تبني الذكاء الاصطناعي في المؤسسات: ما تكشفه حقائق الاستخدام.

لا تزال العديد من النقاشات العامة حول L'intelligence artificielle تدور في فلك لوحات الصدارة: أي نموذج يحتل المرتبة الأعلى، ومن هو المزود “الفائز”، وأي نتيجة معيارية هي الأهم. لكن بالنسبة للمؤسسات التي تبني حلول الذكاء الاصطناعي وتطبقها فعليًا، أصبحت هذه الأسئلة أقل فائدة من فهم كيفية استخدام الذكاء الاصطناعي على أرض الواقع.

أحد الأسباب هو الجدل المتزايد حول مفهوم “tokenmaxxing” (تعظيم استخدام الرموز) – وهي ممارسة تهدف إلى زيادة استخدام الذكاء الاصطناعي إلى أقصى حد، وغالبًا ما تكون مدفوعة بأهداف التبني الداخلية، ou الحوافز، ou المنافسات القائمة على لوحات الصدارة.

لكن التركيز على استهلاك الرموز قد يشجع على النشاط من أجل النشاط نفسه، بدلاً من قياس القيمة التجارية الحقيقية التي يقدمها الذكاء الاصطناعي.

تُبرز الأمثلة الحديثة، بما في ذلك تقارير عن إغلاق Amazon للوحة صدارة داخلية للذكاء الاصطناعي، وقيام Uber بوضع سقف لإنفاق موظفيها على الذكاء الاصطناعي بعد استنفاد ميزانيتها السنوية بسرعة، مخاطر التعامل مع الاستخدام كمقياس أساسي للنجاح.

ومع ذلك، تشير أحدث البيانات إلى حدوث أمر أكثر دقة. فوفقًا لبيانات Vercel’s AI Gateway لشهر يوليو، نما حجم الرموز بنسبة 29% في يونيو بينما زاد الإنفاق بنسبة 27%، مع بقاء متوسط سعر الرمز ثابتًا. وبدلاً من مجرد استهلاك Plus من الذكاء الاصطناعي، أصبحت المؤسسات أكثر تعمدًا في تحديد أماكن نشر النماذج المختلفة وكيفية الموازنة بين التكلفة والأداء.

تتجه الفرق التي تبني أنظمة ذكاء اصطناعي حقيقية بشكل متزايد إلى توجيه المهام ديناميكيًا عبر نماذج متعددة، اعتمادًا على التكلفة والموثوقية وقدرات الاستدلال. على سبيل المثال، قد يكون النموذج منخفض التكلفة مفيدًا للتعامل مع مهام التلخيص، بينما يُخصص نموذج الاستدلال المتميز للقرارات عالية المخاطر.

عمليًا، يدور الذكاء الاصطناعي حول تنسيق الطبقات عبر العديد من النماذج، أكثر من بناء الأنظمة حول مزود واحد.

تُظهر أحدث بيانات AI Gateway أن المؤسسات توزع أعباء العمل عبر فئات مختلفة من النماذج بدلاً من الاعتماد على مزود واحد. تعالج النماذج مفتوحة الوزن (Open-weight models) الآن 29% من رموز البوابة بينما تمثل أقل من 4% من الإنفاق، في حين تستمر النماذج الرائدة (frontier models) في الهيمنة على أعباء عمل الاستدلال ذات القيمة الأعلى.

وبدلاً من اتباع نهج واحد يناسب الجميع، تختار المؤسسات نماذج مختلفة وفقًا للمهمة المطروحة.

تجاوز لوحات الصدارة

في المراحل الأولى لتبني الذكاء الاصطناعي في الشركات، كانت الفرق تُشجَّع على التجريب بقوة، وتطوير النماذج، واستكشاف حالات استخدام جديدة. هذا ساعد في تسريع عملية التبني، وهو ما يتطلب تحويل الذكاء الاصطناعي من المرحلة التجريبية إلى التطبيق العملي، لكنه أوجد أيضًا افتراضًا مبسطًا: أن Plus من الذكاء الاصطناعي يعني تلقائيًا Plus من القيمة.

شهد حجم الرموز (Tokens) والإنفاق عليها نموًا بنحو 30% في يونيو، ومع ذلك، ظل متوسط سعر الرمز ثابتًا. تواصل المؤسسات استثمارها الكبير في الذكاء الاصطناعي، لكنها أصبحت أكثر استراتيجية في كيفية توزيع أعباء العمل بين النماذج منخفضة التكلفة والنماذج المتميزة.

يعكس هذا النمط تغييرات سابقة في التكنولوجيا، مثل حقبة الحوسبة السحابية المبكرة، حيث توسعت الشركات بقوة قبل تحسين الكفاءة. يسير تبني الذكاء الاصطناعي على مسار مشابه، لكن بوتيرة أسرع بكثير.

بالنسبة لفرق الذكاء الاصطناعي، فإن المقياس الأكثر فائدة للذكاء الاصطناعي ليس التكلفة، بل النتائج التي تُعد أساس نجاح الذكاء الاصطناعي. فمسار العمل الذي يُمكنه أتمتة أسابيع من الجهد الهندسي قد يكون أكثر كفاءة بكثير من مسار عمل أقل تكلفة ينتج مخرجات غير موثوقة ويُحدث تكاليف تشغيلية لاحقة تفوق المدخرات الأولية.

السؤال ليس عن مدى قلة الذكاء الاصطناعي الذي يمكن للفريق استخدامه، بل عن مدى فعالية نشره لحل مشكلات ذات مغزى.

الذكاء الاصطناعي يغير أعباء العمل

تتسم مسارات عمل الروبوتات الدردشة التقليدية بالبساطة النسبية: إدخال أمر، واستقبال إجابة. أما الأنظمة الوكيلية (Agentic systems)، التي تمثل وكلاء الذكاء الاصطناعي الأذكى، فتتصرف بشكل مختلف تمامًا.

وكلاء الذكاء الاصطناعي يُفكرون، يستدعون الأدوات، يُنفذون التعليمات البرمجية، يسترجعون المعلومات، يستعلمون من قواعد البيانات، ويكررون العمليات عبر خطوات متعددة قبل إنجاز المهمة. كل إجراء من هذه الإجراءات يستهلك الرموز (Tokens).

نتيجة لذلك، أصبحت أعباء عمل الذكاء الاصطناعي تعتمد بشكل متزايد على الوكلاء. قد يتضمن الطلب الواحد الآن سلاسل من استدعاءات الأدوات، وحلقات التحقق، وتبديلات بين المزودين تحدث خلف الكواليس، مما يغير الاقتصاديات بالكامل.

يُعد وكلاء العمليات الخلفية (Back-office agents) الأكثر تكلفة لكل رمز على البوابة، حيث يمثلون 5% من إجمالي الرموز ولكن 14% من إجمالي الإنفاق. تحتاج أعباء العمل الأكثر تعقيدًا وحساسية للأعمال إلى قدرة استدلالية أكبر من مهام الذكاء الاصطناعي الأبسط.

هذا يعني أن الاستخدام المتزايد ليس دائمًا مؤشرًا على عدم الكفاءة. في كثير من الحالات، يعكس ذلك التعقيد والقدرة المتنامية لأنظمة الذكاء الاصطناعي نفسها.

البنية التحتية كعامل تمييز

مع تزايد اعتماد المؤسسات على نماذج ومقدمي خدمات الذكاء الاصطناعي المتعددين، يصبح الحفاظ على الموثوقية مهمة أكثر تعقيدًا.

يمكن لمهام الاستدلال، وسير العمل متعدد الوكلاء، وسلاسل التنسيق المعقدة أن تفرض ضغطًا كبيرًا على مقدمي النماذج. فإذا تعطل نموذج واحد في منتصف التنفيذ، قد ينهار سير العمل بأكمله.

نتيجة لذلك، أصبح التوجيه الاحتياطي (Fallback Routing) بنية تحتية أساسية للذكاء الاصطناعي في بيئات الإنتاج. وقد كشف تقرير Vercel’s AI Gateway في مايو أن حوالي 3.5% من الطلبات تتطلب إعادة توجيه بسبب الفشل، ou انتهاء المهلة، ou مشكلات تحديد المعدل.

بدون توجيه ديناميكي بين مقدمي الخدمات، ستفشل تلك الطلبات ببساطة. وبالنسبة للمستخدمين النهائيين، فإن عدم استقرار مقدم الخدمة غير مرئي؛ فهم لا يهتمون بمصدر المشكلة، بل يهمهم فقط ما إذا كان التطبيق يواصل العمل أم لا.

لذا، مع تزايد قدرة أنظمة الذكاء الاصطناعي على العمل كوكلاء مستقلين، تصبح المرونة والتنسيق بنفس أهمية قدرة النموذج نفسه، مما يؤكد على أهمية تحول الذكاء الاصطناعي نحو وكلاء أذكى.

نهاية عصر النموذج الواحد

أصبحت استراتيجيات الاعتماد على مقدم خدمة واحد صعبة الحفاظ عليها. فالنماذج الجديدة تُطلق باستمرار، والأسعار تتغير بسرعة، وتتفوق النماذج المختلفة في الأداء حسب نوع المهمة.

فالنموذج الأفضل للبرمجة اليوم، قد لا يكون الأفضل لمهام استرجاع المعلومات، ou دعم العملاء، ou سير عمل الاستدلال غدًا.

الأمر لا يتعلق باختيار نموذج واحد ليكون الفائز الأوحد. بل يدور حول بناء أنظمة ذكاء اصطناعي قادرة على التكيف واستيعاب النموذج الأفضل في أي أسبوع معين، لأن هذا التفضيل يتغير بسرعة وسيستمر في التغير.

الفرق التي تتعامل مع تنسيق النماذج المتعددة كبنية تحتية هي التي لن تحتاج إلى إعادة بناء أنظمتها عند إطلاق نموذج جديد.