لماذا يواجه وكلاء الذكاء الاصطناعي في الشركات مشكلة معرفية وليست تقنية

في العام الماضي ، ذكرت شركة S&P Global (SPGI ) أن نسبة الشركات التي تتخلى عن معظم مبادرات الذكاء الاصطناعي قد زادت بشكل كبير ، من 17٪ إلى 42٪. قبل ذلك ، نشرت شركة Gartner تقريراً يتنبأ بأن 40٪ من مشاريع الذكاء الاصطناعي将 يتم إلغاؤها بحلول نهاية عام 2027.

وفقًا لشركة McKinsey & Company ، تقوم ما يقرب من نصف جميع الشركات بتجربة وكلاء الذكاء الاصطناعي. ولكن كم عدد الذين انتقلوا إلى ما بعد مرحلة الاختبار ويعملون بشكل فعلي؟ حوالي واحد من كل عشرة.

لا يوجد نقص في الشرح في الصناعة: هلوسات النموذج ، وعدم وجود حوكمة ، وتكلفة وحدة معالجة الرسومات عالية ، وندرة المتخصصين. كل هذه هي تحديات حقيقية. ولكن بعد ثلاث سنوات من العمل مع أنظمة إدارة المعرفة ووكلاء الذكاء الاصطناعي ، أرى نمطًا مختلفًا بشكل متزايد: الشركات تقوم بتمرير بيانات غير كاملة إلى وكلائها.

كدكتور في العلوم التربوية ، أرى هذا كمشكلة في نقل المعرفة. إذا لم يكن بإمكان شخص ما أن يشرح كيفية اتخاذ القرارات ، فإن منطقيته لا يمكن نقلها إلى موظف جديد – ناهيكم عن وكيل الذكاء الاصطناعي. دعونا نستكشف لماذا يحدث هذا وما يمكن القيام به حيال ذلك.

حيث تقع المعرفة حول كيفية عمل الشركة بشكل فعلي

اسأل شركة كبيرة عن مكان تخزين معرفة الموظفين ، وستسمع قائمة طويلة: Confluence ، SharePoint ، منصات LMS ، bots FAQ ، أرشيف Slack. قد يبدو أن هذا هو بالضبط ما يمكن أن يستخدمه نظام RAG لاسترجاع كل ما يحتاجه. ولكن هناك عنصر واحد مهم مفقود – المعرفة التي تعيش في رؤوس الناس. المعرفة التي لم يسبق لأحد أن كتب عنها.

لماذا هذا مشكلة؟

لأن وكيل الذكاء الاصطناعي ليتولى جزءًا من تدفق العمل – لفهم السياق ، واختيار الإجراء ، وتنفيذ المهمة حتى الانتهاء – يحتاج ليس فقط إلى الوصول إلى قاعدة معرفة ، ولكن أيضًا إلى منطق اتخاذ القرار الذي يستخدمه الخبير المخضرم.

تخيل وكيل دعم جديد يتلقى طلبًا: يزعم العميل أنه قام بدفع مقابل خدمة ، ولكن الوصول لم يتم تنشيطه. يحتوي السيناريو على مجموعة من الخطوات القياسية التي تنتهي بطلب من العميل الانتظار. ومع ذلك ، يلاحظ الوكيل أن الوضع غير عادي: العميل已经 اتصل بالدعم مرتين ، وهناك العديد من الحالات المماثلة في النظام خلال الساعة الماضية. يتواصل مع زميل أكثر خبرة ، الذي يشرح أنه رأى هذا من قبل وأن القضية على الأرجح فشل في تقاطع بوابة الدفع والبنك والنظام الداخلي للتنشيط – لذلك يجب رفع القضية إلى قسم آخر.

من أجل وكيل الذكاء الاصطناعي ، هذا المنطق غير مرئي. قد يكون لديه الوصول إلى السيناريو ، وتاريخ التذاكر ، ووضع الدفع إذا كانت هذه مصادر البيانات متصلة ، ولكنه لا يعرف الإشارات التي يعتبرها مشغل مخضرم حاسمة. ليس لأن الخبراء ي隐ون هذه المعرفة عن قصد. إنهم ببساطة لا يستطيعون تحويلها إلى خطوات: الخيارات التي تم استبعادها ، والreason لاختيار إجراء معين ، والوقت الذي أصبح من الواضح فيه أن السيناريو القياسي لا ينطبق. يسمي علماء المعرفة هذا الظاهرة معرفة ضمنية – معرفة ضمنية قد لا يكون حاملها على دراية بها تمامًا.

هذا هو السبب في أن الحاجز لا يظهر على مستوى الوصول إلى الوثائق ، ولكن على مرحلة تحويل خبرة الخبير إلى تنسيق مناسب لتدريب وكيل الذكاء الاصطناعي.

ماذا يمكن القيام به حيال ذلك

لجعل وكيل الذكاء الاصطناعي يعمل بشكل فعال ، لا يكفي ببساطة توصيل LLM ببيئة معرفة الشركات ، لأن القرارات الناجحة غالبًا ما تعتمد على المعرفة الضمنية. يجب إنشاء طبقة معرفية أولاً ، بما في ذلك معايير اتخاذ القرار المهيكلة.

في إدارة المعرفة ، يسمى هذا العملية الخارجية – تحويل المعرفة الضمنية إلى معرفة صريحة. بمعنى آخر ، تحتاج الشركة إلى فهم ليس فقط ما يفعله الخبير ، ولكن كيف يفكر. هذا يتم عادةً من خلال سلسلة من المقابلات العميقة مع خبير رائد. إلى جانبهم يجب أن يكون هناك شخص ماهر في طرح الأسئلة الصحيحة: منهجية ، مهندس معرفة ، أو خبير تصميم تعليمي. مهمتهم ليست كتابة “تعليمات بناءً على ما يقوله الخبير” ، ولكن إعادة بناء معايير اختيار الخيارات ، وكسر الحالات الحدية ، ورفع الأخطاء النموذجية التي يتعامل معها الخبير بالفعل تلقائيًا.

هنا يمكن أن يساعد الذكاء الاصطناعي بشكل كبير: نسخ المقابلات ، وترجمة الحالات المماثلة ، وتحويل تفسيرات الخبراء إلى مسودات سيناريوهات ، وتوليد حالات للتحقق. ومع ذلك ، لا يزال يتعين على الخبير المراجعة النهائية والموافقة على الهيكل.

النتيجة يجب أن تكون مجموعة معرفية تعمل. يمكن استخدامها في两个 اتجاه في نفس الوقت – لتدريب موظفين جدد وتكوين وكيل الذكاء الاصطناعي. كلا السيناريوهين يعتمدان على نفس الأساس: خبرة مهيكلة من خبراء رائدين.

البديل هو الاستمرار في الاعتماد على افتراض أن RAG على Confluence سيعيد بناء المنطق الذي لم يتم توثيقه قط. في الواقع ، هذا يعمل 거의 أبدا: قد يسترد النظام وثيقة ذات صلة ، ولكنه لن يتعلم كيفية اتخاذ القرارات في الحالات التي يعتمد فيها الإجراء الصحيح على السياق والخبرة.

كيفية التحقق من أن الوكيل جاهز للعمل

لقد قمت بتحويل معرفة الخبير إلى سيناريوهات وضبط الوكيل. ولكن هناك فجوة بين إجابات الوكيل المقبولة والأداء التشغيلي الحقيقي – وهذه الفجوة لا تظهر إلا خلال التحقق. في هذه المرحلة ، من المهم تحديد ما إذا كنت قد استوعبت بالفعل جميع المعرفة اللازمة.

منهج عملي هو الاختبار القائم على السيناريو. تقدم للوكيل حالات حقيقية من عمل الخبير اليومي: يطالب العميل بخصم ، أو يصل بريد إلكتروني غير عادي ، أو يظهر طلب لا يتناسب مع السيناريو الأساسي. يجب أن يتم تقييم النتائج ليس من قبل LLM آخر ، ولكن من قبل نفس الخبير الذي ساعد في بناء مجموعة المعرفة. إذا اتبع الوكيل مسارًا مختلفًا عن الخبير المخضرم ، فلا يعني ذلك دائمًا أن النموذج ضعيف. أكثر často ، يشير إلى أن هناك قاعدة حاسمة أو استثناء أو مثال مفقود. في هذه الحالة ، يعود العملية إلى البداية: يشرح المنهجية المنطق مع الخبير ، وتحديث مجموعة المعرفة ، وتحسين الإرشادات ، وتكرار الاختبار.

هذا الدورة ليست خطوة اختيارية ، ولكن مرحلة تحدد الفرق بين وكيل يظهر فقط “إمكانيات” ووكيل يعمل حقًا. إنه جزء بطيء وغير ممتع من العملية: لا ينتج عرضًا مثيرًا ولا يتطلب مشاركة الخبراء. ولكن الذين يمرّون بهذه المرحلة بشكل منهجي ينتهي بهم المطاف مع وكلاء يخفضون فعلاً العبء العمل الروتيني على الخبراء. الذين يغفلون عن ذلك ، غالبًا ما يجدون أنفسهم في إحصائيات Gartner ، التي تتنبأ بأن 40٪ من المشاريع سوف يتم إلغاؤها.

الذكاء الاصطناعي لا يفشل بسبب التكنولوجيا – النماذج الحديثة قادرة بالفعل على أداء مهام معقدة. إنه يفشل لأن الشركات “تغذي”ه معرفة غير كاملة. في 2024-2025 ، يمكن أن يُexplained ذلك بعدد من الأسباب. في 2026 ، يأتي هذا الخطأ بالفعل بتكلفة عالية.