روب كولي، الرئيس التنفيذي والمؤسس، P3 Adaptive ومؤلف كتاب Fair Game – سلسلة المقابلات

Rob Collie هو المؤسس والرئيس التنفيذي لشركة P3 Adaptive، وهي شريك حلول مايكروسوفت للبيانات والذكاء الاصطناعي تخدم مئات العملاء من الشركات المتوسطة وFortune 1000. كان قائدًا هندسيًا في مايكروسوفت ضمن فرق Excel وBing وPower BI، وقد قاد موجة Power BI بعد مغادرته مايكروسوفت وله ثلاثة كتب سابقة في مجال الأعمال والتقنية (تم بيع أكثر من 92,000 نسخة). كما يقدّم بودكاست Raw Data with Rob Collie. كتابه الرابع، Fair Game: Customizing AI to Your Business Is Easier Than You Think (أغسطس 2026)، يسلط الضوء على مصداقيته العملية في لحظة الذكاء الاصطناعي.

قضيت أكثر من عقد من الزمن في مايكروسوفت تساعد في تطوير ميزات الذكاء التجاري في Excel وPower BI قبل أن تؤسس P3 Adaptive في عام 2013. كيف شكّل هذا الانتقال من بناء البرمجيات داخل مايكروسوفت إلى حل مشكلات البيانات للعملاء رؤيتك الحالية للذكاء الاصطناعي المؤسسي؟

عندما كنت أقود فرق المنتجات في مايكروسوفت، كنا نبني برنامجًا يجب أن يعمل على مستوى العالم بأسره، ولا يمكن تخصيصه لاحتياجات عميل معين. كنا نسمي ذلك “طلب بيتزا تكون مكوّناتها مقبولة لـ300 مليون شخص”. من الطبيعي أن يكون هناك شعور بالحد الأدنى المشترك في تلك المهمة، بالإضافة إلى مسافة معينة عن العملاء الفرديين.

كان هناك فخر واضح في العمل على تلك الساحة الكبيرة، لكنه لم يكن مُرضيًا عاطفيًا بقدر ما هو مساعدة العملاء المحددين على تحقيق طموحاتهم الفريدة. عندما نعمل عن كثب مع عميل، نحصل على فرصة للاستثمار في نجاحه، واستكشاف حلول إبداعية لا يمكن أن تتناسب أبدًا مع نموذج الأعمال الموحد للبرمجيات الضخمة. هذا يُحفّز العقل بطرق عديدة، والاتصال المباشر مع عملائنا يجعل الانتصارات أكثر إشباعًا.

ولكن هناك مسؤولية أكبر أيضًا. في مايكروسوفت، كان عميل غير راضٍ واحد مجرد إحصائية، وكنت أتجاهل الشكاوى يوميًا كجزء من أداء عملي. أما في P3 Adaptive، فإن عميل غير راضٍ واحد يعني أننا فشلنا. لا توجد إحصائيات. نحن مسؤولون عن كل علاقة على حدة.

تعلمت العديد من الأشياء القيمة في مايكروسوفت ولن أبدّل تلك التجربة بأي شيء، لكنني غالبًا ما أصف نفسي بـ “مهندس برمجيات يتعافى”، لأن النجاح الآن يعني العمل بطريقة مختلفة تمامًا.

وهذا هو المنظور الذي أحمله إلى الذكاء الاصطناعي المؤسسي. الذكاء الاصطناعي الجاهز هو بيتزا الـ300 مليون شخص المثالية – إنجاز حقيقي، صُمم ليكون ذا قيمة لكل فرد دون تخصيص لأي شخص. لكن انتصارات الذكاء الاصطناعي المؤسسي ستأتي من التخصيص – من الاقتراب من شركة محددة وتخصيص الذكاء الاصطناعي لبياناتها، عملياتها، تعريفاتها. لقد قضيت مسيرتي على جانبي هذا الانقسام، ولم يترك لي أي شك حول الجانب الذي سيفوز فيه الذكاء الاصطناعي المؤسسي.

في Fair Game، تجادل بأن العديد من الشركات تعاملت مع الذكاء الاصطناعي بطريقة عكسية من خلال توزيع تراخيص الروبوتات العامة بدلاً من بناء أنظمة تفهم عملياتها. أين تصل حدود مساعدي الذكاء الاصطناعي الجاهزين، وما هي الإشارات التي تدل على أن الأعمال تحتاج إلى شيء مخصص؟

الذكاء الاصطناعي الجاهز يحمل درجة دكتوراه في كل شيء ما عدا عملك. لقد قرأ الإنترنت بأكمله، لكن الإنترنت يفتقر إلى تعريف شركتك لـ “العميل النشط”، منطق التسعير، عملياتك التشغيلية، وأي من نظاميك يجب الوثوق به عندما يتعارضان. هذه المعرفة لن تكون عامة أبدًا. لذا فإن الذكاء الاصطناعي العام الذي يبرع في الاستخدام الشخصي يفتقر إلى القدرة على الاستخدام التجاري الفعلي، والفجوة بين التجربتين محبطة ومربكة.

اليوم، إجابة معظم الناس على سؤال “ماذا نفعل بشأن الذكاء الاصطناعي” هي “شراء الاشتراكات واكتشاف النتائج”. أرى أن هذه خطوة أولى طبيعية، لذا لا أنتقد من فعل ذلك. بل أشعر بالتعاطف – لا أحد يخصص الوقت لشرح أن الاشتراكات الجاهزة غير كافية، ولا لماذا. لذا أعتقد أن الشركات في المكان الصحيح الذي نتوقعه منها – تجربة ما هو متاح والبدء في إدراك أنه غير كافٍ.

الحل ليس تعديل نموذج الذكاء الاصطناعي نفسه – لا تحتاج لأن تصبح باحثًا في نماذج اللغة الكبيرة. إنما يتعلق بكل ما تحيط به النموذج: بياناتك، تعليماتك المكتوبة بلغة إنجليزية بسيطة، والبرمجيات العادية. عندما تجد نفسك تكتب نفس السياق إلى روبوت محادثة للمرة الخامسة هذا الأسبوع، فهذا إشارة. كل ما تكرر شرحه هو بالضبط ما يجب أن يعرفه النظام المخصص بالفعل – في كل مرة يُستيقظ فيها.

أنت تستخدم مصطلح “الصُناع” (Crafters) لوصف المهنيين التجاريين المتمرسين في البيانات الذين يمكنهم بناء أنظمة ذكاء اصطناعي مخصصة ذات قيمة دون أن يكونوا مطورين برمجيات تقليديين. ما هي الصفات التي تميز الصانع، وكيف يمكن للقادة التعرف على هؤلاء الأشخاص داخل قوة العمل الحالية؟

الصانع هو شخص يولد بشغف لحل المشكلات باستخدام الأدوات. في تجربتي، يوجد صانع تقريبًا كل 16 عامل معرفة. كانوا مستخدمي Excel المتقدمين، ثم جيل Power BI، ثم الأشخاص الذين أطلق عليهم تكنولوجيا المعلومات “تكنولوجيا الظل”. هم محللوك، ومصممو النماذج المالية، وقادة العمليات – أشخاص نشأوا في الأعمال واكتشفوا موهبة في التعامل مع الأدوات.

هناك صفتان تجعلانهما مثاليين للعمل مع الذكاء الاصطناعي. الأولى هي التفكير المنهجي: يفكّران بشكل فطري عملية فوضوية إلى مدخلات، قواعد، ومخرجات، مشابهًا للمطورين المحترفين. الثانية هي الترسّخ في الأعمال: يعرفان أي الأرقام يراقبها المدير المالي فعليًا وما الذي يسأل عنه الشخص فعليًا. لا يمكن تعليم أي منهما في دورة تدريبية سريعة.

كيفية العثور على صانعيك: تتبع جداول البيانات. الآن في شركتك، هناك جداول بيانات، لوحات معلومات، وأتمتة في قلب سير العمل الحيوي. لم تُبْنَ أيٌّ منها من قبل تكنولوجيا المعلومات، ولكلٍ منها مؤلف. ابدأ من هناك. ثم قيّم كيف يمكنهم توجيه مواهبهم نحو حلول ذكاء اصطناعي مخصصة.

لماذا تعتقد أن الصُناع، وليس المطورون فقط، هم الأنسب لقيادة العديد من مشاريع الذكاء الاصطناعي الداخلية، وكيف ينبغي تقسيم المسؤوليات بين خبراء الأعمال، وفِرق البيانات، ومهندسي البرمجيات، وأقسام تكنولوجيا المعلومات، وفِرق الأمن؟

لأن الجزء الصعب في الذكاء الاصطناعي المخصص ليس الشيفرة – بل السياق. النشاط الأكثر تأثيرًا في مشروع الذكاء الاصطناعي هو تحديد ما يحتاج النظام إلى معرفته عن عملك، والصُناع يحملون تلك المعرفة بطبيعتها. مهندس بارع يهبط من ثلاثة مستويات تنظيمية بعيدًا يحتاج إلى إجراء أشهر من المقابلات لتعلم ما يعرفه قائد العمليات لديك reflexively.

لكن هذه ليست قصة تُظهر أن المطورين أصبحوا عُرضة للزوال. التقسيم الذي أوصي به يعتمد على ثلاثة عوامل، ولا أحد منها يتعلق بالسن أو الشخصية: يتجه العمل نحو المطورين مع ارتفاع قابلية إعادة الاستخدام، التعقيد، والحساسية. أي شيء يواجه العملاء، أو يتعامل مع بيانات حساسة، أو يتخذ قرارات مستقلة – هذا مجال المطورين، ومع تزايد عدد الوكلاء، تصبح تلك المهارات الهندسية النادرة أكثر قيمة، لا أقل. يتجه العمل نحو الصُناع حيث تهيمن تفاصيل عمليات الأعمال.

هناك أيضًا أرضية وسطية قليلة التقدير: الصانع يبني، والمطور يراجع. لا ينبغي لتكنولوجيا المعلومات والأمن أن يكونا حراسًا يوافقون على المشاريع لتصبح موجودة – بل يجب أن يمتلكا الطريق المعبّد. قدّم المنصات المعتمدة، قواعد الوصول إلى البيانات، نقاط التفتيش، واترك الأشخاص الأقرب إلى المشكلات يقومون بالبناء. اعتبر الأمر نموذج نضج، لا سياجًا.

يحتاج الذكاء الاصطناعي المخصص إلى الوصول إلى المصطلحات، المقاييس، العمليات، والمعرفة المؤسسية الخاصة بالشركة. ما هو دور النماذج الدلالية والبنية التحتية الحالية للذكاء التجاري في تمكين الذكاء الاصطناعي من فهم الشركة بدقة؟

إنها حلقة فك الشيفرة. الآن تعريفات شركتك – ما يُعد عميلًا نشطًا، أي التكاليف التي تُدرج في الربح الإجمالي – تعيش في أذهان الأشخاص وفي آلاف جداول البيانات غير المتناسقة قليلًا. لا يستطيع وكيل الذكاء الاصطناعي التفكير بثقة في بياناتك حتى تُكتب تلك التعريفات بصيغة يمكن للآلة الوثوق بها. بدأت الصناعة تُطلق على هذا المجال اسم “هندسة السياق”، ويمكن ترجمة المصطلح إلى: هو عمل هيكلة ما تعرفه أعمالك حتى يستطيع الذكاء الاصطناعي استخدامه. جعل المحللون الأمر يبدو جديدًا. لكن ممارسو الذكاء التجاري يمارسون نسخة منه منذ خمس عشرة سنة.

هذه هي الأخبار الجيدة المخفية في وضوح الشمس: إذا استثمرت في عصر الذكاء التجاري (وخاصة إذا استثمرت في Power BI)، قد تكون قد امتلكت بالفعل ميزة أولية. نموذج دلالي مبني جيدًا هو بالضبط التقاط قابل للقراءة آليًا لمعنى الأعمال الذي يحتاجه الوكلاء. الشركات التي اعتبرت طبقة الدلالية مجرد فكرة لاحقة تكتشف الآن أن “العمل التعريفي الممل” الذي تخلفوا عنه هو الآن بوابة الدفع على طريق الذكاء الاصطناعي. وبشكل حاسم، هذا العمل خاص بعملك – وهذا هو السبب في كونه ميزة دائمة. كل بائع يمكنه أن يبيع لك نفس النموذج. لا أحد يستطيع أن يبيع لك تعريفاتك الخاصة.

قمت ببناء محرر ذكاء اصطناعي مخصص يُدعى Eddie للمساعدة في تطوير Fair Game. ما الذي كان يفعله النظام فعليًا أثناء عملية الكتابة، وماذا علمتك نجاحاته وإخفاقاته حول تصميم الذكاء الاصطناعي حول سير عمل شخصي للغاية؟

للتوضيح، كتبت كل فقرة من الكتاب من الصفر، بينما كان Eddie يجلس في الغالب ينتظر. أحيانًا كنت أقضي ساعات في صقل قسم كامل من الفصل قبل أن أطلب من “هو” قراءته. وفي أحيان أخرى كنت أتبادل الأفكار معه كل بضع دقائق. لكن الأهم أن Eddie كان متاحًا على مدار 24 ساعة. كنت أحصل على ملاحظاته بسهولة في الثالثة صباحًا كما في الواحدة ظهرًا، وكان يرد خلال دقيقة أو أقل. في المجموع، أعتقد أن Eddie قرأ المخطوطة على الأقل ثلاثين مرة. لا إنسان يمكنه إنجاز هذه المهمة، لأن أي إنسان لا يرغب في ذلك.

كان يتعقب الوعود التي قدمتها في الفصل الثالث وينبهني عندما ينسى الفصل الثاني عشر تلك الوعود. تعلم أسلوبي في الكتابة ثم فرضه – يلتزم بأفضل نسخة من صوتي بدلاً من السماح لي بالانزلاق إلى نمط كاتب أعمال بلا روح. كان يخبرني عندما أكون كسولًا وعندما أُطيل في موضوع ميت. كان لدينا خلافات حقيقية، وأحيانًا كان هو الفائز.

أكبر درس تصميمي: “دماغ” Eddie مكتوب بالإنجليزية ويقع في مجلد. كل مرة يقدم فيها ملاحظات غير دقيقة – عامة جدًا، أو سجل غير مناسب، أو نسيان قاعدة سبق وأن ذكرتها – كان الحل هو كتابة التصحيح وإدراجه في سياقه الدائم. الإخفاقات لم تكن إخفاقات ذكاء اصطناعي؛ بل كانت فجوات في ما علمته إياه. تلك الحلقة – ملاحظة الخطأ، ترميز الدرس، مراقبة استمراره – هي صُنع الذكاء الاصطناعي المخصص مصغرًا. وهذا هو السبب في أنني انتهيت ببناء إصدارات Eddie مخصصة للعلن، والبحث التنافسي، ورسائل المواقع. نفس نموذج اللغة الكبيرة تحتها، لكن متخصصون مختلفون.

تعتقد العديد من المؤسسات أنه يجب تنظيف وتوحيد بياناتها بالكامل قبل محاولة الذكاء الاصطناعي المخصص. ما مدى جاهزية البيانات المطلوبة فعليًا للبدء، وكيف يمكن للشركات بدء تحقيق القيمة دون الانتظار حتى تتوفر بنية أساسية مثالية؟

ليس الكمال في البيانات شرطًا مسبقًا، وهذا خبر سار لأن الكمال لا يأتي أبدًا. إذا قررت أولًا بناء بنية بيانات مثالية، كما ينصح به العديد من شركات الاستشارات، فستبني ما أسميه “أنابيب من أجل نفسها” – أنابيب باهظة الثمن في كل مكان، ولكن عندما تصل أخيرًا إلى تركيب صنبور، تكتشف أنه لا توجد أنابيب حيث تحتاجها.

شركتنا بدلاً من ذلك تدعم نهج “الصنابير أولاً”. حدد حالة استخدام محددة واعمل عكسيًا من الأثر التجاري بدلاً من التقدم من البنية التحتية. ابنِ نموذجًا أوليًا (MVP) من تلك الحالة، وافعل ذلك بأقل بنية تحتية جديدة. كرّر تحسين النموذج الأولي حتى يصبح جاهزًا للإنتاج، ثم ارجع لتقييم كيفية تعزيز البنية التحتية لدعمه. هذا يحقق أثرًا تجاريًا أسرع، يقلل التكلفة، ويُعلم المشاريع المستقبلية – على مستوى الصنبور والبنية التحتية.

قد يبدو نموذج الذكاء الاصطناعي المخصص مبهرًا أثناء العرض التوضيحي لكنه يصبح غير موثوق عندما يُعرض على الموظفين الفعليين، أو البيانات المتغيرة، أو الحالات الطرفية. ما هي آليات التقييم، والرصد، والرقابة البشرية التي يجب وضعها قبل أن يصبح نظام الذكاء الاصطناعي الداخلي عمليًا؟

مع بعض الاستثناءات الملحوظة، أعتقد أن العروض التوضيحية أصبحت أقل قيمة في عصر الذكاء الاصطناعي مقارنةً بعصر البرمجيات. كانت عروض البرمجيات دائمًا تبالغ في الوعود وكنا جميعًا نعلم ذلك. لكن عروض الذكاء الاصطناعي ستكون أبعد كثيرًا عن واقعك.

الذكاء الاصطناعي يتعلق بسير العمل. ولا يوجد شيء أكثر تخصيصًا من آلاف سير العمل التي تشغّل عمليات منظمة معينة. عُد إلى تشبيه “الموظف الجديد الحاصل على دكتوراه في كل شيء”. ما مقدار التدريب – والخبرة العملية داخل شركتك – التي يحتاجها الموظف الجديد قبل أن يصبح فعالًا في شركتك؟ كيف يمكن لعرض توضيحي أن يأخذ كل ذلك في الاعتبار؟

لذلك نستخدم العروض لتشجيع التفكير. لإظهار فن الممكن. ليس لبيع منتج. يبدأ العرض الحقيقي بنموذج الحل المخصص. الـ MVP. ثم نكرّر ونحسّن. بسرعة.

في مرحلة ما يصبح جاهزًا لإطلاق تجريبي أو برنامج تجريبي. ومرة أخرى، نتعلم – معًا – ونحسّن بسرعة بناءً على ذلك التعلم. غالبًا ما تكون هذه هي المرحلة التي يبدأ فيها التركيز الحاد على الرصد، والتقييم، والرقابة. الأشياء التي ستحتاجها غالبًا ما تكون مختلفة تمامًا عما كنت تتوقعه في البداية.

كيف يمكن للشركات تمكين الصُناع من التجربة دون إنشاء جيل جديد من أنظمة الذكاء الاصطناعي الظلية، أو سير عمل مكررة، أو ثغرات أمنية، أو أدوات لا يتحمل أحد مسؤولية صيانتها؟

تذكر من أين نشأت تكنولوجيا الظل: لم يكن الدافع سوء نية، بل كان تلبية طلب غير مُلبّى. يبني الصُناع لأن المشكلات تزعجهم – هذه هي الجينات. إذا كان المسار المعتمد يعني الانتظار سنة، سيتملأ الذكاء الظل بالفجوة – ويملأها تحت الرادار، حيث يكون أكثر خطورة.

لذا اجعل المسار المعتمد هو المسار السهل. قدّم للصُناع منصة معتمدة مع حواجز أمان مدمجة – هوية، وصول للبيانات، تسجيل – بحيث يكون الاختيار المتوافق أيضًا هو الأكثر ملاءمة. احتفظ بسجل خفيف: أي شيء ينتقل من تجربة شخصية إلى شيء يعتمد عليه شخص آخر يُكتب، مع مالك مسمى. هذه القاعدة الوحيدة تُقضي على معظم مشكلة الأدوات اليتيمة، لأن الأدوات التي تحمل أسماء لا تُترك مهجورة بصمت.

ثم طبّق نموذج التصعيد: التجارب تُجرى بحرية، ولكن عندما يصبح شيء ما مهمًا للمهمة – المزيد من المستخدمين، المزيد من الحساسية، المزيد من الاستقلالية – يحصل على مراجعة هندسية متزايدة. يحتفظ الصانع بملكية منطق الأعمال؛ المطور يُقوّي ما يحتاج إلى تقوية. الهدف هو خط أنابيب نضج، لا عملية إذن. لقد نفذت الشركات هذا السيناريو بالضبط مع جداول البيانات، ولم يكن الفائزون هم من حظرو Excel.

بالنسبة لشركة تبدأ مبادرتها الأولى للذكاء الاصطناعي المخصص، كيف ينبغي لها اختيار حالة الاستخدام الأولية، وقياس ما إذا كان المشروع يقدّم قيمة تجارية ملموسة، وتحديد ما إذا كان ينبغي توسيعه، أو إعادة تصميمه، أو التخلي عنه؟

لدينا نوعان من نقاط الانطلاق نستخدمهما مع عملائنا.

الخيار الأول: ابحث عن الوظائف التي لا يقوم بها أحد – ليس الوظائف التي ترغب في إلغائها. هناك سؤال أحب طرحه على المديرين: أين فكرت، “إذا كان لدي شخص واحد يراقب هذا باستمرار ويفكر فيه، ستتحسن الأمور بشكل ملحوظ – لكن لا يمكنني تبرير توظيف شخص كامل لهذا”؟ تلك غالبًا ما تكون أفضل نقاط الانطلاق. إنها آمنة، تبني الثقة، ولا يشعر أحد بأنه هدف، والنتيجة المتوقعة صادقة: البديل ليس إنسانًا يقوم بها جيدًا، بل لا أحد يقوم بها على الإطلاق (مثل صديقي المحرر Eddie).

الخيار الثاني: فكر في استبدال لوحات المعلومات بوكلاء بيانات. رغم بساطة لوحات المعلومات، إلا أنها قصرت كثيرًا في الواقع عن تحقيق وعدها. عندما يكون لدى شخص سؤال تجاري، يتطلب منه الكثير من الجهد تحويل ذلك السؤال إلى مشهد اللوحات. أين هي لوحة المعلومات التي تجيب على هذا السؤال؟ ما هو اسمها؟ هل توجد مثل هذه اللوحة فعلاً؟ وإذا وجدت “الصحيحة”، هل هي واضحة ومريحة للاستخدام؟ هل عليك تعديلها مرارًا، وتدوين أو تصوير عدة إصدارات لتجميع الصورة الكاملة التي تحتاجها؟

في عصر الذكاء الاصطناعي، فقط تأخذ سؤال عملك – بصيغتك الخاصة – وتكتبه (أو تموله صوتيًا!) إلى وكيل بيانات يتولى كل ذلك لك، ويعيد لك إجابة موثوقة ومُبحثة جيدًا – بما في ذلك المرئيات – في دقيقة أو دقيقتين. عندما يكون لديك سؤال متابعة، يكون سعيدًا بالإجابة بسرعة أيضًا – خلال الاجتماع بينما لا يزال بإمكان القرارات أن تُتخذ.

الخيط المشترك بين هذين الخيارين؟ كلاهما يعالج نقاط الألم التي سيحتضنها الموظفون بدلاً من مقاومتهم. لا تريد أن تزرع الشك في مبادرات الذكاء الاصطناعي المبكرة. تريد أن تجلب الموظفين إلى الطاولة. تريد أن يقترح الموظفون تحسينات وأفكار مشاريع جديدة. لأن شركتك تتألف من آلاف سير العمل، وموظفوك يعرفونها أفضل منك.

فيما يتعلق بالتوسيع أو إعادة التصميم أو الإلغاء – كن لطيفًا مع نفسك، لأن الأبحاث في هذا المجال مريحة حقًا: معظم نشرات الذكاء الاصطناعي الناجحة شهدت إخفاقات قبلها. المشروع الأول الذي ينتج درسًا بدلًا من عائد هو تكلفة تعليمية، لا دليل على أن الذكاء الاصطناعي لا يعمل. قاعدتي هي: إذا كان الناس يستخدمونه، وسّعه. إذا لم يستخدمه الناس، عليك معرفة السبب، ويمكن أن يكون ذلك مجموعة واسعة من الإجابات، من “لأنه لا يعمل جيدًا” إلى “لأنني لا أفهمه” إلى “يخيفني”. الجواب يحدد ما إذا كنت ستحسّن، أو تعيد التصميم، أو تتخلى عنه. لا تحتاج إلى توقع أين سيقودك كل هذا. عليك فقط أن تبدأ من مكان صادق.

شكرًا لك على هذه المقابلة الرائعة، ينبغي للقراء أيضًا قراءة Fair Game: Customizing AI to Your Business Is Easier Than You Think.