مایکروسافت با شرکت «فرانتیر» به ارزش ۲.۵ میلیارد دلار، کانون هوش مصنوعی را به سمت پیاده‌سازی سازمانی می‌برد

صنعت هوش مصنوعی سه سال گذشته را صرف وسواس در مورد هوش کرده است. میلیاردها دلار صرف آموزش مدل‌های پیشرفته‌ای شده که می‌توانند در آزمون وکالت قبول شوند، نرم‌افزارهای پیچیده بنویسند و معماهای منطقی پیشرفته را حل کنند. با این حال، در داخل بزرگترین شرکت‌های جهان، این مدل‌های فوق‌العاده توانمند به آرامی در حال شکست هستند.

بر اساس مطالعه‌ای در سال ۲۰۲۵ توسط مؤسسه فناوری ماساچوست (MIT)، ۹۵ درصد حیرت‌آور از پروژه‌های آزمایشی هوش مصنوعی مولد که توسط شرکت‌ها آغاز شده‌اند، موفق به پیشرفت به سمت استقرار واقعی یا ارائه تأثیر قابل اندازه‌گیری بر صورت سود و زیان نمی‌شوند.[3]

این عدم ارتباط نه در توانایی‌های شناختی مدل‌ها، بلکه در واقعیت آشفته زیرساخت‌های شرکتی نهفته است. مدلی که در یک نمایش کنترل‌شده بی‌عیب و نقص عمل می‌کند، اغلب زمانی که با تغییرپذیری داده‌های زنده، پیچیدگی سیستم‌های قدیمی و الزامات نظارتی سخت‌گیرانه مواجه می‌شود، از هم می‌پاشد. شرکت‌ها در حال کشف این موضوع هستند که یک چت‌بات آماده نمی‌تواند جریان‌های کاری سفارشی یک زنجیره تأمین جهانی یا سیلوهای داده اختصاصی یک غول دارویی را مدیریت کند. هوش وجود دارد، اما ادغام از دست رفته است.[5]

این فقدان گسترده اثربخشی هوش مصنوعی، غول‌های فناوری فروشنده این سیستم‌ها را مجبور به یک چرخش استراتژیک بزرگ کرده است. میدان نبرد از ساخت هوشمندترین مدل بنیادی به سمت اطمینان از عملکرد واقعی آن مدل‌ها در محیط مشتری تغییر کرده است. دوران صرفاً تحویل یک کلید API و انتظار تحول از یک شرکت به پایان رسیده و جای خود را به رویکردی کار فشرده برای ادغام فناوری داده است.[3]

مایکروسافت این تغییر را با راه‌اندازی «شرکت فرانتیر مایکروسافت» (Microsoft Frontier Company) رسمیت بخشیده است؛ یک کسب‌وکار عملیاتی جدید به ارزش ۲.۵ میلیارد دلار که کاملاً به پیاده‌سازی هوش مصنوعی سازمانی اختصاص دارد. این شرکت تابعه که در اوایل جولای ۲۰۲۶ اعلام شد، برای انتقال سازمان‌ها از پروژه‌های آزمایشی متوقف‌شده به استقرارهای تولیدی در مقیاس بزرگ طراحی شده است. مایکروسافت به جای فروش مجوزهای نرم‌افزاری از راه دور، در حال استقرار سرمایه انسانی برای پر کردن شکاف بین هوش مصنوعی و عملیات تجاری است.[1][6]

مقیاس این ابتکار نشان‌دهنده شدت گلوگاه استقرار است. شرکت فرانتیر مایکروسافت ۶۰۰۰ متخصص صنعتی، مشاور فنی و مهندس هوش مصنوعی را استخدام می‌کند که به صورت فیزیکی در سازمان‌های مشتری مستقر خواهند شد. وظیفه این تیم‌ها طراحی مشترک، استقرار و بهینه‌سازی مداوم سیستم‌های هوش مصنوعی به طور مستقیم در محل است. پذیرندگان اولیه این مدل تعبیه‌شده شامل شرکت‌های جهانی مانند «یونیلیور» (Unilever) و «نوو نوردیسک» (Novo Nordisk) هستند که نشان‌دهنده ماهیت پرمخاطره این ادغام‌ها است.[2][4]

این رویکرد عملی در صنعت به عنوان «مهندسی استقرار پیشرو» (Forward Deployed Engineering یا FDE) شناخته می‌شود. این مدل که توسط پیمانکاران دفاعی برای مدیریت محیط‌های داده‌ای بسیار محرمانه و پیچیده پیشگام شد، در بخش هوش مصنوعی تجاری محبوبیت زیادی پیدا کرده است. مهندسان استقرار پیشرو به جای عمل کردن به عنوان مشاوران خارجی که یک سند استراتژی ارائه می‌دهند و می‌روند، در کنار نیروی کار مشتری می‌نشینند، کد می‌نویسند، خطوط لوله داده را ترسیم می‌کنند و مدل‌های هوش مصنوعی را برای انطباق با ساختار دقیق کسب‌وکار اصلاح می‌کنند.[3]

پذیرش سریع مدل FDE یک واقعیت ساختاری هوش مصنوعی مدرن را برجسته می‌کند: مقیاس‌بندی این سیستم‌ها یک چالش مدل عملیاتی است، نه صرفاً یک چالش فناورانه. بر اساس تحقیقات شرکت مشاوره HCLTech، پیش‌بینی می‌شود ۴۳ درصد از ابتکارات بزرگ هوش مصنوعی که طی دو سال آینده آغاز می‌شوند، شکست بخورند.

مقصران اصلی، هماهنگی بین وظیفه‌ای و عدم همسویی ابزارهای هوش مصنوعی با استراتژی‌های تجاری واقعی هستند. هنگامی که هوش مصنوعی صرفاً به عنوان یک پروژه فناوری اطلاعات تلقی می‌شود تا یک تحول تجاری، به ندرت در تماس با دنیای واقعی دوام می‌آورد.[5]

یک جزء حیاتی از استراتژی جدید مایکروسافت، چرخش تعجب‌آور به سمت «بی‌طرفی مدل» (model agnosticism) است. هنگامی که مایکروسافت برای اولین بار محصولات «کوپایلوت» (Copilot) سازمانی خود را عرضه کرد، این سیستم‌ها به شدت به مدل‌های OpenAI وابسته بودند. با این حال، با بلوغ بازار و انتشار جایگزین‌های بسیار توانمند توسط رقبا، مشتریان سازمانی نسبت به قفل شدن در یک فروشنده خاص (vendor lock-in) محتاط شدند. آن‌ها خواستار انعطاف‌پذیری برای هدایت وظایف مختلف به مدل‌های متفاوت بر اساس هزینه، سرعت و قابلیت‌های خاص شدند.[2]

شرکت فرانتیر مایکروسافت به صراحت از این واقعیت چند مدلی حمایت می‌کند. مهندسان این واحد به سازمان‌ها کمک خواهند کرد تا سیستم‌های هوش مصنوعی را از ارائه‌دهندگان مختلف – از جمله OpenAI، Anthropic و جایگزین‌های متن‌باز (open-source) – انتخاب و مدیریت کنند، نه اینکه آن‌ها را مجبور به تکیه بر یک پلتفرم واحد تحت کنترل مایکروسافت کنند. این امتیاز تصدیق می‌کند که سازمان‌های بزرگ دیگر به یک ارائه‌دهنده واحد هوش مصنوعی متکی نیستند و پیچیدگی مدیریت مجموعه‌ای متنوع از مدل‌ها نیازمند پشتیبانی مهندسی اختصاصی است.[2][4]

تغییر به سمت خدمات پیاده‌سازی همچنین فشار مالی فزاینده‌ای را که بر غول‌های فناوری وارد می‌شود، برطرف می‌کند. «هایپراسکالرها» (Hyperscalers) صدها میلیارد دلار صرف زیرساخت مرکز داده و ظرفیت محاسباتی برای آموزش و اجرای این مدل‌ها می‌کنند. برای توجیه این هزینه‌های سرمایه‌ای، آن‌ها نیاز دارند که مشتریان سازمانی مقادیر زیادی از محاسبات هوش مصنوعی را مصرف کنند. اگر پروژه‌های آزمایشی متوقف شوند، مصرف محاسباتی ثابت می‌ماند. مایکروسافت با سرمایه‌گذاری ۲.۵ میلیارد دلاری برای تضمین موفقیت مشتری، عملاً از درآمد ابری پایین‌دستی خود محافظت می‌کند.[1]

رقبا نیز محاسبات مشابهی انجام می‌دهند. تنها چند روز قبل از اعلام مایکروسافت، «خدمات وب آمازون» (Amazon Web Services یا AWS) متعهد شد ۱ میلیارد دلار برای تأسیس واحد FDE خود با هدف کمک به مشتریان برای مهار هوش مصنوعی اختصاص دهد.

سرمایه‌گذاری‌های همزمان دو ارائه‌دهنده بزرگ ابری نشان می‌دهد که کل صنعت گلوگاه استقرار را به عنوان تهدید اصلی برای رونق هوش مصنوعی می‌شناسد. رقابت دیگر فقط بر سر این نیست که چه کسی بهترین مدل را دارد، بلکه بر سر این است که چه کسی بهترین مکانیک را برای نصب آن دارد.[3]

برای رهبران سازمانی، ظهور واحدهای پیاده‌سازی اختصاصی یک راه نجات است. بسیاری از سازمان‌ها فاقد تخصص داخلی برای حفظ دانش عمیق در مورد تحولات هوش مصنوعی پیشرفته، حاکمیت هوش مصنوعی مسئولانه و اجرای در مقیاس بزرگ هستند. شرکت‌ها با همکاری با تیم‌های مهندسی تعبیه‌شده، می‌توانند اصطکاک فنی ناشی از ادغام هوش مصنوعی مولد در سیستم‌های قدیمی مدیریت چرخه عمر محصول و مجموعه‌های داده تکه‌تکه شده را کاهش دهند.[5]

با این حال، این مدل تعبیه‌شده پیچیدگی‌های جدیدی را در مورد حریم خصوصی داده‌ها و مالکیت فکری نیز به وجود می‌آورد. شرکت‌ها به شدت از داده‌های اختصاصی خود محافظت می‌کنند و می‌ترسند که ادغام آن‌ها با مدل‌های هوش مصنوعی شخص ثالث، ناخواسته اسرار تجاری را فاش کند یا سیستم رقیب را آموزش دهد.

مایکروسافت صراحتاً متعهد شده است که داده‌های مشتری و مالکیت فکری که توسط شرکت فرانتیر مدیریت می‌شوند، برای آموزش مدل‌های بنیادی استفاده نخواهند شد و بدین ترتیب تلاش می‌کند تا اعتراض اصلی مدیران ارشد اطلاعاتی ریسک‌گریز را خنثی کند.[6]

در نهایت، ایجاد شرکت فرانتیر مایکروسافت نشان‌دهنده پایان توهم «نصب و اجرا» (plug-and-play) در هوش مصنوعی سازمانی است. این فناوری بسیار قدرتمند است و جریان‌های کاری شرکتی بیش از حد خاص هستند که یک راه‌حل نرم‌افزاری یکسان برای همه کار کند. همانطور که صنعت از آزمایشگاه به کف کارخانه منتقل می‌شود، کار آشفته و انسان‌محور مهندسی استقرار پیشرو به پیشتاز جدید انقلاب هوش مصنوعی تبدیل شده است.