرتبط و رفع پراکندگی دانش سازمانی طراحی می‌شوند؛ مشکلی که می‌تواند اثربخشی عامل‌های هوش مصنوعی را محدود کند.
به گفته گارتنر، تأکید بر معناشناسی در داده‌های آماده استفاده برای هوش مصنوعی می‌تواند دقت هوش مصنوعی عامل‌محور را تا ۸۰ درصد افزایش دهد و در عین حال، هزینه‌ها را تا ۶۰ درصد کاهش دهد. البته این ارقام نتایج پیش‌بینی‌شده گارتنر هستند و نباید آن‌ها را دستاوردهایی تضمین‌شده برای همه سازمان‌ها دانست.
۵. چارچوب‌های پشتیبان عامل‌های کدنویسی هوش مصنوعی؛ تمرکز بر اعتبارسنجی
با افزایش سهم عامل‌های هوش مصنوعی در توسعه نرم‌افزار، کسب‌وکارها به روش‌هایی نیاز دارند تا ارزیابی کنند آیا خروجی این عامل‌ها با استانداردهای موردنیاز مطابقت دارد یا خیر. چارچوب پشتیبان عامل کدنویسی هوش مصنوعی (AI Coding Agent Harness) ابزارهای توسعه نرم‌افزار را به اطلاعات زمینه‌ای سازمان، فرایندهای اعتبارسنجی و سازوکارهای بازخورد متصل می‌کند.
این رویکرد، تمرکز را از صرف تولید کد به سمت آزمایش و ارزیابی تغییرات ایجادشده گسترش می‌دهد. هنگام استفاده سازمان‌ها از عامل‌های هوش مصنوعی در فرایندهای توسعه نرم‌افزار، کیفیت، امنیت و قابلیت نگهداری کد همچنان از ملاحظات اساسی خواهند بود.
۶. هویت عامل‌های هوش مصنوعی؛ ایجاد پاسخ‌گویی در سیستم‌های خودمختار
مفهوم هویت عامل‌های هوش مصنوعی به شیوه شناسایی، اعطای مجوز و نظارت سازمان‌ها بر نرم‌افزارهایی مربوط می‌شود که از طرف افراد یا کسب‌وکارها فعالیت می‌کنند. تعیین سطح دسترسی مناسب و مشخص بودن مسئول هر عامل می‌تواند هنگام دسترسی این سیستم‌ها به منابع سازمانی یا انجام وظایف، به ایجاد سازوکارهای پاسخ‌گویی کمک کند.
گارتنر پیش‌بینی می‌کند که تا سال ۲۰۲۸، سوءاستفاده از عامل‌های هوش مصنوعی عامل یک‌چهارم موارد نقض امنیتی در سازمان‌ها خواهد بود. این پیش‌بینی بر ضرورت گسترش شیوه‌های مدیریت هویت و دسترسی به عامل‌های نرم‌افزاری تأکید دارد؛ به‌گونه‌ای که در کنار کنترل‌های امنیتی موجود برای کاربران انسانی، این عامل‌ها نیز تحت نظارت قرار گیرند.
۷. رفع خودکار آسیب‌پذیری‌ها؛ پیوند شناسایی تهدیدات امنیتی با اقدامات اصلاحی
رفع خودکار آسیب‌پذیری‌ها (Autonomous Exposure Remediation) از هوش مصنوعی و خودکارسازی برای شناسایی، اولویت‌بندی و برطرف کردن آسیب‌پذیری‌های امنیتی استفاده می‌کند. این فرایند می‌تواند شناسایی مشکلات را مستقیماً به اقدامات اصلاحی، از جمله نصب وصله‌های امنیتی و انجام آزمایش‌های لازم، متصل کند.
چالش عملیاتی این رویکرد، افزایش سرعت رفع آسیب‌پذیری‌ها بدون از دست دادن نظارت بر تغییراتی است که ممکن است عملکرد سیستم‌ها را مختل کنند. سازمان‌ها باید تدابیر حفاظتی مناسبی داشته باشند تا اصلاحات ناموفق را شناسایی کنند و در صورت لزوم، تغییرات انجام‌شده را به وضعیت پیشین بازگردانند.
۸. فناوری‌های حاکمیت‌محور؛ مدیریت وابستگی به تأمین‌کنندگان حیاتی فناوری
فناوری‌های حاکمیت‌محور (SovereignTech) بر نحوه مدیریت وابستگی سازمان‌ها به تأمین‌کنندگان فناوری، حوزه‌های قضایی و زیرساخت‌ها تمرکز دارند. تصمیم‌های مرتبط با این حوزه شامل محل استقرار و اجرای سیستم‌ها، چارچوب‌های قانونی حاکم بر آن‌ها و امکان انتقال بارهای کاری به محیط‌های جایگزین است.
گارتنر پیش‌بینی می‌کند که تا سال ۲۰۳۰، بیش از سه‌چهارم سازمان‌های خارج از ایالات متحده راهبردهایی برای حاکمیت دیجیتال خواهند داشت. این پیش‌بینی نشان می‌دهد حاکمیت دیجیتال به یکی از ملاحظات مهم و رو‌به‌رشد در برنامه‌ریزی فناوری تبدیل می‌شود؛ به‌ویژه در شرایطی که الزامات قانونی و وابستگی به ارائه‌دهندگان بیرونی بر انتخاب زیرساخت‌ها تأثیر می‌گذارند.
۹. اپلیکیشن‌های یک‌بارمصرف؛ بازنگری در ضرورت ماندگاری همه نرم‌افزارها
اپلیکیشن‌های یک‌بارمصرف (Disposable Applications) برای هدفی مشخص طراحی می‌شوند و پس از تحقق آن هدف، کنار گذاشته خواهند شد. با آسان‌تر شدن فرایند تولید نرم‌افزار به کمک هوش مصنوعی، سازمان‌ها ممکن است فرصت‌های بیشتری برای ساخت ابزارهای موقت داشته باشند؛ ابزارهایی که برخلاف نرم‌افزارهای متداول، نیازی به نگهداری نامحدود ندارند.
با این حال، این رویکرد چالش تازه‌ای در مدیریت چرخه عمر نرم‌افزار ایجاد می‌کند. کسب‌وکارها باید از همان ابتدای توسعه، برای کنار گذاشتن و جایگزینی این اپلیکیشن‌ها برنامه‌ریزی کنند تا ابزارهایی که برای استفاده کوتاه‌مدت ساخته شده‌اند، به تعهدات بلندمدت نگهداری و پشتیبانی تبدیل نشوند.
۱۰. زیست‌افزار به‌عنوان خدمت؛ بررسی ظرفیت رایانش زیستی
زیست‌افزار به‌عنوان خدمت (Wetware as a Service یا WaaS) مدلی نوظهور است که امکان دسترسی از راه دور به سیستم‌های زیستی یا زیستی مصنوعی را برای انجام محاسبات فراهم می‌کند. گارتنر این فناوری را پاسخی بالقوه به محدودیت‌های انرژی و چالش‌های زیست‌محیطی ناشی از گسترش مقیاس رایانش متداول مبتنی بر سیلیکون توصیف می‌کند.
ایده اصلی این فناوری، استفاده از سیستم‌های زیستی به‌عنوان پردازنده برای انجام وظایف محاسباتی است. نقش آن در فناوری سازمانی هنوز در مراحل ابتدایی شکل‌گیری قرار دارد و به‌کارگیری عملی آن به چگونگی پیشرفت این سیستم‌ها و توانایی سازمان‌ها در یکپارچه‌سازی آن‌ها با محیط‌های رایانشی موجود بستگی خواهد داشت.
این روندها برای مدیران فناوری چه معنایی دارند؟
چشم‌انداز گارتنر برای سال ۲۰۲۷ از تغییری گسترده‌تر در اولویت‌های فناوری سازمانی حکایت دارد. سازمان‌ها در کنار بهره‌گیری از قابلیت‌های جدید هوش مصنوعی، باید هویت سیستم‌های ماشینی را مدیریت کنند، بر درستی کارهای خودکار نظارت داشته باشند و انعطاف‌پذیری خود را در برابر وابستگی به تأمین‌کنندگان و زیرساخت‌های حیاتی فناوری حفظ کنند.
این ۱۰ روند به معنای ارائه یک نقشه راه یکسان برای همه کسب‌وکارها نیستند. میزان اهمیت و کاربرد هر روند به مدل عملیاتی سازمان، الزامات امنیتی، زیرساخت‌های موجود و میزان آمادگی آن برای پذیرش خطرات فناوری‌های نوظهور بستگی دارد.
برای مدیران ارشد فناوری اطلاعات (CIO)، وظیفه اصلی این است که مشخص کنند افزایش استقلال سیستم‌ها در چه حوزه‌هایی می‌تواند ارزش قابل‌اندازه‌گیری ایجاد کند و هم‌زمان اطمینان یابند که سیستم‌های پشتیبان این قابلیت‌ها امن، پاسخ‌گو و سازگار با تغییرات باقی می‌مانند. مرحله بعدی هوش مصنوعی سازمانی تنها به توانایی مدل‌ها وابسته نخواهد بود؛ بلکه به این نیز بستگی دارد که سازمان‌ها تا چه اندازه بتوانند این مدل‌ها را به‌درستی مدیریت و پشتیبانی کنند.