الطبقة التي لم يبنها أحد والتي لا تستطيع الذكاء الاصطناعي ارتجالها
ثمة نمط من الإخفاق المؤسسي لا يظهر في لوحات متابعة تبني الذكاء الاصطناعي. لا يُقاس بعدد الرموز المعالَجة، ولا بعدد المستخدمين النشطين. يتجلى هذا الإخفاق حين يُقدّم نموذج مُدرَّب تدريباً بالغ الدقة نتائجَ لا يستطيع أحد داخل المؤسسة الوثوق بها باستمرار: تتغير الإجابة تبعاً لهوية من يصوغ السؤال، ويُنفق فريق البيانات أسابيع في إعادة التحقق من مخرجات كان ينبغي أن تكون روتينية، وتنتهي وعود أتمتة القرارات إلى توليد المزيد من اجتماعات التنسيق لا إلى تقليصها.
يشير مؤشر الذكاء الاصطناعي الصادر عن جامعة ستانفورد إلى أن 55% من الشركات باتت تمتلك على الأقل حالة استخدام واحدة للذكاء الاصطناعي في الإنتاج الفعلي. وتُفيد شركة PwC بأن ثلث الرؤساء التنفيذيين شهدوا نتائج ملموسة. غير أن الوجه الآخر لهذا التقدم يبقى في صمت: فجزء كبير من تلك التطبيقات يعمل بكفاءة مقيّدة اصطناعياً بسبب شيء لا يُدرجه أي مزوّد نماذج في صحيفة منتجاته. ليست المشكلة في الخوارزمية، ولا في البنية التحتية الحسابية. المشكلة تكمن في غياب طبقة توثيق منظّمة تربط النموذج بالمعنى الحقيقي الذي تُسبغه المؤسسة على بياناتها وعملياتها وقواعد أعمالها.
الذكاء الاصطناعي لا يرث المعرفة المؤسسية. تبدو هذه الحقيقة واضحة حتى تواجه التكلفة التشغيلية لما يحدث حين تُفترض هذه الوراثة ضمنياً.
المشكلة التي لا تحلّها حوكمة البيانات
الاستجابة المعتادة للمؤسسات الناضجة حين تواجه مخرجات متناقضة هي مراجعة حوكمة بياناتها. تتحقق من السلاسل، وتُصادق على مجموعات البيانات، وتُضيف ضوابط الجودة. هذه الطبقات ضرورية، لكنها غير كافية لتلبية متطلبات الذكاء الاصطناعي التوليدي.
صُمِّمت حوكمة البيانات التقليدية لكي يُفسّر البشر البيانات بحكمهم الخاص. فالمحلل الذي يرى عموداً باسم "الهامش المُعدَّل" يعرف، بفضل السياق التاريخي والمحادثات غير الرسمية، أيَّ التعديلات يشمل هذا المصطلح وأيَّها يستثني. ويعلم أن طريقة الحساب تغيّرت في الربع الثالث من العام الماضي بسبب إعادة هيكلة مراكز التكاليف. ويدرك أن منطقة الشمال تطبّق استثناءً لم يُدوَّن قط في أي دليل.
أما نموذج الذكاء الاصطناعي فلا يعلم شيئاً من ذلك كله. ولا يستطيع استنتاجه. وحين يحاول، يُنتج ما تُعانيه الفرق من تناقض أو ما يمكن تسميته "هلوسة الأعمال": نتائج صحيحة تقنياً من منظور النموذج، لكنها منفصلة عن الدلالة التشغيلية للمؤسسة.
الفجوة ليست في جودة البيانات. إنها في غياب ما يمكن تسميته السياق القابل للقراءة آلياً: تعريفات المقاييس مع استثناءاتها الموثّقة، ومنطق التحويل مع افتراضاته الصريحة، والعلاقات بين الكيانات مع قواعد ربطها، وتاريخ التغييرات مع تأثيرها على الحسابات السابقة. هذا السياق موجود، لكنه يعيش في خيوط Slack، وفي وثائق متطلبات لا يُحدِّثها أحد، وفي ذاكرة المهندس الذي بنى خط البيانات قبل ثلاث سنوات ولم يعد يعمل في الشركة.
تُحدّد شركة IBM، في تحليلها لتحديات التبني الخاصة بعام 2026، جودةَ البيانات وجاهزيتها باعتبارهما العقبةَ الأكثر شيوعاً أمام توسيع نطاق الذكاء الاصطناعي إلى ما هو أبعد من التجارب الأولية. وتُشير شركة Lumenova AI تحديداً إلى غياب مخزونات موثّقة للذكاء الاصطناعي، وانعدام السلاسل الخاصة ببيانات التدريب، وافتقار النماذج إلى تفسيرات مفهومة تُوضّح كيفية عملها. هذه ليست مشاكل في القدرة الخوارزمية. إنها مشاكل في بنية المعلومات.
أين يضيع السياق وكم تُكلّف هذه الفجوة
لا يختفي السياق في لحظة واحدة. بل يتشظّى على امتداد دورة حياة المنتج والبيانات، في مراحل يُزيل فيها ضغط التسليم التوثيقَ باعتباره أول ضحية لتقليص الوقت.
في مرحلة متطلبات المنتج، تبقى تعريفات المقاييس وقواعد الأعمال صياغتها مبهمة بما يكفي لتجنّب إيقاف الدورة، لكنها غامضة للغاية بحيث يتعذّر على النموذج تطبيقها بشكل حتمي. وفي مرحلة التصميم، تُحدَّد نماذج الكيانات والعلاقات بين المجالات في محادثات لا تُسجَّل. وفي مرحلة التطوير، يبقى منطق التحويل مُضمَّناً في كود SQL بتعليقات شحيحة، على افتراض أن من يقرأه سيطّلع على السياق الشفهي الذي أحاط بكتابته. وفي مرحلة الاختبار، لا تُوثَّق الحالات الحدّية والاستثناءات إلا بالقدر الذي يكفي لاجتياز التحقق، لا بوصفها مرجعاً مستقبلياً. وفي مرحلتَي النشر والاعتماد، نادراً ما يُحتفظ بتاريخ الإصدارات وتأثير التغييرات بالدقة التي يحتاجها الذكاء الاصطناعي للاستدلال على الاتساق الزمني.
إن تكلفة هذا الفراغ ليست تشغيلية على المدى القصير فحسب. إنها استراتيجية. حين يكون التوثيق هزيلاً، تُعوّض فرق الذكاء الاصطناعي بهندسة التوجيهات: يتعلّم شخص ذو معرفة عميقة بالأعمال كيفية صياغة الأسئلة بطريقة تُنتج نتائج مقبولة. يصلح هذا على المستوى الفردي. لكنه لا يصلح على المستوى المؤسسي، لأن المعرفة التي تُتيح هذه التوجيهات الفعّالة تظل ضمنية وشخصية للغاية وغير قابلة للنقل.
ما ينتج عن ذلك هو اعتماد هيكلي على خبراء شحيحين. في كل مرة يغادر أحد هؤلاء الخبراء المؤسسة، يأخذ معه الواجهة الوظيفية بين النموذج والأعمال. لا يزداد الذكاء الاصطناعي ذكاءً مع مرور الوقت: بل يزداد هشاشةً، لأن قدرته على توليد قيمة مفيدة تتوقف على أشخاص بعينهم يعرفون كيف يُعوّضون فراغ التوثيق بمهارة حرفية.
ثمة أيضاً بُعد من مخاطر قانونية كثيراً ما يُتجاهل حتى يفوت الأوان. تُعامل أُطر eDiscovery الحديثة التوجيهاتِ والاستجاباتِ وسجلاتِ استخدام الذكاء الاصطناعي بوصفها معلومات مخزّنة إلكترونياً، وبالتالي يحتمل الكشف عنها في النزاعات القانونية. إن لم تستطع مؤسسة ما إثبات كيفية توليد توصية الذكاء الاصطناعي، وأي البيانات غذّتها، وما المراجعة البشرية التي أُجريت عليها، فإن التعرض القانوني يتضاعف. التوثيق ليس مجرد أداة حوكمة داخلية: إنه خط دفاع خارجي أيضاً.
الثقافة التي لا تُقدّر ما لا يمكن إثباته
ثمة سبب يجعل هذه المشكلة قائمة حتى في المؤسسات التي تُدرك أهميتها. التوثيق الجيد لا يُنتج نتائج مرئية في الدورة التي يُنجز فيها. تتجلى قيمة تعريف مقياس مكتوب بدقة بعد ستة أشهر، حين يستطيع شخص لم يشارك في المحادثة الأصلية قط تطبيق نموذج ما دون الحاجة إلى أربع اجتماعات تنسيق. هذا النوع من العائد المتأخر يتعارض مع دورات تقييم الأداء التي تُقدّم سرعة التسليم على سواها.
المؤسسات التي أحرزت تقدماً في حل هذه المشكلة فعلت ذلك بجعل التوثيق جزءاً من معيار قبول العمل، لا نشاطاً اختيارياً لاحقاً. لا تُغلق القصة حتى يُدوَّن التعريف وقاعدة الأعمال والافتراضات في صيغة منظّمة ومرتبطة بأصل البيانات الذي تصفه. ليس في مستودع منفصل لا يرجع إليه أحد. بل في المكان ذاته الذي تعيش فيه البيانات.
هذا الربط مهم لأنه يحل مشكلة قابلية الاكتشاف. التوثيق الموجود ولكن لا يمكن العثور عليه في اللحظة التي يُحتاج إليها يكاد يكون عديم القيمة التشغيلية. المعيار ليس امتلاك التوثيق: بل امتلاك توثيق يستطيع النموذج استهلاكه في اللحظة التي يستدل فيها على البيانات التي يصفها.
هنا يؤدي الذكاء الاصطناعي دوراً مفيداً حقاً في تمكين نفسه بنفسه. فهو يستطيع تحليل تحويلات SQL الموجودة واستخلاص منطق الأعمال الضمني منها. ويستطيع تحديد التناقضات بين التعريفات المتفرقة في وثائق مختلفة. ويستطيع توليد مسودات أولى للتوثيق انطلاقاً من الكود والتعليقات الموجودة. هذا الاستخدام للذكاء الاصطناعي لسد فجوة التوثيق ليس اختصاراً: بل هو الآلية الوحيدة ذات النطاق الكافي لجعل الدَّين السياقي المتراكم قابلاً للإدارة، الدَّين الذي تراكم لدى معظم المؤسسات على مدار سنوات من الرقمنة دون توثيق منهجي.
الميزة التنافسية التي لا تكمن في النموذج
المؤسسات التي ستُوسّع نطاق الذكاء الاصطناعي باتساق خلال السنوات الثلاث القادمة لن تكون بالضرورة تلك التي تمتلك الوصول إلى أضخم النماذج أو أعلى ميزانيات الحوسبة. بل ستكون تلك التي بنت طبقة سياق منظّمة، مرتبطة بأصول بياناتها، ومُصانة بالصرامة ذاتها التي تُطبّقها على كودها في الإنتاج.
لهذه الطبقة أثر مُركَّب لا وجود له في التطبيقات التي تعتمد على هندسة التوجيهات. فكل تعريف موثّق جيداً يُحسّن اتساق جميع النماذج التي تستهلك تلك البيانات. وكل استثناء مُدوَّن يُقلّص الخطأ المنهجي الذي يستلزم في غياب التوثيق تحقّقاً يدوياً متكرراً. وكل علاقة بين كيانات موثّقة بشكل صحيح تُزيل فئة كاملة من هلوسات الأعمال.
رياضيات هذا العائد غير متماثلة: تكلفة توثيق مقياس ما توثيقاً جيداً خطية وتُدفع مرة واحدة. أما تكلفة إغفال توثيقه فتتضاعف مع كل نموذج جديد، وكل محلل جديد، وكل سؤال جديد يطرحه أحدهم على الذكاء الاصطناعي حول تلك البيانات. المؤسسات التي تُدرك هذا التفاوت تبني ميزة تشغيلية راسخة. أما تلك التي لا تزال تتعامل مع التوثيق باعتباره نشاط امتثال فحسب، فهي تُموّل دون أن تدري اعتماداً هيكلياً على مواهب شحيحة سيصبح في نهاية المطاف غير قابل للاستدامة. طبقة السياق ليست بنية تحتية داعمة: إنها الأصل الاستراتيجي الذي يرتكز عليه كل شيء آخر.
