گارتنر: ۴۰ درصد از پروژههای Agentic AI تا سال ۲۰۲۷ لغو خواهند شد — مشکل از مدل نیست
Gartner پیشبینی میکند که بیش از ۴۰ درصد از پروژههای Agentic AI تا پایان سال ۲۰۲۷ لغو خواهند شد. این رقم در سالی که هر نقشه راه سازمانی یک ردیف «عاملها» دارد، بسیار سنگین به نظر میرسد. اما دلیل این شکستها آن چیزی نیست که اکثر فروشندگان میخواهند شما باور کنید — نه کیفیت مدل، نه محدودیتهای پنجره زمینه، و نه نرخ توهمزایی. مشکل اینجاست که شرکتها هوش مصنوعی با قابلیتهای روزافزون را به سمت فرآیندهایی نشانه میروند که از پیش معیوب بودهاند و انتظار دارند اتوماسیون به تنهایی اختلال بنیادین را برطرف سازد.
الگوی واقعی شکست
تحقیقات Gartner نشان میدهد که هزینههای فزاینده، ارزش تجاری نامشخص و کنترلهای ناکافی ریسک، محرکهای اصلی لغو پروژهها هستند — نه کاستیهای فنی. در عمل، این وضعیت به شکل یک توالی قابل پیشبینی رخ میدهد: یک تیم عاملی را برای مدیریت جریان کاری راهاندازی میکند که هیچکس آن را از ابتدا تا انتها ترسیم نکرده است، عامل تمام استثناهای مستندنشده و قالبهای داده ناسازگاری را به ارث میبرد که کارکنان انسانی پیش از این بهصورت خاموش پیرامون آنها را وصله میکردند، و پروژه شش ماه بعد به دلیل ناتوانی در دستیابی به اهداف قابلیت اطمینانی که از ابتدا تعریف نشده بود، لغو میشود.
عاملی که بر روی یک جریان کاری معیوب ساخته میشود آن جریان کاری را اصلاح نمیکند — بلکه معیوب بودن آن را با سرعت ماشینی خودکار میسازد. تزریق دادههای با کیفیت پایین به عاملها این وضعیت را وخیمتر میکند، و عملیات بدون ساختارهای حاکمیتی به این معناست که هیچکس متوجه خطای انباشته نمیشود تا زمانی که هزینهبر شده باشد.
مشکل "agent washing"
بخشی از آنچه انتظارات را برمیانگیزاند — و پروژهها را برای ناامیدی آماده میکند — رفتار فروشندگان است. Gartner تخمین میزند که از هزاران فروشندهای که در حال حاضر محصولات Agentic AI را بازاریابی میکنند، تنها حدود ۱۳۰ فروشنده دارای قابلیتهای واقعی Agentic هستند. بقیه چتباتهای موجود، ابزارهای RPA، یا دستیارهای پایه هوش مصنوعی هستند که با اصطلاح «عامل» تغییر نام یافتهاند — رویهای که این شرکت تحلیلگر آن را "agent washing" مینامد.
این موضوع از نظر عملی اهمیت دارد: یک خریدار که در سال ۲۰۲۶ فروشندگان را ارزیابی میکند نمیتواند فرض کند که کلمه «عامل» در نام یک محصول به معنای استدلال چندمرحلهای خودمختار با استفاده از ابزار است. بسیاری از محصولاتی که به این شکل بازاریابی میشوند دستیارهای تکگردشی با برچسبی جدید هستند، و تیمهای تدارکاتی که بین این دو تمایز قائل نمیشوند قابلیتی را میخرند که دریافت نخواهند کرد.
چرا شکستها سازمانی هستند، نه فنی
موضوع مشترک در تحلیلهای پس از شکست این است که اکثر استقرارهای Agentic AI امروز آزمایشهای مرحله اولیهای هستند که بیشتر توسط فشار داخلی برای «انجام کاری با هوش مصنوعی» هدایت میشوند تا توسط یک پرونده تجاری ترسیمشده. تیمها بدون یک استراتژی روشن برای اینکه موفقیت چه شکلی دارد، بدون درک پیچیدگی عملیاتی واگذاری اختیار تصمیمگیری به نرمافزار، و بدون حاکمیت برای زمانی که — نه اگر — چیزی اشتباه پیش میرود، عاملها را مستقر میکنند.
این الگوی آشنایی از موجهای قبلی اتوماسیون است: پروژههای RPA در دوره ۲۰۱۵ تا ۲۰۲۰ به دلایل تقریباً یکسانی شکست خوردند، زمانی که شرکتها فرآیندهای دستی را بدون اینکه ابتدا خود فرآیند را اصلاح کنند خودکار ساختند. Agentic AI سطح ریسک را بالاتر میبرد زیرا عاملها میتوانند اقداماتی انجام دهند و تصمیمات را به شیوههایی زنجیر کنند که RPA سنتی از آن ناتوان بود؛ به این معنا که یک فرآیند معیوب خودکارشده توسط عامل میتواند خطاها را سریعتر و با دید کمتر نسبت به همان فرآیند خودکارشده توسط قوانین اسکریپتی تشدید کند.
آنچه پروژههای بازمانده را متمایز میکند
پروژههای Agentic AI که از لغو شدن جلوگیری میکنند چند ویژگی مشترک دارند. آنها با جریان کاریای آغاز میکنند که از پیش بهخوبی درک شده و بهطور معقولی ابزارسنجی شده است — نه جریانی که صرفاً به این دلیل انتخاب شده که «مورد استفاده آشکاری برای هوش مصنوعی» به نظر میرسید. آنها معیارهای موفقیت مشخص و قابل اندازهگیری را پیش از استقرار تعریف میکنند، نه پس از ورود نتایج سهماهه اول. و نقاط بازرسی حاکمیتی را در خود جای میدهند: ثبت تصمیمات عامل، محرکهای بررسی انسانی برای اقدامات پرخطر، و مسیر ارتقاء روشن هنگامی که عامل با چیزی خارج از سناریوهای آموزشیاش روبرو میشود.
شایان ذکر است که هیچیک از این ویژگیها به مدلهای بهتری نیاز ندارند. تیمی که مدل سال گذشته را روی یک فرآیند تمیز و بهخوبی ادارهشده اجرا میکند، از تیمی که جدیدترین مدل مرزی را روی یک فرآیند آشفته و بدون حاکمیت اجرا میکند پیشی خواهد گرفت — و این جوهر نکته Gartner است: فناوری از آمادگی سازمانی برای استقرار مسئولانه آن پیشی گرفته است.
نتیجهگیریهای قابل اجرا
اگر سازمان شما در نیمه دوم سال ۲۰۲۶ در حال ارزیابی Agentic AI است: جریان کاری هدف را بهطور کامل پیش از نوشتن یک دستور اولیه ترسیم کنید، از جمله هر مرحله دستی مدیریت استثنا که کارکنان انسانی شما در حال حاضر بهصورت نامرئی انجام میدهند. از هر فروشندهای که قابلیت «Agentic» را عرضه میکند بخواهید استدلال چندمرحلهای خودمختار و استفاده از ابزار را بهصورت زنده نشان دهد، نه در یک دمو اسکریپتشده — این سریعترین راه برای تشخیص agent washing از قابلیت واقعی است. معیارهای شکست و برنامه بازگشت خود را پیش از راهاندازی تعریف کنید، نه پس از آن. و برای زیرساخت حاکمیت — ثبت رویدادها، جریانهای کاری بررسی، مسیرهای ارتقاء — بهعنوان یک ردیف بودجه درجه اول بودجه اختصاص دهید، نه بهعنوان چیزی که پس از وقوع مشکل به آن پرداخته میشود.