‏قفل واقعی هوش مصنوعی کجاست؟

PwC اعلام کرده ۳۰ هزار نفر از کارمنداش رو روی Claude آموزش می‌ده. OpenAI هم یه شرکت جدید به اسم DeployCo با بیش از ۴ میلیارد دلار سرمایه راه انداخته که مهندس‌هاش مستقیم پیش مشتری‌های سازمانی می‌رن. Anthropic هم ۱۰۰ میلیون دلار برای شبکه پارتنرها کنار گذاشته. یه شرکت که توکن می‌فروشه چرا این‌قدر روی خدمات حضوری پرمشغله سرمایه‌گذاری می‌کنه؟ جواب این سوال، کل داستان رو توضیح می‌ده.

طبق تحلیل Sanchit Vir Gogia از Greyhound Research، قفل شدن (lock-in) از بین نرفته، فقط جابه‌جا شده. در لایه مدل، جابه‌جایی راحت‌تر از قبله — توسعه‌دهنده‌ها الان بین Claude Code، Codex، Gemini و مدل‌های محلی سوئیچ می‌کنن. اما در لایه ارکستراسیون، گردش‌کار و حاکمیت داده، داستان فرق داره. وقتی یه سازمان فرایندهاش رو دور یه سیستم خاص بنا کرد، عوض کردن اون سیستم دیگه کار ساده‌ای نیست.

گزارش MIT NANDA ادعا کرده که ۹۵٪ از پایلوت‌های هوش مصنوعی سازمانی به نتیجه ملموس نمی‌رسن. حتی اگر این عدد اغراق‌آمیز باشه، شکاف بین سرمایه‌گذاری و ارزش واقعی دردناکه. دلیلش هم نه ضعف مدل، بلکه ناسازگاری عملیاتیه — ابزار هوش مصنوعی در مسیر تأیید سازمان نشسته نمی‌شه، دسترسی درستی نداره، و با نحوه کار واقعی آدم‌ها هماهنگ نیست. DeployCo دقیقاً برای حل همین مشکل ساخته شده.

پروتکل MCP (Model Context Protocol) هم با اینکه ابزار مفیدیه و هزینه اتصال مدل‌ها به ابزارهای خارجی مثل Salesforce یا Jira رو کم می‌کنه، کافی نیست. MCP نمی‌تونه بگه چه کسی یه agent رو تأیید کرده، به چه داده‌ای دسترسی داره، چطور لاگ می‌شه، یا اگر کسی که اون رو راه انداخته شرکت رو ترک کرد چه اتفاقی می‌افته. این مسائل محلی و انسانی هستن و پروتکل نمی‌تونه جاشون رو بگیره — درست مثل Kubernetes که lock-in ابری رو حذف نکرد، فقط جنگ رو یه لایه بالاتر برد.

سه لایه‌ای که lock-in واقعی توشون شکل می‌گیره اینان:

• لایه ارکستراسیون: فریمورک‌هایی مثل LangGraph با گذر زمان چسبنده می‌شن. وقتی یه تیم یه سال روی منطق agent، ارزیابی و observability توی یه فریمورک کار کرده، برای یه مدل سریع‌تر اون رو دور نمی‌ندازه.
• سطح گردش‌کار کنترل‌شده توسط vendor: Anthropic با Claude Cowork داره یه سطح مدیریتی می‌سازه که شامل بازار plugin، provisioning کاربری و agentهای آماده برای HR، مالی و بانکداریه. این سطح مدیریتیه که محصول اصلی می‌شه، نه خود مدل.
• لایه خدمات: PwC و Anthropic ادعا می‌کنن با همکاری مشترک، چرخه underwriting رو از ۱۰ هفته به ۱۰ روز رسوندن. اما این دستاورد از مدل نیست — از هزاران مشاور آموزش‌دیده‌ایه که فرایندها رو بازطراحی کردن.

برای تیم‌های سازمانی، پیام روشنه: به جای مقایسه مدل‌ها، روی تصمیم‌های لایه بالاتر تمرکز کنین. انتخاب فریمورک ارکستراسیون یه بازنویسی چندساله‌ست. انتخاب سطح گردش‌کار یعنی تغییر رفتار هزاران کارمند. این‌ها تصمیم‌هایی هستن که باید با دقت بیشتری گرفته بشن، چون می‌مونن.

نکات کلیدی:

• مدل‌های هوش مصنوعی راحت‌تر از قبل جابه‌جا می‌شن، اما لایه ارکستراسیون و گردش‌کار سازمانی همچنان چسبنده‌ست
• OpenAI با DeployCo و Anthropic با شبکه مشاوران دارن همین لایه رو تصاحب می‌کنن
• MCP هزینه اتصال رو کم می‌کنه ولی مسائل حاکمیتی و عملیاتی رو حل نمی‌کنه
• سه میدان اصلی رقابت: فریمورک ارکستراسیون، سطح گردش‌کار vendor، و لایه خدمات مشاوره‌ای
• استراتژی درست: گردش‌کار یکپارچه رو به عنوان دارایی خودتون ببینید، نه مدل یا پارتنر رو