Databricks: لماذا انتقل الذكاء الاصطناعي في المؤسسات من الحماس إلى الأمان

في TechCrunch Disrupt 2026، قدّم أحد المؤسسين المشاركين لشركة Databricks ملاحظة تفسّر الكثير: فالذكاء الاصطناعي في المؤسسات ينتقل إلى مرحلة جديدة جذريًا. لقد نضجت نظرة الشركات إلى هذه التقنية. قبل نحو عامين كان السؤال بسيطًا: «هل هذا سحري؟ وهل يمكننا استخدامه؟» أما الآن فالسؤال مختلف: «هل هذا آمن؟ وهل سيعمل في ظروف التشغيل الفعلية؟ وكم يكلّف فعليًا؟»

نهاية الغرب المتوحش في المشاريع التجريبية

هذه نقطة تحوّل في القطاع. ففي عامي 2024-2025 اندفعت الشركات في موجة واحدة: صدر ChatGPT، والجميع يريد الذكاء الاصطناعي، فلنُطلق مشروعًا تجريبيًا. كانت الميزانيات سخيّة، والتشكك في حدّه الأدنى. لم تكن Databricks وOpenAI وAnthropic تبيع منتجات، بل كانت تبيع الإمكانات. كان الموردون يشرحون: هذا قد يغيّر شركتكم، وهذا قد يوفّر عليكم المال. وكانت المشاريع التجريبية تُنجز بنجاح، مع عروض توضيحية جذابة. عمل النموذج على 100 مثال، وكان الجميع مبهورًا. ثم تأتي اللحظة التالية: كيف سنُطلق هذا الآن في بيئة الإنتاج (production)؟ وفي هذه اللحظة بالذات كان كل شيء يتوقف.

تلمس Databricks ذلك مباشرة في مفاوضاتها. فهي تستعد لـ Disrupt 2026 بنحو خمسين قصة نجاح، وفي كل قصة منها العبارة نفسها: «توقفت الصفقة عند مرحلة مراجعة الامتثال (compliance-review).» أو: «انتظرت الشركة إجابة عن سؤال: كيف نحدّث النموذج؟» أو: «استغرق النقاش ثلاثة أشهر: وماذا لو هلوس النموذج في موقف حقيقي؟»

ما الذي يُفشل الصفقات فعليًا

تبيّن أن العدو الرئيسي للذكاء الاصطناعي في المؤسسات ليس منافسة الموردين، بل واقع حوكمة الشركات (corporate governance):

• الامتثال والتنظيم — GDPR وHIPAA وPCI DSS. لا يستطيع المصرف ببساطة إرسال بيانات عملائه إلى السحابة التي يعيش فيها النموذج. ولا تستطيع شركة التأمين الاعتماد على نموذج قد ينتهك HIPAA. وهذا ليس خطرًا مجردًا، بل غرامات بملايين الدولارات.
• التكامل مع الأنظمة القديمة (legacy) — تعمل معظم شركات Fortune 500 على قواعد بيانات أقدم من المهندسين أنفسهم. ويجب أن يندمج مسار الذكاء الاصطناعي (AI-pipeline) الجديد دون أن يُعطّل سير عمل عمره 20 عامًا.
• التكاليف الفعلية — كلّفت التجربة 200 ألف دولار ($200K). أما الإنتاج فيكلّف من 500 ألف إلى 2 مليون دولار سنويًا ($500K-$2M). فهناك حاجة إلى MLOps، وإلى مهندسين، وإلى إعادة تدريب النموذج، وإلى المراقبة، وإلى التراجع عن الإصدارات.
• الموثوقية على نطاق واسع (scale) — عملت التجربة على 100 مثال. أما في الإنتاج فهناك 100K مثال يوميًا. وقد ينهار النموذج فجأة عند الحالات الحدّية (edge cases) التي لم تكن موجودة في عيّنة الاختبار.
• مسألة مصدر الحقيقة — من أين تأتي البيانات؟ إذا كان النموذج يتحدث مع 10 واجهات API مختلفة، فأيّها مصدر الحقيقة؟ وماذا لو تعارضت؟

أطلقت Databricks منصتها لهذا الغرض تحديدًا: مساحة عمل موحّدة للبيانات والذكاء الاصطناعي، يمكن فيها تدريب النموذج وتشغيله في بيئة الإنتاج ومراقبته، وكل ذلك في مكان واحد ودون تكامل مع 15 موردًا.

ماذا يعني هذا للسوق

لم تعد العروض التوضيحية المبهرة والوعود كافية للموردين. تريد المؤسسات ضمانات. وتريد بنية لا تتطلب إعادة كتابة البنية التحتية بأكملها. وتريد إثباتًا: هنا سجل التدقيق (audit trail)، وهنا سجل الامتثال (compliance-log)، وهنا إدارة إصدارات النماذج.

يتباطأ قطاع المؤسسات في الذكاء الاصطناعي. لكن هذا ليس خبرًا سيئًا، بل خبر جيد. فالشركات تتوقف عن إجراء مشاريع تجريبية بلا معنى بعائد استثمار (ROI) مُختلَق. وهي تسأل: أين القيمة؟ ومن سيتولى دعم هذا؟ وهذا مفيد للسوق، لأنه يعني استثمارات صائبة. لكنه سيئ للموردين الذين لم يبيعوا سوى حكايات الذكاء الاصطناعي العام (AGI).