‏اتلسین و سرویس‌ناو: گراف‌های زمینه‌ای که آینده AI سازمانی رو می‌سازن

وقتی حرف از هوش مصنوعی سازمانی می‌شه، اکثر بحث‌ها می‌ره سمت مدل‌ها، GPU‌ها و بنچمارک‌ها. ولی چارلز بتز، تحلیلگر ارشد فارستر، می‌گه این نگاه اشتباهه. ارزش ماندگار AI یه لایه بالاتر ساخته می‌شه: در معنا‌شناسی، آنتولوژی، و داده‌های عملیاتی که سازمان‌ها طی دهه‌ها جمع کردن.

مشکل اصلی اینه که هر سازمان بزرگ پر از تعاریف متناقض از مفاهیم کلیدیه. «مشتری» در یه سیستم، با «مشتری» در سیستم دیگه یکی نیست. مدل‌های AI برای استدلال درست نیاز دارن این آشفتگی قبلاً حل شده باشه. به همین دلیله که پلتفرم‌هایی که داده، روابط و گردش‌کارهای واقعی سازمان رو نگه می‌دارن، بیشترین پتانسیل رو برای خلق ارزش AI دارن.

بتز از سال ۲۰۲۴ استدلال می‌کنه که سرویس‌ناو و اتلسین به یه سطح از تسلط در مدیریت IT رسیدن که احتمالاً هیچ رقیبی نمی‌تونه بهشون برسه. حالا در سال ۲۰۲۶، این تحلیل یه بُعد جدید پیدا کرده: «گراف زمینه‌ای» (Context Graph) به مرکز ثقل هر دو پلتفرم تبدیل شده.

سرویس‌ناو در آوریل ۲۰۲۶ از «Context Engine» رونمایی کرد که چند گراف مجزا رو با هم ادغام می‌کنه: Service Graph (همون CMDB قدیمی)، Knowledge Graph، گراف دارایی‌های سایبری آرمیس، و گراف دسترسی Veza. این موتور از ۸۵ میلیارد گردش‌کار و ۷ تریلیون تراکنش سالانه که از سرویس‌ناو می‌گذرن به عنوان پایگاه یادگیری استفاده می‌کنه.

اتلسین هم با Teamwork Graph خودش از مرز ۱۰۰ میلیارد آبجکت و ارتباط گذشته. این لایه داده‌ای پایه‌ی تجربه‌های جستجو، چت و عامل‌های Rovo رو می‌سازه. عدد این دو با هم قابل مقایسه مستقیم نیستن، ولی پیام کلی روشنه: هر دو در مقیاسی از زمینه سازمانی ساختاریافته کار می‌کنن که هیچ استارتاپ یا ابرابری نمی‌تونه ادعای مشابهی داشته باشه.

این دو پلتفرم از دو سر مخالف چرخه توسعه نرم‌افزار به یه مقصد مشترک رسیدن. سرویس‌ناو از سمت گردش‌کارهای ساختاریافته و موجودیت‌های CMDB با ۲۲ سال سابقه اومده. اتلسین از سمت کشف و توسعه، با issue‌های Jira به عنوان «تصمیمات در حال اجرا» و صفحات Confluence به عنوان آثار استدلالی. هیچ‌کدام هنوز گراف کامل رو ندارن و هر دو دارن تلاش می‌کنن چیزی رو که اون یکی داره اضافه کنن. خرید Secoda توسط اتلسین در دسامبر ۲۰۲۴ دقیقاً همین حرکت بود: یه ابزار کاتالوگ داده و معنا‌شناسی که ضعف اتلسین در داده‌های ساختاریافته رو می‌پوشونه.

یه موضوع مهم دیگه‌ای که بتز روش تأکید داره، «تریس‌های عامل» (Agent Traces) هستن. عامل‌های AI در محیط production یه سری لاگ از استدلال، فراخوانی ابزارها و تصمیم‌هاشون تولید می‌کنن، درست مثل اینکه APM دو دهه پیش کد اپلیکیشن رو instrument کرد. بدون این تریس‌ها نمی‌شه عامل رو دیباگ، حاکمیت یا بهبود داد. به همین دلیل خرید Traceloop توسط سرویس‌ناو معنادار می‌شه. نتیجه‌اش اینه که ابزارهای observability مثل Splunk، Datadog و Dynatrace به زودی یه workload جدید و سنگین جذب می‌کنن که بودجه CIOها رو هم بالا می‌بره.

البته این داستان چالش‌های جدی هم داره. وقتی CMDB سرویس‌ناو یه چیزی رو «application» می‌نامه و Teamwork Graph اتلسین همون چیز رو «service»، اینا یه node نیستن. و بدتر از اون، تعریف «application» در سرویس‌ناو یه مشتری با مشتری دیگه هم فرق داره. این مشکل semantic نه فقط vendor-to-vendor، بلکه customer-by-customer هم هست. AI این مشکلات قدیمی داده رو سریع‌تر آشکار می‌کنه؛ عامل‌هایی که با اطمینان کامل اطلاعات غلط تولید می‌کنن، هزینه نادیده گرفتن کیفیت داده رو با سرعت ماشین نشون می‌دن.

نکات کلیدی:

• ارزش واقعی AI سازمانی در گراف‌های زمینه‌ای (Context Graphs) و داده‌های عملیاتی ساختاریافته ساخته می‌شه، نه صرفاً در مدل‌ها
• سرویس‌ناو با Context Engine چند گراف مختلف رو در یه زیرساخت یکپارچه ادغام کرده
• اتلسین با Teamwork Graph از ۱۰۰ میلیارد آبجکت گذشته و با خرید Secoda ضعف داده ساختاریافته‌اش رو پوشونده
• تریس‌های عامل‌های AI به زودی یه artifact اجباری در workloadهای سازمانی می‌شن و بازار observability رو متحول می‌کنن
• مشکل اصلی، ناسازگاری معنایی بین گراف‌هاست که هم vendor-to-vendor و هم customer-to-customer وجود داره
• AI ممکنه مشکلات قدیمی کیفیت داده رو قبل از اینکه حل کنه، بدتر کنه