سينيميكس تعرض مدرّبًا بالذكاء الاصطناعي لمبيعات الشركات يتحقق من الأقوال استنادًا إلى الوثائق

تحدثت سينيميكس عن نموذج أولي لمدرّب بالذكاء الاصطناعي لمبيعات B2B، يعلّم المديرين إدارة المفاوضات والرد على الاعتراضات وعدم المبالغة في وصف خصائص المنتج. يخضع النظام للاختبار حاليًا: فبعد تغيير البنية أصبح أكثر استقرارًا بشكل ملحوظ، ويتوقع الفريق أن تؤدي التدريبات المنتظمة إلى رفع عدد طلبات العروض التجارية بما لا يقل عن 15%.

من الإخفاق إلى المدرّب

نشأت الفكرة من مشكلة مألوفة في مبيعات B2B. فالمبتدئ قد يدير الجزء الأول من الاجتماع بثقة، لكنه يرتبك حين يبدأ العميل بطرح أسئلة محرجة عن المنتج والوثائق وجدوى الانتقال. وفي مبيعات المستهلكين يمكن تجاوز مثل هذا الخطأ، أما في قطاع الشركات فكل اجتماع فاشل يعني عميلًا محتملًا ضائعًا ووقتًا مهدرًا للفريق وخسارة مالية. ويكون هذا الإخفاق مؤلمًا ومكلفًا بوجه خاص للشركات ذات دورة الصفقة الطويلة.

لذلك قررت سينيميكس ألا تبني مجرد روبوت دردشة، بل محاكيًا للمفاوضات. يجب أن يرافق المحاكي المدير طوال دورة المحادثة من التحية إلى تثبيت الخطوات التالية، وأن يعترض بواقعية، وأن يقدّم ملاحظات بعد انتهاء الحوار. واعتمد التدريب على نوعين رئيسيين من البيانات: سيناريوهات الزيارات بأهدافها والاعتراضات النموذجية، ووثائق المنتج بصيغة PDF، كي يستند الوكيل إلى الحقائق لا إلى «الانطباعات».

بنية تحت السيطرة

اختبر الفريق ثلاثة مناهج. استُبعد نهج الوكيل الواحد بسبب امتلاء السياق: ففي المحادثة الطويلة كان النموذج يفقد الخيط ويتبع التعليمات بشكل أسوأ. كما لم يناسب النهج الكلاسيكي متعدد الوكلاء: فهو مرن، لكنه أشبه بصندوق أسود يصعب فيه فهم سبب تمرير وكيل مهمةً إلى آخر وفي أي مرحلة نشأ الخطأ. وفي النهاية وقع الاختيار على sequential prompting، أي سلسلة من الخطوات الضيقة بمخرجات JSON مضبوطة وprompts منفصلة لكل مرحلة من مراحل الحديث.

• اختيار الـ prompt بحسب مرحلة المحادثة
• توليد عدة صيغ للرد
• اختيار أفضل رد بواسطة وكيل منفصل
• إرسال الرد النهائي إلى المدير

ومع ذلك أخفقت النسخة الأولى من النظام: لم يُعدّ ناجحًا سوى حواريْن من أصل 8. بعد ذلك أضاف الفريق إلى المخطط وكيلًا ثانيًا بدور «المحرّر» يختار أفضل صيغة رد من بين عدة صيغ مولَّدة. خفّف هذا المسار ذو المرحلتين العبء عن الـ prompt الرئيسي ومنح النموذج تنوعًا أكبر دون فقدان السيطرة. وفي التكرار الثاني ارتفعت النتيجة إلى 7 حوارات ناجحة من أصل 8، وأصبحت الردود نفسها أكثر طبيعية. وكانت تلك نقطة التحول في المشروع.

التحقق من الأقوال المختلقة

الخطوة التالية هي تعقيد المحاكاة. ظهرت في المدرّب مستويات صعوبة: في المستوى السهل يكون العميل الافتراضي أكثر تساهلًا، وفي المتوسط يطلب حججًا، وفي الصعب يبدأ بتدقيق كل عبارة يقولها المدير. وعند هذه النقطة أضاف الفريق RAG إلى النظام، ليتمكن الوكيل من مطابقة الأقوال مع الوثائق وكشف الوعود غير المثبتة. ودون ذلك كان المدرّب إما سيصدّق أي وعد يقدمه المدير، أو سيجادل دون سند من الحقائق.

يسير السيناريو على النحو التالي: يدلي المدير بتصريح عن المنتج، فيستخرج النظام منه ادعاءً محددًا، ثم يعثر عبر البحث المتجهي على المقطع ذي الصلة من الوثائق، ويمرّر الادعاء مع المقطع إلى النموذج لإصدار الحكم. فإذا قال المدير مثلًا إن النسخة السحابية من المنتج تتحمل 500 مستخدم متزامن، بينما لا تتضمن الوثائق سوى بيانات اختبار على مستخدمين اثنين، فإن الوكيل لا يوافق تلقائيًا، بل يشير بلطف إلى التناقض. وبحسب الفريق، أُعيدت كتابة كل prompt نحو 12 مرة في المتوسط للوصول إلى هذا السلوك.

ماذا يعني ذلك

يُظهر مشروع سينيميكس أن وكلاء الذكاء الاصطناعي في الشركات يتحولون أكثر فأكثر من «روبوتات الدردشة الذكية» إلى مدرّبين تطبيقيين ذوي منطق قابل للتحقق. وإذا أكد هذا الشكل التوقعات بشأن نمو العروض التجارية والتحويل إلى المشاريع التجريبية، فقد يتخذ الذكاء الاصطناعي في مبيعات B2B دور المدرّب الدائم المتاح في أي وقت، والذي يستند إلى الوثائق لا إلى الارتجال. وبالنسبة لأقسام المبيعات الداخلية، لم يعد ذلك تجربة لمجرد التجربة، بل أداة محتملة لتوسيع نطاق التدريب.