Palantir Says You Need 12 Months Before AI Agents. The Data Says Otherwise.

تبدأ معظم استراتيجيات الذكاء الاصطناعي للمؤسسات بالافتراض نفسه: الحصول على البيانات الصحيحة أولاً، ثم نشر التكنولوجيا. يبدو هذا الأمر مسؤولاً ودقيقاً. وفي كثير من الحالات، يكون هذا هو السبب في عدم وصول مشاريع الذكاء الاصطناعي إلى مرحلة الإنتاج الفعلي على الإطلاق.

وقد قامت Palantir ببناء واحدة من أكثر النسخ طموحاً لهذه الفلسفة. حيث تضع بنيتها الوكيلة المكونة من 12 طبقة الـ Ontology (النموذج الدلالي المنظم للمؤسسة بأكملها) في قلب كل شيء. وتستعلم وكلاء الذكاء الاصطناعي عن الكائنات، وتطلق الإجراءات المصرح بها، وتعمل ضمن طبقة بيانات مركزية تحدد كل علاقة ومسار عمل عبر المؤسسة.

إنها هندسة مثيرة للإعجاب. ولكنها أيضاً فلسفة تطلب من المؤسسات قضاء أشهر، وأحياناً عاماً كاملاً، في بناء أساس بياناتها قبل أن يلمس وكيل واحد عملية حقيقية. بالنسبة لمعظم الشركات، فإن هذا الجدول الزمني هو المكان الذي تنتهي فيه استراتيجيات الذكاء الاصطناعي بالفشل.

ما تنجح فيه Palantir حقاً

التشخيص صحيح إلى حد كبير.

فمعظم الشركات ليست جاهزة للبيانات بعد. حيث وجد استطلاع أجرته مؤسسة Gartner وشمل 183 من قادة الشؤون المالية أنه في حين أفاد 59% منهم باستخدام الذكاء الاصطناعي في وظائفهم المالية، إلا أن معدل الاعتماد قد استقر بعد أن قفز من 37% في عام 2023 إلى 58% في عام 2024. وتستمر الفجوة بين "لدينا ذكاء اصطناعي" و"الذكاء الاصطناعي يقدم قيمة ملموسة" في الاتساع. ووفقاً لـ Journal of Accountancy، فإن 7% فقط من المدراء الماليين يفيدون بوجود تأثير قوي لاستثماراتهم في الذكاء الاصطناعي.

الأسباب هي بالضبط ما تحدده Palantir. فالبيانات تعيش في صوامع منعزلة. والمنطق التجاري يوجد في عقول الموظفين، وليس في الأنظمة. ولم يقم أحد بتوثيق الاستثناء الخاص بكيفية عمل الفواتير في إسبانيا مقارنة بألمانيا. وهنا يصطدم الذكاء الاصطناعي بالتعقيد الواقعي ويتعطل.

يتمثل حل Palantir في نمذجة كل هذا التعقيد مقدماً. بناء الـ Ontology، ورسم خرائط لكل كائن وعلاقة وصلاحية، ثم السماح للوكلاء بالعمل.

المنطق سليم، لكن المشكلة تكمن في الجدول الزمني.

فخ الـ 12 شهراً

إليكم ما يحدث فعلياً عندما تلتزم المؤسسة بأشهر من إعداد البيانات قبل نشر الوكلاء.

الأشهر من الأول إلى الثالث: ورش عمل، وتدقيق البيانات، وتوافق أصحاب المصلحة. الأشهر من الرابع إلى الثامن: بناء الطبقة الدلالية، وربط الأنظمة، وحل التعارضات بين كيفية تعريف الأقسام المختلفة للبيانات نفسها. الأشهر من التاسع إلى الحادي عشر: الاختبار، ومراجعات الحوكمة، وفحوصات الامتثال. الشهر الثاني عشر: يلمس الوكيل الأول أخيراً عملية حقيقية.

بحلول ذلك الوقت، تكون ثلاثة أشياء قد تغيرت. فقد أصبحت نماذج الذكاء الاصطناعي متقدمة بجيل كامل عما خططت له. وقام منافسوك بإطلاق شيء بدقة 80% قبل تسعة أشهر واستمروا في التحسين من خلال ملاحظات الإنتاج منذ ذلك الحين. ويتساءل الراعي التنفيذي الذي وافق على الميزانية عن سبب عدم وجود نتائج بعد.

هذا ليس سيناريو افتراضياً. إذ تتوقع Gartner أنه سيتم إلغاء أكثر من 40% من مشاريع الذكاء الاصطناعي الوكيل بحلول نهاية عام 2027، ويرجع ذلك إلى حد كبير إلى التكاليف المتصاعدة والفشل في تقديم قيمة ضمن نافذة صبر الإدارة التنفيذية. ومعظم هذه الإخفاقات ليست تقنية، بل هي إخفاقات في التوقيت.

لا يفشل نهج "الـ Ontology أولاً" لأنه خاطئ، بل يفشل لأن معظم المؤسسات ينفد منها الوقت أو الميزانية أو الدعم التنفيذي قبل أن ينتج الوكيل الأول أي قيمة فعلية.

البديل القائم على الإنتاج أولاً

هناك طريقة أخرى للتفكير في جاهزية الذكاء الاصطناعي للمؤسسات. بدلاً من نمذجة المؤسسة بأكملها قبل نشر الوكلاء، ابدأ بعملية واحدة صعبة. ابنِ شيئاً أفضل من العمل اليدوي، وضعه في مرحلة الإنتاج تحت إشراف بشري، واتركه يكتشف البيانات التي يحتاجها فعلياً.

يعمل هذا النهج بسبب حقيقة قد تبدو غير بديهية: لا يمكنك معرفة البيانات المهمة حتى يواجه الوكيل مسارات عمل حقيقية. الاستثناء الخاص بإسبانيا الذي لم يوثقه أحد؟ لن تجده إلا عندما يعالج الوكيل فاتورة إسبانية ويخطئ فيها. والمنطق التجاري الذي يعيش في رأس شخص واحد؟ يظهر على السطح عندما لا تتطابق مخرجات الوكيل مع ما يتوقعه ذلك الشخص.

نصف الحالات الاستثنائية التي يتعامل معها الوكلاء الجاهزون للإنتاج اليوم تم اكتشافها أثناء الإنتاج، وليس أثناء التخطيط. ولم يكن لأي قدر من نمذجة البيانات المسبقة أن يظهرها.

وقد وصف المدير المالي لشركة Dell، ديفيد كينيدي، هذا الواقع في مارس 2026 قائلاً: "مستواك يعتمد على جودة البيانات التي تملكها، لذا عليك التأكد من نظافتها. ثم محاولة توجيه الوكيل بالصيغة الصحيحة، لأن الوكيل يريد العمل على مدار الساعة طوال أيام الأسبوع". وهو يقوم الآن بنشر الوكلاء لتسويات الحسابات وقيود اليومية، وليس بعد عام من إعداد البيانات.

واتخذ مصرف Goldman Sachs مساراً مماثلاً، حيث نشر وكلاء مدعومين من Claude لتسوية المعاملات، والمحاسبة التجارية، وتأهيل العملاء. وقد قضوا ستة أشهر في دمج مهندسي Anthropic في مسارات عمل محددة مع ضوابط وصول صارمة. لم يقوموا ببناء Ontology مدته 12 شهراً أولاً، بل بدأوا بعمليات مستهدفة وتعلموا أثناء الممارسة.

لماذا يتفوق البسيط على المعقد

تتكون بنية Palantir من 12 طبقة. بينما تستخدم العديد من الأنظمة ذاتية التعلم التي تعمل في مرحلة الإنتاج في المؤسسات اليوم شيئاً أبسط بكثير: ملفات تصحيح نصية بسيطة.

عندما يرتكب الوكيل خطأً، يقوم الإنسان بتصحيحه. ويتم حفظ هذا التصحيح. يقرأه الوكيل في المرة القادمة ولا يكرر الخطأ نفسه. وغالباً ما تكون الصيغة أساسية مثل ملف markdown. ليس راسم علاقات معرفي (knowledge graph) ولا Ontology. مجرد نص يمكن لأي شخص غير تقني فتحه وفهمه.

قد يبدو هذا بسيطاً للغاية إلى أن تفكر فيما يتيحه. عندما يسأل العميل "لماذا فعل الوكيل ذلك؟"، تفتح الملف وتوضح له السبب. وعندما يسير شيء ما بشكل خاطئ، يمكنك رؤية ما تعلمه الوكيل بالضبط ومتى تعلمه. وعندما تحتاج إلى إعادة تعيين سلوك ما، فإنك تقوم ببساطة بحذف سطر من النص.

إن قابلية التفسير ليست ميزة تضيفها بعد بناء بنية معقدة، بل هي نتيجة للحفاظ على بساطة الأشياء لدرجة تمكن البشر من فحصها فعلياً.

عتبة الـ 80% التي تغفل عنها معظم المؤسسات

هناك مفهوم خاطئ مرتبط بفرضیة "الـ Ontology أولاً"، وهو: أنك بحاجة إلى دقة تقارب الكمال قبل نشر الوكيل.

لكنك لست بحاجة إلى ذلك. كل ما تحتاجه هو أن يكون الوكيل أفضل مما يحدث حالياً.

تجربة شائعة في عمليات نشر الذكاء الاصطناعي في المؤسسات: يتم بناء وكيل للموارد البشرية من أجل التوظيف، وتكون الدقة الأولية حوالي 80%. الغريزة تدفع إلى سحبه من الإنتاج وتحسين تدفق البيانات. ولكن عندما يقوم شخص ما بالتحقق من خط الأساس البشري، يدرك أن الموظفين كانوا يرتكبون أخطاء بمعدل مماثل أو أعلى. لقد كان الوكيل يتفوق بالفعل على العملية التي كان من المفترض أن يحل محلها.

ليست كل الأخطاء متساوية. فبعض المتغيرات تحتاج إلى دقة بنسبة 99%، بينما البعض الآخر يكفيها 85%. والمفتاح يكمن في فهم الفارق بين الاثنين، وهذا التمييز تتعلمه في مرحلة الإنتاج، وليس في التخطيط.

وقد نجحت الشركات متوسطة الحجم التي تستخدم وكلاء الذكاء الاصطناعي في الشؤون المالية في تقليص دورات الإغلاق المالي من 6.2 أيام إلى 1.8 يوم، وفقاً لمعايير Hackett Group لعام 2026. لم ينتظروا الحصول على بيانات مثالية، بل بدأوا بما لديهم وحسنوا الأداء انطلاقاً من ذلك.

متى يكون الـ Ontology منطقياً (ومتى لا يكون كذلك)

هذا ليس جدالاً بأن البنية التحتية للبيانات ليست مهمة. بل هي مهمة للغاية. فالأنظمة ضعيفة الترابط، والمنطق التجاري غير الموثق، وتنسيقات البيانات غير المتسقة هي مشكلات حقيقية تحتاج إلى حل.

السؤال هو التوقيت.

يحل نهج Palantir مشكلات البيانات قبل نشر أي وكيل. أما النهج القائم على الإنتاج أولاً فيحلها عندما يكشف الوكلاء عما يهم فعلياً. الخيار الأول يمنحك نموذجاً كاملاً، بينما يمنحك الثاني نموذجاً مستهدفاً مبنياً على الاحتياجات التشغيلية الحقيقية.

بالنسبة للمؤسسات التي تمتلك ميزانيات غير محدودة، وفرق هندسية من النخبة، ورعاة تنفيذيين يتحلون بالصبر، يمكن لنهج "الـ Ontology أولاً" أن ينجح. ويثبت عملاء Palantir من المؤسسات البالغ عددهم 571 ونموها التجاري بنسبة 137% على أساس سنوي أن هذا النموذج له سوقه.

ولكن بالنسبة للغالبية العظمى من المؤسسات، فإن الحسبة أبسط من ذلك. حيث يقوم ما يقرب من 60% من الفرق المالية بتجربة أو تطبيق الذكاء الاصطناعي، ولن تمتلك معظمها الميزانية أو الجدول الزمني لمشروع إعداد بيانات يستغرق عاماً كاملاً. إنهم بحاجة إلى وكلاء يمكنهم العمل مع بيانات غير مثالية، والتعلم من التصحيحات، وتقديم القيمة في غضون أسابيع، وليس أرباع سنوية.

ابدأ بالفوضى

تسأل Palantir: "هل بياناتك جاهزة لوكلاء الذكاء الاصطناعي؟"

والسؤال الأفضل هو: ما هي العملية الصعبة للغاية لدرجة أن تطبيق وكيل بدقة 80% فيها سيكون بمثابة تحسين؟

ابدأ من هناك. انشر الوكيل بإشراف بشري. واعرف مواطن الخلل وصححها. بعد 30 يوماً، ستعرف ما إذا كان الأمر ينجح. وبعد 90 يوماً، سيكون لديك شيء قابل للتوسع. وبعد 12 شهراً، سيكون لديك نظام خاضع لاختبار الإنتاج ومبني على بيانات تشغيلية حقيقية، وليس نموذجاً نظرياً لكيفية عمل مؤسستك.

يمكن أن تأتي طبقة البيانات لاحقاً، مستنيرة بما تعلمته بالفعل. أما الوكلاء، فيجب أن يبدأوا في العمل بواسطة Beam AI الآن.