ما بعد التجارب الأولية للذكاء الاصطناعي: تحويل بيانات العملاء إلى تجارة مخصصة قابلة للتوسع

تجاوز حماس الشركات للذكاء الاصطناعي ما حققته فعليًا من نتائج. ويشير مؤشر Stanford للذكاء الاصطناعي لعام 2026 إلى أن 88% من المؤسسات استخدمت الذكاء الاصطناعي في عام 2025، لكن تبنّي وكلاء الذكاء الاصطناعي ظل في خانة الآحاد في كل وظائف الأعمال تقريبًا. ولا تزال المسافة بين التجريب وتحقيق القيمة واسعة، وتبدو آثارها ملموسة بوضوح في تجربة العملاء. وهناك نقطتان أساسيتان ينبغي مراعاتهما لفهم سبب هذه الفجوة.

أولاهما نضج المؤسسة في مجال الذكاء الاصطناعي. فما تزال معظم الشركات في مرحلة «الإنتاجية الفردية»، وتسعى إلى بناء أسس قابلة للتوسع تشمل الحوكمة، وجاهزية البيانات، ومجموعة من حالات الاستخدام المثبتة الجدوى. ولا يزال أمامها شوط طويل قبل بلوغ مرحلة «الاستقلالية»، التي يمكن فيها لوكلاء الذكاء الاصطناعي العمل ضمن ضوابط محددة، فيما يركز الأفراد على الإشراف والتعامل مع الحالات الاستثنائية. ويُعد بلوغ هذا المستوى من نضج الذكاء الاصطناعي أساسًا ضروريًا لمحاولة اعتماد «نموذج تشغيل قائم على الذكاء الاصطناعي». وسنتناول ذلك لاحقًا.

وثانيهما الفجوة التشغيلية بين البيانات واتخاذ قرارات الأعمال المدعوم بالذكاء الاصطناعي. لدى معظم المؤسسات استثمارات قائمة في البيانات والأنظمة. فقد جمعت بيانات العملاء، واعتمدت أتمتة التسويق، وانتقلت إلى الحوسبة السحابية، وأجرت تجارب أولية على الذكاء الاصطناعي التوليدي. ومع ذلك، لا يزال العملاء يتلقون توصيات لا تلائمهم، ويواجهون قنوات غير مترابطة، ويتفاعلون مع خدمات تتجاهل ما تعرفه المؤسسة عنهم بالفعل.

نادرًا ما تكون المشكلة في النموذج نفسه. ففي كثير من الأحيان، لا يفعل الذكاء الاصطناعي سوى كشف مواطن الخلل القائمة أصلًا: بيانات مجزأة، وملكية غير واضحة، وسير عمل غير مترابط، وديون تقنية، وأهداف أعمال لم تُترجم قط إلى حالات استخدام قابلة للقياس. ولا يبدأ الطريق إلى الأمام بمبادرة أكبر في مجال الذكاء الاصطناعي، بل بمجموعة صغيرة من القرارات المدروسة المتعلقة بالعملاء، ونموذج تشغيل واضح، وبنية قادرة على تحويل الذكاء إلى عمل.

بالنسبة إلى القادة الساعين إلى الانتقال من تجارب معزولة إلى منظومة قابلة للتكرار، تبرز أولويات قليلة الأهمية تفوق سواها.

ابدأ بقرار، لا بإمكانات تقنية.

ليس السؤال الأول: «أين يمكننا نشر الذكاء الاصطناعي التوليدي؟»، بل: «ما القرار المتعلق بتجربة العملاء الذي نحتاج إلى تحسينه؟». تريد شركة طيران أن تقدم للمسافرين خيارات أفضل عند حدوث اضطراب. ويريد بائع تجزئة مساعدة المتسوق على اختيار المنتج المناسب من دون زيادة المرتجعات. ويريد بنك أن يتمكن موظف خدمة العملاء من حل استفسار معقد من دون البحث في أنظمة متعددة. يحدد كل مثال قرارًا وشخصًا ونتيجة، وهو ما يوضح بدوره البيانات المطلوبة وكيفية قياس النجاح. ويساعد البدء من هنا القادة أيضًا على قول «لا». فإذا تعذر ربط فكرة تطبيق أو طلب إنشاء وكيل بقرار حقيقي ونتيجة قابلة للقياس، فلا يستحق أولوية.

عبارة «استخدم الذكاء الاصطناعي لتحسين التجربة» فضفاضة أكثر من اللازم. فهي تنتج عروضًا تجريبية، لا قدرة تشغيلية.

عندما يضيف بائع تجزئة للأجهزة الإلكترونية الاستهلاكية اليوم «مساعدًا للتسوق بالذكاء الاصطناعي»، يكون ذلك عادةً روبوت محادثة عامًا يُقيَّم بحسب عدد مستخدميه. أما إذا صيغت الفكرة على أنها قرار يساعد المتسوق على اختيار الحاسوب المحمول المناسب، فسيكون هدفها رفع معدل التحويل وتقليل المرتجعات. وعندها تصبح أداة تستخدم المواصفات المتاحة مباشرةً لفهم احتياجات المتسوق على نحو أفضل، ويُقاس نجاحها بالمبيعات والمرتجعات ورضا العملاء. الفكرة ذاتها، لكن بنتيجة ملموسة.

تعامل مع توحيد البيانات بوصفه قدرة، لا مشروعًا لإنشاء قاعدة بيانات.

كثيرًا ما يُوصَف «عرض العميل بزاوية 360 درجة» بأنه جهد لمركزة البيانات. لكنه في الواقع اتفاق مؤسسي على الهوية والموافقة والملكية والجودة ومعنى الأحداث الرئيسية. هل تُنسب جلسة التصفح إلى عميل معروف، أم إلى أسرة، أم إلى جهاز مجهول الهوية؟ ما النظام المعتمد مرجعًا موثوقًا للموافقة؟ وما السرعة المطلوبة لإتاحة تفاعل الخدمة عبر قناة أخرى؟ من دون إجابات عن هذه الأسئلة، تؤدي مركزة البيانات إلى مظهر يوحي بالتكامل من دون أن تضمن موثوقيته. والأجدى هو وضع عقد بيانات مشترك لكل حالة استخدام ذات أولوية، يحدد الحقول والأحداث المطلوبة، ومصادرها المعتمدة، والحد المقبول للتأخير، والاستخدامات المسموح بها، والفريق المسؤول عن الجودة. فالهدف ليس جمع كل البيانات، بل الحصول على البيانات المناسبة والموثوقة لحظة اتخاذ القرار.

يريد بائع سيارات أن يرحب بمتسوق عاد إلى موقعه الإلكتروني، عارضًا عليه الطراز نفسه الذي كان يضبط مواصفاته. لكن ذلك لا ينجح اليوم، لأن أداة ضبط المواصفات ونظام إدارة علاقات العملاء لدى الوكيل ونظام التمويل يحتفظ كل منها بنسخة مختلفة من بيانات العميل، ولا تتفق هذه الأنظمة على ما إذا كان عرض التأجير الذي صدر قبل ثلاثة أسابيع لا يزال ساريًا. أما إعادة صياغة الأمر بوصفه رحلة واحدة تحكمها قواعد واضحة للبيانات، فتحسم مسؤولية كل جهة: أداة ضبط المواصفات هي المصدر المعتمد لبيانات السيارة المطلوبة، وبيانات التمويل تتضمن موافقة محددة ومدة صلاحية، ويُحدَّث موجز المخزون كل بضع دقائق، فلا يرى المتسوق سيارة باعها الوكيل للتو. وهذا أبسط بكثير من «توحيد جميع بيانات العملاء»، كما يضمن نجاح رسالة الترحيب فعلًا.

صمّم التخصيص بوصفه نظامًا مستمرًا لاتخاذ القرار.

لا تزال برامج كثيرة تعمل بمنطق الحملات. تحدد الفرق شريحة من العملاء، وتُعدّ المحتوى، ثم ترسله وفق جدول زمني. وينتج الذكاء الاصطناعي التوليدي مزيدًا من الصيغ، لكنه لا يغيّر النموذج. أما التجربة المراعية للسياق فتعمل بطريقة مختلفة؛ إذ ترصد السياق الحالي للعميل، وتحدد الإجراءات المتاحة، وتختار منها إجراءً ضمن قيود العمل والسياسات، وتقدمه عبر القناة المناسبة، ثم تتعلم من الاستجابة. والأهم أن تخصيص كل تفاعل على حدة ليس هو الهدف. ففي بعض الأحيان، يكون الإجراء المناسب رسالة موحدة، أو إحالة إلى موظف، أو عدم اتخاذ أي إجراء على الإطلاق. ولا يُقاس نجاح التخصيص بعدد الصيغ التي أُنتجت، بل بمدى اتخاذ المؤسسة قرارًا أكثر ملاءمة للعميل، وبمدى احترامها لتوقعاته في أثناء ذلك. يجب أن تكون الثقة جزءًا من التجربة، لا بندًا يُضاف لاحقًا في مراجعة امتثال منفصلة.

يلاحظ أحد البنوك أن عميلًا يتفقد أسعار الرهن العقاري مرارًا. واليوم، يُدرجه محرك الحملات في سلسلة رسائل بريد إلكتروني بعنوان «للمشترين للمرة الأولى» عند موعد الإرسال المجدول التالي. أما إذا أعيد تصور العملية بوصفها قرارًا مستمرًا، فسيقرأ النظام الموقف الآني: هل يبحث العميل عن أسعار القروض في أثناء إتمام عملية الشراء، أم أنه يستطلع الأمر بدافع الفضول قبل أشهر؟ وإذا لم يكن متأكدًا، يتخذ الإجراء الأكثر تحفظًا، فيعرض عليه سؤالًا مفيدًا مثل «هل ترغب في استكشاف ما يمكنك تحمّله؟» بدلًا من حثه قبل الأوان بعبارة «احصل على موافقة مبدئية اليوم»، وهو ما قد لا يراعي المرحلة التي بلغها. وإذا تفاعل العميل، يتعلم النظام ويتكيف. وإذا لم يتفاعل، فلا يتدخل. فأحيانًا يكون القرار الأكثر ملاءمة هو الأقل لفتًا للانتباه، وهذا التحفظ هو ما يحفظ الثقة.

عالج قيود المحتوى والبنية قبل تسريع العمل.

يمكن للذكاء الاصطناعي التوليدي إنشاء النصوص والصور بسرعة لافتة، لكن تطبيق السرعة على عملية محتوى معطوبة لا يفعل سوى نقل عنق الزجاجة من الإنشاء إلى المراجعة والحوكمة. ووجد Content Marketing Institute أن 75% من المسوقين في المؤسسات يستخدمون الذكاء الاصطناعي، لكن 15% فقط دمجوه في سير العمل اليومي. ويتيح المحتوى المنظم القابل لإعادة الاستخدام — أي الحقائق والمكونات المعتمدة التي يمكن تجميعها عبر قنوات مختلفة — للذكاء الاصطناعي التكيف دون اختلاق الحقيقة الأساسية. وينطبق الانضباط نفسه على حزمة التقنيات. فبدلًا من إعادة تصميم كل شيء تحت شعار «قابلية التركيب»، ينبغي تحديد الرحلات القليلة المرتبطة بحالات الاستخدام ذات الأولوية، ومعرفة المواضع التي تتسبب فيها الأنظمة القديمة في تأخير أو تمنع الوصول إلى البيانات، ثم تحديث الأنظمة تدريجيًا لمعالجة هذه القيود. ولا يُقاس التقدم بعدد التقنيات التي اعتُمدت، بل بالقدرة على تغيير رحلة العميل بسرعة وأمان، من دون تكرار أعمال التكامل نفسها في كل مرة.

يوجه أحد متاجر التجزئة الذكاء الاصطناعي لكتابة أوصاف 40,000 منتج. واليوم، يؤدي ذلك إلى إغراق فريق المراجعة القانونية بالعمل، إذ يجب التحقق من الادعاءات وشروط الضمان لكل منتج. أما الحل، إذا أُعيدت صياغة المشكلة، فليس استخدام نموذج أسرع، بل إنشاء مصدر محكوم للبيانات: نظام لإدارة معلومات المنتجات (PIM) يضم المواصفات والادعاءات وعبارات الضمان المعتمدة بوصفها مكونات قابلة لإعادة الاستخدام، ويستند إليها الذكاء الاصطناعي في إعداد الأوصاف، بما يتيح له تكييف النبرة دون اختلاق الحقائق.

وينطبق المنطق نفسه على حزمة التقنيات. فبدلًا من إعادة بناء المنصة بأكملها، يحدّث الفريق نظام المخزون القديم وحده، لأنه يعوق تخصيص التجربة في الوقت الفعلي لإظهار المنتجات «المتوفرة في المخزون بالقرب منك»، ويُبقي الأنظمة المستقرة كما هي. فالتقدم يعني تغيير رحلة العميل بسرعة، لا إضافة أدوات.

أدمج الحوكمة في التنفيذ، وقِس القيمة على مستوى المحفظة.

إذا عوملت الحوكمة بوصفها بوابة نهائية، فستأتي متأخرة، بعد اتخاذ قرارات يصعب التراجع عنها. وتكون أطر مثل NIST AI Risk Management Framework أكثر فائدة عندما تسهم في تشكيل حالة الاستخدام منذ البداية، مع تغطية الخصوصية والتحيز وسلامة العلامة التجارية والموثوقية وإمكانية التتبع، وتناسب الضوابط مع مستوى مخاطر التفاعل. أما القيمة، فنادرًا ما تختزل في رقم واحد كبير؛ إذ تتوزع على نتائج تخص العملاء، مثل الرضا وإنجاز المهام والاحتفاظ بهم؛ ونتائج تشغيلية، مثل مدة الدورة ووقت الحل وإعادة الاستخدام؛ ونتائج تجارية، مثل التحويل وتكلفة خدمة العملاء والقيمة الدائمة للعميل؛ ونتائج مرتبطة بالمخاطر، مثل معدلات الأخطاء والشكاوى والتجاوزات. وينبغي قياس كل ذلك مقارنةً بخط أساس، وبعد خصم التكلفة الكاملة للتشغيل على نطاق واسع.

تستخدم إحدى شركات الطيران وكيلًا للذكاء الاصطناعي للتعامل مع الاضطرابات. واليوم، يُعد الرد على سؤال «هل تأخرت رحلتي؟» أمرًا محدود المخاطر ومؤتمتًا بالكامل. أما إعادة حجز رحلة أحد المسافرين أو إصدار رصيد سفر يتجاوز مبلغًا محددًا، فيُحالان إلى موظف، لأن اتخاذ قرار خاطئ في هذه الحالات مكلف. وإذا أُعيد تصور العملية، تُقاس القيمة عبر النتائج المهمة: تسريع التعافي من الاضطرابات، وإعادة الحجز بما يحافظ على أعضاء برامج الولاء ذوي القيمة العالية، ومراقبة الشكاوى عن كثب. وعند التعامل مع الاضطراب على نحو جيد، يصبح لحظةً تعزز ولاء المسافر بدلًا من خسارته، وهنا تتحقق القيمة الدائمة الحقيقية.

سؤال النضج.

لن تكون المؤسسات التي تحقق قيمة مستدامة هي تلك التي تجري أكبر عدد من التجارب، بل تلك التي تمتلك طريقة قابلة للتكرار لربط احتياجات العملاء بالبيانات الموثوقة والذكاء المحكوم والمحتوى القابل لإعادة الاستخدام والنتائج القابلة للقياس، إلى جانب الصراحة اللازمة لمعرفة موقعها الحالي على هذا المسار. فمعظم المؤسسات متأخرة في هذا المسار أكثر مما توحي به أنشطة المشاريع التجريبية لديها.

المؤسسة المتأصلة في الذكاء الاصطناعي هي التي يندمج فيها الذكاء الاصطناعي في كل طبقة من طبقات عملها ومنافستها. فبدلًا من تعزيز العمليات القائمة، يُصمم نموذج التشغيل نفسه حول الذكاء الاصطناعي، بوصفه قدرة أساسية من قدرات الأعمال.

لذا، لم يعد السؤال الأجدى للقائد هو «أين يمكننا إضافة الذكاء الاصطناعي؟»، بل «ما القرارات التي يمكننا تحسينها، وما الشروط اللازمة لتوسيع نطاق هذا التحسين بمسؤولية؟»