كل يوم، أرى منشورًا آخر على LinkedIn يحتفل بشركة تعمل بالذكاء الاصطناعي. أي أنهم أضافوا أنظمة الذكاء الاصطناعي إلى سير عملهم، وأنشأوا وكلاء عمل مشتركين، ويستخدمون التكنولوجيا لمساعدة فريقهم.
وكل يوم أجد نفسي أفكر أنهم لم يفهموا القضية بشكل كامل.
المشكلة ليست في أن هذه الشركات تستخدم الذكاء الاصطناعي. إنهم يطبقون ابتكار 2026 على عقلية 2016. إنهم يضعون ضمادة على جرح قديم بدلاً من السؤال عن مصدر الجرح وما إذا كان سيحدث مرة أخرى (أو ما هو أسوأ).
مساعدة الذكاء الاصطناعي
فكر في إدارة وسائل التواصل الاجتماعي. يوفر النهج التقليدي القائم على الذكاء الاصطناعي للفرق مساعدًا للذكاء الاصطناعي للمساعدة في كتابة المنشورات بشكل أسرع. لكن أصحاب الأعمال الصغيرة لا يريدون مساعد طيار. يريدون أن تطير الطائرة بنفسها.
فكر في سباك يدير شركة صغيرة. وظيفتهم الحقيقية هي إصلاح الأنابيب. لكن كتابة منشورات على وسائل التواصل الاجتماعي؟ إن منحهم مساعد الذكاء الاصطناعي لا يحل مشاكلهم؛ إنه يجعل المهمة التي يحتقرونها أكثر تعقيدًا قليلاً.
لكن مسألة الذكاء الاصطناعي الأصلي مختلفة. ماذا لو قام النظام بتحليل موقع الويب الخاص بالشركة، وفهم خدماتها، ومراقبة سوقها المحلية، وإنشاء منشورات ذات صلة لمدة عام تلقائيًا؟ ليس هناك حاجة إلى وقت ثمين لصاحب العمل. يمكن للنظام إنشاء محتوى ذي صلة موسميًا يتماشى مع الخدمة. وهذا لا يعني توسيع العملية القديمة، بل إعادة تصورها بالكامل.
يعرف الكاتب البشري أن الشتاء قد حل (أكتب هذا في فبراير) في روتشستر، نيويورك. وبشكل غريزي، لا يقترحون الري في الهواء الطلق عندما تكون درجة الحرارة أقل من ثلاث درجات، ولا يتحدثون عن فتح حوض سباحة وسط عاصفة ثلجية. إنهم يفهمون التفاصيل الدقيقة للأهمية الموسمية ولماذا تعتبر أنظمة التدفئة أكثر أهمية في شمال ولاية نيويورك منها في فلوريدا.
بالنسبة لنظام محتوى الذكاء الاصطناعي الأصلي، فإن هذا المستوى من الوعي السياقي ليس تلقائيًا. ويتطلب نهجا متعدد الطبقات. نحن نبني محرك قواعد لترميز المعرفة المهمة. لقد تجاوزنا مجرد مطابقة الكلمات الرئيسية أو السلاسل، على سبيل المثال، تدريب نماذج الذكاء الاصطناعي لدينا للتعرف على الموسمية كمفاهيم في العالم الحقيقي، وليس مجرد كلمات. وهذا يسمح لنظامنا بفهم ليس فقط ما يقال، ولكن أيضًا ما إذا كان ذلك منطقيًا بالنسبة لتلك الشركة، في ذلك المكان، في ذلك الوقت.
لضمان الدقة، نقوم بتطبيق طبقات ضمان الجودة المتقدمة للكشف عن الهلوسة، بالإضافة إلى معالجة الاستثناءات للتعامل مع حالات الحافة التي لا مفر منها. نحن نتصور ونسجل نتائج نظامنا، مما يسمح لنا بتحديد الفجوات وإعادة تدريب نماذجنا بشكل فعال على أخطاء العالم الحقيقي، بحيث يصبح النظام أكثر ذكاءً بمرور الوقت. كل هذا يعتمد على بنية تحتية قوية للبيانات تغذي الذكاء الاصطناعي بالمعلومات الحالية والمحلية وذات الصلة.
وهذا أعمق من معظم الحلول السريعة المعتمدة على الذكاء الاصطناعي. إذا كنت تريد أنظمة ذكاء اصطناعي أصلية حقًا، فيجب على قادة الأعمال إضفاء الطابع الخارجي على جميع الأعمال غير المرئية التي كان البشر يقومون بها وإعادة بنائها بشكل منهجي. الأمر أكثر تعقيدًا مما يبدو، ولكن هذا هو بالضبط المكان الذي يمكنك فيه إنشاء ميزة تنافسية حقيقية.
معهد ماساتشوستس للتكنولوجيا الجديد
انخفض حاجز الدخول إلى SaaS الرأسي إلى الصفر تقريبًا. كل يوم يقوم شخص ما بإنشاء برامج متطورة خلال عطلة نهاية الأسبوع باستخدام Claude أو ChatGPT. إذن ما هو الخندق الجديد؟ انها ليست مجرد البرمجيات. إنه مزيج من الأشخاص المناسبين والبنية التحتية المناسبة للذكاء الاصطناعي.
إن الأشخاص المناسبين يعني فريقاً قادراً على تحديد العمليات التي ينبغي تشغيلها آلياً، ورسم خريطة للمعرفة السياقية غير المرئية التي يجلبها البشر، وبناء القواعد التي تمنع الهلوسة. لقد أصبحت البرمجيات سلعة. الخبرة في المجال والمعرفة التشغيلية لا تفعل ذلك.
إليك ما يتغير: عندما يتعامل الذكاء الاصطناعي مع العمل المتكرر مثل النشر على وسائل التواصل الاجتماعي، ورسائل البريد الإلكتروني الروتينية للعملاء، وإدخال البيانات، ينتقل موظفوك من التنفيذ إلى الاستراتيجية. إنهم يقومون بتحليل الرسائل التي تولد التحويلات ويعلمون النظام كيفية تكرارها. إنهم يحددون فرص السوق الجديدة ويضعون القواعد التي تساعد الذكاء الاصطناعي على الاستفادة منها.
وهذا يخلق تمايزًا لا يستطيع اللاعبون الذين يستخدمون الذكاء الاصطناعي فقط تحقيقه. يمكن للجميع الوصول إلى نفس نماذج الذكاء الاصطناعي. ما لا يملكونه هو المعرفة المتراكمة لفريقك بما ينجح في سوقك المحدد، والمقننة في أنظمة يتم تنفيذها على نطاق واسع.
علاوة على ذلك، تضيف بيانات الملكية إلى الميزة. يمكن للذكاء الاصطناعي أن يكرر قدراتك، لكنه لا يمكنه تكرار سنوات من بيانات العملاء أو الرؤى التي طورها فريقك من خلال العمل معهم. الفجوة ليست في البيانات نفسها؛ إنه وجود أشخاص يعرفون كيفية استخدام تلك البيانات لتدريب أنظمة أفضل.
يصبح الاعتماد على العملاء من خلال الأتمتة هو الحل النهائي عندما تجمع بين الثلاثة. عند إنشاء مسارات عمل الذكاء الاصطناعي الأصلية بناءً على المعرفة العميقة بالمجال، تزيد تكاليف التبديل. ميزتك التنافسية ليست امتلاك الذكاء الاصطناعي، بل وجود أشخاص قاموا بتعليم الذكاء الاصطناعي ليفكروا مثل الخبراء في مجالهم ويبنون عليه باستمرار.
ماذا يعني ذلك؟
التوقف عن تحسين سير العمل القديم. إذا كنت تقوم ببناء أدوات الذكاء الاصطناعي لمساعدة فريقك على العمل بشكل أسرع، فأنت لا تزال تفكر في النموذج القديم. أنت تجعل العملية الحالية أقل إيلامًا دون التساؤل عما إذا كان ينبغي وجودها على الإطلاق.
خريطة المعرفة غير المرئية. ما هي القرارات السياقية التي يتخذها فريقك تلقائيًا؟ قم بتحويلها إلى قواعد ومتطلبات بيانات وتدفقات منطقية. هذا هو الجزء الأصعب والذي تفشل فيه معظم الشركات.
قم ببناء البنية التحتية، وليس الذكاء الاصطناعي فقط. سوف تستمر النماذج في التحسن. وتتمثل ميزتها في أنظمة ضمان الجودة، ومحركات القواعد، ومعالجة الاستثناءات، وخطوط البيانات التي تجعل الذكاء الاصطناعي موثوقًا بما يكفي ليكون عملية تجارية قابلة للتطوير.
الشركات التي تتبنى تفكير الذكاء الاصطناعي الأصلي ستخلق ميزة تنافسية متنامية. هوامش أفضل، ونمو أسرع، والمزيد من رأس المال لإعادة الاستثمار. وفي الوقت نفسه، تعمل الشركات التي تم القبض عليها في عام 2016 على تحسين العمليات التي لا ينبغي لها أن تكون موجودة أصلاً، وتدافع عن الخنادق التي تم اختراقها بالفعل.
الهدف ليس إعادة بناء عملياتك. والسؤال هو ما إذا كنت ستفعل ذلك قبل المنافسة.
باتريك بريجز هو الرئيس التنفيذي لشركة Semify.
