روبوتات الدردشة بالذكاء الاصطناعي تقدّم إجابات أسوأ للمستخدمين الأكثر هشاشة

ظلّت صناعة التكنولوجيا سنوات تقنعنا بأن الذكاء الاصطناعي «أداة المساواة الكبرى»، وهو وسيلة تمنح أستاذ هارفارد وطالب السنة الأولى في جامعة إقليمية معرفة بالجودة نفسها. لكن دراسة جديدة من مركز MIT للتواصل البنّاء (MIT Center for Constructive Communication) تنسف هذه الأسطورة بدقة جراحية: فنماذج الذكاء الاصطناعي الرائدة تقدّم بصورة منهجية إجابات أقل دقة للمستخدمين الذين يتقنون الإنجليزية بدرجة محدودة، أو يحملون قدرًا أقل من التعليم الرسمي، أو ينحدرون من خلفيات غير غربية. بعبارة أخرى، تعمل روبوتات الدردشة بشكل أفضل لمن يملكون أصلًا إمكانية الوصول إلى معلومات عالية الجودة من دونها.

ولفهم حجم المشكلة لا بد من السياق. فقد تدرّبت أكبر النماذج اللغوية، من ChatGPT إلى Claude وGemini، في الغالب على بيانات باللغة الإنجليزية أنتجتها فئة ديموغرافية محددة: ناطقون أصليون متعلمون، معظمهم من الولايات المتحدة وأوروبا الغربية. وحين «تفكّر» النموذج، فإنه يستند إلى الأنماط التي تعلّمها من هذه المدوّنة. وهذه ليست علة برمجية، بل سمة معمارية، لكن عواقبها ملموسة تمامًا وخطيرة اجتماعيًا.

درس باحثو MIT كيف تتغير جودة الإجابات بحسب ملف المستخدم. واختبروا سيناريوهات صيغت فيها الأسئلة بسمات مميزة لمحدودية إتقان اللغة، مثل بنية نحوية غير معيارية ومفردات غير مألوفة وتراكيب متأثرة باللكنة. وجاءت النتائج دالّة: فالنماذج لم تكتفِ بفهم هذه الطلبات بصورة أسوأ، بل قدّمت معلومات أقل دقة من الناحية الفعلية. ولا تقتصر المشكلة على أن يطلب روبوت الدردشة إعادة صياغة السؤال، فهو يجيب بثقة، لكن إجابته أسوأ. وهذا بالغ الخطورة لأن المستخدم لا يتلقى أي إشارة إلى تراجع الجودة.

وآلية هذه الظاهرة متعددة الأوجه. أولًا، تعكس بيانات التدريب رؤية العالم والمرجعيات الثقافية للطبقة المتعلمة الأمريكية في المقام الأول. وحين يفسّر النموذج طلبًا ملتبسًا، فإنه يضع افتراضات، وهذه الافتراضات مضبوطة إحصائيًا على ملف اجتماعي بعينه. ثانيًا، تقلّل التراكيب اللغوية غير المعيارية ثقة النموذج في تفسير قصد المستخدم، ما يقود إلى إجابات أقل صلة بالسؤال أو أقل تدقيقًا. ثالثًا، توجد مشكلة ما يُسمّى «التحيّز الثقافي»: فالمفاهيم نفسها، الطبية والقانونية والمالية، تحمل في الثقافات المختلفة دلالات وسياقات متباينة، وكثيرًا ما تتجاهلها النماذج.

وتمتد تبعات هذا الخلل إلى ما هو أبعد بكثير من النقاش الأكاديمي. فكّر في من يلجأ إلى أدوات الذكاء الاصطناعي أكثر من غيره للحصول على معلومات بالغة الأهمية عن الصحة والحقوق والتعليم والتوظيف. إنهم أولئك الذين لا يستطيعون تحمّل كلفة محامٍ أو طبيب بأجر. مهاجر يحاول فهم قواعد التأشيرات. طالب هو الأول في أسرته يلتحق بالجامعة ويبحث عن مساعدة في إجراءات القبول. مسنّ بمهارات لغوية محدودة يستوضح جدول تناول أدويته. بالنسبة إلى هؤلاء، ليس روبوت الدردشة لعبة مريحة، بل بديلًا حقيقيًا عن خدمات مهنية لا تتاح لهم. ومع ذلك فإن النظام يجيبهم بأسوأ ما يكون.

ويجب أن تكون هذه الدراسة جرس إنذار للصناعة. فشركات OpenAI وGoogle وAnthropic وغيرها تستثمر موارد ضخمة في رفع دقة نماذجها وأمانها، لكن المعايير المرجعية (benchmarks) القياسية تقيس الأداء على مدخلات مثالية. وإذا تراجعت جودة الإجابة تراجعًا كبيرًا مع لغة الإدخال غير المعيارية، فإن مؤشرات الدقة المعلنة لا تعكس ببساطة التجربة الفعلية لشريحة واسعة من المستخدمين. وتحتاج الصناعة إلى مقاييس جديدة تراعي التنوع الديموغرافي واللغوي في سيناريوهات الاختبار.

دراسة MIT ليست حكمًا بالإدانة على التقنية، بل تشخيص لحالتها الراهنة. فالنماذج اللغوية تتدرّب على بيانات صنعها البشر، وترث اللامساواة البنيوية المتجذرة فيها. وما لم تصبح مناهج تدريب النماذج وتقييمها أكثر شمولًا بصورة جذرية، ستظل أدوات الذكاء الاصطناعي تعيد إنتاج اللامساواة التي تعد بتجاوزها، بل وتفاقمها. والتقنية التي تعمل بصورة أفضل لمن هم أقل حاجة إليها ليست أداة محايدة للتقدم. إنها مرآة لنظام الامتيازات القائم، في ثوب رقمي.