افهم عالم
الذكاء الاصطناعي

كيف يعيد الذكاء الاصطناعي تصميم عمليات الأعمال لتصبح الشركات أكثر كفاءة؟

لا تبدأ الكفاءة من إضافة روبوت إلى خطوة قديمة. تبدأ من إعادة التفكير في العملية نفسها: ما الذي يمكن إزالته؟ ما الذي يمكن تسريعه؟ وأين نحتاج إلى حكم الإنسان؟

الكفاءة ليست أتمتة خطوة واحدة

كل عملية أعمال تتكون من مدخلات، وقرارات، وتسليمات بين فرق مختلفة، ثم نتيجة نهائية. عندما نضيف الذكاء الاصطناعي إلى خطوة واحدة فقط، قد نسرّعها ونترك بقية العملية بطيئة كما هي. أما إعادة التصميم فتنظر إلى المسار كاملًا: تقلل الانتظار، وتزيل الأعمال المكررة، وتوصل المعلومة الصحيحة إلى الشخص المناسب في الوقت المناسب.

ميزة الذكاء الاصطناعي أنه يتعامل مع المحتوى غير المنظم مثل البريد والمستندات والمحادثات، ويستطيع استخراج المعنى، والمقارنة، والتلخيص، واقتراح الخطوة التالية. لكن هذا لا يعني أن كل قرار يجب أن يُترك للنموذج؛ القيمة الحقيقية تأتي عندما نحدد بوضوح ما يقترحه النظام، وما ينفذه، وما يحتاج إلى موافقة بشرية.

أين يضيف الذكاء الاصطناعي قيمة حقيقية؟

• فهم المدخلات وتصنيفها: يقرأ الرسائل والطلبات والمستندات، ثم يصنفها ويستخرج الحقول المهمة بدل إدخالها يدويًا.
• مساعد المعرفة: يبحث في السياسات والوثائق المصرح بها، ويقترح إجابة أو ملخصًا مع الإشارة إلى المصدر.
• تنسيق الخطوات: يمرر الحالة إلى الفريق أو النظام التالي، ويتابع ما ينقصها، ويقترح الإجراء المناسب بدل التنقل بين أدوات كثيرة.
• التنبؤ ومنع المشكلة: يحلل الأنماط لاكتشاف تأخر متوقع، أو عطل محتمل، أو طلب يحتاج تدخلًا مبكرًا.
• التعلم من النتائج: يقارن التوقع بالنتيجة الفعلية، ويستفيد من تصحيحات الخبراء لتحسين العملية بدل إعادة الخطأ نفسه.

مثال: من بريد العميل إلى حل أسرع

تخيل فريق دعم يستقبل مئات الرسائل يوميًا. في العملية التقليدية يقرأ الموظف كل رسالة، يبحث عن السياسة المناسبة، يكتب الرد، ثم يرسله للمراجعة. يمكن إعادة تصميم المسار كالتالي:

1. استقبال وفهم: يحدد النظام موضوع الرسالة ودرجة الاستعجال ويستخرج رقم الطلب أو المنتج.
2. توجيه: يرسل الحالة إلى الفريق الصحيح، ويجمع المعلومات الناقصة برسالة قصيرة للعميل.
3. استرجاع المعرفة: يبحث في قاعدة المعرفة والسياسات الحالية، لا في ذاكرة النموذج فقط.
4. اقتراح الرد: ينشئ مسودة واضحة مع ذكر المصدر والخيارات المتاحة.
5. تطبيق السياسة: يفحص الرد قبل إرساله، ويتأكد من عدم كشف بيانات أو تقديم وعد غير مسموح.
6. مراجعة بشرية: يرسل الحالات الحساسة أو التي تتضمن تعويضًا أو تغييرًا ماليًا إلى موظف للموافقة.
7. تسجيل وتحسين: تُحفظ النتيجة وتصحيح الموظف لتتحسن القاعدة والمعالجة في المرات التالية.

هنا لا يحل الذكاء الاصطناعي محل فريق الدعم؛ بل يقلل وقت البحث والكتابة، ويترك للموظف الوقت للفهم والتعامل مع الحالات التي تحتاج خبرة أو تعاطفًا.

من العملية الحالية إلى عملية أفضل

1. ارسم الواقع كما هو: اكتب كل خطوة، والمالك، ووقت الانتظار، والأداة المستخدمة، ومكان إعادة العمل.
2. اختر عنق الزجاجة: ابدأ بمهمة متكررة، وحجمها واضح، ومخاطرها قابلة للسيطرة؛ لا تبدأ بأكثر قرار حساس في الشركة.
3. صمّم المسار الجديد: قرر ما الذي يقرأه AI، وما الذي يقترحه، وما الذي ينفذه النظام تلقائيًا، ومتى يتدخل الإنسان.
4. اربطه بالأنظمة: اجعل النتيجة تنتقل عبر تكامل منظم بدل نسخها يدويًا بين البريد والملفات والأنظمة.
5. ضع الضوابط قبل التوسع: استخدم أقل صلاحية، وافحص المدخلات والمخرجات، وسجل الأفعال، واطلب موافقة قبل الأثر العالي.
6. اختبر على نطاق صغير: قارن العملية الجديدة بخط أساس واضح، ثم وسّعها فقط عندما تظهر فائدة مستقرة ويمكن تفسيرها.

الحوكمة جزء من الكفاءة

قد يبدو تجاوز الضوابط أسرع في البداية، لكنه يخلق تكلفة خفية: أخطاء، وتسرب بيانات، ومراجعات يدوية، وفقدان ثقة، وربما توقف العملية بالكامل. لذلك يجب أن تكون الحماية جزءًا من التصميم، لا خطوة لاحقة. امنح الوكيل الأدوات الضرورية فقط، افصل صلاحية القراءة عن التنفيذ، تحقق من مخرجاته، واجعل الأفعال الحساسة قابلة للإيقاف والمراجعة.

القاعدة العملية بسيطة: النموذج يقترح، والسياسة تتحكم، والإنسان يوافق على الأفعال الحساسة. بهذه الطريقة نكسب السرعة دون تحويل خطأ واحد إلى أثر واسع.

كيف نقيس النجاح؟

لا يكفي أن نقول إن النظام «ذكي» أو إنه أنتج عددًا كبيرًا من المخرجات. قِس العملية قبل التغيير وبعده باستخدام مؤشرات مرتبطة بالعمل:

• زمن إنجاز المعاملة وزمن الاستجابة الأولى.
• التكلفة لكل حالة وعدد الساعات التي تحولت من إدخال يدوي إلى عمل ذي قيمة.
• نسبة الأخطاء وإعادة العمل والتصعيد إلى فريق آخر.
• دقة التصنيف والاسترجاع، ونسبة اقتراحات AI التي يقبلها الموظفون بعد المراجعة.
• رضا العميل، والالتزام بالسياسات، وعدد الحوادث أو التسريبات.

أخطاء شائعة يجب تجنبها

• أتمتة عملية سيئة: إذا كانت الخطوات غير واضحة، سيجعلها AI أسرع في إنتاج الفوضى.
• منح صلاحيات واسعة: لا يحتاج الوكيل إلى الوصول الكامل كي ينجز مهمة محددة.
• القياس بالانبهار: إجابة جميلة ليست دليلًا على تحسن النتيجة التجارية.
• إلغاء الإنسان مبكرًا: ابدأ بالمساعدة والاقتراح، ثم زد الاستقلالية تدريجيًا بعد إثبات السلامة.

الخلاصة

الذكاء الاصطناعي يجعل الشركات أكثر كفاءة عندما يُستخدم لإعادة تصميم تدفق العمل، لا لإضافة طبقة محادثة فوق إجراءات قديمة. ابدأ بمشكلة قابلة للقياس، اربط النظام بالبيانات الصحيحة، حدّد حدود الوكيل، وأبقِ القرار الحساس قابلًا للمراجعة. عندها تصبح التقنية وسيلة لتحسين العملية والنتيجة معًا.

البيانات هي الوقود الحقيقي للذكاء الاصطناعي

يمكن شراء نموذج قوي، لكن لا يمكن شراء فهم عميق لمشكلتك. الفارق الحقيقي يظهر عندما تملك بيانات موثوقة، وسياقًا صحيحًا، وطريقة واضحة لاستخدامهما بأمان.

لماذا لا يكفي اختيار نموذج كبير؟

النموذج يتعلم الأنماط من البيانات، ثم يستخدم ما تعلمه لإنتاج تنبؤ أو إجابة. إذا كانت البيانات ناقصة أو قديمة أو منحازة، فقد تكون النتيجة أنيقة في شكلها لكنها ضعيفة في الواقع. لذلك قد يتفوق نظام أبسط ببيانات منظمة ومناسبة على نظام أكبر يعمل على معلومات غير ملائمة.

ما المقصود بالبيانات المفيدة؟

البيانات المفيدة ليست أكبر كمية ممكنة؛ هي البيانات التي تساعد على اتخاذ قرار أو تنفيذ مهمة محددة، ويمكن الوثوق بمصدرها وصلاحية استخدامها. افحص فيها ستة أشياء:

• الصلة: تجيب عن السؤال أو تخدم حالة الاستخدام، لا تجمع معلومات لمجرد جمعها.
• الدقة: تمثل الواقع ويمكن مراجعة مصدرها وتصحيح أخطائها.
• الاكتمال: لا تترك فراغات تغيّر القرار أو تخفي الحالات الاستثنائية.
• الحداثة: تحمل تاريخًا واضحًا حتى لا تُستخدم معلومة قديمة في قرار جديد.
• التمثيل: تشمل الحالات والفئات المختلفة، لا أفضل الأمثلة فقط.
• المشروعية والأمان: نعرف من يملكها، ولماذا نستخدمها، ومن يحق له الوصول إليها.

من أين نحصل على البيانات المفيدة؟

ابدأ من الأماكن التي تحتوي على معرفة حقيقية مرتبطة بالعمل، ثم قيّم كل مصدر قبل إدخاله في النظام:

• الأنظمة الداخلية: سجلات الدعم، التذاكر، المنتجات، المبيعات، ونتائج التشغيل.
• المستندات المنظمة: السياسات، أدلة التشغيل، العقود، الأسئلة المتكررة، وتقارير الدروس المستفادة.
• تفاعل المستخدمين: الأسئلة المتكررة، التقييمات، وتصحيحات الخبراء بعد إخفاء البيانات الحساسة.
• المصادر العامة أو المرخّصة: استخدمها مع التحقق من شروط الترخيص وتاريخ التحديث.
• البيانات الاصطناعية: مفيدة لتغطية حالات نادرة أو اختبار النظام، لكنها لا تعوّض الواقع ولا يجوز اعتبارها حقيقة من دون تحقق.

من السؤال إلى مجموعة بيانات قابلة للاستخدام

1. حدد القرار أولًا: ما الذي نريد أن يتنبأ به النظام أو يشرحه أو يساعد في تنفيذه؟
2. اعمل جردًا للمصادر: سجّل مكان البيانات ومالكها وتاريخها ومستوى حساسيتها.
3. نظّف ووحّد: أزل التكرار، وحّد الصيغ، عالج القيم الناقصة، واحتفظ بسجل للتغييرات.
4. أضف المعنى: استخدم تصنيفات وتعريفات واضحة، واطلب مراجعة بشرية للعينات المهمة.
5. طبّق أقل صلاحية: أخفِ الأسرار والبيانات الشخصية، وافصل بين من يقرأ ومن يحرر ومن ينشر.
6. اختبر قبل الإطلاق: قِس الدقة والاستدعاء، وابحث عن الانحياز، واختبر الحالات التي قد يفشل فيها النظام.
7. أنشئ حلقة تحسن: اجمع ملاحظات المستخدمين وتصحيحات الخبراء، ثم حدّث البيانات وفق سياسة واضحة.

هل نحتاج RAG أم Fine-tuning؟

إذا كانت المشكلة أن النموذج لا يعرف مستنداتك أو أن المعلومات تتغير باستمرار، فغالبًا يكون RAG نقطة بداية مناسبة: يسترجع مقاطع من مصادر مصرح بها قبل صياغة الإجابة. أما Fine-tuning فيستخدم أمثلة تدريب إضافية لتغيير السلوك أو الأسلوب أو تحسين مهمة محددة؛ وهو ليس طريقة سحرية لإدخال قاعدة معرفة متغيرة، ولا يعفيك من تنظيف البيانات وحمايتها.

الخلاصة

ابدأ من حالة استخدام واضحة، لا من سؤال «كم لدينا من البيانات؟». اسأل بدلًا من ذلك: هل هذه البيانات مرتبطة بالقرار؟ هل يمكن الوثوق بها؟ هل نملك حق استخدامها؟ وهل نستطيع قياس أثرها؟ عندما تكون الإجابة نعم، يصبح النموذج جزءًا من منظومة مفيدة، لا مجرد واجهة ذكية.

ليس كل شيء يحتاج إلى الذكاء الاصطناعي

المهارة الأهم في عصر الذكاء الاصطناعي ليست وضعه في كل مكان، بل معرفة متى نستخدمه، ومتى تكون القواعد أو التعلم الآلي أو الحكم البشري خيارًا أفضل.

الذكاء الاصطناعي ليس حلًا سحريًا

أصبح من السهل أن تنجذب الفرق إلى فكرة استخدام الوكلاء الأذكياء في كل نظام وكل عملية. لكن اختيار التقنية يجب أن يعتمد على طبيعة المشكلة، ومستوى الدقة المطلوب، والتكلفة، والتعقيد، والمخاطر التي يمكن تحملها.

ليست التقنيات المختلفة درجات على سلم واحد يبدأ بالإنسان وينتهي بالوكيل. لكل خيار وظيفة مختلفة، والهدف هو اختيار نوع الذكاء المناسب للمهمة.

أربعة أساليب لحل المشكلات

• الإنسان: مناسب للحكم، والسياق، والأخلاق، والمسؤولية، والقرارات عالية المخاطر.
• القواعد والبرمجة: مناسبة للمنطق الواضح والثابت الذي يحتاج إلى نتائج دقيقة ومتوقعة.
• التعلم الآلي: مناسب لاكتشاف الأنماط والتنبؤات في البيانات المنظمة.
• الذكاء الاصطناعي التوليدي والوكلاء: مناسب للتعامل مع النصوص والوثائق والبيانات غير المنظمة، عندما تكون المرونة أهم من الدقة المطلقة.

متى نحتاج إلى الإنسان؟

يتميز الإنسان بالتعامل مع الغموض، والمعلومات الناقصة أو المتعارضة، والحالات الاستثنائية. كما يستطيع تطبيق السياق والأخلاق وتحمل المسؤولية بطريقة لا تستطيعها الآلة وحدها.

لذلك يجب أن يبقى القرار البشري حاضرًا في مجالات مثل:

• التوظيف والقرارات المتعلقة بالأفراد.
• التشخيص الطبي.
• التفسير القانوني.
• القرارات المالية والاستراتيجية الكبرى.
• كل حالة تحتاج إلى جهة مسؤولة يمكن محاسبتها.

لكن الحكم البشري مكلف وبطيء وصعب التوسع. فلا يمكن مثلًا أن يراجع البشر ملايين معاملات بطاقات الائتمان في الثانية.

متى تكون القواعد أفضل من AI؟

إذا كان المنطق معروفًا ومستقرًا، وكانت الأخطاء غير مقبولة، فغالبًا تكون البرمجة التقليدية هي الخيار الأفضل. ومن الأمثلة على ذلك:

• معالجة المدفوعات والتحقق من الرصيد.
• التحقق من صحة البيانات وصيغة البريد الإلكتروني.
• تحويل البيانات بين الأنظمة.
• التحكم في الوصول والصلاحيات.
• تطبيق قواعد الأمن السيبراني.

في هذه الحالات نحتاج إلى نظام سريع، رخيص، قابل للاختبار، ومفهوم. إدخال نموذج توليدي قد يضيف عدم يقين وتكلفة ومخاطر من دون قيمة حقيقية.

متى نستخدم التعلم الآلي؟

تفشل القواعد عندما تتغير الشروط باستمرار أو تصبح العلاقات بين المتغيرات معقدة جدًا. هنا يبرز دور التعلم الآلي، لأنه يتعلم الأنماط من البيانات ويقدم تنبؤات احتمالية.

من أمثلته اكتشاف الاحتيال، والتنبؤ بمغادرة العملاء، وتوقع الطلب، وأنظمة التوصية. فقاعدة مثل «اعتبر كل عملية تتجاوز ألف دولار احتيالية» بسيطة وغير فعالة، بينما يستطيع النموذج تحليل خصائص متعددة وسلوكيات متغيرة.

يمتاز التعلم الآلي بقابليته للتوسع، لكنه يحتاج إلى بيانات جيدة ومراقبة وصيانة مستمرة. فقد يتراجع أداؤه مع تغير الواقع، وهي مشكلة تعرف بانحراف النموذج، كما أن تفسير نتائجه قد لا يكون سهلًا دائمًا.

متى يكون الذكاء التوليدي أو الوكيل مناسبًا؟

تتفوق النماذج اللغوية والوكلاء عندما تكون المدخلات غير منظمة، مثل النصوص والوثائق والمحادثات، وعندما تتطلب المهمة تفسيرًا أو تلخيصًا أو توليدًا أو تنفيذ عدة خطوات.

• الإجابة عن الأسئلة داخل مجموعة من الوثائق باستخدام RAG.
• تلخيص المستندات الطويلة.
• توليد الأكواد أو المسودات.
• تحليل النصوص وفهم نية المستخدم.
• تنسيق سير عمل متعدد الخطوات.

في دعم العملاء مثلًا، يستطيع الوكيل فهم السؤال، والبحث في قاعدة المعرفة، ثم إنشاء رد مخصص. تنفيذ هذه المهمة بقواعد ثابتة فقط سيكون معقدًا جدًا.

لكن هذه المرونة تأتي مقابل عدم ثبات النتائج، واحتمال الهلوسة، وصعوبة الاختبار الكامل، وارتفاع التكلفة عند التوسع. لذلك يجب أن نسأل دائمًا: ما مقدار عدم اليقين الذي يمكننا تحمله؟

النظام الهجين هو الحل الأكثر نجاحًا

لا نحتاج إلى اختيار تقنية واحدة للمشكلة كلها. في نظام لتحليل الإنفاق السنوي، يمكن استخدام كود تقليدي لإجراء الحسابات، والتعلم الآلي لاكتشاف الاتجاهات، ونموذج لغوي لإنشاء تقرير واضح، ثم إنسان لمراجعة النتائج واتخاذ القرارات المهمة.

بهذا الأسلوب نستخدم كل تقنية في المجال الذي تتفوق فيه، بدل إجبار الوكيل على تنفيذ كل المهام بمفرده.

قاعدة عملية لاختيار التقنية

1. استخدم الإنسان عندما تحتاج إلى الحكم أو الأخلاق أو المسؤولية أو عندما تكون المخاطر عالية.
2. استخدم القواعد والبرمجة عندما يكون المنطق واضحًا وثابتًا والنتيجة الدقيقة ضرورية.
3. استخدم التعلم الآلي عندما تريد اكتشاف أنماط أو إجراء تنبؤات اعتمادًا على بيانات منظمة.
4. استخدم الذكاء التوليدي عندما تحتاج إلى تفسير أو تلخيص أو توليد أو استدلال، وتكون المرونة أهم من الدقة المطلقة.

الخلاصة

تفشل مشروعات كثيرة ليس لأن النموذج ضعيف، بل لأن الفريق اختار النظام الخطأ من البداية. الأنظمة الناجحة توزع القرارات بوعي بين الإنسان، والقواعد، والتعلم الآلي، والنماذج التوليدية.

المستقبل ليس لمن يستخدم أكبر قدر من الذكاء الاصطناعي، بل لمن يختار باستمرار نوع الذكاء المناسب للمشكلة. ومعرفة متى لا نستخدم الذكاء الاصطناعي قد تكون أهم مهارة في عصره.

المصدر: فيديو IBM Technology: متى لا نستخدم الذكاء الاصطناعي؟