موج اول استقرار هوش مصنوعی در سازمان‌ها ساده بود: یک رابط چت که مدلی را فراخوانی می‌کرد و برای چند کاربرد مشخص به کار می‌رفت. اما موج بعدی توسط عامل‌های خودمختار (Autonomous Agents) هدایت می‌شود؛ سیستم‌هایی که وضعیت (State) را حفظ می‌کنند، به بافتار (Context) بازمی‌گردند، ابزارها را فراخوانی کرده و تحت مجوزهای واقعی عمل می‌کنند. این تغییر به معنای آن است که تیم‌های AI باید طراحی استنتاج (Inference)، محاسبات و استقرار را به گونه‌ای انجام دهند که این عامل‌ها مقرون‌به‌صرفه، قابل مدیریت و مطابق با قوانین باشند.
افزایش مصرف توکن و گسترش سطح حمله
در عصر چت‌بات‌ها، سازمان‌ها صرفاً مصرف‌کننده توکن بودند. یک کاربر درخواست می‌فرستاد و سیستم پاسخ می‌داد. اما عامل‌های خودمختار با یک درخواست-پاسخ متوقف نمی‌شوند؛ آن‌ها کار را به مراحل مختلف تقسیم کرده و تا رسیدن به هدف، ابزارهای مورد نیاز را فراخوانی می‌کنند. این رفتار ترافیک استنتاج (Inference traffic) بسیار بیشتری نسبت به چت‌بات‌های سنتی ایجاد می‌کند و هزینه استنتاج را از یک هزینه جانبی به یک دغدغه استراتژیک تبدیل می‌کند.
همزمان، سطح ریسک نیز در حال گسترش است. عامل‌ها اکنون به داده‌های شما دسترسی دارند و می‌توانند فراتر از خواندن، اقدام کنند؛ مانند فراخوانی ابزارهای داخلی، جابه‌جایی وجوه مالی، تغییر رکوردها یا فعال کردن جریان‌های کاری (Workflows) با سرعت ماشین. این قدرت در نبود نرده‌های حفاظتی (Guardrails) شفاف، می‌تواند منجر به اشتباهات سریع و گسترده شود. همچنین، AI با کاهش فاصله زمانی بین کشف آسیب‌پذیری و اکسپلویت (Exploit)، تهدیدات مهاجم را تسریع می‌کند.
اهمیت لایه استنتاج (Inference Layer)
طراحی لایه استنتاج حیاتی است زیرا این لایه نقطه اجرای مدل روی داده‌های واقعی است و جایی است که توکن‌ها مصرف و صورت‌حساب می‌شوند. نحوه ساخت این لایه تعیین می‌کند که آیا شما می‌توانید مصرف توکن را مشاهده، کنترل و محدود کنید یا خیر. همچنین تعیین می‌کند که آیا سیاست‌های دسترسی و هویت (Identity and Policy) به صورت متمرکز اعمال می‌شوند یا هر اپلیکیشن باید امنیت خاص خود را در کدنویسی پیاده کند.
مدیریت پورتفولیوی مدل‌ها و زیرساخت
بسیاری از سازمان‌ها تصور می‌کنند انتخاب یک مدل پیشرو (Frontier Model) واحد کافی است، اما آینده AI ترکیبی از مدل‌های اختصاصی، متن‌باز (Open Source) و مدل‌های تخصصی است. برای بهینه‌سازی هزینه و عملکرد، مدل‌ها باید با مورد کاربرد (Use Case) مطابقت داشته باشند، نه برعکس. برای مثال، مدل‌های متن‌باز کوچک‌تر برای مسائل تخصصی یا محدود ایده‌آل هستند.
علاوه بر مدل، سخت‌افزار و مکان اجرا نیز اهمیت دارند. هوش مصنوعی حاکمیتی (Sovereign AI) به معنای کنترل بر محل و نحوه پردازش داده‌ها، شفافیت از طریق ردپای حسابرسی (Audit Trails) و انعطاف‌پذیری در برابر تغییر قوانین است. بارهای کاری AI باید در نزدیک‌ترین مکان به داده‌ها قرار گیرند، خواه در یک مرکز داده حاکمیتی باشد یا یک نمونه در ابر عمومی (Public Cloud).
دو ستون اصلی برای مدیریت AI
- ستون استنتاج (Inference Pillar): لایه‌ای برای اندازه‌گیری و مدیریت مصرف توکن، پیش‌بینی هزینه‌ها و مسیریابی درخواست‌ها بین مدل‌های مختلف بدون تغییر در کد اپلیکیشن.
- ستون عامل‌ها (Agent Pillar): برخورد با عامل‌ها به عنوان کاربرانی با قدرت بسیار زیاد. تعریف دقیق مجوزها، ابزارهای قابل دسترسی و محیط‌های ایزوله (Sandbox) برای اجرای آن‌ها.
در نهایت، هدف تبدیل انتخاب‌ها به ساختارهای سیستمی است: استنتاجی که قابل مشاهده باشد، پورتفولیوی مدل‌هایی که قابل تغییر باشند و زیرساختی که جابه‌جایی در آن نیازمند بازنویسی کامل سیستم نباشد. سازمان‌هایی پیروز خواهند شد که بتوانند استقرار را روی زیرساخت‌های تحت کنترل خود مدیریت کرده و آزادی انتخاب مدل و محیط را بر اساس تغییر شرایط حفظ کنند.
