كيف تتجنب الارتهان لمزود واحد في الذكاء الاصطناعي: توقف عن شراء نموذج وابنِ طبقة التشغيل
الفجوة بين النماذج مفتوحة الوزن والنماذج الرائدة المغلقة فترة محدودة لا هوة سحيقة. والرد العقلاني بنيوي: احتفظ بتكلفة التحول داخل طبقة تنسيق تملكها أنت، ودَع عبء عمل محسوبًا بالأرقام، لا لوحة متصدرين، يقرر أي نموذج يُوصَل بها.
عندما يُطرح السؤال عن كيفية تجنب الارتهان لمزود واحد في الذكاء الاصطناعي، يتجه معظم الردود فورًا إلى بنود العقود وشروط الخروج. هذه ليست الطبقة الصحيحة للدفاع عنها. الارتهان في أنظمة الذكاء الاصطناعي هندسي لا قانوني: فبمجرد أن تتشكل موجّهاتك (prompts)، وتكاملات أدواتك، وتقييماتك، وعادات فريقك حول واجهة برمجة تطبيقات مزود واحد، يصبح بند الخروج في العقد شكليًا فحسب، لأن تكلفة التحول الحقيقية تكون قد دُفعت بالفعل في صورة وقت هندسي. وقد أشارت هيئة المنافسة والأسواق البريطانية (CMA) إلى نسخة من هذه الفكرة في مراجعتها لنماذج الذكاء الاصطناعي التأسيسية، حين رصدت أن حواجز التحول والاندماجات الرأسية بين الشركات هي الآليات الأكثر ترجيحًا لتصليب هذا السوق. وينطبق التحذير ذاته على أسواق الخليج التي تراهن بقوة على برامج التحول الرقمي، من رؤية السعودية 2030 إلى استراتيجية الإمارات للذكاء الاصطناعي: كلما تعمّق الاعتماد المؤسسي على مزود واحد، ارتفعت تكلفة الخروج لاحقًا. فالسؤال العملي إذن ليس ما إذا كنت ستتحمل تكلفة التحول، بل أين تختار الاحتفاظ بها.
لماذا تتراجع علاوة النماذج الرائدة المغلقة؟
يُسعَّر النموذج المغلق أساسًا بناءً على فجوة: المسافة بين ما يستطيعه النموذج الرائد المُقاس بالاستخدام وما يمكن الحصول عليه بسعر أقل من أي مكان آخر. وقد قدّر تحليل أجرته مؤسسة Epoch AI أن أفضل النماذج مفتوحة الوزن تتخلف عن النماذج الرائدة المغلقة بفارق يقارب عامًا واحدًا، مع تفاوت هذا الفارق بحسب معيار القياس وتغيّره مع كل إصدار جديد. وما إذا كانت هذه الفجوة تتقلص فعليًا مسألة ما زالت محل جدل حقيقي، وعلى المشتري الحصيف أن يتعامل معها باعتبارها سؤالًا مفتوحًا لا حقيقة مسلَّمًا بها. المهم هو شكل هذه الفجوة: إنها فترة زمنية محدودة، لا هوة سحيقة، ولكل فترة زمنية ثمن.
معظم أعمال الذكاء الاصطناعي في المؤسسات هي تصنيف واستخلاص وصياغة وتلخيص وربط بين الأدوات (agent plumbing). وبمجرد أن يجتاز نموذج متخلف عن الصدارة الحد الأدنى المطلوب لمهمة معينة، ينقلب معيار الشراء لتلك المهمة من «الأفضل» إلى «الكافي»، ونادرًا ما ينعكس هذا الانقلاب، لأن قلة من فرق المشتريات ستدفع علاوة سعرية مقابل قدرة لا يحتاجها عبء العمل الفعلي. وهذا الادعاء يحتاج إلى توضيح شرطه بجلاء: الكفاية هنا مرتبطة بالمهمة تحديدًا. فالنموذج الذي يكفي لتلخيص تذاكر الدعم الفني قد يكون بعيدًا كل البعد عن الكفاية لمراجعة العقود، ولهذا فإن الحجة برمّتها تمر عبر التقييم لا الحدس.
ماذا يوفر التحول فعليًا؟ مثال محسوب بالأرقام
الحديث المجرّد عن انتشار السلعنة (commoditisation) لا يقنع أحدًا يمسك بميزانية، فلنبدأ من عبء عمل موثّق. أعلنت شركة كلارنا (Klarna) أن مساعدها الذكي تعامل مع 2.3 مليون محادثة خدمة عملاء في الشهر الأول من إطلاقه، وهو حجم عمل قالت الشركة إنه يعادل 700 موظف بدوام كامل. هذه أرقام كلارنا نفسها، وتستحق قدرًا معتادًا من التشكك المصاحب لأي نجاح مُعلَن ذاتيًا، لكن الحجم هو الجزء المفيد هنا: أي ما يقارب 28 مليون محادثة سنويًا.
والآن لنُجرِ الحساب بقوائم الأسعار الحالية بين أيدينا. الأرقام التالية للرموز (tokens) افتراضات توضيحية اختيرت لسهولة الفهم، وليست أرقام كلارنا ولا عرض سعر أي مزوّد. لنفترض أن محادثة دعم روتينية تستهلك نحو 3,000 رمز إدخال و300 رمز إخراج بعد احتساب السياق واستدعاءات الأدوات. عند 28 مليون محادثة سنويًا، يعني ذلك نحو 84 مليار رمز إدخال. وبتسعير هذه الرموز عند 10 دولارات لكل مليون، تبلغ فاتورة الإدخال وحدها نحو 840,000 دولار سنويًا؛ وبتسعيرها عند دولار واحد لكل مليون على نموذج أرخص يجتاز مجموعة التقييم ذاتها، تنخفض الفاتورة إلى نحو 84,000 دولار. وقد تباينت قوائم الأسعار المعلنة مؤخرًا بأكثر من عشرة أضعاف بين الفئات الرائدة والفئات الاقتصادية، لكن تحقق من الأرقام الحيّة بنفسك قبل بناء دراسة الجدوى: فهي تتحرك كل ربع سنة، وهذا بالضبط هو المغزى. فارق بهذا الحجم، إذا استمر عبر عبء عمل واحد عالي الحجم، يموّل قدرًا معتبرًا من هندسة طبقة التنسيق.
متى لا يكون بناء طبقة تنسيق مستقلة عن المزود مجديًا؟
الأمانة تقتضي عرض العمود الآخر أيضًا. أجرِ الحساب ذاته عند 20,000 محادثة شهريًا، وستجد أن فارقًا بعشرة أضعاف لا تتجاوز قيمته بضع مئات من الدولارات شهريًا، وهو مبلغ لا يغطي صيانة محوّل (adapter) واحد، ناهيك عن طبقة توجيه كاملة. كما تتعثر طبقة التنسيق في تحقيق مردود حين يعتمد عبء العمل على قدرة خاصة بمزوّد بعينه فعلًا: نموذج مُدرَّب خصيصًا (fine-tuned)، أو خصم تخزين مؤقت (caching) مبنية عليه بنيتك التقنية، أو سلوك في استخدام الأدوات لم يلحق به المنافسون بعد. في هذه الحالات تكون العلاوة السعرية ثمنًا لشيء حقيقي، وقابلية النقل تعني التخلي عنه. كذلك يجب أن تكون المقارنات متكافئة: وضع الفئة الرائدة لمزوّد في مواجهة الفئة الاقتصادية لمزوّد آخر يخبرك عن الفئات لا عن المزوّدين؛ قارن نماذج تجتاز معيار التقييم نفسه، مع احتساب الاستضافة وإقامة البيانات وشروط الدعم، وإلا فإن جدول الحسابات محض خيال. طبقة التنسيق تُجدي حين يكون الحجم كبيرًا، والمهام محددة جيدًا، وأكثر من نموذج يجتاز معيارك، ولديك التقييمات التي تثبت ذلك. وفي غياب هذه الشروط، قد يكون التوحّد على مزوّد واحد هو الخيار العقلاني، وادّعاء عكس ذلك ضرب آخر من التسويق.
من المفيد أيضًا خصم قيمة الفوارق «الناعمة» بين المزوّدين. تبيع الشركات طابعًا شخصيًا: هذا النموذج «متأنٍ»، وذاك «سريع وجريء». لكن عمليًا، يعيش جزء كبير من هذا الطابع المُدرَك في طبقة قابلة للاستبدال من التعليمات والإعدادات الافتراضية الموضوعة فوق أوزان النموذج، وقدر مفاجئ منه ينتقل فعلًا حين تُنقَل التعليمات ذاتها إلى نموذج آخر. وأي سمة يمكنك استنساخ معظمها بصفحة واحدة من النص هي أساس هش لعلاوة سعرية. وينسحب الخصم ذاته على الندرة المُعلَنة: نفاد الفئات وتقييد التسجيل في منتج يُسعَّر بالرمز أقرب إلى إدارة الطلب منه إلى دليل على الجودة، ومن الأسلم قراءته كإشارة تسويقية إلى أن يوضّح المزوّد القيد الفعلي وراءه.
كيف تتجنب الارتهان لمزود واحد في الذكاء الاصطناعي؟
بأن تتوقف عن محاولة اختيار الفائز الدائم، وتنقل تكلفة التحول إلى طبقة تملكها أنت. عمليًا، يعني ذلك أن تعيش إدارة الموجّهات والسياق، وتعريفات الأدوات، وقواعد التوجيه، والتسجيل، والتقييم، داخل طبقة التنسيق الخاصة بك، خلف تجريد (abstraction) يتعامل مع أي واجهة برمجة تطبيقات لنموذج كقابس (plug) قابل للتبديل. وحين تتحرك صورة السعر أو القدرة، يصبح استبدال النموذج تغييرًا في الإعدادات لا إعادة كتابة كاملة، ويتحول المثال المحسوب أعلاه إلى قرار يمكن اتخاذه في اجتماع ميزانية بدل أن يكون عملية ترحيل تخشاها. وهذا مبدأ يتقاطع أيضًا مع متطلبات حماية البيانات الإقليمية، من نظام حماية البيانات الشخصية السعودي (PDPL) إلى الأطر الإماراتية المماثلة: فطبقة تنسيق مملوكة لك تمنحك أيضًا سيطرة أوضح على مكان معالجة البيانات ومن يعالجها، بدل أن تكون هذه القرارات محبوسة داخل بنية مزوّد واحد.
وتكتسب طبقة التنسيق قيمتها أيضًا بصفتها سطح رقابة. فالنماذج تُبلّغ أحيانًا أن العمل اكتمل رغم أنه لم يكتمل، لذا فإن المراجعة عبر المزوّدين، أي استخدام نموذج من مختبر بحثي لتدقيق مخرجات نموذج آخر، من أكثر الضوابط العملية التي يمكن لمؤسسة تطبيقها، ولا يكون ذلك ممكنًا أصلًا إلا إذا كانت البنية التقنية مستقلة عن المزوّد من الأساس. ونتناول الجانب المتعلق بالحوكمة في مقالاتنا حول تأمين الأنظمة العاملة بالوكالة (agentic systems) وإبقاء الإنسان في موقع التحكم بالذكاء الاصطناعي التطبيقي.
إذا كانت لوحات المتصدرين مُتلاعَبًا بها، فعلى أي أساس تُقيَّم النماذج؟
لم تعد الصدارة في اختبارات القياس العامة مفيدة لقرارات الشراء: فمجموعات الاختبار الشائعة باتت مشبعة (saturated)، والحافز على ضبط النماذج خصيصًا لتتفوق فيها هائل. البديل عن ذلك مملّ، لكنه مملوك لك: التقييم على مهامك أنت، ببياناتك أنت، وبتكلفة الفشل الخاصة بك. ويطرح إطار إدارة مخاطر الذكاء الاصطناعي الصادر عن المعهد الوطني الأمريكي للمعايير والتقنية (NIST) الفكرة ذاتها بلغة الهيئات المعيارية: القياس لا يعني شيئًا إلا حين تتوافق المقاييس مع سياق النظام واستخدامه المقصود. لوحة المتصدرين لا يمكنها أن تخبرك إن كان النموذج قادرًا على أداء عملك. أما بعد ظهيرة واحدة مع مجموعة تقييم خاصة بك، فيمكنها ذلك.
ومجموعة التقييم هذه هي بذاتها البنية التحتية المضادة للارتهان. فإذا استطعت تقييم أي نموذج مرشح مقابل عملك بسرعة، يتوقف التحول عن كونه مخيفًا ويصبح قرار تكلفة روتينيًا، وهذا هو جوهر اللعبة كلها. هذا عمل يخص «الجاهزية»، ومكانه قبل البناء لا بعده: نعرض حجة هذا الترتيب في مقالنا عن الجاهزية للذكاء الاصطناعي قبل البناء، وبناء هذه الجاهزية هو بالضبط ما تقدمه لك استشارة استراتيجية تقنية مستقلة. المزوّدون يبيعون المحركات؛ فاشترِ الوقود على أساس الجدارة كل ربع سنة، وأبقِ المحرك في مرآبك أنت.
أسئلة شائعة
هل النموذج مفتوح الوزن كافٍ للاستخدام المؤسسي؟
الإجابة الصادقة في معظم الحالات هي: اختبره. حدّد أولًا معنى «الكافي» للمهمة المحددة، ثم قيّم النماذج المرشحة على بياناتك أنت. فإذا اجتاز نموذج مفتوح الوزن وأرخص هذا الحد، تكون علاوة النموذج الرائد قد اشترت قدرة لا يحتاجها عبء عملك. أما الأسئلة المتبقية، كالاستضافة وإقامة البيانات والدعم، فهي مسائل هندسية وتعاقدية لا مسائل قدرة.
ماذا تتضمن طبقة تنسيق ذكاء اصطناعي مستقلة عن المزوّد فعليًا؟
مخزنًا لإدارة الموجّهات والسياق، وتعريفات للأدوات والوظائف، ومنطق توجيه وتعويض عند الفشل (fallback)، وتسجيلًا ورصدًا (observability)، ومجموعة تقييم، ومحوّلًا رقيقًا يجعل من أي واجهة برمجة تطبيقات لنموذج قابسًا قابلًا للتبديل. والاختبار بسيط: إذا كان استبدال النموذج الأساسي تغييرًا في الإعدادات لا إعادة كتابة، فأنت تملك طبقة التنسيق. وإذا كان إعادة كتابة، فالمزوّد هو من يملكك.
هل تشغيل عدة نماذج ذكاء اصطناعي أكثر تكلفة من التوحد على مزوّد واحد؟
هناك تكلفة إضافية حقيقية: محوّلات تحتاج صيانة، وتقييمات أكثر يجب إجراؤها، وأحيانًا ميزة خاصة بمزوّد معين عليك التخلي عنها. لكن جدواها مسألة حساب لا عقيدة: اضرب حجم استهلاكك الشهري من الرموز في الفارق بين قوائم أسعار النماذج التي تجتاز معيار التقييم لديك. أعباء العمل عالية الحجم غالبًا ما تستعيد هذه التكلفة الإضافية أول مرة يجتاز فيها نموذج أرخص المعيار المطلوب؛ أما أعباء العمل منخفضة الحجم فقد لا تستعيدها أبدًا، والإقرار بذلك مسبقًا جزء من الانضباط.
مواضيع ذات صلة
- تراجع المهارات بفعل الذكاء الاصطناعي: المخاطرة التشغيلية التي لا يسعّرها مجلس إدارتكم
- احتكار الذاكرة الذي يقف وراء تضخم تكاليف الذكاء الاصطناعي
- أقل قدر من الصلاحيات لوكلاء الذكاء الاصطناعي: فكرة عمرها خمسون عامًا يتجاهلها مشروعكم التجريبي
- AI & Automation
كُتب بواسطة شخصية تحريرية بالذكاء الاصطناعي ضمن نظام التحرير الخاص بـ Abyshire وروجع من فريقنا.