7 دقيقة قراءة
Why the Best Enterprise AI Systems Get Smarter Every Day (And Most Don't)
Category
وكلاء الذكاء الاصطناعي
Share the article
تقوم معظم البرمجيات المؤسسية بنفس الشيء في اليوم 365 كما فعلت في اليوم الأول. فنظام إدارة علاقات العملاء (CRM) الذي تم بناؤه في عام 2019 يعالج السجلات بنفس الطريقة اليوم. وأداة أتمتة سير العمل التي قمت بنشرها العام الماضي تنفذ نفس الخطوات. البرمجيات تمتلك المنطق، لكن الذكاء — أي التقدير والتحكيم بشأن ما يهم وما يجب منحه الأولوية وما يجب تغييره — لا يزال يكمن بالكامل في البشر الذين يستخدمونها.
لعقود من الزمن، كان هذا هو الخيار الوحيد. فالبرمجيات تفعل ما تأمرها به، وأنت من يتكيف مع البرمجيات وليس العكس.
تكسر وكلاء الذكاء الاصطناعي هذا النمط تماماً. فالأفضل بينها لا يقتصر دورها على تنفيذ المهام فحسب — بل تراكم الخبرة، وتعدل سلوكها، وتصبح أكثر قدرة بشكل ملحوظ بمرور الوقت. وبعبارة أخرى، فإنها تحقق نمواً تراكمياً.
المشكلة تكمن في أن معظم أدوات الذكاء الاصطناعي للمؤسسات لا تفعل ذلك في الواقع. يبدو أنها مهيأة للقيام بذلك، لكن النمو التراكمي لا يحدث أبداً. إن فهم الفرق — ما يعنيه الذكاء الاصطناعي التراكمي حقاً وكيفية تحديد الأنظمة التي تقوم بذلك بالفعل — أصبح سريعاً أحد أهم القرارات التي يتخذها قادة المؤسسات.
ما يعنيه "الذكاء الاصطناعي التراكمي" فعلياً
قد يبدو هذا المصطلح بمثابة ترويج تسويقي للمنتج. لكن الأمر ليس كذلك؛ بل يصف نمطاً تقنياً وتشغيلياً محدداً: نظام ذكاء اصطناعي يستخدم مخرجات عمله الخاص لتحسين الأداء المستقبلي.
هناك ثلاثة مستويات يمكن أن يحدث فيها ذلك.
تراكم الذاكرة والسياق
أبسط أشكال التراكم هو نظام ذكاء اصطناعي يحتفظ بما يتعلمه عن مؤسستك، وتفضيلاتك، وأنماط عملك. إن النظام الذي يقرأ بريدك الوارد في اليوم الأول ويضطر إلى إعادة تعلم أسلوب تواصلك في اليوم الثلاثين لا يتراكم — بل يعيد ضبط نفسه. أما النظام الذي يبني نموذجاً محدثاً باستمرار لكيفية عملك، ومن يهمك في أي سياق، وما هي القرارات التي تتخذها عادةً، فهو يراكم القيمة بشكل حقيقي.
التصحيح القائم على التغذية الراجعة
المستوى الثاني هو نظام ذكاء اصطناعي يتعلم من أخطائه. عندما يتجاوز الإنسان توصية للذكاء الاصطناعي، أو يصحح مسودة، أو يرفض إجراءً مقترحاً، فإن هذا التصحيح يمثل معلومة قيمة. والأنظمة التي تلتقط هذه المعلومة وتعدل سلوكها المستقبلي بناءً عليها هي أنظمة تراكمية، في حين أن الأنظمة التي تتجاهلها وتكرر الأخطاء نفسها ليست كذلك.
حلقات التقييم الذاتي
الشكل الأكثر تقدماً هو نظام ذكاء اصطناعي يمكنه تقييم جودة مخرجاته الخاصة، ومقارنتها بمعيار محدد، والتحسن بشكل مستقل. وبدلاً من انتظار التصحيح البشري، يقوم النظام بتمرير مخرجاته عبر آلية تغذية راجعة — مثل إطار عمل الشخصية الإفتراضية، أو معيار تقييم، أو وكيل تحقق — ويقوم بالتحسين والتكرار قبل أن يرى الإنسان النتيجة أصلاً.
كل مستوى هو أكثر قيمة من الذي قبله. والنظام الذي يعمل على المستويات الثلاثة لا يقتصر على أتمتة العمل فحسب — بل يصبح أفضل في أتمتة العمل في كل مرة يقوم فيها بذلك.
لماذا لا تحقق معظم أدوات الذكاء الاصطناعي للمؤسسات نمواً تراكمياً؟
إذا كان الذكاء الاصطناعي التراكمي قيماً إلى هذا الحد، فلماذا لا تقوم معظم الأدوات بذلك؟
الجواب الصريح هو أن معظم أدوات الذكاء الاصطناعي للمؤسسات هي مجرد واجهات فوق النماذج التأسيسية، وليست أنظمة مصممة حول التعلم. ما تحصل عليه هو نافذة دردشة، وموجه (prompt)، واستجابة. ينتهي التفاعل، ويبدأ التفاعل التالي من الصفر. قد يتحسن النموذج نفسه بمرور الوقت من خلال دورات التدريب الخاصة بـ Anthropic أو OpenAI، ولكن سياقك الخاص — الطريقة التي تعمل بها مؤسستك، والأنماط في قراراتك، والتفضيلات التي طورها فريقك — يُفقد في كل جلسة.
هذا هو السبب وراء إبلاغ المؤسسات باستمرار عن وجود فجوة بين العروض التوضيحية للذكاء الاصطناعي والذكاء الاصطناعي في بيئة العمل الفعلية. ينجح العرض التوضيحي لأن بشراً قام ببناء السياق بعناية، وتغذية النموذج بالمعلومات الصحيحة، ووجهه نحو مخرجات محددة. ولكن في الاستخدام اليومي، لا وجود لهذا السياق المصمم مسبقاً. فيعمل الذكاء الاصطناعي بمستوى موظف عام بدأ العمل للتو، كل يوم دون أي تقدم.
وفقاً لـ توقعات Gartner للذكاء الاصطناعي للمؤسسات لعام 2026، سيتم إلغاء 40% من مشاريع الذكاء الاصطناعي القائمة على الوكلاء قبل أن تصل إلى نطاق الإنتاج الفعلي. والسبب الرئيسي ليس الفشل التقني — بل هو الفجوة بين ما كان يُتوقع من النظام أن يتعلمه وما يحتفظ به فعلياً.
كيف يبدو النمو التراكمي في الممارسة العملية
لنأخذ بعين الاعتبار وكلاء الذكاء الاصطناعي الذين تم نشرهم في مؤسستين مختلفتين تقومان بسير عمل مماثل — على سبيل المثال، مراجعة العقود.
تنشر المؤسسة (أ) وكيلاً لمراجعة العقود يقرأ المستندات ويحدد البنود بناءً على مجموعة قواعد ثابتة. ويقوم بذلك بشكل موثوق، وبكميات كبيرة، وإلى أجل غير مسمى. وفي اليوم الأول واليوم الثلاثمائة، يؤدي نفس عمليات التحقق بناءً على نفس المعايير. وإذا تغير مستوى تحمل المخاطر لدى الفريق القانوني، فيتعين على شخص ما تحديث القواعد يدوياً. وإذا بدأ نوع بند جديد في الظهور في اتفاقيات الموردين، فلن يلاحظه أحد حتى يكتشفه عنصر بشري.
بينما تنشر المؤسسة (ب) وكيل مراجعة عقود ذاتي التعلم. في كل مرة يتجاوز فيها محامٍ توصية ما أو يرفع بنداً فات النظام رصده، تغذي هذا التصحيح سلوك النظام وتمنحه تجربة جديدة. وبعد ستين يوماً، يكون النظام قد طور نموذجاً يتوافق مع ما يهتم به الفريق القانوني للمؤسسة (ب) وهو أمر لم يكن بمقدور أي مجموعة قواعد ثابتة التقاطه — لأن بعضه كان ضمنياً، ولا يظهر إلا من خلال نمط التصحيحات. كما يتتبع النظام أيضاً أنواع البنود الجديدة فور ظهورها، ويعرضها للمراجعة دون أن يطلب منه أحد ذلك.
قامت كلتا المؤسستين بأتمتة مراجعة العقود، ولكن واحدة منهما فقط تحقق نمواً تراكمياً.
يظهر النمط نفسه في التوظيف المدفوع بالذكاء الاصطناعي، وخدمة العملاء، و العمليات المالية، وأي سير عمل يلعب فيه التقدير البشري دوراً هاماً. الأتمتة الساكنة توفر حداً أدنى للأداء، في حين أن الأتمتة التراكمية ترفع هذا الحد باستمرار.
العلامات الأربع التي تدل على أن النظام يتراكم بالفعل
عند تقييم أنظمة الذكاء الاصطناعي، هناك أربعة أسئلة تكشف الحقيقة وراء الادعاءات التسويقية بسرعة.
هل يحتفظ بالسياق المؤسسي عبر الجلسات المتعددة؟
هذا هو خط الأساس. إذا كان عليك شرح سياق مؤسستك، أو أولوياتك، أو تفضيلاتك في كل مرة تبدأ فيها تفاعلاً جديداً، فإن النظام لا يراكم أي شيء. اسأل بالتحديد عن كيفية تخزين السياق، وكيفية تحديثه، وماذا يحدث له عند إنهاء الجلسة.
هل يغير التصحيح البشري السلوك المستقبلي؟
تبدو معظم أنظمة الذكاء الاصطناعي وكأنها تتعلم من التغذية الراجعة، لكنها لا تغير سلوكها فعلياً. اطلب من المزود عرضاً توضيحياً لما يحدث عندما يرفض مستخدم توصية ما. هل يقوم النظام بتعديل مخرجاته المستقبلية في الحالات المماثلة، أم أنه يقر بالتصحيح ببساطة ويمضي قدماً؟
هل يمكنه تقييم مخرجاته الخاصة؟
هذا هو الحد الذي تتوقف عنده معظم الأنظمة. اسأل عما إذا كان لدى الذكاء الاصطناعي آلية للتحقق من عمله قبل عرضه — ليس مجرد تدقيق إملائي، بل تقييم موضوعي بناءً على معايير الجودة. فالأنظمة التي تحتوي على حلقات تقييم ذاتي يمكنها رصد أخطائها بنفسها، وتكرار العمل على المخرجات وتحسينها قبل أن تصل إلى البشر، والحفاظ على الجودة دون إشراف بشري مستمر.
هل تتحسن بيانات الأداء بمرور الوقت؟
إذا لم يتمكن المزود من عرض رسم بياني يوضح تحسن جودة المخرجات، أو دقة المهام، أو وقت الإكمال على مدار أسابيع وأشهر، فإن ادعاء النمو التراكمي هو على الأرجح مجرد كلام تسويقي. اطلب بيانات الأداء على المدى الطويل من العملاء الحاليين.
فجوة العائد على الاستثمار هي فجوة تراكمية
لقد كُتب الكثير عن مشكلة العائد على الاستثمار (ROI) في الذكاء الاصطناعي للمؤسسات — وهو النمط الذي تستثمر فيه المؤسسات بكثافة في أدوات الذكاء الاصطناعي وتكافح لإثبات العوائد. الأرقام متطابقة عبر تقارير المحللين: تبنٍّ واسع، وتأثير ملموس ضعيف.
التفسير الأكثر إغفالاً لهذه الفجوة هو غياب النمو التراكمي. فعندما لا يتعلم نظام الذكاء الاصطناعي من تشغيله الخاص، تكون قيمته ثابتة عند لحظة النشر. تحصل على العائد على الاستثمار للأتمتة نفسها، ولكنك لا تحصل على أي من العوائد التراكمية التي تأتي مع نظام يتحسن بالاستخدام.
هذا الأمر مهم لكيفية تقييم المؤسسات لاستثماراتها في الذكاء الاصطناعي. قد يبدو النظام الساكن والنظام التراكمي متطابقين في تجربة مدتها ثلاثون يوماً. لكن الاختلاف الحقيقي يظهر بعد ستة أشهر إلى سنة، حيث يطور النظام التراكمي ذكاءً مخصصاً للمؤسسة لا يمكن لأي منافس محاكاته بمجرد شراء الأداة نفسها.
إن تحدي تنفيذ الذكاء الاصطناعي ليس تقنياً بالدرجة الأولى، بل هو تحدي بنية وهندسة الأنظمة. فالمؤسسات التي تختار أنظمة الذكاء الاصطناعي دون تقييم آليات تراكمها تتخذ قرار نشر يبدو جيداً اليوم ولكنه يتحول إلى مشكلة في غضون اثني عشر شهراً، عندما يصبح الذكاء الاصطناعي الخاص بالمنافس أكثر ذكاءً بشكل ملحوظ من نظامهم، على الرغم من البدء من نفس النموذج التأسيسي.
بناء استراتيجية ذكاء اصطناعي تراكمي
بالنسبة لقادة المؤسسات الذين يتخذون قرارات بشأن منصات الذكاء الاصطناعي في عام 2026، فإن هذا يتطلب إعادة توجيه في كيفية تقييم الخيارات المتاحة.
الأسئلة التي تدفع معظم عمليات شراء الذكاء الاصطناعي في المؤسسات — ما هي المهام التي يمكنه أتمتتها، ما هي التكلفة لكل مهمة، كيف يتكامل مع بنيتنا الحالية — هي أسئلة ضرورية ولكنها ليست كافية؛ فهي تقيم القيمة الثابتة والساكنة فقط. أما السؤال الذي يميز الأنظمة التراكمية فهو أبسط: ما الذي سيعرفه هذا النظام عن مؤسستنا بعد ستة أشهر ولا يعرفه اليوم، وكيف سيستخدم تلك المعرفة؟
المؤسسات التي يمكنها الإجابة على هذا السؤال بوضوح، بأدلة من بيئات عمل فعلية وليس من عروض توضيحية، تبني ميزة تنافسية دائمة. أما المؤسسات التي لا تستطيع ذلك، فهي تقوم بأتمتة سير العمل الحالي بمستوى الجودة الحالي، وإلى أجل غير مسمى.
لطالما كان للبرمجيات تاريخ صلاحية وانتهاء. والوعد الذي تقدمه أنظمة الذكاء الاصطناعي التراكمي، مثل Beam AI، هو أن بعض البرمجيات، ولأول مرة، لن تنتهي صلاحيتها أبداً.
