شخصية الذكاء الاصطناعي الخاصة بك تهم كما تهم ذكاءه — وسوف ت决定 نجاح أو فشل التطبيق في الشركات

ما زالت معظم الشركات تختار نماذج الذكاء الاصطناعي بناءً على المعايير. في الواقع، هذا نادرًا ما يحدد ما إذا كانت هذه الأنظمة تعمل بالفعل.

حتى الآن، كانت معظم المناقشات حول نماذج اللغة الكبيرة في بيئات الشركات تسيطر عليها المعايير. تتجه الفرق نحو الأداء القابل للقياس، مثل أي نموذج هو الأكثر ذكاءً، أو الأقوى في البرمجة، أو الأكثر دقة في تلخيص أو استدلال رياضي.

لكن عندما تبدأ الفرق في التحرك بعيدًا عن مرحلة التجربة وتنغمس في التطبيق الفعلي على نطاقات كبيرة، ستثبت عوامل أخرى مهمة، والتي يتم إغفالها بشكل كبير من قبل معظم المديرين التنفيذيين، أنها مهمة جدًا لنجاح الأعمال.

توظيف الذكاء الاصطناعي

الذكاء الخام والقدرة التحليلية مهمتان بالتأكيد، ولكن المتغير الأقل تقديرًا في تطبيق الذكاء الاصطناعي في الشركات هو الشخصية. الشخصية، في سياق نماذج اللغة الكبيرة، تشير إلى الصوت والطابع والسلوك المتسق الذي يعبر عنه النموذج عبر التفاعلات. هذا ما يجعل الذكاء الاصطناعي يبدو متسقًا وموثوقًا به.

عند تطبيق الذكاء الاصطناعي، تحتاج الشركات إلى اتباع نفس النهج الذي يتبعه عند توظيف موظف بشري: تقييم مدى قدرة النموذج على أداء المهمة، ولكن أيضًا موقفه تجاه الوظيفة، وكيفية تواصله، وكيفية اندماجه في سير العمل الأكبر.

يمكن أن يكون للنموذج القدرة على الحفاظ على الاتساق والاستجابة بشكل مناسب وتحمل الدقة في سياقات مختلفة تأثيرًا كبيرًا على النتائج التجارية. يمكن أن يكون الذكاء الاصطناعي التقني الممتاز الذي يستجيب ببطء أو يتأرجح في النبرة أو يسيء التعامل مع التفاعلات الدقيقة ضارًا بالأعمال، مما يؤدي إلى إحباط المستخدمين، وانخفاض المشاركة، وخفض فعالية الذكاء الاصطناعي ونجاح الأعمال.

هذا尤هم أهمية في صناعات مثل دعم العملاء، أو الاتصال السياسي، أو الاتصالات الداخلية، حيث يمكن أن تسبب التحولات الدقيقة في النبرة أو الصياغة بين الاستجابات ارتباكًا، وتآكل الثقة، وانخفاض المشاركة العامة. كما هو الحال مع البشر، لا يوجد نموذج حلمي يتفوق على المنافسة في كل فئة. بعض النماذج أفضل في أداء المهام التحليلية مثل البرمجة أو الرياضيات، في حين أن أخرى تؤدي بشكل أفضل في الكتابة الحوارية و تلخيص الاجتماعات.

لكن تحديًا للفرق التي تبني على هذه الأنظمة هو أن هذه الخصائص ليست ثابتة.

هدف متحرك

منظر الذكاء الاصطناعي يتطور بشكل أسرع من معظم المنظمات. يتم إصدار إصدارات جديدة بانتظام، ويمكن أن تتغير خصائص الأداء من تحديث إلى آخر. سلسلة نموذج Gemini من جوجل هي مثال حديث.

تم إصدار Gemini 2.0 Pro في فبراير 2025 وتم الترويج له على الفور كنموذج علمي للاستخدام من قبل المطورين والشركات للاستخدام في البرمجة والاستعلامات المعقدة في جميع أنحاء العالم.

جاء مع ما كان في ذلك الوقت أكبر نافذة سياق قدمتها جوجل على الإطلاق، مع 2 مليون رمز، مما منحها القدرة على تحليل وفهم كميات هائلة من المعلومات في وقت واحد، بالإضافة إلى القدرة على استخدام أدوات مثل جوجل سيرش وكتابة الشفرة.

للفريق الذي يبني أنظمة تحتاج إلى معالجة كميات كبيرة من البيانات بسرعة ودقة، بدا الأمر كما لو كان الخيار الواضح. لكن في غضون أسابيع، أصدرت جوجل Gemini 2.5 Pro، والتي تجاوزت على الفور قائمة القيادة وتفوقت على سلفها بتحسينات في البرمجة والرياضيات والعلوم.

في غضون ليلة، أصبح النموذج الذي كان الخيار الأفضل على السوق يفوقه خليفته بعد أقل من شهرين من الإطلاق. لكن المطورين المبكرين لاحظوا أن التغييرات لم تكن مجرد تحسينات صغيرة أو تحليلية — بل تم تغيير شخصية النموذج بأكملها في ليلة واحدة. قال المطورون إن الذكاء الاصطناعي يتصرف كما لو تم “إزالة دماغه” بعد تحديثه.

شكوا من أن الذكاء الاصطناعي يبدو أنه “يصبح أقل ذكاء” — حيث ينتج استجابات أبطأ، ومخرجات أقل اتساقًا، ويتعامل بشكل غير متسق مع الاستعلامات التي لم يكن لديه مشاكل معها من قبل، والمهام التي كانت تبدو سلسة أصبحت صعبة.

وهنا يبدأ استراتيجية الشركة حول تطبيق الذكاء الاصطناعي في التغيير بشكل جوهري.

ما وراء المعايير

على الورق، يجب أن يكون Gemini 2.5 Pro الفائز الواضح بتحسيناته الكبيرة في القدرة والأمان.

لكن في الممارسة، هذه التغييرات غيرت تمامًا كيف كان النموذج موثوقًا به، وكيف استجاب للتحفيزات، وكيف تعامل مع النعومة في سياقات مختلفة، وأرسلت الفرق التي أنفقت الأموال و passed ساعات لا حصر لها في بناء حول هذه الأنظمة إلى نقطة البداية مرة أخرى إذا لم تتماشى قدرات النموذج الجديد مع خط أنابيبهم الحالي.

يمكن أن تسبب حتى التغييرات الصغيرة في السلوك انقطاعًا في الأنظمة المبنية على الاتساق والتنبؤ. هذا يخلق مخاطر تشغيلية حقيقية إذا كانت الشركة مرتبطة بشكل وثيق بنموذج واحد، حيث يمكن لأي تحديث إدخال عدم استقرار فوري إلى الفرق التي تعتمد على هذه الأنظمة.

لمواجهة هذا، بدأت العديد من الشركات المتقدمة في تطبيق استراتيجية متعددة النماذج حيث يتم توجيه مهام مختلفة إلى النماذج الأفضل منها، بدلاً من الاعتماد على نموذج واحد لتنفيذ كل شيء.

هذا النهج لا يحسن الأداء فقط حسب كل مهمة، ولكنه يقلل أيضًا من المخاطر المرتبطة بتطبيق الذكاء الاصطناعي، لأن النموذج إذا تدهور بعد تحديث، لن يؤدي إلى انهيار النظام كله معه لأن هناك نسخًا احتياطية متاحة.

ببساطة، شخصية الذكاء الاصطناعي وموثوقيته مهمتان مثل ذكاءه الخام عند تطبيق النموذج في بيئة عمل لتنفيذ مهام مختلفة. هذا التحول في التفكير يمثل تغييرًا جوهريًا في كيفية عمل الشركات، حيث لم تعد الشركات تشتري فقط “أداة أكثر ذكاءً”، ولكنها تبني وتدير نظامًا كاملاً للبنية التحتية الرقمية.

من أجل أن تنجو الشركات، لا بل تنجح، في المناظر التجارية الحالية، تحتاج الفرق إلى إنشاء خطوط أنابيب يمكنها تبديل النماذج المختلفة حسب المهمة، وتتابع باستمرار كيف تؤثر التحديثات على الأداء وجودة التفاعل.

في النهاية، ستستمر النماذج نفسها في التطور بسرعة يصعب مطابقتها. لكن الشركات التي تخطط للتغيير، وتبني التكرار، وتعامل مع الذكاء الاصطناعي كأداة وشريك، ستكون تلك التي تحول هذه التغييرات السريعة إلى ميزة تنافسية.