معمارية الذكاء الاصطناعي ليست رسماً. إنها قائمة تحقق للمشغّل.

جلستُ على جانبي هذه المشكلة: جانب يشحن التقنية إلى السوق، وجانب يتحمّل تبعاتها التشغيلية.

عندما قدتُ التشغيل في نشاط للكهربنة وتخزين الطاقة، لم يكن متاحاً لي الاختباء خلف roadmap. الهندسة، والبحث والتطوير، والإنتاج، وسلسلة الإمداد، والخدمة—كلها كانت تصطدم بالواقع يومياً. منتج «يعمل في الغالب» ليس منتجاً؛ بل عبءٌ تشغيلي. ولاحقاً، حين أدرتُ وحدة أعمال للمباني الذكية عبر عدة دول، علّمتني الأجهزة المتصلة وخدمات السحابة الدرس نفسه بواجهة مختلفة: الجاهزية ليس ميزة. إنها انضباط تشغيلي.

الذكاء الاصطناعي يعيد تكرار النمط ذاته—وبسرعة أكبر. يطلب القادة «معمارية الذكاء الاصطناعي». فيحصلون على رسم: نماذج، وقواعد بيانات متجهية، ووكلاء، وطبقة orchestration. يبدو أنيقاً. ثم ينهار في المكان الوحيد الذي يهم: في الإنتاج، مع العملاء، وتحت ضغط الوقت.

رأيي مباشر: معمارية الذكاء الاصناعي ليست رسماً. إنها قائمة تحقق للمشغّل. إن لم تستطع تشغيلها، فأنت لا تملكها.

أفضل تأطير رأيته مؤخراً ورد في عرض MIT Technology Review للعناصر التأسيسية التي يحتاجها القادة لتوسيع الذكاء الاصطناعي. يرسّخ ما يعرفه المشغّلون مسبقاً: كلما ازداد الذكاء الاصطناعي قدرةً وميلاً للتصرّف كوكيل، اتسعت مساحة المخاطر. والاستجابة ليست مزيداً من الحماس؛ بل مزيداً من الانضباط.

التوتر: الذكاء الاصطناعي يريد أن يكون منتجاً، لكنه يتصرف كتشغيل

في البيئات الصناعية، لا نخلط بين نموذج أولي وخط إنتاج. نضع بوابات اعتماد. نؤهل. نكتب إجراءات. نقيس المردود. ننفّذ إجراءات تصحيحية. الذكاء الاصطناعي يحتاج المعاملة نفسها، لأن أنماط فشله أقل شبهاً بـ«أخطاء برمجية» وأكثر شبهاً بـ«انحراف العملية».

والانحراف قاتل. ليس لأن النموذج «سيئ»، بل لأن النظام المحيط به غير معرّف. المدخلات تتغير. الأدوات تتغير. سلوك المستخدمين يتغير. المتطلبات التنظيمية تتغير. وفجأة يبدأ مساعد الذكاء الاصطناعي بإعطاء إجابة خاطئة بثقة، أو يتخذ الوكيل إجراءً خاطئاً، ويكتشف الجميع—متأخرين—أن لا أحد يملك نظام التشغيل الذي يدير كل ذلك.

إذا كنتَ عضواً في مجلس إدارة أو مشغّلاً، فهذه هي الزاوية التي أريدك أن تعتمدها: تعامل مع الذكاء الاصطناعي كنظام تشغيل للإنتاج. ليس عرضاً تجريبياً. ليس «قدرة». ليس شريحة عرض. بل نظام تشغيل بعقود، وبوابات جودة، والتزامات أداء، ودفتر لعب للاستجابة للحوادث.

قائمة تحقق المشغّل: ماذا تعني «معمارية الذكاء الاصطناعي» فعلياً

أتجنب عمداً قائمة المكوّنات. يمكنك شراء المكوّنات. لا يمكنك شراء النزاهة التشغيلية. هذه هي قائمة التحقق التي أستخدمها حين أراجع برنامج ذكاء اصطناعي—سواء كان لسير عمل تصنيعي، أو مساعد دعم للخدمة الميدانية، أو Back Office في fintech، أو طبقة ذكاء اصطناعي في أحد مشاريعي مثل Shopeno أو IBHQ.

1) عقود بيانات، لا مجرد «وصول إلى البيانات»

في إلكترونيات القدرة في بدايات مسيرتي، نادراً ما كانت مشكلات الجودة غامضة. كانت قابلة للتتبع: تراكم سماحيات، أو تغيير مورّد، أو فجوة اختبار. الذكاء الاصطناعي يحتاج انضباط التتبع ذاته، بدءاً من حدّ المدخلات.

• عرّف مخططات المدخلات (schemas) لكل مصدر له صلة بالذكاء الاصطناعي (tickets، تدفقات الحساسات، الفواتير، SOPs، سجلات المحادثة). وامنحها إصدارات.
• عيّن مالكاً للبيانات يوافق على التغييرات ويتحمل تبعاتها.
• حدّد توقعات الحداثة والاكتمال كما تفعل مع KPI إنتاجي.
• وثّق التحويلات المسموح بها (redaction، summarization، deduplication) كي تتمكن من إعادة إنتاج المخرجات.

قولك «ربطنا النموذج ببحيرة البيانات» ليس عقداً. إنه حادثٌ مؤجل.

2) evals هي فحصك عند الاستلام

في العتاد والأنظمة المضمنة، تؤهل المكونات قبل التوسع. الذكاء الاصطناعي ليس مختلفاً، سوى أن «المكوّن» تتغير سلوكياته مع prompts، ونوافذ السياق، وretrieval، وتوفر الأدوات.

• حافظ على مجموعة تقييم حية تعكس العمل الحقيقي (لا مسرح المقارنات القياسية).
• قِس نجاح المهمة لا الدقة فقط: زمن الإنهاء، معدل التصعيد، حجم إعادة العمل، الأثر على العملاء.
• اختبر أنماط الفشل: الهلوسة تحت عدم اليقين، مخالفات السياسات، سوء استخدام الأدوات، تسرب البيانات.
• شغّل evals عند كل تغيير: النموذج، prompt، retrieval، مخطط الأدوات، منطق التوجيه.

إذا لم تستطع وصف منظومة التقييم لديك بالوضوح نفسه الذي تصف به محطة اختبار في مصنع، فأنت غير جاهز للتوسع.

3) SLOs، لا «يبدو جيداً»

عندما قدتُ منظمات بحث وتطوير عبر برمجيات مضمنة وخدمات سحابية، تعلّمنا ترجمة ألم العميل إلى التزامات قابلة للقياس. الذكاء الاصطناعي يحتاج الترجمة نفسها.

• Latency SLO: الوقت حتى أول token والوقت حتى تنفيذ الإجراء.
• Reliability SLO: معدل نجاح استدعاء الأدوات، ومعدل نجاح retrieval، وسلوك fallback.
• Quality SLO: معدل الاجتياز في حالات eval الحرجة؛ وحدود «لا ندم» للمخرجات الخاضعة للتنظيم.
• Cost SLO: التكلفة لكل حالة محلولة أو لكل إكمال سير عمل، لا التكلفة لكل token.

مجالس الإدارة تفهم SLOs. المشغّلون يستطيعون إدارة SLOs. الفرق لا تستطيع إدارة الانطباعات.

4) الضوابط البشرية ليست ضعفاً؛ إنها طبقة التحكم

غالباً ما تتأرجح برامج الذكاء الاصطناعي بين طرفين: أوهام «الأتمتة الكاملة» و«human-in-the-loop» كغطاء أمان مبهم.

المشغّلون يفكرون بصورة مختلفة. نحن نعرّف أنماط التحكم.

• نمط استشاري: الذكاء الاصطناعي يوصي؛ والإنسان يقرر. مناسب للمجالات عالية المخاطر ولمراحل الإطلاق الأولى.
• تنفيذ محكوم: الذكاء الاصطناعي يتصرف ضمن حدود صارمة (قيود، قوالب، خطوات موافقة).
• Autopilot: الذكاء الاصطناعي ينفّذ من البداية إلى النهاية، لكن مع شروط توقف قابلة للقياس وقابلية تدقيق.

السؤال ليس «هل يوجد إنسان في الحلقة أم لا». السؤال هو: أين السلطة، وأين المساءلة، وما آلية الإلغاء أو التجاوز؟

5) الاستجابة للحوادث: افترض أنك ستخطئ على نطاق واسع

في أنظمة التحكم المتصلة بالمباني، لكل حادث كلفتان: أثر فوري على العميل وتآكل طويل الأمد في الثقة. الذكاء الاصطناعي يضيف ثالثة: مخاطر معرفية. يتوقف الناس عن معرفة ما الذي يمكن الوثوق به.

• عرّف أنواع الحوادث: إجابة خاطئة، إجراء خاطئ، خرق سياسة، تسرب بيانات، تكلفة منفلتة، تدهور أداء.
• أنشئ kill switch: تعطيل تنفيذ الأدوات، تعطيل الاستدعاءات الخارجية، الرجوع إلى نموذج آمن، أو العودة إلى مسارات بشرية فقط.
• سجّل لأغراض التحقيق الجنائي: prompts، السياق، نتائج retrieval، استدعاءات الأدوات، المخرجات، أفعال المستخدم (مع ضوابط الخصوصية).
• نفّذ postmortems تغيّر النظام: تحديثات eval، تحديثات العقود، تحديثات التوجيه، تغييرات الصلاحيات.

من دون «عضلة» للحوادث، فإن توسيع الذكاء الاصطناعي ليس إلا توسيعاً لنطاق الضرر.

نمط مُعاش: لماذا يتقاطع الذكاء الاصطناعي مع التنفيذ الصناعي

هذا هو النمط الذي رأيته مراراً—أولاً في التقنية الصناعية، ثم في SaaS وfintech، والآن في الذكاء الاصطناعي التطبيقي:

القيد نادراً ما يكون في القدرة. القيد هو التنسيق تحت عدم اليقين.

عندما أدرتُ وحدة مبانٍ ذكية متعددة الدول، كان لدينا أجهزة مضمنة في الميدان، وخدمات سحابية تتطور، وعملاء بتوقعات امتثال مختلفة. ما نجح لم يكن «مخططات معمارية أفضل». ما نجح كان وضوح التشغيل: ما التغييرات المسموحة، كيف نتحقق منها، ماذا نراقب، وكيف نتعافى عندما يتسرب شيء ما عبر الفلاتر.

أطبّق الانضباط ذاته في بناء مشاريعي اليوم—خصوصاً في منصات مثل Shopeno وIBHQ حيث الثقة، والصحة، وضبط التكلفة عوامل حاسمة. ميزات الذكاء الاصطناعي مغرية لإطلاقها بسرعة. لكن الذكاء الاصطناعي الذي يبقى هو الذي تستطيع تشغيله: مدخلات مُرقّمة بالإصدارات، وevals قابلة للتكرار، وSLOs صريحة، ونموذج سلطة ومسؤولية واضح.

ولهذا أيضاً أفضّل استعارة نماذج ذهنية من الطاقة والبنية التحتية. قابلية التمويل ليست تفاؤلاً. إنها ضوابط، وضمانات، وخطط استجابة. المنطق التشغيلي نفسه يظهر في طريقة تفكيري بمخاطر التنفيذ في مشاريع الطاقة (كتبتُ المزيد عن ذلك في The Operator’s Playbook for Making Grid-Scale Storage Bankable). والذكاء الاصطناعي يحتاج نسخته من «قابلية الاعتماد»: جودة صالحة لاتخاذ القرار، ومخاطر محدودة، وتشغيل يمكن التنبؤ به.

أسئلة مجلس الإدارة التي تكشف «معمارية العرض التجريبي»

إذا كنت تجلس في مجلس إدارة، أو تدير P&L، فلست بحاجة إلى مناقشة عائلات النماذج. ما تحتاجه هو اختبار جاهزية التشغيل تحت الضغط. هذه الأسئلة تكشف ذلك بسرعة:

1. ماذا يُسمح للذكاء الاصطناعي أن يفعل؟ ليس «ماذا يستطيع»—بل ما المصرّح به في الإنتاج؟
2. ما هي SLOs؟ للزمن، والتكلفة، والاعتمادية، والجودة. ومن يملكها؟
3. أرِني مجموعة eval. ما المهام؟ ما أنماط الفشل؟ كم مرة تُشغّل؟ وما الذي يمنع الإطلاق؟
4. ما التغييرات التي تتطلب إعادة تأهيل؟ النموذج، prompt، corpus الخاص بـretrieval، مخطط الأدوات، تغييرات السياسات.
5. أين kill switch؟ من يستطيع استخدامه؟ تحت أي شروط؟ وما سير العمل البديل؟
6. كيف نحقق في حادث؟ ما السجلات المتاحة؟ كم مدة الاحتفاظ؟ وما وضع الخصوصية؟
7. ما استراتيجية الإطلاق؟ استشاري → تنفيذ محكوم → autopilot، مع بوابات صريحة.

إذا لم تستطع القيادة الإجابة عن هذه الأسئلة دون تبرير فضفاض، فـ«المعمارية» لا تزال رسماً.

رأيي الواضح: ابنِ ذكاءً اصطناعياً أقل. وشغّل ذكاءً اصطناعياً أكثر.

النقاش حول الذكاء الاصطناعي مزدحم بالأطر وstacks ووعود المورّدين. على المشغّلين أن يظلوا عمليين بلا تنازل.

يتوسع الذكاء الاصطناعي عندما تتعامل معه كإنتاج. وهذا يعني: عقوداً بدلاً من الوصول، وevals بدلاً من الانطباعات، وSLOs بدلاً من الحكايات، وأنماط تحكم بدلاً من عبارة «human-in-the-loop» العامة، واستجابة للحوادث بدلاً من الأمل.

إذا أردت إجراءً واحداً لهذا الربع، فافعل الآتي: اختر حالة استخدام واحدة للذكاء الاصطناعي تمس التشغيل فعلاً (فرز طلبات الخدمة، دعم المشتريات، تخطيط الصيانة، إدخال العملاء). ثم اكتب قائمة التحقق في صفحة واحدة. عيّن الملاك. ضع SLOs على لوحة متابعة. نفّذ تمرين حادث. ستتعلم خلال 30 يوماً من التشغيل أكثر مما ستتعلمه خلال ستة أشهر من الرسم.

هذه هي الفكرة. المعمارية ليست ما ترسمه. إنها ما تستطيع تشغيله.