The 19-Model Problem: Why Enterprise AI Is Moving to Multi-Model Orchestration

اسأل أي رئيس قسم تكنولوجيا معلومات في الشركات الكبرى (CTO) عن نموذج الذكاء الاصطناعي الذي تستخدمه شركته، وستكون الإجابة الصادقة في الغالب هي "جميعها".

إذ يستخدم قسم التسويق نموذج Claude لإنشاء المحتوى الطويل، بينما يهيمن الفريق الهندسي على استخدام GPT-4o لكتابة الأكواد. أما فريق دعم العملاء فقد نشر نموذج Llama مخصصاً في الربع الأخير من العام، وبدأ فريق علوم البيانات لتوه في اختبار Gemini 2.5 Pro للتحليلات متعددة الوسائط، فيما يقيّم قسم المالية نموذج Mistral لمعالجة المستندات الحساسة للتكلفة. لم ينسق أحد ذلك، ولم يخطط له أحد، بل حدث الأمر بكل بساطة.

هذه هي مشكلة الـ 19 نموذجاً. ووفقاً لتقرير IDC لعام 2026 بعنوان AI FutureScape، فإنه بحلول عام 2028، ستعتمد 70% من كبرى الشركات القائمة على الذكاء الاصطناعي على بنى تحتية متطورة متعددة الأدوات لإدارة توجيه النماذج ديناميكياً عبر نماذج متنوعة. لم يعد السؤال الآن هو ما إذا كانت المؤسسات ستشغل نماذج متعددة، بل ما إذا كانت ستديرها بوعي ومنهجية أو تترك هذا التشتت يدير نفسه.

كيف وصلت الشركات إلى هذا الوضع

لقد حدث التحول من تساؤل "أي نموذج نختار" إلى "كيف ندير كل هذه النماذج" بوتيرة أسرع مما توقعه معظم قادة تكنولوجيا المعلومات.

وكان وراء ذلك ثلاثة عوامل محركة؛ أولاً، تخصص النماذج، إذ لا يوجد نموذج واحد يتفوق في جميع المهام. يتميز Claude بالاستدلال الدقيق وتحليل السياق الطويل، ويهيمن GPT-4o على معايير البرمجة، ويتعامل Gemini مع المدخلات متعددة الوسائط بشكل طبيعي، بينما توفر النماذج مفتوحة المصدر مثل Llama وMistral مزايا من حيث التكلفة للمهام عالية الحجم ومنخفضة التعقيد. واكتشفت الفرق هذا عبر التجربة واعتمدت النموذج الأفضل لحالة استخدامها المحددة.

ثانياً، مخاطر الموردين، حيث أظهرت أحداث أواخر فبراير 2026 ما يحدث عندما تعتمد الشركات على مزود خدمة واحد. تم إدراج Anthropic في القائمة السوداء للعقود الفيدرالية، وتوقف Claude عن العمل لثلاث ساعات بسبب زيادة الطلب. ولم يكن لدى المنظمات التي تعتمد على نموذج واحد أي خيار بديل، بينما واصلت المؤسسات التي تشغل نماذج متعددة عملها دون انقطاع.

ثالثاً، تجاوز معدل الاعتماد وتيرة الحوكمة، إذ تتوقع Gartner أن 40% من تطبيقات الشركات ستتضمن وكلاء ذكاء اصطناعي مخصصين لمهام محددة بحلول نهاية عام 2026، بعد أن كانت النسبة أقل من 5% في عام 2025. ومن المحتمل أن يعمل كل وكيل من هؤلاء على نموذج مختلف تتبناه فرق مختلفة، مع ما يترتب على ذلك من مستويات تكلفة وامتثال متباينة. كما وجد استطلاع شركة McKinsey لعام 2024 حول حالة الذكاء الاصطناعي أن 78% من المؤسسات تستخدم الذكاء الاصطناعي بانتظام الآن، ارتفاعاً من 55% في العام السابق، مسبباً هذا النمو تنوعاً كبيراً في النماذج المستخدمة.

تكاليف تشتت النماذج غير المدارة

إن تشغيل نماذج متعددة دون تنسيق يعد أمراً مكلفاً للغاية. ووفقاً لـ تحليل AI Pricing Master لعام 2026، فإن المؤسسات التي تستخدم نموذج LLM واحداً لجميع المهام تزيد نفقاتها بنسبة 40% إلى 85% مقارنةً بتلك التي تستخدم التوجيه الذكي. والسبب واضح ومباشر: إرسال استعلام بسيط خاص بالأسئلة الشائعة إلى GPT-4o يكلف ما يقارب 30 ضعف تكلفة إرساله إلى نموذج أصغر يؤدي المهمة بنفس الجودة.

وتتفاقم مشكلة التكلفة لأن فرق العمل نادراً ما تقوم بتحسين النماذج بعد نشرها؛ حيث يختار المهندسون نموذجاً أثناء التطوير، ويقومون ببرمجة طلب الـ API بشكل ثابت، ثم ينتقلون لمهام أخرى. وبعد ستة أشهر، يظل النموذج نفسه يعالج ملايين الطلبات التي يمكن لبديل أرخص التعامل معها دون أي فرق في الجودة. وعند تكرار ذلك عبر 15 قسماً مختلفاً يقوم كل منها بتشغيل نموذجه الخاص، تتراكم النفقات غير الضرورية بسرعة.

وإلى جانب التكلفة، تخلق البيئات متعددة النماذج غير المدارة ثغرات في الحوكمة؛ إذ يمتلك كل نموذج سياسات معالجة بيانات مختلفة، وشهادات امتثال متباينة، وقدرات تسجيل أنشطة متميزة. وعندما تدخل الأحكام عالية المخاطر الخاصة بـ قانون الذكاء الاصطناعي للاتحاد الأوروبي حيز التنفيذ الكامل في أغسطس 2026، ستحتاج الشركات إلى إثبات قدرتها على المراقبة والتوثيق لكل نموذج قيد التشغيل الفعلي، وهو أمر بالغ الصعوبة في غياب جرد شامل لتلك النماذج.

كيف تبدو أتمتة النماذج المتعددة فعلياً

تكمن إجابة قطاع التكنولوجيا على مشكلة تشتت النماذج في "الأتمتة والتنسيق": وهي طبقة وسيطة تقع بين تطبيقاتك والنماذج التي تستدعيها، وتعمل على توجيه كل طلب إلى النموذج المناسب بناءً على المهمة، ومحددات التكلفة، ومتطلبات الجودة.

وتصف مؤسسة IDC هذا التحول بأنه انتقال من بنى "مزيج الخبراء" (Mixture of Experts) التي يقدمها مزودون منفردون إلى التوجيه المدار من قبل الشركات عبر مختلف المزودين. وبدلاً من أن تقرر OpenAI أو Anthropic النموذج الداخلي الذي سيتعامل مع طلبك، تسيطر المؤسسة بنفسها على منطق توجيه الطلبات.

ومن الناحية العملية، يتم ذلك عبر استراتيجية متتالية؛ إذ يُوجه سؤال العميل البسيط إلى نموذج صغير وسريع ومنخفض التكلفة في البداية. وإذا نجح اختبار الجودة، يتم إرسال الإجابة مباشرة. وفي حال فشله، يتم تصعيد الطلب إلى نموذج أكبر. وبذلك يحسن النظام الأداء في الحالات الشائعة مع الحفاظ على أعلى مستويات الجودة للحالات المعقدة.

وقد استعرض عرض تقديمي لشركة Databricks في قمة Data + AI لعام 2025 هذا النهج، مبيناً كيف يمكن لوكلاء توجيه النماذج تحسين التكلفة ورضا المستخدم في آن واحد. وتتعامل هذه البنية التحتية مع النماذج كمكونات قابلة للتبديل وليست كعناصر تبعية ثابتة.

وبالنسبة للشركات التي تشغل بالفعل مسارات عمل قائمة على الوكلاء، تضيف أتمتة النماذج المتعددة ميزة إضافية: وهي القدرة على توجيه الخطوات المختلفة في مسار العمل الواحد إلى نماذج متباينة بناءً على متطلبات كل خطوة. فقد تستخدم خطوة إدخال المستندات نموذج رؤية حاسوبية، وتستخدم خطوة التحليل نموذج استدلال، بينما تستخدم خطوة التلخيص نموذجاً سريعاً وغير مكلف؛ وكل ذلك يتم تنسيقه عبر طبقة أتمتة موحدة.

ما الذي يغيره هذا في البنية التحتية للشركات

تفرض أتمتة النماذج المتعددة اتخاذ ثلاثة قرارات هيكلية لم تحسمها معظم الشركات بعد.

مرونة ونقل الأوامر البرمجية (Prompt Portability)

لا تنتقل الأوامر البرمجية (Prompts) المحسنة لنموذج ما بسلاسة إلى نموذج آخر؛ فالشركات التي تتبنى التوجيه متعدد النماذج تحتاج إلى أنظمة إدارة أوامر برمجية تحتفظ بنسخ مخصصة لكل نموذج لنفس الطلب الوظيفي. وهنا يرتكب الكثير من الفرق خطأ في تقدير حجم الجهد المطلوب؛ إذ إن الأمر الذي يعمل بشكل ممتاز على نموذج Claude Sonnet 4.6 قد يعطي مخرجات مختلفة قليلاً على GPT-4o، وتلك الاختلافات الطفيفة قد تكون مؤثرة للغاية عندما تصب في عمليات تجارية تالية.

رؤية ومراقبة موحدة (Unified Observability)

عندما تتوزع الطلبات على طيف من النماذج المتعددة، يجب أن تشمل المراقبة جميع تلك النماذج؛ فتتبع التكلفة، وتقييم الجودة، وقياس زمن الاستجابة، وتسجيل الامتثال يجب أن تعمل جميعاً لدى مختلف المزودين من خلال واجهة تحكم واحدة. ويمثل بناء هذا النظام من الصفر جهداً هندسياً كبيراً، ولهذا السبب أصبحت الأتمتة على مستوى المنصة هي الخيار الافتراضي والأنسب.

تقييم النماذج كعملية مستمرة

تُطلق نماذج جديدة شهرياً، وتُحدث النماذج الحالية دون إشعار مسبق. والمؤسسة التي تختار مجموعة نماذجها في يناير قد تجد نفسها تعمل بتكوين غير مثالي بحلول يونيو. لذا تحتاج البنى التحتية متعددة النماذج لعمليات تقييم منهجية تختبر النماذج الجديدة باستمرار مقابل أعباء العمل الفعلية، وتستبدلها بخيارات أفضل بشكل تلقائي.

إلى أين نتجه بعد ذلك

ينتقل سوق توجيه النماذج بسرعة من مرحلة التبني المبكر إلى أن يصبح أحد التوقعات الأساسية للبنية التحتية. وتتوقع IDC وصول نسبة التبني إلى 70% بين كبرى شركات الذكاء الاصطناعي بحلول عام 2028. كما تضيف توقعات Gartner بأن 80% من برمجيات الشركات ستكون متعددة الوسائط بحلول عام 2030 بعداً آخر؛ فمع حاجة التطبيقات للتعامل مع النصوص والصور والفيديو والصوت، تزداد أهمية توجيه النماذج المتعددة لقوة الحجة القائلة بأنه لا يوجد نموذج واحد يتربع على عرش الصدارة في كافة الوسائط.

وتجني الشركات التي تبني هذه القدرات الآن ثلاث مزايا رئيسية؛ أولاً، تحسين التكلفة من خلال التوجيه الذكي، مما يقلل الإنفاق على الذكاء الاصطناعي بتوجيه المهام الروتينية ل النماذج الأقل كلفة. ثانياً، المرونة من خلال وجود مزودين متعددين لضمان عدم توقف عمليات الذكاء الاصطناعي عند انقطاع الخدمة لدى أي مزود. ثالثاً، الحوكمة عبر الرؤية المركزية التي تضمن المحافظة على معايير الامتثال في كافة النماذج المستخدمة.

إن مشكلة الـ 19 نموذجاً لن تتلاشى بل يزداد عددها تدريجياً. والمنظمات التي تتعامل مع أتمتة النماذج المتعددة كبنية تحتية أساسية، وليس كفكرة ثانوية طارئة، ستكون هي القادرة على توسيع نطاق وكلاء الذكاء الاصطناعي لديها مع استخدام منصة Beam AI دون زيادة في أعباء الإدارة.