هوش مصنوعی عاملی (Agentic AI): ۱۱ مثال واقعی از تحول در امنیت، لجستیک و تولید؛ از کاردانی تا اجرا

سامانه‌هایی که دیگر صرفاً ابزار نیستند، بلکه خود برنامه‌ریز، استدلال‌گر و مجری عمل‌اند. این تحول بنیادین، که از آن با عنوان هوش مصنوعی عاملی یا عامل گرا (Agentic AI) یاد می‌شود، دیگر یک مفهوم علمی-تخیلی نیست، بلکه مجموعه‌ای از سامانه‌های هوش مصنوعی است که مجهز به قابلیت تصمیم‌گیری مستقل و رفتار خودکار هستند. این ایجنت هوش مصنوعی یا عامل AI، برخلاف ابزارهای خودکارسازی سنتی که متکی به دستورالعمل‌های ثابت‌اند، یک هدف اصلی بزرگ‌تر را به زیروظایف کوچک‌تر تقسیم کرده، به مدل‌های تخصصی محول نموده و به صورت پویا و در زمان واقعی، فرآیند دستیابی به هدف را مدیریت می‌کند.

در شرایطی که مسئولان محترم، نظیر رئیس جمهور وقت، دکتر پزشکیان، دغدغه کاهش ساعات کاری ادارات دولتی را با هدف بهینه‌سازی مصرف انرژی دارند، شاید ضروری باشد تا به تأثیر واقعی ابزارهای تحول‌آفرین اندیشیده شود. آیا با پیاده‌سازی هدفمند و در مقیاس گسترده این عامل هوش مصنوعی در بخش‌های حیاتی دولت و صنعت، باید همچنان نگران صرفه‌جویی‌های جزئی در ساعات اداری بود؟ قابلیت‌های منحصربه‌فرد Agentic AI نه تنها وعده کاهش ساعات کاری را می‌دهد، بلکه عملاً فرآیندهای اداری را از حضور فیزیکی بی‌نیاز ساخته و زمینه را برای “خودکاری کامل” و ارتقاء بهره‌وری بی‌سابقه فراهم می‌کند. این فناوری، که اکنون یکی از حوزه‌های اصلی تمرکز توسعه هوش مصنوعی محسوب می‌شود، نه یک پیشرفت تدریجی، بلکه یک تغییر اساسی (Paradigm Shift) در شیوه عمل ماست. در این مقاله، ۱۱ مثال عینی و الهام‌بخش از کاربردهای هوش مصنوعی عامل گرا را در حوزه‌های حساسی چون امنیت سایبری، مدیریت زنجیره‌های تأمین، عملیات مراقبت‌های بهداشتی و تولید بررسی خواهیم کرد تا درک کنید چگونه این هوش مصنوعی عاملی “چگونگی انجام کارها” را دگرگون خواهد ساخت.

از مباحث امنیت سایبری گرفته تا تسهیل مدیریت زنجیره تأمین، هوش مصنوعی عاملی (Agentic AI) توانایی بالایی در یاری رساندن به مجموعه‌های تجاری و کسب‌وکارها دارد تا به وسیله آن بتوانند وظایف پیچیده و چند مرحله‌ای را به صورت خودکار و در زمان واقعی به انجام رسانند.

هوش مصنوعی عاملی (Agentic AI)

اصطلاح هوش مصنوعی عامل گرا (Agentic AI) یا عامل هوش مصنوعی (AI agent) به سامانه‌هایی از هوش مصنوعی اشاره دارند که مجهز به قابلیت تصمیم‌گیری مستقل و رفتار خودکار هستند. این ایجنت‌های هوش مصنوعی می‌توانند با هدف دستیابی به اهداف مشخص، فرآیندهایی چون استدلال، برنامه‌ریزی و اجرای اقدامات را به انجام رسانند و همچنین خود را در زمان واقعی با شرایط متغیر تطبیق دهند.

البته در زمینه‌ی هوش مصنوعی، واژه‌های “Agentic AI” (هوش مصنوعی عاملی/مبتنی بر عامل) و “AI Agents” (عامل‌های هوش مصنوعی) با هم مرتبط هستند اما فرق دارند.

AI Agent (عامل هوش مصنوعی):

• این واژه به خودِ موجودیت‌ها یا برنامه‌های نرم‌افزاری خاصی اطلاق می‌شود که می‌توانند محیط خود را درک (Perceive) کنند، تصمیم بگیرند و بر اساس آن عمل کنند تا به هدف یا مجموعه‌ای از اهداف برسند.
• یک AI Agent یک موجودیت مجرد، یک برنامه یا یک ربات است.
• مثال: یک چت‌بات پشتیبانی که می‌تواند تصمیم بگیرد کدام بخش از پایگاه دانش را برای پاسخ به سوال مشتری جستجو کند.

Agentic AI (هوش مصنوعی عاملی):

• این واژه به یک مفهوم گسترده‌تر یا یک پارادایم در طراحی هوش مصنوعی اشاره دارد. این موضوع بر توانایی یک سیستم هوش مصنوعی در برنامه‌ریزی، تصمیم‌گیری استدلالی، و انجام اقدامات پیچیده و چند مرحله‌ای به صورت خودکار متمرکز است تا به یک هدف کلی برسد.
• این یک رویکرد یا ویژگی است که یک سیستم هوش مصنوعی ممکن است داشته باشد.
• سیستم‌های Agentic AI اغلب از AI Agents (عامل‌های هوش مصنوعی) تشکیل شده‌اند که با هم همکاری می‌کنند.

برخلاف ابزارهای خودکارسازی سنتی که معمولاً بر مبنای مسیرهای از پیش تعیین شده عمل می‌کنند، هوش مصنوعی عاملی متکی به یک مجموعه ثابت از دستورالعمل‌ها نیست. در عوض، این عامل AI از الگوریتم‌ها و روابط آموخته شده بهره می‌برد تا بتواند بهترین رویکرد را برای دستیابی به یک هدف مشخص تعیین کند، مثلاً در یک سناریوی خرید و فروش، به جای پیروی از یک گام‌به‌گام مشخص برای سفارش کالا، می‌تواند با توجه به تأخیر در ارسال یا تغییر قیمت‌ها، به صورت پویا روش خرید را تغییر دهد.

“تادیوس گودوین (Thadeous Goodwyn)”، مدیر بخش هوش مصنوعی مولد در شرکت “بوز آلن همیلتون (Booz Allen Hamilton)”، تصریح کرد که برای انجام وظایف، هوش مصنوعی عاملی یا همان هوش مصنوعی عامل گرا، یک هدف اصلی بزرگ‌تر را به زیروظایف کوچک‌تر تقسیم‌بندی و تجزیه می‌کند. در ادامه، این زیروظایف به مدل‌های هوش مصنوعی تخصصی‌تر محول می‌شوند و اغلب برای اقدامات خاص از مدل‌های هوش مصنوعی سنتی‌تر و محدودتر استفاده می‌گردد.

به گفته گودوین، تصمیمات و اقدامات این سیستم‌های هوش مصنوعی جزء، در نهایت عامل هوشمند را قادر می‌سازد تا به هدف اصلی خود دست یابد. لازم به ذکر است که این قابلیت با سرعت قابل توجهی در حال بلوغ و پیشرفت است.

او در ادامه توضیح داد:

“ایده عامل‌ها (Agents) مفهوم جدیدی نیست؛ سال‌هاست که تحقیقات در این حوزه جریان دارد. اما دلیلی که اکنون این سطح از توجه به آن جلب شده، این است که مدل‌های زبانی بزرگ (LLMs) و هوش مصنوعی مولد، برخی از ویژگی‌های حیاتی را که هوش مصنوعی عاملی برای موفقیت عملیاتی به آن‌ها نیاز دارد، به شدت تسریع و تقویت کرده‌اند”

Thadeous Goodwyn

بر اساس گزارش منتشر شده از سوی دیلویت (Deloitte) با عنوان “وضعیت هوش مصنوعی مولد در شرکت‌ها”، هوش مصنوعی عامل گرا (Agentic AI) یکی از حوزه‌هایی است که با دقت و تمرکز بسیار زیاد در زمینه توسعه هوش مصنوعی تحت نظر و بررسی قرار دارد. پاسخ‌دهندگان به این گزارش، هوش مصنوعی عامل (۵۲ درصد) و سیستم‌های چندعاملی (Multi-Agent Systems) (۴۵ درصد) که گونه‌ای پیچیده‌تر از عامل هوش مصنوعی محسوب می‌شوند را به عنوان دو حوزه جذاب‌ترین در منظومه کنونی هوش مصنوعی توصیف کرده‌اند.

۱۱ نمونه مثال هوش مصنوعی عاملی (Agentic AI) و کاربردهای آن

کارشناسان برجسته هوش مصنوعی و رهبران سازمانی در حوزه‌های مختلف بر این باورند که هوش مصنوعی عامل گرا (Agentic AI) دارای پتانسیل عظیمی برای ارزش‌آفرینی در طیف گسترده‌ای از عملکردهای کسب‌وکار و صنایع مختلف است. این ایجنت‌های هوش مصنوعی می‌توانند از طریق بهبود فرایندهای کاری، تقویت فرآیندهای تصمیم‌گیری و خودکارسازی وظایف پیچیده، تأثیر چشمگیری داشته باشند. در بخش‌های آتی، ۱۱ مورد برجسته معرفی شده‌اند که به وضوح، پتانسیل این عامل هوشمند را برای تحول عملیات فناوری اطلاعات و دگرگون ساختن شیوه انجام کارها به نمایش می‌گذارند.

۱. امنیت و کاهش ریسک

کارن پانتا (Karen Panetta)، که عضو سازمان IEEE و استاد مهندسی برق و کامپیوتر در دانشگاه تافتس (Tufts University) و رئیس دانشکده تحصیلات تکمیلی دانشکده مهندسی تافتس است، اظهار داشته که هوش مصنوعی عاملی (Agentic AI) توانایی کمک شایانی به امنیت سازمانی دارد. این امر با نظم بخشیدن به اجزای فعالیت‌های عملیات امنیتی و تلاش‌های کاهش ریسک در سازمان‌ها میسر می‌گردد. به عبارتی، عامل هوش مصنوعی به مثابه یک ناظر هوشمند و خودکار، مدیریت و هماهنگی فعالیت‌های امنیتی را بر عهده می‌گیرد.

پانتا این ایده را با ارائه مثال‌هایی ملموس‌تر ساخت: برای نمونه، عامل های هوش مصنوعی (AI agents) که در یک مرکز عملیات امنیتی (SOC) مستقر شده‌اند، قادرند به صورت فعالانه و مستمر، سیستم‌ها را برای شناسایی تهدیدات جدید و نوظهور اسکن کنند. علاوه بر این، این ایجنت‌های هوش مصنوعی می‌توانند ناهنجاری‌ها را مورد بررسی و تحلیل قرار داده و بدون نیاز به دخالت مستقیم انسانی، اقدامات اصلاحی لازم را به صورت خودکار انجام دهند. به طور مشابه، در حوزه مدیریت ریسک، عامل AI می‌تواند به طور مداوم به دنبال فعالیت‌های غیرعادی یا الگوهای مشکوک (مثلاً تراکنش‌های بانکی غیرمعمول در یک بانک) جستجو کند، آن الگوها را با هدف تعیین ماهیت کلاهبردارانه بررسی نماید و در صورت لزوم، پاسخ‌های ضروری را به طور خودکار اجرا سازد. این عامل هوشمند به طور چشمگیری سرعت واکنش به خطرات را افزایش می‌دهد.

۲. زنجیره‌های تأمین و لجستیک

خانم پانتتا در ادامه اشاره کرد که هوش مصنوعی عامل گرا (Agentic AI) در حیطه زنجیره تأمین و لجستیک نیز کارایی قابل توجهی دارد؛ حوزه‌ای که نظم‌دهی و هماهنگ‌سازی وظایف متعدد در آن امری رایج و ضروری محسوب می‌شود. برای نمونه، تصور کنید که یک خشکسالی در استان‌های کشاورزی ایران (مانند استان فارس یا خراسان) بر میزان موجودی و قیمت تمام شده محصولات کشاورزی اثر منفی بگذارد. در چنین شرایطی، کارکنان زنجیره تأمین به طور معمول مجبورند موجودی انبارها در سایر مناطق را بررسی کنند، قیمت‌های جدید را تأیید نمایند، مسیرهای تأمین و توزیع را مجدداً سازماندهی کنند و منابع جایگزینی برای محصولات مورد نیاز بیابند.

پانتتا تصریح کرد:

در گذشته، نیروی کار از فناوری‌های موجود برای پوشش دادن بخش قابل توجهی از این وظایف استفاده می‌کردند، اما تمام فرآیند خودکار نبود. در حال حاضر، هوش مصنوعی عاملی (Agentic AI) این قابلیت را دارد که کل جریان کار را نظم دهد و هماهنگ کند. کارکنان زنجیره تأمین اکنون می‌توانند تنها نتیجه مطلوب را مشخص سازند؛ برای مثال، پیدا کردن و تحویل مقدار مورد نیاز کالا با کمترین هزینه یا در سریع‌ترین زمان تحویل (مثلاً برای تأمین کالاهای اساسی در کلانشهرها). در نتیجه، این عامل AI نه تنها چگونگی اجرای این فرآیند را به صورت هوشمندانه شناسایی می‌کند، بلکه به شکل خودکار نیز اقدامات لازم را برای عملیاتی ساختن آن آغاز می‌نماید. این قابلیت، عامل هوشمند را به یک ابزار حیاتی در مدیریت پیچیدگی‌های لجستیک تبدیل می‌کند.

Karen Panetta

۳. مراکز تماس

استوارت براون (Stuart Brown)، شریک و مدیر کسب‌وکار دیجیتال در شرکت مشاوره‌ای گایدهوس (Guidehouse)، اعلام کرد که از اوایل سال 2026 میلادی، هوش مصنوعی عامل گرا (Agentic AI) در مراکز تماس به صورت “در مقیاس گسترده” به کار گرفته خواهد شد. این پیاده‌سازی باعث تأثیر مضاعف بر بهبودها و کارایی‌هایی می‌شود که پیش‌تر توسط هوش مصنوعی سنتی در این مراکز ایجاد شده بودند. به بیان دیگر، عامل هوش مصنوعی سطح جدیدی از خودکارسازی و هوشمندی را به خدمات مشتریان می‌افزاید.

براون در تشریح عملکرد این سامانه‌ها توضیح داد که عامل‌های هوش مصنوعی (AI agents) در مراکز تماس، وظیفه هماهنگی و مدیریت هوشمندی و اتوماسیون را در میان فعالیت‌های متعددی که برای خدمت‌رسانی به مشتریان ضروری هستند، بر عهده دارند. به عنوان مثال، یک عامل هوش مصنوعی می‌تواند به صورت همزمان و بلادرنگ، احساسات مشتری را تحلیل نماید، تاریخچه سفارش او (مانند سوابق خرید از یک فروشگاه اینترنتی) را مورد بررسی قرار دهد، به سیاست‌ها و مقررات شرکت دسترسی یابد و در نهایت، بر اساس مجموعه این عناصر، به نیازهای مشتری به طور دقیق و بهینه پاسخ دهد. این توانایی یکپارچه، ایجنت هوش مصنوعی را به دستیاری توانمند در تعاملات پیچیده تبدیل می‌کند.

۴. بهبود خدمات مشتری

براون اظهار داشت که هوش مصنوعی عاملی (Agentic AI) توانایی ارتقاء کلی سطح خدمات مشتریان را داراست و این بهبود تنها به حوزه مراکز تماس محدود نمی‌شود. در حقیقت، عامل هوش مصنوعی می‌تواند در هر نقطه‌ای از تعامل مشتری با سازمان، ارزش‌آفرینی کند.

او در ادامه توضیح داد:

“عامل‌های هوش مصنوعی می‌توانند به کارمندان انسانی کمک کنند تا پاسخ‌های مورد نیاز را با سرعت بیشتری به دست آورند و در نتیجه، خدمات‌رسانی به مشتری را تسریع بخشند.”

Stuart Brown

نقش عامل‌های هوش مصنوعی به عنوان یک ابزار پشتیبان و هوشمند، این اطمینان را ایجاد می‌کند که همه کارمندان، فارغ از میزان مهارت یا تجربه فردی، سطحی پیوسته و یکنواخت از خدمات با کیفیت بالا را به مشتریان ارائه دهند. این امر به ویژه در سازمان‌های بزرگ با تعداد زیادی کارمند، اهمیت بالایی دارد و به ثبات در ارائه سرویس توسط ایجنت هوش مصنوعی کمک می‌کند.

براون همچنین اشاره کرد که هوش مصنوعی عامل گرا می‌تواند به صورت پیشگیرانه (Proactive) به مشتریان خدمت‌رسانی کند؛ سطحی از خدمات که معمولاً برای کارمندان انسانی یا حتی هوش مصنوعی سنتی قابل دستیابی نیست. به عنوان مثال، یک شرکت خدمات عمومی ایرانی (مانند شرکت توزیع برق منطقه‌ای) می‌تواند از عامل AI برای شناسایی مشتریانی استفاده کند که احتمالاً قبض‌های غیرعادی بالا دریافت خواهند کرد. سپس، عامل هوشمند می‌تواند به صورت خودکار با این مشترکین تماس برقرار کند، این اطلاعات را در اختیارشان قرار دهد، دلایل مشخص، دقیق و شخصی‌سازی‌شده‌ای در مورد افزایش هزینه‌ها ارائه کند (مانند مصرف بیشتر در ساعات اوج بار) و همچنین راه‌حل‌هایی عملی برای کاهش قبوض آتی به آنان پیشنهاد دهد.

۵. بازیابی دانش

هوش مصنوعی عاملی (Agentic AI) با فراهم آوردن قابلیت دسترسی به اطلاعات و توانایی اقدام بر اساس بینش‌های حاصله، فرآیند بازیابی دانش را به طور چشمگیری ارتقا می‌دهد. گودوین در این رابطه اظهار داشت: به عنوان مثال، یک چت بات که مبتنی بر عامل هوش مصنوعی طراحی شده، نه تنها می‌تواند به پایگاه‌های دانش سازمان دسترسی پیدا کند و به پرسش‌های کاربران پاسخ دهد، بلکه قادر است بهترین اقدامات بعدی را نیز شناسایی کرده و اجرا نماید. این ایجنت هوش مصنوعی عملاً مرزهای پاسخگویی ساده را پشت سر می‌گذارد.

برای روشن ساختن این موضوع، وی به مثال عملیات میز کمک فناوری اطلاعات (IT helpdesk) اشاره کرد. در حالی که کمک چت بات‌های میزی (helpdesk chatbots) نسل‌های قبلی صرفاً می‌توانستند به سؤالات مشخص و از پیش تعریف شده پاسخ دهند، هوش مصنوعی عامل گرا عمیق‌تر عمل می‌کند: این عامل AI قادر است مسائل مطرح شده را به طور کامل تحلیل کند، گزینه‌های حل مسئله را ارائه دهد، اطلاعات مربوطه را محدود و متمرکز سازد و حتی راهکارهای پیشنهادی را اجرا نماید (مثلاً در یک شرکت، رمز عبور را بازنشانی کند). در صورتی که عامل هوشمند قادر به حل خودکار مشکل نباشد، می‌تواند مسئله را اولویت‌بندی کرده و آن را همراه با تمامی اطلاعات مرتبط به یک کارمند انسانی هدایت کند، که این امر کاربر را از تکرار مجدد تمام جزئیات و تشریح دوباره وضعیت نجات می‌دهد و تجربه کاربری را بهبود می‌بخشد.

۶. خلق چندرسانه‌ای

در حالی که هوش مصنوعی مولد (Generative AI) قابلیت تولید محتواهایی نظیر متن، تصاویر و ویدئو را دارد، هوش مصنوعی عاملی (Agentic AI) یک گام اساسی فراتر می‌گذارد. گودوین توضیح داد: اگر به یک عامل هوشمند مأموریت داده شود تا یک گزارش چندرسانه‌ای کامل تهیه کند، این ایجنت هوش مصنوعی به طور خودکار، زیروظایفی مانند تحقیق و جمع‌آوری داده‌ها، تولید محتوای متنی، انتخاب تصاویر مناسب و همچنین طراحی کلی گزارش را به سایر سیستم‌های هوش مصنوعی تخصصی محول می‌کند. نتیجه این فرآیند هماهنگ، ارائه یک محصول نهایی بسیار دقیق‌تر و کامل‌تر است که به لحاظ محتوایی و بصری، یکپارچگی بیشتری دارد. برای مثال، این عامل می‌تواند گزارشی جامع درباره بازار فرش دستباف ایران شامل متن تحلیلی، نمودارهای آماری و تصاویر با کیفیت تولید کند.

وی در ادامه افزود:

این مورد استفاده به خوبی نشان می‌دهد که هوش مصنوعی عامل گرا نه به عنوان یک فناوری محدود و تک‌منظوره، بلکه به عنوان یک نظم‌دهنده و هماهنگ‌کننده اصلی برای قابلیت‌های متعدد هوش مصنوعی عمل می‌کند. به عبارتی، عامل AI نقش یک مدیر پروژه خودکار را ایفا می‌کند که از ابزارهای مختلف (مدل‌های زبان بزرگ، مدل‌های تولید تصویر و غیره) برای دستیابی به یک هدف پیچیده بهره می‌برد.

Thadeous Goodwyn

۷. کشف علمی و مواد

پانتتا اظهار داشت که هوش مصنوعی عاملی (Agentic AI)، پتانسیل تحول‌آفرینی قابل توجهی را در زمینه‌هایی نظیر کشف دارو و ایجاد مواد جدید از خود نشان می‌دهد. لازم به ذکر است که فناوری‌های دیگری همچون یادگیری ماشین (Machine Learning) و هوش مصنوعی غیرعامل نیز دهه‌هاست که در این حوزه‌ها مورد استفاده قرار گرفته‌اند، اما هوش مصنوعی عامل گرا در یک سطح عملکردی بسیار بالاتر به ایفای نقش می‌پردازد و قابلیت‌های پیشرفته‌تری را به نمایش می‌گذارد.

پانتتا در تشریح توانایی منحصر به فرد این فناوری گفت: هوش مصنوعی عاملی به اندازه‌ای هوشمند است که می‌تواند استدلال کند و بگوید: “این‌ها دانش‌های موجود و فرمول‌های فعلی هستند. بر اساس این مواد و خصوصیاتی که کاربر به دنبال آن‌هاست (مانند سبک و استحکام بالا برای یک ماده جدید ساختمانی) و کاوش‌هایی که انجام داده‌ام، این ماده یا ترکیب جدید است که بهترین تطابق را دارد.” این ایجنت هوش مصنوعی نه تنها داده‌ها را تحلیل می‌کند، بلکه بر اساس آن‌ها فرضیه‌سازی کرده و به کشف فعال دست می‌زند.

او افزود: علاوه بر این، هوش مصنوعی عاملی می‌تواند فراتر از توسعه دستور ساخت برای یک ترکیب جدید عمل کند. این عامل AI همچنین قابلیت این را دارد که تأمین‌کنندگان بهینه را بر اساس اولویت‌هایی مانند کمترین هزینه یا سریع‌ترین زمان‌بندی شناسایی کرده و حتی فرآیند سفارش مواد لازم برای انجام آزمایش‌ها و تولید نمونه اولیه را به صورت خودکار آغاز نماید. این عامل هوشمند به عنوان یک هماهنگ‌کننده از کشف تا تدارکات عمل می‌کند.

۸. عملیات مراقبت‌های بهداشتی

توانایی ذاتی هوش مصنوعی عامل گرا (Agentic AI) در اتخاذ تصمیمات آگاه به بافتار (Context-aware) و اجرای اقدامات بدون نیاز به دخالت مداوم انسان، در کلیه مراحل تجربه بیمار در مراقبت‌های بهداشتی قابل اجرا است؛ این قابلیت از تشخیص بیماری تا ارائه درمان شخصی‌سازی شده گسترش می‌یابد. در بخش پشتیبانی یا همان عملیات اداری، هوش مصنوعی عاملی می‌تواند وظایفی نظیر تنظیم زمان‌بندی نوبت‌ها، پردازش مطالبات بیمه (مانند رسیدگی به یک پرونده در سازمان بیمه سلامت) و اطمینان از انطباق با مقررات سخت‌گیرانه این حوزه را به طور چشمگیری بهینه سازد.

به عنوان یک نمونه تحقیقاتی، محققان در مرکز درمانی مَس جنرال بریگهام (Mass General Brigham) یک سیستم هوش مصنوعی عاملی (Agentic AI) با عملکرد بالا طراحی و توسعه دادند. این سیستم شامل قابلیت‌هایی نظیر خلاصه‌سازی چند یادداشتی و استدلال چند مرحله‌ای بود تا بتواند با تحلیل یادداشت‌های بالینی بدون ساختار (unstructured) موجود در پرونده‌های سلامت الکترونیکی بیماران، به طبقه‌بندی و درجه‌بندی اختلال شناختی بپردازد. این مثال به‌خوبی نمایانگر ظرفیت ایجنت هوش مصنوعی برای استخراج بینش‌های حیاتی از داده‌های پیچیده پزشکی است.

۹. لجستیک دفاعی و نظامی

گودوین به کاربرد هوش مصنوعی عامل گرا (Agentic AI) در حوزه دفاعی اشاره نمود، جایی که می‌توان از این فناوری برای برنامه‌ریزی لجستیک در سطح پیچیده استفاده کرد. برای درک بهتر، یک وظیفه نظامی بسیار پیچیده را در نظر بگیرید که مستلزم جابه‌جایی مواد، تجهیزات و نیروها در مسافت‌های طولانی و با استفاده از ترکیبی از روش‌های حمل و نقل متعدد (مانند هواپیما، کشتی و خودروهای نظامی) است. در چنین سناریویی، ایجنت هوش مصنوعی می‌تواند بهینه‌ترین مسیر و زمان‌بندی را محاسبه و اجرا کند.

گودوین اظهار داشت که در حال حاضر، هوش مصنوعی عاملی در چنین حوزه‌هایی در فاز آزمایشی (پایلوت) قرار دارد. او با تأکید خاطرنشان کرد که عامل‌های هوش مصنوعی (AI agents) در این بافتار با هدف هماهنگ‌سازی اهداف پیچیده به کار گرفته می‌شوند. نکته حائز اهمیت این است که این عامل هوشمند در واقع قضاوت انسانی را تقویت می‌کند و به عنوان ابزاری پشتیبان عمل می‌نماید، نه اینکه به دنبال جایگزینی کامل برای تصمیم‌گیری‌های فرماندهان باشد.

۱۰. تولید

براون اظهار داشت که حوزه تولید (Manufacturing) یکی دیگر از بخش‌های کلیدی است که پتانسیل کاربردی هوش مصنوعی عامل گرا (Agentic AI) را به طور قابل توجهی به نمایش می‌گذارد و می‌تواند فرآیندهای سنتی را متحول سازد.

فناوری هوش مصنوعی قادر است در جریان‌های کاری طولانی که شامل عملکردهای متعدد و سیستم‌های فناوری اطلاعاتی متنوع هستند، تصمیم‌گیری‌های مستقل انجام داده و اقدامات خودکار را به اجرا درآورد. یک جریان کار که مبتنی بر هوش مصنوعی عاملی طراحی شده، می‌تواند تمام فرآیند را از تدارکات (خرید مواد اولیه) تا تولید نهایی شامل شود. این عامل AI قادر است به سیستم‌های فناوری اطلاعاتی مختلف که اجزای گوناگون عملیات را پشتیبانی می‌کنند، متصل شود و از مدل‌های هوش مصنوعی محدودتر برای تکمیل زیروظایف تخصصی استفاده کند.

“براون” در توضیح این قابلیت‌ها تشریح کرد که در چنین سناریویی، عامل هوش مصنوعی می‌تواند یک جریان کار پیچیده و چند مرحله‌ای را به شرح زیر با موفقیت به انجام رساند:

• تشخیص دهد که موجودی یک ماده ضروری (مانند یک قطعه حیاتی در یک خط تولید خودرو) در حال کاهش است.
• علامت‌گذاری کند که آن ماده از تأمین‌کننده اصلی در دسترس نیست یا تأخیر دارد.
• به جستجو بپردازد و از تأمین‌کنندگان جایگزین سفارش دهد؛ این انتخاب بر اساس تأمین‌کننده‌ای انجام می‌شود که بتواند مواد را در محدوده قیمتی و زمانی مشخص، برای کارخانه ارسال کند.
• فرم‌های لازم مربوط به خرید و تدارکات را به صورت خودکار تکمیل کند.
• داده‌های ضروری را در سیستم‌های دیجیتال مناسب (مانند نرم‌افزار ERP) وارد سازد.
• فضای کارخانه و برنامه‌های تولید را برای تطابق با ضرب‌الاجل‌های تعیین‌شده و مواد جدید، دوباره پیکربندی کند.

براون خاطرنشان ساخت:

“انجام این وظایف در گذشته توسط نیروی انسانی صورت می‌گرفت. اکنون، تمامی این مراحل پیچیده و متوالی را می‌توان با بهره‌گیری از هوش مصنوعی عامل گرا به انجام رساند.”

Stuart Brown

با این وجود، وی افزود که بهترین روش اجرایی حکم می‌کند که انسان‌ها همواره در حلقه تصمیم‌گیری باقی بمانند و نقاط کنترل (Checkpoints) بر اساس یک چارچوب هوش مصنوعی مسئولانه (Responsible AI) تعیین و برقرار گردند. این امر تضمین می‌کند که عامل هوش مصنوعی تحت نظارت قرار گیرد و ایمنی عملیات حفظ شود.

۱۱. خدمات رفاهی

“براون” اظهار داشت که هوش مصنوعی عامل گرا (Agentic AI) در حال حاضر در صنعت خدمات رفاهی یا عمومی (Utilities) نیز به کار گرفته می‌شود. در این حوزه نیز، مشابه سایر زمینه‌های کاربردی، هوش مصنوعی عاملی می‌تواند فرآیند تصمیم‌گیری و خودکارسازی زیروظایف را به گونه‌ای هماهنگ و مدیریت کند که در نهایت به دستیابی به هدف اصلی تعیین شده توسط شرکت خدمات عمومی (مانند توزیع مطمئن و بهینه انرژی) منجر گردد.

به عنوان یک نمونه بارز، شرکت‌های خدمات عمومی در حال انجام آزمایش‌هایی بر روی قابلیت‌های عامل های هوش مصنوعی برای ارزیابی، اولویت‌بندی و سازماندهی واکنش‌ها به بلایای طبیعی مانند سیل‌ها یا آتش‌سوزی‌های گسترده (که در ایران نیز رخ می‌دهند) هستند. براون در این خصوص توضیح داد که این عامل هوشمند می‌تواند داده‌ها را به منظور رتبه‌بندی میزان آسیب‌های زیرساختی و تأثیر آن بر افراد و جوامع تحلیل کند. سپس، برنامه‌ریزی و زمان‌بندی کار نجات و تعمیر را به انجام رساند و کارگران و مواد لازم را برای تکمیل به موقع تعمیرات، به سمت مناطق آسیب‌دیده مسیردهی کند. اجرای این فرآیند توسط ایجنت هوش مصنوعی می‌تواند زمان بازیابی خدمات را به طرز چشمگیری تسریع بخشیده و در نتیجه، به طور بالقوه به نجات جان انسان‌ها کمک کند.

براون همچنین مثالی از یک شرکت خدمات عمومی بریتانیایی را توصیف کرد که از هوش مصنوعی عامل گرا برای برآورده ساختن یک الزام نظارتی استفاده می‌نماید. این الزام، شرکت را موظف می‌سازد که در طول قطع ناگهانی برق، در یک چارچوب زمانی مشخص با مشتریانی که دارای نیازهای ویژه هستند (نظیر افرادی با شرایط پزشکی خاص که به دستگاه‌های برقی وابسته هستند)، تماس برقرار کند. این شرکت در برآورده کردن این الزامات با استفاده از فناوری‌های مرسوم با چالش‌هایی مواجه بود، اما با استقرار هوش مصنوعی عاملی (Agentic AI)، موفقیت‌های قابل ملاحظه‌ای کسب کرده است. این عامل‌های AI توانایی دارند که نه تنها قطع سرویس را به مشتریان اطلاع‌رسانی کنند، بلکه در مورد نیازهای فوری آن‌ها پرس‌وجو نمایند، مفهوم آن ارتباط را درک کنند و سپس بر اساس آن، اقدامات لازم را اجرا سازند.

یک تغییر اساسی، اما نه بدون چالش

طبق گزارش منتشر شده توسط دیلویت، ۲۶ درصد از سازمان‌های مشارکت‌کننده در نظرسنجی، در حال حاضر توسعه عامل‌های خودران (autonomous agent) را در “سطح وسیع یا بسیار وسیع” جستجو و کاوش می‌نمایند. با این حال، همانند هوش مصنوعی مولد، این گزارش تأکید کرد که هوش مصنوعی عامل گرا (Agentic AI) “راه‌حل نهایی و قطعی برای هر کاری نیست که یک شرکت موظف به انجام آن است.” به عبارت دیگر، این فناوری باید با دقت و در موارد مناسب به کار گرفته شود.

سیستم‌های هوش مصنوعی عاملی چالش‌هایی را در حوزه‌های نظارتی، امنیتی، داده‌ای و نیروی کار ایجاد می‌کنند که شباهت‌هایی با چالش‌های مطرح شده برای هوش مصنوعی مولد دارند. گزارش مذکور اشاره می‌کند که این مشکلات “به دلیل پیچیدگی فزون‌تر سیستم‌های عامل هوش مصنوعی، احتمالاً از اهمیت و چالش‌برانگیزی بیشتری برخوردار هستند.” این امر ضرورت توسعه چارچوب‌های اخلاقی و مسئولانه برای هدایت این ایجنت هوش مصنوعی را دوچندان می‌سازد.

اما با وجود در نظر گرفتن این محدودیت‌ها و چالش‌های ذاتی، تیم کارشناسان دیلویت و سایر صاحب‌نظران صنعت بر پتانسیل عظیم عامل هوش مصنوعی (Agentic AI) در دگرگون‌سازی و ارتقاء عملیات کسب‌وکار تأکید می‌ورزند.

براون در خصوص اهمیت این فناوری اظهار داشت: “بسیاری از افراد، تأثیر عمیق این فناوری را به درستی درک نمی‌کنند. برخی همچنان تصور می‌کنند که این تنها یک ابزار نرم‌افزاری دیگر است. اما هوش مصنوعی عامل گرا یک تغییر اساسی (Paradigm Shift) در شیوه عملکرد ما ایجاد خواهد کرد. این عامل AI روش‌های کاملاً جدیدی برای کار کردن خلق خواهد نمود و به مثابه یک همکار هوشمند، فرآیندهای کسب‌وکار را متحول خواهد ساخت.”

جمع بندی

پس از کاوش دقیق در ۱۱ مثال عملی و حیاتی که توسط کارشناسان برجسته در حوزه‌های گوناگون ارائه شدند، مشخص شد که هوش مصنوعی عامل گرا (Agentic AI) صرفاً یک ارتقاء فناورانه نیست، بلکه یک تغییر پارادایم واقعی در شیوه انجام کارها است. این مقاله به وضوح نشان داد که چگونه این سامانه‌ها، تحت عنوان عامل هوش مصنوعی یا ایجنت هوش مصنوعی، مرزهای خودکارسازی سنتی را درنوردیده و با توانایی استدلال، برنامه‌ریزی و اجرای اقدامات مستقل، در حوزه‌های حساسی چون امنیت سایبری، مدیریت زنجیره تأمین، عملیات مراقبت‌های بهداشتی و تولید، ارزش‌آفرینی می‌کنند. قدرت این عامل AI در هماهنگی پیچیده میان زیروظایف و مدل‌های هوش مصنوعی تخصصی، ثابت می‌کند که نقش Agentic AI فراتر از یک ابزار ساده است؛ این فناوری نقش یک مدیر پروژه خودکار و هوشمند را ایفا می‌کند که منجر به افزایش کارایی و چابکی بی‌سابقه در مقیاس سازمانی می‌شود.

با وجود پتانسیل عظیم معرفی‌شده در این بررسی جامع، نباید از چالش‌های ناگزیر نظارتی، امنیتی و اخلاقی که به دلیل پیچیدگی فزاینده این سیستم‌های عامل هوش مصنوعی به وجود می‌آیند، غافل شد. اما همان‌گونه که این مقاله نشان داد، جریان بلوغ و پیشرفت این فناوری با سرعتی قابل توجه ادامه دارد و ایده اصلی هوش مصنوعی عامل گرا (یعنی ایجاد یک “همکار هوشمند” که فرآیندها را از ریشه متحول می‌سازد) غیرقابل انکار است. سازمان‌هایی که امروز از پذیرش و سرمایه‌گذاری در ایجنت هوش مصنوعی شانه خالی می‌کنند، در آینده‌ای نزدیک خود را در پشت سر رقبایی خواهند دید که با کمک عامل AI به بهره‌وری و چابکی بی‌سابقه‌ای دست یافته‌اند. بنابراین، درک این تغییر اساسی برای هر تصمیم‌گیرنده‌ای حیاتی است تا بتوانند پتانسیل Agentic AI را در راستای منافع خود و اعتلای کارایی اقتصادی به کار گیرند و از عقب‌ماندگی در این موج تحول‌آفرین اجتناب ورزند.

سوالات متداول