سباق الذكاء الاصطناعي القادم.. لماذا أصبحت خبرات البشر أهم من البيانات؟

يدخل سباق تطوير الذكاء الاصطناعي مرحلة جديدة، لم تعد فيها وفرة البيانات وحدها كافية لمنح الشركات ميزة تنافسية.

وبينما تستطيع نماذج الذكاء الاصطناعي الحديثة معالجة كميات هائلة من التقارير والمستندات والأبحاث، تزداد قيمة نوع آخر من البيانات يصعب الحصول عليه: الخبرة البشرية والحكم المهني المتخصص.

وتتحول المعلومات التي يقدمها الأطباء والمحامون والعلماء والمستثمرون وغيرهم من المتخصصين، والقادرين على إنشاء المهام المهنية وتقييم نتائج الذكاء الاصطناعي، إلى مورد متزايد الأهمية لتطوير أدوات الذكاء الاصطناعي المتخصصة.

وفي الوقت نفسه، ينشأ سوق تجاري سريع النمو يربط مطوري الذكاء الاصطناعي بالخبراء القادرين على إعداد المهام المهنية وتقييم إجابات النماذج واكتشاف الأخطاء التي لا يمكن تحديدها بسهولة من دون معرفة متخصصة.

تجربة مالية تكشف قيمة الحكم البشري

في عام 2026، تعاونت Thinking Machines Lab وBridgewater Associates لاختبار قدرة الذكاء الاصطناعي على مساعدة المستثمرين في فرز الكميات الكبيرة من الأخبار والأبحاث التي يراجعونها يوميًا.

واختبرت الدراسة ست مهام تتعلق بتصفية المعلومات، من بينها تحديد ما إذا كان أحد المقالات ذا صلة بالمهمة أم لا.

واعتمدت Bridgewater في البداية على أمثلة صنفها أشخاص غير متخصصين لتحديد ما يعتبر مهمًا أو مفيدًا، لكن تبين أن العديد من هذه الأحكام كانت خاطئة.

وأُرسلت الحالات المختلف عليها إلى مستثمري Bridgewater لمراجعتها، ثم استُخدمت ملاحظاتهم لتحسين نموذج متخصص.

وحقق النموذج الناتج أداءً أفضل من نماذج أخرى كانت Bridgewater قد اختبرتها، مع تكلفة تشغيل أقل بكثير.

ورغم محدودية التجربة، فإنها تكشف مشكلة أوسع: المعلومات المالية نفسها متاحة بكثرة، لكن الحكم الموثوق بشأن المعلومات التي تستحق الاهتمام أصعب بكثير في الحصول عليه.

الحكم المهني.. مورد نادر للذكاء الاصطناعي

تعد نماذج اللغة الكبيرة، أو LLMs، نوعًا من النماذج الأساسية التي يمكن تكييفها لتنفيذ مجموعة واسعة من المهام.

وتستطيع هذه النماذج معالجة التقارير المالية والوثائق القانونية والأبحاث العلمية على نطاق هائل، لكن الوصول إلى هذه المواد لا يعني امتلاك الحكم المهني لشخص أمضى سنوات في العمل داخل المجال.

فالخبراء يتعلمون بمرور الوقت أي التفاصيل تستحق الاهتمام، وأي الأخطاء يمكن أن تكون خطيرة، ومتى يمكن أن يفشل الإجراء المعتاد.

ويمكن توثيق بعض هذه الخبرات، لكن جوانب أخرى تظهر من خلال القرارات الفعلية التي يتخذها المتخصصون.

فقد يحتوي تحليل استثماري على معلومات صحيحة تمامًا، لكنه يركز على المؤشرات الخطأ. وفي هذه الحالة، فإن إنتاج المزيد من الأمثلة لا يحل المشكلة ما لم توجد طريقة موثوقة للحكم على جودة هذه الأمثلة.

كما أن الحكم المهني ليس حقيقة موضوعية واحدة بالضرورة.

فقد يختلف الخبراء في تقييم الحالة نفسها نتيجة اختلاف أهدافهم أو درجة تحملهم للمخاطر أو أولويات المؤسسات التي يعملون بها.

وبالتالي، فإن النموذج الذي يتعلم من قرارات Bridgewater، على سبيل المثال، يتعلم ما تعتبره Bridgewater معلومات ذات صلة، وليس بالضرورة نموذجًا عالميًا للحكم الاستثماري.

وهذه الطبيعة الخاصة بكل مؤسسة تجعل هذا النوع من البيانات مهمًا بصورة متزايدة للميزة التنافسية في عصر الذكاء الاصطناعي.

الخبراء يدخلون سلسلة توريد بيانات الذكاء الاصطناعي

أدى الطلب المتزايد على المدخلات البشرية المتخصصة إلى ظهور سوق تجاري كبير يربط مطوري الذكاء الاصطناعي بالأطباء والمحامين والعلماء وغيرهم من الخبراء القادرين على إنشاء المهام المهنية وتقييمها.

ومن بين الشركات العاملة في هذا المجال Micro1، التي ارتفع معدل إيراداتها السنوي الإجمالي من 100 مليون دولار إلى 500 مليون دولار خلال 8 أشهر، وفقًا لتقرير نشرته TechCrunch.

وأشار التقرير أيضًا إلى أن شركات مماثلة، مثل Mercor وHandshake، وصلت إلى معدلات إيرادات سنوية إجمالية تقدر بنحو 2 مليار دولار ومليار دولار على التوالي.

وتكشف هذه الأرقام عن حجم الإنفاق المتزايد على البيانات المتخصصة وتقييم أنظمة الذكاء الاصطناعي.

ولا تقتصر أعمال هذه الشركات على وضع العلامات التقليدية على البيانات، بل تشمل مشروعات لإنشاء معايير أداء مهنية وقواعد بيانات وبيئات لتقييم النماذج.

وتطلب شركة Mercor، على سبيل المثال، من المتخصصين كتابة مشكلات واقعية، ومراجعة مخرجات النماذج، واكتشاف الأخطاء التي تتطلب معرفة عميقة بالمجال.

وقد يؤدي هذا السوق إلى جعل الخبرة المهنية العامة أكثر سهولة في الحصول عليها، لكن المعرفة المرتبطة بمؤسسة محددة تظل أكثر صعوبة في الشراء أو التقليد.

كنز الشركات الذي لم يصل إلى الإنترنت

لم تُنشر كثير من المعلومات التي تقف خلف القرارات الجيدة للشركات على الإنترنت من الأساس.

وتحتوي الأنظمة الداخلية للمؤسسات على حالات استثنائية للعملاء، وإخفاقات تشغيلية، وقرارات تراكمت على مدى سنوات.

كما يعرف الموظفون ذوو الخبرة الحالات التي تستحق اهتمامًا خاصًا، ومتى يجب عدم اتباع الإجراء المعتاد.

ولهذا السبب، التزمت شركة المحاماة Kirkland & Ellis باستثمار 500 مليون دولار لتطوير منصة ذكاء اصطناعي خاصة بها، بمشاركة نحو 250 محاميًا وأكثر من 180 متخصصًا في التكنولوجيا، مع استمرارها في استخدام منتجات ذكاء اصطناعي خارجية، وفقًا لصحيفة Financial Times.

ومع إتاحة نماذج الذكاء الاصطناعي الأساسية المتقدمة أمام عدد متزايد من المؤسسات، قد تصبح إمكانية الوصول إلى هذه النماذج أقل قدرة على تفسير الفروق بين نتائج الشركات.

وقد يتحول الفارق التنافسي إلى عناصر أخرى، مثل جودة استرجاع المعلومات، وغنى الأمثلة، وقوة عمليات التقييم، أو جودة السجلات التي توضح نتائج القرارات السابقة.

وقد يكون النظام الذي ينتج بصورة مستمرة ملاحظات مرتبطة بمؤسسة معينة أكثر صعوبة في تقليده.

فعندما يراجع الموظفون مخرجات الذكاء الاصطناعي، فإنهم يصححون التوصيات، ويرفضون الإجابات التي تبدو منطقية لكنها غير صحيحة، ويرفعون الحالات غير المعتادة إلى مستويات أعلى من المراجعة، ثم يراقبون لاحقًا ما إذا كانت القرارات قد حققت النتائج المطلوبة.

ويمكن لكل تدخل من هذه التدخلات أن يكشف شيئًا عن شكل الأداء الجيد.

وتسجل مؤسسات كثيرة القرار النهائي، لكن التصحيحات التي أدت إلى الوصول إليه يصعب إعادة استخدامها.

وقد يؤدي تسجيل هذه التصحيحات والقرارات معًا إلى إنشاء قاعدة معرفية مفيدة لعمليات التقييم المستقبلية، وأنظمة استرجاع المعلومات، وتحسين النماذج.

البيانات الاصطناعية لا تلغي الحاجة إلى التحقق

يمكن للبيانات الاصطناعية، وهي البيانات التي يتم توليدها بشكل مصطنع بدلًا من جمعها مباشرة من ملاحظات العالم الحقيقي، أن تقلل الحاجة إلى بعض الأمثلة التي ينتجها البشر.

وقد بحث المنتدى الاقتصادي العالمي بالفعل في قدرة البيانات الاصطناعية على تخفيف بعض القيود التي تواجه تطوير الذكاء الاصطناعي.

كما يشير تقرير السلامة الدولية للذكاء الاصطناعي لعام 2026، الذي كلفت الحكومة البريطانية بإعداده، إلى الرياضيات والبرمجة والاستدلال الرسمي باعتبارها مجالات يمكن أن تعمل فيها الأساليب الاصطناعية بكفاءة، بسبب إمكانية التحقق من الإجابات وفق معايير واضحة نسبيًا.

ولا يشترط أن يكون التحقق من البيانات الاصطناعية بشريًا دائمًا.

فقد توفر أدوات البرمجيات، والمحاكاة، والنتائج الفعلية، أو أنظمة ذكاء اصطناعي أخرى، آليات لتقديم التغذية الراجعة.

كما يمكن للمقيّمين الآليين الأكثر تطورًا تقليل الحاجة إلى عمليات مراجعة بشرية مكلفة من جانب الخبراء.

لكن السؤال الاقتصادي المهم يتمثل في: كم تبلغ تكلفة حصول نظام يعتمد على الذكاء الاصطناعي على تغذية راجعة موثوقة تحدد ما إذا كانت مخرجاته جيدة أم لا؟

ففي المجالات التي يمكن فيها أتمتة التحقق بصورة موثوقة، قد تصبح البيانات الاصطناعية منخفضة التكلفة ومتاحة بكميات ضخمة.

أما عندما تعتمد جودة البيانات على خبرة نادرة أو على نتائج تحتاج إلى وقت طويل حتى يمكن ملاحظتها، فقد تظل التغذية الراجعة عالية الجودة مكلفة.

سباق جديد على بيانات أداء الشركات

يثير جمع الخبرة البشرية أيضًا أسئلة مهمة تتعلق بالحوكمة والخصوصية.

فالتصحيحات التي يجريها الموظفون، وتفاعلات العملاء، والقرارات المهنية قد تحتوي على معلومات سرية أو بيانات شخصية.

ولذلك تحتاج المؤسسات إلى تحديد الحقوق المناسبة لإعادة استخدام هذه البيانات، إلى جانب وضع ضوابط واضحة للوصول إليها واستخدامها.

ومع حصول عدد أكبر من المؤسسات على نماذج أساسية أكثر قدرة، قد ينتقل جزء من ميزتها التنافسية إلى المعلومات المحيطة باستخدام هذه النماذج، بما في ذلك معرفة المخرجات التي نجحت، وتلك التي فشلت، والإجابات التي بدت منطقية لكن الخبراء رفضوها.

وقد يمكن شراء جزء من هذه المعرفة أو تقليده، لكن وجود سجل متجدد باستمرار يوضح كيفية اتخاذ مؤسسة معينة للقرارات الصعبة وكيف تتعلم من نتائجها قد يكون أكثر صعوبة في إعادة إنتاجه.

وبذلك قد لا يكون سباق بيانات الذكاء الاصطناعي المقبل متعلقًا بجمع أكبر قدر ممكن من المعلومات، بل بالحصول على أدلة موثوقة تحدد ما الذي يعنيه الأداء الجيد فعلًا، وكيف يمكن قياسه والتحقق منه وتحسينه باستمرار.

وفي هذا التحول، تصبح الخبرة البشرية ليست مجرد مصدر لتدريب الذكاء الاصطناعي، وإنما جزءًا أساسيًا من البنية التي تحدد ما إذا كانت أنظمة الذكاء الاصطناعي قادرة على تقديم نتائج موثوقة وقابلة للاستخدام في العالم الحقيقي.