وكلاء الذكاء الاصطناعي ذوو الرؤية أغلى بعدة أضعاف من واجهات API التقليدية
تبيّن أن وكلاء المتصفح ذوي الرؤية أغلى بعدة أضعاف من واجهات API التقليدية. فكل لقطة شاشة يراها الوكيل تتطلب معالجة عبر نموذج vision مرتفع التكلفة. وعند التوسع إلى آلاف العمليات يوميًا، تكتشف الشركات أن يومًا واحدًا من عمل الوكيل يكلّف أكثر من شهر كامل من تشغيل النماذج النصية.
معالج بواسطة الذكاء الاصطناعي من 3DNews AI؛ بتحرير Hamidun News
يكلّف وكلاء المتصفح العاملون بالذكاء الاصطناعي، الذين يرون الشاشة ويحاكون سلوك الإنسان، الشركات أكثر بأضعاف مضاعفة مقارنةً بنماذج الذكاء الاصطناعي النصية العادية. وأجرت شركة Reflex تحليلًا للتكاليف خلصت فيه إلى أن سعر الوكلاء ذوي الرؤية يفوق بعدة أضعاف تكلفة طلبات API العادية.
لماذا تكلفة vision أعلى من النص
عندما يعالج الوكيل النص فقط، تكون المهمة بسيطة ورخيصة نسبيًا. تأخذ واجهة API حصتها، ويعالج النموذج الطلب، وينتهي الأمر. أما عندما يرى الوكيل نفسه لقطة شاشة أو متصفحًا أو نموذجًا إلكترونيًا، فيدخل نموذج vision في العمل، وهو يحتاج إلى موارد حوسبة أكبر بكثير وتكلفته أعلى.
قد يكون سعر لقطة شاشة واحدة أعلى من سعر معالجة جلسة نصية كاملة تضم عشرات الجمل. وقد تكلّف نقرة واحدة من وكيل المتصفح الشركة أكثر من حوار كامل مع روبوت دردشة نصي. وهذه ليست فرضية، بل ملاحظة من مطوّرين وسّعوا نطاق وكلاء المتصفح إلى مستوى الاستخدام الصناعي.
وتزداد المشكلة تعقيدًا لأن الوكيل لا يستطيع «إعادة استخدام» لقطة شاشة واحدة. ففي كل مرة يتغير فيها شيء على الشاشة، وهذا يحدث بعد كل إجراء ينفّذه الوكيل، يحتاج إلى صورة جديدة، واستدعاء جديد لواجهة vision API، وتكاليف جديدة. وينتج عن ذلك وضع ترتفع فيه الأسعار أسّيًا مع زيادة عدد الإجراءات.
كيف تُحسب التكلفة عمليًا
عندما يملأ الوكيل نموذجًا على موقع إلكتروني، تسير دورة العمل على النحو التالي:
- التقاط لقطة شاشة (يعمل نموذج vision)
- فهم ما يراه الوكيل: الأزرار والحقول والأخطاء والتلميحات
- تحديد الإجراء المطلوب تنفيذه (وهذه الخطوة أرخص، فهي منطق)
- تنفيذ النقرة أو ملء الحقل أو الضغط على الزر
- التقاط لقطة شاشة جديدة، واستدعاء جديد لواجهة vision API
كل دورة تتضمن رؤية هي دفعة منفصلة. فعند طلب وجبة عبر DoorDash، قد يلتقط الوكيل من 5 إلى 10 لقطات شاشة: البحث عن مطعم، واختيار المطعم، وتصفح القائمة، وإضافة الأطباق إلى السلة، وإتمام الدفع. أي أن المهمة الواحدة تستدعي من 5 إلى 10 مرات نموذج vision مرتفع التكلفة.
وعند التوسع إلى آلاف العمليات المماثلة يوميًا، تصبح التكاليف باهظة. وسرعان ما تكتشف الشركة أنها أنفقت على يوم واحد من عمل الوكلاء أكثر مما أنفقته على شهر كامل من تشغيل النماذج النصية.
والأرقام تتحدث عن نفسها: إذا كان طلب vision يكلّف 10 أضعاف الطلب النصي، وكان الوكيل يلتقط 10 لقطات شاشة لكل مهمة، فإن التكاليف ترتفع 100 ضعف.
مشكلة التوسع
كثيرًا ما تكتشف الشركات التي جرّبت وكلاء المتصفح تكاليف خفية. فما بدا أوفر من توظيف إنسان (وكيل آلي واحد لمدة شهر أرخص من مستقل)، يتبيّن عمليًا أنه أغلى إذا كان المطلوب معالجة عشرات الآلاف من الشاشات يوميًا.
«اقتصاديات وكلاء vision مختلفة تمامًا عن اقتصاديات الوكلاء النصيين.
الشركات تحسب العائد على الاستثمار (ROI) بشكل خاطئ»، بحسب المطوّرين.
هذا لا يعني أن وكلاء المتصفح غير مجدين اقتصاديًا، بل يعني أنه لا ينبغي تشغيلهم دون حساب دقيق. فالمطلوب احتساب صريح: كم تكلّف دورة الوكيل الواحدة، وكم دورة تحتاجها المهمة، وكم مهمة تُنفَّذ يوميًا، وما النتيجة المتحققة. ودون ذلك، قد يُستنفد الإنفاق المخصص كله أسرع مما كان متوقعًا.
ماذا يعني ذلك
يتطلب تطوير وكلاء المتصفح مقاربات جديدة للتسعير. فعلى الشركات أن تعرف تكلفة نماذج vision قبل الإطلاق في بيئة الإنتاج (production)، لا بعد وصول الفاتورة. وإلا تحوّل التوفير الذي وعدت به الأتمتة إلى إنفاق غير متوقع.
سيبطئ ذلك مؤقتًا اعتماد هذه الوكلاء، لكنه سيدفع الشركات إلى اتخاذ قراراتها عن وعي.
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول لماذا تكلفة vision أعلى من النص؟
عندما يعالج الوكيل النص فقط، تكون المهمة بسيطة ورخيصة نسبيًا. تأخذ واجهة API حصتها، ويعالج النموذج الطلب، وينتهي الأمر. أما عندما يرى الوكيل نفسه لقطة شاشة أو متصفحًا أو نموذجًا إلكترونيًا، فيدخل نموذج vision في العمل، وهو يحتاج إلى موارد حوسبة أكبر بكثير وتكلفته أعلى. قد يكون سعر لقطة شاشة واحدة أعلى من سعر معالجة جلسة نصية كاملة تضم عشرات الجمل. وقد تكلّف نقرة واحدة من وكيل المتصفح الشركة أكثر من حوار كامل مع روبوت دردشة نصي. وهذه ليست فرضية، بل ملاحظة من مطوّرين وسّعوا نطاق وكلاء المتصفح إلى مستوى الاستخدام الصناعي. وتزداد المشكلة تعقيدًا لأن الوكيل لا يستطيع «إعادة استخ
ما أبرز التفاصيل حول كيف تُحسب التكلفة عمليًا؟
عندما يملأ الوكيل نموذجًا على موقع إلكتروني، تسير دورة العمل على النحو التالي: التقاط لقطة شاشة (يعمل نموذج vision) فهم ما يراه الوكيل: الأزرار والحقول والأخطاء والتلميحات تحديد الإجراء المطلوب تنفيذه (وهذه الخطوة أرخص، فهي منطق) تنفيذ النقرة أو ملء الحقل أو الضغط على الزر التقاط لقطة شاشة جديدة، واستدعاء جديد لواجهة vision API كل دورة تتضمن رؤية هي دفعة منفصلة. فعند طلب وجبة عبر DoorDash، قد يلتقط الوكيل من 5 إلى 10 لقطات شاشة: البحث عن مطعم، واختيار المطعم، وتصفح القائمة، وإضافة الأطباق إلى السلة، وإتمام الدفع. أي أن المهمة الواحدة تستدعي من 5 إلى 10 مرات نموذج vision مرت
ما أبرز التفاصيل حول مشكلة التوسع؟
كثيرًا ما تكتشف الشركات التي جرّبت وكلاء المتصفح تكاليف خفية. فما بدا أوفر من توظيف إنسان (وكيل آلي واحد لمدة شهر أرخص من مستقل)، يتبيّن عمليًا أنه أغلى إذا كان المطلوب معالجة عشرات الآلاف من الشاشات يوميًا. «اقتصاديات وكلاء vision مختلفة تمامًا عن اقتصاديات الوكلاء النصيين. الشركات تحسب العائد على الاستثمار (ROI) بشكل خاطئ»، بحسب المطوّرين. هذا لا يعني أن وكلاء المتصفح غير مجدين اقتصاديًا، بل يعني أنه لا ينبغي تشغيلهم دون حساب دقيق. فالمطلوب احتساب صريح: كم تكلّف دورة الوكيل الواحدة، وكم دورة تحتاجها المهمة، وكم مهمة تُنفَّذ يوميًا، وما النتيجة المتحققة. ودون ذلك، قد يُستن
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.