ملخص اتجاهات الذكاء الاصطناعي في الربع الثاني من عام 2026: الوكلاء يدخلون العالم بتعثرات متتالية

المؤلف: بويانغ، تكنولوجيا تيـن سنت

في نهاية العام الماضي، كان معظم الناس ما يزالون ينظرون إلى الذكاء الاصطناعي كأداة محادثة، يستخدمونه للإجابة عن الأسئلة، أو كتابة نصوص، أو تلخيص المواد. ومع انتهاء سؤال وجواب واحد، تنتهي مهمة الذكاء الاصطناعي أيضاً.

لكن في الربع الثاني من عام 2026، تغيّر الأمر. لأن OpenClaw وCodex وClaude Cowork سحبت الذكاء الاصطناعي من داخل مربعات الحوار.

بدأت الوكلاء (Agent) بأنفسهم يقرؤون الملفات، ويشغّلون الأكواد، ويعدّون الجداول، ويتحكمون في البرامج، بل وحتى يتصلون بأنظمة الشركات الداخلية. تمنحه هدفاً، فيقوم بتفكيك المهمة، واستدعاء الأدوات، ثم ينجزها ويعود للإبلاغ.

يشير ظهور OpenClaw في مارس إلى تحوّل فهم الجمهور للوكلاء. في السابق، عندما تقول “Agent”، كان الجميع يفترض أنه يُستخدم كمساعد في كتابة الكود فقط. ومع ظهور “السرطان البحري” (Lobster)، لم يعد يكتفي بالمساعدة في البرمجة، بل بدأ يتولّى أعمالاً في مجالات مختلفة.

خلال الأشهر الثلاثة الماضية، ما رأيناه هو تجربة هذا “المبتدئ” وهو يدخل إلى سير عمل حقيقي.

صار بوابة البرمجيات الجديدة، وبدأ يتسلّل إلى سيناريوهات متخصصة مثل التمويل والقانون والتصميم. رأت الشركات إمكاناته، فبدأت حركة Tokenmaxxing على نطاق واسع. لكن بعد حرق أموال لمدة شهرين فقط، توقفت قفزة الذكاء الاصطناعي الهائلة التي لا سقف لها. والسبب أنهم اكتشفوا أن جزءاً من تحسين الإنتاجية الذي يخصّ “رفع الكفاءة” كان مُقيّداً بالتحقق والحكم على الاختناقات. وحين عاد الجميع لاستكمال تلك الحلقات، ظهرت فجأة مشكلة السرعة وتكلفة التشغيل.

إن الاتجاهات الثمانية التي تلخّصها هذه التقارير عن الربع الثاني، نشأت تحديداً من هذا التصادم بين الواقعين.

ومنذ الربع الثاني من 2026، لم يعد السؤال الأساسي يدور حول ما إذا كان Agent قادراً على إنجاز العمل، بل أصبح حول كيفية بناء منظومة Human in Loop فعّالة وتقليل تكاليف الوكلاء بشكل مجدي.

الغوص في عالم الوكلاء (Agent) العام، صار شكل “نظام ذكاء اصطناعي” (AI OS)

Codex وClaude Code (Cowork) وWorkbuddy: كان تحولهم في تلك الفترة اتجاهاً نحو “Agent عام”.

لماذا يُقال عام؟ لأن تقرير OpenAI نفسه يُظهر أنه خلال شهرَي 4 و5 فقط، بين مستخدمي Codex، ظهرت زيادة بنسبة 20% في المستخدمين الذين لا يقومون بالبرمجة أصلاً، وكانت وتيرة النمو لديهم 3 أضعاف وتيرة مستخدمي البرمجة. كان Codex يُصمَّم أصلاً لأجل البرمجة، لكنه بات لكل شيء.

طالما أنك لا تعرف البرمجة، فأنت تحتاج إلى Agent. وكل ما في هذا العالم يتطلب عمليات قابلة للتكرار، يحتاج إلى Agent.

ومع وجود Harness (إطار التشغيل) وSkill (وحدات المهارات)، صار Codex قادراً فعلاً على التعامل مع هذه العمليات المعقدة. صحيح أنه ليس قادراً على كل شيء، لكن ما يمكنه فعله لم يعد قليلاً.

وبما أنه “عام”، يمكن تأجيل جدل العام الماضي حول “بوابة عصر الذكاء الاصطناعي”.

فكل ما يستطيع القيام بكل شيء، سيصبح تلقائياً بوابة لكل شيء.

قبل 2025 بقليل، كان القطاع يراهن على “متصفح للذكاء الاصطناعي”. فخلال العقدين الماضيين، كان المتصفح هو المدخل الرئيسي لتصفّح الويب، وما من شيء إلا ويستلزم فتح صفحات. صحيح أن ظهور التطبيقات خفّض دور المتصفح نسبياً، لكن المتصفح ظل “المهيمن”.

ولكي يصبح الذكاء الاصطناعي بوابة، يجب السيطرة على هذه البوابة، والتعامل معها بالطريقة نفسها: النقر على الأزرار والملء في النماذج.

أطلقت Google Project Mariner، وطرحت OpenAI Operator، وقدّمت Perplexity Comet، ثم فيما بعد حتى اقترحت صفقة تبلغ قيمتها 34.5 مليار دولار للاستحواذ على Chrome. بما أن المتصفح يحتوي حياة الإنسان على الإنترنت، ينبغي أن يحتوي Agent أيضاً—وهذا ما كان يفكر فيه كثيرون آنذاك.

لكن اليوم بعد عام واحد. في مايو 2026، أغلقت Google Mariner، وأدْمَجت القدرات ذات الصلة في Gemini Agent، ودخل Operator أيضاً في ChatGPT Agent الأكبر.

ومن الجهة الأخرى، فإن Codex وClaude Code وCowork يتصلون مباشرة بالملفات والطرفية ومستودعات الكود ووصلات البيانات والتطبيقات المحلية. ارتفع الاستخدام بوتيرة أسرع.

الخلفية وراء ذلك هي جدل الربع الأول حول ما إذا كانت واجهة المستخدم الرسومية (GUI) ما تزال ضرورية. الواجهة الرسومية تُعرض للإنسان؛ فالألوان والأزرار تساعده على فهم النظام، أما Agent فلا يحتاج إليها.

إرسال Agent ليَنتظر تحميل صفحة الويب، ويتعرف على الأزرار، ويحاكي النقر بالماوس، هو مجرد طريق ملتف. الأوامر الطرفية (CLI) والبيانات المهيكلة تناسبه أكثر بكثير.

انطلاقاً من هذا المنطق، ستظل GUI موجودة، لكن الإنسان يحتاج إلى طبقة أمامية للتأكيد والتحديد. وفي loop التي يشارك فيها البشر، يبقى CUI ضرورياً، وربما يكون أكثر كفاءة.

لذلك لن يختفي المتصفح، لكنه سينخفض من كونه “المدخل الرئيسي” إلى مجرد أداة ضمن صندوق أدوات Agent. تُشغَّل البيانات في الطبقات السفلية، وتكتفي الصفحة بعرض النتائج للإنسان لتسهيل تعديلها.

بعد أن ترسخ المدخل، بدأت شركات نماذج اللغة الكبيرة بالتغلغل في الصناعات الرأسية.

في أبريل، أطلقت Anthropic Claude Design، ليقرأ Agent وثائق معايير العلامة ومكتبة الأكواد، وينتج تصاميم أولية (design drafts) ونماذج أولية وعروضاً تقديمية ومحتوى تسويق. بعد ذلك، قدمت أيضاً Financial Agent مُجزأ حسب الوظائف: تغطية مراجعات التقييم، وتدقيق دفتر الأستاذ العام، وتسويات نهاية الشهر وKYC، ثم نقلت أسلوباً مماثلاً إلى المجال القانوني. لم تسلك OpenAI هذه الطريق حرفياً؛ فهي من ناحية تضخ قدرات التمويل والصحة والبحث والأمان داخل النماذج ومنتجاتها الخاصة، ومن ناحية أخرى تربط عبر Apps وMCP وAgentKit وFrontier أنظمة الشركات الحالية.

رغم أن الشكل ليس متطابقاً تماماً، والعمق مختلف أيضاً، لكن المنطق الكامن واحد: الاستناد إلى إطار Agent العام الكبير.

حين كانت شركات النماذج تدخل صناعة ما، كانت تحتاج إلى بعض “تدقيق البيانات” لأجل التخصيص: لتطوير عمليات جديدة، والاتصال بواجهات جديدة—وكان كل نشاط شركة مختلفاً عن الأخرى.

لكن الآن، يمكن الاستمرار باستخدام نفس مجموعة Agent في الأساس. إذا أردت العمل في التمويل، فقم بتوصيل MCP بقاعدة بيانات مالية عامة، ثم أضف مهارات مثل طرق التقييم وعمليات الامتثال. حينها يستطيع كل موظف معني استخدام ذلك، وما يلزم إضافته سيكون فقط ما يحتاجه السياق. وإذا أردت العمل في القانون، فاستبدل ذلك بشروط العقود والبحث القانوني.

من Agent عام إلى Agent متخصص، لا يلزم تغييره سوى المعرفة الخاصة بالصناعة والبيانات وقواعد العمل؛ أما بيئة التشغيل فبإمكان إعادة استخدامها بالكامل.

وبذلك، تغيّرت أيضاً “خندق الحماية” للبرمجيات الرأسية. مع وجود MCP وHarness، يكفي شراء بعض قواعد البيانات والاستعانة بعدة خبراء لوضع المعايير والإرشاد، ليصبح بالإمكان امتلاك نموذج رأسي “قابل للاستخدام أساساً”. وبالنسبة لشركات نماذج اللغة الكبيرة، فهذا أمر يسير.

الباقي—وهو الأصعب على النسخ—يتمثل في بيانات الشركة نفسها، وصلاحياتها، وسجلات قبول/اعتماد (التحقق) النتائج.

مثلاً: هل قبول تعديل قانوني في النهاية تم من الطرف الآخر؟ وهل افترضات التقييم التي جاءت لاحقاً تم إسقاطها من لجنة الاستثمار؟ هذه البيانات من المستخدم ستعلّم Agent كيف يتصرف في المرة التالية.

من يستطيع أن يحتفظ بهذه التغذية الراجعة ويستعملها بشكل أسرع وأسبق، سيملك ميزة السبق.

ما دام سوق نماذج اللغة الكبيرة لم يُدفع بعد إلى مجالات ثابتة، ما تزال لديك ميزة تراكم البيانات السابقة لغيرك.

وهكذا، للمرة الأولى، صار بالإمكان “تجميع القدرات الرأسية” على دفعات.

ومع تزايد الأعمال التي يتلقاها Agent، فإن ما ينجزه لا تستطيع بالضرورة المؤسسات البشرية استيعابه.

Tokenmaxxing: الجدار الأول الذي اصطدم به Agent بعد النزول إلى العمل الحقيقي

Tokenmaxxing كان على الأرجح أكثر مصطلح سخونة في مايو. شاهدت الشركات الكبرى أن Agent يعمل جيداً، ففكرت—نظرياً—أنه إذا منحت الموظفين Token أكثر وأدوات أكثر ووقت تشغيل أطول، فإن الإنتاجية ستتضاعف كثيراً. والأهم: كيف يمكن للموظفين ألا يتعلموا استخدامه؟ إذا كان على موظفيّ أن يتأقلموا بسرعة مع عصر الذكاء الاصطناعي، فلن ينزلقوا خلف الجميع في جانب الكفاءة.

في ظل حالة FOMO وإدراك متضخم لقدرات Agent، أصبح حرق Token يُعد لفترة طويلة “دليلاً على الجهد” في عصر الذكاء الاصطناعي.

صرّح جينسون هوانغ علناً بأن مهندساً راتبه 500 ألف دولار سنوياً، إذا لم يحرق 250 ألف دولار من Token خلال عام، فعلى المدير القلق بشأن ما إذا كان يستخدم الذكاء الاصطناعي استخداماً كافياً.

لكن خلال بضعة أشهر فقط، انطفأت هذه النار.

إدراج Amazon في الترتيب الداخلي أدى إلى كثير من المهام غير المفيدة المصنوعة فقط للترتيب، وفي النهاية اضطروا إلى إغلاق البرنامج. ميزانية Uber الخاصة بـ Claude Code طوال العام كانت قاربت على الاستنفاد بحلول أبريل، ومع ذلك لم يرَ فريق الإدارة علاقة ثابتة بين كمية Token المستهلكة وبين الزيادة الفعلية في الوظائف المفيدة.

حرق Token لم يعد ممكناً، لأن الأمر أولاً مكلف. في الأسئلة والأجوبة العادية قد يتم استدعاء النموذج مرة واحدة فقط، أما في الأعمال الطويلة التي يقوم بها Agent فهناك حاجة متكررة لقراءة الهدف وحالة التاريخ ونتائج الأدوات ومعلومات الأخطاء. ويمكن أن يصل استهلاك Token في المهام المعقدة إلى عشرات المرات بل آلاف المرات مقارنة بأسئلة وأجوبة عادية.

بحلول نهاية مايو، اقترح معهد جامعة هاربين للتكنولوجيا مقياس “قدرة الحوسبة ذات التغذية الراجعة الفعالة”، لحساب كم من القدرة المحسوبة التي تُصرف فعلاً تؤثر على الخطوة التالية. في المهام المعقدة كان هذا النِّسب منخفضاً إلى نحو 10% فقط. أما الـ 90% الباقية من Token، فغالباً ما تُستهلك في إعادة القراءة والتجربة والخطوات غير المجدية والذهاب والإياب دون جدوى.

ليس المال هو المشكلة الأصعب فقط. حتى لو أحرق Agent Token كما ينبغي، فقد لا يصل ما أنجزه إلى مرحلة التسليم النهائي.

تُكتب الأكواد ثم يلزم مراجعتها واختبارها ودمجها ونشرها. تُنشأ التقارير التحليلية ثم يلزم التحقق من المصادر والحكم على الاستنتاجات. حتى تصميمات الرسوم يجب أن تمر عبر بوابة العلامة التجارية والعملاء والأعمال. وأي خطأ في سير الأتمتة يتطلب شخصاً يشرح ويستعيد (rollback) ويتحمل المسؤولية.

أظهرت دراسة من MIT تغطي أكثر من 100 ألف مطور على GitHub أن Agent للبرمجة الذاتية يمكنه زيادة عدد عمليات الإرسال البرمجي بنسبة 120%. لكن عند مرحلة اعتماد المشروع (البدء)، تقل هذه الأكواد إلى 50% فقط، والإصدارات التي تنشر فعلاً وتعمل على نطاق فعلي لا يبقى منها سوى 30%.

لنفترض مطعماً زادت سرعة تقطيع الخضار فيه ثلاث مرات فجأة؛ لن تتغير سرعة القلي أو التقديم على الأطباق أو طلبات الزبائن. ستجد المطبخ مليئاً بالخضار المقطعة، لكن المطعم يبيع العدد نفسه من الجداول في اليوم.

في الاقتصاد، توجد نظرية اسمها “نظرية البديل”، مفادها أن كفاءة العملية تُحدد بالجزء غير القابل للاستبدال بالأتمتة. رفع الذكاء الاصطناعي سرعة التوليد عالياً، لكن مراجعة النتائج بطيئة، فتنحصر تحسينات Agent على مستوى النظام عند عنق الزجاجة.

تكرار الإنتاج يستهلك جزءاً آخر من Token أيضاً. لأن سرعة توليد Skill أو الوحدات أو التطبيقات زادت كثيراً، وبسبب نقص آليات المزامنة الفعالة، لا يعرف الناس ما هي الإنجازات القائمة، وغالباً ما يعودون لكتابة العمل من جديد. حللت جامعة نانغيانغ أكثر من 20 ألف Skill في السوق، وكان نحو ثلاثة أرباعها متشابهاً بدرجة عالية؛ وبعد إزالة التكرار بقيت بأكثر من 5 آلاف فقط.

كما تُرفض إصلاحات الأكواد التي يقدّمها Agent كثيراً بسبب أن “الآخرين حلّوها بالفعل”. ارتفع استهلاك Token، لكن النتيجة تركت سلسلة من العجلات المكررة.

ولا تتزايد الحاجة مع زيادة العرض. يمكن للذكاء الاصطناعي إضافة تطبيقات ومحتوى وكود بسرعة، لكن الوقت لدى المستخدمين ورغبتهم في الدفع لا يتزايدان بالتوازي. كلما أصبح كتابة التطبيق أسهل، يصبح العثور على احتياج ثابت شخص ما مستعد لدفع أجر عليه أصعب. أظهرت أبحاث حول سوق التطبيقات أن عدد التطبيقات ارتفع بعد دخول الذكاء الاصطناعي بنسبة 40%، لكن حجم التحميل لم يتغير.

Token لا تستطيع خلق سوق غير موجود أصلاً.

فشل Tokenmaxxing المدوّي كشف عسرين: أحدهما في التقنية—Agent يستهلك موارد غير فعالة بشكل كبير، ولا يمكن كبح السرعة والتكلفة. والثاني في التنظيم—لم تُبنَ منظومة مراجعة وتقييم وتنسيق وتحمل مسؤولية، فلم يتم استيعاب تحسينات جانب الإنتاج، ولم تُستخدم النجاحات بشكل فعّال.

في الربع التالي، ستكون أكثر التحولات التقنية جذباً للانتباه هي سد هذه الاتجاهات.

استخدم Agent: بدلاً من جعل الناس داخل الحلقة

إذا كان Agent واحد بطيئاً جداً، فليعمل عدد من Agent معاً. وإذا انتهى Agent دون أن تتم مراجعة أي شيء، فليُرسل Agent آخر.

بتقسيم العمل بين عدة Agent، وإجراء مراجعات متقاطعة، وتعويض النواقص بين بعضهم البعض، يمكن نقل جزء من الأعمال التي كانت تُلقى على البشر إلى النظام نفسه.

وهذا ما ولّد موجة Multi-Agent (المتعدد من الوكلاء) في 2026.

حالياً، أكثر نموذج Multi Agent استقراراً هو نمط “المنسّق (编排者)—منفّذ (执行者)”، أي أن الوكيل الرئيسي يجزئ المهمة، ويكلف مجموعة من الـ sub Agent بالعمل بالتوازي تحت قيادته، ثم يعيد جمع النتائج في النهاية.

مثلاً، Claude Research ترسل عدداً من وكلاء البحث لتبحث من جهات مختلفة، ثم يقوم الباحث الرئيسي بتجميع النتائج. ويقوم وكيل الاقتباس/الاستشهاد بالتحقق من المصادر. أما Kimi Agent Swarm فيذهب أبعد، إذ يمكنه جعل مئات الـ sub Agent يعالجون بالتوازي مهام الفيديو والكود والبحث.

عندما تكون هناك أعمال مناسبة للعمل المتوازي (مثل معالجة الفيديو أو الكود على دفعات)، تكون هذه الطريقة فعّالة للغاية: تقلل أزمنة الانتظار بشكل كبير، وتمكّن المهام الفرعية المتوازية من التعمق أكثر. تشير تقارير Kimi إلى أن تأخير بعض المهام يمكن خفضه حتى 4.5 مرات. كما حقق Claude Research تحسناً واضحاً في الأسئلة التي تحتاج بحثاً واسع النطاق.

لكن في هذا النمط، كثيراً ما تأتي مكاسب Multi Agent من حساب إضافي، لا من “التعاون” نفسه. كشفت Anthropic أن أنظمة بحث Multi Agent تستهلك Token يمكن أن تصل إلى أربعة أضعاف Agent العادي. وفي بعض التقييمات، يفسر استخدام Token أغلب الفروقات في الأداء.

حالياً، يشبه Multi-Agent أكثر مدير مشروع يوجّه عدة فرق خارجية لا تتواصل فيما بينها. يمكنه نشر العمل للتنفيذ بالتوازي، لكنه لم يصنع بعد “ذكاء جماعياً”.

وفي كل أنواع البحث، بمجرد إزالة “المشرف المركزي” (مدير الفريق)، وترك الوكلاء يتشاورون بأنفسهم، تظهر عيوب فرق البشر كلها. بعضهم يميل إلى آراء الأغلبية، وبعضهم يظن أن “الآخرين سيقومون بالمهمة” فيتراخى.

تُظهر الاختبارات أن دقة عدة Agent معاً قد تكون أقل من Agent واحد يمتلك معلومات كاملة.

والسبب الجوهري أن عملية تدريب النموذج لم تكن تتضمن مشروع “التعاون” كمسألة. إذا أغلقت مجموعة نماذج متعودة على العمل الفردي في غرفة واحدة، فلن يظهر فجأة استعداد للتعاون المؤسسي.

التعاون لعبة أخرى: فعلى ما تفعله أنا يغيّر موقعي، وعلى ما أقرره أنا يغيّر اختيارك.

لذلك، ما سيحتاجه Multi Agent لاحقاً هو “نظام” جديد: كيف تُجزأ المهام، وكيف تُشارك المعلومات، ومن يتحمل حساب الأخطاء، وكيف تُعاد المكافآت عبر سلسلة العمل، وهل سيتم استبعاد الوكلاء الذين يثبت ضعف أدائهم على المدى الطويل—كل ذلك يحتاج إلى تصميم.

طريق آخر وصل أبعد هو “الذكاء الاصطناعي القادر على التطور الذاتي” أي RSI.

ذكرت Anthropic في تقرير شهر يونيو هذا المفهوم. جعلوا النموذج يقوم على نحو مستمر بتحسين مقطع كود يُستخدم لتدريب نموذج صغير. والنتيجة، بسبب تحسن قدرة النموذج، من Claude 3 إلى Mythos، انتقل مستوى التحسين من تسارع يقارب 3 مرات إلى أكثر من 50 مرة.

فكرته الأساسية تشبه أيضاً التجربة البشرية، وتمت في خمس خطوات: العثور على مشكلة، التفكير بطرق الحل، بناء البيئة والبيانات، التحقق من النتائج، والاحتفاظ بالتعديلات الفعّالة—ثم تشغيل دورة أخرى.

شركات مثل Minimax أدخلت هذه العمليات الآلية ضمن ما بعد التدريب، لتتمكن من الأتمتة الكاملة.

إذا كانت الأهداف ومعايير التقييم واضحة بما يكفي—مثل “تحسين سرعة تشغيل هذا المقطع من الكود بمقدار 50 مرة”—فسيستطيع Agent العثور على المشاكل، وتعديل الكود، وتشغيل الاختبارات، والاحتفاظ بالتعديلات المفيدة، ثم يكرر العملية مراراً.

هذا النوع من العمل يؤديه أفضل من البشر: سريع وغير متعب.

لكن ما يزال لا يعرف “إلى أين يمضي”. في ظل حالات تحتاج إلى اتخاذ قرار داخل مساحة بحث شاسعة جداً—مثل “أي مسار بحثي ذو قيمة”، و“هل هذا المؤشر يخدع أم لا”—وهو ما نسمّيه “الذائقة”—لا يزال أداء Agent سيئاً جداً.

في تجربة Anthropic، في سيناريوات يكون فيها البشر قد أخطأوا في عملية القرار المعقدة تلك، كانت احتمالية أن يتفوق النموذج على الإنسان 20% فقط. وإذا كان الإنسان نفسه يؤدي جيداً بالفعل، فلن يمتلك النموذج ميزة تنافسية كبيرة.

مفهوم آخر انفجر في يونيو أيضاً: Loop Engineering حوّل هذا النوع من “الحلقات” إلى هندسة تعمل على نحو طويل الأمد. لم يعد Agent ينتظر أن يضغط شخص زر كي يتحرك؛ بل سيبحث عن المهام، ويُنفذ، ويُتحقق، ويُسجل التغذية الراجعة، ثم يقرر ما الذي ينبغي فعله في الجولة التالية.

ما سبق كان حسابات تقنية، لكن لدى Agent أيضاً “فاتورة اقتصادية” يجب حسابها.

الحساب الاقتصادي غير قابل للحل

على مدار السنوات الماضية، كان بطل حسابات الذكاء الاصطناعي هو GPU. تدريب نماذج اللغة الكبيرة يحتاج باستمرار إلى إنجاز عمليات مصفوفات ضخمة—وGPU متخصصة في هذا النوع من العمل. CPU يتولى تشغيل البرنامج وتجهيز البيانات، وحضوره منخفض.

لكن طريقة عمل Agent مختلفة. لا تكون “صفقة واحدة ونهائية”، بل تبديل متكرر بين الاستدلال (inference)، وضبط الأدوات، والانتظار للنتائج. جزء كبير من الوقت لا يُستهلك في حساب النموذج نفسه، بل في أمور مثل ضبط المتصفح، وإدارة الملفات، ومعالجة انتهاء المهلة (timeouts). بمجرد أن يحدث انسداد في المنتصف، لا يستطيع GPU الثمين سوى الانتظار.

ورقة بحثية بعنوان “A CPU-Centric Perspective on Agentic AI” بنهاية 2025 قاست خمس فئات من Agent. أظهرت النتائج أن التعامل مع الأدوات يمكن أن يصل إلى 90.6% من إجمالي تأخر المهمة، وأن أعلى استهلاك طاقي ديناميكي لـCPU يمثل 44% من الاستهلاك الديناميكي للنظام. بعد إعادة ضبط تقسيم المهام بين CPU وGPU، تحسن الزمن الوسيط لبعض الأحمال بأكثر من الضعف.

لذلك عاد CPU إلى مركز منظومة الحساب. سيستمر GPU في تنفيذ الاستدلال، بينما يقوم CPU بتهيئة بيئة التزامن، وإدارة قوائم المهام، واستدعاء الأدوات. وتقوم KV والذاكرة بحفظ بيئة العزل (sandbox) لكل Agent وسجلاته والنتائج الوسيطة. والشبكة مسؤولة عن إرسال البيانات بين الشرائح والخوادم. وأي ازدحام في أي نقطة يعني أن GPU مكلفاً لا يستطيع سوى الانتظار.

بدأ السوق الرأسمالي في تسعير هذا التغير. بلغت إيرادات قسم مراكز البيانات لدى AMD في الربع الأول 2026 نحو 5.8 مليار دولار، بزيادة سنوية 57%، وكانت وتيرة نمو إيرادات خوادم CPU تتجاوز 50%. كما ضاعفت الشركة توقع حجم سوق خوادم CPU بحلول 2030 إلى 120 مليار دولار، ومن ضمن الأسباب: متطلبات الجدولة ونقل البيانات والتنفيذ التي يجلبها Agent.

بالإضافة إلى السرعة، بدأت أيضاً أسعار النماذج في التقسيم إلى شرائح. في الربع الثاني 2026، وصل أرخص نموذج شائع إلى بضعة سنتات لكل مليون Token إدخال. أما أغلى نموذج متقدم فبلغ عشرات الدولارات.

قبل سنتين، كان فرق السعر بين الأعلى والأدنى يقارب 30 مرة؛ واليوم وصل إلى نحو 600 مرة.

النماذج الرخيصة أخذت حصة أكبر من تدفق Token. بينما النماذج عالية الفئة ما تزال تتناول المهام الأساسية ومعظم الإيرادات. كثير من الخطوات لا تحتاج إلى أقوى نموذج: قراءة المستودع، التصنيف، الاستخراج، وترتيب السجلات—فالنموذج الأرخص كافٍ. فقط في عمليات إعادة البناء المعقدة، والمراجعة الأمنية، والحكم القانوني، والقرارات المحورية بعد الفشل—يستحق الأمر دفع السعر المرتفع.

لكن أسعار النماذج الحالية لا تُقسَّم تلقائياً. لدى ChatGPT توجيه ذكي يخصص النموذج حسب صعوبة المهمة، لكن النتيجة غير مرضية، ولذلك لا يعتمد عليه الكثيرون. لكن في يونيو، حققت Fugu التي قدمتها Sakana أداءً ممتازاً؛ لأنها لم تَعتمد على “النموذج” ليحكم، بل تم تدريب Agent منفصل لأجل مهمة التوجيه. يفهم التكاليف/المهمة أولاً، ويبني “سقالات عمل” ديناميكياً، ثم يستدعي نماذج بأسعار وقدرات مختلفة لتشكيل فريق مؤقت. النموذج الأغلى يعالج فقط الخطوات المحورية، بينما تُسند بقية الأعمال إلى النماذج الأرخص.

النتيجة: بنصف تكلفة تقريباً يمكن تحقيق أداء النموذج الأفضل.

قد تكون البرمجة أول من ينجح في تطبيق هذه الفكرة، لأن هناك ملاحظات جاهزة. اختلافات المستودعات والكود، الاختبارات، Lint، CI والسجلات، كلها تُخبر نظام التوجيه ما إذا كان تخصيص النموذج في المرة السابقة كان فعالاً.

النموذج الأرخص يقرأ الكود ويولّد اختبارات، والنموذج متوسط المستوى يقوم بتعديلات روتينية، والنموذج القوي يتعامل مع إعادة البناء الأساسية والمراجعة الأمنية في النهاية، ثم يسلّم للتأكيد عبر الأدوات.

وفي المستقبل، من المؤكد أن منتجات مثل Codex وClaude Code ستولد تصنيفات آلية مماثلة. ستتجه بشكل متزايد لتصبح مثل تنظيم هندسي لإدارة فرق نماذج: تخصص ميزانيات لاستدعاء نماذج مختلفة لأداء مهام مختلفة، بدل الاعتماد على نموذج واحد من البداية حتى النهاية.

لكن المشكلة لم تنتهِ. مع تغلغل Agent، يتم تعديل العمل والأمان والمعلومات وتفكير الإنسان أيضاً—وليس بالضرورة نحو الأفضل.

الواقع الذي يتقلص

الآثار السلبية التي جلبها Agent كانت في السابق غالباً ضمن نطاق “التخمين” و”الاستدلال”، دون أن تصل إلى الوظائف الفعلية.

لكن في الربع الثاني من 2026، أصبحت بعض التغييرات واقعاً في الوظائف الفعلية والمنتجات.

أول ما تأثر كان العمل.

لا يعني بالضرورة أن صدمة الذكاء الاصطناعي على التوظيف تظهر أولاً على شكل ارتفاع مفاجئ في معدلات البطالة على المستوى الكلي. فمداخل الوظائف والمهام اليومية وميزانيات الشركات ستتغير أولاً. بدأ استيعاب Agent في خدمة العملاء والدعم وتذاكر العمل والاستفسارات الداخلية وعمليات التشغيل الأساسية، وكذلك جزء من أعمال تحليل البيانات والعمليات التشغيلية (IT/إدارة الأنظمة) وإدارة المشاريع.

هناك أيضاً وظائف لم تُستبدل مباشرة بواسطة Agent، لكنها “تزاحمت” بفواتير الذكاء الاصطناعي. احتاجت GPU ومراكز البيانات وفِرق النماذج إلى استثمارات ضخمة، فاضطرت الشركات إلى البحث عن المال من ميزانيات أخرى. وفي أماكن أخرى، تم نقل بعض الموظفين لإدارة Agent وسير العمل وقرارات أكثر تعقيداً. قد لا تختفي مسميات الوظائف، لكن محتوى العمل تغيّر بالفعل.

يتأثر الموظفون في المستوى المبتدئ بدرجة أكبر. البحث عن معلومات، تلخيصها، كتابة كود أساسي، وتجميع معلومات العملاء—كلها يسهل تسليمها إلى Agent، كما أنها بالضبط مهام يتدرب عليها المبتدئون لفهم المجال. فالناس من خلال هذه المهام يتعرفون على متطلبات العمل وقواعد مكتبة الأكواد ومعايير الحكم لدى العملاء والمؤسسة.

وجدت ورقة بحثية في مايو 2026 بعنوان “Generative AI and the Reorganization of Labor Demand” بعد تحليل إعلانات التوظيف أن منذ 2023 انخفضت نسبة محتوى العمل الذي يمكن إدخال الذكاء الاصطناعي فيه بسهولة بنحو عُشر. حوالي نصف التغير جاء من تقليل الشركات لهذه الوظائف، و40% جاء من قيام الشركات بإعادة صياغة الوظائف القائمة: استبدلت المهام بمهام أصعب على الذكاء الاصطناعي من توليها.

تريد الشركات توظيف “موظفين مبتدئين أكثر نضجاً”، وفي الوقت نفسه أخذ المهام المبتدئة التي تجعل الشخص ناضجاً.

وبما أن مداخل المهنة ستصبح أضيق فأضيق، فقد تكون هذه التغييرات أكثر دواماً من موجة تسريح كبيرة واحدة.

بعد الوظائف، دخلت أيضاً مشكلة الأمان من الأوراق البحثية إلى الإصدارات المنتجية.

أظهرت Mythos التابعة لـ Anthropic قدرات قوية في الأمن السيبراني: قادرة على اكتشاف والتحقق من الثغرات ذات الخطورة العالية. لم تجرؤ الشركة على إتاحته كـ “نموذج عادي” للعامة. وبإضافة القيود (护栏) إلى Falbe 5، اشتكى الباحثون والمطورون من شدة القيود.

بدأت النماذج المتقدمة من OpenAI أيضاً باتباع إتاحة محدودة.

الكثير من الإتاحة يخفض عتبة امتلاك قدرات خطرة مثل الهجمات الإلكترونية والمخاطر البيولوجية. والكثير من القيود يضر بقيمة البحث والمنتج الطبيعي. ما زال من يؤهل لاستخدام أقوى نموذج، وما هي المؤسسات التي تُعد “شركاء موثوقين” يتأثران أيضاً بالحكومة والجغرافيا السياسية.

إضافة إلى تقوية القدرات، على شركات النماذج أن تثبت أنها تستطيع إطلاقها بأمان.

الأمان يبدأ بتقييد النماذج في أقصى مقدمة.

الإنترنت أيضاً يولد دورة معلومات جديدة.

لا يبتلع محتوى الذكاء الاصطناعي الإنترنت بلا حدود، لكن تلوثه في نتائج بحث الذكاء الاصطناعي يزداد. تُظهر تحليلات Graphite أن نسبة المحتوى الذي ينتجه الذكاء الاصطناعي من محتوى الإنترنت ظلت مستقرة بين 48% و50% من بداية 24 إلى بداية 26. لكن في الاقتباسات التي تستخدمها ChatGPT، وبحسب من يتم الحكم أنه مولد بالذكاء الاصطناعي، ارتفعت النسبة خلال نصف عام من 38.9% إلى 42.7%.

الكلام الذي قاله النموذج في السابق يعود بعد جولة إلى دليل لما سيُقال في الجولة التالية.

وبشكل إضافي، عندما يستطيع SEO وGEO الاستفادة من هذا التحيز، يمكن بسهولة أن تتحول أنظمة البحث إلى صدى آلات يستشهد بآلات أخرى.

عندها، تصبح المواد التي حضر أحدها现场 (على الأرض)، أو أجرى مقابلات مع المعنيين، أو قام بتحرير المحتوى وهو مستعد لتوقيع اسمه والاحتفاظ بالمسؤولية—أكثر ندرة.

إلى جانب التأثيرات الاجتماعية، سيجلب Agent أيضاً “استسلاماً معرفياً” لدى الأفراد.

سؤال جديد يلوح في الأفق، ولسنا حتى قد تفكرنا بعد، ومدّ اليد بالفعل إلى ChatGPT. وقبل أن تتشكل وجهة النظر، يكون الذكاء الاصطناعي قد كتب الهيكل (outline) بالفعل.

تتحول المراوحة والتجربة والشك والتحقق إلى إجابة سلسة تنطوي عليها طيّاً، ويتجاوز الإنسان مرحلة تكوين الحكم.

أجرت كلية وارتون بجامعة بنسلفانيا دراسة على 1372 مشاركاً لإنجاز ما يقارب 10 آلاف مهمة استدلال. وبمجرد السماح باستخدام الذكاء الاصطناعي، طلب المشاركون المساعدة بصورة تلقائية في أكثر من نصف الأسئلة. وحتى عندما أعطى الذكاء الاصطناعي إجابات خاطئة، ما يزال نحو 80% من الأشخاص يختارون تصديقها.

وتوصلت أبحاث Anthropic حول تعلم المبرمجين إلى نتيجة مشابهة: إن الفريق الذي يحصل على مساعدة من الذكاء الاصطناعي ينجز المهام الغريبة بسرعة أكبر، لكن أداؤه في اختبارات “مغلقة الكتاب” لاحقاً يكون متوسطه أقل بنسبة 17%. تم تسليم المهام، لكن القدرة لم تُحتفظ بها.

عندما تكتب المقال أنت، ويُعلق الكود باسمك، ويُطلب منك أيضاً عرض الخطة—المسؤولية عليك، لكن عملية التفكير التي أنتجت هذه الأشياء أصبحت تُنفذ أقل وأقل من خلالك.

نظام تايلور حول العمال إلى أيدي على خطوط الإنتاج؛ والذكاء الاصطناعي قد يحوّل الناس إلى “أختام” على خط إنتاج معرفي.

لذلك، قد يحتاج مستقبل الذكاء الاصطناعي إلى إدخال احتكاك متعمد في بعض المراحل.

قبل العمليات عالية المخاطر، اطلب من الإنسان أن يشرح ويؤكد؛ وقبل تقديم الاستنتاج، اطلب أن يكتب رأيه هو أولاً وأن يعرض أدلة مضادة—بدلاً من إنجاز كل شيء عنه بالكامل.

سيكون ذلك أبطأ قليلاً، لكنه يترك مساحة للتفكير والتعلم.

الخاتمة

عندما نجمع الاتجاهات الثمانية في الربع الثاني من 2026، تبدو كقصة متصلة.

الـ Agent العام يختطف مدخل البرمجيات، وشركات النماذج المتقدمة تستعمله للدخول في الصناعات الرأسية. Tokenmaxxing يصطدم بسرعة بجدار ويكشف عن سرعة مراجعة البشر وتكلفة النظام.

Multi-Agent والذكاء الاصطناعي القادر على التطور الذاتي يبدأان تولي مهام المراجعة والتكرار، بينما يجعل توجيه الـ CPU والذاكرة والشبكة والنماذج Agent يعمل أسرع وأرخص. وعندما يجدون حلولاً لهذه المشكلات، تبدأ قضايا التوظيف والأمان وتلوث المعلومات واستسلام القدرة المعرفية بالظهور إلى الواجهة.

ما يتعين على الشركات أن تتراكمه لاحقاً لا ينبغي أن يكون مجرد كمية Token. ينبغي أن تترك كل عملية تنفيذ وراءها سير عمل قابلاً لإعادة الاستخدام، وتقييمات، وصلاحيات، وذاكرة تنظيمية، وتغذية راجعة بنتائج التنفيذ.

وإلا، عندما تنفد الميزانية، لن يبقى شيء سوى الفاتورة.

وبالنسبة للأفراد، ليس ضرورياً أن يتنافسوا مع الذكاء الاصطناعي في سرعة توليد المخرجات.

الآلة تستطيع أن تُجيب بسرعة، لكن الإنسان يحتاج إلى الحكم: هل تستحق هذه المهمة العمل؟ وما الآثار التي ستنتجها الإجابة؟ ثم يتحمل المسؤولية عنها.