مركز QbitAI للأبحاث
الحساب العام AI123All
خلال العام الماضي، لم تكُن هناك تقريبًا أي شركة لا تهتف بشعارات "احتضان الذكاء الاصطناعي بالكامل".
تم إطلاق روبوتات الدردشة (Chatbot) وبدأ استخدام الوكلاء (Agent) أيضاً، والأرقام في التقارير الداخلية مثل "تحسين الكفاءة بنسبة XX%" أصبحت تبدو أكثر إبهاراً يوماً بعد يوم.
لكن إذا سألت مسؤول الأعمال سؤالاً بسيطاً — هل نقصت حالات النفاد من المخزون؟ هل أصبح التسليم أسرع؟ هل ارتفع رضا العملاء؟ فالإجابة غالباً ليست بهذا اليقين.
في الواقع، فإن الغالبية العظمى من الشركات التي تمر بتحول ذكيّ تواجه جماعياً "ازدهاراً زائفاً". لقد اعتدنا على اعتبار الذكاء الاصطناعي أداةً لرفع الكفاءة الشخصية، متجاهلين حقيقة قاسية:
كفاءة الأداء في المهام الفردية لا تعني بالضرورة تحقيق القيمة التشغيلية للمؤسسة.
إذا لم يتمكن الذكاء الاصطناعي حقًا من الربطالبيانات، والتقييم، والعمل، والتحكم في النظامفإن دورة الإغلاق الكاملة للمسار ستبقى الشركة عالقة إلى الأبد في الميل الأخير من التطبيق على نطاق واسع.
في الشطر الثاني من الذكاء الاصطناعي على مستوى المؤسسات، كيف يمكن كسر الجمود فعلاً؟ وكيف يمكن للوكلاء (Agent) أن يتغلغلوا حقاً في شعيرات الأعمال الدقيقة وينجزوا إعادة هيكلة منهجية موجهة نحو المستقبل؟
أصدر معهد QbitAI للبحوث مؤخرًا تقريرًا رسميًاالوكيل الذكي (Agent) في تحويل الشركات إلى ذكية: من رفع الكفاءة في نقاط منفردة إلى إعادة التشكيل على نطاق واسع。في هذا التقرير، نحاول رفع الضباب المحيط بتطبيق النماذج الكبيرة، والبحث عن حلول جديدة لتخطيط التحول الذكي في الشركات.
تم استخدام الذكاء الاصطناعي، لكن أين تكمن العقبة؟
يمكن ربط النقاط التي غالبًا ما تتعثر عندها المؤسسات عند تطبيق الذكاء الاصطناعي في الممارسة العملية من خلال سيناريو واحد:التعامل مع مخاطر نفاد المخزون في المتاجر。
مساعد تحليل الأعمال نفسه: يرى الفريق التقني أن اكتمال المهمة يتحقق بمجرد توليد التقرير، بينما يرى العاملون في الأعمال أن المساءلة لا تتم إلا بعد توضيح الأسباب، والإدارة تهتم بما إذا كان نفاد المخزون قد انخفض فعلاً — معايير الإنجاز لدى الأطراف الثلاثة لا تتطابق أصلاً.
هناك اختلال مماثل على مستوى البيانات أيضاً؛ فالسجلات تُظهر وجود مخزون، لكن بعد خصم الكميات المخصصة والمجمّدة، فإن الكمية القابلة للتوزيع فعلياً تختلف كثيراً عن ذلك الرقم الموجود في النظام. وعندما يستخدم الذكاء الاصطناعي الأرقام الدفترية لاتخاذ الأحكام، فإن نقطة انطلاقه تكون منحرفة أصلاً.
حتى لو كانت البيانات دقيقة والتحليل صحيحاً، فإنه لا يزال بين التوصية والتنفيذ سلسلة كاملة تضم الإدخال اليدوي للطلبات وتقديم الموافقات وتتبع التوصيل. فدخول التوصية إلى النظام لا يعني إنجاز المهمة، بينما تحدد إمكانية إعادة حالة الإنجاز إلى الذكاء الاصطناعي ما إذا كان بإمكان حلقة المهمة أن تُغلق فعلياً.
لا говорить عن أن كل خطوة عملية تنطوي في كواليسها علىمن يملك صلاحية المبادرة، ومن يمنح الموافقة، ومن يتولى المسؤولية عند وقوع المشكلات،هذه أسئلة الصلاحيات والمسؤوليات.
تم تصنيف نقاط الانقطاع هذه في ست فئات إجمالًا:تعريف المهام، وموثوقية البيانات، وقابلية التحقق من الأحكام، وتنفيذ الإجراءات على أرض الواقع، وتقسيم الصلاحيات والمسؤوليات، وقياس القيمة وتكرارها。
كل نقطة منها وحدها ليست قاتلة، لكنها مجتمعة تفسر لماذا تتوقف مشاريع الذكاء الاصطناعي لدى كثير من الشركات عند حالة "صالحة للعمل جزئيًا لكن يتعذر تعميمها شاملًا".
هذه الأعمال غير المكتملة تعود في نهاية المطاف إلى أيدي البشر، وتتحول إلى إعادة عمل طويلة وممططة، وانتظار، وتغطية للهفوات.
إذن، كيف يمكن للشركات أن تزيل هذه النقاط العمياء بشكل منهجي؟
إطار عمل متكامل لسلسلة الإنجاز كاملة ومبني حول نتائج الأعمال
بما أن الإصلاحات الجزئية المحلية لا تستطيع حل المشكلة الجذرية، فكيف ينبغي للمؤسسات إعادة بناء حل ذكي فعّال؟
تقترح فكرية QbitAI في تقريرها أن الوكيل (Agent) المؤسسي الناضج ليس بأي حال مجرد أداة معزولة للأسئلة والأجوبة، بل يجب أن يمتلك"قدرات السلسلة الكاملة" التي تربط المهام والسياق والحكم والتنفيذ والتحكم والقياس。
وفي هذا الإطار، فإن نقطة انطلاق كل قرار ذكي تكمن في كسر جزر البيانات وبناءبيئة سياقية موثوقة حقًا。
في كثير من الأحيان، يكون السبب الجذري لظهور الذكاء الاصطناعي بأنه "غير ذكي بما يكفي" في تحليل الأعمال هو الانفصال بين البيانات الأساسية ودلالات الأعمال — فمع تعريفات الحقول المربكة واختلاف معايير الإصدارات، من الطبيعي ألا يتمكن الذكاء الاصطناعي من تقديم استنتاجات موثوقة.
لكي يصبح الوكيل (Agent) حقًا "مستشارًا" يفهم الأعمال، يجب أولًا أن تتطور البيانات من مجرد "قابلة للعثور عليها" إلى "موثوقة" عبر السلسلة الكاملة.
وفي هذا الصدد، توفر بعض الممارسات التقنية الرائدة نموذجًا جيدًا جدًا للقطاع. فعلى سبيل المثال، علامة البيانات الذكية التابعة لـ NetEase Smart EnterpriseShufan، من خلال منصتها المتكاملة للتطوير والحوكمةEasyData، تدمج بعمق تطوير البيانات والجودة والأمان وحوكمة الأعمال، مما يوفر للوكلاء بشكل مستقر أصولًا دلالية عالية الجودة وقابلة للتتبع.
وعلى هذا الأساس، وبالاعتماد على NetEase Smart Enterprise·Zhishu DataAgent، تستطيع المؤسسات ربط المؤشرات المتباينة وقواعد المعرفة والاستعلام باللغة الطبيعية بسلاسة، بحيث يفهم الذكاء الاصطناعي لغة الأعمال حقًا.
وفي التطبيق الفعلي، فإن هذا الربط عبر السلسلة الكاملة يحرّر إمكانات الأعمال. فعلى سبيل المثال،Sanhua Intelligent Controls، بالاستعانة بـ Shufan لتوحيد البيانات ومعايير الدلالات في الطبقة الأساسية، تمكّن الذكاء الاصطناعي من سحب بيانات الموازنة والفعلية تلقائيًا وتحديد الانحرافات، مما قلّص تحليل الموازنات الذي كان يستغرق2-3 ساعاتإلى10 دقائقبشكل كبير، مما مكّن الفريق المالي من التحول من معالجة التقارير الثقيلة إلى التحليل العميق للأعمال.
لكن حين انتقلت الذكاء النمذجة من تحليل القرار إلى ما هو أعمق من ذلك، namelyهندسة البرمجيات وتسليم التطبيقاتظهرت تحديات جديدة: كيف نتجنّب انحراف المتطلبات أثناء تطوير التطبيقات بواسطة Coding Agent، والوقت الضائع في التنسيق بين الواجهة الأمامية والخلفية؟
أحد التغيّرات الجديرة بالانتباه هو أن الشركات تحاول الآن سحب تطوير الذكاء الاصطناعي من "التوليد الحر" إلى عمليات هندسية أكثر قابلية للتحكم.
على سبيل المثالNetEase Smart Enterprise · CodeWave سيتّخذ SDD (التطوير الموجَّه بالمواصفات، Spec-Driven Development) مثالاً؛ فكرته الأساسية ليست السماح للذكاء الاصطناعي بالكتابة مباشرة، بل تقسيم التسليم إلى متطلبات، وهيكلية، تطوير، اختبار، إطلاق، تسليم على مستويات متعددة تنتقل تباعًا:
أولاً تُحوَّل متطلبات الأعمال إلى مواصفات منظمة، ثم يُستنتج التصميم التقني وتقسيم المهام نزولاً، وأخيرًا فقط يبدأ توليد الشيفرة.
لكل حلقة مدخلات ومخرجات واضحة ونقاط تحقق محددة، بحيث تبقى العملية الكاملة من توضيح المتطلبات والتطوير والاختبار إلى الإطلاق قابلة للتحكم وقابلة للتتبع دائمًا.
وقد تطابق هذا "الانتقال التدريجي" مع ثلاث نقاط انقطاع شائعة في حلول SDD الموجودة في السوق: صياغة المواصفات بغير معيار وبغياب آلية توضيح، فتكون قيدًا هامشيًا على النماذج الكبيرة؛ وانفجار نافذة السياق بمجرد تعقّد المتطلبات، مما يسبب النسيان والهلوسة؛ وتغطية القدرات لمرحلة البحث والتطوير فقط، فتخلو بداية المتطلبات ونهاية التسليم.
أما CodeWave SDD فتسدّ هذه الثغرات واحدة تلو الأخرى: تعتمد صيغة المتطلبات المعيارية EARS وتوضّح الغموض صراحةً، وتستخدم التقسيم المعياري والمهام الفرعية الدقيقة لعزل السياق وتقسيم الكل إلى أجزاء، ثم تربط المتطلبات والتصميم والترميز والاختبار والإطلاق في مسار من طرف إلى طرف بتعاون متعدد الأدوار.
بدأ هذا الأسلوب يُظهر قيمته في الكفاءة في مشاريع فعلية. على سبيل المثال،Kongge Digital Technologyخفّضت في مشروع إدارة علاقات العملاء للطاقة الجديدة دورة التطوير من 60 يوم عمل إلى 16 يوم عمل؛Shanghai Qitong Digital Technologyحقّقت في تطوير نظام BIMS لديها كفاءة أعلى بنحو 2.5 مرة، وبلغت نسبة الجاهزية الوظيفية من أول استخدام 78.63%.
تشغيل نموذج أولي واحد سهل، لكن تكراره 100 مرة هو الإنجاز الحقيقي
بعد اكتمال الإطار، يصبح السؤال التالي: كيف نبدأ؟
أسلوب كثير من الشركات هو توسيع التجارب وتنفيذ عدة مسارات بالتوازي، أما توصية Quantum Bit Think Tank فهي:اختيار سيناريو عالي القيمة أولاً، وإتمام الحلقة المغلقة فيه، ثم التفكير في التوسع.
لأختيار السيناريو خمسة معايير للفرز:
يبدو ذلك منطقيًا بديهيًا، لكن في الممارسة الفعلية تعمل كثير من الفرق بالعكس — تبدأ بما هو أسهل تقنيًا، ثم تكتشف بعد الإنجاز أن قيمته للأعمال محدودة، فيزول الدافع للتعميم.
بعد اختيار السيناريو، تكون الأمور المطلوبة في مرحلة التجربة أدقّ مما يُتخيَّل.
أي حلقات من العملية الحالية يمكن تسليمها للنظام، وأيها ما زال يتطلب مراجعة بشرية، وكيف تُعالج الحالات الاستثنائية — كل ذلك يحتاج إلى إعادة تصميم لا إلى إضافة بسيطة.
من الفخاخ السهلة: الاحتفاظ بكامل العملية القديمة ثم إضافة فحص لنتائج الذكاء الاصطناعي فوقها، فيزداد الإجمالي المستثمر بدلًا من أن ينخفض.
بعد انتهاء التجربة، تواجه الشركات عادةً ثلاثة خيارات:
لكن ما يحدد فعلًا قدرة الشركة على الانتقال من "1" إلى "100" يأتي لاحقًا —ألا وهو تحويل خبرات النجاح الأول إلى أصول ذكية قابلة لإعادة الاستخدام مرارًا وتكرارًا.
مثل مؤشرات تم التحقق منها سابقًا، ومكوّنات واجهات، وقواعد موافقات، وعينات حالات استثنائية؛ فليس من الضروري إعادة كل شيء من الصفر مع كل تغيير للسيناريو. يمكن للمهام الجديدة أن تعيد استخدام هذه القدرات المشتركة مباشرة، مع إجراء التعديلات اللازمة على الأعمال المحددة فقط.
لذلك، فإن جوهر التكرار على نطاق واسع هو أن تتمكن، عند البناء للمرة رقم 2 والمرة رقم 10 والمرة رقم 100، من البناء على أساس المرة السابقة والمضي قدمًا.
احصل على التقرير الكامل مجانًا
في مسيرة الشركات نحو الذكاء الاصطناعي حتى اليوم، ما يصنع الفارق فعليًا هو قدرة الشركة على ربط قدرات النماذج بأعمالها وتنظيمها وعملياتها، حتى تتحول في النهاية إلى نتائج تشغيلية ملموسة.
التخطيط الذكي الجيد لا ينطلق أبداً من الأدوات، بل يحتاج إلى "التتبع إلى الوراء من نتائج الأعمال"؛ أما وكلاء الذكاء الاصطناعي الموجهون نحو المستقبل فجوهرهم يكمن في تحقيق "الإنسان يحدد الحدود، والذكاء الاصطناعي يدفع التقدم”。
. ما يقدمه هذا التقرير هو بالضبط مثل هذامنهج متكامل يمتد من تشخيص المشكلات إلى بناء الإطار وصولاً إلى التحقق التطبيقي。
. سواء كنت مسؤولاً عن الأعمال يقود تجارب للذكاء الاصطناعي، أو فريقاً تقنياً طُلب منه "تحسين الكفاءة بالذكاء الاصطناعي" دون معرفة كيفية قياس النتائج، أو مديراً يحتاج إلى تنسيق مسؤوليات أطراف متعددة في مرحلة التوسع، فالأرجح أنك ستجد فيه مرجعاً يناسب المرحلة الحالية التي تمر بها.
العديد من التفاصيل، مثل كيفية تحديد معايير إتمام المهام، وكيفية تصميم أسلوب قياس بالمقارنة بين ما قبل وما بعد، وكيفية تحويل نتائج التجارب إلى أصول قابلة لإعادة الاستخدام... لم تتناولها المقالة واحدة واحدة، لكنها قد تكون بالضبط الحلقة التي تعوقك حالياً.
يمكن تنزيل التقرير الكامل عبر الرابط أدناهمجاناً：
https://jkhbjkhb.feishu.cn/wiki/W5D7wuDcbiPXDLkaRLQcAJpOn8f