كل طرح للذكاء الاصطناعي الرأسي يتحول في نهاية المطاف إلى طرح منصة.
التسلسل متوقع: سنحل المشكلة أ، ومتى نجح ذلك سنضيف ب وج ود، ونصبح نظام التشغيل لهذا القطاع. سردية المنصة مقنعة لأنها تُبرّر ضيق السوق الأولية وتعِد باتساع هائل في المستقبل. وهي أيضاً القصة التي تحكيها معظم مشاريع الذكاء الاصطناعي الرأسية قبل أن يتوقف استخدامها بهدوء.
الفخ هيكلي. طموحات المنصة تستلزم الاتساع. الاتساع يستلزم الموارد. الموارد تستلزم الإيرادات. الإيرادات تستلزم شيئاً واحداً يعمل جيداً بما يكفي ليدفع شخص مقابله الآن. معظم المشاريع تفشل بين العرض التجريبي الأول والشيء الأول الذي يعمل فعلاً في الإنتاج، ليس لأن رؤية المنصة كانت خاطئة، بل لأن لا شيء ضيقاً أُطلق قط.
فخ المنصة
طرح المنصة يصمد طالما صمد العرض التجريبي. عرض تجريبي مُعدَّ جيداً لما سيفعله النظام حين تتجمع كل المكوّنات ليس صعب الإنتاج. صعب التسليم.
الهوة بين ما عُرض وما في الإنتاج هي الواقع التنفيذي لكل مكوّن كان مفترضاً أنه بسيط: تكاملات بيانات تستلزم موصلات مخصصة، وحالات استثنائية لم يكشفها العرض التجريبي، ومتطلبات زمن الاستجابة المختلفة عن ظروف العرض، ومتطلبات الحوكمة التي لم تُنمذَج، ومستخدمون يتعاملون مع النظام بشكل مختلف عن الأشخاص المتخيَّلين في مستند التخطيط.
طموحات المنصة تُضاعف هذه الهوة بتضاعف عدد المكوّنات التي يجب أن تعمل في وقت واحد. المشكلة الواحدة المحلولة لها هوة واحدة تُغلق. المنصة لها هوات كثيرة.
السؤال الجدير بالطرح قبل دورة التخطيط التالية: ما هي المشكلة الواحدة التي يستطيع هذا المشروع حلها بموثوقية، وقياسها بوضوح، وإثباتها لعميل يدفع هذا الربع؟ ليس هذه السنة. هذا الربع.
الحد الأدنى القابل للتطبيق رأسياً
ما الذي يصمد فعلاً في الهوة بين العرض التجريبي والإنتاج؟ ليس منصة. بل حد أدنى قابل للتطبيق رأسياً: عملية واحدة، محلولة بموثوقية، بمقياس قبل وبعد واضح، مُنشَرة في الإنتاج مع مستخدمين حقيقيين.
الحد الأدنى القابل للتطبيق رأسياً ليس ميزة. بل هو حلقة كاملة: مدخل، ومعالجة، ومخرج، وبوابة مراجعة بشرية حيث تستلزم الرهانات ذلك، وآلية تغذية راجعة حين يكون المخرج خاطئاً، وقياس لما إذا كان المخرج صحيحاً. المكوّنات الخمسة موجودة قبل الإطلاق، لا تُضاف بعده تدريجياً.
الضيق ميزة هنا، لا قيد. نظام مُصمَّم لفعل شيء واحد يمكن تقييمه بمعايير واضحة. الحالات الاستثنائية محدودة. يمكن انتقاء بيانات التدريب ومجموعات الاسترجاع تحديداً للمشكلة. خبير الموضوع الذي يتحقق من المخرج محدد الهوية ومتاح.
المنطق التوسعي اللاحق لحد أدنى مُحلَّل رأسياً مختلف جوهرياً عن البدء بطموحات المنصة. الفريق يعرف كيف تبدو الجودة الجيدة من حالة الاستخدام الأولى. منظومة التقييم موجودة. أنماط فشل النظام الضيق موثقة. التوسع إلى مشكلة مجاورة قرار مستنير، لا رهان جديد.
نمط المدينة الخاوية
ثمة نمط معروف في نشرات الذكاء الاصطناعي الرأسية التي تفشل دون إغلاق دراماتيكي: المدينة الخاوية.
النظام بُني وعُرض، ثم توقف استخدامه بهدوء. قد يكون لا يزال يعمل. الأضواء قد تكون لا تزال مضاءة. لكن أصحاب القرار الذين كان المفترض أن يتصرفوا بناءً على مخرجاته عادوا إلى الأساليب السابقة، أو جرى التحايل على النظام، أو يستمر في توليد توصيات لا يقرأها أحد.
لا تتشكّل المدن الخاوية لأن التقنية أخفقت. بل لأن التحقق أخفق. حالة الاستخدام لم تُختبر قط وفق معيار انتظار المال: هل ينفق أحد موارد، وقتاً أو موظفين أو خدمات خارجية، لحل هذه المشكلة اليوم؟ إن نعم، فالذكاء الاصطناعي الذي يحلها جيداً يلتقط ذلك الإنفاق. إن لا، السؤال عن سبب اقتراح الذكاء الاصطناعي كأول حل يستحق الإجابة قبل البناء.
تتشكّل المدن الخاوية أيضاً حين بُني النظام لحالة استخدام لا تدعمها البيانات، وحين كان المخرج دقيقاً لكن لا صاحب قرار كان مُحاسَباً على التصرف بناءً عليه، وحين نجح النظام في ظروف مُتحكَّم فيها لكن أخفق على التوزيع الفعلي لبيانات الإنتاج الحقيقية.
مسار الإصلاح من مدينة خاوية ليس إضافة ميزات. بل العودة إلى خريطة العملية، وتحديد الخطوة الواحدة التي يكون فيها الألم التشغيلي أحدّ وأكثر قابلية للقياس، وإعادة بناء النظام حول تلك الخطوة وحدها.
ما الذي “يعمل في الإنتاج” فعلاً
الإنتاج ليس بيئة عرض تجريبي ببيانات حقيقية. بل هو نظام يعمل تحت حمل حقيقي، مع تباين حقيقي في المدخلات، وعواقب حقيقية حين يخفق، ومستخدمين حقيقيين لم يقرأوا الوثائق.
قائمة التحقق من الإنتاج للذكاء الاصطناعي الرأسي تشمل تفاصيل كثيراً ما تُرجأ إلى ما بعد النشر. زمن الاستجابة مقبول لسير عمل المستخدم الفعلي، ليس فقط للفريق الذي بنى النظام. معالجة الأخطاء واضحة وتُوصل الإخفاقات إلى الشخص المناسب بما يكفي من السياق للتصرف. بوابة المراجعة البشرية مُعيَّنة بموظف، لا مُفترضة. السجلات موجودة ويراجعها شخص ما بجدول منتظم. ثمة خطة تراجع إذا تراجعت الدقة.
الهوة الإنتاجية في معظم نشرات الذكاء الاصطناعي الرأسية الفاشلة هي أن النظام لم يُختبر قط على التوزيع الفعلي للمدخلات، مع المستخدمين الفعليين، في ظل القيود الزمنية الحقيقية لسير العمل الحقيقي.
نمط الطرح المرحلي يعالج هذا مباشرة. وضع القراءة فقط أولاً: يقدم الذكاء الاصطناعي التوصيات، يتصرف البشر بناءً عليها أو لا يتصرفون، وتُقاس دقة النظام مقارنةً بقرارات البشر. وضع الكتابة المُشرف عليها ثانياً: يقترح الذكاء الاصطناعي الإجراءات، يوافق البشر على كل منها، وتُتتبع نسبة الموافقة كمؤشر بديل للثقة. الوضع المستقل فقط بعد استقرار نسبة الموافقة وتوثيق أنماط الفشل.
هذا التسلسل ليس تحفظاً مبالغاً فيه. هو كيف تتراكم الثقة في أنظمة الإنتاج. الانتقال مباشرة إلى الوضع المستقل قبل توثيق أنماط الفشل هو كيف تبدأ المدن الخاوية.
الميزة التنافسية التي تتراكم فعلاً
الميزات التنافسية للمنصة تستلزم حجماً لا تصله معظم مشاريع الذكاء الاصطناعي الرأسية. الميزة التي تتراكم قبل الحجم مختلفة في طبيعتها ومتاحة من خلال الضيق.
منظومة تقييم خاصة بالمجال، مبنية من حالات حقيقية بإجابات صحيحة معروفة لا يمتلكها أحد آخر، هي أصل تنافسي لا يمكن نسخه دون الوصول إلى بيانات المجال والخبرة الموضوعية ذاتها. تختبر الدقة بحسب المعايير التي تهم فعلاً في المجال، لا بحسب معايير قياس عامة.
الإشارة التدريبية الحصرية، التغذية الراجعة من قرارات الإنتاج الحقيقية التي تعود إلى النظام، ليست قابلة للنسخ. المنافس الذي يبدأ من الصفر لا يمتلك تاريخ الحالات الاستثنائية التي كانت خاطئة وصُحّحت، وأنماط المشغّلين التي صادقوا عليها على مدى أشهر من الاستخدام.
عمق التكامل يعني أن النظام مدمج في سير العمل الفعلي. التحوّل يستلزم إعادة بناء تلك التكاملات من الصفر، ليس مجرد الترخيص لنموذج مختلف.
الثقة يكسبها صاحب القرار الذي رهن مصداقيته المهنية على موثوقية النظام. تلك الثقة غير قابلة للنقل إلى بائع جديد بصرف النظر عن قدراته التقنية.
المكوّنات الأربعة للميزة التنافسية تتراكم ببطء ويمكن الدفاع عنها. تُبنى بتسليم مشكلة واحدة محلولة وقياسها جيداً. لا تُبنى بالإعلان عن منصة.
المنصة كنتيجة
شركات الذكاء الاصطناعي الرأسية التي تصبح منصات تفعل ذلك لأنها حلّت مشكلة واحدة جيداً بما يكفي لأن يطلب العملاء المشكلة المجاورة.
حلّ المشكلة أ بموثوقية. قِسها. ابنِ منظومة التقييم. دع العميل يختبر الموثوقية، ودعه يسأل عمّا يمكن للنظام التعامل معه بعد ذلك. حدد نطاق المشكلة ب من نتائج اكتشاف ما تعلّمه الفريق في بناء أ. طبّق الانضباط ذاته. كرّر حتى يبدو النمط كمنصة.
التسلسل المعكوس، رؤية المنصة أولاً، ثم بناء كل شيء، ثم إيجاد شيء واحد يعمل، يُنتج عمليات شطب مكلفة. اقتصاديات البناء قبل التحقق على مقياس المنصة قاسية. اقتصاديات تراكم مشكلة واحدة محلولة في مشكلات مجاورة يمكن الدفاع عنها.
السؤال الجدير بالطرح قبل دورة التخطيط التالية: ما هي العملية الواحدة التي يحلها هذا النظام بموثوقية، التي يمكن قياسها بوضوح، التي يُقدّرها عميل يدفع هذا الربع؟ ابدأ من هناك. المنصة، إن كانت حقيقية، تأتي من هناك.
الحد الأدنى القابل للتطبيق رأسياً ليس تنازلاً عن الطموح. بل هو الآلية التي يصبح من خلالها الطموح قابلاً للدفاع.
ذو صلة: الذكاء الاصطناعي الرأسي يفوز حيث يخفق الذكاء الاصطناعي العام وسباق الاكتشاف الذي يمنع أخطاء الذكاء الاصطناعي الرأسي