Anthropic Claude لا ينقذك من مهمة سيئة الصياغة: لماذا يقدّم الذكاء الاصطناعي نتيجة مقنعة لكنها ضعيفة

الأوامر (prompts) الطويلة والأدوار المسندة للنموذج وعبارات «التعويذات» من قبيل think carefully لا تضمن إجابة جيدة من الذكاء الاصطناعي. ومن خلال تجربة العمل مع Claude، يحلّل المؤلف سبب تسريع النموذج في الغالب إنتاج نص معقول الشكل دون أن يصل إلى نتيجة مفيدة، إذا لم تكن المهمة نفسها محدَّدة.

لماذا لا ينجح ذلك

المأخذ الرئيسي بسيط: نادرًا ما يعترض الذكاء الاصطناعي على صياغة سيئة للمهمة. فالمصمّم أو المحلّل أو المطوّر يعود عادة بأسئلة توضيحية، أما النموذج فيستكمل السياق الناقص بنفسه في الغالب ويقدّم إجابة واثقة. لذلك يبدو للمستخدم أن العمل يسير بسرعة، لكن ما يتسارع فعليًا ليس إنتاج نتيجة عالية الجودة، بل إنتاج نص يبدو مقنعًا. ومن هنا يأتي الشعور بالإرهاق بعد جولات التعديل الطويلة: تقضي ساعة في إعادة كتابة ما كان ينبغي أن تحصل عليه من المحاولة الأولى أو الثانية.

«الأمر (prompt) ليس صلاة».

ويربط المؤلف ذلك بانقلاب في كلفة الأفعال. فقبل ذلك كان التنفيذ مكلفًا، أما التفكير والنقاش فكانا زهيدين نسبيًا. أما الآن فيُنتج الذكاء الاصطناعي في ثوانٍ خمسة خيارات لتحليل أو رسالة أو استراتيجية، في حين يصبح نقاش المهمة بين عدة أشخاص في الفريق أغلى أجزاء العملية. ومن هنا تنشأ وهم إمكانية تجاوز مرحلة الصياغة السليمة للمهمة والانتقال مباشرة إلى التوليد. لكن الأمر الطويل لا يعوّض هدفًا واضحًا، والصيغ السحرية لا تعالج غياب البنية.

أربعة أسئلة قبل المحادثة

بدلًا من البحث عن الصياغة المثالية، يقترح المؤلف العودة إلى انضباط تحليل الأعمال الأساسي، ورسم خريطة للمهمة قبل بدء العمل. ويقوم منطقها على نهج As-Is وTo-Be وGap: ما لدينا الآن، وما ينبغي أن تكون عليه النتيجة، وما الذي يفصل بينهما. وهذا الهيكل مفيد لا للأبحاث المعقدة وحدها، بل للمهام اليومية أيضًا، مثل تحليل المنافسين أو إعداد بنية مقال أو تفكيك مقابلات المستخدمين. والمغزى أن تصف مسارًا محددًا إلى النتيجة، لا أملًا عامًّا في إجابة جيدة.

• المدخلات: ما البيانات والروابط والمستندات والفرضيات والملاحظات المتوافرة لديك عند البداية.
• المراحل: ما الإجراءات التي ينبغي أن ينفّذها النموذج بالترتيب، دون صيغة فضفاضة مثل «حلّل».
• مخرجات كل مرحلة: ما الذي يجب أن ينتج بالضبط بعد كل خطوة، جدول أم قائمة أم مصفوفة أم مسودة.
• النتيجة النهائية: كيف يبدو العمل الجاهز، وبأي معيار ستقبله دون الشعور بأنه «لا بأس به تقريبًا».

وعمليًا، يغيّر هذا شكل التفاعل مع النموذج نفسه. فبدلًا من أمر واحد ضخم، يُستحسن بناء خط إنتاج من عدة خطوات مع قبول وسيط: جمع الحقائق أولًا، ثم المقارنة، ثم البحث عن الشرائح الفارغة، ولا تأتي الاستنتاجات إلا بعد ذلك. وفي مثال تحليل المنافسين، يحوّل هذا النهج طلبًا مجرّدًا إلى سلسلة مهام صغيرة، يسهل فيها اكتشاف الخطأ مبكرًا قبل أن يصل إلى النص النهائي.

كيف يُجمَّع ذلك في Claude

لنفسه، جمع المؤلف هذا النهج في Claude-skill مستقلة. فهي تتحقق أولًا مما يلزم فعلًا: إجابة لمرة واحدة أم أمر (prompt) للاستخدام المتكرر. ثم تأتي خريطة As-Is وTo-Be وGap، بعدها يقيّم النظام اكتمال الطلب وفق عدة عناصر إلزامية: الهدف والجمهور والصيغة والقيود والسياق. وإذا نقصت البيانات، فإن النموذج لا يولّد نصًّا جميلًا فورًا، بل يطرح أسئلة توضيحية.

الخطوة المحورية هنا هي Confirmation Gate: قبل العمل يعرض الذكاء الاصطناعي كيف فهم المهمة وينتظر تأكيدًا صريحًا. وبعد ذلك يُجمَّع الأمر النهائي في قالب منظَّم وفق مخطط Context وRole وInstructions وStyle وParameters. ويشدد المؤلف بصورة خاصة على أهمية القيود السلبية وأمثلة few-shot والتكرار الموجَّه على خطأ محدد، لا على الانطباع بأن النتيجة «صارت أفضل». وإذا جاءت النتيجة عامّة أكثر من اللازم، فالمطلوب تصحيح القاعدة لا «مزاج» الطلب: إضافة مقاييس، ومنع العبارات المبتذلة، واشتراط صيغة إجابة واضحة. ويقرّب هذا النمط كتابة الأوامر من الضبط الهندسي للعملية، لا من التخمين الإبداعي.

ماذا يعني ذلك

الخلاصة الرئيسية قاسية لكنها مفيدة: الذكاء الاصطناعي لا يضخّم الحلول الجيدة فحسب، بل يضخّم أيضًا الصياغة السيئة للمهمة. وهذه إشارة للفرق كي تتوقف عن قياس الكفاءة بعدد الخيارات المولَّدة، وتبدأ بمطالبة خريطة للمهمة وقبول وسيط ومعايير للجاهزية. وكلما رخص التوليد، غلا التفكير الواضح، وهو ما يحقق اليوم أكبر مكسب.