السرعة التي لا يمكن لأي فريق بشري تحملها
أندريه كارباتي، المؤسس المشارك لـ OpenAI والمدير السابق للذكاء الاصطناعي في تسلا، نشر في مارس 2026 مستودعاً مفتوح المصدر يُسمى autoresearch. الآلية بسيطة بشكل خادع: يتلقى وكيل الذكاء الاصطناعي هدفاً بلغة طبيعية، يقترح تعديلات على ملف تدريب، ينفذ دورات كل خمس دقائق على وحدة معالجة الرسومات NVIDIA H100، يقيس النتائج مقابل مقياس ثابت ويكرر العملية دون تدخل بشري حتى يتوقف أحدهم. في يومين، أكمل النظام 700 تجربة. في ثمان ساعات، أتم 100. المستودع حصل على 8000 نجمة في GitHub خلال أيام.
قبل الحديث عن التقنية، يجب التطرق إلى الاقتصاد التشغيلي. شركة برامج متوسطة ترغب في تحسين نموذج لغوي خاص بها تكلف فريقاً من اثنين أو ثلاثة علماء بيانات بأداء هذه المهمة. هذا الفريق يمكنه، على أمل، تنفيذ عشرة أو خمسة عشر تنويعاً أسبوعياً إذا أداروا جيداً أوقات الحوسبة، الوثائق واجتماعات المراجعة. Autoresearch ينفذ مئة تنويع بينما ينام هذا الفريق. ليست تحسناً تدريجياً في الإنتاجية: إنها تغير نوعي في سرعة التكرار، والنوعيات نادراً ما تُستوعب في النماذج التجارية الحالية.
ما بناه كارباتي ليس منتجًا تجاريًا ولا منصة للأعمال. إنه عرض لـ 630 سطر من الشيفرة البرمجية يختبر مبدأ: الدورات التجريبية المستقلة، المحددة وقابلة للقياس تتوسع بطريقة لا يمكن للعمل البشري المتسلسل الوصول إليها. هذا ما يجعل الخبر ذا صلة بالمؤسسات الصغيرة والمتوسطة، حتى لو لم تتدرب على نموذج لغوي في حياتها.
النمط المهم ليس في نماذج الذكاء الاصطناعي
أغلى خطأ يمكن أن يرتكبه مدير في مؤسسة متوسطة عند قراءة هذه القصة هو أن يستنتج أنها تقدم تقدماً لمختبرات الأبحاث أو لشركات بميزانيات حوسبة تصل إلى ثمانية أرقام. المنطق وراء الحلقة المستقلة لكارباتي، الذي يقترح تغييرا، ينفذه، يقيس النتيجة ضد مقياس موضوعي ويحقق التقدم في مستودع النسخ، قابل للنقل تقريبًا دون تعديلات إلى العشرات من العمليات التي تستهلك اليوم وقت الأشخاص المؤهلين في شركات أي حجم.
تخيل وكالة تسويق أداء اليوم تكرس ثلاثة أيام في الأسبوع لبناء إصدارات من الإعلانات، تنفيذها في حملات تجريبية، تجميع البيانات في لوحة التحكم وتحديد ما يجب على نطاقه. أو شركة خدمات مالية تراجع يدوياً مئات الوثائق لاكتشاف الشذوذ قبل تقديم تقرير أسبوعي للعميل. أو شركة تجارة إلكترونية تعدل الأسعار وتحديد مواقع المنتجات وفقاً لقواعد يطبقها محلل مبتدئ بواسطة جدول بيانات. في جميع هذه الحالات، هيكل العمل مشابه لذلك في autoresearch: هناك مقياس موضوعي، هناك متغيرات يمكن تعديلها بشكل منهجي وهناك حلقة تغذية راجعة تعتمد اليوم على إنسان ليتم إغلاقها.
الميزة التنافسية لن تكون في الوصول إلى التكنولوجيا، بل ستكون في كونك الأول في تحديد أي عملية خاصة بك تمتلك مقياسًا واضحًا بما يكفي لأتمتة الحلقة. الشركات التي لا تستطيع اليوم تحديد في ثلاثين ثانية ما هي عمليتها الأكثر تكرارًا مع إنتاج قابل للقياس تعمل في حالة من الغموض التي لم تعد السوق ستغفر لها عندما يمكن لمنافسها القيام بذلك.
تشير تحليلات LeapLytics، التي ذُكرت في التقارير حول المشروع، مباشرة إلى هذا: فرق ذكاء الأعمال تنفق جزءًا غير متناسب من قدرتها على المهام التي تمتلك مقاييس واضحة لكن لم يقم أحد بتدوينها كحلقة قابلة للأتمتة. التقارير، اكتشاف الشذوذ، تقييم المؤهلين. عمليات حيث لا يضيف البشر معياراً تحريرياً في كل دورة، بل ببساطة ينفذون بروتوكولاً مضمنًا بالفعل في قراراتهم.
ما يُزال أولاً يغير كل شيء آخر
هناك فخ هيكلي في الطريقة التي تخطط بها معظم الشركات المتوسطة لتبني هذه الأدوات: يتعاملون معها كطبقة إضافية فوق عملياتهم الحالية. يوظفون شخصًا لاستكشاف الذكاء الاصطناعي، يطلبون تجربة، يضيفون ميزانية للأدوات ويستمرون في تنفيذ العمليات اليدوية بشكل متوازي كشبكة أمان. النتيجة هي أنهم يضاعفون التكلفة خلال فترة الانتقال ولا يزالون لا يتخلصون من الاحتكاك الأصلي.
منطق autoresearch يقترح العكس. المشروع يعمل لأنه مبني على قيود متعمدة: ملف قابل للتعديل واحد، تدريبات مدتها خمس دقائق بالضبط، مقياس تقييم واحد فقط. لم يحاول كارباتي تكرار تعقيد مختبر أبحاث كامل. بل قام بإزالة كل ما هو غير ضروري لتعمل الحلقة، وهذه الإزالة هي ما يجعل السرعة ممكنة.
بالنسبة للمؤسسات الصغيرة والمتوسطة، فإن السؤال التشغيلي ليس كم من الذكاء الاصطناعي يجب إضافته، بل ما هي المتغيرات في العملية الحالية التي يمكن تثبيتها، وما هي المتغيرات التي تظل مفتوحة للتكرار، وما هي المقياس الوحيد الذي يقاس به التقدم. هذه الهندسة للقيود هي ما يحول العملية الفوضوية إلى حلقة قابلة للتوسع. وهذه الهندسة لا تتطلب ميزانية بحث: بل تحتاج إلى انضباط تحليلي لتشخيص العملية قبل أتمتتها.
بدأت المجتمع الذي تشكل حول مستودع كارباتي مباشرة في استكشاف إصدارات مع وكلاء متعددة: واحد يولد الفرضيات، آخر ينفذ التجارب، وثالث يختصر النتائج. هذا النمط من التخصص هو بالضبط ما يجب أن تراقبه الشركات المتوسطة، لأنه يكرر هيكل فريق إنساني فعال، ولكن دون الاختناقات في التنسيق التي تزيد من التكاليف وتؤخر فرق البشر الحقيقية.
القيادة التي تبني طلبًا ذاتيًا، لا التي تحسن الفتات
تميل السرد السائد حول أدوات مثل autoresearch إلى تأطيرها من حيث الكفاءة: القيام بنفس الشيء بسرعة أكبر وأرخص. هذه القراءة صحيحة لكنها غير كافية، وهي التي تحمل المديرين على تنفيذ هذه الأدوات لتقليل التكاليف دون تغيير القيمة المقترحة التي يقدمونها للسوق.
تأتي الفرصة الأكثر عمقًا بشكل مختلف. المؤسسة الصغيرة والمتوسطة التي تستطيع تنفيذ مئة تنويع لقيمتها المقترحة في الوقت الذي يجرب فيه منافسها اثنين ليست فقط تعمل بكفاءة أكبر: بل تعمل بمعدل تعلم يمكنها من العثور على تركيبات لم يستكشفها أي من فاعلي السوق بعد. سرعة التكرار، عندما تتزاوج مع مقياس يقيس القيمة الحقيقية للعميل، تتحول إلى الآلية لاكتشاف الطلب الذي لم يلقَ خدمة بعد.
هذا لا يحدث بشكل تلقائي. يحدث عندما يفهم المدير أن الأداة لا تساوي شيئًا دون فرضية أولية مبنية جيدًا حول أي متغير من العملية ينتج أكبر تأثير على تجربة العميل. يوفر كارباتي المحرك؛ بينما تحدد استراتيجية الشركة المصير. القادة الذين سيستمرون في حرق الميزانية في تجارب الذكاء الاصطناعي بدون نتائج هم الذين يصلون إلى هذه الأدوات باحثين عن اختصارات للتنافس في نفس الميدان الذي يخسرون فيه بالفعل. أما القيادة التي تبني مناصب مستدامة، فهي التي تستخدم سرعة التجريب لتحديد واحتلال المساحة التي لم يعرف السوق بعد أنه يحتاجها.
