الدورة الإقتصادية الدورة الإقتصادية
ما يحدث داخل الأنظمة الذكية يكشف أن الثورة المقبلة ليست في توليد المحتوى… بل في إعادة تشكيل التفكير والعمل والقرار
د. خالد عيتاني رئيس لجنة الطوارئ الاقتصادية
لسنوات، انشغل العالم بالسؤال: ماذا يستطيع الذكاء الاصطناعي أن يفعل؟
يكتب نصًا، يولّد صورة، يترجم، يلخّص، يحلل جدولًا، أو يجيب عن سؤال خلال ثوانٍ.
لكن هذا السؤال، على أهميته، لم يعد كافيًا.
فالسؤال الأكثر أهمية اليوم هو: ماذا يحدث داخل منظومة الذكاء الاصطناعي قبل أن تصل إلينا النتيجة؟
لأن فهم هذه الرحلة يغيّر نظرتنا بالكامل إلى التقنية. فالذكاء الاصطناعي الحديث لم يعد مجرد برنامج يستقبل سؤالًا ويعطي جوابًا، بل بدأ يتحول إلى منظومة تتعامل مع البيانات، وتبني لها تمثيلات، وتربطها بالسياق، وتحللها، وتستدل منها، وتخطط، وتستخدم أدوات، وتولد نتيجة، ثم تتحقق منها.
وهنا تحديدًا تبدأ الثورة الحقيقية.
كل شيء يبدأ من البيانات
لا وجود لذكاء اصطناعي من دون Input.
قد يكون الإدخال نصًا، صورة، ملفًا ماليًا، تسجيلًا صوتيًا، فيديو، بيانات حساسات أو آلاف الصفوف من الأرقام.
لكن ما يراه الإنسان معلومة جاهزة للقراءة، لا يصل بهذه الصورة إلى النموذج.
فالآلة تحتاج أولًا إلى معالجة البيانات وتحويلها إلى صيغة تستطيع التعامل معها حسابيًا.
في النماذج اللغوية مثلًا، يُقسَّم النص إلى وحدات صغيرة تعرف بالـ Tokens، ثم تتحول هذه الوحدات إلى تمثيلات رقمية تسمح للنموذج بالتعامل مع العلاقات بينها.
وهنا تحدث أولى التحولات المهمة:
المعلومة التي ندركها باللغة تتحول داخل الآلة إلى بنية رياضية.
وهذا هو السبب الذي يجعل كلمة Representation — التمثيل واحدة من أهم الكلمات لفهم الذكاء الاصطناعي المعاصر.
فالآلة لا «ترى» الاقتصاد أو التعليم أو الصحة كما نراه نحن، بل تتعامل مع تمثيلات رقمية وعلاقات احتمالية وأنماط تعلمتها من كميات هائلة من البيانات.
ولكن هل يفهم الذكاء الاصطناعي فعلًا؟
هنا يجب أن نكون أكثر دقة.
عندما نعطي نموذجًا عبارة:
«ارتفعت مبيعات الشركة بنسبة 20%»
فهو يستطيع تحديد أن هناك شركة، ومبيعات، واتجاهًا صاعدًا، وقيمة مقدارها 20%.
لكن استخدام كلمة Understanding — الفهم يجب ألا يدفعنا إلى الاعتقاد أن النموذج يفهم بالطريقة الإنسانية نفسها.
الأدق علميًا أنه يبني تمثيلًا سياقيًا متقدمًا للمعلومة يسمح له بالتعامل مع معناها وعلاقاتها بصورة وظيفية شديدة التطور.
وهذه ليست مسألة لغوية بسيطة.
لأن أخطر ما يمكن أن نفعله في عصر الذكاء الاصطناعي هو أن ننسب إلى الآلة خصائص بشرية لمجرد أن لغتها أصبحت مقنعة.
اللغة الطبيعية قد تجعل النظام يبدو وكأنه «يعرف» و«يفكر» و«يفهم» بالطريقة التي نفعلها، بينما ما يحدث تقنيًا أكثر تعقيدًا واختلافًا.
من المعلومة إلى التحليل
إذا قلنا للنظام إن مبيعات شركة ارتفعت 20% وإن تكاليفها انخفضت 5%، فقد انتقلنا من مجرد حقيقة منفردة إلى مساحة يمكن فيها إجراء Analysis — التحليل.
هنا يبحث النظام في العلاقات والأنماط والاتجاهات والاختلافات.
والفرق جوهري.
أن تقول إن المبيعات ارتفعت، فهذا استخراج معلومة.
أن تربط ارتفاع المبيعات بانخفاض التكاليف، فهذا تحليل.
أن تستنتج من ذلك احتمال تحسن الهامش التشغيلي، فهذا يدخل في مستوى أعمق هو Reasoning — الاستدلال.
وهذا بالتحديد ما يجعل الجيل الجديد من الذكاء الاصطناعي أكثر أهمية من أدوات الأتمتة التقليدية.
فنحن لم نعد أمام آلة تنفذ أمرًا ثابتًا فقط، بل أمام أنظمة تستطيع التعامل مع مشكلة تحتوي على عدة عناصر، والربط بينها، والوصول إلى استنتاجات لم تكن مكتوبة حرفيًا أمامها.
السياق أصبح جزءًا من الذكاء
لكن المعرفة وحدها لا تكفي.
فالسؤال نفسه يمكن أن ينتج إجابتين مختلفتين تمامًا بحسب السياق.
إذا قلت للنظام:
«حلّل هذا الأداء»
فإن جودة الإجابة ستعتمد على معرفة: أي أداء؟ وفي أي فترة؟ مقارنة بماذا؟ ولأي غرض؟ ومن سيستخدم النتيجة؟
ولهذا أصبحت Knowledge + Context — المعرفة والسياق قلبًا أساسيًا في الأنظمة الحديثة.
قد يستفيد النظام من المعرفة التي اكتسبها أثناء التدريب، ومن محتوى المحادثة، ومن ملفات يوفرها المستخدم، ومن قواعد بيانات داخلية، ومن محركات بحث أو أدوات خارجية.
وهنا تظهر قاعدة شديدة الأهمية للمؤسسات:
كلما تحسن السياق الذي يحصل عليه الذكاء الاصطناعي، تحسنت القيمة التي يستطيع إنتاجها.
ولهذا لن يكون مستقبل الذكاء الاصطناعي في الشركات قائمًا على امتلاك نموذج قوي فقط، بل على قدرة المؤسسة على ربط النموذج ببياناتها وعملياتها ومعرفتها الداخلية بطريقة صحيحة.
من الإجابة إلى التخطيط
لعل أهم تحول نشهده اليوم هو الانتقال من نموذج:
Prompt → Answer
إلى نموذج أقرب إلى:
Goal → Plan → Tools → Actions → Verification → Result
فالأنظمة الأكثر تقدمًا لا تحتاج دائمًا إلى الانتقال مباشرة من السؤال إلى الإجابة.
قد تُطلب منها مهمة مثل تحليل الأداء المالي لشركة خلال ثلاث سنوات.
هنا قد تحتاج إلى قراءة الملفات، واستخراج البيانات، وحساب مؤشرات، ومقارنة فترات زمنية، واستخدام آلة حاسبة أو قاعدة بيانات، ثم صياغة التقرير.
هذا هو الانتقال من Generative AI إلى Agentic AI.
فالذكاء الاصطناعي التوليدي يستطيع إنشاء المحتوى.
أما الذكاء الاصطناعي الوكيلي، فيتجه نحو تنظيم سلسلة من الخطوات والأدوات لتحقيق هدف.
وهذه نقلة نوعية.
لأن القيمة الاقتصادية الكبرى للذكاء الاصطناعي قد لا تأتي من كتابة رسالة أسرع أو تصميم صورة أفضل، بل من إعادة تصميم سير العمل نفسه.
التوليد ليس سوى ما نراه على السطح
لقد اختزل كثيرون الذكاء الاصطناعي في كلمة واحدة:
Generation — التوليد.
لكن التوليد هو الجزء الظاهر فقط.
قبل أن يظهر التقرير أو الصورة أو الكود، قد تكون المنظومة قد تعاملت مع مدخلات، وربطتها بسياق، وأجرت تحليلًا أو استدلالًا، واستخدمت أداة أو أكثر، ثم اختارت طريقة تقديم النتيجة.
ولهذا فإن وصف الذكاء الاصطناعي بأنه «آلة تكتب» أصبح وصفًا ناقصًا.
فنحن نتجه إلى أنظمة يمكنها أن:
تقرأ، وتحلل، وتخطط، وتستخدم الأدوات، وتنتج، وتنفذ.
والفارق بين Generate و Act قد يكون أهم فارق في المرحلة المقبلة.
لكن المشكلة الكبرى تبقى: هل النتيجة صحيحة؟
هنا نصل إلى الحلقة التي ستحدد مستقبل الثقة في الذكاء الاصطناعي:
Validation — التحقق.
فاللغة القوية ليست دليلًا على صحة المعلومة.
وقد ينتج النموذج نصًا متماسكًا ومقنعًا، لكنه يحتوي على رقم خاطئ أو مصدر غير موجود أو استنتاج يتجاوز ما تسمح به البيانات.
ولهذا يجب أن ننتقل من ثقافة:
«أعطني الإجابة»
إلى ثقافة:
«أعطني الإجابة… وأرني كيف يمكن التحقق منها».
المؤسسات الأكثر نضجًا في استخدام الذكاء الاصطناعي لن تكون بالضرورة تلك التي تنتج أكبر قدر من المحتوى، بل تلك التي تبني حوله آليات تحقق ومراجعة ومساءلة.
الذكاء الاصطناعي لا يتعلم دائمًا فورًا من تصحيحنا
كذلك يجب التمييز بين Feedback وLearning.
عندما نصحح للنظام معلومة في محادثة، قد يستخدمها لتحسين استجابته ضمن السياق الحالي، لكن ذلك لا يعني أن النموذج الأساسي أعاد تدريب نفسه لحظيًا.
قد يتم تحديث سياق، أو ذاكرة، أو قاعدة بيانات، أو تستخدم البيانات لاحقًا ضمن عمليات تحسين مستقلة.
وهذا التفريق مهم، لأن «التكيف أثناء الاستخدام» ليس هو نفسه «إعادة تدريب النموذج».
الثورة الحقيقية ليست في الإجابة
يمكن اختصار رحلة الذكاء الاصطناعي الحديثة هكذا:
Input → Processing → Representation → Context → Analysis → Reasoning → Planning → Generation/Action → Validation → Output → Feedback
لكن حتى هذه الصورة ليست خطًا مستقيمًا.
فالأنظمة الحديثة يمكن أن تعود من التخطيط إلى البحث، ومن البحث إلى التحليل، ومن التوليد إلى التحقق، ثم تعيد المحاولة مرة أخرى.
أي أننا ننتقل من خط إنتاج إلى حلقة ذكية تكرارية.
وهنا تكمن نقطة التحول.
فالثورة المقبلة في الذكاء الاصطناعي لن تكون في أن ينتج لنا نصًا أطول أو صورة أكثر جمالًا.
الثورة الحقيقية ستكون عندما يصبح قادرًا على المشاركة في دورة العمل كاملة: من جمع المعلومات، إلى تحليلها، إلى الاستدلال، إلى استخدام الأدوات، إلى تنفيذ المهمة والتحقق من النتيجة.
الإنسان يبقى نقطة البداية… والحكم الأخير
ومع كل هذا التطور، تبقى مسؤولية الإنسان أكثر أهمية، لا أقل.
فالإنسان هو الذي يحدد المشكلة، ويختار البيانات، ويضع الهدف، ويحدد مستوى المخاطر المقبول، ويقرر متى يجب قبول نتيجة الذكاء الاصطناعي ومتى يجب رفضها.
لهذا فإن مهارة المستقبل لن تكون مجرد كتابة Prompt جيد.
المهارة الأهم ستكون القدرة على معرفة:
ماذا نسأل؟
ما البيانات التي نمنحها للنظام؟
ما الذي نسمح له بتنفيذه؟
كيف نتحقق مما أنتجه؟
وأين يجب أن يتوقف دور الآلة ويبدأ القرار الإنساني؟
فالبيانات وحدها ليست ذكاءً.
والتوليد وحده ليس فهمًا.
والإجابة الواثقة ليست بالضرورة حقيقة.
أما الذكاء العملي، فيبدأ عندما تتحول البيانات إلى سياق وتحليل واستدلال وخطة وفعل ونتيجة قابلة للتحقق.
وهنا تحديدًا تكمن الثورة الحقيقية للذكاء الاصطناعي:
لم يعد السؤال ماذا يستطيع الذكاء الاصطناعي أن يكتب لنا، بل ماذا سيصبح قادرًا على فهمه وظيفيًا، وتحليله، والتخطيط له، وتنفيذه معنا — وتحت مسؤوليتنا.
