OpenAI يستهلك بشكل كبير طبقة التطبيق؟ a16z: الفرص تتجاوز "الطريق المبلط"، وفرص رواد الأعمال لا تزال في الخلف

a16z الشركاء يشيرون إلى أن طبقة تطبيقات الذكاء الاصطناعي ليست ساحة معركة واحدة، ويجب على الشركات الناشئة تجنب الأدوات الأفقية التي تهاجمها شركات النماذج الكبيرة، والتركيز على التعمق في الصناعات الرأسية. هذا المقال مستمد من منشور على تويتر.
(ملخص سابق: جوجل تقود استثمارها في منصة توجيه الذكاء الاصطناعي OpenRouter، بقيمة تقييم 13 مليار دولار، ونمو بنسبة 240% خلال عام واحد)
(معلومات إضافية: سام ألتمان يناقش مع مؤسس a16z: OpenAI تركز بشكل متطرف على البنية التحتية، وSora أداة استراتيجية مهمة)

فهرس هذا المقال

Toggle

• الانتشار القلق: هل تبتلع النماذج الكبيرة طبقة التطبيقات؟
• فخ الطوب الأصفر: الطريق الحتمي للأدوات الأفقية
• فرص أرض أوز: الحصن المنيع للعمليات الرأسية
• الميزة التكاليفية: توجيه النماذج والتدريب اللاحق
• مستوى التحكم: قيمة الامتثال والحوكمة

هذه هي المشكلة التي يحاول جو شميت، الشريك في a16z، الإجابة عليها في هذا المقال. يستخدم تشبيه «طريق الطوب الأصفر» من «ساحر أوز» كمجاز، ويقسم فرص تطبيقات الذكاء الاصطناعي إلى فئتين: فئة تدخل فيها شركات النماذج الكبيرة مباشرة، مثل توليد الكود، الكتابة، إنشاء الصور، الوكيل العام، والمساعدين المكتبيين؛ والفئة الأخرى، «أماكن أخرى في أوز»، وهي تلك التي تتعمق في العمليات الصناعية، وتعتمد على تدفقات عمل معقدة، وتراكم البيانات، والامتثال، والحوكمة، وقدرات تكامل الأنظمة.

من وجهة نظره، الفرصة الحقيقية للشركات الناشئة تكمن في الفئة الثانية.

من المبيعات إلى التأمين، يؤكد جو شميت مرارًا وتكرارًا نفس المنطق: ما يريده العملاء حقًا هو نظام مسؤول عن نتائج الأعمال، وليس مجرد نافذة دردشة أكثر ذكاءً. يحتاج إلى فهم حالة البيانات المبعثرة، ومعالجة الموافقات المتعددة والحالات الحدودية، وتحمل مسؤولية الامتثال والتدقيق، وأيضًا عند ترقية النماذج، أن ينقل العملاء، ويوجه، ويخفض التكاليف.

هذا هو جوهر تقييمنا للبرمجيات المؤسسية من الجيل التالي: النماذج الأساسية ستصبح أقوى وأقوى، وستصبح أكثر قابلية للاستبدال؛ لكن ما لا يمكن استبداله حقًا هو البيانات، والعمليات، والقدرات على الحوكمة، وذاكرة التشغيل التي تراكمت حول صناعات وعمليات محددة. فرص شركات تطبيقات الذكاء الاصطناعي ليست في التنافس مع شركات النماذج على «طريق الطوب الأصفر»، بل في التوجه نحو تلك المناطق الأكثر تعقيدًا، والأوساخ، والأبطأ، ولكنها الأقرب إلى القيمة التجارية الحقيقية.

مؤخرًا، أسمع باستمرار من مؤسسين وموظفين محتملين نفس السؤال: هل لا يزال هناك شيء يمكن فعله في طبقة تطبيقات الذكاء الاصطناعي؟ أم أن OpenAI وAnthropic سينهيان كل شيء في النهاية؟

وراء هذا السؤال، يوجد نوع من القلق النموذجي من الذكاء الاصطناعي. بعضهم استنتج بالفعل: إذا لم ترغب في أن تصبح دائمًا في الطبقة الأساسية، فالموقع ذو القيمة طويلة الأمد إما أن يكون داخل مختبرات النماذج الكبيرة، أو في ريادة الأعمال في الروبوتات، والتكنولوجيا الصلبة، أو المجالات المتقدمة المشابهة — نظريًا، أي العمل على الأشياء التي لا يمكن للمختبرات الوصول إليها. لأنه إذا كانت كل أنواع البرمجيات ستبتلع، إما أن يتم استيعابها مباشرة بواسطة Codex أو Claude، أو أن تصبح غير ضرورية مع ظهور نماذج مستقبلية، فالحل الأفضل هو: الهروب بسرعة!

أعترف أنني تقريبًا أعتبر نفسي من المتشددين في الذكاء الاصطناعي، وأعتقد أن قولهم صحيح إلى حد ما. مختبرات النماذج الكبيرة بالفعل تدخل مناطق واسعة من طبقة التطبيقات. لكن «طبقة التطبيقات» ليست فرصة موحدة. المعيار الحقيقي للحكم هو: هل تسير على «طريق الطوب الأصفر»، أم في أماكن أخرى في أوز.

ملاحظة: «طريق الطوب الأصفر» هو الطريق الرئيسي في «ساحر أوز» المؤدي إلى قلب مدينة الزمرد في أوز، حيث «الساحر».

الطريق المسمى «طريق الطوب الأصفر»، هو التعبير الذي نستخدمه لوصف المسار الذي تسير فيه مختبرات النماذج الكبيرة، وتستثمر فيه موارد ضخمة. توليد الكود، الكتابة، الإبداع البصري، كلها مشاكل مناسبة للمختبرات لأنها تتحسن مع تطور قدرات النماذج الأصلية: كل دولار يُنفق على التدريب المسبق والتدريب اللاحق يُحسن المنتج مباشرة.

لكن في أماكن أخرى في أوز، توجد مشاكل أكثر تعقيدًا، وغالبًا أكثر تخصصًا. ليست مجرد أدوات أفقية يمكن للعميل استخدامها، وتوصيلها بالأدوات القياسية والمهارات الحاسوبية هو الحل. القيمة هنا تأتي أكثر من الأدوات المحيطة بالنموذج: تلك الأدوات التي تجعل المخرجات موثوقة، ومتوافقة، وتدخل فعليًا في عمليات الأعمال. قدرات النموذج الأساسية مهمة، لكنها لم تعد كل شيء.

نحن نرى ذلك في الوقت الحقيقي. شركة OpenAI وAnthropic تعترفان فعليًا: لا يمكنهما حل جميع المشاكل باستخدام زميل ذكاء اصطناعي عام واحد. لقد أعلنوا عن استثمارات ضخمة في مشاريع مشتركة أمامية، لبناء نماذج مخصصة ومهيأة للشركات. إذا كانوا يعتقدون أن إصدار النموذج التالي سيحل كل شيء، لما استثمروا مليارات الدولارات في هذه المشاريع.

الانتشار القلق: هل تبتلع النماذج الكبيرة طبقة التطبيقات؟

لذا، إذا كنت تريد أن تربح من خلال بناء تطبيقات الذكاء الاصطناعي، فلا تسلك طريق الطوب الأصفر، بل ابحث في أماكن أخرى في أوز. إليك بعض الخبرات التي تعلمناها نحن ومؤسسو محفظتنا من الممارسة.

إذا قررت تأسيس شركة، فإن طريق الطوب الأصفر هو الأكثر وضوحًا، لكنه أيضًا الأكثر خطورة. خذ نموذجًا عالي الأداء، ووصله ببعض الموصلات الجاهزة، مثل Google Drive، Slack، Salesforce، Notion، GitHub، ثم أضف طبقة تنظيم ذكي. يبدو الأمر سحريًا.

المشكلة أن هذا هو بالضبط ما تفعله مختبرات النماذج الكبيرة عبر Cowork وCodex. من الواضح أن لديهم نماذج، مما يمنحهم هوامش ربح أعلى، وتحكمًا أقوى، وحق تسعير على جميع المشاركين في العمليات اللاحقة. لكن الأهم ربما هو أنهم يملكون أيضًا الهيكل الذي يحدد ما هو المشكلة التي يجب حلها باستخدام المنتج. حتى الآن، يتبعون نمط «نموذج + استدعاء أدوات»، وهو النمط المطلوب على طريق الطوب الأصفر للمشاريع الأفقية ذات الخطوات القليلة. حتى لو استطاعت شركة ناشئة أن تتجاوز Codex أو Claude Code بطريقة ما، فإن مختبرات النماذج الكبيرة تظل تمتلك قدرات توزيع هائلة، وأقوى علامة تجارية في مجال الذكاء الاصطناعي.

إذا كنت شركة تطبيقات ذكاء اصطناعي، وتتبنى نفس النهج: توصيل نفس الموصلات، بدون وجود ذكاء داخلي أو تكوين، وبدون قناة توزيع، فربما تسير في طريق إلى العدم.

بالنسبة للشركات الناشئة، الحالة ليست كلها يأس. خارج طريق الطوب الأصفر، هناك فرص هائلة. يمكن للشركات أن تخدم عملاء في هذه المناطق، وتحل مشاكل معقدة.

هذه الشركات تبني تجارب ذكاء اصطناعي: حيث يُدمج النموذج في أدوات معقدة، وأتمتة، وشبكات تكامل — بمعنى آخر، برمجيات. وهذا يجعل معظم هذه الشركات بشكل طبيعي تركز على التخصصات الرأسية. يمكنها التركيز على تدفقات عمل متعددة الخطوات، ومتعددة الأطراف، وتصميم ذكاء داخلي مخصص لمختلف الأدوار والسيناريوهات الرأسية، ومعالجة مشاكل يصعب على منصات أوز وAnthropic الوصول إليها: جمع السياق عبر الأنظمة، ثم توجيه المهام إلى عدة أشخاص يحتاجون إلى موافقة في مراحل مختلفة.

هذه الأعمال غالبًا تتطلب أنظمة قديمة أو أنظمة مخصصة، وغالبًا تحتاج إلى نتائج حاسمة، لأن الغموض غير مقبول، وأحيانًا ترتبط مباشرة بنتائج تجارية مهمة. مختبرات النماذج الكبيرة تعرف قيمة هذه المشاكل، ولهذا تبني فرقًا خارجية مخصصة، وتظهر مجموعات خدمات التعلم المعزز للعملاء الكبار.

ردًا على هذا الرأي، يمكن القول: حتى الآن، الرهان على النماذج أو المختبرات لا يتقدم، وهو صفقة سيئة. من المحتمل أن تظل تتطور، وفي النهاية تبتلع السوق الذي تخدمه تطبيقات الطبقة.

مختبرات النماذج ستستمر في التقدم، لكن من وجهة نظرنا، هناك طرق دفاع طويلة المدى للشركات في أماكن أخرى في أوز.

الكثير مما تتعلمه في العمل لا يوجد في أي مجموعة تدريب: العرف الصناعي غير المكتوب، المعايير غير المسجلة، المعرفة القبلية الموجودة في عقول العاملين. كلها غير موجودة على الإنترنت. مهما زادت قوة التدريب، فهي لا يمكن أن تحل محل العمل داخل تدفقات العمل التي تحتوي على هذه المعرفة.

هناك دائرتان من التفاعل: الأولى، دائرة العملاء، حيث كلما رأيت المزيد من تنويعات المشكلة، تتراكم الأنماط بشكل مضاعف؛ والثانية، داخل العميل، حيث تظهر أسباب القرارات، والاستثناءات غير المعلنة، وقواعد الخبرة الخاصة بالشركة، فقط عندما يتفاعل المستخدم مع النظام بشكل حقيقي.

فخ الطوب الأصفر: الطريق الحتمي للأدوات الأفقية

حتى لو لم تكن بيانات العملاء قابلة للمشاركة بين العملاء، يمكن للشركات تطبيق أنماط التعرف على نوعية المشكلات المختلفة، واستخدامها لتوجيه تصميم المشكلات المستقبلية. إذا كانت شركة قد سمحت لنموذجها بمعالجة مئات من التعديلات على القوانين، وآلاف من دورات تقييم التأمين، وعشرات الآلاف من أنشطة تطوير المبيعات، فإن فهمها لنماذج المشكلات لن يكون قابلاً للمضاهاة من قبل من يبدأ في تشغيل ذكاء داخلي جديد.

نظريًا، يمكن لنموذج أفقي أن يبني بنية تعلم مماثلة، لكنه لا يفعل ذلك لسببين: أحدهما، نقص التركيز؛ والآخر، تجربة المستخدم. التقاط هذه المعرفة يعتمد كليًا على نوعية واجهة العمل التي تقدمها للمستخدم. يمكن للاعبين الرأسين تصميم واجهات تركز على المعلومات التي يحتاجونها في تدفقات العمل الخاصة بهم، وهو أمر لا يمكن للأدوات الأفقية تحقيقه. مجموعات التقييم، تصنيف المخرجات، نظم تصنيف الحالات الحدودية، كلها يمكن أن تتجمع في دائرة بيانات رأسية، وتدعم التخصيص والتدريب المستمر. إذا لم توفر الشركات اللاحقة بيئة إنتاج مماثلة، فسيكون من الصعب عليها توليد هذا التفاعل. مدى إمكانية ذلك يعتمد على حقوق البيانات، وكمية الاستخدام الإنتاجي، وهيكل العقود مع العملاء، لكن التعرف على الأنماط سيستمر في التراكم.

داخل مختبرات النماذج الكبيرة، يتم حاليًا تنفيذ التوجيه: استدعاء نماذج مختلفة لمهام مختلفة، باستخدام تكامل النماذج في الأسفل. لكنهم يواجهون صعوبة في التوجيه عبر الموردين، وتقييم نماذج المنافسين لمهام فرعية محددة، أو استخدام نماذج مفتوحة المصدر المخصصة بشكل أدق في حلقات ضيقة.

أما الشركات في أماكن أخرى في أوز، فستختار النموذج الأنسب لكل مهمة فرعية، بدلاً من الاعتماد على نموذج واحد من مختبر رئيسي. كما أنها ستتحمل تكاليف التقييم وإعادة المعايرة عند إصدار نماذج جديدة، وإعادة ضبط التعليمات التوجيهية للحالات الحدودية للعملاء، وإطلاق النماذج دون تعطيل الإنتاج. مختبرات النماذج لن تقوم بهذه الأعمال نيابة عن العملاء. ستبيع لك النموذج الجديد، وتخبرك بالانتقال إليه. أما الشركات الأخرى في أوز، فستتحمل تكاليف الانتقال. العميل يحصل على أفضل قدرات ذكاء، واستمرارية في التحديثات.

إرسال كل استعلام إلى Opus 4.7 هو أسرع طريق لتحويل الربح إلى خسارة. أفضل الشركات في أوز ستقوم بالتوجيه بين نماذج مختلفة: المهام الصعبة تُعطى للنماذج المتقدمة، والأغلب يُعطى للنماذج المتوسطة، والمهام التي ثبتت فعاليتها تُنقل إلى نماذج أصغر أو مخصصة.

بعض هذه الشركات بدأت بالفعل في تدريب نماذجها الخاصة، وتحسينها لمهام محددة تهم العملاء، وتقديمها بتكلفة أقل بكثير من استدعاءات API المتقدمة. مختبرات النماذج تحدد «السعر الأدنى» للذكاء: المبلغ الذي يمكنك دفعه للحصول على أدنى مستوى من الذكاء. أما شركات أوز، فهي تبيع شيئًا مختلفًا: أدنى مستوى من الذكاء المطلوب لمهمة معينة، بأقل تكلفة بالدولار. فقط عندما تعرف بدقة مستوى الذكاء المطلوب لكل مهمة فرعية، يمكنك تحقيق ذلك. المختبرات لا يمكنها في الهيكل أن تفهم كل مهمة في كل صناعة، لكن نماذجها ستستمر في تراكم الأنماط.

داخل الشركات في أوز، يتم حاليًا تنفيذ التوجيه: توجيه الطلبات لموديلات مختلفة، باستخدام تكامل النماذج في الأسفل. لكنهم يواجهون صعوبة في التوجيه عبر الموردين، وتقييم نماذج المنافسين لمهام فرعية، أو استخدام نماذج مفتوحة المصدر المخصصة بشكل أدق في حلقات ضيقة.

أما الشركات في أماكن أخرى في أوز، فستختار النموذج الأنسب لكل مهمة فرعية، بدلاً من الاعتماد على نموذج واحد من مختبر رئيسي. كما أنها ستتحمل تكاليف التقييم وإعادة المعايرة عند إصدار نماذج جديدة، وإعادة ضبط التعليمات التوجيهية للحالات الحدودية للعملاء، وإطلاق النماذج دون تعطيل الإنتاج. مختبرات النماذج لن تقوم بهذه الأعمال نيابة عن العملاء. ستبيع لك النموذج الجديد، وتخبرك بالانتقال إليه. أما الشركات الأخرى في أوز، فستتحمل تكاليف الانتقال. العميل يحصل على أفضل قدرات ذكاء، واستمرارية في التحديثات.

تحويل كل استعلام إلى Opus 4.7 هو أسرع طريق لتحويل الربح إلى خسارة. أفضل الشركات في أوز ستقوم بالتوجيه بين نماذج مختلفة: المهام الصعبة تُعطى للنماذج المتقدمة، والأغلب يُعطى للنماذج المتوسطة، والمهام التي ثبتت فعاليتها تُنقل إلى نماذج أصغر أو مخصصة.

بعض هذه الشركات بدأت بالفعل في تدريب نماذجها الخاصة، وتحسينها لمهام محددة تهم العملاء، وتقديمها بتكلفة أقل بكثير من استدعاءات API المتقدمة. مختبرات النماذج تحدد «السعر الأدنى» للذكاء: المبلغ الذي يمكنك دفعه للحصول على أدنى مستوى من الذكاء. أما شركات أوز، فهي تبيع شيئًا مختلفًا: أدنى مستوى من الذكاء المطلوب لمهمة معينة، بأقل تكلفة بالدولار. فقط عندما تعرف بدقة مستوى الذكاء المطلوب لكل مهمة فرعية، يمكنك تحقيق ذلك. المختبرات لا يمكنها في الهيكل أن تفهم كل مهمة في كل صناعة، لكن نماذجها ستستمر في تراكم الأنماط.

أن تصبح شركة تحكم في مجال الذكاء الاصطناعي في صناعة رأسية، من خلال مستوى التحكم، يخلق قيمة كبيرة. هذا المستوى هو المكان الذي تتجمع فيه الأذونات، والتدقيق، وما يُسمح للنماذج بفعله، وما فعلته فعلاً.

هذا المستوى المبني على حالات الاستخدام المحددة، ويختلف من صناعة لأخرى، لأنه يعتمد على الأدوات، وتدفقات العمل، والبيانات التي تتفاعل معها النماذج. يمكنها تقديم نتائج مؤكدة بطريقة يصعب على الأدوات الأفقية تحقيقها. كما أنها ستتحمل عبء التنظيم والامتثال، مثل قواعد الفضاء القانوني الأمريكي، وقواعد ممارسة المحاماة، وHIPAA في الرعاية الصحية، وقواعد SEC وFINRA في المالية، وتنظيمات التأمين على مستوى الولايات. إذا لم تحول الشركات إلى مئات من القطاعات الرأسية، فلن تتمكن من إقناع العملاء بهذه القدرات. مدير تكنولوجيا المعلومات يحتاج إلى شريك يضمن الامتثال بشكل واضح في العقود.

كل ذلك يعود في النهاية إلى شيء واحد: التركيز.

يمكن أن يكون التركيز في صناعة رأسية، مثل التأمين، أو القانون، أو المحاسبة؛ أو في وظيفة معينة، مثل المبيعات، وخدمة العملاء، والمالية. أيًا كان، يتطلب الأمر فريقًا يعمل بعمق في نفس نوع العملاء، ويفهم تدفقات العمل، والحالات الحدودية، والمتطلبات التنظيمية. مختبرات النماذج الكبيرة ليست مهيأة لهذا. فهي يجب أن تخدم الجميع، وتغطي كل شيء، ولهذا بنت طريق الطوب الأصفر في البداية. هذا الاختيار يحد من قدرتها على التخصص في أماكن أخرى في أوز. يمكنك أن تكون موجودًا في كل مكان، أو أن تتخصص بشكل عميق، لكن لا يمكنك الجمع بينهما.

كيف يمكن فهم ذلك عمليًا؟ إليك بعض النصائح العملية من الرئيس التنفيذي Prabhav Jain.

فرص أوز: الحصن المنيع للعمليات الرأسية

بناء شركة قادرة على مقاومة تأثير مختبرات النماذج الكبيرة، هو أن تبدأ من النتائج التي يهم العميل حقًا. بالنسبة لنا، هذه النتائج هي توليد المزيد من العملاء المحتملين وقنوات المبيعات.

من هنا، ستصبح الأسئلة محددة جدًا: ما الأنشطة التي نريد أن نمتلكها بشكل كامل، وتؤدي فعلاً إلى زيادة قنوات المبيعات؟ قسم كل نشاط إلى مهام. أي المهام مناسبة للذكاء الاصطناعي، وأيها لا؟ أيها يتطلب رؤى عميقة في المجال، وأيها لا؟ مختبرات النماذج ستطلق أيضًا تدفقات عمل، لكن عندما يكون تدفق العمل كبيرًا، والمدخلات غير منظمة، والحالة غير واضحة، أو توجد قيود واقعية، فإن وجود نموذج أفضل فقط لن يحل المشكلة. هنا، يعود الأمر إلى الهندسة البرمجية التقليدية، وليس لمختبرات النماذج ميزة على شركة تطبيقات متخصصة.

على سبيل المثال، بعض المهام التي نعالجها تشمل: استكشاف العملاء المحتملين بناءً على إشارات مخصصة، إكمال معلومات العملاء المحتملين، أبحاث الحسابات العميقة، سحب السياق من CRM، كتابة معلومات عبر قنوات مختلفة، ذكاء تقييم أهلية العملاء المحتملين، ونظام إرسال البريد الإلكتروني. بعض هذه المهام تتطلب ذكاء اصطناعي، وبعضها لا. ليست مهمة واحدة يمكن حلها بنقرة واحدة، بل تتطلب قدرات هندسية عميقة.

الاستفادة من تشبيه أوز هنا، هو أن: نصف المهام في تدفقات العمل الحقيقية لا تتطلب ذكاء اصطناعي، وهذه النصفية لا تمنح ميزة للمختبرات. قدراتها على كتابة برمجيات حاسوبية حاسمة ليست أفضل من قدراتك. والنصف الآخر من المهام التي تتطلب ذكاء، لا بد أن تركز على النتائج المرجوة، وتقوم بضبط النموذج، وتدريبه، وتقييده.

المعرفة في المجال غالبًا غير موجودة في البيانات التدريبية العامة. يجب بناؤها من خلال التخصصات الرأسية أو الوظائف المحددة، وتقديمها في الوقت المناسب داخل تدفقات العمل. عندما يستخدم ذكاؤنا الاصطناعي الهاتف لتحديد ما إذا كانت فرصة واردة مؤهلة، يجب أن يُدرّب على فهم: بالنسبة لصناعة معينة، وشخص معين، ما هو حوار مبيعات جيد. هذه مهمة تطبيقية، وتراكم هذه القدرات يضاعف الفائدة.

الأهم من ذلك، أن هذه القدرات تتغير باستمرار، لأن الشركات تتطور أيضًا. لذلك، فإن تحسين تدفقات العمل والسياقات بشكل مستمر هو ميزة تنافسية. على سبيل المثال، عندما بدأنا في تقديم حملات البريد الإلكتروني الآلي، كانت «البريد الإلكتروني الذي يكتبه الذكاء الاصطناعي» حديثًا. اليوم، أصبح الناس قادرين على تمييز البريد الإلكتروني المولد آليًا عن البشري، وتقييم ذلك يتغير كل بضعة أشهر. يجب أن يتكيف ذكاؤنا الاصطناعي مع ديناميكيات السوق، وهنا تتكون الحصن المنيع. في الواقع، على الرغم من هذا التغير، زادت معدلات الرد الإيجابي لدينا أربع مرات خلال الأشهر الماضية، وخلقنا مئات الملايين من الدولارات من قنوات المبيعات للعملاء.

المشاكل المعقدة هي المكان الحقيقي الذي يطلق القيمة التجارية. وإلا، فإنك ببساطة تضع غلافًا رقيقًا حول شيء بسيط.

عند تحليل أي مشكلة تجارية معقدة، ستلاحظ بسرعة الفوضى. مثال من مجال GTM، يبدو بسيطًا: إذا كانت شركة عميل، لا ينبغي أن تتواصل مع شخص معين في تلك الشركة. لكن الأمر ليس بسيطًا على الإطلاق.

ربما لديك اسم النطاق الخاص بهذه الشركة في CRM. ماذا لو كانت الشركة تملك العديد من الشركات الفرعية؟ أو إذا كانت السجلات تشير إلى الشركة الأم؟ ماذا لو كانت حقل المطابقة في Salesforce قديمًا، وأرسلت بريدًا باردًا إلى المدير التنفيذي للإيرادات في عميل موجود؟ البيانات في العالم الحقيقي دائمًا غير منظمة. حتى البشر يتعبون من التعامل معها، والنماذج لن تتجاوز هذه العقبة بشكل سحري. لبناء نظام منظم من هذا الفوضى، تحتاج إلى تصميم ذكاء مخصص لمشكلة محددة، وليس مجرد توجيه عام إلى CRM. في الواقع، بناءً على بياناتنا، وجدنا أن جودة البيانات وتحديثها لدينا أعلى من تلك الخاصة بالعملاء أنفسهم، لذلك نستخدم بياناتنا كمؤشر مرجعي بشكل افتراضي.

القيود التنظيمية والتشغيلية غالبًا ما تُقلل من التقدير. حتى داخل منتج واحد، كل حالة استخدام تتطلب قيودًا خاصة. بالنسبة لنا، عميل مالي خاضع للتنظيم، يختلف تمامًا عن عميل SaaS متوسط. هذه القيود تؤثر على كيفية كتابة الذكاء الاصطناعي، ومن يمكنه التواصل معه، والبيانات التي يمكن الوصول إليها، وما يُقال في المكالمات، وكيفية تسجيل القرارات.

نظام «موحد للجميع» سيفشل أمام هذا التنوع. القيود يجب أن تُبنى حسب الحالة، وتُخصص حسب العميل، ويجب أن تُراجع باستمرار. لهذا، نحتاج إلى مهندسي نشر أمامي واستراتيجيي نشر تقني، لضبط كل عميل على حدة.

ميزة التكاليف: توجيه النماذج والتدريب اللاحق

على سبيل المثال، تعاونّا مع مؤسسة من أكبر 1000 مؤسسة، لإجراء مكالمات صوتية بموافقة للعملاء الصغيرين والمتوسطين، عبر مكالمات آلية. في البداية، كانت معدلات الرد منخفضة. كان علينا أن نكرر بسرعة، ونتعلم كيف نجعل هؤلاء العملاء يتفاعلون خلال أول 10 ثوانٍ من المكالمة. سلوك أصحاب الشركات الصغيرة والمتوسطة يختلف تمامًا عن كبار المشترين B2B أو المستهلكين. الآن، نخلق لهم فرص مبيعات يوميًا، تفوق ما يحققه فريق المبيعات بأكمله في سوق معين خلال شهر.

المبيعات مجرد مثال. التأمين مثال آخر، يوضح نفس النقطة من زاوية مختلفة. إليكم فهم رئيس شركة FurtherAI، Aman Gour، لـ «الابتعاد عن طريق الطوب الأصفر والبناء في أماكن أخرى»:

عندما بدأنا في نشر الذكاء الاصطناعي في عمليات التأمين، كنا نسمع فرضية واحدة مرارًا: النموذج هو الذكاء، وتدفقات العمل هي مجرد إطار حول النموذج.

لكن، مع تكرار العمل مع شركات التأمين، أصبحنا نؤمن تمامًا أن العكس هو الصحيح.

في صناعة التأمين، الكثير من الذكاء موجود بالفعل في تدفقات العمل. يمكن لشركتين تأمين أن تتبع نفس المسار في تقديم المستندات: التقديم، المراجعة، التسعير، الاكتتاب. المسار بسيط. الفرق الحقيقي بين الشركتين هو كل شيء داخل هذا المسار: أي المخاطر تحتاج إلى تصعيد، وأي إشارات الخسارة مهمة، وأي قواعد الاكتتاب تتفوق على الأخرى، ومتى يجب أن يوقع الإنسان، وأي بيانات خارجية يجب استرجاعها، وكيفية تسجيل القرار النهائي.

هذه المنطق لا يوجد في محرك قواعد نظيف. هو موزع عبر إجراءات التشغيل، والمراجعة الإدارية، وفلسفة الاكتتاب، وتفضيلات المخاطر الخاصة بكل شركة، وخبرة التشغيل لسنوات. والكثير منها غير مكتوب بشكل يمكن للنموذج قراءته مباشرة.

لهذا، لا نؤمن بنماذج الذكاء التي تعتمد على التفكير من الصفر في كل مرة، ولا نؤمن بمرونة تدفقات العمل التي تنهار عند مواجهة تعقيدات الواقع. بالعكس، نحن نبني تدفقات عمل ذكية. التدفقات تضمن التكرار، والتدقيق، والتحكم في التكاليف؛ والنماذج تتعامل مع التغير، وتستعيد التدفق عند انقطاع المسار المثالي؛ والبشر يظلون في أماكن تتطلب حكمًا ومسؤولية.

في البداية، كانت هذه الأنظمة تُحاكي العمل اليدوي. لكن مع الوقت، كل ترقية تصبح إشارة، وكل استثناء يصبح ملاحظات، وكل تصحيح بشري يُعلمك عن نقص في دليل التشغيل. بمرور الزمن، يتحول تدفق العمل من مجرد سكربت إلى ذاكرة تشغيلية للشركة.

وهذا هو الجزء الذي يصعب على مختبرات النماذج الكبيرة الوصول إليه. فهي ستواصل إصدار نماذج أفضل، وذكاء عام أكثر، ويجب أن تفعل. لكنها لن تبقى في تدفقات عمل شركة تأمين، وتتعلم لماذا تم ترقية حساب، أو لماذا تم رفض خطر، أو لماذا عكس مسؤول الاكتتاب توجيهات المخاطر، وهو على حق.

هذا الفهم يأتي فقط من تنفيذ نفس تدفق العمل في بيئة الإنتاج آلاف المرات. لا يُعد تدفق العمل الذي تبدأ به هو الحصن المنيع. الحصن المنيع هو دورة الاستخدام التي تتشكل مع مرور الوقت، وهو ما يميز الشركة.

هذا هو معنى «الابتعاد عن طريق الطوب الأصفر» بالنسبة لنا.

مستوى التحكم: قيمة الامتثال والحوكمة

كم خطوة يتطلب الأمر؟ وما مدى تعقيد الأدوات التي تحتاج لبنائها لدعم ذلك؟

خذ أداة ذكاء اصطناعي أفقية تبحث في Google Drive، فهي عملية خطوة واحدة، وتتحمل الأخطاء بسهولة. بعد قراءة الملخص، إذا أخطأت، يمكنك أن تسأل مرة أخرى.

أما مهمة تعديل القوانين القانونية عبر خطوات متعددة، استنادًا إلى سوابق مكتب محاماة خلال الثلاث سنوات الماضية، فقد تتطلب عشرات الخطوات، وأدوات متعددة، ويجب أن تمر عبر مراجعة الشركاء، وربما تُعرض في المحكمة. كلاهما يبدو كأنه «نموذج ذكي يقوم بالمهمة»، لكن الأخير يتطلب برمجيات عميقة بُنيت على مدى سنوات من فريق متخصص.

هل تبني نظامًا يُستخدم لتنفيذ العمل من قبل العميل، أم تضيف أداة فوق نظام موجود بالفعل؟

النظام يمتلك تدفق عمل شامل: جمع البيانات، الحوكمة، تسجيل إنجاز العمل. عندما يصف العميل كيف يحدث العمل، يشير إلى هذا النظام. أما الأدوات، فهي مجرد إضافة ذكاء إلى تدفقات العمل التي ينفذها العميل بالفعل.

المنتجات الأدواتية يمكن أن تحقق إيرادات حقيقية، لكن مختبرات النماذج الكبيرة أسهل في الاستحواذ عليها، لأنها لا تعتمد على أن تكون طبقة تنظيمية. عادةً، يكون العائد العالي على قيمة العميل هو إشارة إلى منتج نظامي، لأنه يحل محل العمل البشري الحقيقي، وبالتالي يمكن فرض رسوم مقابله. لكن هذا ليس ضمانًا مطلقًا. عليك أن تسأل نفسك: إذا أطلقت مختبرات النماذج الكبيرة منتجًا منافسًا مباشرًا، هل لا يزال العميل بحاجة إلى أداتك؟ إذا كانت الإجابة نعم، فأنت تبني نظامًا. وإذا كانت لا، فأنت أداة — حتى لو كانت قيمة العميل عالية.

أداء مختبرات النماذج يُقاس بالمقاييس القياسية؛ أداء الشركات في أوز يُقاس بقوائم الأرباح والخسائر للعملاء.

العملاء لا يهتمون بنتائج النماذج على اختبارات مثل SWE-Bench أو MMLU. هم يهتمون إذا كانت النماذج أدت إلى إتمام الصفقة، أو تعديل صحيح للعقود، أو إصدار بوليصة تأمين صحيحة. إذا كانت نتائج تدفقات العمل المحددة هي ما يهم العميل، فأنت في أماكن أخرى في أوز. وإذا كان العميل يدفع مقابل القدرات العامة، فمنتجك هو ما يمكنه أن يشتريه من Claude أو Codex.

أفضل شركات الذكاء الاصطناعي تحتاج إلى أن تعمل مثل صناديق التحوط: تربح من ألفا، والألفا يُقاس في قائمة أرباح وخسائر العميل، وليس في درجات الاختبارات.

سنشهد في طريق الطوب الأصفر وخارجه فائزين كبيرين. النماذج ستستمر في الفوز، لأنها تملك النماذج، وتملك قدرات التوزيع المصممة للأدوات الأفقية.

أما الشركات في أماكن أخرى في أوز، فستنجح إذا كانت تمتلك أنظمة العمل: واجهات تنفيذ العمل، والبيانات التي تتدفق وتُلتقط. هذه الشركات تملك أدوات جمع البيانات، وأنظمة تدفق العمل، والحوكمة. مع تطور تدفقات العمل المعقدة في مجال رأسي معين، ستتجمع في تجربة أساسية لا يمكن للعملاء الاستغناء عنها. ومع إصدار نماذج جديدة من قبل اللاعبين الحاليين والجدد، ستصبح هذه الشركات الطبقة التي تدمج وتقدم هذه النماذج للعملاء. النماذج الأساسية قابلة للاستبدال، لكن أنظمة العمل ليست كذلك.

البرمجيات المؤسسية من الجيل التالي ستُبنى خارج طريق الطوب الأصفر.