استخدام الذكاء الاصطناعي مقابل البناء حوله: أين الخط الفاصل؟

نستخدم كلمة الذكاء الاصطناعي لوصف مجموعة متنوعة من الأشياء، من التحدث إلى ChatGPT في المتصفح إلى تشغيل أعمال كاملة حيث ستتوقف العمليات ببساطة عن الوجود في شكلها الحالي دون نماذج اللغة. أين الخط الفاصل بين استخدام أتمتة الذكاء الاصطناعي وجعل الذكاء الاصطناعي جوهر الأعمال؟ في أي نقطة يحدث التحول الجوهري؟ والأهم من ذلك، هل ينبغي على الشركات السعي لوضع الذكاء الاصطناعي في صدارة المشهد؟

متى تكون الشركة أصلية في الذكاء الاصطناعي؟

اليوم، حتى وإن لم يعلن الإدارة عن تحول في الذكاء الاصطناعي، لا يزال الموظفون يستخدمون Gemini للبحث عن المعلومات، وChatGPT لكتابة بريد إلكتروني، وGrok لإعداد تقرير، وClaude لكتابة الشيفرة الخاصة بهم، وما إلى ذلك. لقد أصبح الوصول إلى أدوات نماذج اللغة الكبيرة شائعًا إلى درجة أن مجرد استخدامها لم يعد يُعطيك الكثير عن الشركة نفسها.

بالنسبة لي، هناك اختبار أبسط بكثير: ماذا يحدث إذا أوقفت الذكاء الاصطناعي؟

خذ شركة برمجيات محاسبية كمثال. قد يستخدم مطوروها الذكاء الاصطناعي لكتابة ميزات أو صيانة المنتج. إذا أُطفئت تلك الأدوات غدًا، فمن المحتمل أن يعمل المهندسون ببطء أكبر. لكن البرنامج سيظل موجودًا، وسيستمر المحاسبون في استخدامه، وسيستمر العملاء في دفع ثمنه. الذكاء الاصطناعي يحسن طريقة تشغيل الشركة، لكن الأعمال نفسها لا تعتمد عليه.

الآن تخيل مركز اتصال مصرفي كان قد يوظف في السابق عشرة آلاف شخص. الجيل الأول من الذكاء الاصطناعي في ذلك البيئة عمل تقريبًا كمنبه يجلس بجوار المشغل: كان يستمع إلى المحادثة، يفهم المشكلة، ويقترح إجابة. في كثير من الحالات، أصبح ذلك المنبه الآن هو الوكيل نفسه. يذكر أحد العملاء أنه تم تحصيل مبلغ غير صحيح؛ يتحقق النظام من السجلات، يراجع البيانات ذات الصلة، يحدد المشكلة، وأحيانًا يحلها دون تدخل شخص. يتدخل الإنسان فقط عندما يتطلب الأمر تصعيدًا.

هذه علاقة مختلفة جدًا مع التكنولوجيا. تصبح شركة المحاسبة أقل كفاءة بدون الذكاء الاصطناعي. قد يحتاج مركز الاتصال إلى إعادة بناء جزء كبير من نموذج تشغيله. هذا الاختلاف أقرب إلى ما أعنيه بـ ‘أصلي للذكاء الاصطناعي’ أكثر من عدد اشتراكات الذكاء الاصطناعي التي تمتلكها الشركة أو ما إذا كان كلمة ‘الذكاء الاصطناعي’ تظهر على صفحتها الرئيسية.

أين يظهر هذا بأكثر وضوح؟

بعض الشركات بنى عملها حول مساعدة الآخرين على إتمام تلك الانتقالة. Cohereمثال جيد: الشركة الكندية نمت لتصبح عملًا كبيرًا من خلال مساعدة المؤسسات على الانتقال من البرمجيات التقليدية وسير العمل نحو الذكاء الاصطناعي. في صناعات أخرى، ومع ذلك، أصبح الذكاء الاصطناعي مدمجًا بعمق في المنتج لدرجة أنه يصبح شبه مستحيل فصل الاثنين.

القيادة الذاتية ربما تكون المثال الأكثر وضوحًا. إذا كان من المتوقع أن ترى السيارة الطريق، وتتعرف على الأجسام، وتفهم ما يحدث حولها، وتتخذ قرارات بنفسها، فلا يمكنك إزالة الذكاء الاصطناعي دون إزالة الفكرة الأساسية للمنتج.

الطب والصناعات الدوائية يوضحان نفس النقطة بطريقة مختلفة، خاصةً في اكتشاف الأدوية. أحد أفضل الأمثلة على ما يمكن أن يعنيه ذلك على نطاق واسع هو عمل DeepMind على هياكل البروتين.

تم إنشاء بنك بيانات البروتين في عام 1971، واستغرق الأمر عقودًا من العمل من قبل العلماء حول العالم لبناء مجموعة كبيرة من الهياكل التي تم تحديدها تجريبيًا. قاعدة بيانات تجاوزت 1,000 بنية في عام 1993، و10,000 تقريبًا حول عام 2000، و100,000 في عام 2014. بحلول يناير 2023، كانت قد تجاوزت 200,000بنية جزيئية حيوية تم تحديدها تجريبيًا. بمعنى آخر، بعد ما يقرب من ستة عقود من علم الأحياء الهيكلي، كان الباحثون قد جمعوا ما يقرب من مئتي ألف بنية تم تحديدها تجريبيًا.

ثم جاء AlphaFold، نظام DeepMind لتوقع البنية الثلاثية الأبعاد لبروتين من تسلسل أحماضه الأمينية. في عام 2022، قدم AlphaFold أكثر من 200 مليونبنية بروتينية متوقعة، تغطي تقريبًا كل بروتين مسجل معروف للعلم في ذلك الوقت. هذا لا يعني أن الذكاء الاصطناعي “اكتشف كل بروتين موجود”. هذه هياكل متوقعة بناءً على تسلسلات الأحماض الأمينية المعروفة بالفعل. لكن الفارق في الحجم لا يزال هائلًا.

أصبح أهمية هذا التحول أوضح حتى في عام 2024، عندما حصل ديميس هاسابيس وجون جومبر من Google DeepMind على نصف جائزة نوبل في الكيمياء “لتوقع بنية البروتين”. النصف الآخر ذهب إلى ديفيد بيكر لتصميم البروتين الحاسوبي. شيء كان قبل بضع سنوات فقط يبدو كاختراق ذكاء اصطناعي مثير للإعجاب، سرعان ما أصبح معترفًا به كتقدم أساسي في علم الأحياء الحديث.

DeepMind هو المثال العالمي الذي يجذب العناوين، لكن الشركات الناشئة الطبية التي تضع الذكاء الاصطناعي في المقام الأول لم تعد غير عادية. خلال سنواتي في Keymakr، فريقنا عمل على مشاريعتتراوح بين طب الأسنان وتصوير الموجات فوق الصوتية إلى أمراض القلب التداخلية، حيث تم تدريب النماذج على اكتشاف صمامات القلب، الشريان الأورطي، وهياكل أخرى أثناء الإجراءات. عملنا أيضًا على مشاريع جراحة الأعصاب حيث تعلمت النماذج التمييز بين نسيج الدماغ، الأوعية الدموية، الأدوات الجراحية، ومنطقة العملية. في جميع هذه الحالات، لم يكن الذكاء الاصطناعي ميزة إضافية تُضاف إلى المنتج؛ بل كان هو المنتج نفسه.

من هياكل البروتين إلى بريد إلكتروني بارد

الشيء نفسه يحدث في أجزاء أكثر عادية من الأعمال. ربما تكون المبيعات والتسويق من بين أسرع الأمثلة تحركًا: العمل الذي كان يستغرق ساعات يمكن الآن تكراره مئات أو آلاف المرات بجهد إضافي قليل جدًا.

CRM، الحملات، الاستكشاف، وبحث العملاء مبني حول نماذج اللغة. نحن بالفعل تجاوزنا مرحلة طلب من ChatGPT كتابة بريد إلكتروني بارد. يمكن للنظام أن يطلع على ملف شخص على LinkedIn، يرى ما يفعله، ما يهتم به، وما ينشره، ثم يستخدم تلك المعلومات لكتابة شيء يبدو شخصيًا للغاية.

ذات مرة تلقيت رسالة على النحو التالي: “مايكل، لا بد أن يكون من الرائع الطيران على ارتفاع 4,000 قدم والنظر من خلال الزجاج…” كانت تشير إلى قصصي عن الطيران على وسائل التواصل الاجتماعي. كان رد فعلي الأول أن شخصًا ما قد تصفح ملفي على LinkedIn وقرأه بعناية. بالطبع، لم يفعل أحد ذلك. النظام وجد المعلومات وولد تلقائيًا الرسالة.

هنا تبدأ اقتصاديات التخصيص في التغير. البحث الذي كان يستغرق وقتًا طويلاً لشخص يمكن الآن أن يساعده أدوات تمسح المعلومات العامة وتحدد التفاصيل ذات الصلة. ثم يمكن للإنسان أن يقرر ما هو مفيد فعلاً، ومناسب، وما يستحق الإدراج. 

رأيت نفس التحول في Keymakr، رغم أن هدفنا لم يكن أبدًا أتمتة الحكم البشري أو العلاقات. استمريت في تشجيع الناس على النظر إلى الأجزاء المتكررة من عملهم اليومي والسؤال أين يمكن للوكيل أن يوفر الوقت، أو يجلب المزيد من الاتساق، أو يساعدهم على العمل على نطاق أوسع. 

في Scryon، بدأنا بهذا المنطق مدمجًا بالفعل في الشركة. يتم التعامل مع جزء كبير من عمل التسويق بواسطة عدة وكلاء عبر المقالات، المدونة، LinkedIn، والموقع الإلكتروني.

الجزء المثير هو أن أكبر ميزة لهم غالبًا ليست الكتابة. افترض أنك تضيف عشرين صفحة جديدة إلى موقع ويب. ربما يضيف كاتب مقال جديد بضع روابط داخلية. تقريبًا لا أحد سيعود إلى 80 أو 800 قطعة قديمة ويتحقق من أين يجب ربط تلك الصفحات الجديدة الآن. يمكن للوكيل ذلك. في هذا النوع من العمل، لا يحتاج الوكيل إلى أن يكون أذكى من الإنسان. هو فقط لا يمل، والفرق بين 80 صفحة و800 صفحة أقل أهمية بالنسبة له مما هو بالنسبة لنا.

لكن هذا هو المكان الذي تصل فيه الأتمتة إلى حدودها بالنسبة لي. لا يمكن ببساطة تسليم العلاقات العامة الجيدة إلى وكيل ونسيانها. وينطبق نفس الشيء على قطعة رأي، حيث التموقع، وفهم الجمهور، والقدرة على اتخاذ قرار ما يجب قوله أمر حاسم.

لذلك حتى عندما تبني نظامًا معقدًا إلى حد ما من الوكلاء، لا يزال عليك وجود شخص يديره. يجب على شخص ما تقييم المخرجات، وتحديد ما هو مهم، وتحديد الاتجاه.

هل يمكنك أتمتة مؤسس؟

في شركة ناشئة في مرحلة مبكرة، غالبًا ما يكون المؤسس تقنيًا، تشغيليًا، وتنفيذيًا في آن واحد. لذا يأتي التفكير طبيعيًا: إذا كان بإمكان الوكلاء أن يخففوا الكثير من عبء الفريق، لماذا لا يمنحهم جزءًا من وظيفة المؤسس أيضًا؟

لدي وكيل منفصل مرتبط بـ Scryon Business يعرف الكثير عن الشركة. يمكنني أن أسأله شيئًا مثل، “نريد الحصول على 5,000 مستخدم الشهر القادم.” هل هذا واقعي، أم أنه مجرد رقم جميل اخترته؟

يمكنه سحب البيانات، النظر إلى السوق، فحص المنافسين والأنظمة المرتبطة، ثم يعود قائلاً إن 5,000 ربما تكون كثيرة جدًا وحتى 2,000 ستكون طموحة في هذه المرحلة. هذا يساعدني على اختبار تفكيري. لكن الوكيل لا يزال يقدم نصيحة.

القرار لا يزال لي. بعد كل البيانات والحسابات، أحيانًا لا يزال علي الخروج، المشي في حديقة، وتحديد أين أريد أن أقود الشركة.

بالنسبة لي، يبدأ التفريغ الحقيقي عندما أستطيع أن أعطي شخصًا ملكية، مثلاً، “هذا لك”، وأعود بعد شهر لأرى أنه استمر في العمل دون تدخلي. لا أرى ذلك مع دور المؤسس اليوم.

ينطبق نفس الشيء على المناصب التنفيذية. وظيفتهم هي تحديد الاتجاه: بعد ستة أشهر، نريد دخول سوق السيارات، أو نريد أن يعرف الناس في الصناعة العلامة التجارية. ثم يقوم نواب الرئيس، والرؤساء، وقادة الفرق بتحويل ذلك إلى أهداف محددة وعمل.

مجموعة أدوات الذكاء الاصطناعي: التكاليف الشخصية وتكاليف الشركة

أنا لا أؤمن حقًا بوجود نموذج “أفضل” واحد. ما يهمني أكثر هو أي نموذج يعمل بأفضل شكل لمهمة معينة وما يكلفني استخدامه على نطاق واسع. غالبًا ما أستخدم Codex للبرمجة وأبدل النماذج داخله، حسب احتياجاتي في ذلك الوقت. قد أجرب Claude للتصميم يومًا، وأتحول إلى ChatGPT للقيام بالمزيد من المهام المتعلقة باللغة، لكن هذه الاختيارات تتغير شهرًا بشهر، وأحيانًا في وسط المهمة.

في النهاية، يبني كل شخص مجموعته الخاصة مع مرور الوقت، مقيمًا أي نموذج هو الأمثل لهدف محدد. إذا كنت مؤسسًا تقنيًا يكتب الكثير من الشيفرة بنفسه، أتوقع أن تنفق حوالي 1,000 دولارًا شهريًا على مجموعتك الخاصة. لكنني أعرف أشخاصًا ينفقون 10,000–15,000 دولارًا شهريًا لأنهم يؤتمتون بشكل أكثر عدوانية.

بمجرد أن يصبح الذكاء الاصطناعي جزءًا من صلب الأعمال، تتغير الأرقام مرة أخرى. مع Scryon، أشعر بالراحة من فكرة أن 30–40٪ من الإيرادات قد تُخصص مباشرةً للبنية التحتية والخدمات التي يعمل عليها المنتج، قبل حتى أن تحسب الأشخاص الذين يبنونه.

أولاً هدف العمل، ثم التكنولوجيا

في سباق الأتمتة ووسم “شركات الذكاء الاصطناعي”، أعتقد أن السؤال نفسه “ما نوع الذكاء الاصطناعي الذي يجب أن نطبقه؟” خطر. إنه يبدأ من الطرف الخطأ.

حددنا مؤخرًا هدفًا تجاريًا قياسيًا إلى حد ما – خفض التكاليف. لتحقيق ذلك، أنشأنا وكيلًا، ومنحناه الوصول إلى معلومات حول أماكن إنفاق الشركة للمال، بما في ذلك Amazon وGoogle وغيرها من الخدمات، وطلبنا منه أن يبحث بانتظام عن الشذوذ ويرفع إشارات تحذيرية إذا بدا أي شيء غريبًا.

في الأسبوع الأول فقط، خفضنا التكاليف بنحو 30٪ لأن النظام أظهر بسرعة أين يُنفق المال على أمور كنا ننسى تقريبًا. يمكن أن يكلف الوكيل نفسه ما لا يقل عن 50 دولارًا شهريًا، لكن التوفير قد يصل إلى عشرات الآلاف.

في Keymakr، عزز الذكاء الاصطناعي الأشخاص والعمليات الفردية أساسًا. في Scryon، أصبح مدمجًا بالفعل في بنية الشركة. في القيادة الذاتية، بدون الذكاء الاصطناعي يختفي المنتج، وفي اكتشاف الأدوية يغيّر نطاق الاستكشاف.

بالنسبة لي، سؤال الأهداف الأساسية هو نقطة انطلاق أكثر صحة من الرغبة في أن تصبح شركة أصلية في الذكاء الاصطناعي. أولاً، يجب أن يظهر هدف تجاري: كسب المزيد، التوسع بسرعة أكبر، خفض التكاليف، تمكين منتج جديد، أو تغيير جذري لعملية موجودة. فقط بعد ذلك يصبح من المنطقي سؤال أي تقنية ستوصلك إلى هناك.