McKinsey تحدد أربع خطوات لتوسيع نطاق الذكاء الاصطناعي الوكيلي (agentic AI) على أساس بيانات عالية الجودة

أصدرت McKinsey توصيات للشركات التي تحاول توسيع نطاق الذكاء الاصطناعي الوكيلي (agentic AI) وتصطدم بعقبة البيانات لا بعقبة النماذج. والفكرة الرئيسية بسيطة: دون أساس بيانات موحد وسير عمل (workflow) واضحة وحوكمة (governance) صارمة، لا تخرج الوكلاء من مرحلة التجارب التجريبية إلى عمليات الأعمال الحقيقية.

لماذا تتعثر التجارب التجريبية

بحسب تقديرات McKinsey، جرّبت نحو ثلثي الشركات وكلاء الذكاء الاصطناعي بالفعل، لكن أقل من 10% منها تمكنت من الوصول بها إلى نطاق يحقق قيمة تجارية ملموسة. وفي ثماني حالات من كل عشر، تشكّل البيانات العائق: فهي موزعة على أنظمة متفرقة، وتختلف سياقاتها، ولا تخضع لفحوص جودة موحدة، ولا تناسب القرارات المستقلة. وما دام الإنسان يربط المصادر يدويًا ويعيد التحقق من النتيجة، فقد تعمل التجربة التجريبية. أما حين يجب تكرار الإجراءات نفسها باستمرار وفي الوقت الفعلي، فإن المنظومة تبدأ بالانهيار.

وتزداد المشكلة حدة مع ارتفاع مستوى الاستقلالية. فقد يتنقل وكيل واحد بين عدة أنظمة تباعًا ويتخذ قرارات استنادًا إلى معلومات مجزأة، أما مجموعة من الوكلاء المتخصصين فقد تنقل الأخطاء بينها أيضًا. لذلك لا تضع McKinsey النموذج نفسه في المركز، بل قدرة الشركة على منح الوكلاء وصولًا مستقرًا إلى البيانات، وتعريفات مفهومة، وقابلية للتتبع، وقواعد للوصول. وإلا بدت الأتمتة مبهرة في العرض التجريبي، ثم تنهار عند أول حجم عمليات جدي.

الخطوات الأربع الأولى

لا تقترح McKinsey إعادة بناء الشركة بأكملها دفعة واحدة، بل البدء بأربع خطوات مترابطة تجمع بين الاستراتيجية والبنية ونموذج التشغيل. والمنطق كالتالي: اختيار العمليات التي تُجدي فيها الاستقلالية فعلًا، ثم تجهيز البنية التحتية، وبعد ذلك فقط زيادة النطاق. ويهدف هذا النهج إلى تجنب إنفاق أشهر على تجارب تجريبية مكلفة دون أثر قابل للتكرار، وإلى عدم نقل مشكلات البيانات القديمة إلى منظومة الوكلاء الجديدة.

• اختيار 1-2 من سير العمل (workflow) عالية الأثر وتقييمها من حيث القيمة وإمكانية التنفيذ والأثر الاستراتيجي
• تحديث طبقات بنية البيانات بحيث يستطيع الوكلاء تبادل السياق بأمان
• الانتقال من عمليات التنظيف المتفرقة إلى رقابة مستمرة على جودة البيانات المنظمة وغير المنظمة
• إرساء نموذج التشغيل والحوكمة: الأدوار، وصلاحيات الوصول، والسجلات، والسياسات، ونقاط الموافقة البشرية (human approval)

وتشدد McKinsey بوجه خاص على ضرورة تنفيذ الخطوات الأربع بصورة متسقة. فإذا اختارت الشركة الحالة الصحيحة وأبقت على البنية القديمة، اصطدم الوكيل بأنظمة غير متوافقة. وإذا كانت البنية حديثة لكن دون قواعد للوصول وتسجيل للإجراءات، تحوّل التوسع سريعًا إلى خطر على الأمن والامتثال (compliance) وجودة القرارات التجارية. كما تنصح McKinsey باختبار النهج عبر تجارب تجريبية مستهدفة بمقاييس واضحة، والبحث فورًا عن البيانات التي يمكن إعادة استخدامها لاحقًا في سير العمل المجاورة.

ما الأساس المطلوب

لا تقصد McKinsey ببنية جاهزة للوكلاء (agent-ready) كتلة واحدة جديدة، بل مجموعة من الطبقات المعيارية. فالبيانات يجب أن تدخل الشركة مرة واحدة ثم تُستخدم في التحليلات وفي التعلم الآلي (machine learning) وفي الذكاء الاصطناعي التوليدي (generative AI) معًا، دون مسارات معالجة متوازية منفصلة لكل مهمة. وتؤدي الطبقة الدلالية (semantic layer) دورًا مهمًا: فهي تصف معنى كل كيان، وكيفية ارتباط الكائنات ببعضها، والقواعد التجارية السارية. وعمليًا يقود ذلك إلى الأنطولوجيات (ontologies) والرسوم البيانية المعرفية (knowledge graph) ومنتجات البيانات (data products) التي لها مالك واضح وجودة محددة وواجهات وصول.

وتؤكد McKinsey بشكل منفصل على التعامل مع البيانات غير المنظمة، مثل المستندات والصور والمراسلات وسجل الطلبات. ولكي يستخدم الوكلاء هذا المحتوى بموثوقية، يجب وسمه وتصنيفه وفهرسته عبر التضمينات (embeddings) وربطه ببقية نموذج بيانات الشركة. أما في البيانات المنظمة فالأولوية مختلفة: ليس التنظيف اليدوي الدوري، بل المراقبة المستمرة للجودة، والتحقق التلقائي، وكشف الحالات الشاذة، وحفظ سلسلة نسب البيانات (lineage). ويجب تطبيق المعايير نفسها على البيانات التي ينتجها الوكلاء أنفسهم.

الطبقة الأخيرة هي الحوكمة المحيطة بدورة حياة الوكلاء. فعلى الشركة أن تحدد مسبقًا ما يُسمح للوكيل بفعله، وما البيانات التي يحق له الوصول إليها، وأين يلزم تأكيد بشري، ومن يتحمل المسؤولية عن النتيجة. ويشمل ذلك إصدار بيانات الاعتماد، والقياس عن بُعد (telemetry)، وسجلات الإجراءات، ومراقبة الأداء، والفحوص التلقائية للتوافق مع السياسات. وفي هذا المخطط تتولى فرق الأعمال مسؤولية سير العمل ونموذج المجال الخاص بها، بينما تتولى فرق البيانات والذكاء الاصطناعي المركزية المنصات المشتركة وضوابط الحماية (guardrails) والإشراف.

ماذا يعني ذلك

يتحول السوق تدريجيًا من سؤال «أي نموذج نختار» إلى سؤال «على أي بيانات وعمليات سيعمل هذا النموذج». وهذا خبر سيئ للعروض التجريبية السريعة، لكنه خبر جيد للشركات المستعدة لبناء الذكاء الاصطناعي الوكيلي (agentic AI) بوصفه جزءًا من نظام تشغيل الأعمال، لا تجربة معزولة.