كان الذكاء الاصطناعي في بدايته الحديثة يبدو وكأنه أداة متقدمة للإجابة عن الأسئلة. تكتب طلبًا، ينتظر النظام لحظات، ثم تحصل على نص يبدو وكأنه صادر عن شخص يفهم ما تريده. ومع تطور النماذج اللغوية، أصبحت هذه التجربة أكثر قوة؛ فاليوم تستطيع أن تطلب من الذكاء الاصطناعي كتابة كود، تحليل مستند، تلخيص تقرير، شرح مشكلة تقنية أو حتى مساعدتك في اتخاذ قرار.
لكن هناك فرقًا كبيرًا بين أن يفهم الذكاء الاصطناعي ما تريد وبين أن يستطيع تنفيذ ما تريد.
وهنا تحديدًا بدأت مرحلة جديدة مع ظهور AI Agents.
فالـ Chatbot التقليدي يعتمد في الأساس على الحوار. أنت تسأل وهو يجيب، ثم تعطيه تعليمات جديدة فيستجيب لها. أما الوكيل الذكي فيمكن أن يحصل على هدف كامل، ثم يحاول تقسيمه إلى خطوات، ويستخدم الأدوات المتاحة له، ويجمع البيانات، وينفذ الإجراءات المسموح بها، ويراقب النتائج، ثم يقرر ما الذي يجب فعله بعد ذلك.
 |
| من Chatbots إلى AI Agents القفزة التي تغيّر كل شيء |
تخيل مثلًا أنك تعمل في فريق تقني، واكتشفت أن أحد تطبيقات الشركة أصبح بطيئًا بشكل غير طبيعي.
يمكنك سؤال Chatbot: "ما أسباب بطء التطبيق؟"
سيخبرك عن احتمالات كثيرة، مثل ارتفاع استهلاك المعالج، ضغط قاعدة البيانات، مشكلة في الشبكة، زيادة عدد الطلبات أو وجود خطأ في أحد الخدمات.
لكن لا يزال عليك القيام بكل شيء بنفسك.
أما إذا كان لديك AI Agent متصل بأنظمة المراقبة وقواعد البيانات والسجلات وواجهات API، فيمكن أن تعطيه هدفًا مثل: "حلل سبب انخفاض أداء التطبيق وحدد المشكلة والإجراء المناسب."
هنا تبدأ القفزة الحقيقية.
فالوكيل لا يكتفي بتقديم معلومات، وإنما يدخل في دورة من الفهم والتخطيط والتنفيذ والتحقق.
وهذا التحول قد يكون أكثر أهمية من مجرد ظهور نموذج لغوي أقوى، لأنه يغير السؤال من: "ماذا يستطيع الذكاء الاصطناعي أن يقول؟" إلى: "ما الأعمال التي يستطيع الذكاء الاصطناعي إنجازها؟"
ما هو Chatbot ولماذا كان مهمًا؟
قبل أن نتحدث عن AI Agents، من المهم ألا نقلل من أهمية الـ Chatbots.
الـ Chatbot كان بوابة جعلت الذكاء الاصطناعي سهل الاستخدام بالنسبة للمستخدم العادي. لم يعد من الضروري معرفة أوامر تقنية أو تعلم لغة برمجة للتفاعل مع النظام.
يمكنك ببساطة كتابة:
"اشرح لي سبب بطء الإنترنت."
فيقوم النموذج بتحليل السؤال وإنشاء إجابة.
ويمكنك بعد ذلك أن تقول:
"اشرح لي الأمر بطريقة مناسبة للمبتدئين."
فيعيد صياغة الإجابة.
ثم:
"أعطني خطوات عملية."
فيحولها إلى خطوات.
هذه المرونة جعلت Chatbots أداة قوية جدًا للتعليم والعمل والدعم الفني والبرمجة وإنشاء المحتوى.
لكنها تظل مرتبطة بشكل أساسي بالتفاعل مع المستخدم.
النظام ينتظر منك التعليمات، ثم يستجيب لها.
أين تبدأ مشكلة Chatbots؟
المشكلة تظهر عندما تصبح المهمة طويلة ومتعددة المراحل.
لنفترض أن مسؤول تقنية يريد معرفة سبب ارتفاع زمن الاستجابة في شبكة مؤسسة.
قد يحتاج إلى الدخول إلى منصة المراقبة، ثم استخراج بيانات الأداء، ثم مقارنة المواقع، ثم مراجعة الإنذارات، ثم قراءة السجلات، ثم فحص التغييرات التي حدثت مؤخرًا.
إذا استخدم Chatbot، يمكنه مساعدته في تفسير النتائج، لكنه يحتاج غالبًا إلى نقل البيانات إليه خطوة بعد خطوة.
وهذا يعني أن الإنسان يظل هو منسق العملية.
الذكاء الاصطناعي يقدم الذكاء، لكن الإنسان يدير سير العمل.
وهنا تظهر إحدى أكبر نقاط القوة في AI Agents.
ما هو AI Agent؟
يمكن تعريف AI Agent بأنه نظام ذكاء اصطناعي يستطيع استقبال هدف، ثم استخدام قدراته وأدواته لاتخاذ سلسلة من القرارات والإجراءات للوصول إلى النتيجة المطلوبة.
وهذا التعريف مهم لأنه يوضح أن Agent ليس مجرد نموذج لغوي.
النموذج اللغوي يمثل جزءًا من المنظومة، لكنه يحتاج إلى مكونات أخرى حتى يتحول إلى وكيل قادر على تنفيذ المهام.
يمكن أن يحتوي النظام على نموذج للاستدلال، وذاكرة للسياق، وأدوات للوصول إلى الأنظمة الخارجية، ومحرك لتنسيق الخطوات، ونظام لمراقبة النتائج، بالإضافة إلى طبقة أمان تحدد ما الذي يستطيع الوكيل فعله.
لذلك عندما نقول إن Agent "يعمل"، فهذا لا يعني أن النموذج نفسه يضغط الأزرار بطريقة سحرية.
المقصود أن هناك منظومة برمجية تسمح له باستدعاء الأدوات وتنفيذ الإجراءات وفق القواعد والصلاحيات التي حددها المطورون.
ما الفرق الحقيقي بين Chatbot وAI Agent؟
يمكن تلخيص الفرق في فكرة بسيطة.
Chatbot يتعامل مع المحادثة.
AI Agent يتعامل مع المهمة.
إذا طلبت من Chatbot كتابة خطة لتحسين أداء خادم، فسوف يكتب لك الخطة.
أما إذا أعطيت Agent صلاحية الوصول إلى أدوات المراقبة، فقد يستطيع تحليل الخادم أولًا، ثم اكتشاف المشكلة، ثم تحديد الإجراء المناسب، ثم تنفيذ الإجراء إذا كان مسموحًا له بذلك.
لكن هناك فرقًا آخر أكثر أهمية.
الـ Chatbot غالبًا يعمل وفق نموذج:
Input → Processing → Response
بينما يمكن أن يعمل الـ Agent وفق دورة أكثر تعقيدًا:
Goal → Plan → Tool → Result → Decision → Action → Verification
وهذا يعني أن الوكيل يستطيع أن يتعامل مع النتائج الوسيطة.
إذا فشلت الخطوة الأولى، يمكن أن يغير خطته.
إذا ظهرت معلومة جديدة، يمكن أن يعيد تقييم القرار.
إذا نجح الإجراء، يمكن أن ينتقل إلى مرحلة التحقق.
وهذه القدرة هي التي تمنح AI Agents طابعًا أكثر استقلالية.
كيف يفكر AI Agent في المهمة؟
لنأخذ مثالًا تقنيًا واضحًا.
لنفترض أنك أعطيت الوكيل الهدف التالي:
"اكتشف سبب ارتفاع استخدام المعالج في الخادم."
الوكيل لا يحتاج إلى تنفيذ كل شيء عشوائيًا.
أولًا يحتاج إلى فهم المشكلة.
هل الارتفاع مؤقت أم مستمر؟
ما النسبة التي تعتبر غير طبيعية؟
هل المشكلة بدأت الآن أم منذ عدة ساعات؟
بعد ذلك يبدأ في بناء خطة.
قد تكون الخطوة الأولى هي قراءة مؤشرات الخادم.
إذا وجد أن استخدام المعالج تجاوز 90%، ينتقل إلى الخطوة التالية.
يبدأ بفحص العمليات التي تستهلك CPU.
إذا وجد عملية معينة تستهلك معظم الموارد، لا ينبغي أن يعتبرها السبب مباشرة.
قد تكون هذه العملية طبيعية في ظروف معينة.
لذلك يحتاج إلى جمع معلومات إضافية.
يفحص السجلات.
يقارن الأداء السابق.
يراجع التغييرات الأخيرة.
ثم يربط هذه المعلومات معًا.
إذا اكتشف أن العملية بدأت تستهلك موارد مرتفعة بعد تحديث معين، يصبح لديه دليل أقوى على سبب المشكلة.
بعد ذلك يمكنه اقتراح الإجراء.
وفي حالة امتلاكه صلاحية تنفيذ إجراء منخفض المخاطر، يمكن أن يقوم به.
ثم تأتي أهم مرحلة.
التحقق من النتيجة.
إذا انخفض استخدام المعالج وعاد زمن الاستجابة إلى المعدل الطبيعي، فهذا مؤشر على نجاح المعالجة.
أما إذا لم تتغير المؤشرات، فيجب ألا يتصرف الوكيل وكأن المهمة انتهت.
يمكنه العودة إلى مرحلة التحليل واختيار مسار آخر.
لماذا تعتبر الأدوات أهم جزء في AI Agents؟
قد يكون لديك نموذج لغوي ممتاز، لكنه لن يصبح Agent فعليًا لمجرد أنك أضفت إليه كلمة "Agent".
القوة الحقيقية تأتي عندما يستطيع النظام استخدام Tools.
الأداة قد تكون API للوصول إلى قاعدة بيانات.
وقد تكون أداة لقراءة السجلات.
وقد تكون أداة لاستدعاء منصة مراقبة.
وقد تكون أداة لإرسال بريد إلكتروني أو إنشاء تذكرة دعم أو تشغيل عملية آلية.
وهنا يتحول الذكاء الاصطناعي من نظام يقرأ ويكتب إلى نظام يستطيع التفاعل مع البيئة الرقمية.
وهذه النقطة تحديدًا هي التي تجعل AI Agents مثيرة للاهتمام بالنسبة للشركات.
مثال عملي: Agent للدعم الفني
تخيل شركة لديها آلاف طلبات الدعم يوميًا.
الموظف يستقبل التذكرة، يقرأ المشكلة، يبحث عن معلومات العميل، يراجع الخدمات المرتبطة به، يبحث عن المشكلة في قاعدة المعرفة، ثم يقرر هل يستطيع حلها أم يحتاج إلى تصعيدها.
يمكن تصميم Agent لتنفيذ الجزء المتكرر من هذه العملية.
عند وصول التذكرة، يبدأ الوكيل بقراءة محتواها.
بعد ذلك يحدد نوع المشكلة.
ثم يبحث في قاعدة المعرفة.
ثم يسترجع بيانات الخدمة المرتبطة بالعميل.
بعد ذلك يقارن الحالة بالمشكلات السابقة.
إذا كانت المشكلة بسيطة ولها حل معروف، يمكنه إعداد الرد أو تنفيذ الإجراء المسموح به.
أما إذا كانت المشكلة معقدة، فيمكنه تصعيدها إلى الموظف مع ملخص كامل لما حدث وما الذي اكتشفه.
بهذه الطريقة لا يحل Agent محل الموظف بالضرورة.
بل يجعله يبدأ العمل من مرحلة أكثر تقدمًا.
المشكلة الأولى: ماذا لو اتخذ AI Agent قرارًا خاطئًا؟
هذه واحدة من أهم المشكلات التي يجب حلها قبل وضع أي Agent في بيئة إنتاج.
النماذج الذكية ليست معصومة من الخطأ.
قد تكون البيانات ناقصة.
وقد يكون تفسير النموذج غير صحيح.
وقد يختار الوكيل أداة غير مناسبة.
وقد يصل إلى استنتاج منطقي ظاهريًا لكنه غير صحيح تقنيًا.
والخطر يصبح أكبر عندما يكون الوكيل قادرًا على تنفيذ الإجراءات.
لذلك لا تبدأ بمنحه صلاحيات كاملة.
ابدأ بهذه الطريقة:
الخطوة الأولى: اجعل الوكيل في وضع القراءة فقط.
دعه يجمع البيانات ويحللها ويقدم توصياته.
لا تسمح له بتعديل الأنظمة.
الخطوة الثانية: راقب قراراته.
قارن نتائجه بقرارات المهندسين والخبراء.
إذا اكتشفت نمطًا متكررًا من الأخطاء، عدّل التعليمات أو الأدوات أو مصادر البيانات.
الخطوة الثالثة: امنحه صلاحيات محدودة.
اسمح له بتنفيذ إجراءات منخفضة المخاطر فقط.
الخطوة الرابعة: أضف موافقة بشرية للإجراءات الحساسة.
إذا أراد الوكيل إيقاف خدمة أو تعديل إعداد شبكة رئيسية، يجب أن يتوقف وينتظر موافقة المسؤول.
الخطوة الخامسة: راقب النتائج بعد التنفيذ.
لا تعتبر تنفيذ الأمر نجاحًا.
يجب أن يكون النجاح مرتبطًا بنتيجة قابلة للقياس.
المشكلة الثانية: ماذا لو دخل الوكيل في حلقة لا تنتهي؟
قد يواجه Agent مشكلة لا يستطيع حلها.
فيحاول إجراءً معينًا.
ثم يرى أن المشكلة لم تختفِ.
فيحاول إجراءً آخر.
ثم يعود إلى الإجراء الأول.
إذا لم تكن هناك حدود واضحة، يمكن أن يستمر النظام في استهلاك الموارد وتنفيذ المحاولات.
الحل يبدأ بتحديد Maximum Iterations أو الحد الأقصى لعدد دورات التفكير والتنفيذ.
على سبيل المثال، يمكن أن تحدد للنظام عددًا معينًا من المحاولات.
بعد تجاوز الحد، يتوقف الوكيل ويطلب تدخل الإنسان.
كذلك يجب تسجيل كل خطوة.
ما الأداة التي استخدمها؟
ما النتيجة التي حصل عليها؟
لماذا اختار الخطوة التالية؟
ما الذي جعله يغير الخطة؟
هذه السجلات مهمة جدًا عند تحليل الأخطاء.
المشكلة الثالثة: الصلاحيات والأمن
هذه ربما أخطر نقطة في عالم AI Agents.
تخيل أن Agent يستطيع الوصول إلى قاعدة بيانات العملاء، وأن لديه أيضًا صلاحية تعديل البيانات.
إذا حدث خطأ في فهم المهمة، فقد تكون النتيجة أكثر خطورة بكثير من مجرد إجابة خاطئة.
لذلك يجب تطبيق مبدأ Least Privilege.
أعطِ الوكيل أقل قدر ممكن من الصلاحيات التي يحتاج إليها.
إذا كان يحتاج إلى قراءة البيانات، فلا تعطه صلاحية حذفها.
إذا كان يحتاج إلى تعديل إعداد معين، فلا تعطه وصولًا كاملًا إلى النظام.
كما يجب فصل بيئة الاختبار عن الإنتاج.
قبل السماح للوكيل بتنفيذ إجراء حقيقي، اختبره في بيئة معزولة تشبه البيئة الفعلية.
كيف تبني AI Agent عمليًا من الصفر؟
إذا أردت تجربة هذه التقنية داخل شركة أو مشروع، فلا تبدأ بفكرة ضخمة مثل:
"أريد بناء موظف رقمي يدير الشركة."
ابدأ بمهمة واحدة.
الخطوة الأولى: اختر مشكلة متكررة.
اختر عملية يكررها الموظفون يوميًا وتستهلك وقتًا واضحًا.
مثل تصنيف تذاكر الدعم أو تحليل إنذارات الشبكة.
الخطوة الثانية: حدد المدخلات.
ما البيانات التي يحتاج إليها الوكيل؟
هل يحتاج إلى سجلات؟
قاعدة بيانات؟
تقارير؟
بيانات مراقبة؟
الخطوة الثالثة: حدد الأدوات.
اكتب قائمة واضحة بالأدوات التي يحتاج إليها.
لا تضف أداة لمجرد أنها متاحة.
كل أداة تضيفها تزيد مساحة المخاطر المحتملة.
الخطوة الرابعة: حدد الصلاحيات.
قرر بدقة ما يستطيع الوكيل قراءته وما يستطيع تغييره.
الخطوة الخامسة: حدد معيار النجاح.
هذه نقطة يغفل عنها كثير من المطورين.
لا تقل فقط:
"حل المشكلة."
حدد ما يعنيه الحل.
هل انخفض زمن الاستجابة؟
هل عادت الخدمة؟
هل انخفض استهلاك الموارد؟
هل اختفى الإنذار؟
الخطوة السادسة: اختبر الوكيل.
ابدأ ببيانات تاريخية أو بيئة اختبار.
راقب القرارات.
سجل الأخطاء.
ثم حسّن النظام تدريجيًا.
كيف ستغير AI Agents قطاع الاتصالات؟
قطاع الاتصالات من أكثر القطاعات المرشحة للاستفادة من الوكلاء الذكيين.
الشبكات الحديثة تنتج كميات ضخمة من البيانات باستمرار.
هناك مؤشرات أداء، وإنذارات، وسجلات، وحركة مرور، وقياسات جودة الخدمة، وبيانات مرتبطة بالمستخدمين والأجهزة والمواقع.
المشكلة أن الإنسان لا يستطيع تحليل كل هذه المعلومات بنفس السرعة.
هنا يمكن أن يعمل AI Agent كطبقة ذكية فوق أنظمة الشبكة.
قد يكتشف الوكيل ارتفاعًا غير طبيعي في Latency داخل مجموعة من الخلايا.
ثم يقارن الأداء مع الخلايا المجاورة.
بعد ذلك يراجع الإنذارات.
ثم يبحث عن تغييرات حدثت في نفس الفترة.
قد يكتشف أن المشكلة ظهرت بعد تعديل معين.
في المرحلة الأولى يمكنه إرسال تقرير للمهندس.
ومع ارتفاع الثقة بالنظام، يمكن السماح له بتنفيذ إجراءات محدودة.
وهذه الفكرة تقترب تدريجيًا من مفهوم Autonomous Networks.
AI Agents والجيل القادم من الشبكات
مع تطور 5G و6G، لن تصبح الشبكات مجرد بنية تنقل البيانات.
ستصبح بيئة ديناميكية تحتاج إلى مراقبة وتحليل مستمرين.
وهنا يمكن أن تلعب AI Agents دورًا مهمًا.
يمكن تخيل وكيل مسؤول عن الأداء، ووكيل آخر للأمن، ووكيل ثالث لإدارة الموارد، مع نظام مركزي ينسق بينهم.
إذا اكتشف وكيل الأداء مشكلة، يمكنه إرسال الحالة إلى الوكيل الأمني للتأكد من عدم وجود نشاط غير طبيعي.
ثم يمكن لوكيل التخطيط اقتراح أفضل إجراء.
وفي النهاية يحصل المهندس على قرار واضح مدعوم بالبيانات.
هذا النوع من الأنظمة يمكن أن يقلل الوقت بين اكتشاف المشكلة وتشخيصها والاستجابة لها.
هل سيحل AI Agent محل الموظف؟
هذا السؤال يبدو منطقيًا، لكنه يحتاج إلى إجابة أكثر دقة.
في كثير من الحالات، لن يكون السيناريو ببساطة "Agent بدل الموظف".
الأقرب هو أن يتحول شكل العمل.
الموظف الذي كان يقضي ساعات في جمع البيانات يمكن أن يصبح مسؤولًا عن مراجعة النتائج واتخاذ القرارات المهمة.
ومهندس الشبكات الذي كان يقرأ عشرات الإنذارات يدويًا يمكن أن يحصل على قائمة مختصرة بالحالات الأكثر أهمية.
وموظف الدعم الذي كان يكرر الإجابات نفسها يمكن أن يركز على الحالات التي تحتاج إلى خبرة بشرية.
لذلك قد تكون القيمة الحقيقية للـ AI Agents في إزالة العمل الروتيني من يوم الموظف، وليس إلغاء دور الإنسان بالكامل.
ما المهارات التي ستصبح أهم في عصر AI Agents؟
مع انتشار هذه الأنظمة، لن يكون كافيًا أن تعرف كيفية كتابة Prompt جيد.
ستصبح هناك حاجة إلى فهم سير العمل نفسه.
المهندس يحتاج إلى معرفة كيف يقسم المهمة إلى مراحل.
ويحتاج إلى فهم البيانات التي يعتمد عليها القرار.
ويحتاج إلى معرفة كيفية تحديد الصلاحيات.
ويحتاج كذلك إلى مراقبة النتائج.
بمعنى آخر، ستزداد أهمية مهارات مثل تحليل العمليات، تصميم الأنظمة، إدارة البيانات، الأمن السيبراني، تكامل APIs، ومراقبة الأنظمة الذكية.
وهذا مهم جدًا للمهندسين والمطورين في السعودية، خصوصًا مع توسع التحول الرقمي واعتماد المؤسسات على الأتمتة والخدمات السحابية والذكاء الاصطناعي.
هل AI Agent أفضل دائمًا من Chatbot؟
لا.
وهذه نقطة مهمة جدًا.
إذا كان المطلوب هو الإجابة عن أسئلة متكررة، فإن Chatbot قد يكون الخيار الأفضل.
لا تحتاج إلى Agent كامل حتى تجيب عن سؤال مثل:
"كيف أغير كلمة المرور؟"
أو:
"ما مواعيد الدعم؟"
لكن عندما تصبح المهمة متعددة الخطوات، وتحتاج إلى بيانات من مصادر مختلفة، وتتطلب استخدام أدوات واتخاذ قرارات وتنفيذ إجراءات، تصبح بنية Agent أكثر منطقية.
إذن لا ينبغي أن يكون السؤال:
هل AI Agents أحدث؟
بل:
هل هذه المهمة تحتاج فعلًا إلى الاستقلالية؟
إذا كانت الإجابة لا، فلا داعي لتعقيد النظام.
مستقبل AI Agents لن يكون Agent واحدًا
قد تكون المرحلة القادمة أكثر تعقيدًا من مجرد وجود وكيل واحد.
يمكن أن نصل إلى أنظمة تحتوي على مجموعة من الوكلاء المتخصصين.
وكيل لتحليل البيانات.
ووكيل للأمن.
ووكيل للعمليات.
ووكيل للتقارير.
ووكيل للتخطيط.
ثم يوجد وكيل رئيسي يقوم بتنسيق العمل بينهم.
في شركة اتصالات، مثلًا، يمكن لوكيل مراقبة الشبكة اكتشاف مشكلة، ثم يرسل البيانات إلى وكيل متخصص في تحليل الأداء، وبعد ذلك يتولى وكيل الأمن التحقق من وجود أي نشاط غير طبيعي، ثم يقوم وكيل التقارير بإعداد ملخص للمهندس.
هنا لا يصبح الذكاء الاصطناعي مجرد أداة يستخدمها الموظف.
بل يصبح جزءًا من البنية التشغيلية نفسها.
ما الذي يجب أن تفعله الشركات قبل تبني AI Agents؟
أكبر خطأ هو البدء بالتقنية قبل تحديد المشكلة.
لا تبدأ بشراء أو تطوير Agent ثم تبحث عن مهمة مناسبة له.
ابدأ بالعكس.
ابحث عن عملية تستهلك وقتًا.
حدد خطواتها.
اعرف أين توجد القرارات البشرية.
حدد البيانات المطلوبة.
حدد الإجراءات التي يمكن أتمتتها.
ثم اسأل:
أي جزء من هذه العملية يستطيع AI Agent تنفيذه بأمان؟
بعد ذلك ابدأ بنطاق صغير.
اختبر.
قِس.
صحح.
ثم وسّع.
هذه الطريقة أكثر أمانًا من منح النظام استقلالية واسعة منذ اليوم الأول.
الخلاصة: من الذكاء الذي يجيب إلى الذكاء الذي يعمل
الانتقال من Chatbots إلى AI Agents يمثل أكثر من مجرد تطور في واجهة الذكاء الاصطناعي.
إنه انتقال في فلسفة استخدام التقنية نفسها.
في عصر Chatbots، كان الذكاء الاصطناعي مساعدًا نطرح عليه الأسئلة ونطلب منه إنتاج الإجابات.
أما في عصر AI Agents، فنحن نقترب من أنظمة تستطيع فهم الهدف، ووضع خطة، واستخدام الأدوات، وتنفيذ الإجراءات، ومراقبة النتائج، ثم تعديل المسار عند الحاجة.
لكن هذه القوة تأتي معها مسؤولية كبيرة.
كلما زادت استقلالية الوكيل، أصبحت الحاجة إلى الأمن والحوكمة والمراقبة والصلاحيات المحدودة أكبر.
ولهذا فإن أفضل Agent ليس هو الذي يستطيع فعل كل شيء.
بل هو الذي يعرف ما يستطيع فعله، وما لا يستطيع فعله، ومتى يجب أن يتوقف ويطلب تدخل الإنسان.
وربما يكون هذا هو التحول الأكبر الذي سيشهده الذكاء الاصطناعي خلال السنوات القادمة.
لن يكون السؤال فقط:
"هل يستطيع الذكاء الاصطناعي الإجابة؟"
بل سيصبح:
"هل يستطيع الذكاء الاصطناعي إنجاز المهمة من البداية إلى النهاية؟"
وهنا تحديدًا تبدأ القفزة من Chatbot إلى AI Agent.
0 تعليقات