مغالطة الذكاء: لماذا لا تتفوق نماذج الذكاء الاصطناعي الحالية على ذكاء قطة منزلية؟

دراسةٌ كاشفةٌ من شركة آبل: لماذا يفشل الذكاء الاصطناعي في المنطق البسيط

440 مليار قيمة محتملة أم فخ تكلفة؟ أين يخلق الذكاء الاصطناعي قيمة حقيقية - وأين لا يفعل ذلك

يُشاد بالذكاء الاصطناعي باعتباره ثورة تكنولوجية في عصرنا، ومنقذًا يعد الشركات بمكاسب هائلة في الإنتاجية ومليارات الدولارات من القيمة المضافة. لكن أي شخص يُمعن النظر في خبايا الخوارزميات سيواجه مفارقة صارخة: نماذج اللغة نفسها التي تعالج آلاف السنين من المعرفة في أجزاء من الثانية، تفشل فشلًا ذريعًا في الاستنتاجات المنطقية البسيطة التي يستطيع أي طفل في المرحلة الابتدائية استيعابها بسهولة. تُظهر الدراسات العلمية التي أجرتها شركات التكنولوجيا العملاقة مثل آبل والجامعات المرموقة بشكل متزايد أن أنظمة الذكاء الاصطناعي الحالية تفتقر إلى فهم حقيقي للعالم. إنها بارعة في التعرف على الأنماط المعقدة للغاية، لكنها ضعيفة في التفكير. هذا يخلق توترًا خطيرًا للأعمال والمجتمع. عندما يُستخدم الذكاء الاصطناعي بشكل استراتيجي كأداة لمجموعات البيانات الضخمة، فإنه يحمل إمكانات هائلة. ومع ذلك، فإن الاعتماد الأعمى على ذكائه المفترض في اتخاذ قرارات استراتيجية معقدة يُنذر بأوهام مكلفة وعواقب قانونية وخيمة. لقد حان الوقت لتقييم موضوعي: ما الذي يمكن أن تفعله الآلة الذكية حقًا؟ وأين تكمن نقاط ضعفها؟

الآلة الذكية ونقاط ضعفها

لماذا يغمر الذكاء الاصطناعي العالم بالبيانات - ولكنه يفشل في التفكير

يلاحظ أي شخص يعمل بالذكاء الاصطناعي بشكل يومي مفارقة جوهرية: فالتقنية نفسها التي تعالج ملايين البيانات في ثوانٍ معدودة وبكل سهولة، تعجز عن استخلاص استنتاجات منطقية يستطيع طالب في المرحلة الثانوية حلها في دقائق. هذه الملاحظة ليست مجرد حالة فردية، بل هي سمة بنيوية لأنظمة الذكاء الاصطناعي الحديثة، مدعومة الآن بعدد متزايد من الدراسات العلمية. والآثار الاقتصادية لهذا التناقض كبيرة: فهو يحدد أين يُحقق الذكاء الاصطناعي قيمة حقيقية، وأين يتحول إلى خيبة أمل مكلفة.

آلة حاسوبية عملاقة – انتصار في معالجة كميات هائلة من البيانات

إذا تأملنا أولاً في القدرات الحقيقية للذكاء الاصطناعي، يصبح الانبهار الذي أثارته هذه التقنية مفهوماً. فقد تم تدريب نماذج لغوية ضخمة على نصوص، وفقاً لتقديرات نهى دزيري من معهد ألين للذكاء الاصطناعي، سيستغرق الإنسان حوالي 20 ألف عام لقراءتها. وهذا ليس مجازاً، بل هو مقياس للقدرة الهائلة على معالجة الأنماط الإحصائية التي تقوم عليها أنظمة الذكاء الاصطناعي الحديثة.

تُتيح هذه القدرة إمكانات هائلة للاقتصاد. تُقدّر دراسة "العامل الرقمي"، التي أجرتها شركتا IW Consult وImplement Consulting Group لصالح جوجل، إجمالي الإمكانات الاقتصادية للذكاء الاصطناعي التوليدي في ألمانيا بنحو 440 مليار يورو من القيمة المضافة الإجمالية بحلول عام 2034. من هذا المبلغ، يُعزى 330 مليار يورو إلى تحسين الإنتاجية من خلال عمليات أكثر كفاءة، و110 مليارات يورو أخرى إلى ابتكارات جديدة، على سبيل المثال، من خلال تسريع دورات البحث والتطوير، والتي يُمكن، وفقًا للدراسة، أن تُصبح أكثر كفاءة بنسبة تتراوح بين 10 و15%. تُجسّد هذه الأرقام ما يُبرع فيه الذكاء الاصطناعي حقًا: البحث والفرز والضغط وإعادة تجميع مجموعات البيانات المنظمة وغير المنظمة بسرعة فائقة.

يرتكز الأساس الاقتصادي لهذا الادعاء المتعلق بالأداء على القدرات التحليلية الآنية لأنظمة الذكاء الاصطناعي الحديثة. فبفضل تحليلات البيانات الضخمة، المدعومة بمعالجة الذكاء الاصطناعي، بات بإمكان الشركات التعرف على الأنماط في مجموعات البيانات المتنوعة من وسائل التواصل الاجتماعي، وشبكات الاستشعار، والمعاملات المالية، وبيانات سلاسل التوريد، وذلك في آنٍ واحد وفي أجزاء من الثانية. ويؤكد المعهد الاقتصادي الألماني (IW Cologne) أن التحول الرقمي يفتح آفاقًا جديدة في العديد من قطاعات الاقتصاد التي كانت ستظل عصية على الوصول إليها لولا الذكاء الاصطناعي. بالنسبة للشركات، يعني هذا أن الذكاء الاصطناعي كبنية تحتية لمعالجة البيانات أصبح مبررًا بشكل واضح من منظور الأعمال.

من الأهمية بمكان فهم هذه الميزة بدقة. فالذكاء الاصطناعي عبارة عن نظام متطور للغاية للتعرف على الأنماط الإحصائية. فهو يحدد العلاقات بين الكلمات والجمل والمفاهيم بناءً على الاحتمالات، لا على الفهم. فإذا كان نظام الذكاء الاصطناعي "يعرف" أن "الملك" و"الملكة" تربطهما نفس العلاقة بين "الرجل" و"المرأة"، فليس ذلك لأنه يفهم النظام الملكي أو النوع الاجتماعي، بل لأن هذه العلاقة الاتجاهية تظهر باستمرار في بيانات التدريب. هذا نمط، وليس مبدأ. وهنا تحديدًا يكمن القيد.

مغالطة الذكاء - ما ليس التعرف على الأنماط

يعاني النقاش العام حول الذكاء الاصطناعي من سوء فهم شائع: إذ يُساوى التعرف على الأنماط بالتفكير، والربط الإحصائي بالاستدلال السببي. هذا سوء الفهم ليس بالأمر الهين، فهو مصدر التوقعات المبالغ فيها في مجالس الإدارة، ومشاريع الذكاء الاصطناعي باهظة الثمن، وخيبة أمل المستخدمين.

ما يُميّز التفكير البشري عن المعالجة الآلية بشكلٍ جوهري يُمكن توضيحه بمثال القياس المنطقي البسيط. إذا قرأ شخصٌ ما الجملة التالية: "جميع الثدييات من ذوات الدم الحار. الحيتان من الثدييات. إذن، الحيتان من ذوات الدم الحار"، فإنه يتوصل إلى هذه النتيجة لأنه يفهم العلاقة المنطقية بين المقدمات، حتى في قياس منطقي لم يسبق له أن صادفه. قد تصل الشبكة العصبية إلى النتيجة نفسها لأنها تعلمت إحصائيًا من بيانات تدريبها أن كلمة "حيتان" ترتبط غالبًا بمصطلح "ذوات الدم الحار". يبدو هذا وكأنه النتيجة نفسها. مع ذلك، فهي عملية مختلفة تمامًا، ويصبح هذا الأساس هشًا بمجرد الخروج عن المألوف.

وصف الفيلسوف جون سيرل هذه المشكلة ببراعة في ثمانينيات القرن الماضي من خلال تجربة "الغرفة الصينية": يجلس شخص في غرفة، ويتبع قواعد لمعالجة رموز لا يفهمها، فيُصدر ردودًا تبدو من الخارج وكأنها صادرة عن شخص يتقن اللغة الصينية. الغرفة لا تفهم الصينية، بل تُحاكي فهمها. وهذا تحديدًا ما تفعله أنظمة التعلم الآلي الحديثة: فهي تُعالج الرموز وفقًا لاحتمالات إحصائية دون إدراك المعنى الكامن وراءها. يُوضح خبير الذكاء الاصطناعي المعاصر، مايكل باجوت، أستاذ الأخلاقيات الحيوية في الجامعة البابوية ريجينا أبوستولوروم في روما، الأمر بوضوح من منظور فلسفي: ثمة فرق جوهري بين قدرة الآلة على تمييز الأنماط الإحصائية والعقل البشري، القادر على إدراك المبدأ الميتافيزيقي للسبب والنتيجة في حد ذاته.

يُقدّم يان ليكان، كبير علماء الذكاء الاصطناعي في شركة ميتا، وديميس هاسابيس، الرئيس التنفيذي لشركة جوجل ديب مايند، تقييمًا هامًا رغم بيئات عملهما التنافسية: أنظمة الذكاء الاصطناعي الحالية لا تمتلك حتى القدرات المعرفية الأساسية لقطة منزلية فيما يتعلق بالاستدلال المرن والواعي للسياق. قد يبدو هذا التقييم مثيرًا للجدل، ولكنه يُسلّط الضوء على جوهر المشكلة: تستطيع القطة إدراك علاقات السبب والنتيجة في بيئة جديدة وتعديل سلوكها وفقًا لذلك. أما نموذج الحياة الكبيرة (LLM) فلا يستطيع القيام بذلك بشكل موثوق لأنه لا يمتلك نموذجًا للعالم، بل يُعيد إنتاج الأنماط من البيانات السابقة فحسب.

الانهيار تحت وطأة التعقيد – الأدلة العلمية ضد منطق الذكاء الاصطناعي

أبرزت الأبحاث العلمية الحديثة بشكل متزايد قصور الذكاء الاصطناعي في مجال الاستدلال. وتتفق هذه النتائج، وينبغي أخذها في الاعتبار عند إجراء أي تقييم اقتصادي لاستثمارات الذكاء الاصطناعي.

كشفت دراسة أجرتها شركة آبل حول ما يُسمى بـ"نماذج الاستدلال الكبيرة" (LRMs) - وهي نماذج تُشيد بها غالبًا لقدراتها الاستدلالية المزعومة - عن نمطٍ يدعو للتأمل: فمع ازدياد تعقيد المشكلة، تعاني هذه الأنظمة من انهيارٍ تام في الدقة. وقد حدد الباحثون ثلاثة نطاقات للأداء. ففي حالة التعقيد المنخفض، تتفوق نماذج اللغة القياسية الأبسط على نماذج الاستدلال الكبيرة، على الرغم من أنها أقل كفاءة. وفي حالة التعقيد المتوسط، تُظهر نماذج الاستدلال الكبيرة تفوقًا طفيفًا. أما في حالة التعقيد العالي، فيفشل كلا النوعين من الأنظمة تمامًا. علاوة على ذلك، اكتشفت آبل حدًا غير بديهي للتوسع: فالجهد الحسابي للنماذج، الذي يُقاس بعدد الرموز المُستهلكة، يزداد مع ازدياد تعقيد المشكلة حتى نقطة معينة، ثم ينخفض ​​بعد ذلك، حتى مع توفر المزيد من موارد الحوسبة. وهذا يُشير إلى وجود قيدٍ معماري جوهري، وليس مجرد مسألة سعة.

ذهبت دراسة من جامعة ولاية أريزونا إلى أبعد من ذلك، حيث فحصت ما يُسمى بـ"الاستدلال التسلسلي" (CoT)، وهو أسلوب يُوجَّه فيه نماذج الذكاء الاصطناعي للتفكير خطوة بخطوة قبل الاستجابة. والنتيجة: ما يبدو استدلالًا ذكيًا يتبين أنه مجرد وهم هش. لا يعمل الاستدلال التسلسلي بكفاءة إلا إذا كانت بيانات الاختبار مشابهة هيكليًا لبيانات التدريب. وبمجرد ظهور أنواع جديدة من المهام، أو تغيير في أطوال سلاسل الحجج، أو تعديل في صيغ التوجيه، ينهار الأداء المعرفي المفترض. تُعدّ هذه الأنظمة بارعة في إعادة إنتاج البنى المعروفة، لكنها عاجزة تمامًا عند مواجهة تحديات جديدة حقًا.

تُقدّم دراسة "جي إس إم سيمبوليك" التي أجرتها شركة آبل حول الاستدلال الرياضي أدلة ملموسة إضافية. تم اختبار ثمانية نماذج متطورة، بما في ذلك GPT-40 وGemini وLlama ومتغيرات o1 من OpenAI. أظهرت النتائج أن جميع النماذج تعاني من أخطاء في الاستدلال المكاني والتخطيط الاستراتيجي والحساب. وكان اللافت للنظر بشكل خاص أن بعض النماذج أنتجت إجابات صحيحة، لكنها بررتها بمنطق خاطئ. يُعدّ هذا الأمر إشكاليًا للغاية من منظور اقتصادي: فالإجابة تبدو صحيحة، لكن الطريقة المستخدمة للوصول إليها خاطئة، وفي الحالة التالية، وبعد تعديل طفيف، ينهار النظام. تشمل أنماط الأخطاء الشائعة افتراضات لا أساس لها، والاعتماد المفرط على الأنماط العددية، وصعوبات ترجمة الفهم الفيزيائي إلى خطوات رياضية.

يكشف تحليل باستخدام مجموعة بيانات التجريد والاستدلال (ARC)، وهو اختبار معياري للذكاء السائل، عن فجوة فادحة بين الإدراك البشري والآلي: إذ يحل البشر 60% من مهام ARC بشكل صحيح في المتوسط، بينما لم تحقق نماذج OpenAI، في الإصدار الأول من الاختبار، سوى 5% فقط. وفي مهام التخطيط المعقدة، مثل تكديس المكعبات، تفشل نماذج الذكاء الاصطناعي فشلاً شبه تام بعد أكثر من 20 خطوة. أما لغز الحمار الوحشي - وهو لغز منطقي كلاسيكي - فقد حله GPT-4 بشكل صحيح في 10% فقط من الحالات التي تتضمن أربعة منازل، بينما بلغت نسبة النجاح صفرًا عند وجود خمسة منازل وخمس سمات.

تُعدّ النتائج المتعلقة بالتركيبية بالغة الأهمية: فبينما تفهم نماذج اللغة الكبيرة وظائف العمليات الفردية، إلا أنها تواجه صعوبة بالغة في دمج هذه العمليات بشكلٍ فعّال لحلّ المهام المعقدة. فهي تميل إلى تطبيق العمليات نفسها مرارًا وتكرارًا بدلًا من البحث عن التركيبة الصحيحة. وهذا هو جوهر افتقارها إلى القدرة التركيبية: إذ يمكن للنظام استخدام لبنات البناء، لكنه لا يستطيع دمجها بشكلٍ إبداعي ومناسب للموقف. يُضاف إلى ذلك نقص الإنتاجية بالمعنى المنطقي، أي عدم القدرة على توليد أمثلة جديدة وصحيحة بشكلٍ مستقل من قواعد مجردة. باختصار: يستطيع الذكاء الاصطناعي إعادة إنتاج ما رآه، لكنه لا يستطيع استنتاج ما ينبغي أن يترتب عليه.

الحل شبه الداخلي: كيف تسدّ Xpert.Digital الثغرات التشغيلية في التسويق والمبيعات بين الشركات - أعمال ذكية قائمة على المحتوى - الصورة: Xpert.Digital

Xpert.Digital هي منصة صناعية B2B تعتمد على البيانات بقيادة Konrad Wolfenstein . تعمل الشركة كحل خارجي شبه داخلي للشركاء الصناعيين، حيث تسد الثغرات التشغيلية في التسويق والمحتوى والمبيعات - دون الحاجة إلى موارد إضافية من جانب العميل.

للمزيد من المعلومات، انقر هنا:

• الحل شبه الداخلي: كيف تسدّ Xpert.Digital الفجوات التشغيلية في التسويق والمبيعات بين الشركات – أعمال ذكية قائمة على المحتوى

الهلوسة كخطأ نظامي – المخاطر الاقتصادية لليقين الزائف

إنّ القيود العلمية للاستدلال وحده ستكون لها عواقب عملية وخيمة. ولكن ثمة ظاهرة أخرى لا تزال تُستهان بها في التقييم الاقتصادي لأنظمة الذكاء الاصطناعي: وهي الهلوسة. إذ تُنتج نماذج الذكاء الاصطناعي معلومات غير صحيحة واقعيًا بأسلوب لغوي مقنع للغاية، وتفعل ذلك دون أي إشارة تحذيرية واضحة.

كشف تحليل أجرته NewsGuard عام 2025 أن أكثر من ثلث الردود - 35% - من أدوات الذكاء الاصطناعي التوليدية الرائدة احتوت على ادعاءات كاذبة. وقد أجرت وكالة maxonline دراسة شاملة شملت 150 شركة متوسطة الحجم في 11 قطاعًا بمنطقة DACH (ألمانيا والنمسا وسويسرا). وكانت النتيجة أن ChatGPT لم يقدم معلومات دقيقة تمامًا عن الشركات إلا في 3% فقط من أصل أكثر من 450 سؤالًا موحدًا. وفي 45% من الاستفسارات، اختلق الذكاء الاصطناعي معلومات خاطئة، بينما رفض تقديم أي معلومات على الإطلاق في 37% أخرى. والأمر الأكثر إثارة للقلق هو أن 96% من الحالات التي ذكر فيها الذكاء الاصطناعي أسماء مسؤولين تنفيذيين كانت وهمية تمامًا.

بدأت التداعيات الاقتصادية تظهر بوضوح وتتخذ أشكالاً ملموسة. اضطرت أمازون إلى إيقاف أداة توظيف تعتمد على الذكاء الاصطناعي بعد أن مارست تمييزاً ممنهجاً ضد النساء. وخسرت زيلو أكثر من 500 مليون دولار بسبب خوارزميات تقييم الذكاء الاصطناعي المعيبة. وقدمت شركة ديلويت أستراليا تقريراً للحكومة، دفعت مقابله حوالي 440 ألف دولار أسترالي، تضمن معلومات مضللة. وكانت محكمتان ألمانيتان - محكمة مقاطعة كولونيا ومحكمة فرانكفورت الإقليمية - تنظران بالفعل في قضايا عام 2025 استشهد فيها محامون بأحكام وهمية صادرة عن المحكمة الاتحادية العليا في مذكراتهم القانونية، وهي أحكام غير موجودة أصلاً.

يرسم تقرير Dataiku بعنوان "اعترافات الذكاء الاصطناعي العالمية"، الذي شمل استطلاعًا لأكثر من 100 من قادة البيانات في شركات ألمانية كبرى، صورةً مقلقةً لكيفية إدارة هذه المخاطر. فقد أفاد 76% من قادة البيانات الألمان بمواجهتهم مشاكل في أعمالهم العام الماضي بسبب الهلوسات الناتجة عن الذكاء الاصطناعي، وهو رقم قياسي عالمي. في الوقت نفسه، تتغاضى 53% من الشركات الألمانية عن أنظمة الذكاء الاصطناعي التي تُخطئ في أكثر من 20% من القرارات الحاسمة لأعمالها. كما ذكر 82% من قادة البيانات الألمان أن إدارتهم العليا تُقلل من شأن الوقت والجهد اللازمين لجعل أنظمة الذكاء الاصطناعي جاهزة للاستخدام الفعلي. تكشف هذه الأرقام عن فجوة هيكلية في الحوكمة تنطوي على مخاطر جسيمة تتعلق بالمسؤولية الاقتصادية.

تكمن المشكلة الأساسية للهلوسة في بنيتها: إذ تحسب نماذج الذكاء الاصطناعي، بناءً على الاحتمالات، الكلمة أو العبارة التي تلي سابقتها إحصائيًا، دون فهم حقيقي للعالم. وإذا كانت بيانات التدريب غير مكتملة أو مشوهة، تنشأ أخطاء تبدو منطقية لكنها لا تتوافق مع الواقع. وتُعرض هذه الأخطاء بنفس قوة الإقناع اللغوي التي تُعرض بها المعلومات الصحيحة. ويؤدي تزايد كمية المحتوى المُولّد بواسطة الذكاء الاصطناعي على الإنترنت إلى خلق حلقات مُعززة ذاتيًا: إذ تنتشر الهلوسات وتتكاثر وتُغذي بيانات التدريب الجديدة، مما يُهدد بتفاقم مشاكل الجودة على المدى البعيد.

العمارة كقدر – لماذا لا يمكن ببساطة حل المشكلة عن طريق التحسين؟

من المفاهيم الخاطئة الشائعة في النقاش التكنولوجي الاعتقاد بأن نقاط الضعف المذكورة هي مشاكل مؤقتة يمكن التغلب عليها بزيادة القدرة الحاسوبية، أو نماذج أكبر، أو بيانات تدريب أفضل. إلا أن الأدلة العلمية تنفي هذا الاعتقاد.

تكمن المشكلة الأساسية في بنية النموذج نفسه. فنماذج التعلم اللغوي القائمة على المحولات - وهي النموذج السائد في موجة الذكاء الاصطناعي الحالية - مُحسَّنة للتنبؤ بالكلمة التالية بناءً على أنماط إحصائية من بيانات التدريب. هذه البنية فعّالة للغاية في الغرض الذي صُممت من أجله تحديدًا: معالجة اللغة الطبيعية وتوليدها استنادًا إلى أنماط معروفة. مع ذلك، فهي غير مُصممة للاستدلال المنطقي الحقيقي، أو التفكير السببي التحليلي، أو تعميم القواعد على مواقف جديدة تمامًا.

في كتابه اللاحق، "الحاسوب والدماغ"، جادل جون فون نيومان بأن الدماغ البشري - على عكس بنى فون نيومان - لا يعتمد على الدقة الحسابية. فالأنظمة البيولوجية تُنجز بمرونة ما تتطلبه نماذج الذكاء الاصطناعي من قدرات حاسوبية هائلة، وحتى مع ذلك، غالبًا ما تفشل. لذا، يبقى السؤال مطروحًا حول ما إذا كان مستقبل الذكاء الاصطناعي يكمن ببساطة في توسيع نطاق الأساليب الحالية أو في اتباع نهج مختلف جذريًا، وهو سؤال ذو أهمية استراتيجية من منظور اقتصادي.

تؤكد الأبحاث الحديثة حول الاستدلال المنطقي في نماذج التعلم المعزز أنه على الرغم من التقدم الملحوظ الذي أحرزته نماذج مثل OpenAI o3 وDeepSeek-R1، فإن القدرة على الانخراط في حجج منطقية دقيقة لا تزال موضع تساؤل. وتؤكد هذه الدراسات على ضرورة مواصلة استكشاف المناهج العصبية الرمزية، والتعلم المعزز، والضبط القائم على البيانات - وهي مناهج تتجاوز بكثير مجرد توسيع نطاق النماذج الحالية. ومع ذلك، ما لم يحدث تحول جذري في بنية الذكاء الاصطناعي الأساسية، فمن المرجح أن تبقى القيود المعرفية المذكورة قائمة.

التداعيات الاقتصادية – حيث يخلق الذكاء الاصطناعي قيمة وحيث يتسبب في تكاليف

يُفضي التحليل العلمي إلى استنتاج اقتصادي واضح: الذكاء الاصطناعي ليس أداة تفكير شاملة، بل أداة معالجة متخصصة للغاية. ولهذا التمييز آثار مباشرة على قرارات الاستثمار، وسيناريوهات التطبيق، وإدارة المخاطر.

يُحقق الذكاء الاصطناعي قيمةً ملموسةً في مجالات التطبيق التي تعتمد بشكل أساسي على حجم البيانات وسرعتها وقدرتها على تمييز الأنماط. وتشمل هذه المجالات التحليل الآلي لنصوص العقود بحثًا عن البنود القياسية، ومراقبة الجودة في الإنتاج باستخدام أنظمة التعرف على الصور، وتصنيف العملاء بناءً على البيانات السلوكية، والتقييم الفوري لبيانات المستشعرات في مجال الخدمات اللوجستية، وتحسين سلاسل التوريد وفقًا لمعايير محددة. في جميع هذه المجالات، يحل الذكاء الاصطناعي محل القدرات البشرية أو يُكملها في المهام المتكررة التي تتطلب معالجة كميات كبيرة من البيانات، مما يُؤدي إلى مكاسب كبيرة في الكفاءة.

يصبح استخدام الذكاء الاصطناعي محفوفًا بالمخاطر الاقتصادية كلما تطلب الأمر تفكيرًا معقدًا ومتعدد المستويات، أو تحليلًا سببيًا، أو حلًا إبداعيًا للمشكلات، أو تعميمًا على مواقف جديدة تمامًا. وبينما يمكن لأنظمة الذكاء الاصطناعي أن تدعم القرارات الاستراتيجية، والتقييمات القانونية، والتشخيصات الطبية للأمراض المعقدة، أو الاستنتاجات العلمية، إلا أنه لا يمكن تفويض هذه المهام. إن الضرر الاقتصادي الناجم عن الاعتماد غير المدروس على مخرجات الذكاء الاصطناعي في هذه المجالات موثق بالفعل، وسيستمر في التزايد.

تكشف نتائج تقرير داتايكو عن تحدٍّ خاص يواجه الشركات الألمانية: إذ يعتقد 78% من قادة البيانات الألمان أن الإدارة العليا في شركاتهم تبالغ في تقدير دقة أنظمة الذكاء الاصطناعي. وفي الوقت نفسه، يفترض 76% منهم أن توصيات الأعمال التي يُصدرها الذكاء الاصطناعي تُؤخذ على محمل الجد في مؤسساتهم أكثر من توصيات الموظفين. هذا المزيج من المبالغة في تقدير التكنولوجيا والتقليل الممنهج من قيمة الخبرة البشرية يُشكل خطراً اقتصادياً، إذ قد يؤدي إلى استثمارات خاطئة، ومخاطر قانونية، وخطوات استراتيجية خاطئة.

الذكاء كفئة مجتمعية – ما هو على المحك

إن النقاش حول حدود الذكاء الاصطناعي يتطرق في نهاية المطاف إلى سؤال يتجاوز إدارة الأعمال البحتة: ماذا يعني ذلك بالنسبة للمجتمع عندما يثق بشكل متزايد في أنظمة الذكاء الاصطناعي الموثوقة في التعامل مع البيانات الضخمة ولكنها غير قادرة هيكليًا على التفكير الحقيقي؟

أجرت جامعة موسكو الحكومية للاقتصاد (HSE) دراسةً بحثت في كيفية تقييم نماذج الذكاء الاصطناعي لقدرات التفكير الاستراتيجي لدى الإنسان. وكشفت النتائج عن أمرين هامين: أولهما أن نماذج الذكاء الاصطناعي الحالية، مثل ChatGPT، تُبالغ بشكل كبير في تقدير العقلانية البشرية، وبالتالي تخسر في ألعاب المنطق أمام المشاركين الحقيقيين. إذ يعتبر الذكاء الاصطناعي البشرية أكثر عقلانية ومنطقية مما هي عليه في الواقع. في الوقت نفسه، يشير الباحثون إلى أن الاستخدام المكثف لأدوات الذكاء الاصطناعي قد يُضعف قدرة الإنسان على التفكير النقدي والمستقل على المدى الطويل. فإذا عجز الناس بشكل متزايد عن استخلاص استنتاجاتهم المنطقية الخاصة لاعتمادهم على مخرجات الذكاء الاصطناعي، وعجز الذكاء الاصطناعي نفسه عن استخلاص استنتاجات منطقية حقيقية، فسينشأ فراغ جماعي.

يوثق مؤشر ستانفورد للذكاء الاصطناعي لعام 2025 أن تطوير الذكاء الاصطناعي يحقق تقدماً ملحوظاً في العديد من المجالات. مع ذلك، يكمن هذا التقدم بشكل أساسي في القدرة على المعالجة، وإتقان اللغة، واتساع نطاق المعارف التي يغطيها، وليس في التفكير المنطقي الأساسي. وقد حدد داريو أمودي، الرئيس التنفيذي لشركة أنثروبيك، سيناريوهات قد تتفوق فيها أنظمة الذكاء الاصطناعي على الحائزين على جائزة نوبل بحلول عام 2026. وتتناقض هذه التوقعات المتفائلة تناقضاً صارخاً مع نتائج المختبرات التي تُظهر أن حتى النماذج المتقدمة تفشل في الرياضيات الأساسية عند تغيير المهام بشكل طفيف.

لا يزال الجدل قائمًا حول الذكاء الاصطناعي العام، أي متى سيتمكن من محاكاة التفكير البشري بكامله. ويكشف تحليل لأكثر من 9800 توقع من الخبراء عن تباين واسع في الآراء. إلا أن ما هو راسخ علميًا هو أن المناهج الحالية تقترب من حدودها الأساسية في التفكير القابل للتعميم. ولن يكون تحقيق طفرة في مجال الذكاء الاصطناعي العام استمرارًا للنهج الحالي، بل سيتطلب قفزة نوعية في بنية الذكاء الاصطناعي، والتي لا يزال توقيتها وشكلها غير واضحين تمامًا.

الدقة بدلاً من النشوة – عواقب الاستخدام الاستراتيجي للذكاء الاصطناعي

يُفضي التحليل الاقتصادي لقيود الذكاء الاصطناعي إلى توصية بسيطة بقدر ما هي غير مريحة: الدقة بدلًا من النشوة. ويعني هذا تحديدًا تركيز استخدام الذكاء الاصطناعي في المجالات التي يتمتع فيها بمزايا موثقة، والتعامل معه بحذر وإشراف بشري في المجالات التي تُشكّل فيها نقاط ضعفه الهيكلية مخاطر اقتصادية واجتماعية.

بالنسبة للشركات، يعني هذا أن الأنظمة المدعومة بالذكاء الاصطناعي لمعالجة البيانات، والتعرف على الأنماط، وتوليد النصوص المتكررة، قادرة على تحقيق مكاسب إنتاجية كبيرة، وهي مبررة. مع ذلك، فإن الأنظمة المدعومة بالذكاء الاصطناعي لاتخاذ القرارات المعقدة، أو إجراء التحليلات السببية، أو التقييمات القانونية، أو التخطيط الاستراتيجي، تتطلب بالضرورة مراجعة بشرية، ولا يجوز استخدامها كجهات اتخاذ قرارات مستقلة. وبناءً على المعرفة الحالية، فإن مستوى التسامح لدى العديد من الشركات الألمانية تجاه أخطاء الذكاء الاصطناعي في التطبيقات الحيوية لأعمالها غير مقبول اقتصاديًا أو قانونيًا.

يمثل هذا فرصة استراتيجية لألمانيا. يجب تضييق الفجوة الدولية في تبني الذكاء الاصطناعي التوليدي، ولكن ليس على حساب قبول الوعود التكنولوجية دون تمحيص. تمتلك دولة صناعية قائمة على الدقة والجودة والموثوقية الهندسية القدرة على تبني نهج واعٍ ومُدرك للمخاطر تجاه الذكاء الاصطناعي كميزة تنافسية. لن يتحقق العائد المتوقع البالغ 440 مليار يورو، والذي تشير إليه الدراسات لألمانيا، إلا إذا تم توظيف الذكاء الاصطناعي في المجالات التي يُظهر فيها قدراته الحقيقية، وليس في المجالات التي يُخفي فيها كفاءة حقيقية.

قد تُبهرك الآلة الذكية بقدرتها على معالجة كميات هائلة من البيانات، لكنها تبقى أداةً عاجزةً عن التفكير. هذا الإدراك ليس مبرراً لرفض التكنولوجيا، بل هو دافعٌ قويٌّ للحكم الرشيد. ولطالما كان الحكم الرشيد هو الخيار الأمثل اقتصادياً عند التعامل مع التقنيات التحويلية.

☑️ لغة أعمالنا هي الإنجليزية أو الألمانية

☑️ جديد: مراسلات بلغتك الأم!

Konrad Wolfenstein

يسعدني أنا وفريقي أن نكون متاحين لكم بصفتنا مستشاركم الشخصي.

يمكنكم التواصل معي عبر ملء نموذج الاتصال هنا [email protected]:أو الاتصال بي مباشرةً على الرقم +49 7348 4088 965. عنوان بريدي الإلكتروني هو

أتطلع إلى مشروعنا المشترك.

☑️ دعم الشركات الصغيرة والمتوسطة في مجالات الاستراتيجية والاستشارات والتخطيط والتنفيذ

☑️ إنشاء أو إعادة تنظيم الاستراتيجية الرقمية والتحول الرقمي

☑️ توسيع وتحسين عمليات المبيعات الدولية

☑️ منصات التداول العالمية والرقمية بين الشركات

☑️ تطوير الأعمال الرائدة / التسويق / العلاقات العامة / المعارض التجارية

من الشفافية إلى الثقة: مسارك القابل للتوسع مع Xpert.Digital - الصورة: Xpert.Digital

في مجال الأعمال الصناعية بين الشركات، نادراً ما تنشأ علاقات تجارية مستدامة بين عشية وضحاها. بل تتطور تدريجياً من خلال الشفافية، والأهمية المهنية، والتواصل المستمر، وبناء الثقة المتنامية. ويُعالج نموذج Xpert.Digital ذو المراحل الأربع هذا الأمر تحديداً: فهو يُقدم مساراً منظماً يبدأ بنقطة دخول سهلة، ويمكن تطويره إلى تعاون أعمق في تنمية الأعمال عند الحاجة.

بدلاً من الاعتماد على وعود تسويقية براقة، يضع هذا النموذج العلاقة في صميم اهتمامه. تبدأ الشركات بمقاييس محددة بوضوح وسهلة الحساب، ثم تقرر، بناءً على خبرتها، مدى رغبتها في توسيع نطاق التعاون. ومن العوامل الرئيسية في هذه العملية السلسة لبناء الثقة: أن المنصة تتجنب تماماً الإعلانات المزعجة، بحيث يبقى التركيز التحريري منصباً بالكامل على خبرة الشركات.

للمزيد من المعلومات، انقر هنا:

• من الشفافية إلى الثقة: مسارك القابل للتوسع مع Xpert.Digital