Rohit Patel، مدیر پیشین Meta Superintelligence Labs، پس از هشت سال کار روی هوش مصنوعی در Meta، از این شرکت جدا شده و استارتاپ Ndoc را راه‌اندازی کرده است. او این محصول را جایگزین AI-native برای Microsoft Office و Google Workspace معرفی می‌کند.
Ndoc سه بخش را در یک چیدمان یکپارچه جمع می‌کند: تب Stage برای ارائه‌ی یافته‌ها (اسلاید، داشبورد، شبیه‌سازی، مینی‌اپ)، تب Narrative برای تحلیل‌ها با استناد‌های شماره‌دار و تصاویر تولیدشده، و تب Model که داده‌های خام و اسکریپت‌های Python در آن قرار دارد. هدف Patel این است که پراکندگی کار بین Excel، Word، PowerPoint، Tableau، Replit و «کپی‌پیست در ChatGPT» را با یک فضای کاری واحد جایگزین کند.
Patel می‌گوید Ndoc با ترکیبی از مدل‌های متن‌باز ساخته و fine-tune شده و چون از صفر توسعه یافته، هزینه‌ی اجرای آن به‌مراتب کمتر از ابزارهایی است که روی frontier models بنا شده‌اند. او همچنین قصد دارد فرمت خروجی فایل را به‌صورت .ndoc.html متن‌باز کند تا توسعه‌دهندگان دیگر بتوانند بدون وابستگی به Ndoc با آن کار کنند.
رقابت در این حوزه جدی است. OpenAI، Anthropic، Meta، SpaceXAI و Google همگی ابزارهای enterprise AI عرضه کرده‌اند که به Workspace و Microsoft 365 متصل می‌شوند. ماه گذشته OpenAI قابلیت Space را درون ChatGPT راه‌اندازی کرد که رقیب مستقیم‌تری برای ابزارهای موجود محسوب می‌شود. Patel این را تهدید می‌داند اما معتقد است رویکرد آزمایشگاه‌های هوش مصنوعی اشتباه است: «شرکت‌ها AI را به اسپریدشمت وصل می‌کنند و سلول‌ها را برایتان پر می‌کنند. این مثل این است که برق را کشف کرده باشید و بهترین کاربردش را گذاشتن چراغ روی گاوهای شخم‌زن بدانید.»
Ndoc در حال حاضر یک pilot سازمانی را اجرا می‌کند و نسخه‌ی alpha را به تعداد محدودی از مشتریان لیست انتظار ارائه داده است. ثبت‌نام رایگان است اما مشتریان برای usage و tokens پرداخت می‌کنند. Patel امیدوار است در هفته‌های آینده beta را منتشر کند و راه‌اندازی کامل را سال آینده انجام دهد. تیم فعلی سه نفر است و هنوز funding نگرفته است.
این خبر برای کسی که ایجنت و اتوماسیون می‌سازد یعنی چه#
Patel با تیم سه‌نفره و بدون سرمایه، وارد فضایی شده که OpenAI، Anthropic و Google سال‌ها و میلیاردها دلار در آن سرمایه‌گذاری کرده‌اند. تفاوت اصلی ادعایی Ndoc در معماری است: به‌جای اتصال AI به ابزارهای موجود، از صفر یک فضای کاری یکپارچه ساخته شده که داده، تحلیل و خروجی در یک layout قرار دارند. اگر این رویکرد جواب بدهد، مسئله‌ی «کپی‌پیست بین ابزارها» که امروز در اکثر workflowهای AI-native حل‌نشده مانده، واقعاً حل می‌شود.
اما ریسک‌ها مشخص است: تغییر عادت‌های کاری سازمانی بسیار کند است، حتی وقتی ابزار جدید بهتر باشد. connectors برای import داده‌های موجود ساخته شده‌اند، اما این به‌تنهایی کافی نیست. همچنین ادعای هزینه‌ی اجرای کمتر روی مدل‌های متن‌باز، تا زمانی که benchmark مستقلی ارائه نشود، قابل‌سنجش نیست. فرمت .ndoc.html و متن‌باز کردن آن، اگر محقق شود، می‌تواند مهم‌ترین بخش این خبر باشد — چون وابستگی به پلتفرم، دقیقاً همان چیزی است که در بازار enterprise AI امروز مشکل‌ساز شده.
منبع: TechCrunch AI
دیدگاه‌ها
برای گذاشتن دیدگاه وارد شو
دیدگاه‌ها فقط از حسابهای کاربری پذیرفته می‌شوند.
ورود / ثبتنامهنوز دیدگاهی ثبت نشده — اولین نفر باش.