طلب العميل روبوت دردشة بالذكاء الاصطناعي، لكن تقنية مختلفة تمامًا هي التي أنقذته

ثمة قاعدة هندسية قديمة تقول: لا تؤتمت الفوضى، بل ابدأ بترتيب الأمور أولًا. وتجسّد قصة نُشرت على موقع «هابر» هذه القاعدة على نحو مثالي، كما تُظهر في الوقت نفسه أين يمكن للذكاء الاصطناعي أن يحقق فائدة حقيقية، وأين يتحول إلى لعبة باهظة الثمن تعالج مشكلة لا علاقة لها بالمطلوب.

الموقف مألوف إلى حد الوجع: تتوجه شركة إلى المطورين بطلب محدد، هو روبوت دردشة بالذكاء الاصطناعي لدعم العملاء. والأرقام على الطاولة مقنعة: 200 طلب يوميًا، وأربعة موظفين لا يستطيعون مواكبتها، ودوران وظيفي دائم يُضعف جودة الخدمة باستمرار. يبدو هذا سيناريو كلاسيكيًا لإدخال نموذج لغوي كبير: تدرّب الروبوت على سجل المراسلات، وتطلقه في بيئة الإنتاج، فيخفّ العبء عن البشر. بهذه الطريقة تحديدًا يبيع عشرات المتكاملين حلول الذكاء الاصطناعي في السوق.

لكن فريق المطورين تصرّف بشكل مختلف. فبدلًا من نشر البنية التحتية لروبوت الدردشة فورًا، جلسوا وقرأوا خمسمئة تذكرة يدويًا. لم يتصفحوها تصفحًا سريعًا، ولم يمرروها إلى شبكة عصبية لتصنيفها بسرعة، بل قرأوها بأعينهم، متعمقين في جوهر كل طلب. وجاءت النتيجة صادمة. تبيّن أن ثمانية وستين في المئة من جميع الطلبات تُغلق باستدعاء API بسيط: التحقق من حالة الطلب، أو تحديث البيانات، أو بدء عملية إرجاع. وهذه مهام لا تحتاج إلى الذكاء الاصطناعي إطلاقًا، إذ يكفي واجهة مصممة جيدًا وتكامل مع الخلفية البرمجية (backend). أما أربعة عشر في المئة أخرى من الطلبات فكانت تُحل بنموذج إدخال على شكل معالج خطوات (wizard)، أي سيناريو متدرج يجتاز فيه العميل بنفسه سلسلة من الأسئلة ويحصل على النتيجة دون تدخل موظف.

بعبارة أخرى، أكثر من ثمانين في المئة من عبء الدعم لم يكن موجودًا لأن المهام معقدة، بل لأن العملاء لم تتوفر لهم أداة مريحة للخدمة الذاتية. لم تكن المشكلة في غياب الذكاء الاصطناعي، بل في غياب الأتمتة الأساسية. وهذا فرق جوهري يسهل إغفاله في خضم الضجة المحيطة بالنماذج التوليدية.

لكن القصة لا تنتهي هنا، وهنا بالذات تصبح مثيرة للاهتمام حقًا. فبعد أن أُخرجت المهام الروتينية من المعادلة، خضعت الطلبات المتبقية، وهي المعقدة وغير النمطية والتي تتطلب انتباهًا بشريًا، لعملية تجميع (clustering) بواسطة الذكاء الاصطناعي. واكتشف النموذج ما لم يلاحظه لا الموظفون ولا المديرون: مجموعة ذات دلالة إحصائية من الشكاوى تشير إلى دفعة معيبة من البضائع. لم تكن المشكلة قد تحولت بعد إلى ظاهرة واسعة، فقد كانت الطلبات المتفرقة تضيع في التدفق العام، ولم يكن بوسع أي موظف أن يرى النمط وهو يعالج التذاكر واحدة تلو الأخرى. لكن خوارزمية التجميع، بمعالجتها البيانات مجتمعة، رصدت الشذوذ، وحذّرت الشركة فعليًا من أزمة وشيكة.

تكمن قيمة هذه الحالة في أنها تقلب المنطق المعتاد لإدخال الذكاء الاصطناعي في العمليات التجارية. فالسوق اليوم مهووس حرفيًا بفكرة روبوتات الدردشة المبنية على النماذج اللغوية الكبيرة. وتنفق الشركات مئات الآلاف على حلول لا تفعل في جوهرها أكثر مما تفعله صفحة أسئلة شائعة (FAQ) جيدة الإعداد مزوّدة بشريط بحث. في المقابل، تبقى القوة الحقيقية للتعلم الآلي، وهي القدرة على اكتشاف أنماط غير بديهية في مجموعات البيانات الكبيرة، غير مستثمرة، لأن أحدًا لا يصل إليها بعد أن يغرق في أتمتة الروتين.

وفي سياق أوسع، تندرج هذه الحالة ضمن توجه يكتسب زخمًا في الصناعة. فيزداد عدد الممارسين الذين يقولون إن النجاح في إدخال الذكاء الاصطناعي لا يبدأ باختيار النموذج ولا بكتابة المطالبات (prompts)، بل بتدقيق العمليات. فقبل أن نسأل «أي شبكة عصبية نربط؟»، ينبغي أن نسأل «ما الذي تعطّل بالضبط ولماذا؟». وغالبًا ما يكون الجواب عاديًا: ما تعطّل ليس «ذكاء» الدعم، بل توجيه الطلبات، أو بنية قاعدة المعرفة، أو ببساطة غياب زر «التحقق من حالة الطلب» في الحساب الشخصي.

وتشكّل قصة الدفعة المعيبة كذلك حجة لصالح أن الذكاء الاصطناعي يكون أكثر فاعلية حين يعمل كمعزّز للإنسان لا كبديل عنه. فموظف الدعم عاجز فعليًا عن الاحتفاظ بآلاف الطلبات في ذهنه واكتشاف الشذوذ الإحصائي بينها. لكنه قادر تمامًا على اتخاذ القرار حين ينبّهه النظام إلى المشكلة. وفي هذا الدمج بين التحليل الآلي والحكم البشري تولد القيمة الحقيقية، لا في محاولة استبدال الموظف الحي بنموذج توليدي يهلوس أحيانًا.

الخلاصة بسيطة، وغير مريحة لمن يبيعون حلول الذكاء الاصطناعي الجاهزة «تسليم مفتاح»: أحيانًا يكون أفضل ما يمكن لفريق التطوير فعله هو أن يقول للعميل بصراحة إنه لا يحتاج إلى روبوت دردشة. ثم يريه أين سيغيّر الذكاء الاصطناعي قواعد اللعبة فعلًا.