یکی از سریع‌ترین تغییرات بازار کار هوش مصنوعی در وال‌استریت در حال شکل‌گیری است. بانک‌ها دیگر فقط به‌دنبال افرادی نیستند که بتوانند با یک چت‌بات خوب کار کنند؛ حالا مهارتی به نام Agent Orchestration یا «هماهنگ‌سازی عامل‌های هوش مصنوعی» با سرعت زیادی در حال رشد است.
بر اساس داده‌های شرکت تحلیل بازار کار Draup، تعداد آگهی‌های شغلی که به Agent Orchestration اشاره کرده‌اند در سال 2026 نسبت به سال قبل 1,721% افزایش یافته است.
این عدد از 108 اشاره در سال 2025 به 1,967 اشاره در سال جاری رسیده؛ رشدی که نشان می‌دهد بانک‌ها به‌تدریج از استفاده‌ی ساده از چت‌بات‌ها به سمت سیستم‌هایی حرکت می‌کنند که چند AI Agent را هم‌زمان برای انجام یک کار پیچیده مدیریت می‌کنند.
خلاصه‌ی ماجرا در یک نگاه:
- اشاره به Agent Orchestration در آگهی‌های شغلی 1,721% رشد کرده.
- تعداد اشاره‌ها از 108 مورد در 2025 به 1,967 مورد در 2026 رسیده.
- JPMorgan، Citigroup و Capital One مجموعاً 139,819 موقعیت مرتبط با AI داشته‌اند.
- این رقم نسبت به 2025 حدود 49% افزایش یافته.
- Prompt Engineering همچنان از نظر تعداد آگهی‌ها جلوتر است.
- تقاضا برای LangGraph، RAG و Responsible AI نیز به‌شدت افزایش یافته.
فهرست مطالب
Agent Orchestration چیست؟
Agent Orchestration یعنی طراحی و مدیریت چند عامل هوش مصنوعی که برای انجام یک هدف مشترک با یکدیگر کار می‌کنند.
به‌جای اینکه یک مدل هوش مصنوعی همه‌ی مراحل یک کار را انجام دهد، وظایف میان چند Agent تقسیم می‌شوند.
مثلاً در یک بانک، یک عامل می‌تواند داده‌های خام مالی را بررسی کند، عامل دوم قرارداد یا گزارش را بخواند، عامل سوم قوانین داخلی و مقررات را کنترل کند و یک عامل دیگر خروجی نهایی را بررسی و آماده کند.
| Agent | وظیفه‌ی نمونه در بانک |
|---|---|
| عامل تحلیل داده | بررسی تراکنش‌ها و داده‌های مالی |
| عامل اسناد | خواندن قراردادها و گزارش‌ها |
| عامل Compliance | بررسی تطابق با قوانین |
| عامل گزارش | تهیه‌ی نتیجه‌ی نهایی |
Agent Orchestration مسئول هماهنگ‌کردن این جریان است؛ یعنی مشخص می‌کند هر عامل چه کاری انجام دهد، چه داده‌ای دریافت کند، نتیجه را به کدام Agent بعدی تحویل دهد و در چه شرایطی فرایند متوقف یا به انسان ارجاع شود.
به زبان ساده، متخصص Agent Orchestration قرار نیست فقط «یک سؤال خوب از هوش مصنوعی بپرسد»؛ او باید یک تیم از عامل‌های هوش مصنوعی را طراحی و مدیریت کند.
چرا وال‌استریت به این مهارت نیاز دارد؟
بانکداری محیط مناسبی برای سیستم‌های چندعاملی است، چون بسیاری از فرایندهای مالی از چند مرحله‌ی مشخص تشکیل شده‌اند.
برای مثال بررسی یک مشتری سازمانی می‌تواند شامل جمع‌آوری داده، تحلیل صورت‌های مالی، بررسی ریسک، کنترل قوانین ضدپول‌شویی و در نهایت تهیه‌ی گزارش باشد.
در سیستم سنتی، بخش زیادی از این مراحل توسط تیم‌های مختلف انجام می‌شود. اما با ایجنت‌های هوش مصنوعی، امکان خودکارسازی بخشی از این زنجیره وجود دارد.
به همین دلیل بانک‌های بزرگ وال‌استریت به‌تدریج از مدل ساده‌ی «کارمند + چت‌بات» به سمت ساخت سیستم‌هایی می‌روند که چند عامل هوش مصنوعی را در یک Workflow یا جریان کاری واحد به هم متصل می‌کنند.
بر اساس داده‌ها، JPMorgan Chase، Citigroup و Capital One در مجموع 139,819 موقعیت شغلی مرتبط با هوش مصنوعی ثبت کرده‌اند؛ رقمی که نسبت به سال 2025 حدود 49% افزایش نشان می‌دهد.
کدام مهارت‌های AI بیشتر رشد کرده‌اند؟
Agent Orchestration سریع‌ترین رشد را در میان برخی مهارت‌های مورد بررسی داشته، اما تنها مهارتی نیست که تقاضا برای آن افزایش یافته است.
| مهارت | رشد در 2026 | تعداد اشاره در آگهی‌ها |
|---|---|---|
| Agent Orchestration | +1,721% | 1,967 |
| LangGraph | +679% | 5,300 |
| Responsible AI | +657% | — |
| RAG | +259% | 5,262 |
| Prompt Engineering | — | 11,368 |
LangGraph چارچوبی برای ساخت Workflowهای چندمرحله‌ای و ایجنت‌محور است و افزایش 679 درصدی اشاره به آن نشان می‌دهد شرکت‌ها به زیرساخت لازم برای ساخت ایجنت‌های پیچیده‌تر توجه بیشتری نشان می‌دهند.
مهارت RAG یا Retrieval-Augmented Generation (تولید تقویت‌شده با بازیابی) نیز 259% رشد کرده است.
RAG روشی است که به مدل هوش مصنوعی اجازه می‌دهد قبل از پاسخ، اطلاعات مورد نیاز را از منابع مشخص مثل پایگاه داده، اسناد داخلی شرکت یا گزارش‌های مالی بازیابی کند.
برای یک بانک این موضوع اهمیت زیادی دارد؛ چون مدل نباید برای پاسخ درباره‌ی یک حساب، قانون یا سند مالی فقط به اطلاعاتی که در زمان آموزش یاد گرفته متکی باشد.
آیا Prompt Engineering دیگر مهم نیست؟
رشد سریع Agent Orchestration به این معنی نیست که وال‌استریت Prompt Engineering (مهندسی پرامپت) را کنار گذاشته باشد.
برعکس، از نظر تعداد کل اشاره در آگهی‌های شغلی، Prompt Engineering همچنان بسیار بزرگ‌تر است و در داده‌های Draup حدود 11,368 اشاره داشته است.
تفاوت در این است که مهارت مورد نیاز شرکت‌ها در حال گسترش است.
در نسل اول استفاده‌ی سازمانی از مدل‌های زبانی، بخش مهمی از کار این بود که بدانیم چگونه یک Prompt (پرامپت یا دستور) دقیق بنویسیم تا مدل پاسخ مناسبی تولید کند.
اما در معماری ایجنت‌ها، پرامپت تنها یک قطعه از سیستم است. متخصص باید بداند مدل‌ها چگونه به ابزارها متصل شوند، چگونه داده دریافت کنند، چگونه با ایجنت‌های دیگر ارتباط برقرار کنند و چگونه خطا یا خروجی نامطمئن کنترل شود.
پس Prompt Engineering از بین نرفته؛ بلکه در حال تبدیل‌شدن به بخشی از یک مهارت بزرگ‌تر در طراحی سیستم‌های هوش مصنوعی است.
چرا Responsible AI و Governance رشد کرده‌اند؟
هرچه بانک‌ها اختیار بیشتری به ایجنت‌های هوش مصنوعی بدهند، نیاز به کنترل آنها هم بیشتر می‌شود.
داده‌های Draup نشان می‌دهد اشاره به Responsible AI (هوش مصنوعی مسئولانه) در آگهی‌های شغلی 657% رشد کرده است. مهارت‌های مرتبط با Governance یا حکمرانی هوش مصنوعی نیز بیش از 16,000 اشاره داشته‌اند.
هوش مصنوعی مسئولانه (Responsible AI) یعنی طراحی و استفاده از AI به‌گونه‌ای که منصفانه، شفاف، امن، قابل‌اعتماد و مطابق قوانین و اصول اخلاقی باشد.
حکمرانی هوش مصنوعی (AI Governance) یعنی مجموعه قوانین، سیاست‌ها، فرایندها و کنترل‌هایی که مشخص می‌کنند یک سازمان AI را چگونه توسعه دهد، استفاده کند و بر آن نظارت داشته باشد.
این بخش مخصوصاً در بانک‌ها اهمیت دارد، چون یک سیستم AI ممکن است با اطلاعات مالی حساس، تصمیم‌های اعتباری، داده‌های مشتریان یا قوانین پیچیده‌ی مالی سروکار داشته باشد.
در چنین محیطی کافی نیست سیستم فقط سریع و هوشمند باشد. سازمان باید بتواند مشخص کند مدل بر چه اساسی تصمیم گرفته، چه داده‌ای در اختیار داشته، چه کسی مسئول خروجی است و در چه شرایطی انسان باید وارد فرایند شود.
تناقض بازار کار؛ استخدام AI هم‌زمان با تعدیل نیرو
این موج استخدام در شرایطی اتفاق افتاده که تصویر کلی بازار کار مرتبط با هوش مصنوعی بسیار پیچیده‌تر است.
داده‌های Challenger, Gray & Christmas نشان می‌دهد شرکت‌های آمریکایی تا پایان سپتامبر، هوش مصنوعی را در ارتباط با 120,136 مورد تعدیل نیروی اعلام‌شده ذکر کرده‌اند؛ رقمی معادل حدود 21% تعدیل‌های گزارش‌شده.
شرکت‌های فناوری در مجموع 165,925 مورد کاهش نیرو اعلام کرده‌اند که نسبت به مدت مشابه سال قبل 54% بیشتر است. در بخش فین‌تک نیز تعداد تعدیل‌ها با رشد 331 درصدی به 7,806 مورد رسیده است.
در نتیجه، یک روند دوگانه شکل گرفته است: هوش مصنوعی بخشی از مشاغل موجود را حذف یا تغییر می‌دهد، اما هم‌زمان تقاضا برای متخصصانی که بتوانند سیستم‌های جدید AI را طراحی، مدیریت و کنترل کنند افزایش پیدا می‌کند.
این تغییر برای آینده‌ی مشاغل مالی چه معنایی دارد؟
داده‌های استخدامی فعلی نشان می‌دهند یکی از مهم‌ترین تغییرات مهارتی در بانکداری در حال وقوع است.
صرف توانایی استفاده از ChatGPT، Claude یا سایر مدل‌های هوش مصنوعی احتمالاً به‌تدریج به یک مهارت عمومی تبدیل می‌شود؛ شبیه کار با نرم‌افزارهای اداری.
اما ارزش تخصصی بیشتر به سمت افرادی حرکت می‌کند که بتوانند سیستم‌های هوش مصنوعی را طراحی کنند: ایجنت‌ها را به هم متصل کنند، Workflow بسازند، منابع داده را تعریف کنند، عملکرد سیستم را ارزیابی کنند و روی امنیت و تطابق آن نظارت داشته باشند.
البته رشد 1,721 درصدی Agent Orchestration را هم نباید بدون توجه به پایه‌ی اولیه خواند. تعداد اشاره‌ها در سال گذشته فقط 108 مورد بوده و به همین دلیل رشد درصدی بسیار بزرگ به نظر می‌رسد.
از نظر تعداد واقعی فرصت‌ها، Prompt Engineering، Governance و برخی مهارت‌های دیگر هنوز حضور بزرگ‌تری در آگهی‌های شغلی دارند.
اما جهت حرکت مشخص است: بانک‌ها در حال عبور از مرحله‌ی «استفاده از یک مدل هوش مصنوعی» و ورود به مرحله‌ی «ساخت تیم‌هایی از ایجنت‌های هوش مصنوعی» هستند. در چنین فضایی، توانایی هماهنگ‌کردن این سیستم‌ها می‌تواند به یکی از مهم‌ترین مهارت‌های نسل بعدی متخصصان مالی و فناوری تبدیل شود.
سلب مسئولیت:
مطالب منتشرشده صرفاً با هدف اطلاع‌رسانی تهیه شده و فاقد هرگونه وابستگی، جانبداری یا جهت‌گیری سیاسی و حزبی است و به‌هیچ‌وجه توصیه‌ای برای خرید، فروش یا نگهداری دارایی‌های مالی، سهام، ارزهای دیجیتال یا سایر ابزارهای سرمایه‌گذاری محسوب نمی‌شود. تصمیم‌گیری برای سرمایه‌گذاری بر عهده‌ی مخاطب است و توصیه می‌شود پیش از هر اقدامی، تحقیقات کافی انجام داده و در صورت نیاز با مشاور مالی متخصص مشورت کنید.
۰ دیدگاه
در حال آمادهسازی فرم دیدگاه…