الفائزون الحقيقيون في اختباراتنا لأحدث أدوات الذكاء الاصطناعي

الفجوة بين الضجيج والمنفعة

تعدنا موجة أدوات الذكاء الاصطناعي الحالية بعالم يتم فيه إنجاز العمل تلقائياً. تدعي أقسام التسويق أن برمجياتها ستتولى رسائل البريد الإلكتروني، وتكتب الأكواد، وتدير جدول أعمالك. بعد اختبار أشهر إصدارات 2026، تبين أن الواقع أكثر تواضعاً بكثير. فمعظم هذه الأدوات ليست جاهزة للعمل دون إشراف؛ فهي مجرد محركات إكمال تلقائي متطورة تتطلب مراقبة مستمرة. إذا كنت تتوقع أن تقوم الأداة بعملك بدلاً منك، فستصاب بخيبة أمل. أما إذا استخدمتها لتقصير المسافة بين الفكرة والمسودة، فقد تجد فيها بعض القيمة. الفائزون في هذا المجال ليسوا أصحاب النماذج الأكثر تعقيداً، بل أولئك الذين يندمجون في سير العمل الحالي دون تعطيله. وجدنا أن الاشتراكات الأكثر تكلفة غالباً ما توفر أقل فائدة هامشية للمستخدم العادي.

يعاني العديد من المستخدمين حالياً من إرهاق الأتمتة؛ فقد سئموا من الأوامر (prompts) التي تؤدي إلى نتائج عامة، وسئموا من التحقق من الهلوسة (hallucinations). الأدوات التي تعمل حقاً هي تلك التي تركز على مهمة واحدة محددة. فالأداة التي تنظف الصوت فقط غالباً ما تكون أكثر قيمة من المساعد العام الذي يدعي فعل كل شيء. لقد أظهر هذا العام أن الفجوة بين العروض التقديمية للشركات والاستخدام اليومي لا تزال واسعة. نحن نشهد تحولاً من روبوتات الدردشة العامة إلى وكلاء متخصصين، ومع ذلك، لا يزال هؤلاء الوكلاء يعانون من المنطق الأساسي؛ إذ يمكنهم كتابة قصيدة عن محمصة خبز لكنهم يفشلون في جدولة اجتماع عبر ثلاث مناطق زمنية دون ارتكاب خطأ. الاختبار الحقيقي لأي أداة هو ما إذا كانت توفر وقتاً أكثر مما تستغرقه للتحقق من مخرجاتها.

آليات الاستدلال الحديثة

تعتمد معظم أدوات الذكاء الاصطناعي الحديثة على نماذج لغوية كبيرة تعالج الرموز (tokens) للتنبؤ بالخطوة المنطقية التالية في التسلسل. هذه عملية إحصائية وليست معرفية. عندما تتفاعل مع أداة مثل Claude أو ChatGPT، فأنت لا تتحدث إلى عقل، بل تتفاعل مع خريطة عالية الأبعاد للغة البشرية. هذا التمييز حيوي لفهم سبب فشل هذه الأدوات؛ فهي لا تفهم العالم المادي أو الفروق الدقيقة في عملك الخاص، بل تفهم فقط كيف تتبع الكلمات بعضها البعض عادةً. ركزت التحديثات الأخيرة على زيادة نافذة السياق (context window)، مما يسمح للنموذج بـ “تذكر” المزيد من المعلومات خلال جلسة واحدة. ورغم أن هذا يبدو مفيداً، إلا أنه يؤدي غالباً إلى مشكلة تسمى “الضياع في المنتصف”، حيث يهتم النموذج ببداية ونهاية أمرك ويتجاهل الوسط.

يعد الانتقال نحو القدرات متعددة الوسائط (multimodal) أهم تغيير في الأشهر الأخيرة، مما يعني أن النموذج نفسه يمكنه معالجة النصوص والصور وأحياناً الفيديو أو الصوت في وقت واحد. في اختباراتنا، هنا تكمن التطبيقات الأكثر فائدة؛ فالقدرة على تحميل صورة لجزء مكسور وطلب دليل إصلاح هي فائدة ملموسة. ومع ذلك، لا تزال موثوقية هذه التفسيرات البصرية متذبذبة؛ فقد يحدد النموذج سيارة بشكل صحيح لكنه يهذي برقم لوحة الترخيص. هذا التناقض يجعل من الصعب الاعتماد على الذكاء الاصطناعي في المهام عالية المخاطر. تحاول الشركات إصلاح ذلك باستخدام تقنية التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation)، التي تجبر الذكاء الاصطناعي على النظر في مجموعة محددة من المستندات قبل الإجابة. هذا يقلل من الهلوسة لكنه لا يلغيها تماماً، كما يضيف طبقة من التعقيد إلى عملية الإعداد التي يجدها العديد من المستخدمين العاديين محبطة.

من يجب أن يجرب هذه الأدوات؟ إذا كنت تقضي أربع ساعات يومياً في تلخيص مستندات طويلة أو كتابة أكواد برمجية متكررة، فستساعدك المجموعة الحالية من المساعدين. أما إذا كنت محترفاً مبدعاً تبحث عن صوت فريد، فمن المرجح أن تضعف هذه الأدوات عملك، فهي تميل نحو المتوسط وتستخدم العبارات الأكثر شيوعاً والهياكل الأكثر قابلية للتنبؤ. هذا يجعلها ممتازة للمذكرات المؤسسية لكنها فظيعة للأدب. يجب أن تتجاهل الضجيج الحالي إذا كان عملك يتطلب دقة واقعية مطلقة؛ فتكلفة التحقق من عمل الذكاء الاصطناعي غالباً ما تتجاوز الوقت الذي تم توفيره. نحن في مرحلة تكون فيها التكنولوجيا مثيرة للإعجاب ولكن التنفيذ غالباً ما يكون أخرق؛ فالبرمجيات تحاول أن تكون شخصاً بينما يجب أن تكون مجرد أداة أفضل.

التحولات الاقتصادية خارج فقاعة وادي السيليكون

يُشعر بالتأثير العالمي لهذه الأدوات بشكل أكبر في قطاع التعهيد (outsourcing). الدول التي بنت اقتصاداتها حول مراكز الاتصال وإدخال البيانات الأساسية تواجه تحولاً هائلاً. عندما تتمكن شركة من نشر بوت مقابل سنتات في الساعة، يختفي الحافز لتوظيف طاقم بشري في بلد آخر. هذا ليس مجرد تهديد مستقبلي، بل يحدث الآن. نحن نرى فرقاً صغيرة في مناطق مثل جنوب شرق آسيا وأوروبا الشرقية تستخدم الذكاء الاصطناعي للمنافسة مع شركات أكبر بكثير. يمكن لوكالة مكونة من ثلاثة أشخاص الآن التعامل مع حجم عمل كان يتطلب عشرين شخصاً. هذه الديمقراطية في الإنتاج سلاح ذو حدين؛ فهي تخفض حاجز الدخول ولكنها تحطم أيضاً سعر السوق للخدمات الرقمية الأساسية. تنتقل القيمة من القدرة على القيام بالعمل إلى القدرة على الحكم عليه.

استهلاك الطاقة هو مصدر قلق عالمي آخر نادراً ما يظهر في كتيبات التسويق. كل أمر ترسله يتطلب كمية كبيرة من الكهرباء والمياه لتبريد مراكز البيانات. ومع دمج ملايين الأشخاص لهذه الأدوات في روتينهم اليومي، تتزايد التكلفة البيئية الإجمالية. تشير بعض التقديرات إلى أن بحث الذكاء الاصطناعي يستهلك عشرة أضعاف طاقة بحث Google التقليدي. هذا يخلق توتراً بين أهداف الاستدامة للشركات والاندفاع لتبني تكنولوجيا جديدة. بدأت الحكومات في الانتباه، ونتوقع رؤية المزيد من اللوائح المتعلقة بشفافية بيانات تدريب الذكاء الاصطناعي والبصمة الكربونية للاستدلال واسع النطاق. يحتاج الجمهور العالمي إلى التفكير فيما إذا كانت راحة ملخص الذكاء الاصطناعي تستحق الضريبة البيئية الخفية.

تصارع قوانين الخصوصية أيضاً لمواكبة ذلك. في الولايات المتحدة، النهج غير تدخل إلى حد كبير، بينما في الاتحاد الأوروبي، يحاول قانون الذكاء الاصطناعي تصنيف الأدوات حسب مستوى المخاطر. هذا يخلق تجربة مجزأة للشركات العالمية؛ فالأداة القانونية في نيويورك قد تكون محظورة في باريس. سيؤدي هذا الاحتكاك التنظيمي إلى إبطاء طرح ميزات معينة، كما يخلق فجوة بين المستخدمين الذين لديهم وصول إلى القوة الكاملة لهذه النماذج وأولئك المحميين بقواعد خصوصية أكثر صرامة. يقلل معظم الناس من شأن مقدار بياناتهم الشخصية التي تُستخدم لتدريب الجيل القادم من هذه النماذج. في كل مرة “تساعد” فيها الذكاء الاصطناعي بتصحيح خطئه، فأنت تقدم عمالة وبيانات مجانية لشركة بمليارات الدولارات. هذا نقل هائل للملكية الفكرية من الجمهور إلى كيانات خاصة.

البقاء العملي في المكتب المؤتمت

لنلقِ نظرة على يوم في حياة مديرة مشروع تستخدم هذه الأدوات. في الصباح، تستخدم الذكاء الاصطناعي لتلخيص نصوص ثلاثة اجتماعات فاتتها. الملخص دقيق بنسبة 90 بالمائة، لكنه يغفل تفصيلاً حاسماً حول خفض الميزانية. تقضي عشرين دقيقة في التحقق المزدوج من الصوت على أي حال. لاحقاً، تستخدم مساعد برمجة لكتابة كود ينقل البيانات بين جدولين بيانات. يعمل الكود في المحاولة الثالثة بعد أن تصحح خطأ في الصيغة. بحلول فترة ما بعد الظهر، تستخدم مولد صور لإنشاء رأس لعرض تقديمي. يستغرق الأمر خمسة عشر أمراً للحصول على صورة لا تحتوي على ستة أصابع في اليد. تلقت المستخدمة إشعاراً بوصولها إلى حد الاستخدام، مما أجبرها على التحول إلى نموذج أقل قدرة لبقية اليوم. هذا هو واقع يوم العمل “المدعوم بالذكاء الاصطناعي”؛ سلسلة من الانتصارات الصغيرة تليها استكشاف أخطاء وإصلاحها مملة.

الأشخاص الذين يستفيدون أكثر هم أولئك الذين يعرفون بالفعل كيفية القيام بالعمل بدون الذكاء الاصطناعي. يمكن للمطور الخبير اكتشاف خطأ في كود تم إنشاؤه بواسطة الذكاء الاصطناعي في ثوانٍ، بينما قد يقضي المطور المبتدئ ساعات في محاولة معرفة سبب عدم تشغيل الكود. هذا يخلق “فخ الأقدمية” حيث يتم حظر الطريق لتصبح خبيراً بواسطة أدوات تؤتمت مهام المستوى المبتدئ. نحن نبالغ في تقدير قدرة الذكاء الاصطناعي على استبدال الخبراء ونقلل من مقدار الضرر الذي سيلحقه بتدريب المبتدئين. إذا تمت أتمتة العمل “الممل”، فكيف يتعلم العمال الجدد الأساسيات؟ تظل هذه قضية لم يتم حلها في كل صناعة من القانون إلى التصميم الجرافيكي. الأدوات هي في الأساس مضاعف قوة للمواهب الموجودة؛ إذا ضربت في صفر، فستظل تحصل على صفر.

نرى أيضاً الكثير من الاحتكاك في بيئات التعاون. عندما يستخدم شخص ما الذكاء الاصطناعي لكتابة رسائل البريد الإلكتروني الخاصة به، فإن ذلك يغير نبرة المكتب بأكمله. تصبح المحادثات أكثر رسمية وأقل إنسانية، مما يؤدي إلى دورة غريبة حيث يُستخدم الذكاء الاصطناعي لتلخيص نص تم إنشاؤه بواسطة الذكاء الاصطناعي. لا أحد يقرأ فعلياً، ولا أحد يكتب فعلياً. كثافة المعلومات في تواصلنا تنخفض؛ نحن ننتج محتوى أكثر من أي وقت مضى، ولكن القليل منه يستحق الاستهلاك. للبقاء في هذه البيئة، يجب أن تكون الشخص الذي يوفر “فحص السلامة” البشري. تزداد قيمة المنظور البشري مع غرق العالم بالبيانات الاصطناعية. الشركات التي تعتمد بشدة على الأتمتة غالباً ما تجد صوت علامتها التجارية يصبح قديماً ويمكن التنبؤ به، وتفقد “الغرابة” التي تجعل العلامة التجارية لا تُنسى.

هل لديك قصة، أداة، اتجاه، أو سؤال عن الذكاء الاصطناعي تعتقد أنه يجب علينا تغطيته؟ أرسل لنا فكرتك للمقالة — نود أن نسمعها.

إليك قائمة بمن يجب عليهم تجنب هذه الأدوات في الوقت الحالي:

• المتخصصون الطبيون الذين يتخذون قرارات تشخيصية دون إشراف بشري.
• الباحثون القانونيون الذين يعملون على قضايا يؤدي فيها استشهاد خاطئ واحد إلى الشطب.
• الكتاب المبدعون الذين يقدرون أسلوباً شخصياً فريداً ومعروفاً.
• أصحاب الأعمال الصغيرة الذين ليس لديهم وقت لمراجعة كل مخرجات بحثاً عن أخطاء.
• الصناعات الحساسة للبيانات التي لا يمكنها المخاطرة باستخدام مستنداتها الداخلية للتدريب.

ثمن اليقين الخوارزمي

يجب أن نطرح أسئلة صعبة حول التكاليف الخفية لهذه التكنولوجيا. إذا تم تدريب نموذج ذكاء اصطناعي على الإنترنت بأكمله، فإنه يرث تحيزات الإنترنت وعدم دقته. نحن في الأساس نرقمن ونضخم التحيز البشري. ماذا يحدث عندما يبدأ الذكاء الاصطناعي في اتخاذ قرارات بشأن القروض المصرفية أو التوظيف؟ طبيعة “الصندوق الأسود” لهذه النماذج تعني أننا غالباً لا نعرف سبب اتخاذ قرار معين. هذا النقص في الشفافية يمثل خطراً كبيراً على الحريات المدنية؛ نحن نستبدل المساءلة بالكفاءة. هل هذه مقايضة نحن مستعدون للقيام بها؟

يفترض معظم المستخدمين أن الذكاء الاصطناعي هو حكم محايد للحقيقة، لكنه في الواقع انعكاس لبيانات تدريبه. غالباً ما تكون هذه البيانات منحازة نحو وجهات النظر الغربية ومصادر اللغة الإنجليزية.

هناك أيضاً مسألة سيادة البيانات. عندما تقوم بتحميل بيانات شركتك الخاصة إلى ذكاء اصطناعي قائم على السحابة (cloud)، فأنت تفقد السيطرة على تلك المعلومات. حتى مع اتفاقيات “المؤسسات”، يظل خطر تسرب البيانات أو تغيير شروط الخدمة موجوداً دائماً. نحن نرى تحولاً نحو التنفيذ المحلي (local execution) لهذا السبب. تشغيل نموذج على أجهزتك الخاصة هو الطريقة الوحيدة للتأكد بنسبة 100 بالمائة من أن بياناتك تظل ملكك. ومع ذلك، يتطلب هذا وحدات معالجة رسومات (GPUs) باهظة الثمن وخبرة تقنية يفتقر إليها معظم الناس. الفجوة بين “الأغنياء بالبيانات” و”الفقراء بالبيانات” تتسع. الشركات الكبيرة لديها الموارد لبناء نماذجها الخاصة، بينما تضطر الشركات الصغيرة لاستخدام أدوات عامة قد تنقب في أسرارها. هذا يخلق نوعاً جديداً من الميزة التنافسية التي يصعب التغلب عليها.

أخيراً، نحتاج إلى النظر في “نظرية الإنترنت الميت”. هذه هي الفكرة القائلة بأن معظم الإنترنت سيكون قريباً عبارة عن بوتات تتحدث إلى بوتات أخرى. إذا قام الذكاء الاصطناعي بإنشاء المحتوى الذي يتم تدريب الذكاء الاصطناعي التالي عليه، فستنهار النماذج في النهاية. هذا يسمى انهيار النموذج (model collapse). تصبح المخرجات أكثر تشوهاً وأقل فائدة مع كل جيل. نحن نرى بالفعل علامات على ذلك في توليد الصور، حيث تصبح أنماط معينة مهيمنة لأن النماذج تتغذى على مخرجاتها السابقة. كيف نحافظ على الشرارة البشرية في عالم من حلقات التغذية الراجعة الاصطناعية؟ هذا هو السؤال الحي الذي سيحدد العقد القادم من تطوير التكنولوجيا. نحن حالياً في “مرحلة شهر العسل” حيث لا تزال هناك بيانات بشرية كافية لإبقاء الأمور مثيرة للاهتمام. قد لا يستمر ذلك إلى الأبد.

الحدود المعمارية والتنفيذ المحلي

بالنسبة للمستخدمين المتقدمين، يحدث العمل الحقيقي في التنفيذ المحلي وتكامل سير العمل. بينما يستخدم الشخص العادي واجهة ويب، يستخدم المحترفون واجهات برمجة التطبيقات (APIs) ومشغلات محلية. تسمح أدوات مثل Ollama و LM Studio بتشغيل النماذج مباشرة على جهازك، مما يتجاوز رسوم الاشتراك ومخاوف الخصوصية. ومع ذلك، أنت مقيد بأجهزتك. لتشغيل نموذج عالي الجودة بـ 70 مليار معلمة (parameters)، تحتاج إلى كمية كبيرة من ذاكرة الوصول العشوائي للفيديو (VRAM). أدى هذا إلى زيادة الطلب على محطات العمل المتطورة. يتحرك قسم المهووسين في السوق بعيداً عن “الدردشة” ونحو “استدعاء الوظائف” (function calling)، حيث يمكن للذكاء الاصطناعي تشغيل كود فعلياً أو التفاعل مع نظام ملفاتك بناءً على تعليماتك.

تظل حدود واجهة برمجة التطبيقات (API) عنق زجاجة رئيسياً للمطورين. لدى معظم المزودين حدود صارمة تجعل من الصعب توسيع نطاق المنتج. عليك أيضاً التعامل مع “انحراف النموذج” (model drift)، حيث يقوم المزود بتحديث النموذج خلف الكواليس وتتوقف أوامرك فجأة عن العمل. هذا يجعل البناء فوق الذكاء الاصطناعي يشبه البناء على رمال متحركة. للتخفيف من ذلك، يتجه الكثيرون إلى نماذج أصغر “مقطرة” (distilled) تكون أسرع وأرخص في التشغيل. غالباً ما تكون هذه النماذج جيدة مثل العمالقة في مهام محددة مثل تحليل المشاعر أو استخراج البيانات. الحيلة هي استخدام أصغر نموذج ممكن للمهمة، مما يوفر المال ويقلل التأخير. نرى أيضاً صعود “قواعد بيانات المتجهات” (vector databases) التي تسمح للذكاء الاصطناعي بالبحث عبر ملايين المستندات في أجزاء من الثانية للعثور على السياق الصحيح للأمر.

تتضمن المتطلبات التقنية للإعداد المحلي عادةً:

• وحدة معالجة رسومات NVIDIA مع 12 جيجابايت على الأقل من VRAM للنماذج الأساسية أو 24 جيجابايت للأفضل.
• ما لا يقل عن 32 جيجابايت من ذاكرة الوصول العشوائي للنظام للتعامل مع نقل البيانات بين وحدة المعالجة المركزية ووحدة معالجة الرسومات.
• تخزين NVMe سريع لتحميل ملفات النماذج الكبيرة في الذاكرة بسرعة.
• فهم أساسي للغة Python أو بيئة حاويات مثل Docker.
• نظام تبريد موثوق لأن تشغيل الاستدلال لساعات يولد الكثير من الحرارة.

الحكم النهائي على الإنتاجية

الفائزون الحقيقيون في اختباراتنا الأخيرة هم المستخدمون الذين يعاملون الذكاء الاصطناعي كمتدرب مبتدئ بدلاً من كونه بديلاً للخبير. التكنولوجيا أداة قوية للتغلب على مشكلة “الصفحة البيضاء”، وهي ممتازة للعصف الذهني والتعامل مع الأجزاء المملة من الحياة الرقمية. ومع ذلك، تظل مسؤولية في أي موقف يتطلب دقة، أو منطقاً عميقاً، أو حقيقة مطلقة. التنفيذ الأكثر نجاحاً الذي رأيناه يتضمن استخدام الذكاء الاصطناعي لإنشاء خيارات متعددة يقوم الإنسان بعد ذلك بتنقيحها. نموذج “الإنسان في الحلقة” هذا هو الطريقة الوحيدة لضمان الجودة. مع تقدمنا، سيتحول التركيز من حجم النماذج إلى جودة التكامل. أفضل ذكاء اصطناعي هو الذي لا تلاحظ حتى أنك تستخدمه؛ هو الذي يجعل برمجياتك الحالية أكثر ذكاءً قليلاً. في الوقت الحالي، حافظ على توقعاتك منخفضة وشكوكك عالية. المستقبل هنا، لكنه لا يزال بحاجة إلى الكثير من التدقيق.

ملاحظة المحرر: لقد أنشأنا هذا الموقع كمركز إخباري وإرشادي متعدد اللغات للذكاء الاصطناعي للأشخاص الذين ليسوا خبراء في الكمبيوتر، ولكنهم ما زالوا يرغبون في فهم الذكاء الاصطناعي، واستخدامه بثقة أكبر، ومتابعة المستقبل الذي بدأ بالفعل في الوصول.

هل وجدت خطأ أو شيئًا يحتاج إلى تصحيح؟ أخبرنا.