MIT Technology Review: الميزة في الذكاء الاصطناعي للمؤسسات لا يصنعها النموذج، بل الطبقة التشغيلية

في الذكاء الاصطناعي المؤسسي، لا تأتي الميزة طويلة الأمد من النموذج نفسه، بل من التحكم في الطبقة التي يصل عبرها الذكاء إلى عمليات الأعمال الفعلية. ففي هذه الطبقة تتحدد البيانات التي يراها النظام، ومن يصادق على القرارات الخلافية، وكيف تُؤخذ تصحيحات الموظفين في الحسبان، وهل تتحول الإجابات الناجحة المنفردة إلى ممارسة تشغيلية مستقرة. ويصف مقال في MIT Technology Review هذه الطبقة بأنها منظومة تضم برمجيات سير العمل (workflow) وجمع البيانات وحلقات التغذية الراجعة وقواعد الحوكمة، وتقع بين النموذج والعمل الفعلي.

ما زال النقاش العام يدور حول المقارنة بين GPT وGemini وغيرهما من النماذج الأساسية (foundation models)، لكنه لم يعد السؤال الرئيسي بالنسبة للشركات الكبرى. فإذا استُدعي الذكاء عبر API كخدمة لمرة واحدة، فقد يكون قوياً جداً، لكنه يبقى ضعيف الارتباط بالبيئة التشغيلية اليومية، ولا يراكم تقريباً أي حالة من قضية إلى أخرى. والأهم من ذلك: هل تُمحى المعرفة مع كل طلب جديد، أم أن النظام يتعلم فعلاً أثناء العمل؟ ومن هنا ينشأ الفارق الجوهري بين نهجين.

الأول يتعامل مع الذكاء الاصطناعي كخدمة عند الطلب: هناك مهمة، واستدعاء للنموذج، وإجابة. أما الثاني فيدمج الذكاء الاصطناعي في الطبقة التشغيلية للشركة، حيث يصبح كل استثناء وتصحيح وموافقة وقرار خلافي إشارة للتعلّم ومناسبة لتدقيق القواعد. وفي هذه البنية لا تنبع القيمة من جودة النموذج وحدها، بل أيضاً من مدى عمق قدرة الشركة على قياس عملياتها وتتبّعها تقنياً، وجمع البيانات عن سير العمل، وتحويل قرارات الموظفين إلى سياسة قابلة لإعادة الاستخدام.

وفي ضوء ذلك، يعارض المؤلفون الطرح الشائع بأن الشركات الناشئة الأصيلة في الذكاء الاصطناعي (AI-native) ستتفوق حتماً على الشركات القائمة (incumbents). فإذا اعتُبر الذكاء الاصطناعي سباق نماذج بحتاً، يبدو هذا السيناريو معقولاً. لكن المهمة في بيئة المؤسسات غالباً ما تكون منظومية: التكاملات، وصلاحيات الوصول، وتقييم الجودة، وإدارة التغيير، واتفاقيات مستوى الخدمة (SLA)، وضبط التكاليف، والامتثال للمتطلبات.

وهنا لا تكون الأفضلية لمن ربط نموذجاً جديداً أسرع من غيره، بل لمن هو مدمج أصلاً في عمليات عالية الحجم وعالية المخاطر، وقادر على تحويل هذا الموقع إلى حلقة تعلّم مستمر. وينتج عن ذلك أيضاً قلب للمنطق المعتاد في العمل. ففي شركات الخدمات الخبيرة التقليدية، يستخدم الإنسان البرمجيات لإنجاز عمل معقد، وتكون التقنية مجرد بيئة.

أما منصة AI-native فتعمل بالعكس: تستقبل القضية، وتطبّق المعرفة المتخصصة المتراكمة، وتنفذ بشكل مستقل ما هي واثقة منه، ولا تُسند إلى الإنسان إلا المهام الفرعية الضيقة التي لا تزال تتطلب حكماً أو سياقاً أو مسؤولية. وبعبارة أخرى، الذكاء الاصطناعي ينفّذ، والبشر يحكّمون. ويكتسب أهمية خاصة الطرح المتعلق بثلاثة أصول تملكها الشركات الكبرى القائمة بالفعل: بيانات تشغيلية خاصة، ومجموعة كبيرة من الخبراء المتخصصين الذين ينتجون يومياً إشارات للتدريب، ومعرفة ضمنية متراكمة عن كيفية إنجاز العمل فعلياً في ظروف معقدة.

لكن هذه الأصول بحد ذاتها لا تصنع خندقاً دفاعياً (moat). فهي لا تعمل إلا حين تعرف الشركة كيف تحوّل القرارات المتفرقة والاستثناءات والقواعد التجريبية (heuristics) إلى إشارات مقروءة آلياً، ثم تعيد النتيجة إلى النظام التشغيلي. ويُضرب مثال على ذلك بإدارة دورة الإيرادات في الرعاية الصحية.

يقوم نهج Ensemble على ملء النظام أولاً بمعرفة متخصصة صريحة، ثم الكشف عن الثغرات عبر التفاعل اليومي مع المشغّلين، وطرح أسئلة موجّهة، ومطابقة إجابات عدة خبراء، بهدف تثبيت لا الإجماع العام فحسب، بل أيضاً الفروق الدقيقة في الحالات الحدّية. وهكذا تتشكل قاعدة معرفة حية تعكس لا القرار النهائي فقط، بل المنطق الكامن وراء تصرف الخبير. وعندما يصبح النظام محدود النطاق وقابلاً للإدارة بما يكفي، يتحول كل قرار يتخذه موظف متمرّس إلى مثال موسوم محتمل للتحسين اللاحق.

والاستنتاج العملي لمديري تقنية المعلومات (CIO) ومديري المنتجات (CPO) وقادة المنصات صارم إلى حد ما: فالجدل حول من يملك النموذج الأساسي الأفضل يحدد بدرجة أقل فأقل نتيجة سباق المؤسسات. السؤال الرئيسي الآن هو: من يملك الطبقة التشغيلية للذكاء الاصطناعي داخل الشركة، أي من يتحكم في البيانات والصلاحيات والتكلفة والتوجيه (routing) والتدقيق وحلقات التعلّم. وستنال الميزة المستدامة المؤسسات التي تنجح في تحويل معارفها وقراراتها وخبرتها اليومية إلى بنية تحتية تتحسن كلما استُخدمت.