عامل هوش مصنوعی یا هوش مصنوعی عاملیت‌محور؟ تفاوتی که معماری، هزینه و تصمیم‌گیری را تغییر می‌دهد

عامل هوش مصنوعی یا هوش مصنوعی عاملیت‌محور؟ تفاوتی که معماری، هزینه و تصمیم‌گیری را تغییر می‌دهد.

چکیده

دو اصطلاح «عامل هوش مصنوعی» (AI Agent) و «هوش مصنوعی عاملیت‌محور» (Agentic AI) در بازار گاه مترادف به کار می‌روند، اما مرور مفهومی ساپکوتا و همکاران (۲۰۲۵) آن‌ها را دو معماری متفاوت می‌داند: یکی کاری مشخص را با ابزار انجام می‌دهد و دیگری چند عامل را برای هدفی بزرگ‌تر هماهنگ می‌کند. این نوشته آن تمایز را به فرایندهای منابع انسانی می‌برد و با گزارش مک‌کینزی (کام و همکاران، ۲۰۲۶) می‌سنجد. نتیجه این است که شکل فرایند تعیین می‌کند کدام رویکرد مناسب است. شواهد موجود بیشتر مفهومی و مشاوره‌ای است تا تجربی.

کلیدواژه‌ها:عامل هوش مصنوعی (AI Agent)، هوش مصنوعی عاملیت‌محور (Agentic AI)، سامانه چندعاملی (Multi-agent System)، منابع انسانی، حاکمیت هوش مصنوعی

چرا تفاوت این دو مهم است؟

وقتی فروشنده‌ای می‌گوید سامانه‌اش «عاملیت‌محور» است، ممکن است منظورش ابزاری باشد که به پرسش‌های کارکنان درباره مرخصی پاسخ می‌دهد، یا شبکه‌ای از عامل‌ها که فرایند جذب را از غربال رزومه تا قرار مصاحبه پیش می‌برند. این دو از نظر معماری فرق دارند و در نتیجه کنترل، ممیزی و ریسک‌شان هم یکسان نیست. ساپکوتا و همکاران (۲۰۲۵) دلیل نوشتن مقاله‌شان را همین می‌دانند: روشن‌نبودن مرز می‌تواند به طراحی ناکافی برای مسئله‌های پیچیده یا طراحی بیش‌ازحد برای مسئله‌های ساده بینجامد.

عامل هوش مصنوعی: یک کار، چند ابزار

ساپکوتا و همکاران (۲۰۲۵) عامل هوش مصنوعی را موجودیتی نرم‌افزاری می‌دانند که در محیطی دیجیتال و محدود، هدفی مشخص را دنبال می‌کند. سه ویژگی برایش برمی‌شمارند: خودمختاری پس از راه‌اندازی، تخصص در کاری باریک و واکنش‌پذیری نسبت به ورودی‌های تازه. هسته آن یک مدل زبانی بزرگ (LLM) است که نقش موتور استدلال را دارد. وقتی عامل به اطلاعاتی بیرون از دانش مدل نیاز دارد، درخواستی ساختاریافته به یک ابزار یا رابط برنامه‌نویسی (API) می‌فرستد، خروجی را به زمینه کار مدل برمی‌گرداند و بر اساس آن گام بعد را برمی‌دارد.

مدیر منابع انسانی از دستیاری سازمانی می‌خواهد تغییرات سیاست‌های سال گذشته را خلاصه کند. عامل از پایگاه بردارِ اسناد داخلی مرتبط‌ترین متن‌ها را بازیابی می‌کند و خلاصه‌ای همراه با پیوند منابع برمی‌گرداند. کار یکی است، ابزارها مشخص‌اند و مرز روشن است.

هوش مصنوعی عاملیت‌محور: چند عامل، یک هدف

در تعریف ساپکوتا و همکاران (۲۰۲۵)، سامانه عاملیت‌محور از چند عامل تخصصی ساخته می‌شود. این عامل‌ها هدفی سطح‌بالا را به زیرکارها خرد می‌کنند، از راه صف پیام یا حافظه مشترک با هم ارتباط دارند و زیر نظر هماهنگ‌کننده‌ای (Orchestrator) پیش می‌روند. چهار افزوده معماری آن را از عامل ساده جدا می‌کند: مجموعه‌ای از عامل‌های تخصصی، برنامه‌ریزی و استدلال پیشرفته، حافظه پایدار میان مراحل کار و لایه هماهنگ‌سازی. نمونه‌شان چارچوب AutoGen است: یک عامل برنامه می‌ریزد، دومی اطلاعات را بازیابی می‌کند، سومی گزارش را می‌نویسد و هماهنگ‌کننده وابستگی‌ها را پیگیری می‌کند.

آنان مفهوم را با تمثیل خانه هوشمند توضیح می‌دهند. ترموستات هوشمند یک عامل است: دمای مطلوب را می‌گیرد و گرمایش و سرمایش را تنظیم می‌کند. وقتی پیش‌بینی هوا، قیمت انرژی، برنامه ساکنان و امنیت خانه هم‌زمان و هماهنگ تصمیم می‌گیرند، سامانه‌ای عاملیت‌محور داریم.

تمایز در فرایندهای منابع انسانی

گزارش مک‌کینزی (کام و همکاران، ۲۰۲۶) برای جذب نیرو الگویی چندعاملی با هماهنگ‌کننده شرح می‌دهد. یک عامل رکوردها را پاک‌سازی می‌کند و تحلیل می‌کند چه کسی مناسب است. عاملی دیگر نامزدها را امتیاز می‌دهد، رتبه‌بندی می‌کند و منبع‌یابی انجام می‌دهد. سومی با نامزدها تماس می‌گیرد و مصاحبه‌ها را زمان‌بندی می‌کند، و عاملی هماهنگ‌کننده بالای کل فرایند می‌نشیند. نقش جذب‌کننده انسانی در این مدل عوض می‌شود: او سامانه را طراحی، نظارت و بهتر می‌کند و در لحظه‌هایی که قضاوت و اقناع تعیین‌کننده است، خودش حضور دارد.

حقوق و دستمزد نمونه‌ای است که گزارش آن را «خودکار در سطح تحویل» می‌نامد: عامل‌ها چرخه را اجرا می‌کنند، ولی سیاست‌گذاری و رسیدگی به استثناها، مثل پیچیدگی‌های فرامرزی، با انسان است.

اگر فرایند یک گام روشن با ابزارهای مشخص دارد، مثل پاسخ به پرسش‌های سیاست‌ها یا صدور نامه تأیید اشتغال، معماری تک‌عاملی کافی است و کنترل و ممیزی‌اش ساده‌تر است. اگر فرایند زنجیره‌ای از تصمیم‌های وابسته در چند سامانه است، مثل جذب یا آنبوردینگ، هماهنگی چندعاملی معنا پیدا می‌کند، به شرط این‌که سازمان بتواند خطای یک عامل را پیش از رسیدن به عامل بعدی بگیرد. این قاعده از دو منبع بالا استنباط شده و هنوز با مطالعه‌ای تجربی در منابع انسانی آزموده نشده است.

ادعای خودکارسازی و حدود آن

مک‌کینزی برآورد می‌کند که تا سال ۲۰۳۰ حدود دو سوم فعالیت‌های کنونی منابع انسانی، از مدیریت درخواست نیرو و غربال نامزد تا حقوق، آنبوردینگ و مزایا، به‌طور کامل یا در سطح تحویل خودکار شود. به گفته گزارش، سهم زمان انسانی هم از وضعیت کنونی (حدود ۴۰ درصد تحویل عملیاتی و ۱۵ درصد تعامل راهبردی) به مدلی می‌رسد که ۵۰ درصد زمان صرف کار راهبردی و نوآوری می‌شود و حدود ۲۰ درصد صرف مدیریت قابلیت‌های عاملی.

تله پایلوت و سه تنش حاکمیتی

مهم‌ترین هشدار گزارش سازمانی است. وقتی کارشناسی با ابزارهای کم‌کد (Low-code) در یک بعدازظهر عامل می‌سازد، «شروع کوچک» دیگر انتخاب مدیریت نیست و خودبه‌خود اتفاق می‌افتد. نویسندگان نام این وضع را «تله پایلوت» می‌گذارند: سرعت در سطح کار و انحراف در سطح طراحی. هر عامل مهارنشده بخشی از الگوی عملیاتی قدیمی را در کد منجمد می‌کند. راه‌حل‌شان این است که ابتدا الگوی انسان و عامل را برای افق ۲۰۳۰ تعریف کنند و بعد به سمت اجرا برگردند.

گزارش سه تنش را برمی‌شمارد که هیچ‌کدام یک‌بار برای همیشه حل نمی‌شوند.

تنش اول مالکیت بستر هماهنگ‌سازی است. اگر فناوری اطلاعات آن را کاملاً در اختیار بگیرد، منابع انسانی در صف می‌ماند. اگر خودش بسازد، سازمان یک پشته فناوری سایه ارث می‌برد.

تنش دوم مرز میان سرمایه‌گذاری روی کارکنان و نظارت بر آن‌هاست. شخصی‌سازی مسیر شغلی و آموزش، اگر شفاف نباشد یا از حدی بگذرد، برای کارکنان به نظارت تبدیل می‌شود. به نوشته گزارش، قانون این مرز را تعیین نمی‌کند، باور کارکنان تعیین می‌کند که شخصی‌سازی به نفع خودشان است.

تنش سوم میان خودکارسازی کار و شتاب‌دادن به انسان‌هاست. اگر عامل‌ها کار سطح مبتدی را بگیرند، قضاوت نسل بعد باید عمداً پرورش یابد و مثل گذشته حین کار جذب نمی‌شود.

این تنش‌ها با ریسک‌هایی که ساپکوتا و همکاران (۲۰۲۵) برای سامانه‌های عاملیت‌محور فهرست می‌کنند هم‌خوانی دارد: ناهم‌ترازی میان عامل‌ها، انتشار خطا، رفتار پیش‌بینی‌ناپذیر ناشی از تعامل، کمبود توضیح‌پذیری و آسیب‌پذیری در برابر حمله. یکی ریسک را در معماری می‌بیند و دیگری در حاکمیت و اعتماد، و مدیر منابع انسانی به هر دو نگاه نیاز دارد.

نقش‌های تازه در واحد منابع انسانی

مک‌کینزی چهار نقش رایج را در این مدل نام می‌برد. استراتژیست افراد (People Strategist) جهت می‌دهد و ترکیب ظرفیت انسانی و عاملی را تنظیم می‌کند. فناور افرای (People Technologist) بستر عاملی را می‌سازد و نگه می‌دارد. دانشمند افراد (People Scientist) مراقب سوگیری، ریسک و صحت داده است و تصمیم‌ها را در سطح پرونده قابل‌توضیح و قابل‌اعتراض نگه می‌دارد. متخصص چندکاره هم میان پروژه‌ها جابه‌جا می‌شود و مسیر کارآموزی برای نقش‌های بالاتر را فراهم می‌کند.

گزارش از نقش‌هایی مثل هماهنگ‌کننده عامل‌ها و مربی هوش مصنوعی هم یاد می‌کند و می‌گوید نقش‌هایی که فقط «نقطه‌ها را به هم وصل می‌کردند» از میان می‌روند. ساختار سه‌لایه اولریچ (شریک کسب‌وکار، مرکز خدمات مشترک، مرکز تخصص) نیز در مدل پیشنهادی به یک لایه واحد و پلتفرم‌محور ادغام می‌شود.

جمع‌بندی

پیش از خرید یا ساخت هر «عامل»، شکل فرایند را روی کاغذ بیاورید: چند گام دارد، چند سامانه را لمس می‌کند، هر گام به خروجی کدام گام وابسته است و خطا باید کجا گرفته شود. پاسخ همین پرسش‌ها نشان می‌دهد عامل ساده کافی است یا هماهنگی چندعاملی لازم است. گام بعدی پژوهش جمع‌کردن مقاله‌های داوری‌شده درباره کاربرد این دو رویکرد در جذب، آموزش و ارزیابی عملکرد است تا قاعده‌ای که این‌جا از دو منبع استنباط شد، با داده سنجیده شود.

منابع

Komm, A., Hancock, B., & Durth, S. (۲۰۲۶, August ۴). Escaping the pilot trap: Building HR for the agentic era. McKinsey & Company. https://www.mckinsey.com/capabilities/people-and-organization/our-insights/escaping-the-pilot-trap-building-hr-for-the-agentic-era

Sapkota, R., Roumeliotis, K. I., & Karkee, M. (۲۰۲۵). AI agents vs. agentic AI: A conceptual taxonomy, applications and challenges (arXiv:۲۵۰۵.۱۰۴۶۸v۴) [Preprint]. arXiv. https://arxiv.org/abs/۲۵۰۵.۱۰۴۶۸