كلود كوورك: لماذا لا يكفي الذكاء الاصطناعي القائم على النماذج للشركات؟ - تحليل شامل لاتجاهات السوق

استراتيجية الذكاء الاصطناعي 2026: لماذا تُعدّ المرونة أهم من أقوى نموذج لغوي حاليًا

علامة تحذيرية للشركات: تكاليف التحول المُستهان بها لأنظمة الذكاء الاصطناعي الخاصة

مع منصة Claude Cowork، حققت Anthropic بلا شك إنجازًا بارزًا: إذ تُظهر المنصة بوضوح كيف يمكن دمج الذكاء الاصطناعي بسلاسة في عمليات العمل التعاوني، وتحقق مكاسب إنتاجية ملموسة تجذب انتباه الشركات. ولكن على الرغم من روعة التطور التقني والتحسينات الفورية في الكفاءة، يكشف تحليل معمق عن معضلة استراتيجية جوهرية أمام صناع القرار.

في عصر تتغير فيه ريادة نماذج الذكاء الاصطناعي شهريًا، وتلوح في الأفق متطلبات تنظيمية مثل قانون الذكاء الاصطناعي للاتحاد الأوروبي، فإن الاعتماد على نظام قائم على نموذج واحد فقط (نموذج أصلي) ينطوي على مخاطر جسيمة. فمن تكاليف التحويل الخفية، والتقييد بمورد واحد، إلى الاستخدام غير الفعال للموارد، قد يثبت التركيز الحصري على مزود واحد أنه خطأ مكلف على المدى البعيد.

ما هو الذكاء الاصطناعي القائم على النماذج؟

يشير مصطلح الذكاء الاصطناعي القائم على النموذج إلى الأنظمة التي يتم فيها تضمين نموذج لغوي محدد في البرمجيات. وعلى عكس الأنظمة المرنة التي يمكنها تبادل النماذج بحرية، فإن هذا الحل مصمم ومُحسَّن بدقة ليناسب نقاط القوة والضعف وخصائص نموذج واحد.

السمات الرئيسية للذكاء الاصطناعي القائم على النماذج

يرتبط هذا النظام ارتباطًا وثيقًا بنموذج محدد. فمنصة "Claude Cowork"، على سبيل المثال، مصممة خصيصًا لهذا النموذج، إذ تعتمد كليًا على نموذج كلود وتتبنى بنيته بالكامل. وقد صُممت المنصة لتلائم تمامًا نقاط قوة كلود، كالتفكير المنطقي والتحليل المعمق.

الحدود

أما العيب فهو الالتزام الصارم. فإذا توفرت نماذج أفضل، أو ظهرت قواعد جديدة، أو ارتفعت الأسعار، يصبح التغيير صعباً، إذ يتطلب البرنامج إعادة بناء شاملة، وتحتاج الفرق إلى إعادة تدريب. وتعتمد الشركات على خطط وأسعار مزود واحد.

الفرق عن الأنظمة المستقلة عن النموذج

تستخدم المنصات المرنة واجهة محايدة لمختلف مزودي الخدمات. وهذا يسمح بتوزيع المهام تلقائيًا على النموذج الأفضل أو الأكثر فعالية من حيث التكلفة دون الحاجة إلى تعديل البرنامج. وتبقى التقنية الأساسية منفصلة عن النموذج نفسه.

أهمية ذلك للشركات

تُعدّ الأنظمة القائمة على النماذج مثالية للمهام المحددة والثابتة. مع ذلك، فهي محفوفة بالمخاطر بالنسبة لشبكات الشركات الكبيرة حيث تتغير التكنولوجيا بسرعة وتُعدّ التكاليف عاملاً مهماً، إذ تُنشئ هذه الأنظمة ارتباطاً مكلفاً بمورد واحد يصعب التخلص منه لاحقاً.

تستكشف الأسئلة والأجوبة التالية لماذا يكمن مفتاح نجاح الذكاء الاصطناعي في مجال الأعمال ليس في اختيار النموذج "الأفضل" حاليًا، بل في بنية مستقلة عن النموذج. نتناول كيف تُمكّن طبقات التحكم الذكية، وتوزيع المهام الديناميكي، والمرونة الاستراتيجية الشركات من خفض تكاليفها بشكل كبير، فضلًا عن تحصين نفسها ضد تقلبات سوق الذكاء الاصطناعي في المستقبل. تعرّف على سبب كون فصل "الذكاء" عن "البنية التحتية" خطوة حاسمة في تحويل الذكاء الاصطناعي من مرحلة تجريبية إلى مورد تجاري قابل للتطوير ومستدام.

ما هو موقع Claude Cowork ولماذا هو مثير للإعجاب من الناحية التقنية؟

يمثل Claude Cowork نقلة نوعية في تطبيق نماذج اللغة الضخمة، ويُظهر بوضوح مدى إمكانية دمج أنظمة الذكاء الاصطناعي الحديثة بعمق. وقد طُوّرت المنصة بسرعة فائقة، مما يُثبت إمكانية إنشاء مسارات عمل ذكية تتجاوز معالجة النصوص البسيطة في وقت قصير نسبيًا. وقد رسّخ Claude مكانته كواحد من أقوى النماذج في السوق، لا سيما في الكتابة التقنية، وتحليل الشفرات البرمجية، ومهام الاستدلال المعقدة، وهي مجالات مطلوبة بشدة في قطاع الأعمال.

يُظهر معدل الاستخدام المرتفع أن مساحات العمل المشتركة تُساهم فعلاً في حل مشكلة حقيقية. يستخدم 38% من عملاء خطة الفريق مساحات العمل المشتركة بشكل فعّال، بينما أفاد 67% منهم بتقليل دورات المراجعة في المشاريع التعاونية. هذه الأرقام ليست من قبيل الصدفة، بل تُشير إلى أن العديد من الشركات قد وجدت أخيرًا حلاً لمشكلة جوهرية: كيف يُمكن للتعاون مع الذكاء الاصطناعي أن يعمل عمليًا؟ وكيف يُمكن توزيع المهام بين البشر والآلات داخل الفريق؟ تُجيب مساحات العمل المشتركة على هذه التساؤلات بحلٍّ أنيق ينسجم بسلاسة مع بيئة كلود.

تُدير المنصة سير العمل بشكل يتجاوز بكثير تفاعلات روبوتات الدردشة التقليدية. فهي قادرة على تعديل الملفات، وتنفيذ مهام سطح المكتب، ودمج ميزات من حزم البرامج المكتبية، وإدارة مساحات التخزين المشتركة، وتنسيق عمل العديد من وكلاء الذكاء الاصطناعي للتعاون. وفي حالات استخدام محددة، تُحقق منصة Cowork مكاسب ملموسة في الكفاءة: إذ يُظهر تحليل المستندات توفيرًا في الوقت بنسبة 78%، وإنشاء التقارير بنسبة 65%، وتلخيص الأبحاث بنسبة 71%. هذه الأرقام ملموسة وذات صلة بالشركات.

تُعدّ أرقام التبني في القطاعات الخاضعة للتنظيم مؤشراً بالغ الأهمية. فقد ارتفع استخدام خطة المؤسسة بنسبة 145% في الربع الأول من عام 2025، مع نمو قوي في القطاعات شديدة التنظيم مثل الخدمات المالية والرعاية الصحية والقانونية. وهذا يدل على أن الأداء التقني، إلى جانب وظائف الامتثال وآليات الرقابة، عوامل حاسمة في بناء الصورة العامة للشركة.

الحدود المفاهيمية للذكاء القائم على النماذج في سياق الأعمال

على الرغم من هذه النجاحات، يفصل حدٌّ معماريٌّ أساسيٌّ بين الأنظمة القائمة على النماذج ومنصات الذكاء الاصطناعي المؤسسية الحقيقية. فمنصة Claude Cowork، على الرغم من روعتها، لا تزال مرتبطةً بشكلٍ أساسيٍّ بنموذج Claude ونقاط قوته. وهذا يُعدُّ في الوقت نفسه نقطة قوته وضعفه. يُنظر إلى Claude عالميًا على أنه نموذجٌ يتفوّق في الاستدلال المنطقي، ويسهل استخدامه من قِبل المطوّرين. ومع ذلك، فهو ليس معروفًا في المقام الأول كنظام ذكاء اصطناعي مؤسسي شامل يعمل عبر جميع العمليات التجارية ومصادر البيانات والإشارات التشغيلية.

لا تسعى الشركات إلى تحقيق التميز الأمثل لنموذج واحد، بل إلى تحقيق المرونة والاتساق والقيمة طويلة الأجل. هذا تمييز جوهري غالبًا ما يُغفل عنه عندما ينبهر صناع القرار بقدرات الذكاء الاصطناعي المتاحة. في المرحلة الحالية من سوق الذكاء الاصطناعي، حيث تتغير النماذج الرائدة شهريًا، وتظهر شركات جديدة باستمرار، ويتسم المشهد التكنولوجي بدرجة عالية من عدم اليقين، فإن الاعتماد على نموذج واحد قد يؤدي إلى مخاطر استراتيجية جسيمة.

يمكن التعبير عن المشكلة الأساسية في الأنظمة القائمة على النماذج من عدة جوانب. أولًا، تتغير ريادة السوق في مجال النماذج بسرعة. فكرة أن يظل كلود، أو GPT-4، أو جيميني، أو أي نموذج حالي آخر، مثاليًا لكل مهمة خلال السنوات الخمس أو العشر القادمة، غير واقعية. فالمختبرات الرائدة تُجري ابتكارات مستمرة. قد يكون الجيل القادم من النماذج - سواءً كان GPT-6 من OpenAI، أو أنظمة من xAI، أو نماذج جديدة غير متوقعة - متفوقًا في المجالات التي يتصدرها كلود حاليًا. أو قد يكون أكثر فعالية من حيث التكلفة، مع الحد الأدنى من التنازلات في الأداء.

ثانيًا، تتغير التكاليف واللوائح ومتطلبات الامتثال باستمرار. فما يُمثل اليوم نسبة مثالية بين السعر والأداء قد يُصبح إشكاليًا غدًا نتيجةً للتطورات الجيوسياسية، أو التغييرات التنظيمية، أو نماذج الأعمال الجديدة التي يُقدمها مُزودو الخدمات. ويُعد قانون الاتحاد الأوروبي للذكاء الاصطناعي، بمتطلباته المتعلقة بالحوكمة والتدقيق والتي ستدخل حيز التنفيذ في أغسطس 2025، مثالًا ملموسًا على ذلك. قد تحتاج الشركات إلى توزيع المهام الحساسة على نماذج موثوقة للغاية، وأتمتة العمليات الجماعية الفعّالة من حيث التكلفة على نماذج أقل تكلفة، والمهام المتخصصة على أنظمة ذكاء مُخصصة لمجالات مُحددة، كل ذلك من خلال طبقة تحكم مركزية.

ثالثًا، لم تُصمم الأنظمة القائمة على النماذج لجعل النماذج قابلة للتبديل، أو لتوزيع أعباء العمل ديناميكيًا، أو لدعم النماذج الاحتكارية أو الخاصة بمجال معين. فهي تعكس وجهة نظر نموذج واحد بدلًا من حماية المؤسسات من وتيرة التغيير السريعة في مجال الذكاء الاصطناعي. قد يكون هذا مقبولًا في عالم مستقر وقابل للتنبؤ، لكن في واقع الذكاء الاصطناعي الحالي، حيث تتغير مؤشرات الأداء الرئيسية شهريًا وتظهر بنى جديدة بشكل غير متوقع، يُشكل هذا خطرًا كبيرًا.

ظاهرة احتكار الموردين وتكاليف التحويل الخفية

إن خطر احتكار الموردين ليس مجرد فكرة نظرية. فقد حذرت مؤسسة فورستر للأبحاث مؤخرًا من أن كبار موردي برامج المؤسسات يستغلون موقعهم في السوق لتعزيز التبعية من خلال عروض الذكاء الاصطناعي الخاصة بهم. وكشف تحليلهم لأرباح الربع الثاني من عام 2025 من كبار الموردين عن نمط واضح: الرسالة هي أن المرحلة التجريبية قد انتهت وبدأت مرحلة تحقيق الربح. ويتم تشجيع الشركات على النظر إلى مجموعات منتجاتها على أنها "منصة للمنصات".

كشفت غارتنر عن نتيجة أكثر إثارة للقلق: أكثر من 80% من المؤسسات التي انتقلت إلى الحوسبة السحابية تواجه مشكلة الاعتماد على مزود واحد. فبينما نقلت 54% من الشركات أحمال العمل أو البيانات من السحابة العامة، لم يكن هذا هو الحال إلا بالنسبة للشركات القادرة تقنيًا على القيام بذلك. والنتيجة واضحة: الاعتماد على مزود واحد حقيقة واقعة، ومنتشرة على نطاق واسع، وغالبًا ما يكون من المستحيل تجنبها دون تخطيط استباقي.

لكن الواقع الدقيق أكثر تعقيدًا. فقد كشف تحليلٌ مؤثرٌ على لينكدإن أن المؤسسات التي تستخدم Salesforce أو ServiceNow تعتقد أنها محايدة لأن هذه المنصات توفر خيارات "استخدام النموذج الخاص بك" (BYOM). إلا أن الواقع يُظهر أن هذا الارتباط لا يتجلى على مستوى النموذج نفسه، بل على مستوى واجهة المستخدم وسير العمل. فبعد استثمار مبالغ طائلة في نماذج المهام العامة المخصصة، ومكتبات التوجيهات الخاصة، وإعدادات سير العمل، والمعرفة المؤسسية، تصبح تكاليف التحول باهظة، حتى لو كانت النماذج قابلة للتبادل نظريًا.

يصف المحللون هذه الظاهرة تحديدًا في سياق مايكروسوفت: فكل عملية شراء لأنظمة الذكاء الاصطناعي تزيد من الاعتماد على منظومة مايكروسوفت. وتشمل تكاليف التحول تعقيدات نقل البيانات، وإعادة تدريب الموظفين، وإعادة بناء التكاملات، والغرامات، واضطراب الأعمال خلال فترة الانتقال. مثال نموذجي: قد تواجه مؤسسة مالية تضم 10,000 موظف، أمضت أكثر من عامين في بناء نظام ذكاء اصطناعي، تكاليف تتراوح بين 5 و15 مليون دولار أمريكي، بالإضافة إلى أشهر من الاضطراب عند الانتقال إلى منصة بديلة.

منصة الذكاء الاصطناعي المُدارة - الصورة: Xpert.Digital

ستتعلم هنا كيف يمكن لشركتك تنفيذ حلول الذكاء الاصطناعي المخصصة بسرعة وأمان وبدون حواجز دخول عالية.

منصة الذكاء الاصطناعي المُدارة هي حلك الشامل والمريح للذكاء الاصطناعي. فبدلاً من التعامل مع التقنيات المعقدة والبنية التحتية المكلفة وعمليات التطوير الطويلة، ستحصل على حل جاهز مُصمم خصيصًا لتلبية احتياجاتك من شريك متخصص - غالبًا في غضون أيام قليلة.

الفوائد الرئيسية في لمحة:

⚡ تنفيذ سريع: من الفكرة إلى التطبيق العملي في أيام، لا أشهر. نقدم حلولاً عملية تُحقق قيمة فورية.

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

💸 لا مخاطرة مالية: أنت تدفع فقط مقابل النتائج. يتم الاستغناء تمامًا عن الاستثمارات الأولية الكبيرة في الأجهزة أو البرامج أو الموظفين.

🎯 ركّز على عملك الأساسي: ركّز على ما تتقنه. نتولى جميع مراحل التنفيذ الفني، والتشغيل، والصيانة لحلول الذكاء الاصطناعي الخاصة بك.

📈 مواكب للمستقبل وقابل للتطوير: ينمو الذكاء الاصطناعي لديك معك. نضمن لك التحسين المستمر وقابلية التطوير، ونكيف النماذج بمرونة مع المتطلبات الجديدة.

المزيد عنها هنا:

• منصة الذكاء الاصطناعي المُدارة

حقيقة التكلفة: لماذا تُعد كفاءة النموذج ذات أهمية استراتيجية

يتفاقم البُعد الاقتصادي لهذه المشكلة يومًا بعد يوم. إذ تُشير الشركات إلى تضخم ميزانيات الذكاء الاصطناعي مع ركود النتائج. على سبيل المثال، واجهت إحدى الشركات المالية العالمية فاتورة ذكاء اصطناعي بقيمة 4.2 مليون دولار، حققت قيمة تجارية تُقارب قيمة تطبيق سابق بقيمة 900 ألف دولار. والخلاصة واضحة: بدون توزيع ذكي لأعباء العمل، تُهدر الشركات ميزانياتها من خلال نشر نماذج غير فعّالة.

تكشف الأبحاث عن تباينٍ كبيرٍ بين كفاءة استخدام النماذج وعدم كفاءتها. فقد أظهرت دراسة حديثة أجريت على تسعة نماذج لغوية كبيرة مختلفة، أنتجت 38,000 جملة و115,000 تعليقًا، أن كفاءة استخدام الرموز (وحدة حساب الذكاء الاصطناعي) تتفاوت بنسبة تصل إلى 450% بين النماذج المختلفة. عمليًا، يعني هذا أن مزود خدمات مالية يُعالج 100,000 استفسار من العملاء يوميًا قد يواجه تكاليف سنوية إضافية قدرها 127,750 دولارًا أمريكيًا مقارنةً بنظام كفؤ، وذلك لتحقيق نفس الأداء التجاري.

يزداد هذا التذبذب حدةً في البيئات متعددة اللغات. ففي اللغات ذات أنظمة الكتابة المعقدة كالتاميلية، قد يصل استهلاك الرموز إلى 450% أعلى. بالنسبة لشركة عالمية تعمل في أسواق متعددة، يعني هذا أن تكلفة التفاعل الواحد قد تختلف اختلافًا كبيرًا باختلاف المنطقة، مما يجعل توقعات الميزانية التقليدية عديمة الجدوى.

لا يقتصر ارتفاع التكاليف على كفاءة الرموز فحسب، بل إن الإنفاق على نماذج اللغة على مستوى المؤسسات يُظهر صورة واضحة: إذ تستثمر 37% من الشركات أكثر من 250 ألف دولار سنويًا في بنية نماذج اللغة، بينما تنفق 73% منها أكثر من 50 ألف دولار. وتشير أبحاث ماكينزي إلى أن ميزانيات الذكاء الاصطناعي قد انخفضت من 25% من ميزانية الابتكار إلى 7% من ميزانية البنية التحتية العادية، مما يدل على أن الذكاء الاصطناعي لم يعد مجالًا تجريبيًا، بل أصبح بنية تحتية أساسية.

يكمن القلق الحقيقي في التكلفة الإجمالية الخفية للملكية. يكشف تحليل شامل أن التكلفة الإجمالية لملكية حلول الذكاء الاصطناعي لا تقتصر على تكاليف واجهة برمجة التطبيقات فحسب، بل تشمل أيضًا تكاليف التنفيذ الأولي (التي تتراوح عادةً بين 100,000 و200,000 دولار أمريكي للشركات المتوسطة)، والبنية التحتية (التي تتراوح بين 20,000 و60,000 دولار أمريكي سنويًا)، والصيانة، والأمن والامتثال، وتكاليف الموظفين. في سيناريو نموذجي - بناء عمليات ذكاء اصطناعي داخلية - قد تصل التكاليف السنوية إلى 2.5 مليون دولار أمريكي. باستخدام نهج مبسط لا يعتمد على مورد محدد، يمكن تحقيق نفس الإمكانيات مقابل 1.4 مليون دولار أمريكي سنويًا، أي توفير قدره 1.1 مليون دولار أمريكي.

المنصات المستقلة عن النموذج كحل معماري

تمثل المنصات غير المعتمدة على نموذج محدد تحولاً جذرياً في التفكير المعماري. فهي لا تسمح للشركات بالتبديل بين النماذج فحسب، بل تسمح أيضاً بتحديد النموذج الأمثل لكل مهمة بذكاء - بناءً على الأداء أو التكلفة أو الامتثال أو المخاطر، كل ذلك دون إعادة بناء البنية.

توفر المنصة المستقلة تمامًا عن النماذج واجهة برمجة تطبيقات موحدة (API) تعمل مع جميع مزودي النماذج الرئيسيين. وتوفر هذه المنصة شفافية تامة فيما يتعلق بأداء النماذج، وزمن الاستجابة، والتكاليف. كما توفر أدوات للتقييم والمقارنة والتوجيه الذكي. وتعمل على مركزة السياسات والحوكمة. وتتيح إجراء التجارب بسرعة من خلال عملية مصادقة مبسطة.

عمليًا، تتوسط المنصة بين تطبيقات المؤسسات ومجموعة واسعة من نماذج الذكاء الاصطناعي، مما يقلل من جهد التكامل ويوفر مرونة تشغيلية. بالنسبة للمطورين، يعني هذا دمج المنصة مرة واحدة فقط، بدلًا من البدء من الصفر مع كل نموذج جديد. أما بالنسبة لفرق المؤسسات، فيُترجم هذا إلى تجارب أسرع وأنظمة إنتاج أكثر قوة دون الحاجة إلى إعادة بناء التطبيقات بالكامل مع كل تغيير في السوق.

عادةً ما تُنظَّم بنية هذه الأنظمة في طبقات. تتخذ طبقة التوجيه قرارات ديناميكية بشأن النموذج الذي يجب أن يعالج الطلب. وتُنسِّق طبقة التحكم اختيار النموذج وسياق الجلسة واستخدام الأدوات. وتُدير طبقة البيانات نقل البيانات وخصوصيتها وعمليات استرجاعها. وتُوفِّر طبقة المراقبة رؤى تتجاوز السرعة والإنتاجية، بما في ذلك دقة النموذج، ومعدلات التشويش، ونجاح نشر الأدوات، وانحرافات السياسات، وحالة الامتثال.

من الجوانب بالغة الأهمية أن الاستقلالية الحقيقية تتضمن آليات احتياطية. فإذا زاد التأخير، أو تغير سلوك النموذج بشكل غير متوقع، أو تم تجاوز حدود طلبات الموفر، يقوم النظام تلقائيًا بإعادة التوجيه إلى نموذج بديل. هذه المرونة ليست اختيارية في بيئات المؤسسات، بل هي ضرورية استراتيجيًا.

اقتصاديات توجيه النماذج المتعددة وتحسين الحمل الديناميكي

تؤكد البيانات التجريبية على الجدوى الاقتصادية للبنى غير المعتمدة على النماذج. فقد أفادت الشركات التي تطبق التوجيه الديناميكي الذكي بتحقيق تخفيضات في التكاليف تتراوح بين 40 و60 بالمئة دون المساس بالأداء. ومع ذلك، يستدعي هذا الرقم دراسة متأنية، إذ تختلف العوامل الاقتصادية المؤثرة فيه.

تتمثل الركيزة الأولى في ذكاء إدارة عبء العمل والتوجيه الذكي. فليست كل الاستفسارات متساوية. لا ينبغي أن يكلف طلب خدمة عملاء بسيط نفس تكلفة تحليل سوقي استراتيجي. من خلال تصنيف الطلبات وتوجيهها بذكاء إلى نماذج مختلفة - نموذج متخصص منخفض التكلفة للاستفسارات الروتينية، ونموذج عالي الأداء لمهام الاستدلال المعقدة - يمكن للشركات خفض التكاليف بنسبة تتراوح بين 30 و40 بالمئة. تُظهر دراسات الحالة أن 70 إلى 80 بالمئة من الاستفسارات يمكن معالجتها بواسطة نماذج "خفيفة"، بينما لا تتطلب سوى 15 إلى 25 بالمئة منها أداء النماذج فائقة الأداء.

أما الرافعة الثانية فهي الموازنة الاقتصادية بين الموردين. يتفوق كل مورد في مهام محددة، ما يؤدي إلى تباين كبير في هياكل التسعير. تتصدر OpenAI بعض المهام المعرفية، بينما يُعد موردون آخرون أكثر فعالية من حيث التكلفة في توليد التعليمات البرمجية أو معالجة المستندات. ومن خلال طبقات تجريدية تُوجّه العمليات تلقائيًا بناءً على بيانات التكلفة والعائد في الوقت الفعلي، تستطيع الشركات الاستفادة باستمرار من نقطة التكلفة المثلى. وقد حسّنت إحدى شركات إدارة الثروات العالمية خدمة دعم عملائها من خلال أتمتة الذكاء الاصطناعي المنسقة، وخفضت تكاليف التشغيل بمقدار الثلث، ما أدى إلى تحسين أرباحها النهائية بمقدار 100 مليون دولار.

أما الرافعة الثالثة فهي توسيع نطاق الموارد بناءً على الطلب. فأنظمة الذكاء الاصطناعي التقليدية غالباً لا تُوسّع نطاق مواردها ديناميكياً، بل تدفع رسوماً مستمرة بغض النظر عن استخدام النظام. في المقابل، لا يُوفّر التنسيق الذكي الموارد إلا عند الحاجة الفعلية إليها، تماماً كما تفعل خدمات النقل التشاركي التي لا تُفعّل المركبات إلا عند وجود طلب.

يتمثل العامل الرابع في رفع كفاءة العمليات من خلال الأتمتة. تعاني معظم الفرق من تكاليف تشغيلية باهظة: مهندسو الذكاء الاصطناعي المتفرغون يديرون علاقاتهم مع الموردين، ويتعاملون مع المشكلات فور ظهورها، ويضبطون الأداء باستمرار. تعمل أنظمة التنسيق الذكية على أتمتة هذه العمليات. يساهم التزويد الآلي، والمراقبة المستمرة، واكتشاف الحالات الشاذة، وتعديل السياسات ذاتيًا في تقليل الجهد الهندسي اليدوي بنسبة تتراوح بين 50 و70%، مما يوفر التكاليف ويزيد من سرعة العمل.

لماذا ينبغي على مديري تقنية المعلومات فهم هذا التحول المعماري

لقد شهد مديرو تقنية المعلومات هذه الأنماط من قبل. فقد تغيرت قيادة مزودي الخدمات السحابية عدة مرات، وتغيرت نماذج المحاكاة الافتراضية، وتقاربت معايير تقنية الحاويات. وفي كل حالة، انتهى المطاف بالمنظمات التي أنشأت منصات للحد من هذا التقلب في مواقع أقوى من تلك التي حاولت التنبؤ بالفائز في كل جولة.

اليوم، يجب أن يكون مديرو تقنية المعلومات قادرين على توجيه سير العمل الحساس إلى نماذج موثوقة للغاية، سواء لأسباب تتعلق بخصوصية البيانات أو الامتثال أو الدقة. كما يجب أن يكونوا قادرين على توجيه كميات كبيرة من البيانات إلى نماذج فعالة من حيث التكلفة، وتوجيه المهام المتخصصة إلى نماذج ذكاء خاصة بالمجال، وكل ذلك تحت إشراف طبقة تحكم مركزية للحوكمة والامتثال والتكلفة والأداء.

عندما يظهر النموذج الرائد التالي - سواء كان GPT-6، أو نظامًا من xAI، أو أي شيء غير متوقع - لا ينبغي للشركات إعادة النظر في بنيتها التحتية. بل يجب ببساطة تعزيز الذكاء. ينبغي أن تكون الوكلاء، مثل أولئك الموجودين في Cowork، متاحة على الفور، دون الحاجة إلى إعادة برمجة الأنظمة، أو إعادة تدريب الفرق، أو تكبّد ديون تقنية.

يُضفي الإطار التنظيمي مزيدًا من الإلحاح على هذا الأمر. إذ يُلزم قانون الذكاء الاصطناعي للاتحاد الأوروبي، بمتطلباته المتعلقة بالحوكمة وتقييم ما قبل النشر والتي ستدخل حيز التنفيذ في 2 أغسطس 2025، الشركات بتتبع البيانات المتعلقة بأصل نماذجها وتقييماتها. تحتاج الشركات إلى مسارات قرارات قابلة للتدقيق وسجلات منطقية قابلة للتتبع. يصعب تحقيق ذلك باستخدام أنظمة جامدة تعتمد على النماذج فقط، ولكنه ممكن مع طبقة تنسيق مُهيكلة جيدًا.

الفرق بين قابلية نقل النموذج وقابلية نقل الواجهة

غالباً ما يتم تجاهل نقطة بالغة الأهمية: المرونة الحقيقية تتطلب أكثر من مجرد القدرة على التبديل بين النماذج. إنها تتطلب أيضاً قابلية نقل واجهات المستخدم.

كشف تحليلٌ أجراه مهندس معماري مؤسسي أن المؤسسات التي تُدمج نماذج Claude أو ChatGPT أو غيرها في سير عملها، غالبًا ما تستثمر في تخصيصات محددة، ومكتبات مُوجِّهات، وتكوينات سير عمل، ومعرفة مؤسسية مُرتبطة ارتباطًا وثيقًا بالمنصة المُحددة. حتى عند الانتقال من ChatGPT إلى Claude، يجب إعادة تعريف هذه العناصر. وتُعدّ تكاليف إعادة التدريب وإعادة التكوين باهظة.

لذا، لا تقوم الاستراتيجية المعمارية العملية على تشغيل عدة مزودين في آنٍ واحد - وهو أمر معقد تشغيليًا - بل على تصميم قابلية النقل. وهذا يعني دمج طبقات تجريدية تُمكّن الشركات من تغيير المزودين عند وجود مبرر اقتصادي. كما يعني تنفيذ اتصالات البيانات (مثل RAG) بطريقة تعزل البيانات الخاصة عن واجهات برمجة التطبيقات أو التنسيقات الخاصة بكل مزود. ويعني أيضًا استخدام واجهات موحدة - على سبيل المثال، واجهات برمجة تطبيقات متوافقة مع OpenAI - تدعم عدة مزودين.

يتطلب هذا أيضًا خطط ترحيل قائمة على الأحداث. فبدلًا من إدارة مزودين متعددين بشكل مستمر، تضع الشركات معايير واضحة لتحديد متى يكون الترحيل مبررًا: كارتفاع الأسعار بشكل كبير يتجاوز عتبات محددة، أو تغييرات تنظيمية تؤثر على سيادة البيانات، أو حوادث أمنية لدى المزود الحالي، أو ظهور بدائل متفوقة بشكل واضح. ويتم التخطيط لاستراتيجية الترحيل مسبقًا وتوثيقها.

لماذا لا تستطيع الأنظمة القائمة على النماذج أن تحل محل الاستراتيجية

سيظل Claude Cowork مثيرًا للإعجاب. من المرجح أن يتم تطوير المنصة بشكل أكبر، ولديها حالات استخدام واضحة تُحقق قيمة تجارية. لكن التميز في استخدام النماذج ليس بالضرورة دليلاً على جاهزية الشركة بأكملها للذكاء الاصطناعي.

تُظهر الأنظمة المصممة خصيصاً للنماذج ما يمكن أن يحققه نموذج واحد ضمن بيئته الخاصة. بينما تُظهر المنصات المستقلة عن النماذج ما يمكن للشركات تحقيقه عبر نماذج مختلفة. والفرق بينهما أكبر مما يدركه معظم الناس.

بفضل الذكاء المُشابه لذكاء بيئة العمل المشتركة، يُمكن الاستفادة من أحدث النماذج، والحلول مفتوحة المصدر، أو النماذج المُخصصة لمجالات مُحددة - بما في ذلك نماذج المؤسسات الاحتكارية - دون الوقوع في فخّ الاعتماد على مُورّد واحد. وتبقى سير العمل مُتّسقة مع تطوّر الذكاء الأساسي. هذا ليس مُجرّد تفصيل تقني، بل ضرورة استراتيجية في بيئة تتغيّر فيها ريادة السوق بسرعة، حيث قد لا يكون الخيار الأمثل اليوم هو الخيار الأمثل بعد 18 شهرًا.

الاستقلال كمتطلب استراتيجي

تُشير حقيقة السوق إلى أن قدراتٍ مثل تلك التي توفرها وكلاء مساحات العمل المشتركة باتت تُعتبر من المتطلبات الأساسية. يخطط 80% من قادة الأعمال لدمج الوكلاء في استراتيجيات الذكاء الاصطناعي الخاصة بهم خلال الأشهر الثمانية عشر القادمة. لكن غارتنر تُحذر أيضاً من أن ما يقرب من نصف مشاريع الذكاء الاصطناعي هذه قد تفشل بحلول عام 2027. ولا تزال الفجوة كبيرة بين حماس المديرين التنفيذيين والتطبيق العملي.

إن المنظمات التي ستسد هذه الفجوة ليست تلك التي اختارت النموذج "الأفضل"، بل تلك التي بنت بنى تحتية قادرة على التعامل مع تغييرات النماذج، وتحسين التكاليف عبر نماذج متعددة، وفرض متطلبات الحوكمة مركزياً.

بهذا المعنى، ستكون منصات الذكاء الاصطناعي المؤسسية، لا الأنظمة القائمة على النماذج، هي الفائزة على المدى الطويل. ليس لأنها تحل محل ذكاء النماذج، بل لأنها تجعله قابلاً للاستخدام بشكل دائم ومرن وقابل للتوسع مع تطور الأعمال.

Konrad Wolfenstein

سأكون سعيدًا بالعمل كمستشار شخصي لك.

الاتصال بي تحت Wolfenstein ∂ xpert.digital

اتصل بي تحت +49 89 674 804 (ميونيخ)

ينكدين