في مؤتمر «دل تكنولوجيز وورلد» الذي اختتم فعالياته الخميس في لاس فيغاس، لم يعد السؤال الأبرز حول الذكاء الاصطناعي هو ما إذا كانت المؤسسات قد بدأت تجاربه، بل لماذا يتعثر كثير منها قبل أن يتحول إلى قيمة تشغيلية داخل الأعمال. فمرحلة التجارب السريعة لم تعد كافية لإثبات جدوى التقنية، خصوصاً مع انتقال الشركات من المساعدات الذكية البسيطة إلى أنظمة الذكاء الاصطناعي الوكيلي القادرة على تنفيذ خطوات متعددة، والتفاعل مع بيانات وأنظمة داخلية، وربما التأثير في سير عمل كامل.
في مقابلة خاصة مع «الشرق الأوسط»، يضع سكوت بيلز، نائب الرئيس للخدمات المهنية في «دل تكنولوجيز»، هذا التحول في إطار عملي. فالمؤسسات، كما يشرح، تبدأ غالباً بـ«إثبات مفهوم» للتحقق من صلاحية حل أو حالة استخدام معينة، لكنها تحتاج بعد ذلك إلى مرحلة مختلفة يسميها «إثبات القيمة».
ولا تكتفي هذه المرحلة بسؤال: هل تعمل التقنية؟ بل تذهب إلى أسئلة أعمق: ما القيمة التي ستنتج عنها؟ وما مؤشرات الأداء؟ وما النتائج التي تريد المؤسسة تحقيقها؟ يقول بيلز إن هذه المرحلة قد تمتد عادة من أربعة إلى ستة أسابيع، وتقوم على استخدام بيانات المؤسسة نفسها، وتحديد مؤشرات النجاح، ثم اختبار حالة الاستخدام قبل الانتقال إلى التوسع الكامل.
إثبات القيمة
هذا التمييز بين «إثبات المفهوم» و«إثبات القيمة» يختصر أحد أهم دروس الذكاء الاصطناعي المؤسسي اليوم. فنجاح تجربة تقنية محدودة لا يعني بالضرورة أنها جاهزة لدخول سير العمل اليومي. يوضح بيلز أن ما يجعل تجربة الذكاء الاصطناعي الوكيلي قابلة للانتقال إلى سير عمل حقيقي هو تحديد هذا السير نفسه، ثم تحديد مؤشرات الأداء والنتائج المطلوبة. وإذا لم يثبت «إثبات القيمة» أن الفرصة تستحق التوسع، فقد يكون ذلك مؤشراً إلى أن المؤسسة لا تحتاج إلى الانتقال إلى الإنتاج في هذه الحالة، أو أنها يجب أن تبحث عن استخدام آخر أكثر جدوى.
من هنا يصبح الطريق إلى الإنتاج أقل ارتباطاً بشراء البنية التحتية وحدها، وأكثر ارتباطاً بالعمل الخفي الذي يحدث بعدها. يفيذ بيلز بأن المؤسسات غالباً تقلل من حجم العمل المطلوب بعد تنفيذ الحل، بما في ذلك الحفاظ على حداثة المنظومة الكاملة، من طبقة التحكم والتنسيق إلى التطبيقات وحالات الاستخدام المبنية فوقها. لكنه يرى أن أحد أكبر تحديات الدمج يظهر حول كيفية تحديد المؤسسة مجموعات البيانات المناسبة لها وطريقة تجهيزها وتنظيفها وبناء خطوط البيانات وتأمينها من البداية إلى النهاية.
إعادة تصميم سير العمل
تجعل هذه النقطة الذكاء الاصطناعي المؤسسي مشروعاً إدارياً وتشغيلياً بقدر ما هو مشروع تقني. فالمؤسسة التي تشتري بنية للذكاء الاصطناعي من دون أن تحدد أين توجد بياناتها، وما جودتها، وكيف ستدخل في سير العمل، ستواجه غالباً فجوة بين القدرة النظرية والتشغيل الفعلي. ولهذا يؤكد سكوت بيلز أن اختيار حالة الاستخدام لا يجب أن يبدأ من مهمة صغيرة ومعزولة، بل من فهم عملية أعمال كاملة أو وظيفة محددة من البداية إلى النهاية. ويحذر من أن التركيز على حالات استخدام تكتيكية جداً قد يمنع المؤسسة من التقاط الفائدة الأكبر، وهي إعادة تصميم العملية كاملة، خصوصاً في سياق الذكاء الاصطناعي الوكيلي.
وما يفصل حالة الاستخدام الإنتاجية عن التجربة التقنية، بحسب بيلز، هو أنها تصبح «مستخدمة فعلياً في العمليات» من قبل مستخدمي الأعمال، وتنتج نتائج وقيمة في نهاية المطاف. ففي مرحلة إثبات القيمة قد يكون الاختبار على جزء من البيانات أو مجموعة محدودة من المستخدمين. أما الإنتاج الحقيقي فيعني توسيع الاستخدام إلى نطاق أوسع داخل المؤسسة، بعد معالجة جوانب التنفيذ والدمج والتشغيل والأمن والحوكمة.
تعقيد الوكلاء
تزداد هذه المتطلبات تعقيداً عندما تنتقل المؤسسة من مساعد ذكي يجيب عن سؤال إلى وكيل أو عدة وكلاء يتفاعلون مع سير العمل. فالمساعد التقليدي غالباً ما يكون أقرب إلى حالة استخدام أحادية تتضمن طلبا وإجابة ونتيجة محددة. أما الذكاء الاصطناعي الوكيلي فيمكن أن يتطلب تنسيقاً بين عدة وكلاء، وتواصلاً بينهم، وربطاً بسير عمل مختلف. هنا لا يصبح السؤال فقط هل النموذج قادر على إنجاز المهمة، بل هل تستطيع المؤسسة تنسيق هؤلاء الوكلاء وتأمينهم وحوكمتهم وضبط صلاحياتهم؟ ويصرح بيلز بأن هذا قد يصبح «معقداً جداً» عندما يتعلق الأمر بتواصل وكيل مع وكيل آخر، وتأمين هذا التواصل، وضمان ضوابط الوصول المناسبة عبر سير عمل متعدد الوكلاء.
بيانات صالحة للاستخدام
تعود البيانات مرة أخرى باعتبارها مركز الصعوبة حيث يكون السؤال المتكرر داخل المؤسسات: هل بياناتنا جاهزة للذكاء الاصطناعي؟ بيلز يجيب بأن الأمر صعب الحكم عليه بشكل عام. فهو يرى بأنه لا يمكن النظر إلى كامل بصمة البيانات داخل المؤسسة، بما فيها البيانات المنظمة وغير المنظمة، والقول ببساطة إنها جاهزة أو غير جاهزة. الجاهزية يجب أن تقاس في سياق حالة الاستخدام أو النتيجة الوكيلية المستهدفة: هل تستطيع هذه البيانات دعم الاستخدام المحدد؟ وهل يمكن دمجها وتقديمها بطريقة تحقق النتيجة المطلوبة؟
وهنا يأتي دور الخدمات المهنية لأن عندها تحدد المؤسسة حالة الاستخدام، يمكن للخدمات أن تساعد في تحديد مجموعات البيانات المناسبة، وتقييم جودتها، ومعرفة ما إذا كانت تحتاج إلى إثراء أو تنقية أو تحسين، ثم إعداد خطوط البيانات ودمجها في الاستخدام، وحوكمتها وإدارتها بمرور الوقت من زاوية الامتثال. وهذا يوضح لماذا لا يكون الانتقال إلى الإنتاج مجرد نشر نموذج أو شراء خوادم، بل سلسلة من القرارات حول البيانات والعمليات والتكامل والأمن.
اختناق البيانات
ينسجم هذا مع أحد أبرز محاور إعلانات «دِل» في المؤتمر، إذ ركزت الشركة على توسعة «Dell AI Factory with NVIDIA» ومنصة «Dell AI Data Platform» لمعالجة مشكلة تحويل البيانات المبعثرة داخل المؤسسات إلى بيانات قابلة للاستخدام في تطبيقات الذكاء الاصطناعي. وتشمل التحديثات فهرسة مليارات الملفات غير المهيكلة، وربطها بخطوط بيانات محكومة، وتسريع تحليلات " SQL " باستخدام وحدات معالجة الرسوميات حتى 6 مرات، إلى جانب فهرسة متجهات أسرع حتى 12 مرة. هذه الأرقام لا تخدم عرضاً تقنياً مجرداً، بل ترتبط مباشرة بما يصفه بيلز: أن اختناق البيانات قد يتحول سريعاً إلى اختناق في الانتقال من التجربة إلى الإنتاج.
اختيار النموذج المناسب
مع توسع المنظومة حول نماذج مفتوحة ومغلقة وشركاء مختلفين، تصبح مسألة اختيار النموذج المناسب جزءاً من تقليل مخاطر النشر. وقد أعلنت «دِل» خلال المؤتمر الذي حضرته «الشرق الأوسط»، توسيع منظومتها عبر شراكات تشمل مزودي نماذج ومنصات مثل «Google» و«Hugging Face» و«OpenAI» و«Palantir» و«ServiceNow» و«SpaceXAI». لكن القيمة العملية لهذه الشراكات تظهر عند ربطها بحالة الاستخدام الفعلية. ويلفت بيلز إلى أن «دِل» تساعد العملاء على تحديد النموذج أو نموذج اللغة الكبير الأنسب، ثم التفكير في الأداء، وتأمين البيئة، وحماية البيانات والنموذج، وتحسين الأداء بعد النشر.
ولا يضع سكوت بيلز البيانات والحوسبة في مواجهة بعضهما. فعند سؤاله أيهما أصبح أكثر أهمية، تنسيق البيانات أم الحوسبة، قال إن الاختيار صعب لأن «الحوسبة من دون البيانات لا تقدم نتيجة»، وكذلك «البيانات من دون الحوسبة لا تقدم نتيجة». لكنه يضيف أن المؤسسة قد تمتلك «أفضل حوسبة في العالم»، ومع ذلك لن تحصل على النتائج المطلوبة إذا كانت جودة البيانات الأساسية ضعيفة.
تشتت الذكاء الاصطناعي
تظهر الكلفة كجزء آخر من فجوة التنفيذ. فمع توسع التجارب داخل الإدارات المختلفة، قد تنشأ حالة من «تشتت الذكاء الاصطناعي» داخل المؤسسة، حيث تستخدم فرق متعددة أدوات ونماذج مختلفة من دون رؤية واضحة لحجم الاستهلاك. يشير بيلز إلى أن كثيراً من العملاء لا يعرفون فعلياً مقدار استهلاكهم الحالي من الرموز أو حجم التكاليف المرتبطة به. لذلك، قبل مقارنة التشغيل المحلي أو السحابي، تصبح الخطوة الأولى هي فهم البصمة الحالية للتكاليف والاستهلاك، ثم قياسها مقابل نماذج تشغيل بديلة مثل الذكاء الاصطناعي بجانب المكتب أو داخل مركز البيانات.
وفي هذا السياق، تصبح بعض إعلانات «ِدل» حول «Deskside Agentic AI» مرتبطة بفكرة ضبط الكلفة لا بمجرد تشغيل الذكاء الاصطناعي على محطة عمل. فالشركة تقول إن بعض الأحمال الوكيلية المستمرة قد تصبح أكثر قابلية للتنبؤ اقتصادياً عندما تعمل محلياً أو داخل بيئة تتحكم بها المؤسسة، بدلاً من الاعتماد الكامل على واجهات برمجة سحابية قائمة على الاستهلاك.
هذا يقود إلى نقطة خطر أتمتة سير عمل سيئ التصميم. فالذكاء الاصطناعي الوكيلي قد يسرّع ما هو موجود، لكنه إذا دخل في عملية غير واضحة أو مجزأة فقد يسرّع التعقيد نفسه. يشدد بيلز أن البداية يجب أن تكون بفهم سير العمل الحالي، ثم تحديد الشكل المطلوب له مستقبلاً، والتفكير فيه بطريقة مرنة، لأن الوكلاء أنفسهم سيتطورون، وسير العمل سيتغير مع تطور التقنية. وهذا يعني أن التصميم لا يجب أن يكون جامداً، بل قابلاً للتعديل مع تغير قدرات الوكلاء وحالات الاستخدام.
السيادة والقطاعات الحساسة
في سياق الشرق الأوسط والسعودية، لا يرى بيلز أن نمط التنفيذ يختلف جذرياً عن أوروبا أو أميركا الشمالية من حيث الخطوات الأساسية من حيث تحديد حالات الاستخدام، وتنفيذ «مصنع الذكاء الاصطناعي»، ودفع العملاء نحو نتائج قابلة للقياس. لكنه يُقر بأن قضايا السيادة على البيانات «مهمة بوضوح»، وأن العمل في المنطقة، بما فيها السعودية، يرتبط بخدمات مُدارة وخدمات أمنية ونماذج تشغيل تساعد العملاء على التعامل مع هذه المتطلبات. ويقول إن النمط العام في مساعدة العملاء على تحقيق نتائج عبر البدء بحالات الاستخدام الصحيحة يبدو متشابهاً في السعودية والشرق الأوسط مقارنة بالأسواق الأخرى.
غير أن تعقيد البيانات والسيادة والأمن يجعل بعض القطاعات أكثر حساسية عند الانتقال إلى الإنتاج. يربط سكوت بيلز القطاعات الأكثر صعوبة بتحديات حماية البيانات وأمنها وسيادتها. فالجهات التي تتعامل مع بيانات حساسة أو منظمة، مثل الحكومة والتمويل والصحة والطاقة، قد تجد نفسها مضطرة إلى بناء قدرات أكثر تحكماً، وربما أكثر اعتماداً على بيئات داخلية أو مُدارة، لأن حماية البيانات تصبح جزءاً من قرار النشر لا تفصيلاً لاحقاً. ويضيف أن القطاعات التي تكون فيها سيادة البيانات وحمايتها وأمنها أكبر تحدٍ تمثل أيضاً فرصة كبيرة، لأنها تدفع هذه المؤسسات نحو بيئات تشغيل أكثر تحكماً.
تحدي المهارات
الفجوة في مهارات الذكاء الاصطناعي تظل قيداً على مستوى منطقة وسط وشرق أوروبا والشرق الأوسط وتركيا وأفريقيا، بينما تضع السعودية أهدافاً طموحة في بناء رأس المال البشري. وفي هذا السياق، يبرز الاستثمار السعودي في تطوير القوى العاملة، من برامج الهيئة السعودية للبيانات والذكاء الاصطناعي «سدايا» إلى الجامعات وشراكاتها مع القطاع الخاص، بوصفه إطاراً واضحاً يمكن للشركاء الدوليين العمل ضمنه.
وتشير المعلومات التي قدمتها «دِل» إلى مبادرات محلية تشمل تعاونها مع «سدايا» لتدريب مختصين في الحوسبة السحابية، ضمن جهود التمكين الرقمي للجهات الحكومية وتحقيق مستهدفات «رؤية السعودية 2030». وتشمل كذلك برنامج «NextGen Sales Academy» لتأهيل مهنيين جدد عبر مسار يمتد عامين، وبرنامج «Academic Alliance» بالتعاون مع أكثر من 15 جامعة لتقديم تدريب تقني ضمن المناهج، إضافة إلى برنامج «Global Services Associate» لتدريب وتوظيف الخريجين. كما وقعت «دل» و«أرامكو» و«الأكاديمية الوطنية لتقنية المعلومات» اتفاقية في 2024 لتمكين المواهب المحلية بمهارات متقدمة في العلوم والتقنية وتطوير قاعدة مواهب تقنية قابلة للتوظيف في المملكة.
هذه المبادرات لا تبدو هامشية في سياق الذكاء الاصطناعي المؤسسي. فإذا كانت المؤسسات مطالبة بالانتقال من التجارب إلى الإنتاج، فإن فجوة المهارات تصبح جزءاً من فجوة التنفيذ نفسها. فالنجاح يتطلب فرقاً تفهم المجال والبيانات والحوكمة والأمن وسير العمل، لا مجرد القدرة على استخدام نموذج ذكاء اصطناعي جاهز. والذكاء الاصطناعي الوكيلي تحديداً يزيد أهمية هذه المهارات لأنه لا يضيف أداة جديدة فقط، بل يغير طريقة أداء العمل.
ومع ذلك، لا يقدم بيلز الطريق إلى الإنتاج كمسار ثابت أو نهائي. فهو يرى أن التحديات أصبحت واضحة، تشمل سير العمل والبيانات والأمن والحوكمة. أما الإجابات نفسها فستتطور مع تطور الوكلاء والتقنية، ما يعني أن المؤسسات تحتاج إلى نموذج تشغيل قابل للتحديث، لا خطة جامدة لمرة واحدة.
انضباط التنفيذ
يرى بيلز أن المؤسسات التي ستنجح هي تلك التي تقوم بإعادة التفكير في سير العمل والعمليات في سياق الذكاء الاصطناعي الوكيلي. فهو يصف الذكاء الاصطناعي بأنه يشبه التحولات السابقة من زاوية واحدة على الأقل، قائلا: «الأمر كله يتعلق بتحول العمليات وتغيير طريقة ممارسة الأعمال». ويضيف أن المؤسسات التي لا تصبح متمحورة حول الذكاء الاصطناعي ولا تعيد التفكير في كل سير عملها ضمن هذا السياق «ستواجه تحدياً شديداً». فالنجاح لا يأتي من تجربة معزولة، بل من القدرة على تصميم العمليات حول ما يمكن للذكاء الاصطناعي والوكلاء فعله، ثم قياس القيمة، وتوسيع الاستخدام، وتحديث النموذج التشغيلي باستمرار.
فمن لاس فيغاس، تبدو الرسالة أقل لمعاناً من عروض النماذج والبنية التحتية، لكنها أكثر قرباً من واقع لا يفشل الذكاء الاصطناعي المؤسسي فيه عادة لأن المؤسسات لا تملك الطموح، بل لأنه يتطلب انضباطاً في التنفيذ.
