تأثیر هوش مصنوعی بر شکلگیری استارتاپها از دیدگاه معاون مایکروسافت
آماندا سیلور، معاون اجرایی در بخش CoreAI مایکروسافت، چگونگی تغییر محاسبات ریاضی برای استارتاپها توسط هوش مصنوعی عامل محور و تأثیر آن بر کاهش هزینههای عملیاتی نرمافزار را تشریح میکند.
تأثیر دگرگونکننده هوش مصنوعی بر استارتاپها
صحبتهای آماندا سیلور، معاون اجرایی در بخش CoreAI مایکروسافت، نشان میدهد که دوران عاملهای هوش مصنوعی (Agentic AI) یک نقطه عطف حیاتی برای استارتاپها محسوب میشود؛ نقطهای به عمق و اندازه گذار به رایانش ابری عمومی. سیلور که مسئولیت توسعه سیستم Foundry در Azure را بر عهده دارد، دیدگاهی نزدیک به نحوه استقرار و چالشهای واقعی سامانههای هوش مصنوعی در شرکتها دارد. او معتقد است همانطور که رایانش ابری نیاز به زیرساختهای فیزیکی گرانقیمت و فضای ملکی برای سرورها را از بین برد، عاملهای هوش مصنوعی نیز قرار است هزینههای کلی عملیات نرمافزاری را کاهش دهند. این کاهش هزینه شامل بخشهایی چون پشتیبانی مشتریان و بررسیهای حقوقی میشود که میتوانند با عاملهای هوش مصنوعی سریعتر و ارزانتر انجام شوند. نتیجه این تحول، افزایش تعداد استارتاپهای جدید و ظهور شرکتهای با ارزشگذاری بالاتر با نیروی انسانی کمتر خواهد بود.
کاربردهای عملی عاملهای چندمرحلهای هوش مصنوعی
یکی از نمودهای این تغییر در حوزه توسعه نرمافزار دیده میشود. عاملهای چندمرحلهای در حال حاضر به طور گستردهای برای کارهای کدنویسی استفاده میشوند. به عنوان مثال، نگهداری و بهروزرسانی یک کدبیس شامل وابستگی به نسخههای قدیمیتر کتابخانهها (مانند داتنت یا جاوا SDK) کاری زمانبر است. سیلور توضیح میدهد که سامانههای عاملمحور میتوانند بهطور هوشمند کل ساختار کد را بررسی کرده و آن را با کاهش ۷۰ تا ۸۰ درصدی زمان بهروزرسانی کنند. مورد استفاده مهم دیگر، مدیریت عملیات زنده سرویسها (Live-site operations) است. پیش از این، حوادث ناگهانی در نیمهشب نیاز به فعال شدن پرسنل داشت، اما سامانههای عاملمحور توانایی تشخیص و در بسیاری موارد، کاهش کامل مشکلات را دارند، به طوری که دیگر نیازی به بیدار کردن انسانها برای رسیدگی به حوادث جزئی نیست و میانگین زمان رسیدگی به وقوع حوادث به شدت کاهش مییابد.
- عاملهای هوش مصنوعی هزینههای استقرار و عملیات نرمافزاری را کاهش میدهند.
- شاهد افزایش راهاندازی استارتاپهای جدید و افزایش ارزشگذاری آنها خواهیم بود.
- بهروزرسانی وابستگیهای کد (Codebase Dependencies) با عاملهای پیشرفته تا ۸۰ درصد سریعتر میشود.
- مدیریت حوادث عملیات زنده با تشخیص و رفع خودکار مشکلات، بار کاری تیمهای پشتیبانی را کم میکند.
- نیاز به تعریف دقیق مورد استفاده تجاری (Business Use Case) و معیار موفقیت برای هر عامل، یک چالش فرهنگی اصلی است.
سیلور تأکید میکند: “عاملهای هوش مصنوعی قرار است به نوعی هزینه کلی عملیات نرمافزاری را دوباره کاهش دهند، زیرا بسیاری از کارهای مربوط به راهاندازی یک کسبوکار جدید، چه افراد پشتیبانی و چه بررسیهای حقوقی، میتوانند با عاملهای هوش مصنوعی سریعتر و ارزانتر انجام شوند.”
موانع استقرار و نقش نظارت انسانی
با وجود پتانسیل بالا، استقرار عاملهای هوش مصنوعی به سُرعت مورد انتظار نبوده است. سیلور اصلیترین مانع را عدم شفافیت در هدف عامل میداند. تیمها باید تعریف بسیار واضحی از موفقیت عامل و دادههایی که برای استدلال در مورد وظایف به آن داده میشود، داشته باشند. با این حال، وی عدم قطعیت عمومی در مورد استقرار عاملها را کمتر از یک مانع جدی میداند. او پیشبینی میکند که سناریوهای انسان در حلقه (Human-in-the-loop) همچنان رایج خواهند بود، بهویژه در عملیاتهای حیاتی مانند تعهدات قراردادی یا استقرار کد در محیط تولید. در مواردی مانند بازگشت کالا، مدلهای بینایی ماشین میتوانند دخالت انسانی را کاهش دهند، اما موقعیتهای مرزی همچنان نیازمند قضاوت انسانی محدود باقی میمانند.
“باید بسیار صریحالنظر باشید در مورد اینکه تعریف موفقیت برای این عامل چیست. و باید فکر کنید، چه دادهای به این عامل میدهم تا بتواند بر اساس آن در مورد نحوه انجام این کار خاص استدلال کند؟”



