گزارش‌های اخیر نشان می‌دهد که علی‌رغم پذیرش گسترده هوش مصنوعی در دنیای کسب‌وکار، نتایج حاصل از به‌کارگیری عامل‌های هوش مصنوعی (AI Agents) تاکنون کمتر از حد انتظار بوده است. طبق داده‌های مؤسسه McKinsey، اگرچه ۸۹ درصد از شرکت‌ها به‌طور منظم از AI استفاده می‌کنند، اما شکاف عمیقی بین میزان استفاده و موفقیت اقتصادی وجود دارد.
هزینه‌های عملیاتی و پیچیدگی زیرساختی
پیاده‌سازی AI Agents تنها فرصت‌های جدید ایجاد نمی‌کند، بلکه پیچیدگی و هزینه‌های IT را به‌شدت افزایش می‌دهد. برای عملکرد قابل‌اعتماد این عامل‌ها، ارتقای زیرساخت‌های تکنولوژی (Tech Stack) ضروری است. علاوه بر این، گردش کارهای مبتنی بر عامل (Agent-based workflows) به دلیل تکرار حلقه‌های استنتاج (Inference loops)، فراخوانی ابزارها (Tool calls) و هماهنگی بین سیستمی، بسیار سنگین‌تر از چت‌بات‌های ساده هستند.
- مصرف منابع: یک گردش کار مبتنی بر عامل می‌تواند ۵ تا ۳۰ برابر بیشتر از یک پرس‌وجوی معمولی چت‌بات، منابع پردازشی مصرف کند.
- بودجه: ۹۳ درصد از شرکت‌های مورد بررسی اعلام کرده‌اند که این حجم از مصرف منابع باعث تخطی از بودجه‌های پیش‌بینی شده برای AI شده است.
تأثیر بر بهره‌وری توسعه نرم‌افزار
یکی از حوزه‌هایی که بیشترین پتانسیل را برای استفاده از AI Agents دارد، توسعه نرم‌افزار است. با این حال، نتایج عملی متناقض است. در حالی که برخی تیم‌ها شاهد افزایش چشمگیر سرعت توسعه بوده‌اند، حدود ۳۰ درصد از شرکت‌ها پس از به‌کارگیری عامل‌های کدنویسی، با کاهش بهره‌وری مواجه شده‌اند.
دلیل این اتفاق این است که AI مقدار کد تولید شده را افزایش می‌دهد (در برخی موارد تا ۱۸۰ درصد)، اما این موضوع لزوماً به افزایش نسخه‌های نهایی و قابل انتشار (Release) منجر نمی‌شود. در واقع، افزایش حجم کد بدون نظارت دقیق، منجر به پیچیدگی بیشتر و کاهش کیفیت خروجی می‌گردد.
بحران اعتماد و چشم‌انداز آینده
مسئله اعتماد (Trust) یکی از موانع اصلی است؛ حدود ۴۶ درصد از توسعه‌دهندگان در سطح جهان به دقت ابزارهای AI بی‌اعتماد هستند و تنها ۳ درصد اعتماد کامل به نتایج این ابزارها دارند.
با این حال، سرمایه‌گذاری در این حوزه به‌شدت در حال رشد است. ابزارهای جدیدی مانند LangGraph برای مدیریت گردش کارهای طولانی و کنترل‌های Human-in-the-loop معرفی شده‌اند تا دقت و قابلیت نظارت بر عامل‌ها افزایش یابد. انتظار می‌رود با بلوغ تکنولوژی و ادغام عمیق‌تر در فرآیندهای سازمانی، بازگشت سرمایه (ROI) این فناوری بهبود یابد.
به‌روزرسانی (اکتبر 2, 2026 — cio.com)
به‌روزرسانی: تحلیل‌های جدید شرکت Bain and Company نشان می‌دهد که هزینه‌های سرمایه‌ای (CapEx) ارائه‌دهندگان خدمات ابری بزرگ (Hyperscalers) با سرعتی بی‌سابقه در حال افزایش است، به‌طوری که پیش‌بینی می‌شود مخارج سالانه برای زیرساخت‌های هوش مصنوعی تا سال ۲۰۳۱ به ۱.۵ تریلیون دلار برسد.
بر اساس این گزارش، برای اینکه این حجم از سرمایه‌گذاری توجیه‌پذیر باشد، صنعت هوش مصنوعی باید سالانه درآمدی در حدود ۶ تریلیون دلار ایجاد کند. با این حال، ارزش بازار فعلی در بخش‌های مصرف‌کننده و سازمانی تا سال ۲۰۳۱ تنها ۱.۸ تریلیون دلار تخمین زده می‌شود که منجر به ایجاد یک شکاف مالی عظیم ۴.۲ تریلیون دلاری می‌گردد.
کارشناسان معتقدند برای پر کردن این خلاء، شرکت‌ها باید بازارهای کاملاً جدیدی خلق کنند. چهار حوزه کلیدی برای دستیابی به این هدف شناسایی شده‌اند:
- تحول در سیستم‌های جست‌وجو (Search) مبتنی بر AI
- توسعه خودروهای خودران و پهپادهای پیشرفته
- هوش مصنوعی فیزیکی (Physical AI) شامل رباتیک و دوقلوهای دیجیتال (Digital Twins)
- شتاب در توسعه محصولات جدید، به‌ویژه در صنعت داروسازی
به‌روزرسانی (اکتبر 2, 2026 — cio.com)
به‌روزرسانی:
در حالی که گزارش‌های پیشین بر عدم بازگشت سرمایه و هزینه‌های بالای پردازشی ابزارهای هوش مصنوعی تأکید داشتند، نتایج مطالعه جدیدی از سوی دفتر ملی تحقیقات اقتصادی ایالات متحده (NBER) چشم‌انداز متفاوتی را ارائه می‌دهد. این پژوهش با تحلیل واکنش قیمت سهام شرکت‌ها در بازه زمانی نوامبر ۲۰۲۲ تا دسامبر ۲۰۲۵، اثرات کلان اقتصادی ادغام AI در فرآیندهای توسعه نرم‌افزار را بررسی کرده است.
بر اساس این مدل‌سازی مالی، بازار سرمایه پیش‌بینی می‌کند که بهره‌وری مهندسان نرم‌افزار در سازمان‌هایی که خارج از صنایع سخت‌افزاری و نیمه‌هادی فعالیت می‌کنند، به طور دائمی ۳۲.۶ درصد افزایش یافته است. این تحلیل نشان می‌دهد که ابزارهایی مانند OpenAI Codex و Anthropic Claude Code با کاهش زمان توسعه و بهینه‌سازی کدنویسی، ارزش اقتصادی قابل‌توجهی برای سازمان‌ها ایجاد کرده‌اند که اکنون در قیمت سهام آن‌ها منعکس شده است.
