ادغام مدل‌های پیشرفته OpenAI در Rovo و Teamwork Graph اطلسین
تحلیل
اطلسین با تبدیل مدل‌های OpenAI به هسته اصلی هوش مصنوعی عامل‌های خود، رویکرد استفاده از مدل‌های چند شرکت و انتخاب مدل مناسب برای هر وظیفه را وارد ابزارهای مدیریت پروژه کرده است؛ رویکردی که بر اطلاعات اختصاصی و ساختار ارتباطات درون‌سازمانی تکیه دارد.
نویسنده: دانا الیسون | فورکست
هسته هوش مصنوعی چندمدلی برای همکاری تیمی
شرکت‌های اطلسین و OpenAI در ۱۴ اکتبر ۲۰۲۶ از گسترش همکاری خود خبر دادند؛ همکاری تازه‌ای که از تغییر رویکرد در نحوه اتصال فرایندهای مبتنی بر عامل‌های هوش مصنوعی به داده‌های سازمانی حکایت دارد. بر اساس اطلاعات منتشرشده از سوی این دو شرکت، مدل‌های پیشرفته OpenAI، به‌ویژه GPT-6 Astra و خانواده GPT-5.6، قرار است به لایه اصلی هوش مصنوعی برای عامل‌های فعال در اکوسیستم اطلسین و پلتفرم Rovo تبدیل شوند. با وجود گسترش یکپارچگی با OpenAI، اطلسین همچنان به راهبرد استفاده از چند مدل پایبند است و پشتیبانی از مدل‌های ارائه‌دهندگان دیگر را ادامه می‌دهد تا انعطاف‌پذیری ابزارها و زیرساخت‌های توسعه نرم‌افزار حفظ شود.
لایه اطلاعات زمینه‌ای: Teamwork Graph
برای توسعه‌دهندگان و مدیران پروژه، کارآمدی یک عامل هوش مصنوعی تا حد زیادی به دسترسی آن به اطلاعات مرتبط و به‌روز بستگی دارد. پلتفرم Rovo با ترکیب توانایی‌های هوش مصنوعی OpenAI و اطلاعات موجود در Teamwork Graph فعالیت می‌کند. این گراف، داده‌های ابزارهای Jira، Confluence و Loom را گردآوری و به یکدیگر مرتبط می‌کند. هدف از فراهم کردن چنین بستر اطلاعاتی برای عامل‌های هوش مصنوعی، کاهش پاسخ‌های ساختگی یا نادرست و افزایش دقت در انجام خودکار وظایف است. طبق توضیحات ارائه‌شده از سوی شرکت‌ها، این رویکرد به عامل‌ها امکان می‌دهد هنگام انجام وظایف، وابستگی‌های میان پروژه‌ها و اطلاعات ثبت‌شده در اسناد پیشین سازمان را در نظر بگیرند.
مدل‌های OpenAI در هسته اصلی Rovo
با این یکپارچه‌سازی، مدل‌های OpenAI به هسته اصلی هوش مصنوعی Rovo تبدیل می‌شوند. جمیل والیانی از اطلسین و نیکونج هاندا از OpenAI تأکید کرده‌اند که ترکیب توانایی‌های این دو سامانه، اجرای فعالیت‌های پیچیده‌تر و چندمرحله‌ای را برای عامل‌های هوش مصنوعی امکان‌پذیر می‌کند. بر اساس اظهارات منتشرشده از سوی شرکت‌ها، هدف این است که کاربرد هوش مصنوعی از رابط‌های ساده گفت‌وگومحور فراتر برود و عامل‌های مستقلی توسعه یابند که بتوانند فرایندهای کاری را در مجموعه محصولات اطلسین اجرا کنند. این تغییر همچنین توسعه‌دهندگان را ملزم می‌کند به نحوه سازمان‌دهی داده‌های پروژه توجه بیشتری داشته باشند؛ زیرا کیفیت خروجی عامل‌های هوش مصنوعی مستقیماً به میزان شفافیت اطلاعات و روابط ثبت‌شده در Teamwork Graph وابسته است.
مدیریت و راهبری در زیرساختی متشکل از مدل‌های مختلف
با وجود تمرکز بر مدل‌های OpenAI، اطلسین تأکید کرده است که همچنان به حفظ محیطی با قابلیت استفاده از چند مدل هوش مصنوعی متعهد خواهد ماند. به گزارش ونچربیت، راهبرد این شرکت شامل تعهد مالی قابل‌توجهی برای استفاده از خدمات OpenAI است، اما در عین حال امکان جایگزینی مدل‌ها یا یکپارچه‌سازی مدل‌های مختلف را حفظ می‌کند. برای تیم‌هایی که چرخه‌های پیچیده توسعه و نگهداری نرم‌افزار را مدیریت می‌کنند، این رویکرد به معنای طراحی زیرساختی است که وابستگی انحصاری به یک ارائه‌دهنده مدل هوش مصنوعی را کاهش می‌دهد، بی‌آنکه مزایای یکپارچگی عمیق با جدیدترین مدل‌های پیشرفته OpenAI از دست برود.
بازسازی مسیر اتصال: گسترش قابلیت‌های MCP
اطلسین برای فراهم کردن امکان همکاری و تبادل اطلاعات میان سامانه‌های مختلف، سرور MCP خود را بازسازی کرده است. این به‌روزرسانی با هدف فراهم کردن دسترسی ابزارهای هوش مصنوعی خارجی به اطلاعات و ساختار ارتباطات درون‌سازمانی طراحی شده است؛ به‌گونه‌ای که این قابلیت دیگر به ابزارهای بومی پلتفرم اطلسین محدود نباشد. اطلسین با گسترش دامنه عملکرد سرور MCP، روشی استاندارد در اختیار توسعه‌دهندگان قرار می‌دهد تا بتوانند عامل‌های هوش مصنوعی اختصاصی خود یا ابزارهای شرکت‌های دیگر را به داده‌های ذخیره‌شده در Jira و Confluence متصل کنند. بر اساس توضیحات منتشرشده از سوی این شرکت، هدف از این تغییر در معماری سامانه، آسان‌تر کردن دسترسی برنامه‌های تخصصی مبتنی بر عامل‌های هوش مصنوعی به لایه داده‌های سازمانی است.