طلب عميل روبوت دردشة AI، لكن الحل جاء من تقنية مختلفة تمامًا

يوجد حكمة هندسية قديمة: لا تؤتمت الفوضى—أولاً رتب الأمور. قصة منشورة على موقع Habr توضح هذا بشكل مثالي وتظهر في نفس الوقت أين يمكن للذكاء الاصطناعي أن يوفر قيمة حقيقية، وأين يصبح لعبة مكلفة تحل المشكلة الخاطئة.

الوضع مألوف بشكل مؤلم: تتجه شركة إلى المطورين برغبة محددة—تحتاج إلى روبوت دردشة بالذكاء الاصطناعي لدعم العملاء. الأرقام على الطاولة مقنعة: 200 طلب يومياً، أربعة مشغلين لا يستطيعون مواكبة الطلب، ودوران مستمر للموظفين يقلل جودة الخدمة باستمرار. يبدو هذا سيناريو كلاسيكي لنشر نموذج لغة كبير—درب الروبوت على سجل المحادثات، أطلقه للإنتاج، قلل الحمل على الناس. هذا بالضبط كيف يبيع عشرات المدمجين في السوق حلول الذكاء الاصطناعي.

لكن فريق التطوير اتخذ نهجاً مختلفاً. بدلاً من إعداد بنية روبوت الدردشة على الفور، جلسوا وقرأوا خمسمائة تذكرة يدويًا. لم يطالعوها بسرعة، لم يغذوا شبكة عصبية للتصنيف السريع—قرأوها فعلاً بعيونهم، فاهمين جوهر كل طلب. والنتيجة كانت محبطة. اتضح أن ثمانية وستين بالمئة من جميع الطلبات يمكن إغلاقها بمجرد استدعاء API بسيط: تحقق من حالة الطلب، حدّث البيانات، ابدأ الاسترجاع. هذه مهام لا تحتاج الذكاء الاصطناعي على الإطلاق—واجهة مصممة بشكل جيد والتكامل مع خادم الويب كافيان. أربعة عشر بالمئة إضافية من الطلبات تم حلها بنموذج معالج—سيناريو خطوة بخطوة، حيث يمر العميل عبر سلسلة من الأسئلة ويحصل على النتيجة دون تدخل المشغل.

بعبارة أخرى، أكثر من ثمانين بالمئة من حمل الدعم كان موجوداً ليس لأن المهام كانت معقدة، بل لأن العملاء لم يكن لديهم أداة خدمة ذاتية مريحة. المشكلة لم تكن غياب الذكاء الاصطناعي، بل غياب الأتمتة الأساسية. هذا تمييز أساسي من السهل جداً تفويته في ضجيج الاهتمام حول النماذج التوليدية.

لكن القصة لا تنتهي هناك، وهنا تصبح مثيرة حقاً. عندما أزالوا الروتين من المعادلة، تم تقديم الطلبات المتبقية—تلك المعقدة والغير قياسية التي تحتاج انتباهاً بشرياً—للتجميع باستخدام الذكاء الاصطناعي. واكتشف النموذج شيئاً لم يلاحظه لا المشغلون ولا المديرون: مجموعة ذات أهمية إحصائية من الشكاوى تشير إلى دفعة معيبة من المنتجات. المشكلة لم تصبح منتشرة بعد—الطلبات الفردية ضاعت في التدفق العام، ولا يستطيع أي مشغل واحد رؤية النمط عند التعامل مع التذاكر واحداً تلو الآخر. لكن خوارزمية التجميع، عند معالجة البيانات مجتمعة، حددت الشذوذ وأساساً حذرت الشركة من أزمة قادمة.

هذه الحالة قيمة لأنها تقلب المنطق التقليدي لتنفيذ الذكاء الاصطناعي في العمليات التجارية. السوق حالياً مهووس بفكرة روبوتات الدردشة القائمة على نماذج اللغة الكبيرة. تنفق الشركات مئات الآلاف على تنفيذ حلول تفعل بشكل أساسي ما تفعله صفحة أسئلة شائعة مكتوبة بشكل جيد مع شريط بحث. في الوقت نفسه، القوة الحقيقية للتعلم الآلي—القدرة على إيجاد أنماط غير واضحة في مجموعات بيانات كبيرة—تبقى غير مستخدمة، ببساطة لأنهم لا يصلون إليها أبداً، غارقين في أتمتة العمل الروتيني.

في سياق أوسع، هذا جزء من اتجاه يكتسب زخماً في الصناعة. يقول عدد متزايد من الممارسين أن تنفيذ الذكاء الاصطناعي بنجاح لا يبدأ باختيار نموذج أو كتابة الأوامس، بل بتدقيق العمليات. قبل السؤال "أي شبكة عصبية يجب أن نوصلها"، يستحق السؤال "ما بالضبط مكسور ولماذا". غالباً ما تكون الإجابة عادية: ما هو مكسور ليس ذكاء الدعم، بل توجيه الطلبات، أو هيكل قاعدة المعرفة، أو ببساطة غياب زر "تحقق من حالة الطلب" في حساب العميل.

قصة الدفعة المعيبة هي أيضاً حجة بأن الذكاء الاصطناعي أكثر فعالية ليس كبديل للبشر، بل كمضخم لهم. مشغل الدعم غير قادر جسدياً على الاحتفاظ بآلاف الطلبات في رأسه وتحديد الشذوذ الإحصائي بينها. لكنه قادر تماماً على اتخاذ قرار عندما يسلط النظام الضوء على مشكلة. في هذا التوليف—التحليل الآلي مضافاً إليه الحكم البشري—تُولد القيمة الحقيقية، لا في محاولة استبدال مشغل حي بنموذج توليدي يهلوس أحياناً.

الخلاصة بسيطة وغير مريحة لمن يبيعون حلول الذكاء الاصطناعي "جاهزة الاستخدام": أحياناً أفضل ما يمكن لفريق تطوير أن يفعله هو أن يخبر العميل بصراحة أنه لا يحتاج إلى روبوت دردشة. وبعد ذلك يظهر أين سيغير الذكاء الاصطناعي حقاً قواعد اللعبة.