الذكاء الاصطناعي يطير في الظلام: لماذا لم تعد الشركات الكبرى تفهم بياناتها الخاصة؟

مخاطر الذكاء الاصطناعي التي يتم التقليل من شأنها: لماذا يمكن أن تكلف فوضى البيانات الشركات ملايين الدولارات

يتلاشى الضجيج المحيط بالذكاء الاصطناعي تدريجيًا ليحل محله واقعٌ مُقلق في أوساط الإدارة العليا. فبينما تزداد نماذج اللغة الخاصة بـ OpenAI وجوجل وغيرها قوةً، غالبًا ما يفشل استخدامها الفعال عمليًا بسبب مشكلة ضخمة، وإن كانت تُتجاهل في كثير من الأحيان: فوضى البيانات الداخلية. فعندما تتناثر العقود وسجلات المحادثات ورسائل البريد الإلكتروني وجداول البيانات بشكل غير منظم عبر عدد لا يُحصى من الأقسام والأنظمة، حتى أكثر أنظمة الذكاء الاصطناعي ذكاءً تجد نفسها بلا شيء أو تُصاب بالهلوسة. ومن هذا المنطلق تحديدًا، يبرز سوقٌ سريع النمو بمليارات الدولارات. إذ تعمل الشركات الناشئة المتخصصة وعمالقة التكنولوجيا الراسخة على بناء ما يُسمى بطبقات البيانات الدلالية - نظام التشغيل المركزي الجديد لبيانات المؤسسات. لكن هذه التقنية لا تُحقق مكاسب هائلة في الكفاءة ونماذج دفع ثورية فحسب، بل تنطوي أيضًا على مخاطر ملموسة فيما يتعلق بالأمن السيبراني والاعتمادية. تُقدم هذه المقالة تحليلًا معمقًا لبنية مستقبل الذكاء الاصطناعي، وتستكشف ما يعنيه هذا التحول للاقتصاد - من الشركات الكبرى إلى الشركات المتوسطة الحجم.

ذو صلة بهذا الموضوع:

• Unframe AI | بيانات جاهزة للذكاء الاصطناعي. مبنية من الأنظمة التي تديرها بالفعل.

سوق بمليارات الدولارات ينبثق من مشكلة قديمة

شهد النقاش الدائر حول الذكاء الاصطناعي في مجال الأعمال تحولاً جذرياً خلال العامين الماضيين. فبينما كان التركيز في البداية منصباً على تحديد نموذج اللغة الأمثل لتقديم أفضل النتائج، بات جانبٌ أكثر واقعيةً يحتل الصدارة الآن: جودة البيانات، وتوقيتها، وسهولة الوصول إليها، وهي البيانات التي صُممت هذه النماذج للعمل معها. وقد كشفت دراسة استقصائية شملت مئة من كبار المديرين التنفيذيين في مجال البيانات والتكنولوجيا، من شركات تتجاوز إيراداتها ملياري دولار أمريكي، ويعمل بها أكثر من خمسة آلاف موظف، عن صورة قاتمة. إذ يعاني جميع المشاركين تقريباً - تسعة وتسعون بالمئة تحديداً - من صعوبة تحديد مقاييس أداء أعمال متسقة عبر مختلف الأدوات والأقسام. ويقضي ما يقرب من ثمانين بالمئة من فرق البيانات أكثر من نصف وقتها في إعداد البيانات بدلاً من استخلاص الرؤى منها. وتُظهر هذه الأرقام أن عدم الاتساق الدلالي لم يعد مشكلة هامشية، بل أصبح النظام التشغيلي الذي لا تزال تعتمد عليه العديد من الشركات الكبرى.

تتسلل فئة جديدة من مزودي الخدمات إلى هذه الفجوة تحديدًا، مُرسخةً مكانتها كحلقة وصل بين واقع الشركات المُجزأ ومتطلبات أنظمة الذكاء الاصطناعي الحديثة. ويتمثل وعدهم في دمج جميع مصادر بيانات الشركة - من رسائل البريد الإلكتروني والعقود إلى أنظمة تخطيط موارد المؤسسات (ERP) وإدارة علاقات العملاء (CRM) - في طبقة متزامنة باستمرار ومُدعمة بالحوكمة. ويتجلى نجاح هذا الوعد في حالة شركة Unframe، وهي شركة كاليفورنية-إسرائيلية-ألمانية، والتي استطاعت، في غضون اثني عشر شهرًا من إطلاقها الرسمي في السوق، تأمين عقود بقيمة تزيد عن مئة مليون دولار أمريكي. وقد رفعت جولة التمويل الأخيرة التي بلغت قيمتها خمسين مليون دولار أمريكي، بقيادة Highland Europe، إجمالي الأموال التي جمعتها إلى مئة مليون دولار أمريكي. وتُعدّ هذه الأرقام المذهلة مؤشرًا قويًا على وجود حاجة حقيقية، وليست مجرد ادعاء، في قطاع سوقي لم يمضِ على وجوده سوى بضع سنوات.

لماذا تعيق بنى البيانات التقليدية الذكاء الاصطناعي

لفهم تداعيات هذا التطور، يجدر بنا النظر إلى الوظيفة التاريخية لمستودعات البيانات. فعلى مدى عقود، كانت هذه المستودعات مُصممة لغرض واحد: إعداد التقارير بأثر رجعي. فالأرقام الفصلية، وإحصاءات المبيعات، ومؤشرات الأداء الرئيسية للإدارة - كل ذلك كان يُمكن تمثيله بشكل مُرضٍ باستخدام قواعد بيانات مُحدثة دوريًا وذات بنية عالية. مع ذلك، يتطلب الذكاء الاصطناعي، وخاصة الأنظمة القائمة على الوكلاء المصممة لاتخاذ قرارات مستقلة أو إطلاق إجراءات، شيئًا مختلفًا تمامًا. فهو يحتاج إلى معلومات تشغيلية مُحدثة في الوقت الفعلي ومرتبطة بعمليات الأعمال الفعلية. لا يُمكن لوكيل ذكاء اصطناعي مُصمم لدعم قرار في سلسلة التوريد أن يعمل ببيانات عمرها ثلاثة أسابيع، والتي تم إعدادها فقط للتحليل بأثر رجعي.

يتفاقم هذا التباين بسبب مشكلة هيكلية أخرى. تشير تقديرات شركات التكنولوجيا الكبرى إلى أن ما يصل إلى 90% من بيانات الشركات غير مُهيكلة، ومُشتتة بين المستندات وسجلات المحادثات وتذاكر الدعم والفواتير ومواعيد التقويم. تقع هذه الكمية الهائلة من المعلومات خارج نطاق مستودعات البيانات التقليدية القائمة على جداول البيانات، وكانت ببساطة غير قابلة للوصول إليها بواسطة أدوات التحليل التقليدية. وبدون طبقة دلالية موحدة تُمثل المحتوى المُهيكل وغير المُهيكل بشكل متسق، يبقى من المستحيل عمليًا دمج المعلومات من مصادر مُتنوعة وتوفيرها لنموذج الذكاء الاصطناعي كسياق موثوق.

توصل مشروع معياري منفصل لتقييم نضج البيانات في مجال الذكاء الاصطناعي التوليدي إلى نتائج مماثلة من حيث البنية، وإن اختلفت الأوزان النسبية. في هذه الدراسة، أشار 59% من المديرين المستطلعة آراؤهم إلى أن جودة البيانات واتساقها هما أكبر عائق أمام الاستخدام الأمثل للذكاء الاصطناعي التوليدي، يليهما تشتت البيانات بنسبة 50%، ثم مشكلات أمن البيانات وخصوصيتها بنسبة 50% أيضاً. ومن الجدير بالذكر أن 13% فقط من الشركات التي تستخدم الذكاء الاصطناعي التوليدي حالياً قادرة على منع تدفق البيانات الحساسة، مثل معلومات العملاء أو الموظفين، دون تصفية إلى نماذج اللغة. يشير هذا إلى فجوة في الحوكمة تتجاوز بكثير مشكلات التوافق التقني، وتؤدي مباشرةً إلى مجال حماية البيانات والمسؤولية التنظيمية.

نموذج العمل الذي يقف وراء طبقة البيانات الجديدة

يمكن تلخيص المبدأ الأساسي الذي تتبعه شركات مثل Unframe في أربع خطوات وظيفية. أولًا، يتم ربط أنظمة المؤسسة وتطبيقاتها ومستودعات بياناتها وملفاتها وواجهات برمجة التطبيقات (APIs) بالمنصة. ثانيًا، تُحوّل هذه المصادر المتنوعة إلى طبقة بيانات موحدة مُدارة تُطبّق على المؤسسة بأكملها. ثالثًا، تتضمن الخطوة الثالثة مزامنة مستمرة مع أنظمة المصدر، لضمان ألا تصبح طبقة البيانات مجرد لقطة قديمة، بل تعكس الوضع الفعلي للعمل. رابعًا، تُستخدم هذه البنية التحتية لتشغيل الذكاء الاصطناعي والتحليلات والأتمتة، وكلها مبنية على أساس متسق.

من الناحية النظرية، يشبه هذا النهج نوعًا من التوأم الرقمي للمؤسسة، ولكن ليس بالدرجة الأولى لمحاكاة العمليات المادية. بل يهدف إلى رسم خرائط للعملاء والمنتجات والعقود والمعاملات في تمثيل متسق. تكمن الميزة الاقتصادية لهذا النموذج في أن كل تطبيق ذكاء اصطناعي جديد لا يحتاج إلى البدء من الصفر للوصول إلى بيانات الأعمال ذات الصلة. فبدلاً من ذلك، يعتمد كل تطبيق على نفس الأساس المُنقّى والمُحسّن مسبقًا. وهذا من شأنه أن يقلل بشكل كبير من تكاليف كل مبادرة ذكاء اصطناعي لاحقة، حيث أن الجزء الأكثر تعقيدًا والذي غالبًا ما يُستهان به في مشروع الذكاء الاصطناعي - وهو دمج البيانات وتنظيفها - لا يحتاج إلا إلى تنفيذه مرة واحدة.

تصف Unframe منتجها بأنه وحدات بناء معيارية قابلة لإعادة الاستخدام، يمكن تجميعها في حلول مخصصة دون الحاجة إلى تدريب نماذج منفصلة لكل حالة استخدام. تعمل منصة Framery كطبقة منصة مفتوحة تتصل بأي خدمة برمجية، أو واجهة برمجة تطبيقات، أو قاعدة بيانات، أو تنسيق ملف، بغض النظر عن مكان تشغيل البنية التحتية، سواءً كانت سحابية أو محلية أو هجينة. بالنسبة للشركات الأوروبية، وخاصة الألمانية، هناك جانب آخر بالغ الأهمية: تعمل المنصة بشكل مستقل عن أي مزود نماذج لغوية محدد، ما يعني عدم وجود أي ارتباط بمزود معين. علاوة على ذلك، يتم الإعلان صراحةً عن الامتثال للائحة العامة لحماية البيانات (GDPR) الأوروبية وقانون الذكاء الاصطناعي للاتحاد الأوروبي. لا ينبغي، افتراضيًا، أن تغادر البيانات حدود نظام العميل إلا بناءً على طلب صريح.

التسعير القائم على النتائج كإشارة ثقة في سوق يسوده انعدام الثقة

يُعدّ نموذج التسعير أحد أبرز جوانب استراتيجية العمل. فعلى عكس مزودي البرامج التقليديين الذين يفرضون رسوم ترخيص بغض النظر عن الفائدة الفعلية، تعتمد Unframe على نموذج فوترة قائم على النتائج. لا يدفع العملاء إلا عندما يثبت نجاح الحل وتحقيقه للنتائج المرجوة. لم يكن هذا القرار وليد الصدفة، بل هو استجابة مباشرة لشكوك عميقة في أوساط مجالس الإدارة. وكما صرّح أحد مؤسسي الشركة علنًا، فقد سئمت الشركات من تمويل حلول تفشل في أغلب الأحيان، ولذلك فهي تُطالب بنموذج يُدفع فيه مقابل النجاح الفعلي.

تتفق هذه الملاحظة مع التجربة الأوسع للعديد من الشركات التي تُجري تجارب على ما يُسمى بمشاريع إثبات المفهوم منذ سنوات دون دمجها في أنظمة الإنتاج. تراكم كبير لحالات استخدام الذكاء الاصطناعي الواعدة، والعديد من المشاريع التجريبية، ومع ذلك لا يُستخدم أي منها تقريبًا في العمليات اليومية - هذا يُلخص نقطة البداية للعديد من الشركات التي تتجه إلى هذه الفئة الجديدة من المُزودين. يكمن جوهر هذا الوعد الاقتصادي في نقل مخاطر فشل المشروع من العميل وحده إلى جزء على الأقل من مخاطر المُزود. يُغير هذا بشكل جذري هيكل الحوافز، ومن المُرجح أنه أحد الأسباب الرئيسية لديناميكيات النمو الملحوظة، ولا سيما الاحتفاظ الصافي بالإيرادات بنسبة 400%، مما يعني أن العملاء الحاليين قد ضاعفوا إنفاقهم أربع مرات في المتوسط ​​خلال عام واحد.

من هم العملاء وماذا يكشف ذلك عن مستوى نضج السوق

تُقدّم قائمة العملاء المرجعيين المذكورة صورةً مثيرةً للاهتمام عن مختلف القطاعات. ومن بين هذه الشركات، شركات العقارات كوشمان آند ويكفيلد وأفيسون يونغ، وشركة الأمن السيبراني أرميس، ودار النشر السويسرية NZZ. بالإضافة إلى ذلك، تمّ الإبلاغ عن حالات استخدام لشركات الطيران لتحسين جداول أطقمها، ولتجار التجزئة لتخطيط حملات التخفيضات. ويشير هذا التوزيع عبر قطاعات العقارات والإعلام والأمن والطيران والتجزئة إلى أن هذا ليس حلاً متخصصاً لقطاع واحد، بل هو بالأحرى مشكلة بنية تحتية عابرة للقطاعات، تظهر بوضوح في سياقات اقتصادية شديدة التباين.

ومن الأمور الجديرة بالاهتمام أيضاً الهيكل الجغرافي والتنظيمي للشركة. يقع مقرها الرئيسي في كوبرتينو، كاليفورنيا، ولها مكاتب إضافية في تل أبيب وبرلين، Unframe تجسد نموذجاً عابراً للمحيط الأطلسي أو عابراً للقارات، وهو نموذج شائع في قطاع التكنولوجيا، إذ تجمع بين رأس المال الأمريكي والتطور التكنولوجي الإسرائيلي والقرب من السوق الأوروبية. وبالنسبة لشركة تركز على السوق الألمانية، فمن المهم بشكل خاص أن يعمل المؤسس المشارك المسؤول عن العمليات من برلين، وأن تشارك الشركة مراراً وتكراراً في فعاليات رقمية أوروبية مثل مؤتمر Mind the Tech في برلين. يشير هذا إلى تركيز استراتيجي متعمد على السوق الأوروبية، التي تختلف متطلباتها عن متطلبات سوق أمريكا الشمالية، نظراً لمتطلبات حماية البيانات الأكثر صرامة، والموقف الأكثر حذراً بشكل عام تجاه نقل بيانات الشركات إلى مزودي الخدمات السحابية الأمريكيين دون رقابة.

المشهد التنافسي وسباق عمالقة التكنولوجيا

لا يقتصر هذا التوجه على الشركات الناشئة المتخصصة فحسب، بل إن شركات التكنولوجيا الراسخة قد حددت أيضاً مشكلة تشتت بيانات المؤسسات كأحد أهم مجالات النمو. وقد طورت شركة ديل تكنولوجيز، بالتعاون مع إنفيديا، منصة بيانات تعتمد على الذكاء الاصطناعي، هدفها المعلن هو تحويل عقود من بيانات المؤسسات المتشتتة إلى معلومات استخباراتية قابلة للتنفيذ. وقد صرّح أحد كبار مسؤولي تسويق المنتجات في ديل بوضوح أن حل مشكلة البيانات لا يجب أن يقتصر على مستوى التخزين فحسب، بل يجب أن يشمل كامل مسار معالجة البيانات، بدءاً من استيعاب البيانات وتنظيمها وصولاً إلى تكاملها، بحيث تصل البيانات في نهاية المطاف إلى قوة الحوسبة لمعالجات الرسومات بشكل موثوق.

أكدت شركة IBM، في تقييمها لاتجاهات البيانات الرئيسية لعام 2026، أنه بدون منصة موحدة توفر وصولاً سهلاً إلى البيانات المنظمة وغير المنظمة، لن تتمكن الشركات من تطبيق التحليلات والأتمتة الذاتية بالسرعة والموثوقية اللازمتين. ويؤكد هذا التقييم، الصادر عن إحدى أقدم وأكبر شركات تكنولوجيا المعلومات في العالم، أن هذه ليست مشكلة خاصة بالموردين الصغار، بل هي تحدٍ هيكلي جوهري يُعدّ عائقاً رئيسياً في هذا القطاع. والجدير بالذكر أن IBM تُشدد صراحةً على أنه لا يمكن لأي مورد بمفرده حل هذه المشكلة، إذ يتطلب دمج البيانات الموزعة وتطوير البنية التحتية اللازمة لأنظمة الذكاء الاصطناعي الذاتية منظومة واسعة من الشركاء والتقنيات.

يُلقي هذا التقييم ضوءًا هامًا على ديناميكيات المنافسة الفعلية. فالسوق لا يشهد هيمنة فائز واحد على سلسلة القيمة بأكملها، بل وجود عدد كبير من مزودي الخدمات ذوي توجهات مختلفة، بعضهم متكامل وبعضهم يتنافس فيما بينهم. ويركز مزودو الخدمات المتخصصون، مثل K2View، بشكل صريح على بنى البيانات التشغيلية الجاهزة للإنتاج، بينما توفر شركات البنية التحتية، مثل Dell وNvidia، القدرة الحاسوبية الأساسية، ويسد مزودو المنصات، مثل Unframe الفجوة بين البيانات الخام وتطبيقات الذكاء الاصطناعي القابلة للنشر.

منصة الذكاء الاصطناعي المُدارة - الصورة: Xpert.Digital

ستتعلم هنا كيف يمكن لشركتك تطبيق حلول الذكاء الاصطناعي المخصصة بسرعة وأمان ودون عوائق دخول عالية.

تُعدّ منصة الذكاء الاصطناعي المُدارة حلاً شاملاً ومريحاً لمشاكل الذكاء الاصطناعي. فبدلاً من التعامل مع التكنولوجيا المعقدة والبنية التحتية المكلفة وعمليات التطوير المطولة، ستحصل على حل جاهز مصمم خصيصاً لتلبية احتياجاتك من شريك متخصص، غالباً في غضون أيام قليلة فقط.

المزايا الرئيسية باختصار:

⚡ تنفيذ سريع: من الفكرة إلى التطبيق الجاهز للاستخدام في أيام، وليس شهورًا. نقدم حلولًا عملية تُحقق قيمة مضافة فورية.

🔒 أقصى درجات أمان البيانات: بياناتك الحساسة تبقى معك. نضمن معالجة آمنة ومتوافقة مع الأنظمة دون مشاركة البيانات مع أي جهات خارجية.

💸 لا مخاطر مالية: أنت تدفع فقط مقابل النتائج. يتم التخلص تماماً من الاستثمارات الأولية الكبيرة في الأجهزة أو البرامج أو الموظفين.

🎯 ركّز على جوهر عملك: انصبّ اهتمامك على ما تُجيده. نحن نتولّى جميع جوانب التنفيذ التقني والتشغيل والصيانة لحلول الذكاء الاصطناعي الخاصة بك.

📈 حلول مستقبلية وقابلة للتطوير: يتطور نظام الذكاء الاصطناعي الخاص بك معك. نضمن التحسين المستمر وقابلية التوسع، ونقوم بتكييف النماذج بمرونة مع المتطلبات الجديدة.

للمزيد من المعلومات، انقر هنا:

• منصة الذكاء الاصطناعي المُدارة

الحوكمة كعامل تنافسي يُستهان به

أحد الجوانب التي غالبًا ما يتم تجاهلها في النقاش العام حول الذكاء الاصطناعي هو مسألة الحوكمة، أي التحكم في من يملك حق الوصول إلى البيانات، وكيفية معالجتها، وكيفية تتبعها وصولًا إلى قرارات الذكاء الاصطناعي المحددة. ويُظهر استطلاع رأي شمل مئة مدير بيانات، والذي ذُكر سابقًا، أن 87% من المشاركين يطالبون بمزيد من الشفافية فيما يتعلق بكيفية استخدام الذكاء الاصطناعي لبياناتهم وتفسيرها. وهذه نسبة مرتفعة للغاية، ما يشير إلى أن الثقة في موثوقية أنظمة الذكاء الاصطناعي ليست مسألة ثانوية، بل شرط أساسي لقبولها على نطاق أوسع داخل المؤسسات.

تؤكد أولويات الشركات التي شملها الاستطلاع على المدى المتوسط، خلال السنوات الثلاث إلى الخمس القادمة، هذه الصورة. فقد أشار 92% من الشركات إلى قابلية التوسع عبر مصادر البيانات المختلفة كأولوية، بينما أشار 83% إلى قابلية نقل البيانات ومؤشرات الأداء الرئيسية، وأشار 82% إلى حوكمة الذكاء الاصطناعي وإمكانية مراقبته. وترتبط هذه الأولويات الثلاث ارتباطًا وثيقًا. فبدون هياكل بيانات قابلة للتوسع ومتسقة عبر حدود الأنظمة، لا يمكن إرساء حوكمة موثوقة، وبدون حوكمة، يظل أي توسع مرتبطًا بمخاطر قانونية وسمعة كبيرة، لا سيما فيما يتعلق باللائحة العامة لحماية البيانات (GDPR) الأوروبية وقانون الذكاء الاصطناعي الساري المفعول حاليًا في الاتحاد الأوروبي.

يُعدّ هذا الأمر بالغ الأهمية للشركات الألمانية والأوروبية، نظرًا لأنّ الإطار التنظيمي فيها أكثر صرامةً بكثير من نظيره في الولايات المتحدة أو معظم دول آسيا. ويتعيّن على الشركات الأوروبية التي تُطبّق طبقة بيانات للذكاء الاصطناعي أن تُراعي منذ البداية كيفية حماية البيانات الشخصية، وكيفية توثيق إجراءات المعالجة، وكيفية ضمان شفافية قرارات أنظمة الذكاء الاصطناعي في حال نشوب نزاع. ويكتسب مزوّدو الخدمات الذين يُدمجون هذه المتطلبات في بنيتهم ​​التحتية منذ البداية، على سبيل المثال، من خلال السماح للبيانات بالبقاء ضمن حدود أنظمتهم الخاصة، ميزةً هيكليةً على منافسيهم الذين يعتمدون بشكل أساسي على البنى التحتية السحابية الأمريكية ذات اللوائح الأقل صرامة.

الآثار الاقتصادية على الشركات الصغيرة والمتوسطة الألمانية

بينما تُعدّ الشركات الكبيرة ذات النشاط الدولي، التي ذُكرت حتى الآن، هي في الغالب عملاء مرجعيون، يبرز تساؤل مشروع حول مدى أهمية هذا الموضوع بالنسبة للشركات الألمانية الصغيرة والمتوسطة، التي تُشكّل تقليديًا عماد الاقتصاد الألماني. للوهلة الأولى، يبدو وضع الشركات الصغيرة أقل حدة، نظرًا لقلة أنظمتها وبياناتها. مع ذلك، يُظهر التدقيق أن الشركات الصغيرة والمتوسطة التي نمت نموًا طبيعيًا على مر السنين، وطبّقت حلولًا منفصلة ومتعددة للمحاسبة وإدارة المخزون وإدارة علاقات العملاء والتواصل، تواجه مشكلة تشتت هيكلي مماثلة، ولكن على نطاق أصغر.

لذا، فإن السؤال الاقتصادي الحاسم ليس ما إذا كانت المشكلة موجودة، بل ما إذا كان الاستثمار في طبقة بيانات موحدة مُبررًا اقتصاديًا في ظل ميزانيات تكنولوجيا المعلومات المحدودة. ومن المرجح أن يلعب ظهور نماذج التسعير القائمة على النتائج، كما روجت لها Unframe ، دورًا هامًا في هذا الصدد، إذ يُقلل هذا النموذج بشكل كبير من المخاطر المالية للشركات الصغيرة. في الوقت نفسه، يُمكن افتراض أن الحلول الأكثر كفاءة وتخصصًا ستُصبح شائعة في الشركات المتوسطة الحجم، بدلًا من المنصات الشاملة المصممة للشركات العملاقة متعددة الجنسيات. ومع ذلك، يبقى المنطق الأساسي القائل بأن طبقة بيانات متسقة ومتزامنة باستمرار شرطًا أساسيًا لأي تطبيق ذكاء اصطناعي ذي جدوى، قائمًا بغض النظر عن حجم الشركة.

المخاطر والأسئلة المفتوحة المتعلقة بطبقة البيانات الجديدة

مع أن هذا التطور يستحق اهتمامًا كبيرًا، إلا أنه لا ينبغي إغفال المخاطر المصاحبة له. فترحيل كامل بنية بيانات الشركة إلى طبقة مركزية موحدة يخلق حتمًا هدفًا جذابًا للغاية للمجرمين الإلكترونيين. وقد يكون لاختراق هذه الطبقة المركزية للبيانات عواقب وخيمة تتجاوز بكثير اختراق نظام واحد معزول، إذ قد يمنح ذلك الوصول الفوري إلى بيانات العملاء والعقود والبيانات المالية للشركة بأكملها. لذا، يجب أن تكون بنية الأمان لهذه المنصات قوية للغاية، ويتعين على الشركات دراسة كيفية التحكم الدقيق في صلاحيات الوصول وتطبيق معايير التشفير عند اختيار مزود الخدمة.

ثمة خطر استراتيجي آخر يتمثل في الاعتماد على مزود منصة واحد. فبينما تؤكد Unframe صراحةً أنها غير مرتبطة بنموذج لغة محدد، إلا أن طبقة البيانات الأساسية نفسها لا تزال تمثل تبعية هيكلية كبيرة. فإذا قررت شركة ما الانتقال إلى مزود آخر، فمن المرجح أن تكون عملية نقل طبقة بيانات على مستوى الشركة، نمت على مر السنين، مهمة شاقة، على غرار التحديات المعروفة التي تواجه تغيير أنظمة تخطيط موارد المؤسسات (ERP) الكبيرة. ونادرًا ما يتناول المزودون أنفسهم هذا النوع من التقييد، ولكن ينبغي أخذه في الحسبان عند تقييم أي قرار استراتيجي.

وأخيرًا، يبقى التساؤل قائمًا حول جودة النتائج الفعلية. فحتى أكثر طبقات البيانات تطورًا لا تضمن خلو قرارات الذكاء الاصطناعي المُستمدة منها من الأخطاء. وبالأخص مع الأنظمة المستقلة القائمة على الوكلاء والتي تبادر باتخاذ الإجراءات بشكل مستقل، يبقى سؤال المسؤولية في حال وقوع الأخطاء دون إجابة. فإذا اتخذ وكيل ذكاء اصطناعي قرارًا تجاريًا خاطئًا بناءً على طبقة بيانات غير متزامنة بشكل صحيح - كأن يُسيء تفسير بند في عقد أو يتخذ قرارًا خاطئًا بشأن سلسلة التوريد - يبرز سؤال المسؤولية فورًا، وهو سؤال لم يُعالَج بشكل كافٍ حتى الآن، سواءً على الصعيد التعاقدي أو التنظيمي.

تقييم موضوعي للتقدم الفعلي

يستدعي التقييم النقدي لهذا التطور الحذر من الوعود المبالغ فيها بالخلاص. قد يكون صحيحًا في حالات استخدام محددة وواضحة، أن الذكاء الاصطناعي يُمكن تطبيقه وتشغيله في بيئة مؤسسية قائمة خلال أيام معدودة، لكن بالنسبة لغالبية عمليات الأعمال المعقدة، يُرجّح أن يكون هذا تبسيطًا مفرطًا للواقع. تُظهر تجارب موجات التحول الرقمي السابقة، مثل إدخال البنية التحتية السحابية أو تطبيق أنظمة تخطيط موارد المؤسسات (ERP)، أن حتى الحلول المتطورة تقنيًا تفشل بانتظام بسبب المقاومة التنظيمية، وعدم كفاية جودة البيانات في الأنظمة المصدرية، وعدم رغبة القوى العاملة في التغيير.

في الوقت نفسه، يُعد التشخيص الأساسي صحيحًا بلا شك. فتشتت بيانات المؤسسات حقيقة واقعة، موثقة تجريبيًا بشكل جيد، ويمثل بالفعل أحد أهم المعوقات أمام الاستخدام الأمثل للذكاء الاصطناعي. لذا، لا يكمن السؤال في جدوى وجود طبقة بيانات موحدة ومتوافقة مع الذكاء الاصطناعي، بل في تحديد المسار الأمثل لتحقيق ذلك من الناحية الاقتصادية لشركة معينة، مع مراعاة بيئتها النظامية التاريخية الفريدة، ومستوى تحملها للمخاطر، وميزانيتها المتاحة. بالنسبة للشركات التي ترددت في معالجة هذه المسألة حتى الآن، تُقدم تطورات السوق خلال العامين الماضيين دليلًا هامًا: فالشركات التي تستمر في تجربة مشاريع تجريبية معزولة وغير منسقة ستتخلف عن منافسيها الذين استثمروا مبكرًا في بنية بيانات متسقة على المدى المتوسط.

كسر حواجز البيانات: الطريق إلى ذكاء اصطناعي مؤسسي قابل للتشغيل البيني

سيعتمد تطور السنوات القادمة بشكل كبير على وضع معايير موحدة للتوافق التشغيلي بين مختلف طبقات البيانات ومنصات الذكاء الاصطناعي. فإذا نجح القطاع في تطوير بروتوكولات مفتوحة تُمكّن مختلف مزودي طبقات البيانات ونماذج الذكاء الاصطناعي من العمل معًا بسلاسة، فإن ذلك سيُقلل بشكل ملحوظ من مخاطر الاعتمادية الحالية ويُعزز المنافسة بما يُفيد العملاء. وقد بدأت تظهر بالفعل خطوات أولية في هذا الاتجاه، على سبيل المثال، من خلال دعم بروتوكولات واجهة مفتوحة تُتيح التكامل مع مساعدي الذكاء الاصطناعي الداخليين الحاليين دون الحاجة إلى استبدالهم بالكامل.

بالنسبة للشركات الألمانية، التي لطالما كانت مترددة في تبني التقنيات الرقمية الجديدة، إلا أنها تتمتع بثقافة صارمة لحماية البيانات وفقًا للمعايير الدولية، وتُعدّ نموذجًا يُحتذى به في جوانب عديدة، يُمثل هذا التطور فرصة استراتيجية قيّمة. إذ يُمكن لمقدمي الخدمات الذين يُدمجون متطلبات الامتثال الأوروبية في بنيتهم ​​التحتية منذ البداية أن يحققوا ميزة كبيرة من حيث الثقة، لا سيما في البلدان الناطقة بالألمانية، مقارنةً بمقدمي الخدمات الأمريكيين الذين تتسم ممارساتهم في معالجة البيانات تقليديًا بشفافية أقل وتخضع لأنظمة أقل صرامة. وستكتسب الشركات الألمانية التي تُنشئ طبقة بيانات متسقة وجاهزة للحوكمة في وقت مبكر ميزة تنافسية، ليس فقط من الناحية التقنية، بل أيضًا من الناحية التنظيمية، وهو ما يُرجّح أن تزداد قيمته في السنوات القادمة مع ازدياد زخم التطبيق العملي للتشريعات الأوروبية المتعلقة بالذكاء الاصطناعي.

Konrad Wolfenstein

يسعدني أن أكون مستشارك الشخصي.

يمكنكم التواصل معي عبر البريد الإلكتروني wolfenstein∂xpert.digital أو

اتصل بي على الرقم +49 7348 4088 965 .

لينكد إن