لماذا يتفوق التعاون بين الإنسان وChatGPT وClaude على الثقة العمياء بالذكاء الاصطناعي

نشر KDnuggets تحليلاً عن كيفية انتقال الشركات من الصيغة البسيطة «طلب ثم إجابة» إلى تعاون متكامل بين الإنسان والذكاء الاصطناعي. والفكرة الرئيسية في المادة أن النتيجة القوية تظهر حيث يسرّع النموذج البحث عن الخيارات، بينما يتحقق الإنسان من الاستنتاجات ويضيف السياق ويتخذ القرار النهائي.

ليس فريقاً، بل ثنائياً متكاملاً

ما زال معظم المستخدمين يتعاملون مع الذكاء الاصطناعي بطريقة خطية: يرسلون موجّهاً، ويتلقون إجابة، ويلصقونها في المستند أو الشيفرة، ثم يمضون في عملهم. ويصف كاتب المقال هذا الأسلوب بأنه ليس تعاوناً، بل تفويض بلا رقابة. ففي هذا النمط لا يتحقق الإنسان من سبب وصول النموذج إلى استنتاجه، ولا يتتبع الأخطاء، ويعتاد سريعاً على قبول أول خيار يظهر لأنه «جيد بما يكفي». ولذلك يتحول خطأ النموذج بسرعة كبيرة إلى خطأ الفريق بأكمله.

أما الثنائي المتكامل الحقيقي فيعمل بطريقة مختلفة. فالذكاء الاصطناعي يولّد الفرضيات، ويبرز الحالات الشاذة، ويفرز حجماً كبيراً من البيانات، ويعرض مسار عمله إذا كانت الأداة تدعم ذلك. أما الإنسان في هذا النموذج فلا يتحول إلى مشغّل لزر «قبول»، بل يبقى هو من يفهم المهمة، ويقارن الإجابة بالسياق، ويوقف النظام عندما يخطئ بثقة. وهنا لا تأتي القيمة من السرعة وحدها، بل من الجمع بين السرعة والحكم المهني.

يستطيع الذكاء الاصطناعي إيجاد الخيارات بسرعة، لكنه لن يخبرك أين تخطئ تحديداً.

أمثلة من الواقع العملي

في العلوم والطب، يعمل هذا النهج بالفعل على مهام حقيقية. فنظام AlphaFold يتنبأ خلال ساعات ببنى بروتينات كانت المختبرات تحتاج سابقاً إلى سنوات لتحديدها، لكن معنى هذه البنى وخطة التجارب التالية يحددهما العلماء أنفسهم. وتستخدم Insilico Medicine الذكاء الاصطناعي لتوليد آلاف الجزيئات المرشحة وانتقائها، ثم يختار الكيميائيون أفضلها يدوياً ويؤكدونها تجريبياً. ووفق بيانات المقال، انخفض زمن البحث عن مركب واعد بنحو 75%: من أربع إلى خمس سنوات إلى 18 شهراً.

ويظهر نمط مشابه في التشخيص وعمليات الشركات. فتساعد PathAI في اكتشاف علامات السرطان في العينات النسيجية، بينما يضيف أخصائيو علم الأمراض السياق السريري ويصدرون التشخيص النهائي؛ وفي دراسة أجراها مركز Beth Israel Deaconess بلغت دقة اكتشاف السرطان 99,5% مقابل 96% عند مراجعة الشرائح بشكل مستقل. أما نظام COiN لدى JPMorgan فيحلل المستندات القانونية في ثوانٍ، ومع ذلك يراجع المحامون البنود الخلافية؛ وقد خفّض المصرف أخطاء الامتثال بنسبة 80%. وبالنسبة إلى BlackRock التي تدير أصولاً بقيمة 21,6 تريليون دولار، أصبحت منصة Aladdin بنية تحتية عملية لتقييم مخاطر السوق في الوقت الفعلي.

كيف تُبنى العملية

يشدد الكاتب على أن ليس كل أداة ذكاء اصطناعي صالحة للعمل التعاوني. فإذا قدّم النظام إجابة جاهزة بوصفه «صندوقاً أسود»، يكاد يستحيل التحقق منها. والأكثر فائدة هي الخدمات التي تعرض المصادر أو الشيفرة أو الفروق (diffs) أو أهمية الخصائص، أو على الأقل مستوى الثقة. ويضم المقال إلى هذه الفئة Claude وChatGPT، إضافة إلى أدوات متخصصة في البحث والتطوير وتحليل البيانات والكتابة. والمنطق العام واحد: الذكاء الاصطناعي الجيد لا يخفي الطريق إلى الإجابة، بل يساعدك على تفكيكها.

• للبحث — Elicit وConsensus وPerplexity، لأنها تعرض الأبحاث والاقتباسات وأوجه التباين في الاستنتاجات.
• للتطوير — GitHub Copilot وCursor وReplit: يرى الإنسان الاقتراحات والفروق (diffs) ويقرر بنفسه ما يقبله.
• لتحليل البيانات — Julius وHex وDataRobot، حيث يمكن التحقق من الشيفرة ومنطق النموذج ومستوى الثقة في التنبؤات.
• للنصوص والعمل المشترك — Notion AI وGrammarly، اللتان تقترحان التعديلات ولا تطبّقها دون مشاركتك.

ويُعدّ معيار آخر مهماً: ليس جودة النتيجة فحسب، بل جودة العملية أيضاً. فإذا كان الفريق لا يرفض أبداً إجابات النموذج، فهذا ليس بالضرورة دليلاً على قوة الذكاء الاصطناعي؛ فقد يكون الناس ببساطة قد توقفوا عن التفكير. ولذلك فالممارسة العملية بسيطة: توزيع الأدوار مسبقاً، ووضع وقفات قصيرة للتحقق قبل الخطوة التالية، والمطالبة بالشفافية، وتنفيذ المهمة أحياناً دون الذكاء الاصطناعي حتى لا تضيع الخبرة الأساسية. ويلزم هذا المستوى المرجعي (baseline) لفهم أين تنتهي كفاءتك وأين تبدأ التبعية للأداة.

ماذا يعني ذلك

يرصد مقال KDnuggets تحولاً واضحاً: لن يفوز الفرق التي تستدعي الذكاء الاصطناعي أكثر من غيرها، بل تلك التي تتعلم مجادلته والتحقق من عمله. وبالنسبة إلى الأعمال، فالخلاصة عملية: أفضل أثر لا تحققه «الأنظمة ذاتية القيادة»، بل العمليات التي يضاعف فيها النموذج السرعة، بينما يحتفظ الإنسان بالسيطرة على المعنى والجودة والمخاطر.