نجح وكيل ذكاء اصطناعي في عرضه التجريبي، وأجاب عن كل سؤال عن الإيرادات طرحه المدير المالي، فحصل على الضوء الأخضر للتشغيل. ثم في بيئة الإنتاج، أبلغ فريق المالية أن إيرادات الربع الرابع بلغت 12 مليون دولار. الرقم الحقيقي كان 8.4 مليون دولار. لم يخطئ النموذج في الحساب، بل سحب حقل revenue_recognized بدل revenue_net_of_returns، لأن أحداً لم يخبره أي حقل يحمل التعريف المعتمد (Atlan، 2026).
هذه الفجوة، بين امتلاك البيانات وفهم ما تعنيه، هي سبب تحوّل عدد متزايد من فرق الذكاء الاصطناعي المؤسسية من هندسة الموجّهات إلى هندسة السياق. هندسة الموجّهات تحسّن السؤال الذي تطرحه على النموذج. أما هندسة السياق فتحسّن كل ما يستطيع النموذج رؤيته قبل أن يجيب: أي الأنظمة يمكنه الاستعلام منها، وأي التعريفات سارية، وأي سجلات الكيانات تتطابق فعلاً عبر الأقسام (Salesforce، 2026).
لماذا يهم هذا أكثر من اختيار النموذج
تُحمَّل معظم إخفاقات الوكلاء على النموذج. البيانات تقول غير ذلك. 7% فقط من المؤسسات تصف بياناتها بأنها جاهزة تماماً للاستخدام في الذكاء الاصطناعي، وفق دراسة أجرتها Cloudera وHarvard Business Review Analytic Services في مارس 2026. وبحسب تقرير DataHub عن حالة إدارة السياق لعام 2026، تقول 88% من المؤسسات إن سياقها «تشغيلي»، ومع ذلك تؤجل 61% منها مبادرات الذكاء الاصطناعي لأن هذا السياق غير قابل للاستخدام عملياً (Atlan، 2026).
وأرقام الثقة تتحرك في الاتجاه نفسه. وجد معهد Capgemini للأبحاث أن الثقة بوكلاء الذكاء الاصطناعي المستقلين تماماً تراجعت من 43% إلى 27% خلال عام واحد، وأن 80% من المؤسسات ما زالت تفتقر إلى بنية تحتية ناضجة للذكاء الاصطناعي تدعمها (Capgemini، 2025). النماذج الأقوى لا تصلح هذا. النموذج الأقدر يكتفي بأن يقول إجابته الخاطئة بثقة أكبر.
| المؤشر | القيمة | المصدر |
|---|---|---|
| مؤسسات لديها بيانات جاهزة تماماً للذكاء الاصطناعي | 7% | Cloudera / HBR Analytic Services، مارس 2026 |
| مؤسسات تقول إن سياقها تشغيلي | 88% | DataHub State of Context Management Report 2026 |
| مبادرات مؤجلة بسبب سياق غير قابل للاستخدام | 61% | DataHub State of Context Management Report 2026 |
| مؤسسات تفتقر إلى بنية تحتية ناضجة للذكاء الاصطناعي | 80% | Capgemini Research Institute، 2025 |
أوضاع الفشل الأربعة خلف معظم أخطاء الوكلاء
الوكلاء المؤسسيون المبنيون بلا طبقة سياق يفشلون عادة بالطرق الأربع نفسها، ولا شيء منها مشكلة نموذج:
- المعنى يتشظى عبر الأنظمة. كلمة «عميل» في نظام CRM والفوترة ومكتب الدعم تحمل غالباً ثلاثة معرّفات مختلفة بلا أي ربط بينها. ويدمج الوكيل الجداول رغم ذلك، فينتج رقماً يبدو صحيحاً وهو ليس كذلك.
- تعريفات العمل تعيش كمعرفة شفهية. إذا لم يدوّن أحد أي مقياس هو المعتمد، ملأ النموذج الفراغ بتخمين يبدو منطقياً.
- هوية الكيان تُحسَم بشكل مختلف في كل مكان. السؤال الذي يمتد عبر CRM والفوترة والدعم يتطلب التعرّف على العميل الواقعي نفسه في الأنظمة الثلاثة، وهو ما لم تُبنَ معظم المخططات لضمانه.
- الإجابات لا يمكن تتبّعها إلى مصدرها. بلا تتبّع للمصدر، يصعب تمييز رقم خاطئ عن رقم صحيح حتى ينتبه أحد في نهاية السلسلة بعد وقوع الضرر.
ما الذي تفعله طبقة السياق فعلياً
تقع طبقة السياق بين أنظمة عملك وأي وكيل يستعلم منها. وهي تترجم البيانات الوصفية الخام، أي أسماء الجداول والأعمدة، إلى معنى تجاري محكوم: تعريفات مقاييس معتمدة، وربط للكيانات عبر الأنظمة، وسياسة وصول، وأثر تدقيق لكل إجابة (Atlan، 2026). وهذا يختلف عن طبقة التشغيل البيني التي توفرها بروتوكولات مثل MCP (انظر مقالنا عن التشغيل البيني لوكلاء الذكاء الاصطناعي). فـ MCP يتيح للوكيل الوصول إلى الأداة أو مصدر البيانات أصلاً، بينما تحكم هندسة السياق ما يفهمه الوكيل بعد أن يصل.
وعملياً، بناء هذه الطبقة يشبه برنامج بيانات أكثر مما يشبه ترقية نموذج:
- اعتمد تعريفات المقاييس مرة واحدة، في مكان واحد، وألزم الوكلاء بالقراءة من هذا المصدر بدل إعادة اشتقاق التعريفات مع كل استعلام.
- احسم هوية الكيان مركزياً عبر معرّف موحّد للعميل أو المنتج، حتى يعود كل معرّف خاص بنظام إلى سجل واحد.
- سجّل مصدر كل إجابة يقدمها الوكيل، حتى يستطيع فريق المالية تتبّع أي رقم رجوعاً إلى الاستعلام والجدول اللذين أنتجاه.
- حدّد نطاق ما يراه كل وكيل بالأنظمة والصلاحيات المرتبطة بعمله، لا صلاحية قراءة شاملة على كل شيء.
وهنا أيضاً تهم الضوابط الحتمية. نموذج الاستدلال لا يستطيع أن يضمن بشكل موثوق أن وكيلاً مصرفياً سيتحقق من الهوية قبل مناقشة رصيد حساب، وهذا التسلسل يجب فرضه خارج النموذج، في منطق سير عمل صريح (Salesforce، 2026). والدرس يتعمم: الأجزاء من سلوك الوكيل التي يجب أن تكون صحيحة دائماً مكانها كود حتمي، لا موجّه نصي.
أين يقع هذا للشركات الصغيرة والمتوسطة
معظم الشركات الصغيرة والمتوسطة لا تحتاج رسماً بيانياً كاملاً لبيانات المؤسسة كي تبدأ. هي تحتاج الانضباط نفسه على نطاق أصغر: اختر المقياسين أو الثلاثة التي يختلف عليها فريقك فعلاً، مثل الإيراد المعترف به مقابل الإيراد المحجوز، أو العميل النشط مقابل الحساب المسجّل، ودوّن التعريف الواحد الصحيح، ثم وجّه أي وكيل ذكاء اصطناعي أو تكامل تخطيط موارد إلى هذا التعريف بدل تركه يستنتج تعريفاً بنفسه. هذا هو الأساس نفسه الذي نضعه قبل أي تنفيذ للذكاء الاصطناعي الوكيل ننفذه للعملاء، وهو عادة الفارق بين وكيل يصمد أمام بيانات الإنتاج وآخر يُطفأ بهدوء بعد أول رقم خاطئ.
إذا كنت تحدد نطاق مشروع لوكيل ذكاء اصطناعي وتريد معرفة ما إذا كانت بياناتك جاهزة له قبل أن تخصص ميزانية لنموذج، فإن نهجنا يبدأ بهذه المراجعة بالذات. تواصل معنا لنناقش أين تقع فجوات السياق لديك قبل أن تبني فوقها.
