تحذير ساتيا ناديلا: لا تجعل مورد الذكاء الاصطناعي الواحد عقل شركتك
يوجه ساتيا ناديلا، الرئيس التنفيذي لشركة مايكروسوفت، تحذيرًا للشركات التي تسارع إلى توحيد جميع عملياتها على منصة ذكاء اصطناعي واحدة: قد لا يكمن الخطر الأكبر في جودة النموذج أو سعر الرمز، بل في فقدان السيطرة على المعرفة التي تشكل جوهر قيمة الشركة ذاتها. في مقابلة مع برنامج «فريد زكريا جي بي إس» على شبكة سي إن إن في 26 يوليو 2026، دعا ناديلا الشركات إلى الاحتفاظ بملكية البيانات والاستفسارات والبيانات الوصفية والسياق والذاكرة وطبقة التوجيه التي يولدها الموظفون أثناء استخدام الذكاء الاصطناعي. مخاوفه واضحة ومباشرة.
تحذير ساتيا ناديلا: لا تدع مزود ذكاء اصطناعي واحد يصبح "عقل" شركتك
مقدمة
يُحذر ساتيا ناديلا، الرئيس التنفيذي لشركة مايكروسوفت، الشركات التي تسارع إلى توحيد جميع عملياتها على منصة ذكاء اصطناعي واحدة: قد لا يكمن الخطر الأكبر في جودة النموذج أو سعر الرموز، بل في فقدان السيطرة على المعرفة التي تشكل جوهر قيمة الشركة ذاتها.
في مقابلة مع برنامج "فريد زكريا جي بي إس" على شبكة سي إن إن في 26 يوليو 2026، رأى ناديلا أن الشركات يجب أن تحتفظ بملكية البيانات، والاستفسارات، والبيانات الوصفية، والسياق، والذاكرة، وطبقة التنسيق الناتجة عن استخدام الموظفين للذكاء الاصطناعي.
مخاوفه واضحة ومباشرة.
كلما زاد دمج الشركة للذكاء الاصطناعي في أعمالها اليومية، زادت المعلومات التي تقدمها للنظام حول كيفية عمل المؤسسة فعليًا: كيف تخدم الفرق العملاء، كيف يزن المديرون القرارات، كيف يصحح المهندسون المنتجات، كيف يحلل المحللون المخاطر، وكيف يصحح الموظفون مخرجات النماذج غير المثالية.
بمرور الوقت، ستشكل هذه التفاعلات تدريجيًا سجلاً رقميًا لمعرفة تشغيل الشركة.
إذا كان هذا السجل موجودًا فقط في منتج خاص بأحد مزودي النماذج، فإن تغيير المزود لاحقًا قد يعني الحاجة إلى إعادة بناء أكثر بكثير من مجرد دمج روبوت محادثة.
الحل الذي طرحه ناديلا ليس أن تقوم كل شركة بتدريب نماذجها الأساسية المتطورة الخاصة.
بل على العكس، فهو يدعو إلى الفصل.
يجب أن تكون النماذج قابلة للاستبدال. يجب أن يظل سياق الشركة، وذاكرتها، وبياناتها الوصفية، وأطر عمل الوكلاء، وسير العمل، والمعرفة المتراكمة تحت سيطرة الشركة دائمًا.
هذه البنية تسمح للمؤسسات باستخدام أقوى النماذج لمهام محددة، دون أن تجعل من أي مزود المستودع الوحيد لحكمتها المؤسسية.
المراهنة بكل شيء على ذكاء اصطناعي واحد يعادل تعهد القدرات الذاتية
للوهلة الأولى، قد يبدو الالتزام بمزود ذكاء اصطناعي واحد فعالاً من حيث الكفاءة.
للموظفين واجهة واحدة. عملية الشراء أسهل. فريق الأمن يحتاج فقط لاعتماد منصة واحدة. المطورون يبنون مجموعة تكامل واحدة. يمكن للمؤسسة توحيد الاستفسارات والوكلاء وسير العمل الداخلي على مجموعة تقنية واحدة.
المشكلة تظهر تدريجيًا.
لم تعد أنظمة الذكاء الاصطناعي على مستوى المؤسسات مجرد صندوق نصي متصل بواجهة برمجة تطبيقات نموذج.
مع زيادة التبني، يتراكم في النظام:
- وثائق داخلية
- مكتبة استفسارات
- سجل محادثات
- تفضيلات المستخدم
- ذاكرة وكيل طويلة المدى
- نتائج تقييم
- صلاحيات أدوات
- قواعد سير العمل
- فهارس استرجاع
- سجل تصحيحات يدوية
- تاريخ استدعاءات الأدوات
- تعليمات خاصة بالأعمال
- أنماط الموافقة
- مصطلحات داخلية
- أمثلة عمل ناجحة وفاشلة
أي من هذه العناصر بمفرده قد لا يبدو كأصل استراتيجي.
لكن عندما تتجمع معًا، يمكن أن تشكل خريطة مفصلة لطريقة تفكير الشركة.
استخدام الذكاء الاصطناعي يخلق نوعًا جديدًا من الذاكرة المؤسسية
المعرفة التنظيمية التقليدية موزعة في أماكن عديدة.
بعضها مسجل في السياسات والأدلة وقواعد البيانات والموسوعات، لكن الكثير منها غير موثق.
إنها موجودة في القرارات المتكررة التي يتخذها الموظفون:
- أي طلب عميل يستحق التصعيد؟
- ما هي مؤهلات عميل متوقع حقيقي؟
- أي اختصارات هندسية مقبولة؟
- كيف تستجيب الشركة لطلبات استرداد غير عادية؟
- ما هي اللغة المقبولة في الأسواق الخاضعة للتنظيم؟
- أي عيوب منتج تتطلب تراجعًا فوريًا؟
- ما الذي يلاحظه المديرون ذوو الخبرة ويتجاهله الموظفون المبتدئون؟
عندما تشارك أنظمة الذكاء الاصطناعي في هذه القرارات، يبدأ سجل التفاعل في التقاط أجزاء من هذه المعرفة الضمنية.
المستخدمون يطرحون أسئلة.
الذكاء الاصطناعي يسترجع المعلومات.
الموظفون يصححون الإجابات.
النظام يستدعي الأدوات.
المستخدم يرفض نتيجة ويختار أخرى.
يتم تحديث سير العمل.
بعد آلاف التفاعلات، تكون الشركة، سواء بقصد أو بدونه، قد أنشأت مجموعة بيانات قيمة للتدريب والتقييم.
السؤال الأساسي هو: من يملك ويمكنه إعادة استخدام مجموعة البيانات هذه؟
التقييد بالمزود يتجاوز بكثير مشكلة توافق واجهة برمجة التطبيقات
عادةً ما تنظر الشركات إلى التقييد بالذكاء الاصطناعي على أنه مشكلة واجهة برمجة تطبيقات.
إذا أصبح المزود "أ" مكلفًا جدًا، استبدله بنقطة نهاية واجهة برمجة تطبيقات المزود "ب".
هذه الطريقة تعمل فقط عندما يكون النموذج نفسه هو الاعتماد الرئيسي.
أنظمة الوكلاء الحديثة تحتوي على طبقات أخرى عديدة.
| الطبقة | أمثلة |
|---|---|
| النموذج الأساسي | OpenAI, Anthropic, مايكروسوفت المستضافة, نماذج الوزن المفتوح |
| تعليمات النظام | قواعد الشركة وتعليمات المهام |
| السياق | الوثائق التجارية ذات الصلة والمعلومات المسترجعة |
| الذاكرة | تاريخ المستخدمين والفرق والمشاريع والعملاء الدائم |
| الإطار | حلقات الوكيل للتخطيط واستدعاء الأدوات وإعادة المحاولة والتقييم |
| الأدوات | CRM, قواعد البيانات, مستودعات الأكواد, ERP, البريد الإلكتروني, واجهات برمجة التطبيقات الداخلية |
| البيانات الوصفية | الاستفسارات, اختيار النموذج, المخرجات, زمن الاستجابة, التكلفة, التصحيحات |
| التقييم | اختبارات تحديد موثوقية سير العمل |
| السياسات | الصلاحيات, قواعد الأمان, متطلبات الامتثال |
| قابلية المراقبة | السجلات, التتبعات, مقاييس الاستخدام وسجل الأحداث |
إذا كانت كل هذه الطبقات مضمنة في منتج خاص بأحد المزودين، فإن تغيير النموذج الأساسي قد يتطلب إعادة تصميم المجموعة التقنية بأكملها.
هذا يخلق اعتمادًا فعليًا.
قد يقوم المزود الأصلي بـ:
- رفع الأسعار
- إيقاف نموذج معين
- تغيير حدود المعدل
- تغيير سلوك الذاكرة
- تعديل وظائف الوكيل
- تقييد قدرة معينة
- تغيير التوفر الإقليمي
- تغيير سياسات معالجة البيانات
- التخلف عن نموذج آخر في المهام الحيوية
الشركات التي تتبنى بنية معيارية يمكنها التعامل بتغيير النموذج.
أما بالنسبة للشركات التي تندمج فيها الذاكرة والإطار والسياق ومنطق سير العمل في خدمة واحدة، فقد تكون الخيارات أقل بكثير.
الخطر الحقيقي هو فقدان القدرة على شرح كيفية إنجاز العمل
عندما تتوقف المؤسسة عن الاحتفاظ بسجلها الخاص حول الاستدلال والتغذية الراجعة المتعلقة بالعمل المدعوم بالذكاء الاصطناعي، يظهر أعمق أشكال التقييد.
تخيل عملية دعم عملاء تم تحسينها على مدى عامين عبر آلاف تفاعلات الذكاء الاصطناعي.
الموظفون يصححون النظام بشكل متكرر.
هذه التصحيحات علمت سير العمل متى يجب استرداد الأموال، ومتى يجب التصعيد، وما هي النبرة التي يجب استخدامها.
طرق الاستخدام، حالات الاستثناء، والفرق الداخلية التي يجب إشراكها.
إذا كانت كل هذه المعرفة المكتسبة موجودة فقط في خدمة وكيل خاصة، فإن النقل قد يعني فقدان السجل التاريخي الذي جعل سير العمل فعالاً.
قد تظل الشركة تمتلك الوثائق الأصلية.
لكنها قد لا تمتلك بعد الآن الذاكرة التشغيلية الكاملة الناتجة عن استخدام هذه الوثائق.
هذا هو بالضبط ما يخفيه تحذير ناديلا – أن الشركة قد تنتهي بها الأمر إلى تعهد جزء من قدرتها على التفكير.
قد يبدو هذا القول دراميًا، لكن المشكلة المعمارية محددة جدًا: تحتاج الشركات إلى سيطرة كافية على المعرفة الناتجة عن الذكاء الاصطناعي لتتمكن من إعادة البناء والتدقيق والنقل وتحسين سير عملها الخاص.
يمكن استئجار أذكى النماذج، أما "عقل" الشركة فيجب أن يبقى داخليًا
الحل الذي يطرحه ناديلا هو فصل النموذج الأساسي عن الطبقات المحيطة التي تملكها الشركة.
في مقابلة CNN، دعا بشكل خاص إلى فصل إطار التحكم عن النموذج، و فصل السياق والذاكرة عن النموذج.
وهذا يشكل هيكلاً مختلفاً.
لم تعد الشركات تنظر إلى مزود الذكاء الاصطناعي الواحد كمنصة ذكاء متكاملة، بل أصبحت تنظر إلى النماذج الأساسية كمحركات استدلال قابلة للتبديل.
تحتفظ المؤسسات بالسيطرة على ما يلي:
- بياناتها الخاصة
- مطالباتها الخاصة
- ذاكرتها الخاصة
- حالة سير العمل الخاصة بها
- بيانات التقييم الخاصة بها
- طبقة الأدوات الخاصة بها
- بياناتها الوصفية
- صلاحياتها
- قواعد أعمالها
- مسار التدقيق الخاص بها
لا يتلقى النموذج سوى السياق اللازم للمهمة الحالية.
البيانات الوصفية التي يشير إليها ناديلا
في أنظمة الذكاء الاصطناعي المؤسسية، قد تتضمن البيانات الوصفية المعلومات التالية:
- ما السؤال الذي طرحه الموظف؟
- أي نموذج عالج هذا الطلب؟
- ما المستندات التي تم استرجاعها؟
- ما الأدوات التي تم استدعاؤها؟
- ما معلمات الأدوات المستخدمة؟
- ما النتيجة التي أنشأها النموذج؟
- هل قبل المستخدم النتيجة أم رفضها؟
- كيف قام الموظف بتحرير المخرجات؟
- كم استغرقت المهمة من وقت؟
- كم كانت تكلفة المهمة؟
- هل نجح سير العمل أم لا؟
- ما فحوصات الأمان أو السياسات التي تم تفعيلها؟
قد تصبح هذه السجلات ذات قيمة كبيرة.
يمكن استخدامها من أجل:
- تقييم النماذج
- تحديد أنماط الفشل الشائعة
- تحسين المطالبات
- تدريب المصنفات
- ضبط قواعد التوجيه
- بناء مجموعات بيانات داخلية
- إنشاء نماذج خاصة بالمجال
- تحسين سير عمل الوكلاء
- تدقيق القرارات الهامة
وجهة نظر ناديلا الأساسية هي أن دورة التعلم هذه يجب أن تظل مملوكة للمؤسسة.
إذا احتفظت المنظمة بسجل تفاعلاتها، يمكنها الاستمرار في التحسن حتى لو تغير النموذج الأساسي.
الحفاظ على استقلالية إطار التحكم
إطار التحكم هو طبقة البرامج المحيطة بنموذج الذكاء الاصطناعي، والتي تحول استجابات النموذج الأولية إلى سير عمل وكيل.
قد يتعامل مع الأمور التالية:
- بناء المطالبات
- استرجاع السياق
- التخطيط
- اختيار الأدوات
- تنفيذ الأدوات
- قراءة وكتابة الذاكرة
- آليات إعادة المحاولة
- التحقق من المخرجات
- عمليات الموافقة
الطلب
10. تسجيل السجلات
11. توجيه النموذج
12. إنشاء الاستجابة النهائية
إذا كان الإطار مقترناً بشكل وثيق بنموذج مزود معين، فقد يعني تغيير النموذج استبدال نظام الوكيل بأكمله.
إذا كان الإطار مستقلاً عن المزود، يمكن لنفس سير العمل استدعاء نماذج مختلفة.
على سبيل المثال:
- يمكن استخدام نموذج قوي في البرمجة للمهام البرمجية.
- يمكن استخدام نموذج ذو نافذة سياق كبيرة لمهام المستندات الطويلة.
- يمكن اختيار نموذج صغير لمهام التصنيف البسيطة.
- يمكن نشر نماذج مفتوحة الوزن ذاتية الاستضافة لأحمال العمل الحساسة.
- يمكن الترقية إلى نموذج استدلالي متطور للمهام التخطيطية المعقدة.
تظل عمليات الأعمال مستقرة، بينما يمكن تبديل محرك الاستدلال بمرونة.
هندسة النماذج المتعددة أصبحت نمطاً مؤسسياً حقيقياً
لم يعد هذا مجرد تصميم مفاهيمي.
توفر مايكروسوفت نفسها الآن البنية التحتية للتوجيه بين نماذج الذكاء الاصطناعي المتعددة.
موجه النماذج في Microsoft Foundry يحلل المطالبات ويوجهها إلى النماذج الأساسية المؤهلة بناءً على الجودة والتكلفة وزمن الوصول ومجموعة فرعية من النماذج المهيأة.
بوابة الذكاء الاصطناعي في Azure API Management يمكنها كشف النقاب عن عدة مزودي نماذج من خلال حدود مؤسسية موحدة. تصف وثائق مايكروسوفت دعم النهايات الخلفية بما في ذلك Microsoft Foundry وAzure OpenAI وAWS Bedrock وGoogle Vertex وOpenAI وAnthropic ونقاط نهاية النماذج المخصصة.
يمكن لهندسة البوابة إدارة مركزية:
- المصادقة
- اختيار النموذج
- بيانات اعتماد المزود
- حدود الرموز المميزة
- حدود المعدل
- تسجيل السجلات
- المراقبة
- سياسات أمان المحتوى
- سياسات الشبكة
- تتبع التكاليف
تتوجه التطبيقات لاستدعاء البوابة التي تسيطر عليها المؤسسة، بدلاً من تضمين مزود واحد مباشرة في جميع أنحاء قاعدة التعليمات البرمجية.
هذا لا يلغي مشكلة الارتباط بشكل كامل. قد تصبح البوابة نفسها بنية تحتية تحتاج إلى إدارة وترحيل.
لكنه يرفع اختيار النموذج إلى مستوى يمكن السيطرة عليه من قبل المؤسسة.
هندسة ذكاء اصطناعي مؤسسية عملية
يمكن النظر إلى مجموعة تقنيات الذكاء الاصطناعي المؤسسية المحايدة للموردين على أنها عدة طبقات مستقلة:
موظف / تطبيق
|
v
وكيل / إطار مؤسسي
|
+------ الذاكرة المؤسسية
|
+------ الاسترجاع / السياق
|
+------ الأدوات / MCP / واجهات برمجة التطبيقات الداخلية
|
+------ التقييم / السياسات
|
+------ قابلية الملاحظة / البيانات الوصفية
|
v
بوابة الذكاء الاصطناعي / موجه النماذج
/ | \
v v v
النموذج أ النموذج ب النموذج الداخلي
الحدود الرئيسية تكمن بين المعرفة المؤسسية و استدلال النموذج.
ذاكرة الشركة ومطالباتها وسير العمل والأدوات وبيانات التقييم تقع فوق طبقة النموذج.
يمكن استبدال النموذج دون التخلص من الحالة المنظمة المبنية حوله.
الطبقة الأولى: البيانات المؤسسية
احتفظ بمعلومات الأعمال الموثوقة في أنظمة تسيطر عليها المنظمة.
تشمل الأمثلة:
- مستودعات البيانات
- مستودعات المستندات
- أنظمة إدارة علاقات العملاء
- قواعد بيانات المنتجات
- منصات إدارة كود المصدر
- قواعد المعرفة الداخلية
يجب أن يسترجع النموذج المحتوى المطلوب، لا أن يكون النسخة الوحيدة الدائمة للمعلومات.
الطبقة الثانية: السياق والاسترجاع
قم ببناء الاسترجاع كخدمة مستقلة.
هذا يسمح للمنظمة بتغيير نموذج التضمين أو معيد الترتيب أو نموذج التوليد دون إعادة بناء قاعدة المعرفة الأصلية.
يجب أن تحتفظ طبقة الاسترجاع بمعلومات المصدر، حتى يعرف المستخدم ما هي المواد الداخلية التي أثرت على الإجابة.
الطبقة الثالثة: الذاكرة
عندما تكون الذاكرة ذات أهمية استراتيجية، قم بتخزين الذاكرة طويلة المدى بشكل منفصل عن سجل الدردشة الأصلي لمزود النموذج.
قد يشمل نطاق الذاكرة ما يلي:
- ذاكرة المستخدم
- ذاكرة المشروع
- ذاكرة العميل
- ذاكرة الوكيل
- ذاكرة المنظمة
يجب أن يكون لكل نوع ذاكرة قواعد واضحة للاحتفاظ والأذونات والتصدير والحذف.
الطبقة الرابعة: إطار الوكيل
ضع منطق الأعمال في نظام يمكن للمؤسسة فحصه وإدارة إصداراته.
يجب أن يحدد الإطار:
- ما الأدوات الموجودة
- من يمكنه استخدامها
- ما العمليات التي تتطلب موافقة
- كيف تعمل آليات إعادة المحاولة
- ما الحالات التي تحتاج إلى إصرار
- متى يمكن تبديل النموذج
- ما يعتبر نجاحاً
هذا يحول الوكيل من ميزة خاصة بالمورد إلى سير عمل مؤسسي.
الطبقة الخامسة: بوابة الذكاء الاصطناعي أو الموجه
عندما تكون مرونة النماذج المتعددة مهمة، ضع طبقة توجيه بين التطبيق والنموذج.
يمكن للموجه اختيار النموذج بناءً على عوامل:
- نوع المهمة
- متطلبات الجودة
- التكلفة
- زمن الوصول
- مكان إقامة البيانات
- طول السياق
- متطلبات الأمان
- توفر المزود
يمكن للبوابة أيضاً توفير وظيفة تجاوز الفشل.
إذا كانت نقطة نهاية نموذج غير متاحة، قد يتمكن سير العمل من الاستمرار باستخدام نموذج مؤهل آخر.
الطبقة السادسة: البيانات الوصفية والتقييم
قم بتخزين بيانات وصفية كافية للتفاعلات لفهم ما إذا كان النظام يعمل بشكل صحيح.
لا تحتفظ بجميع البيانات دون تمييز. لا تزال متطلبات الخصوصية والأمان والتنظيم سارية.
بالنسبة لسير العمل المناسب، يمكن أن تشمل السجلات المفيدة:
- إصدار النموذج
- إصدار قالب المطالبة
- المصادر المسترجعة
- استخدام الأداة
- زمن الوصول
- استخدام الرمز المميز
- ملاحظات المستخدم
- التصحيحات البشرية
- درجات التقييم
- النتيجة النهائية
هذه البيانات تسمح لأنظمة الذكاء الاصطناعي بالتحسن بمرور الوقت، دون ربط هذا التحسن بمزود معين.
لماذا يظل هذا مهماً حتى لو كان نموذج معين هو الأفضل حالياً بشكل واضح
تُبنى البنى المؤسسية برؤية أطول من قوائم ترتيب المعايير.
النموذج الأقوى اليوم قد لا يكون الأفضل بعد ستة أشهر.
يتغير سوق الذكاء الاصطناعي بسرعة لأن التحسينات يمكن أن تأتي من:
- تدريب مسبق جديد
- قدرات استدلال أفضل
- تكاليف استدلال أقل
- تقنيات جديدة لنافذة السياق
- قدرات جديدة متعددة الوسائط
- برمجة أفضل
- استخدام أفضل للأدوات
- خدمة أسرع
- إصدار أوزان مفتوحة
- نماذج متخصصة في المجال
الشركة القادرة على تغيير نموذجها دون تغيير نظام تشغيلها ستستفيد من هذه المنافسة.
أما الشركة المرتبطة بشدة بمجموعة تقنيات احتكارية، فقد لا تستفيد.
![صورة تظهر ساتيا ناديلا، الرئيس التنفيذي لشركة مايكروسوفت.]
يرتدي بدلة سوداء، ونظارة، ويبتسم، ويستخدم إيماءات يدوية حيوية. في الخلفية توجد أرفف كتب تحتوي على كتب وقبعة وإطارات صور وغيرها. يوجد في أسفل الصورة ترجمة ثنائية بالصينية والإنجليزية، النص الإنجليزي يقول: "at the same time anyone model can go away and you can"، والنص الصيني يقول: "في نفس الوقت، قد يتم استبعاد أي نموذج، بينما يمكنك الاستمرار في استخدام نموذجك الخاص." ترتبط هذه الصورة ارتباطًا وثيقًا بالسياق، الذي يناقش ضرورة تجنب الشركات الاعتماد المفرط على مزود واحد للذكاء الاصطناعي، مع التركيز على أهمية أن تكون النماذج قابلة للاستبدال لمواجهة تغييرات مثل استبعاد النماذج.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/c44f3901-7bd5-4733-895d-6fa0b47f301e-50fd6d0f-c3d0-483b-893a-0dbdce1e7527.png)
هذا لا يعني أن الشركات يجب أن تغير نماذجها باستمرار.
التغيير المتكرر بحد ذاته قد يسبب مشكلات:
- عدم تناسق المخرجات
- جديدة
عملية التقييم
- فحص الأمان
- عدم توافق التعليمات
- سلوك أدوات مختلف
- أنماط جديدة من الأعطال
الهدف هو قابلية الاختيار، وليس الاستبدال الدائم.
يجب أن تكون الشركة قادرة على التغيير عند وجود مبرر كافٍ.
خطة رموز YC تكشف سبب قلق الشركات الناشئة من الاعتماد على المنصات
المقال الأصلي يربط تحذير ناديلا بنقاشات سابقة في مجتمع الشركات الناشئة.
في مايو 2026، عرض سام ألتمان، الرئيس التنفيذي لـ OpenAI، على كل شركة ناشئة في دفعة Y Combinator الحالية رموز OpenAI بقيمة 2 مليون دولار مقابل حصة في الأسهم.
ذكرت TechCrunch أن هذا الاستثمار سيكون في شكل SAFE غير محدود السقف، وسيتم تحويله في جولات التمويل اللاحقة المحددة السعر.
هذا جذاب لشركات الذكاء الاصطناعي الناشئة.
قد يكون استدلال النموذج أحد أكبر النفقات المبكرة للشركة. الحصول على تخصيص كبير من الرموز يسمح للفريق ببناء واختبار المنتجات دون إنفاق مبلغ نقدي مماثل.
لكن هذا يثير أيضًا تساؤلات واضحة حول الاعتماد الاستراتيجي.
حذر المستثمر جيسون كالاكانيس المؤسسين علنًا من أن مزود المنصة قد يطلع على ما تطوره الشركة الناشئة، ثم ينافسها لاحقًا.
هذا القلق لا يعني إثبات أن OpenAI ستسرق منتج شركة معينة فعليًا.
هذه هي حجة مخاطر المنصة النموذجية: كلما كان مزود البنية التحتية أكثر مركزية في العمل، زادت الحاجة إلى فهم البيانات التي يمكن لهذا المزود الوصول إليها ومدى تكلفة التبديل.
خطة OpenAI مستقلة عن صفقة YC القياسية
تظل استثمارات Y Combinator القياسية مستقلة.
تصف YC حاليًا صفقتها القياسية بأنها استثمار بقيمة 500,000 دولار، وتشمل:
- 125,000 دولار مقابل حصة ثابتة 7%
- 375,000 دولار عبر SAFE غير محدود السقف مع شرط أفضل معاملة
صفقة رموز OpenAI التي ذكرتها TechCrunch هي إضافة، وليست بديلاً عن تمويل YC القياسي.
لذلك، بالنسبة للمؤسسين، فإن السؤال الاستراتيجي ليس فقط حول قيمة الاستدلال المجاني أو المدعوم.
بل ما إذا كان قبول هذا العرض سيؤدي إلى تغييرات في هيكل الشركة الناشئة تزيد من صعوبة العمل بشكل مستقل في المستقبل.
معرفة الذكاء الاصطناعي المؤسسي أصبحت أصلًا استراتيجيًا جديدًا
في الماضي، كانت مزايا الشركات تكمن غالبًا في المواهب والعمليات.
يعرف الموظفون ذوو الخبرة كيفية حل المشكلات الاستثنائية. يفهم المديرون أي الحالات الاستثنائية حاسمة. يعرف فريق المبيعات الإشارات التي تمثل نية شراء حقيقية. يتذكر المهندسون أسباب قرارات الهندسة المعمارية التي بدت غريبة منذ سنوات.
بدأت أنظمة الذكاء الاصطناعي في ترميز جزء من الحكم المتراكم كناتج قابل للقراءة آليًا.
تشمل هذه النواتج:
- مكتبات التعليمات
- تعليمات الوكلاء
- تخزين السياق
- مجموعات التقييم
- بيانات التغذية الراجعة البشرية
- مسارات استخدام الأدوات
- سجلات القرارات
- ذاكرة الوكلاء
- بيانات الضبط الدقيق
- تعريفات سير العمل
هذا لا يعني أن الذكاء الاصطناعي استحوذ على كل ذكاء المنظمة.
لا يزال جزء كبير من الخبرة موجودًا في المواهب والثقافة والعلاقات الشخصية والحكم الضمني.
لكن نسبة الجزء القابل للقراءة آليًا في تزايد.
هذا يجعل الملكية وقابلية النقل أكثر أهمية.
النماذج أصبحت طبقة سلعية بشكل متزايد
مكلفة وصعبة تقنيًا.
بالنسبة لمعظم الشركات، تدريب نموذج من الصفر لا معنى له اقتصاديًا.
التغيير الحقيقي هو أن الشركات لديها المزيد من الخيارات.
على سبيل المثال، توفر Microsoft Foundry الوصول إلى نماذج من Microsoft وOpenAI وMeta وDeepSeek ومزودين آخرين. يمكن توجيه بوابات المؤسسات أيضًا إلى نماذج مستضافة على منصات سحابية أخرى أو مقدمة من طرف ثالث مباشرة.
لذلك، يمكن اعتبار النماذج مكونًا متخصصًا في البنية التحتية.
القيمة المستدامة الفريدة للشركة تكمن في المستويات التالية:
- البيانات الخاصة
- معرفة سير العمل
- التغذية الراجعة الداخلية
- أنظمة التقييم
- قواعد العمل
- أنظمة الذاكرة
- سياق العميل
- القرارات التنظيمية
هذه المستويات هي التي تسمح للنماذج العامة بإظهار قدرات الذكاء الاصطناعي الفريدة للشركة.
اختبار النقل الذي يجب على كل شركة تنفيذه
طريقة عملية لقياس درجة الاعتماد على الذكاء الاصطناعي هي طرح سؤال بسيط:
إذا اختفى مزود النموذج الرئيسي لدينا غدًا، ماذا سنخسر؟
يجب توثيق الإجابة.
1. الوصول إلى النموذج
هل يمكن للتطبيقات التوجيه إلى نقطة نهاية نموذج آخر؟
إذا كان الأمر كذلك، كم مقدار الكود الذي يحتاج إلى تعديل؟
2. التعليمات
هل يتم تخزين تعليمات النظام وتعليمات الوكيل في مستودع الشركة الخاص؟
هل يمكن تصديرها وإدارة إصداراتها؟
3. السياق
هل المستندات المصدر وفهارس الاسترجاع تحت سيطرة الشركة؟
هل استبدال النموذج يتطلب إعادة بناء طبقة المعرفة؟
4. أنظمة الذاكرة
هل يمكن تصدير الذاكرة طويلة المدى؟
هل المنظمة على دراية بهندستها المعمارية؟
هل هذه الذاكرة متوافقة مع أنظمة الوكيل الأخرى؟
5. تكامل الأدوات
هل تكامل الأدوات مبني على واجهات برمجة تطبيقات قابلة للنقل أو معايير مثل MCP؟
أم أن سير العمل الحاسم موجود فقط في منتج وكيل خاص بمزود معين؟
6. البيانات الوصفية
هل تحتفظ الشركة بسجلات التفاعل ونتائج تقييم النموذج الخاصة بها؟
هل يمكن مقارنة أداء مزودين عبر المهام التاريخية؟
7. أنظمة التقييم
هل يمكن اختبار نفس معايير القبول باستخدام نموذج آخر؟
إذا لم تكن هناك مجموعة تقييم قابلة لإعادة الاستخدام، فإن تغيير النموذج سيكون مجرد محاولة نقل ذاتية.
8. الهوية والأذونات
هل يتم تنفيذ أذونات العمل بواسطة نظام الشركة نفسه؟
يجب ألا يتطلب نقل النموذج إعادة بناء نموذج تفويض الشركة.
9. الامتثال
هل يمكن للشركة توضيح تدفق البيانات، ونماذج المعالجة، والمحتوى المحتفظ به؟
مرونة النماذج المتعددة تكون ذات قيمة فقط عندما يظل نظام الحوكمة سليمًا.
10. التحويل التشغيلي في حالات الطوارئ
ماذا يحدث عندما يكون المزود الرئيسي غير متاح؟
هل يمكن لسير العمل الحاسم أن يتدهور بشكل أنيق؟
غالبًا ما يكشف اختبار النقل عن تبعيات تغفلها المخططات المعمارية.
النماذج المتعددة لا تعني إرسال كل تعليمات إلى كل مكان
تجنب الاعتماد على مزود واحد لا يعني إرسال البيانات إلى مزودي نماذج متعددين في نفس الوقت.
ذلك يخلق مخاطر غير ضرورية على الخصوصية والأمان.
استراتيجية النماذج المتعددة الخاضعة للتحكم يجب أن تستخدم قواعد التوجيه.
على سبيل المثال:
| عبء العمل | استراتيجية التوجيه المحتملة |
|---|---|
| تصنيف منخفض المخاطر | نموذج مستضاف صغير منخفض التكلفة |
| برمجة معقدة | نموذج برمجة قوي |
| تحليل مستندات طويلة | نموذج سياق طويل |
| بيانات داخلية حساسة | نموذج خاص أو مستضاف ذاتيًا |
| قرارات عالية المخاطر | نموذج مؤسسي قابل للتدقيق |
دعم القرار | نموذج معتمد + مراجعة بشرية
| انقطاع المزود | نموذج تحويل معتمد مسبقًا |
لا تزال الشركات بحاجة إلى وضع استراتيجية حوكمة البيانات تحدد أي النماذج يمكنها معالجة أي معلومات.
يجب أن يظل اختيار النموذج مرنًا.
يجب أن تكون معالجة البيانات صارمة.
الهندسة المعمارية نفسها تنطوي على مفاضلات
اقتراح ناديلا يبدو مغريًا، لكن فصل كل طبقة يزيد من عبء العمل الهندسي.
قد تتطلب أنظمة النماذج المتعددة:
- اختبار التوافق
- توحيد التعليمات
- محولات خاصة بالمزود
- بنية تحتية للتقييم
- تتبع التكاليف
- استراتيجيات التوجيه
- مراقبة موحدة
- فحص أمني متعدد المزودين
- التحكم في إقامة البيانات
- منطق تراجع خاص بالنموذج
قد تختار الشركات الصغيرة في البداية مزودًا واحدًا بشكل معقول.
المفتاح هو تجنب الاعتماد غير الضروري.
لا تحتاج الشركات الناشئة إلى بناء منصة ذكاء اصطناعي داخلية معقدة قبل تحقيق ملاءمة المنتج للسوق.
يمكنها مع ذلك:
- تخزين التعليمات في مستودع الكود الخاص بها
- الاحتفاظ بمصادر البيانات خارج مزود النموذج
- الحفاظ على أنماط ذاكرة قابلة للنقل
- تجريد استدعاءات النموذج بعد توحيد الواجهات الداخلية
- تسجيل إصدارات النموذج
- الاحتفاظ بمجموعات بيانات التقييم
هذه القرارات البسيطة نسبيًا يمكن أن تجعل النقل المستقبلي أسهل.
السؤال الاستراتيجي هو من يمتلك حلقة التعلم
قد لا يكون الجزء الأكثر قيمة في الذكاء الاصطناعي المؤسسي هو النموذج نفسه.
بل حلقة التغذية الراجعة التي تنشأ عند استخدام الموظفين للنموذج.
تطرح الشركة مشكلة.
يقدم النموذج إجابة.
يصحح الموظف الأخطاء.
يتم استدعاء الأدوات.
تُقاس النتائج.
ينشأ سير عمل أفضل.
إذا امتلكت المؤسسة هذه الدورة، يمكنها نقل التعلم المتراكم من جيل نموذج إلى الجيل التالي.
إذا كانت الدورة مملوكة بالكامل للمُوَرِّد، فقد تجد الشركة أن أنظمة الذكاء الاصطناعي قد تحسنت، لكن قدرتها على النقل لم تتحسن.
ولهذا السبب، يحمل تحذير ناديلا معنى أعمق من مجرد اقتراح استخدام مُوَرِّدين متعددين.
إنها توصية حول أين يجب أن يوجد الذكاء المؤسسي.
يمكن استئجار النماذج.
لكن على المؤسسة الاحتفاظ بالسياق الذي يجعل النموذج فعّالاً.
الأسئلة الشائعة
ما رأي ساتيا ناديلا في الاعتماد على نموذج ذكاء اصطناعي واحد؟
في مقابلة مع فريد زكريا في 26 يوليو 2026، رأى ناديلا أن الشركات لا ينبغي أن تترك لمُوَرِّد ذكاء اصطناعي واحد السيطرة على بياناتها، وبياناتها الوصفية، وسياقها، وذاكرتها، وإطار عمل وكلائها. حذّر من أن الشركة إذا فقدت السيطرة على هذه الطبقات، فقد تُخرج جزءًا من قدرتها على التفكير.
هل يعتقد ناديلا أن الشركات يجب أن تبني نماذج أساسية خاصة بها؟
ليس بالضرورة. اقتراحه هو فصل السياق المؤسسي، والذاكرة، والبيانات الوصفية، وطبقة التنسيق عن النموذج، مما يسمح للشركة باستخدام نماذج متطورة أو مفتوحة الوزن متعددة مع الاحتفاظ بمعرفتها الخاصة.
ما هو إطار عمل وكلاء الذكاء الاصطناعي؟
الإطار هو طبقة برمجية حول النموذج، تدير التعليمات النصية، والأدوات، والسياق، والذاكرة، والتخطيط، وإعادة المحاولة، والأذونات، والتقييم، والتنفيذ. فصله عن مُوَرِّد النموذج الواحد يساعد على تحسين قابلية نقل العمليات التجارية.
ما هي بوابة الذكاء الاصطناعي؟
بوابة الذكاء الاصطناعي هي طبقة مُتحكّم بها بين تطبيق المؤسسة ومُوَرِّدي النماذج. تقوم بمركزية المصادقة، والتوجيه، وتحديد المعدل، والمراقبة، والسياسات، واختيار النموذج، وبيانات اعتماد المُوَرِّد.
لماذا يجب على المؤسسات الاحتفاظ بالبيانات الوصفية للذكاء الاصطناعي؟
تكشف البيانات الوصفية للذكاء الاصطناعي عن التعليمات النصية المستخدمة، والمعلومات المسترجعة، والأدوات المستدعاة، وكيفية تصحيح المستخدمين للمخرجات، وما إذا كانت المهمة ناجحة. يمكن استخدام هذا السجل التاريخي في التقييم، وتحسين سير العمل، وتوجيه النماذج، أو التدريب الداخلي المستقبلي.
هل يمكن لهندسة النماذج المتعددة القضاء على تقييد المُوَرِّد؟
لا. إنها تقلل الاعتماد على طبقة النموذج، لكن البوابة، وقواعد البيانات المتجهية، وأنظمة الذاكرة، وأطر عمل الوكلاء، أو المنصات السحابية قد تشكل أشكالاً جديدة من التقييد. قابلية النقل تتطلب اعتبارًا شاملاً عبر كامل المجموعة التقنية.
ماذا عرضت OpenAI على الشركات الناشئة في Y Combinator؟
وفقًا لتقرير TechCrunch في مايو 2026، عرضت OpenAI على كل شركة ناشئة في الدفعة الحالية من YC رموزًا بقيمة 2 مليون دولار، مقابل حصة في الأسهم عبر اتفاقية SAFE غير محدودة السقف. هذا الترتيب مستقل عن اتفاقية الاستثمار القياسية لـ YC بقيمة 500 ألف دولار.
هل يجب على الشركات الناشئة الصغيرة بناء منصة نماذج متعددة فورًا؟
عادة لا. يمكن للفرق المبكرة البدء بمُوَرِّد واحد مع الحفاظ على تجريد استدعاءات النماذج، والتحكم في إصدار التعليمات النصية، والتحكم الذاتي في البيانات، وقابلية نقل التقييم. هذه الخيارات تحتفظ بمرونة التعديل المستقبلي دون إضافة بنية تحتية غير ضرورية.
الأدوات ذات الصلة
- Microsoft Foundry: منصة مايكروسوفت لاكتشاف وتقييم ونشر وتشغيل نماذج ذكاء اصطناعي متعددة.
- Microsoft Foundry Model Router: طبقة توجيه وسيطة تختار النماذج المؤهلة بناءً على سياسات الجودة والتكلفة والتكوين.
- Azure API Management AI Gateway: بوابة مُدارة لإدارة الوصول إلى نماذج الذكاء الاصطناعي المتعددة وأدوات MCP.
- Model Context Protocol: بروتوكول مفتوح يربط تطبيقات الذكاء الاصطناعي بالأدوات ومصادر البيانات عبر واجهة موحدة.
- OpenTelemetry: إطار عمل مفتوح المصدر للمراقبة، مناسب لجمع التتبعات والمقاييس والسجلات من البنية التحتية لتطبيقات الذكاء الاصطناعي.
- Y Combinator SAFE: مورد YC الرسمي حول هيكل التمويل عبر الاتفاقية البسيطة للأسهم المستقبلية.
الروابط ذات الصلة
- مقابلة Fareed Zakaria GPS مع ساتيا ناديلا: مقابلة في 26 يوليو 2026 يناقش فيها ناديلا مخاطر وفوائد الذكاء الاصطناعي للمؤسسات.
- TechCrunch: ساتيا ناديلا يتحدث عن الاعتماد على ذكاء اصطناعي واحد: تقرير عن توصية ناديلا بفصل السياق المؤسسي والذاكرة وطبقات التحكم عن النماذج الأساسية.
- Microsoft Foundry Model Router: توثيق رسمي لنظام التوجيه متعدد النماذج من مايكروسوفت.
- نظرة عامة على Azure AI Gateway: توثيق رسمي لحوكمة نماذج وأدوات الذكاء الاصطناعي المتعددة عبر نقطة نهاية مؤسسية واحدة.
- واجهة النموذج الموحدة في Azure API Management: توثيق مايكروسوفت حول تقديم نماذج خلفية متعددة عبر واجهة برمجة تطبيقات واحدة موجهة للعميل.
- TechCrunch: OpenAI تقدم عروض رموز بقيمة 2 مليون دولار لشركات YC الناشئة: تقرير عن اقتراح OpenAI "الرموز مقابل الأسهم" لشركات دفعة YC لعام 2026.
- شروط الاستثمار القياسية لـ Y Combinator: شرح YC الرسمي لهيكل الاستثمار القياسي بقيمة 500 ألف دولار.
الملخص
تحذير ساتيا ناديلا ليس مجرد اقتراح للشركات بالاشتراك في نماذج ذكاء اصطناعي متعددة. معناه الأعمق هو: يجب على المؤسسات تجنب وضع السياق المتراكم، والذاكرة، والبيانات الوصفية، ومنطق الوكلاء، والمعرفة التشغيلية في أنظمة لا يمكن حفظها أو نقلها بشكل مستقل.
الهندسة المعيارية تجعل طبقة المعرفة المؤسسية مستقلة عن طبقة النموذج. يمكن للشركات اختيار النماذج بناءً على احتياجات الترميز، ومعالجة السياقات الطويلة، والمهام منخفضة التكلفة، وأعباء العمل الحساسة، أو التبديل عند الفشل، دون الحاجة إلى إعادة بناء نظام تشغيل الذكاء الاصطناعي بالكامل.
تأتي هذه المرونة بتعقيد هندسي، لكن حتى الفرق الصغيرة يمكنها الاحتفاظ بخياراتها المستقبلية من خلال السيطرة المبكرة على بياناتها، وتعليماتها النصية، وهندسة ذاكرتها، ومعايير تقييمها، وواجهات نماذجها.
يمكن استئجار النماذج المتطورة، أما حلقة التعلم التي تفسر آلية عمل مؤسستك، فيجب أن تظل ملكك إلى الأبد.