هل سبق أن حاولت شرح الذكاء الاصطناعي لشخص لا يعمل في مجال التقنية؟ بصراحة، لا يهتم معظم الناس بمعرفة أي النماذج يحتوي على عدد أكبر من المعاملات أو يفوز باختبار معياري آخر. إنهم يريدون شيئًا أبسط بكثير: هل يوفر الوقت؟ وهل يجعل عملهم أسهل؟ وهل يستحق ما يدفعونه مقابله؟ هنا تبدأ قصة Microsoft في الذكاء الاصطناعي بأن تصبح مثيرة للاهتمام.
انظر، إثارة حماس الناس للذكاء الاصطناعي لا تعني بالضرورة أنهم سيستخدمونه كل يوم. على Microsoft تحويل العروض التوضيحية المبهرة إلى أدوات تعمل بموثوقية داخل الشركات الحقيقية. وهذا أصعب مما يبدو. يعمل Microsoft 365 Copilot ضمن بيئة مليئة بالأذونات والمستندات السرية وضوابط الهوية وقواعد الأمان الخاصة بكل شركة. ويعتمد وصوله إلى المعلومات عبر Microsoft Graph على تلك الضوابط الأساسية. ويضيف التوليد المعزّز بالاسترجاع، المعروف اختصارًا باسم RAG، تحديًا آخر: إذ يتعين على النظام التحقق من صلاحيات الوصول قبل إدراج المستندات المقيّدة في سياق النموذج. وإذا أخطأ في ذلك، فقد تتسرب معلومات حساسة عبر الملخصات أو استدعاءات الأدوات أو هجمات حقن التعليمات. وهناك أيضًا أمور معقدة أخرى: فالفهارس القديمة والأذونات الموروثة والملفات المشتركة والتأخر في إلغاء صلاحيات الوصول، كلها قد تسبب مشكلات.
لا يثبت عرضٌ تجريبي مقنع للذكاء الاصطناعي الكثير إذا تعذّر الوثوق بالنظام عند التعامل مع بيانات الأعمال الحقيقية.
إذن، ماذا يحدث عندما تتجاوز Microsoft روبوتات الدردشة إلى وكلاء الذكاء الاصطناعي؟ تتغير المخاطر. فالوكيل لا يكتفي بالإجابة عن الأسئلة؛ بل يمكنه استرجاع معلومات سرية، وتعديل السجلات، واستدعاء أدوات خارجية، وتنفيذ إجراءات عبر أنظمة متصلة. وقد يمتد أثر خطأ واحد إلى أبعد من أثر جملة سيئة على الشاشة. لذلك، تحتاج عمليات النشر الإنتاجية إلى صلاحيات مقيّدة، والتحقق من معاملات الأدوات، وقواعد تفويض واضحة، وسجلات توثّق ما حدث في كل خطوة. ولا يمكن الوثوق بالتعليمات التي يولّدها الذكاء الاصطناعي لمجرد أنها تبدو مقنعة. يجب أن تعمل ضوابط الأمان باستقلالية عن النموذج. والموثوقية مصدر قلق آخر. تخيّل عشر خطوات متتابعة، لكل منها احتمال نجاح يبلغ 98%. وبافتراض مبسّط أن حالات الإخفاق مستقلة بعضها عن بعض، فإن احتمال نجاح الخطوات العشر كلها يبلغ نحو 81.7%. وهذا ليس مطمئنًا تمامًا. وقد تكون حالات الإخفاق الفعلية مترابطة أيضًا، ما يزيد الوضع سوءًا. وليست إعادة المحاولة، ونقاط التحقق، وآليات التراجع، والتدخل البشري إضافات شكلية عندما تعتمد مؤسسة على النتيجة.
كلما زادت القرارات التي يتخذها وكيل الذكاء الاصطناعي، ازدادت أهمية التحكم فيما يحدث عند وقوع خطأ.
ثم هناك التكلفة. فكل تفاعل مع الذكاء الاصطناعي يستهلك موارد، وتعتمد الفاتورة النهائية على أمور تتجاوز النموذج نفسه بكثير. فالطلبات الأطول، ونوافذ السياق الأكبر، والاستدعاءات المتكررة للأدوات، والاستدلال الأعمق، وعمليات التحقق الإضافية، كلها تزيد التكلفة وزمن الاستجابة. وقد تتعامل النماذج الأكبر مع المهام الصعبة على نحو أفضل، لكن هذا الأداء قد يأتي بثمن. أما تشغيل النماذج الأصغر فقد يكون أقل تكلفة، لكنها قد تحتاج إلى مزيد من المحاولات أو التصحيحات البشرية. فأي الخيارين أفضل؟ يعتمد ذلك على المهمة. المقياس الحقيقي ليس التكلفة لكل رمز، بل التكلفة الإجمالية لإنجاز المهمة على نحو صحيح. ويشمل ذلك البنية التحتية، والتكامل، والمراقبة، ومعالجة الاستثناءات، والمراجعة البشرية. فالإجابة الرخيصة التي يضطر أحدهم إلى إصلاحها لا تُعد صفقة رابحة. ويجب على Microsoft أن تُثبت أن قيمة العمل الذي تم توفيره تفوق تكلفة تقديم النتيجة.
لكن التكلفة ليست العقبة الوحيدة. فقد تبطئ متطلبات الامتثال وتيرة التبني، ولا سيما في القطاعات التي تتعامل مع معلومات حساسة عن العملاء. وتحتاج الشركات إلى ضوابط ملائمة للاحتفاظ بالبيانات، ومعالجتها إقليميًا حيثما ينطبق ذلك، وقابليتها للتدقيق، والشروط التعاقدية التي تحكم بيانات العملاء وتدريب النماذج. وتعتمد التفاصيل على الخدمة المحددة وإعداداتها ومتطلبات المؤسسة. وقد تحتاج مسارات العمل الخاضعة للتنظيم أيضًا إلى سجلات واضحة للقرارات وتحديد المسؤولية عن المخرجات ذات العواقب المهمة. وعمليًا، يمكن للتشفير أن يساعد في بعض مسائل التحقق، لكنه لا يحل كل شيء. فإثباتات المعرفة الصفرية، على سبيل المثال، يمكنها إثبات أن عملية حسابية تستوفي علاقة رياضية محددة من دون الكشف عن جميع مدخلاتها. يبدو ذلك قويًا، وهو كذلك. لكن إثبات تنفيذ شبكة عصبية كبيرة قد يكون مكلفًا حسابيًا. فالتكميم، وتعقيد الدوائر، ودوال التنشيط غير الخطية، والتأخير في إنشاء الإثباتات، كلها تنطوي على مفاضلات. وثمة مشكلة أخرى: إثبات أن عملية حسابية اتبعت قواعد محددة لا يثبت أن إجابتها صحيحة من الناحية الواقعية. كما أنه لا يثبت تلقائيًا أن البيانات المصدر حديثة أو أن المستخدم مخوّل بالوصول إليها. فهذه الخصائص تحتاج إلى ضمانات صريحة خاصة بها. وبالنسبة إلى كثير من تطبيقات المؤسسات، تظل ضوابط الوصول التقليدية، والتشفير، وسجلات التدقيق الموقّعة، وفحوص السياسات المستقلة، أكثر عملية من إثبات كل عملية استدلال بالتشفير.
إذن، كيف نعرف إن كانت استراتيجية Microsoft للذكاء الاصطناعي تحقق نجاحًا فعليًا؟ ليس بمجرد عدّ التراخيص. فقد تشتري شركة ما تراخيص Copilot من دون أن تغيّر طريقة عمل موظفيها تغييرًا جوهريًا. وهذه هي الفجوة التي تستحق المتابعة. هل يقلل الذكاء الاصطناعي الوقت اللازم لإنجاز المهام المتكررة؟ وهل يحسّن الجودة من دون أن يضيف مزيدًا من أعمال التصحيح؟ وهل يستخدمه الموظفون باستمرار، وهل تجدّد الشركات اشتراكاتها لأن النتائج تبرر التكلفة؟ هذه الإجابات أهم من أي عرض توضيحي مصقول. وبصراحة، من السهل تجربة أداة جديدة. أما دفع ثمنها عامًا بعد عام فيتطلب حجة أقوى.
تتمتع Microsoft بالفعل بميزة: إذ يمكن لخدماتها للذكاء الاصطناعي الاتصال بـ Azure وأنظمة الهوية المؤسسية وبيانات الأعمال وتطبيقات الإنتاجية التي تعرفها المؤسسات. وهذه قناة توزيع قوية. لكن التوزيع وحده لا يضمن قيمة مستدامة. فالتكاملات تفرض التزامات أمنية وتعقيدات تشغيلية وتكاليف خاصة بها. وإذا استنزفت هذه الأعباء مكاسب الإنتاجية، ضعفت جدوى الاستثمار. أما إذا أصبحت مسارات العمل موثوقة وأمكن قياس الوفورات، فقد يحدث العكس.
يمكن لـ Microsoft إيصال الذكاء الاصطناعي إلى أماكن العمل عبر التوزيع، لكن عليها أن تثبت جدواه بالنتائج.
هذا هو السؤال الحقيقي الكامن وراء فرصة الذكاء الاصطناعي لديها: كم مهمة تستطيع الشركات إنجازها بأمان ودقة وبتكلفة مناسبة، مع جهد بشري أقل؟ إذا استطاعت Microsoft إثبات هذه النتيجة باستمرار، فسيصبح الذكاء الاصطناعي جزءًا من أساليب عمل الشركات. وإذا لم تستطع، فقد يصعب حتى على التقنية المبهرة تبرير فاتورة برمجيات متكررة أخرى.