شخصية برنامجك الإصطناعي تهم كما تهم ذكائه — وسوف ت决定 نجاح أو فشل التطبيق في الشركات

لا تزال معظم الشركات تختار نماذج الذكاء الإصطناعي بناءً على المعايير. في الممارسة العملية، نادرًا ما يكون ذلك هو ما يحدد ما إذا كانت هذه الأنظمة تعمل في الواقع.

حتى الآن، كانت معظم المناقشات حول نماذج اللغة الكبيرة في بيئات الشركات محكومة بالمعايير. وتتجه الفرق نحو الأداء القابل للقياس، مثل أي نموذج هو الأكثر ذكاءً، أو الأقوى في البرمجة، أو الأكثر دقة في تلخيص أو في التفكير الرياضي.

لكن مع بدء الفرق في الخروج من مرحلة التجربة والغوص في التطبيق الفعلي على نطاق واسع، ستثبت العوامل الأخرى المهمة، والتي يتم تجاهلها بشكل كبير من قبل معظم المديرين التنفيذيين، أنها مهمة بنفس القدر لنجاح الأعمال.

توظيف الذكاء الإصطناعي

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

عند تطبيق الذكاء الإصطناعي، يجب على الشركات اتباع نفس النهج الذي يتبعه عند توظيف موظف بشري: تقييم مدى جودة نموذج معين في إكمال مهمة، وكذلك موقفه من العمل، وكيفية تواصله، وكيفية اندماجه في سير العمل الأكبر.

يمكن أن يكون للنموذج القدرة على الحفاظ على الاتساق والاستجابة بشكل مناسب وتحميل النюанс في سياقات مختلفة تأثيرًا كبيرًا على نتائج الأعمال. يمكن للذكاء الإصطناعي الفني أن يُستخدم بشكل خاطئ من قبل الشركات، مما يؤدي إلى إحباط المستخدمين، وتقليل المشاركة، وتقليل فعالية الذكاء الإصطناعي ونجاح الأعمال في النهاية.

هذا尤 مهم في الصناعات مثل دعم العملاء أو الاتصال السياسي أو الاتصالات الداخلية، حيث يمكن أن تسبب التحولات الدقيقة في النبرة أو الصياغة بين الاستجابات ارتباكًا وتآكل الثقة وتقليل 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 نماذج أخرى تؤدي بشكل أفضل في الكتابة الحوارية و تلخيص الاجتماعات.

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

هدف متحرك

يتطور مشهد الذكاء الإصطناعي بسرعة أكبر مما يمكن للعديد من المنظمات مواكبته. يتم إصدار إصدارات جديدة بشكل متكرر، 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 رئيسي للمطورين والشركات التي تستخدمه للبرمجة والتحفيزات المعقدة في جميع أنحاء العالم.

جاء مع ما كان في ذلك الوقت أكبر نافذة سياق قدمتها جوجل على الإطلاق، مع مليوني رمز، مما أتاح له 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 وكأنه الخيار الواضح. ولكن في غضون أسابيع، أصدرت جوجل Gemini 2.5 Pro، والتي تجاوزت قوائم المراكز وتفوقت على سلفها بتحسينات في البرمجة والرياضيات والعلوم.

في غضون ليلة، أصبح النموذج الذي كان الخيار الأفضل على السوق يُستبدل بعد أقل من شهرين من الإطلاق. ولكن المبتكرون المبكرون لاحظوا على الفور أن التغييرات لم تكن مجرد تحسينات أو تحليلية — تم تغيير شخصية النموذج بأكمله في ليلة وضحاها. قال المطورون إن الذكاء الإصطناعي يتصرف كما لو كان “مُستأصلًا” بعد تحديثه.

شكوا من أن الذكاء الإصطناعي يبدو أنه “يصبح أقل ذكاءً” — بإنتاج استجابات أبطأ، ومخرجات أقل تماسكًا، وتبدين عدم الاتساق في كيفية التعامل مع التحفيزات التي لم يكن لديها مشاكل سابقة ومهام كانت تشعر بالسلاسة أصبحت صلبة فجأة.

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

ما وراء المعايير

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

لكن في الممارسة، هذه التغييرات غيرت تمامًا كيفية موثوقية النموذج وسلوكه واستجابته للتحفيزات، وأرسلت الفرق التي أنفقت أموالًا طائلة وقضت ساعات لا حصر لها في بناء الأنظمة حول هذه الأنظمة إلى نقطة البداية إذا كانت قدرات النموذج الجديدة لا تتوافق مع خط أنابيبهم الحالية.

يمكن أن تسبب حتى التحولات الصغيرة في السلوك انقطاعًا في الأنظمة المبنية على الاتساق والتنبؤ. هذا يخلق خطرًا تشغيليًا حقيقيًا إذا كانت شركة متصلة ارتباطًا وثيقًا بنموذج واحد، لأن أي تحديث يمكن أن ي introduce عدم استقرار فوري إلى الفرق التي تعتمد على هذه الأنظمة.

لمواجهة هذا، بدأت العديد من الشركات المتقدمة في تنفيذ استراتيجية متعددة النماذج حيث يتم توجيه مهام مختلفة إلى النماذج التي تتوافق معها، بدلاً من الاعتماد على نموذج واحد لمعالجة كل شيء.

تحسن هذه النهج الأداء المخصص لكل مهمة، كما يقلل من المخاطر المرتبطة بتطبيق الذكاء الإصطناعي، لأن نموذجًا واحدًا لا يؤدي إلى انهيار النظام بأكمله إذا تدهور بعد تحديث، لأن هناك نسخًا احتياطية متاحة.

ببساطة، شخصية الذكاء الإصطناعي وموثوقيته مهمتان بنفس القدر مثل ذكائه الخام عند تطبيق النموذج في بيئة عمل لإكمال مهام مختلفة. هذا التحول في التفكير يمثل تغييرًا جوهريًا في كيفية شراء الشركات ليس فقط “أداة أكثر ذكاءً”، ولكن بناء وإدارة نظام البنية التحتية الرقمية بأكمله.

من أجل أن تنجو الشركات، بل وتزدهر في مشهد الأعمال الحالي، يجب على الفرق إنشاء خطوط أنابيب يمكنها تبديل نماذج مختلفة حسب المهمة، ومراقبة كيفية تأثير التحديثات على الأداء وجودة التفاعل.

في النهاية، ستستمر النماذج نفسها في التطور بسرعة يصعب مطابقتها. ولكن الشركات التي تخطط للتغيير وتبني التكرار وتعامل الذكاء الإصطناعي كأداة وشريك سوف تكون تلك التي تحول هذه التحولات السريعة إلى ميزة تنافسية.