Machine Learning Mastery يحدد خمس عقبات رئيسية أمام توسيع نطاق الذكاء الاصطناعي الوكيلي في 2026

نشرت Machine Learning Mastery مادة عن خمس مشكلات تبطئ التبني الواسع للذكاء الاصطناعي الوكيلي في بيئات الإنتاج. والفكرة الأساسية بسيطة: بين العرض التجريبي المبهر والنظام الذي يعمل بثبات تحت الضغط تقع طبقة هندسية مستقلة، وهي الطبقة التي تتعطل اليوم أكثر من غيرها.

أين يتعطل التنسيق

ما دام الوكيل واحداً ويؤدي مهمة ضيقة، يبدو خط المعالجة (pipeline) قابلاً للتحكم. لكن بمجرد أن يبدأ النظام بتمرير المهام إلى وكلاء آخرين، واختيار الأدوات أثناء التنفيذ، وإعادة محاولة الخطوات الفاشلة، يتزايد التعقيد بشكل شبه متفجر بدلاً من أن يتزايد خطياً. وتواجه الفرق مشكلات التنسيق أكثر مما تواجه قيود النماذج نفسها: فالوكلاء ينتظر بعضهم بعضاً، والسيناريوهات غير المتزامنة تقع في race condition، والخطأ في خطوة واحدة يطلق فشلاً متسلسلاً في خطوة أخرى.

«العروض التجريبية تبدو مبهرة، والنماذج الأولية تبدو كأنها سحر».

ولهذا بالذات قد ينهار تصميم يصمد بهدوء عند مئة طلب في الدقيقة إذا ارتفع الحمل إلى عشرات الآلاف. وفي النهاية تبني الشركات منسّقات (orchestrators) خاصة بها، ثم تكتشف أن هذه الطبقة تحديداً صارت الأغلى والأكثر هشاشة في المنظومة كلها. وبالنسبة لفرق تعلّم الآلة، هذا تحول في طريقة التفكير: لم يعد يكفي اختيار نموذج جيد، بل يجب أيضاً تصميم نظام موزّع بسلوك يمكن التنبؤ به تحت الحمل.

قابلية المراقبة والمال

المشكلة الثانية هي ضعف قابلية المراقبة. فالمقاييس المعتادة مثل زمن الاستجابة (latency) والإنتاجية (throughput) لم تعد كافية: ففي الذكاء الاصطناعي الوكيلي يجب رؤية مسار التنفيذ بالكامل. لماذا اختار الوكيل أداة (tool) بدلاً من أخرى؟ ولماذا كرر الخطوة ثلاث مرات؟ ولماذا فشلت النتيجة النهائية رغم أن كل مرحلة وسيطة بدت سليمة؟

والبنية التحتية للتتبع العميق في هذه السيناريوهات ما زالت غير ناضجة، كما أن سلوك هذه الأنظمة نفسه غير حتمي. فالطلب نفسه قد يسلك فروعاً مختلفة، ولذلك يصبح إعادة إنتاج الحوادث وإصلاحها أصعب بكثير.

وفي هذا السياق يبرز بسرعة الموضوع الثالث: التكلفة. فالطلب الوكيلي الواحد يتكون غالباً من عشرات استدعاءات LLM، وفي بيئة الإنتاج يتحول ذلك فوراً إلى فاتورة ضخمة. وحتى كلفة تبلغ نحو 15 سنتاً للسيناريو الواحد تبدو مقبولة فقط إلى أن يصل الحجم إلى مئات الآلاف من عمليات التشغيل يومياً. لذلك تراهن الفرق الهندسية منذ الآن على عدة أساليب أساسية:

• توجيه المهام الفرعية البسيطة إلى نماذج أرخص
• التخزين المؤقت المكثف للنتائج الوسيطة
• kill switch لإيقاف الحلقات الجامحة وإعادة المحاولات اللانهائية
• حدود صارمة لعدد الخطوات والاستدعاءات والمحاولات

والمشكلة أن التوفير يتعارض دائماً تقريباً مع الجودة. فإذا قلّلت عدد الخطوات ارتفع خطر الخطأ. وإذا نقلت جزءاً من المهام إلى نموذج أرخص حصلت على نتيجة أقل استقراراً. والأهم أن الميزانيات يصعب التنبؤ بها مسبقاً: فالحالة غير القياسية قد تطلق سلسلة طويلة من إعادة المحاولات وتجعل طلباً واحداً أغلى بعشرات المرات من الطلب المعتاد.

الاختبار والرقابة

العقبة الرابعة هي غياب نهج ناضج للاختبار. فالبرمجيات التقليدية تعتمد على سلوك حتمي، وتعلّم الآلة التقليدي يعتمد على ارتباط ثابت بين المدخلات والمخرجات. أما الذكاء الاصطناعي الوكيلي فيكسر النموذجين معاً. وتفحص الفرق هذه الأنظمة اليوم عبر LLM-as-a-judge، ومجموعات اختبار قائمة على السيناريوهات، ومحاكاة ببيئات اصطناعية، لكن لا يوجد حتى الآن معيار موحد. فالمعايير المرجعية (benchmarks) مجزأة، والأدوات متفرقة، والمراجعة البشرية تبقى صمام الأمان الرئيسي، مع أنها لا تتوسع بسهولة.

المشكلة الخامسة هي الحوكمة والسلامة. فالوكيل لم يعد يكتب نصاً فحسب: إنه يرسل رسائل البريد، ويعدّل البيانات، ويتصل بخدمات خارجية، وقد يطلق معاملات. وهذا يستلزم صلاحيات وصول، وتأكيداً للإجراءات، وقيوداً على نطاق العمل، وتدقيقاً مفصلاً. لكن كلما اشتدت منظومات الحماية، قلّ الإحساس بالاستقلالية وضعف الانبهار لدى مستخدمي المنتج. كما يضغط العامل التنظيمي على الفرق: فبمجرد أن تبدأ هذه الأنظمة بالتأثير مباشرة في العملاء، تتوقف أسئلة المسؤولية والامتثال وإمكانية التحقق من القرارات عن كونها نظرية.

ماذا يعني ذلك

لم يصطدم سوق الذكاء الاصطناعي الوكيلي بجودة العروض التجريبية، بل بالبنية التحتية المحيطة بها. ولن يفوز من يبني وكيلاً جديداً أسرع، بل من يسبق غيره في ضبط التنسيق والتتبع والاختبار والميزانيات وآليات الحماية.