وكيل ذكاء اصطناعي لفحص المواصفات الفنية: لماذا نؤتمت ما يفشل يدويًا

المواصفات الفنية السيئة قنبلة موقوتة. فهي لا تنفجر فورًا، بل بعد أسابيع أو أشهر، حين يكتشف فريق التطوير أن العميل كان يقصد شيئًا مختلفًا تمامًا، وأن المتطلبات تناقض بعضها بعضًا، وأن نصف السيناريوهات الحرجة لم يُوصف أصلًا. وبحسب تقديرات مختلفة، يرتبط ما يصل إلى 40 بالمئة من أعمال إعادة العمل في مشاريع تقنية المعلومات بتوثيق رديء في مرحلة البداية. قرّرت إحدى المطوّرات أن بالإمكان فعل شيء حيال ذلك، فبنت وكيل ذكاء اصطناعي يفحص المواصفات الفنية قبل أن يبدأ أحد بكتابة الشيفرة بناءً عليها.

تكسب القصة، التي نُشرت على «هابر» في مطلع مارس 2026، القارئ بصراحتها. فالكاتبة تحذّر منذ البداية: هذا ليس منتجًا جاهزًا ولا حلًا شاملًا. إنه تجربة وُلدت من معاناة شخصية، من العمل مع وثائق يحتمل كل بند ثانٍ فيها أكثر من تفسير. والفكرة بسيطة وأنيقة: توجيه نموذج لغوي إلى نص المواصفات الفنية وطلب البحث عن التناقضات والثغرات المنطقية والصياغات الملتبسة والحالات الحدّية المفقودة. وما يستغرق من محلّل بشري ساعات من القراءة المتأنية يستطيع وكيل الذكاء الاصطناعي إنجازه في دقائق.

من الناحية التقنية، يندرج النهج ضمن نموذج وكلاء الذكاء الاصطناعي الذي يكتسب شعبية متزايدة، وهم أنظمة مستقلة تقوم على نماذج لغوية كبيرة، لا تكتفي بالإجابة عن الأسئلة، بل تنفّذ سلسلة من الإجراءات لبلوغ هدف محدد. في هذه الحالة، يقسّم الوكيل المواصفات إلى كتل منطقية ويحلّل كل كتلة على حدة للتحقق من اتساقها الداخلي. ثم يفحص اتساق الكتل مع بعضها، وأخيرًا يُعدّ تقريرًا منظّمًا يحدّد المواضع الإشكالية بدقة. وهذا ليس مجرد موجّه (prompt) في ChatGPT، بل سلسلة استدلال بسياق وذاكرة.

وما يجعل هذه التجربة جديرة بالاهتمام حقًا أنها تعكس تحوّلًا جوهريًا في طريقة تفكير المطوّرين في توظيف النماذج اللغوية. فالموجة الأولى من الحماسة ارتبطت بتوليد الشيفرة: GitHub Copilot والإكمال التلقائي وتحويل الأوصاف إلى دوال عاملة. أما الموجة الثانية التي نشهدها اليوم فتتجه إلى العمليات المحيطة بالشيفرة: مراجعة التوثيق وتحليل المتطلبات والتحقق من اكتمال حالات الاختبار وتدقيق القرارات المعمارية. وهذا أقل إبهارًا من عبارة «الذكاء الاصطناعي يكتب الشيفرة بدلًا منك»، لكنه قد يكون أكثر قيمة بكثير للأعمال.

ومشكلة جودة المواصفات الفنية من المشكلات التي تحاول الصناعة حلّها منهجيًا منذ عقود. فقد تجاوزتها منهجية Agile جزئيًا باستبدال المواصفات المتراصّة بقصص مستخدم تكرارية. لكن حتى في فرق Agile، لا بد أن يكتب أحدهم معايير قبول (acceptance criteria) واضحة، وأن يراجعها أحد آخر. وفي التعهيد والتطوير حسب الطلب، حيث تبقى المواصفات وثيقة قانونية، تكون المخاطر أعلى. فالصياغة غير الدقيقة في المواصفات ليست مجرد دين تقني، بل نزاع محتمل بين العميل والمنفّذ قد ينتهي في المحكمة.

وبطبيعة الحال، لهذا النهج حدوده، ولا تخفيها صاحبة التجربة. فالنموذج اللغوي لا يفهم السياق التجاري للمشروع كما يفهمه محلّل ذو خبرة. وقد يشير إلى تناقض شكلي حيث لا تناقض، أو يفوّت مشكلة متنكّرة في هيئة صياغة سليمة. ووكيل الذكاء الاصطناعي لا يحلّ محل الخبرة البشرية، بل يعزّزها بدور المرشّح الأول الذي يلتقط المشكلات الواضحة ويوفّر للمحلّل وقتًا للعمل على المشكلات غير الواضحة.

ومن المثير أيضًا أن أدوات كهذه لم تعد تظهر فقط كمشاريع جانبية لهواة متحمسين. فمنصات إدارة المتطلبات الكبرى تدمج بالفعل وظائف ذكاء اصطناعي لتحليل جودة التوثيق. Jira وConfluence وNotion، كلها تتجه في هذا الاتجاه. لكن الوكلاء المخصّصين الذين يُصمَّمون لعمليات فريق بعينه قد يتفوقون في الكفاءة على الحلول العامة. ولهذا تحديدًا تحمل تجربة بناء وكيل كهذا «على عجل» قيمة: فهي تبيّن أن عتبة الدخول انخفضت إلى حد أن اختصاصيًا واحدًا يستطيع، في عدة أمسيات، تجميع نموذج أولي يعمل.

هذه التجربة توضيح صغير لكنه معبّر عن وجهة الاستخدام التطبيقي للذكاء الاصطناعي في التطوير. ليس استبدال المبرمجين، ولا التوليد الآلي لمنتجات جاهزة، بل تعزيز مدروس للبشر في المواضع التي يخطئون فيها تقليديًا. وفحص المواصفات الفنية ليس إلا إحدى هذه العُقد. وقد تكون التالية التدقيق الآلي للعقود، والتحقق من مطابقة المتطلبات التجارية للمعايير التنظيمية، وفحص المواد التسويقية بحثًا عن مخاطر قانونية. ونموذج التطبيق واحد: دع الذكاء الاصطناعي يقرأ ما كتبه الإنسان واطلب منه إيجاد مواطن الضعف. بسيط، لكنه فعّال على نحو لافت.