OpenAI وGoogle وAnthropic تسرّع سباق نماذج الذكاء الاصطناعي، لكن السوق مرهق من الضجيج

تحوّل فبراير 2026 إلى خط إنتاج متواصل للإصدارات: فقد أطلقت OpenAI وGoogle وAnthropic وxAI والمختبرات الصينية نماذج جديدة بفارق أيام بينها، فيما يحصي السوق مئات نماذج اللغة الكبيرة (LLM) من عشرات المؤسسات. وفي ظل هذا المشهد، لم يعد إعلان نموذج جديد بحد ذاته هو الأهم، بل السؤال عمّا يغيّر فعلًا في عمل الأفراد والشركات من هذا السباق.

لماذا تسارعت الوتيرة

قبل ثلاث سنوات كانت تفصل بين الإصدارات الكبرى أشهر، أما اليوم فقد تفصل بينها يومان أحيانًا، كما حدث بين GPT-5.3 وGPT-5.4. ويضم السوق الآن أكثر من 500 نموذج لغوي من أكثر من 30 مؤسسة، وهو رقم يعكس حجم هذا التسارع.

وثمة عدة أسباب لذلك. أولًا، لم يعد السباق مبارزة بين OpenAI وGoogle فحسب، إذ انضمت إليه بقوة Anthropic وxAI وMeta* وMistral واللاعبون الصينيون مثل DeepSeek وQwen وZhipu وByteDance. ثانيًا، انخفضت كلفة الحوسبة: فالبنى الأكثر كفاءة والعتاد الجديد خفّضا كلفة التدريب والاستدلال (inference). ثالثًا، توفرت لدى الشركات الرائدة أموال ضخمة تتيح لها الاحتفاظ بعدة فرق في آن واحد، وتطوير خطوط نماذج مختلفة بالتوازي.

ويشكّل المصدر المفتوح (open source) عامل تسريع إضافيًا. فحين تنشر Meta* وMistral وDeepSeek نماذج بأوزان مفتوحة، تضطر المختبرات ذات النماذج المغلقة إلى إثبات مبرر اشتراك المستخدم بوتيرة أكبر. وتبرز الشركات الصينية هنا على نحو خاص: فبسبب القيود المفروضة على الرقائق، تُضطر إلى البحث عن أساليب تدريب أقل كلفة، وسرعان ما تصل هذه الحلول إلى المنظومة المفتوحة.

ونتيجة لذلك يعيش السوق تحت ضغط متبادل مستمر: النماذج المغلقة تُطلق أسرع، والمفتوحة تلحق بها أسرع، والمستخدمون يحصلون على أدوات أرخص وأقوى.

المعايير القياسية لا تساوي الفائدة

على الورق يبدو كل شيء مبهرًا. يسجّل Gemini 3.1 Pro أرقامًا قياسية في GPQA وARC-AGI-2، ويتفوق Claude Sonnet 4.6 حتى على Opus 4.6 الأعلى كلفة في اختبارات المهام المكتبية، ويتصدر GPT-5.4 في البرمجة وسيناريوهات الوكلاء. لكن الفجوة بين أفضل النماذج لم تعد دراماتيكية كما كانت في زمن GPT-4. ففي معظم المهام العملية لا تشكّل هذه الفجوة هوة، بل بضع نقاط مئوية نادرًا ما يلمسها المستخدم النهائي.

أما الفريق الذي يبني منتجًا، فيرتبط اختياره بصورة متزايدة لا بالجودة المطلقة للإجابة، بل بسعر الرمز (token) وزمن الاستجابة والاستقرار وسهولة استخدام واجهة API.

وثمة مشكلة أخرى أكثر إزعاجًا: فالمعايير القياسية تقيس فقط الظروف التي صُممت لها. وحلّ سؤال امتحاني في الفيزياء أو اجتياز اختبار لتوليد الشيفرة إشارة مفيدة، لكنه لا يعني التعامل الجيد مع مهام الأعمال الغامضة والناقصة والمرتبطة بالسياق. لذلك فإن رقمًا قياسيًا بنسبة 2% لا يعادل مضاعفة القيمة العملية. وليس من قبيل الصدفة أن النصيحة الرئيسية في هذا السباق تقول:

لا تلاحقوا أحدث نموذج — لاحقوا النتيجة.

ثم يبدأ واقع الإنتاج. فالتجارب كثيرة والتطبيقات الناضجة قليلة: 11% فقط من الشركات نقلت وكلاء الذكاء الاصطناعي إلى مرحلة الإنتاج الكامل، بينما تجرّب 38% منها مشاريع تجريبية. ويقرّ المسؤولون بارتفاع الإنتاجية، لكنهم أقل قدرة بكثير على إظهار عائد قوي على الاستثمار (ROI) أو تغيير في نموذج العمل. ولا تزال الوكلاء العامة تخطئ وتدخل في حلقات مفرغة وتعمل بشكل سيئ دون رقابة. ومن هنا ينمو إرهاق الذكاء الاصطناعي (AI fatigue): فقد مَلّ السوق وعودًا تبدو في العروض التجريبية أفضل مما هي عليه في التشغيل الفعلي.

أين يظهر الأثر فعلًا

ومع ذلك فإن الفائدة موجودة، وهي قابلة للقياس. ففي تطوير البرمجيات، تسرّع النماذج المتخصصة توليد الشيفرة وإعادة هيكلتها، وقد أصبحت المساعدات داخل بيئات التطوير (IDE) أداة عمل منذ زمن لا لعبة. وفي تحليل المستندات، تتيح نوافذ السياق الكبيرة فحص العقود والتقارير والمواد البحثية في مرور واحد، مع ترك المراجعة النهائية للإنسان. وفي العلوم جبهة مستقلة: إذ تساعد نماذج الاستدلال (reasoning) في البحث عن بنى جديدة في الرياضيات، وتسرّع اكتشاف الأدوية وتحليل المواد. كما يتجه السوق بحدة نحو الكفاءة الاقتصادية: فاليوم لا يقل أهمية عن رقم النموذج القياسي سعر النتيجة المفيدة.

• توليد الشيفرة والتحقق منها
• تحليل المستندات والتقارير الطويلة
• الحسابات العلمية والبحث عن فرضيات جديدة
• نماذج lite الرخيصة للسيناريوهات الواسعة النطاق

أما التحول الأقل تقديرًا في 2026 فهو انخفاض كلفة النماذج القوية. فعندما تقترب حلول بمستوى Sonnet من Opus، وتخفّض النسخ السريعة مثل Flash-Lite السعر وزمن الاستجابة بمقدار رتبة كاملة، يتوقف الذكاء الاصطناعي عن أن يكون امتيازًا للفرق الكبيرة. وهذا يفتح سيناريوهات لم تكن جدواها الاقتصادية تستقيم من قبل: معالجة جماعية لطلبات العملاء، ومراجعة أولية رخيصة للمحامين والمحللين، وأتمتة الوثائق الداخلية، ومساعدين مخصصين يعملون على بيانات الشركة. وهنا بالذات تبدأ منافسة حقيقية على الفائدة، لا تسويق.

ماذا يعني ذلك

سباق النماذج في 2026 هو في آن واحد تقدم حقيقي وطبقة من التسويق الصاخب فوقه. والأجدى متابعة النماذج الأرخص والأكثر موثوقية والأقدر على حل مهمة محددة في بيئة الإنتاج، لا من يتصدر الجدول اليوم.

*Meta مصنّفة منظمة متطرفة ومحظورة في روسيا الاتحادية.