لماذا سيُمثّل عام 2026 نهاية تجارب الذكاء الاصطناعي التي لا تُفضي إلى نتائج حقيقية
إن الصورة التي تُعبّر أفضل تعبير عن واقع الذكاء الاصطناعي في المؤسسات خلال عام 2025 ليست صورةً لتقنية أخفقت. بل هي صورة لتقنية استُخدمت دون التزام حقيقي. فوفقاً لتقرير صادر عن معهد ماساتشوستس للتكنولوجيا (MIT) نُشر في العام ذاته، فإن 95% من التجارب التجريبية للذكاء الاصطناعي التوليدي لم تصل إلى مرحلة الإنتاج الفعلي بأثر قابل للقياس. لا لأن التقنية لم تكن صالحة للعمل، بل لأن المؤسسات بنت تجارب استكشافية دون بنية تحتية قادرة على استدامتها.
هذا هو ما يتغيّر في عام 2026، وهذا التغيير لن يكون تدريجياً.
يُصيغ ويليام دونلان، الرئيس التنفيذي لشركة أستاوند ديجيتال، هذا الواقع بدقة في مجلة فوربس: إذا كان عام 2025 عامَ الاستكشاف، فإن عام 2026 هو عام التنفيذ. غير أن هذه العبارة تحمل ثقلاً أكبر مما يبدو للوهلة الأولى. فالانتقال من الاستكشاف إلى التنفيذ ليس مسألة إرادة ولا مسألة ميزانية. إنه مسألة بنية معمارية. والمؤسسات التي لا تُدرك هذا الفارق تُخاطر بتكرار الدورة ذاتها، لكن هذه المرة بإنفاق أكبر من الأموال.
ما هو على المحك ليس مسألةَ ما إذا كانت الشركات ستتبنّى الذكاء الاصطناعي. فـ71% من المؤسسات تعتزم زيادة إنفاقها على الذكاء الاصطناعي هذا العام، وفقاً لـ TEKsystems. ما هو على المحك هو ما إذا كان هذا الإنفاق سيُشيّد شيئاً متيناً من الناحية البنيوية، أم أنه سيُموّل جولةً ثانية من التجارب الاستكشافية التي لن ترقى هي الأخرى إلى مستوى التوسّع.
المشكلة ليست في التقنية، بل في التوافق بين البيانات والقرار والتنفيذ
قبل الحديث عن أي اتجاه محدد، تجدر الإشارة إلى الإخفاق الأكثر شيوعاً الذي يكمن في صميم جميع هذه الاتجاهات: فقد تبنّت المؤسسات أدوات الذكاء الاصطناعي دون أن تكون قد حلّت مشكلاتها المتعلقة بالبيانات. إذ وضعت النماذج فوق مصادر مجزّأة ومتباينة، وصوامع إدارية، ومنصات لم تُصمَّم أصلاً للتواصل فيما بينها.
وكانت النتيجة متوقعة تماماً. لا يستطيع الذكاء الاصطناعي أن يُعوّض عن رداءة جودة البيانات المُدخلة. فالنموذج اللغوي الذي يُدرَّب على سجلات عملاء غير متسقة لا يُنتج تخصيصاً حقيقياً، بل يُنتج ضوضاءً متطورة. وعميل مستقل مرتبط بأنظمة مخزون قديمة لا يُحسّن سلسلة التوريد، بل يُؤتمت الأخطاء ذاتها المعتادة، لكن بسرعة أعلى.
لهذا السبب، فإن الاتجاه الأكثر أهمية في عام 2026 لا يكمن في نماذج الذكاء الاصطناعي ذاتها، بل في البنية التحتية التي تُسندها. تُشير شركة Versich إلى أن المؤسسات الأكثر تقدماً تعمل على تعزيز منصات بيانات مركزية تدمج الهندسة والتحليلات والعمليات في بنية معمارية موحّدة. وهذا ليس قراراً تقنياً. إنه قرار هيكلي يتعلق بكيفية تدفق المعلومات داخل المؤسسة، ومن يملك الصلاحية للتصرف بناءً عليها.
يُؤطّر دونلان هذه المسألة من زاوية العميل، قائلاً إن التحول الجوهري الأول الذي يُلاحظه هو أن الناس لا يتغيرون فحسب في ما يشترون، بل في كيفية اتخاذهم لقرارات الشراء وأسبابها. فنماذج اللغة الكبيرة باتت تعمل كوسيط موثوق في عملية الشراء، وهو ما لم تستطع القنوات الرقمية التقليدية تحقيقه على هذا النطاق. فمحرك البحث يعرض خيارات، في حين يستطيع نموذج اللغة الكبير أن يتعلم التفضيلات، ويُسيّق الاحتياجات، ويُرشد القرارات بصورة مستمرة. والهامش الذي يُتيحه ذلك للعلامات التجارية التي تمتلك بيانات نظيفة ومتسقة هو هامش جوهري. أما العلامات التجارية التي تعاني من تشرذم حاد في منصاتها، فإن القناة ذاتها تتحوّل لديها إلى مرآة مُكبّرة تعكس فوضاها الداخلية.
الأتمتة الفائقة ومشكلة التوسّع دون عمود فقري
المحور الثاني من محاور الضغط في عام 2026 هو توسّع الأتمتة خارج نطاقاتها التاريخية. تصف شركة Inceptive Technologies الأتمتة الفائقة بأنها الجمع بين أتمتة العمليات الآلية والذكاء الاصطناعي ومنصات البرمجة المنخفضة لتغطية مسارات عمل كاملة في الموارد البشرية والمالية وخدمة العملاء، دون الحاجة إلى الاعتماد على فرق هندسية في كل تكرار أو تحديث.
يبدو هذا جذاباً للغاية. ومن حيث إمكانات الكفاءة، هو كذلك فعلاً. لكن الفخ يكمن في النطاق. فالمؤسسات التي تُؤتمت عمليات مُصمَّمة بشكل سيئ لا تكسب كفاءة: بل تُرسّخ قصورها في صورة كود برمجي. فالأتمتة الفائقة تُضخّم ما تجده. فإذا كان مسار الموافقة على الائتمان يحتوي على ثلاث خطوات مكررة ومصدرَي بيانات متعارضَين، فإن أتمتته على نطاق واسع تُضاعف المشكلة بحسب حجم ما يُعالجه.
الفصل الذي يكتسب أهميةً هنا ليس بين المؤسسات التي تُؤتمت والمؤسسات التي لا تُؤتمت. بل بين المؤسسات التي راجعت عملياتها قبل أتمتتها، والمؤسسات التي لجأت إلى الأتمتة تهرباً من مراجعة تلك العمليات. الفئة الثانية تبني هياكل هشة بمظهر متين.
توثّق TEKsystems هذا الخطر بصورة ضمنية حين تُشير إلى أن تحديات التطبيق لا تزال تُمثّل العائق الرئيسي، حتى في صفوف 37% من المؤسسات التي تُشغّل الذكاء الاصطناعي على نطاق واسع. يبدو هذا الرقم مرتفعاً، حتى يُفحص ما تعنيه عبارة "على نطاق واسع" في كل حالة. ففي كثير من المؤسسات، تعني استخداماً مكثفاً في وظيفة واحدة أو مجال عمل واحد، لا بنية معمارية متكاملة تتقاطع مع مختلف الأقسام مع بيانات متسقة.
الفرق بين النموذجين غير مرئي من الخارج، لكنه جليّ في الحسابات الختامية. فالأتمتة المتكاملة تُخفّض التكاليف المتغيرة بالتناسب مع الحجم. أما الأتمتة المجزّأة، فتُخفّض التكاليف الثابتة في منطقة واحدة بينما تنقلها إلى منطقة أخرى في صورة تعقيد تقني.
التجارة الوكيلة تُغيّر معادلة اكتساب العملاء
المحور الثالث الذي يُحدده دونلان يستحق اهتماماً خاصاً، لأنه يمسّ الاقتصاد الوحداني لأي مؤسسة تقريباً تمتلك قناةً رقمية. فقد ارتفعت تكلفة اكتساب العملاء في معظم قطاعات التجارة الإلكترونية. فقد اكتظت القنوات الرقمية التقليدية، ولا سيما البحث المدفوع ووسائل التواصل الاجتماعي. وتظل نسبة التحويل المتوسطة في التجارة الإلكترونية في حدود 1.8%، وهو رقم لم يتحسّن على الرغم من الزيادة المستمرة في حجم حركة المرور الإلكترونية.
السبب الهيكلي معروف، لكن نادراً ما يُواجَه بصراحة: فالنموذج الاستحواذي القائم على مقاطعة انتباه المستخدم لا يُمكّن من التوسع، لأن الانتباه البشري غير مرن. يمكن شراء المزيد من حركة الزيارات، لكن لا يمكن شراء مزيد من الطاقة الاستيعابية للانتباه. وكلما ازداد اكتظاظ القنوات، ارتفعت تكلفة كل انطباع ذي صلة، وتصاعدت تكلفة كل تحويل.
ما تُتيحه نماذج اللغة الكبيرة هو آلية مختلفة. يصفها دونلان بقوله: يستطيع النموذج اللغوي أن يتعلم عن مستهلك بعينه، تفضيلاته، وأنماط شرائه، واحتياجاته غير المُعبَّر عنها، ويبني سياقاً تراكمياً لا تستطيع القناة الإعلانية محاكاته. ويزداد الحافز لإتمام عملية الشراء داخل بيئة النموذج اللغوي بالتناسب مع نمو الثقة في قدرته على تقديم التوصيات.
بالنسبة للعلامات التجارية، يترجم هذا إلى سؤال هيكلي حول أين تُبنى العلاقة مع العميل. فإذا باتت الواجهة الأولية للمستهلك وكيلاً حوارياً، فإن العلامات التجارية التي لا تمتلك بيانات خاصة بها مُنظَّمة بشكل جيد، وسجلاً نظيفاً للتفاعلات، وتفضيلات موثقة، ستفقد ظهورها في القناة الأكثر تأثيراً في قرار الشراء. ليس لأن المنصات تُقصيها عمداً، بل لأنها لن تمتلك بيانات ذات جودة كافية تُمكّن الوكيل من توصيتها بثقة.
هذا ما يجعل بنية بيانات الطرف الأول أصلاً تنافسياً ذا انعكاسات مباشرة على التقييم. فقاعدة العملاء الموثقة توثيقاً جيداً والمُحدَّثة باستمرار تساوي أكثر في بيئة التجارة الوكيلة مما تساوي في بيئة البحث المدفوع. والفرق في التكلفة الهامشية لخدمة ذلك العميل من قناة مقارنةً بأخرى قد يكون فارقاً جوهرياً.
ما يُميّز المؤسسات القادرة على المنافسة في 2027 عمّن لن يستطيع ذلك
يُختتم تحليل دونلان بتحذير يُؤدي وظيفته كتشخيص أكثر منه دافعاً للتحفيز: الأسس التي تُبنى الآن، من نضج البيانات، والاستعداد للذكاء الاصطناعي، والرشاقة التشغيلية، واستراتيجية المواهب، ستُحدد ما إذا كانت المؤسسة قادرة على المنافسة في الأعوام التالية.
تجدر الإشارة إلى أن هذه القائمة تبدو مجردة حتى تُترجَم إلى قرارات ملموسة بتكاليف ملموسة، لذا يستحق تفكيك كل بُعد من أبعادها في إطاره التشغيلي.
نضج البيانات لا يعني امتلاك الكثير منها. بل يعني امتلاك بيانات يستطيع النظام استخدامها دون تدخل يدوي لتنظيفها قبل كل تحليل. فالمؤسسة ذات النضج العالي في البيانات تستطيع تغذية نموذج ذكاء اصطناعي صباح الاثنين ببيانات الأحد ليلاً دون أن يقضي فريق هندسي عطلة نهاية الأسبوع في معالجة التناقضات. أما المؤسسة التي تفتقر إلى هذا النضج، فقد تمتلك بيانات أكثر وتحصل على نتائج أسوأ.
الاستعداد للذكاء الاصطناعي لا يعني شراء تراخيص الأدوات. بل يعني تحديد القرارات التي تُفوَّض إلى النظام، وتلك التي تستلزم إشراف البشر، وبناء الضوابط للتحقق من أن هذا التفويض يعمل وفق ما هو مُخطط له. فالمؤسسات التي لم تُنجز هذا التحديد الصريح لديها وكلاء يتخذون قرارات دون أن يعلم أحد بدقة كيف اتُّخذت.
الرشاقة التشغيلية في هذا السياق لا تُشير إلى السرعة. بل تُشير إلى القدرة على تعديل أحد مكونات البنية التقنية دون أن يُفضي ذلك التغيير إلى تعطّل ثلاثة مسارات مجاورة. فالمؤسسات التي تراكمت لديها ديون تقنية ضخمة لا تستطيع فعل ذلك، إذ يتطلب كل تغيير مشروعاً يمتد لأشهر لأن أحداً لم يُوثّق التبعيات.
استراتيجية المواهب، في نهاية المطاف، ليست مشكلة توظيف بل مشكلة تشكيل. فالمؤسسات التي تتقدم بأسرع وتيرة في تطبيق الذكاء الاصطناعي لا تمتلك بالضرورة أفضل مهندسي الذكاء الاصطناعي. بل تمتلك فرقاً يعمل فيها أصحاب المعرفة بالأعمال وأصحاب المعرفة التقنية على المشكلات ذاتها ببيانات مشتركة. أما الفصل بين هاتين الوظيفتين، الذي يشيع في المؤسسات الصغيرة والمتوسطة التي تمتلك أقساماً لتقنية المعلومات مستقلة، فهو أكثر الاختناقات شيوعاً وأقلها تسمية.
تصف شركة Capgemini هذه اللحظة بأنها نقطة تحوّل حيث ينتقل الذكاء الاصطناعي من كونه موضوع نقاش في اجتماعات مجلس الإدارة إلى كونه العمود الفقري للعمليات. هذا الانتقال لا يحدث لأن النماذج تحسّنت، وإن كانت قد تحسّنت فعلاً. بل يحدث لأن المؤسسات التي استثمرت في البنية التحتية الداعمة خلال عامَي 2023 و2024 باتت تُشاهد نتائج قابلة للقياس تُبرّر التوسّع، وهذا المثال المرئي يُمارس ضغطاً متنامياً على سائر المؤسسات.
عام التنفيذ لا يأتي مصحوباً بضمانات. يأتي مصحوباً باحتمالية أن تبدأ الرهانات الهيكلية المُحكمة في الانفصال بوضوح عن الرهانات التي لم تكن تمتلك سوى المظهر الصحيح.
