مراجعة MIT التقنية: الميزة في الذكاء الاصطناعي للمؤسسات تأتي ليس من النموذج، بل من الطبقة التشغيلية

في مجال الذكاء الاصطناعي المؤسسي، تأتي الميزة طويلة الأجل ليس من النموذج ذاته، بل من السيطرة على الطبقة التي تعبر عبرها الذكاء إلى العمليات التجارية الحقيقية. وفيها يتم تحديد البيانات التي يراها النظام، والجهة التي تصادق على القرارات المثيرة للجدل، وكيفية احترام التصحيحات البشرية، وما إذا كانت الإجابات الفردية الناجحة تتحول إلى ممارسة تشغيلية مستدامة.

في مقالة لمجلة MIT Technology Review، يُوصف هذه الطبقة بأنها مجموعة من برنامج سير العمل وجمع البيانات وحلقات التغذية الراجعة وقواعد الحوكمة الموجودة بين النموذج والعمل الفعلي. لا تزال النقاشات العامة تدور حول مقارنات بين GPT و Gemini وغيرها من نماذج الأساس، لكن بالنسبة للشركات الكبرى لم تعد هذه هي المسألة الرئيسية.

إذا تم استدعاء الذكاء عبر واجهة برمجية كخدمة لمرة واحدة، فيمكن أن يكون قويا جدا، لكنه يبقى مرتبطا بضعف بالبيئة التشغيلية اليومية ويجمع بالكاد الحالة من حالة إلى أخرى. ما يهم أكثر بكثير هو هذا: هل يتم إعادة تعيين المعرفة مع كل طلب جديد أم أن النظام يتعلم فعلا أثناء العمل.

من هنا يأتي التمييز الرئيسي بين نهجين. الأول يعامل الذكاء الاصطناعي كخدمة حسب الطلب: هناك مهمة، هناك استدعاء نموذج، هناك إجابة. والثاني يدمج الذكاء الاصطناعي في الطبقة التشغيلية للشركة، حيث يصبح كل استثناء وتصحيح وموافقة وقرار مثير للجدل إشارة للتعلم وسبب لتحسين القواعد.

في مثل هذه البنية، تُنشأ القيمة ليس فقط من خلال جودة النموذج، بل من خلال مدى عمق قدرة الشركة على أداة عملياتها الخاصة وجمع البيانات عن تقدم العمل وتحويل قرارات الموظفين إلى سياسة قابلة لإعادة الاستخدام.

في هذا السياق، يطعن المؤلفون في النص الشعبي القائل بأن الشركات الناشئة الأصلية للذكاء الاصطناعي ستتفوق حتما على الشركات الراسخة. إذا عاملت الذكاء الاصطناعي كسباق نماذج بحتة، فإن هذا السيناريو يبدو معقولا. لكن في بيئة المؤسسات، يكون التحدي عادة منهجيا: التكاملات وحقوق الوصول وتقييم الجودة وإدارة التغيير واتفاقيات مستوى الخدمة والتحكم في التكاليف والامتثال الرقابي.

هنا، لا تذهب الميزة لمن ينضم إلى نموذج جديد ببساطة بشكل أسرع، بل لأولئك الذين متكاملون بالفعل في عمليات عالية الحجم وعالية المخاطر وقادرون على تحويل هذا الوضع إلى حلقة تعلم مستمرة.

من هذا ينجم انعكاس للمنطق المألوف للعمل. تقليديا، يتم تنظيم شركات الخدمات المتخصصة بطريقة: يستخدم الناس البرامج لإنجاز عمل معقد، بينما التكنولوجيا مجرد البيئة. تعمل منصة الذكاء الاصطناعي الأصلية بالطريقة المعاكسة: فهي تقبل قضية، وتطبق المعرفة المجالية المتراكمة، وتنفذ بشكل مستقل ما تثق به، وتعطي البشر فقط المهام الفرعية الضيقة حيث لا يزال الحكم والسياق والمسؤولية مطلوبين.

بشكل أساسي، يقوم الذكاء الاصطناعي بالتنفيذ والناس يحكمون.

ذات أهمية خاصة هي الأطروحة حول ثلاثة أصول تمتلكها الشركات الراسخة الكبرى بالفعل. هذه هي البيانات التشغيلية الملكية، ومجموعة كبيرة من خبراء المجال الذين يولدون يوميا إشارات التدريب، والمعرفة الضمنية المتراكمة حول كيفية إنجاز العمل فعليا في ظروف معقدة.

لكن هذه الأصول وحدها لا تخلق خندقا دفاعيا بعد. تبدأ بالعمل فقط عندما تعرف الشركة كيفية ترجمة القرارات المتفرقة والاستثناءات والاستدلالات إلى إشارات قابلة للقراءة الآلية، ثم إعادة النتيجة إلى النظام التشغيلي.

يُعطى إدارة دورة الإيرادات في الرعاية الصحية كمثال. يتكون نهج Ensemble من ملء النظام أولا بالمعرفة المجالية الصريحة، ثم من خلال التفاعل اليومي مع المشغلين تحديد الفجوات وطرح أسئلة محددة والتحقق من الصليب من إجابات خبراء متعددين لالتقاط ليس فقط الإجماع العام بل أيضا الفروق الدقيقة للحالات الحدودية.

هذا يشكل قاعدة معرفة حية تعكس ليس فقط القرار النهائي، بل المنطق الذي يقف وراء العمل الخبير. عندما يصبح النظام محدودا وقابلا للإدارة بشكل كاف، يصبح كل قرار من موظف ذي خبرة مثالا محتملا موسوما لمزيد من التحسينات.

الاستنتاج العملي لمسؤولي المعلومات والمسؤولين والمسؤولين عن الأنظمة الأساسية قاسي تماما: النقاش حول من لديه أفضل نموذج أساسي يحدد بشكل متزايد أقل من نتيجة السباق المؤسسي. السؤال الرئيسي الآن هو من يمتلك الطبقة التشغيلية للذكاء الاصطناعي داخل الشركة — من يسيطر على البيانات والحقوق الوصول والتكلفة والتوجيه والتدقيق وحلقات التعلم.

ستذهب الميزة المستدامة إلى المنظمات التي تتمكن من تحويل معرفتها وقراراتها وخبرتها اليومية إلى بنية تحتية تتحسن مع الاستخدام.