عروض العمل وصناديق البريد تغرق في مقترحات مُولَّدة آلياً. هذه إشارات ملموسة تفرّق بين مستشار ذكاء اصطناعي سلّم فعلاً إلى الإنتاج وبين بائع عروض تقديمية.
المشكلة ليست في كثرة العروض بل في تشابهها
لم يعد غريباً أن يتلقى صاحب شركة عشرات المقترحات خلال أسبوع واحد، كلها مكتوبة بلغة أنيقة، وكلها تعد بـ"حلول ذكاء اصطناعي مخصّصة"، وكلها تبدو كأنها نُسخت من القالب نفسه. هذا ما صار يُعرف بـ ia slop: محتوى وعروض مُولَّدة آلياً بلا تجربة حقيقية خلفها. المفارقة أن التقنية التي يُفترض أن تُميّز مقدّم الخدمة هي نفسها التي جعلت الجميع يبدون متشابهين.
السؤال العملي إذن ليس "هل يفهم هذا الشخص الذكاء الاصطناعي؟" فكل من قرأ مقالين سيجيب بنعم. السؤال هو: هل سلّم شيئاً إلى الإنتاج فعلاً؟ وهنا تبدأ الإشارات الملموسة.
إشارات تكشف المستشار الحقيقي
يسأل عن مشكلتك قبل أن يقترح تقنيته
المستشار الجاد يبدأ بأسئلة تبدو بسيطة لكنها مكلفة: ما العملية التي تستهلك وقت فريقك؟ ما القرار الذي تتأخر في اتخاذه بسبب نقص البيانات؟ من سيراجع مخرجات النظام بعد تشغيله؟
من يبدأ عرضه بـ"نستخدم RAG وLLM ونموذجاً متعدد الوسائط" قبل أن يفهم سياقك، يبيعك تقنية لا حلاً. اطلب منه أن يشرح مشكلتك بكلماته قبل أن يعرض أي مقاربة.
يتحدث عن الفشل لا عن النجاح فقط
اسأله: متى لا يناسب الذكاء الاصطناعي هذه الحالة؟ المستشار الحقيقي سيقول لك بصراحة إن بعض المهام تُنجز بقواعد برمجية بسيطة أرخص وأدق وأسرع من أي نموذج لغوي. من يرى في كل مشكلة مسماراً لطرقة الذكاء الاصطناعي، لم يجرّب מספיק.
يشرح كيف يقيس النتيجة
هنا يقع الفرق الجوهري. تقييم مشروع ذكاء اصطناعي لا يقوم على الانطباع بل على مقاييس متفق عليها قبل البدء. المستشار الجاد سيسألك: ما نسبة الدقة المقبولة؟ ما تكلفة الخطأ الواحد؟ كيف سنعرف بعد ثلاثة أشهر أن النظام ينجح؟
من لا يستطيع الإجابة عن هذه الأسئلة قبل كتابة سطر واحد من الكود، سيبني لك شيئاً جميلاً في العرض التقديمي وغير قابل للقياس في الواقع.
يعرف حدود التكلفة والتشغيل
اطلب تفصيلاً عن الكلفة الشهرية المتوقعة بعد التسليم، لا عن سعر التطوير فقط. كل نداء لنموذج له ثمن، وكل سجل بيانات له ثمن، وكل مراجعة بشرية لها وقت. من يتجاهل هذا البند إما لم يشغّل نظاماً حقيقياً، أو يعرف أنه سيختفي قبل أن تظهر الفاتورة.
كيف تختبر قبل أن توقّع
- اطلب عرضاً تقنياً من صفحتين: البنية المقترحة، مكان البيانات، نقاط الفشل المتوقعة. هذا يكشف من فهم فعلاً ومن أعاد صياغة عرض عام.
- اسأل عن مشروع لم ينجح: كيف اكتشفت المشكلة؟ ماذا فعلت؟ الجواب الصادق يحمل تفاصيل لا يستطيع النموذج اللغوي اختراعها.
- اطلب نموذجاً أولياً صغيراً: مهمة واحدة محددة، بميزانية محدودة، بمقياس واضح. النتائج خلال أسابيع تكشف أكثر من عشر اجتماعات.
- تحقق من الأثر لا من القائمة: لا يهم كم أداة يعرف، بل ما الذي تغيّر عند عميل سابق. وإن لم يستطع ذكر أسماء، فليصف نوع المشكلة وحجمها والنتيجة دون أرقام مبالغ فيها.
- راقب لغة التواصل: التفاصيل الدقيقة، الاعتراف بحدود المعرفة، الأسئلة المتكررة عن سياقك — كلها مؤشرات يصعب تزييفها.
لماذا هذا مهم الآن تحديداً
لأن كلفة توليد عرض تقديمي مقنع أصبحت صفراً تقريباً. هذا يرفع قيمة الإشارات التي لا يمكن توليدها: تجربة تشغيل حقيقية، حكم هندسي على المقايضات، استعداد لقول "هذا لا يحتاج ذكاءً اصطناعياً". AI consultant vetting لم يعد ترفاً؛ صار مهارة شرائية أساسية.
الخبر الجيد أن الفرق يظهر سريعاً. جلسة واحدة من الأسئلة الصحيحة، أو نموذج أولي صغير، تكفي عادة لتمييز من بنى فعلاً من من كتب فقط.
لنناقش مشروعك
إن كنت تفكر في مشروع ذكاء اصطناعي وتريد رأياً صريحاً — بما في ذلك أن مشروعك لا يحتاج هذه التقنية أصلاً — يمكنك التواصل على contact@hamzabelgacem.com. أبدأ عادة بأسئلة قبل أي اقتراح، وأفضّل أن نحدد معاً ما إذا كان هناك ما يستحق البناء قبل الحديث عن أي شيء آخر.