عامل‌های هوش مصنوعی عمودی در معاملات سازمانی از ربات‌های گفتگوی عمومی پیشی می‌گیرند

پیشنهاد هر پلتفرم بزرگ هوش مصنوعی یکسان به نظر می‌رسد: یک هوش مصنوعی عمومی که می‌تواند هر کاری را انجام دهد. سوالات حقوقی، بازبینی کد، خدمات مشتری، مدل‌سازی مالی – فقط توصیف کنید که چه نیاز دارید. شرکت‌ها در سال‌های ۲۰۲۳ و ۲۰۲۴ هزاران آزمایشی را امضا کردند. بسیاری از آن آزمایشی‌ها به استقرار تولیدی تبدیل نشدند.

مشکل این نیست که هوش مصنوعی عمومی بد است. مشکل این است که شرکت‌ها مشکلات عمومی ندارند. یک سیستم درمانی به هوش مصنوعی نیاز ندارد که بتواند شعر بنویسد و پایتون را اشکال‌زدایی کند. به هوش مصنوعی نیاز دارد که کدهای ICD-10 را بفهمد، بداند کدام روش‌ها از کدام پرداخت‌کنندگان نیاز به تأیید قبلی دارند، بتواند یک یادداشت بالینی را بخواند و تشخیص‌های قابل صورتحساب را به‌دقت استخراج کند، و همه این کارها را به گونه‌ای انجام دهد که یک ممیزی انطباق بتواند آن را تأیید کند. این یک مشکل عمومی نیست. یک مشکل بسیار خاص است.

معاملات واقعاً به کجا می‌روند

الگویی به‌اندازه‌ای واضح پدیدار شده که می‌توان آن را روند نامید: شرکت‌ها به جای یک پلتفرم گسترده هوش مصنوعی، چندین عامل محدود هوش مصنوعی را مستقر می‌کنند. عامل‌های محدود از استارت‌آپ‌هایی می‌آیند که کل محصول خود را حول یک حوزه ساخته‌اند و ۱۸ تا ۲۴ ماه را صرف کسب داده‌های آموزشی، یکپارچه‌سازی‌ها و تخصص حوزه‌ای کرده‌اند تا عامل خود را در آن حوزه واقعاً قابل اعتماد کنند.

در حقوق، شرکت‌هایی مانند Harvey و Ironclad عامل‌هایی ساخته‌اند که حقوق قراردادها را می‌فهمند، می‌توانند مقایسه‌های دقیق بندها را در برابر کتابخانه‌های بزرگ قراردادها اجرا کنند، و مستقیماً با سیستم‌های مدیریت اسناد که شرکت‌های حقوقی از قبل استفاده می‌کنند (iManage, NetDocuments, SharePoint) یکپارچه شوند. عامل‌های آنها نسبت به LLMهای عمومی استنادهای توهمی کمتری ایجاد می‌کنند زیرا سیستم‌های بازیابی آنها حول پایگاه‌های داده حقوقی ساخته شده‌اند، نه وب باز.

در لجستیک، استارت‌آپ‌ها عامل‌هایی ساخته‌اند که مستقیماً به سیستم‌های مدیریت بار متصل می‌شوند، مدل‌های قیمت‌گذاری حامل‌ها و هزینه‌های جانبی را می‌فهمند، می‌توانند خطاهای صورتحساب در فاکتورهای بار را شناسایی کنند (منبع قابل توجهی از نشتی برای حمل‌کنندگان بزرگ)، و به‌طور خودکار مغایرت‌ها را با حامل‌ها به چالش بکشند. یک چت‌بات عمومی نمی‌تواند این کار را انجام دهد زیرا نمی‌تواند به APIهای حامل متصل شود، داده‌های آموزشی در مورد ساختارهای قرارداد بار ندارد، و نمی‌تواند اقدام خودمختار برای ارسال مدارک اختلاف انجام دهد.

در مدیریت چرخه درآمد درمانی – عملیات صورتحساب و وصول که ۱۵ تا ۲۵ درصد هزینه‌های عملیاتی بیمارستان را تشکیل می‌دهد – عامل‌های تخصصی برای کاهش رد ادعاها، گرفتن خطاهای کدگذاری قبل از ارسال ادعاها، و پیگیری خودکار ادعاهای پرداخت‌نشده مستقر می‌شوند. این حوزه‌ای است که نرخ دقت در رقم اعشار اهمیت دارد: بهبود ۱٪ در نرخ ادعاهای تمیز سالانه میلیون‌ها دلار برای یک سیستم درمانی بزرگ به همراه دارد.

سه مزیت تخصص حوزه‌ای

۱. دقت در وظایف حوزه‌ای خاص. مدل‌های عمومی برای توانایی گسترده آموزش دیده‌اند، به این معنی که عملکرد آنها در هر وظیفه خاص با گستردگی آنچه باید مدیریت کنند محدود می‌شود. استارت‌آپ‌های هوش مصنوعی عمودی مدل‌ها را به‌طور خاص روی داده‌های حوزه‌ای تنظیم دقیق می‌کنند – بیمه‌نامه‌های واقعی، قراردادهای حقوقی واقعی، مدارک بالینی واقعی – و سیستم‌های بازیابی را حول منابع معتبر حوزه‌ای به جای داده‌های وب عمومی می‌سازند. تفاوت دقت در وظایف حوزه‌ای خاص می‌تواند قابل توجه باشد.

۲. انطباق و قابلیت حسابرسی. مشتریان سازمانی در صنایع تنظیم‌شده (خدمات مالی، درمان، حقوق، انرژی) نمی‌توانند سیستم‌های هوش مصنوعی را مستقر کنند که نمی‌توانند خروجی‌های خود را توضیح دهند. «مدل این را گفت» پاسخ قابل قبولی در طول یک بازرسی نظارتی نیست. عامل‌های عمودی با ردگیری حسابرسی، استناددهی به منابع، و شاخص‌های اطمینان ساخته شده‌اند که پلتفرم‌های عمومی به‌عنوان فکرهای بعدی به آنها می‌پیوندند. هنگامی که یک عامل هوش مصنوعی عمودی رد ادعایی را توصیه می‌کند، می‌تواند دقیقاً نشان دهد کدام بند سیاست، کدام مدرک بالینی، و کدام دستورالعمل نظارتی آن توصیه را اطلاع‌رسانی کرده است – و آن شواهد قابل بازیابی و قابل دفاع است.

۳. عمق یکپارچه‌سازی. گشایش واقعی در هوش مصنوعی سازمانی استنتاج نیست – یکپارچه‌سازی‌ها هستند. یک عامل حقوقی که می‌تواند قراردادها را بخواند اما نمی‌تواند به سیستم مدیریت پرونده شرکت حقوقی فشار دهد، از مخزن اسناد بکشد، یا وظایف را به سیستم صورتحساب بفرستد، یک ابزار است، نه یک عامل. استارت‌آپ‌های عمودی منابع عظیمی را صرف ساختن یکپارچه‌سازی‌های عمیق و نگهداری‌شده با پشته‌های نرم‌افزاری می‌کنند که مشتریان هدف آنها واقعاً استفاده می‌کنند. این خندق یکپارچه‌سازی برای پلتفرم‌های عمومی دشوار است که تکرار کنند زیرا نیاز به سرمایه‌گذاری مهندسی پایدار مختص عمودی دارد.

سیگنال تأمین مالی

سرمایه به دنبال جذب است. استارت‌آپ‌های عامل هوش مصنوعی عمودی در طول سال‌های ۲۰۲۴ و اوایل ۲۰۲۵ به شدت سرمایه جذب کردند، به طوری که چندین مورد قبل از اینکه همتایان عمومی خود نحوه بازار‌یابی به سازمان‌ها را بیابند به ارزش‌گذاری تک‌شاخ رسیدند. اندازه قراردادهای گزارش‌شده – قراردادهای سالانه ۵۰۰ هزار تا ۵ میلیون دلار – درآمد B2B SaaS معناداری است، و اعداد نگهداشت قوی هستند زیرا هزینه‌های جابجایی پس از یکپارچه شدن یک عامل در گردش‌های کاری اصلی بالا است.

پلتفرم‌های هوش مصنوعی عمومی بیکار ننشسته‌اند. محصول سازمانی OpenAI، لایه API Anthropic، و یکپارچه‌سازی‌های Workspace گوگل همگی سفارشی‌سازی بیشتر، گزینه‌های تنظیم دقیق و قابلیت‌های یکپارچه‌سازی را اضافه می‌کنند. اما آنها با یک چالش ساختاری روبرو هستند: تخصص عمودی نیاز به سرمایه‌گذاری پایدار در تخصص حوزه‌ای، کسب داده انحصاری و نگهداری یکپارچه‌سازی دارد. یک شرکت پلتفرمی که به طور همزمان در ده حوزه عمودی رقابت می‌کند به ناچار تخصصی‌تر از یک استارت‌آپ که در یک حوزه رقابت می‌کند، نخواهد بود.

حرکت متقابل پلتفرم

چندین شرکت بزرگ پلتفرمی استراتژی متفاوتی را دنبال می‌کنند: ساختن بازارها و اکوسیستم‌هایی که در آن عامل‌های هوش مصنوعی عمودی قابل کشف، استقرار و مدیریت باشند. Agentforce شرکت Salesforce، کاتالوگ عامل هوش مصنوعی ServiceNow، و Copilot Studio مایکروسافت خود را به عنوان لایه‌های ارکستراسیون قرار می‌دهند، نه رقیب عامل‌های عمودی. اگر این مدل کار کند، پویایی متفاوتی ایجاد می‌کند که در آن عامل‌های عمودی با عضویت در یک اکوسیستم مدیریت‌شده به جای رقابت با آن ارزشمندتر می‌شوند.

برای شرکت‌هایی که اکنون سرمایه‌گذاری در عامل هوش مصنوعی را ارزیابی می‌کنند، راهنمایی عملی واضح است: با یک گردش کار خاص و با ارزش بالا با نتایج قابل اندازه‌گیری شروع کنید، یک عامل تخصصی ساخته شده برای آن گردش کار دقیق پیدا کنید، و قبل از گسترش به موارد استفاده گسترده‌تر، عمق یکپارچه‌سازی را ایجاد کنید. شرکت‌هایی که در سال ۲۰۲۳ به طور گسترده و سطحی مستقر شدند، تا حد زیادی در سال ۲۰۲۵ پشته‌های هوش مصنوعی خود را بازسازی می‌کنند. شرکت‌هایی که محدود و عمیق شروع کردند، از موقعیت‌های ارزش اثبات‌شده گسترش می‌یابند.

تخصص حوزه‌ای یک محدودیت وضعیت فعلی هوش مصنوعی نیست. این استراتژی صحیح برای استقرار آن در محیط‌های سازمانی است که دقت، انطباق و یکپارچه‌سازی از گستردگی مهم‌تر هستند.