عندما يصبح الذكاء الاصطناعي رخيصاً، يصبح التنفيذ هامش الربح الوحيد

رأيت هذا الفيلم بأزياء مختلفة. تتحول الأجهزة إلى سلعة. تنخفض كلفة لبنات cloud الأساسية. تنتشر الأدوات. ما يبقى نادراً ليس المكوّن، بل القدرة على جعله يعمل بانضباط داخل عملية تشغيل حقيقية.

الذكاء الاصطناعي يسير في المسار نفسه. إذا كنت تراهن على هامش النموذج الخام، فالحسابات ستنقلب ضدك في النهاية. سيقدّم طرفٌ ما قدرةً مشابهة بكلفة أقل. وسيأتي طرفٌ آخر ليضمّنها ضمن حزمة. وسيشغّلها لاعب ثالث على نماذج أصغر أقرب إلى موقع العمل. يمكنك أن تجادل في التوقيت، لكنك لا تستطيع أن تجادل في الاتجاه.

لذلك أتعامل مع «هامش الذكاء الاصطناعي» بوصفه وهماً ما لم يكن مثبتاً في التنفيذ. الهامش القابل للدفاع عنه هو القدرة على دمج الذكاء الاصطناعي داخل سير العمل، والحفاظ على اعتماديته، وتوليد نتائج قابلة للقياس ربعاً بعد ربع. هذه ليست عبارة تسويق منتج. هذا تشغيل.

التحوّل: من اقتصاديات التوكن إلى اقتصاديات التشغيل

في غرفة مجلس الإدارة، السؤال ليس: «أي نموذج نستخدم؟». السؤال هو: «أي وحدة عمل ستصبح أقل كلفة، أسرع، وأكثر أماناً؟». هذه هي اقتصاديات التشغيل.

عندما أدرت وحدة أعمال دولية في مجال المباني الذكية وأتمتة المنازل، لم يأتِ الهامش من قائمة المواد وحدها. جاء من خفض المرتجعات، وتحسين اعتمادية التسليم، وجعل الخدمة قابلة للتوسع عبر الأسواق. المبدأ نفسه ينطبق على الذكاء الاصطناعي. «النموذج» ليس المنتج. المنتج هو التحسين التشغيلي الذي يتيحه.

عندما تتجه تكاليف النماذج إلى الانخفاض، يحدث أمران:

• الاستدلال يصبح مُدخلاً متغيراً. مثل الكهرباء في مصنع أو رسوم SMS في تطبيق استهلاكي؛ مهمّ، لكنه نادراً ما يبرر علاوة سعرية مستدامة.
• التكامل يصبح القيد. ينتقل عنق الزجاجة إلى تصميم العمليات، وعقود البيانات، وQA، وإدارة التغيير.

إذا أردت هامشاً يصمد، فعليك أن تملك القيد.

موّل الذكاء الاصطناعي كبرنامج تحسين عمليات، لا كمشروع علمي

الفرق التشغيلية تُخطئ في ميزنة الذكاء الاصطناعي بطريقة متكررة. تفرط في تمويل النموذج وتقلّل تمويل كل ما يجعل النموذج مفيداً في بيئة الإنتاج. ثم تصف المبادرة بأنها فاشلة.

أنا أُعدّ ميزانية الذكاء الاصطناعي بالطريقة التي كنت أُعدّ بها ميزانيات برامج الجودة والاعتمادية في التكنولوجيا الصناعية. أوجّه الإنفاق حيث توجد المخاطر وكلفة إعادة العمل.

هذا هو التسلسل الذي أعتمده:

1. رسم سير العمل وتحديد الملكية. سمِّ مالك العملية. حدِّد «قبل» و«بعد». إذا لم تستطع وصف نقاط التسليم، فلن تستطيع أتمتتها. هذا هو المنطق نفسه الذي كتبت عنه في قيمة الذكاء الاصطناعي وزر الإيقاف. إذا لم يملك أحد زر الإيقاف، فلن يملك أحد النتيجة.
2. ابدأ بالتكامل. يظل النموذج «عقلاً في وعاء» إلى أن يستطيع القراءة والكتابة داخل الأنظمة التي يحدث فيها العمل: ERP، CRM، ticketing، PLM، MES، البريد الإلكتروني، وجداول البيانات. التكامل ليس لامعاً، لكنه المكان الذي تُربح فيه أزمنة الدورة.
3. اجعل QA والمراقبة منتجاً لا مهمة. في الإلكترونيات الاستهلاكية، عندما كنت مسؤولاً عن QA والاختبار عبر العتاد والبرمجيات، لم تكن أكبر كلفة هي أجهزة الاختبار، بل العيوب التي تتسرب ثم تعود كمرتجعات وحمل دعم. الذكاء الاصطناعي مشابه. تحتاج إلى حالات اختبار منهجية، وحِزم regression، ومراقبة حيّة.
4. التدريب والحوافز. إذا كان الناس يُقاسون على المخرجات بينما يغيّر الذكاء الاصطناعي الخطوات، فعليك تحديث معايير القياس. وإلا ستظهر عمليات ظلّ ورفض صامت.
5. إنفاق النموذج كـ COGS متغير. تعامل معه كبند تتوقع انخفاضه. فاوض عليه. نوّع مصادره. صمّم بحيث تستطيع استبداله.

هذا النهج في الميزنة يحقق أمرين: يحميك من انضغاط أسعار النماذج، ويجبرك أيضاً على بناء القدرات التي تصنع رافعة تشغيلية حقيقية.

ما الذي يجب قياسه: أدر الذكاء الاصطناعي كنظام حرج

معظم فرق الذكاء الاصطناعي ترفع تقارير بمؤشرات على مستوى النموذج لا تتحول إلى تحكم تشغيلي: precision، recall، ودرجات benchmarks. مفيدة، لكنها غير كافية.

بوصفي COO سابقاً في مجال الكهربة وتخزين الطاقة، كنت أركز على مؤشرات ترتبط بالتسليم والمخاطر: التوافر، زمن التسليم، الهدر، إعادة العمل، وأعطال الميدان. إذا كان نظام ذكاء اصطناعي يلامس التزامات العملاء أو الإنتاجية الداخلية، فهو يستحق الجدية نفسها.

لوحة قياس الأساس عندي تبدو هكذا:

• Uptime: هل القدرة متاحة عندما تحتاجها العمليات؟
• Latency: هل يستجيب ضمن نافذة القرار في سير العمل؟
• دقة ملائمة للمهمة: ليست دقة عامة، بل دقة على حالاتك الفعلية، بما فيها الحالات الطرفية.
• الكلفة لكل مهمة محلولة: الكلفة الإجمالية، بما فيها مراجعة البشر، التصعيدات، وإعادة العمل.
• معدل التصعيد: كم مرة يحوّلها إلى إنسان، ولماذا؟
• معدل إعادة العمل: كم مرة يحتاج العمل اللاحق إلى تصحيح بسبب مخرجات الذكاء الاصطناعي؟
• معدل فشل التغيير: عندما تحدّث prompts أو الأدوات أو النماذج، كم مرة تكسر سير العمل؟

قاعدتان تشغيليتان:

• إذا لم تستطع التراجع بأمان، فأنت غير جاهز للتوسع. هذه مشكلة انضباط إصدار، لا مشكلة ذكاء اصطناعي.
• إذا لم تستطع تفسير الإخفاق، فلن تستطيع تحسينه. تعامل مع الحوادث كما تتعامل مع انحراف إنتاجي.

ولهذا أيضاً أميل إلى عمليات نشر أصغر وأكثر قابلية للتحكم حيثما كان ذلك منطقياً. كتبت عن هذه العقلية في شحن الذكاء الاصطناعي بنماذج صغيرة. عندما تكون كلفة الفشل حقيقية، يتفوّق التحكم على الذكاء.

التسعير: بِع النتائج لا التوكن

إذا سعّرت الذكاء الاصطناعي على أساس «توكن + هامش»، فأنت تختار سباقاً إلى القاع. كما أنك تضع الحوافز في اتجاهات متعارضة: المشتري يريد توكن أقل وخطوات أقل وأخطاء أقل؛ وأنت تريد استهلاكاً أعلى. هذه معادلة تنتهي بسوء.

التسعير القائم على النتائج أصعب، لكنه يطابق طريقة تفكير المشغّلين. اربط الرسوم بوحدة التحسين التي يهتم بها عميلك فعلاً:

• Throughput: قضايا مغلقة يومياً، عروض أسعار أسبوعياً، مطالبات معالجة بالساعة.
• خفض معدل الأخطاء: فواتير خاطئة أقل، تصعيدات كاذبة أقل، إخفاقات امتثال أقل.
• أداء مدعوم بـ SLA: زمن استجابة وتوافر لسير عمل محدد.

في أعمال SaaS وfintech، تعلمت أن أكون صريحاً بشأن الحد الفاصل بين الأتمتة والمساءلة. إذا كنت ستسعّر على النتائج، فعليك أيضاً أن تحدد:

• ما هي المدخلات المطلوبة (جودة البيانات، صلاحيات الوصول للأنظمة، قواعد مراجعة البشر).
• ما الذي يقع ضمن النطاق (أي سير عمل، أي لغات، أي أنواع استثناءات).
• ماذا يعني «جيد» (معايير القبول وقابلية التدقيق).

التسعير القائم على النتائج دون تعريفات تشغيلية يتحول إلى نزاع تعاقدي. ومع التعريفات التشغيلية يصبح شراكة.

عدسة عملية: أين يعيش هامشك القابل للدفاع فعلاً

أستخدم عدسة بسيطة عندما أقيّم منتجاً أو مبادرة في الذكاء الاصطناعي: اسأل أين يتموضع الهامش القابل للدفاع، ثم استثمر هناك.

• هامش النموذج: هش. توقّع انضغاطه.
• هامش الوصول إلى البيانات: أحياناً مستدام، وغالباً سياسي. وما زلت تحتاج إلى التنفيذ لاستثماره.
• هامش دمج سير العمل: مستدام. مؤلم التقليد.
• هامش الاعتمادية: شديد الاستدامة. معظم الفرق لا تمتلك الانضباط.
• هامش إدارة التغيير: مستدام. تُقلّل الفرق التقنية من شأنه.

عندما أبني مشاريع مثل Shopeno وIBHQ، أفترض أن قدرة الذكاء الاصطناعي الأساسية ستصبح أرخص وأكثر توافراً. التمايز يجب أن يكون في مدى ملاءمة المنتج لسير العمل، وفي أمان تشغيله، وفي سرعة تحسينه دون كسر الثقة. هذا هو الطريق الوحيد لبناء شيء يصمد أمام إعادة ضبط الأسعار.

الأمر نفسه ينطبق في البيئات الصناعية. الاعتمادية عقدٌ تدفع مقابله وتفرضه. ذكرت ذلك بوضوح في التحمّل كعقد اعتمادية. الذكاء الاصطناعي ليس استثناءً. عمل الاعتمادية هو المكان الذي يختبئ فيه الهامش.

قائمتي للربع القادم

إذا كنت عضواً في مجلس إدارة أو مالكاً أو مشغّلاً وتريد تحويل هذا إلى عمل بسرعة، فهذه هي النقاط التي سأدفع بها خلال الـ 90 يوماً المقبلة:

1. اختر سير عمل واحداً بحجم واضح وألم واضح. ليس عرضاً تجريبياً. طابوراً حقيقياً.
2. عرّف وحدة القيمة. زمن الحل، الكلفة لكل حالة، معدل إعادة العمل، الالتزام بـ SLA.
3. قِس خط الأساس. إذا لم تستطع قياس «قبل»، فلن تستطيع ادعاء «بعد».
4. موّل التكامل وQA قبل إنفاق النموذج. واجعل النموذج قابلاً للاستبدال.
5. أطلقه مع زر إيقاف وخيار تراجع. إذا لم يستطع أن يفشل بأمان، فسيفشل بصوت عالٍ.
6. حوّل المراقبة إلى ممارسة تشغيلية. لوحة واحدة يستخدمها مالك العملية فعلاً.
7. سعّر أو حمّل داخلياً على أساس النتيجة. اجعل الحوافز تصطف مع هدر أقل، لا توكن أكثر.

رأيي: الفائزون سيبدون كمشغّلين، لا كباعة نماذج

سيستمر الذكاء الاصطناعي في الانخفاض من حيث كلفة التشغيل. هذا خبر جيد للجميع، لكنه يدمّر الأعمال التي تخلط بين كلفة المدخلات وصناعة القيمة.

الشركات التي ستحافظ على الهامش هي التي تستطيع أخذ واقع فوضوي، وترجمته إلى سير عمل، والاندماج بعمق، وتشغيل النظام بانضباط الاعتمادية. ستتحدث أقل عن النماذج وأكثر عن throughput والعيوب وSLAs. ستتعامل مع الذكاء الاصطناعي كقدرة تشغيلية، لا كميزة.

إذا أردت هامشاً قابلاً للدفاع، توقّف عن سؤال: كيف أُحوّل الاستدلال إلى دخل؟ وابدأ بسؤال: كيف أُحوّل التنفيذ إلى دخل؟