ومع أن كثيرين استفادوا من البحث التفصيلي على المستوى الفردي، عبر البحث عن المعلومات على الإنترنت وتجميعها، فإن قلة استفادت منه في سياق المؤسسات. ليس ذلك لأنه غير مفيد، بل العكس تمامًا، وإنما بسبب مخاوف أوسع تتعلق بالموثوقية وتشتت مصادر البيانات و/أو قدرة النموذج على التعامل مع سياقات ضخمة، كالأعداد الهائلة من الملفات مختلفة الأنواع.
أظهرت خبرتنا خلال الأشهر الاثني عشر الماضية في بناء أدوات بحث تفصيلي بمستوى مؤسسي أن الهندسة المدروسة قادرة على الحد من هذه المخاوف بدرجة متزايدة. نناقش في هذه المدونة أبرز العقبات أمام تطبيقات البحث التفصيلي المؤسسية الفعالة، وكيف نتغلب عليها، وتصورنا لتطور المجال خلال 2026.
ارتفع سقف التنفيذ ارتفاعًا هائلًا. شكّل وصول gpt-5 في أغسطس 2025 نقطة تحول للذكاء الاصطناعي في المؤسسات. في أنظمة الإنتاج لدينا، ومنها منصة لاكتشاف الأهداف الدوائية لإحدى أكبر شركات الأدوية في العالم، شهدنا انخفاض هلوسة المصادر من 3-4% إلى الصفر فعليًا. ثم وسّع gpt-5.2 في ديسمبر طول السياق الفعلي أكثر. والنتيجة العملية أننا نستطيع الآن زيادة عدد المصادر في كل جولة بحثية من المئات إلى الآلاف من دون التضحية بالموثوقية. انتقل عنق الزجاجة من قدرات النموذج إلى موضعه الطبيعي: بياناتك وتقييماتك وتصميم برنامجك.
استراتيجية البيانات: سهولة الوصول أهم من التوحيد. من المفهوم النظر إلى الذكاء الاصطناعي المؤسسي بوصفه مشكلة تكامل بيانات، لكن ذلك غالبًا ما يأتي بنتائج عكسية. التوحيد الكامل بطيء ومحفوف بالتجاذبات، ويفرض التزامًا مبكرًا قبل معرفة الأسئلة المهمة فعلًا. الخطوة العملية في 2026 هي الربط المتناثر. اجعل البيانات قابلة للوصول عبر مرتكزات غنية بالإشارات، مثل المواصفات والسياسات ووحدات SKU وبنود العقود، بدل انتظار سنوات لتوحيد كل شيء. تستطيع النماذج الرائدة الآن إجراء «ربط مرن» بين الأنظمة وقت الاستدلال، فتصل بين المصطلحات المترابطة من دون تعيينات رسمية. وبذلك تحافظ على سرعة النشر ومرونة إضافة المصادر لاحقًا.
التوجيه يمنع التشتت. بيانات المؤسسات ليست كالويب. فهي متناثرة ومليئة بالأعراف المحلية، وغالبًا ما يكون لحقيقة معينة مصدر صحيح واحد فقط. من دون إرشاد، تميل النماذج إلى استنزاف استعلامات لا تنتهي بحثًا عن مصدر إضافي واحد، فتستهلك الوقت وصبر المستخدم. تمنح طبقة دلالية خفيفة، مثل خرائط التجزئة وعمليات البحث عن الكيانات ورسوم العلاقات المبسطة، النظام مسارات سريعة ومنخفضة التكلفة للوصول بكفاءة إلى السياق الصحيح. تخيّلها كنصيحة موظف مخضرم لزميل جديد: «احفظ هذه المواقع في إشاراتك المرجعية، وتحدث إلى روس إذا واجهتك مشكلات في AWS». لا يلزم أن تكون معقدة. يكفي أن تساعد النظام على العثور سريعًا على ما يحتاج إليه.
ميكانيكية (تُجرى مع كل استعلام): سلامة الاستشهادات، وحسن استخدام الأدوات، وزمن الاستجابة، والتكلفة. هذه هي ضوابط الأمان لديك؛ روتينية لكنها أساسية.
تحليلية (تُجرى دوريًا): هل يختار النظام الأدوات الصحيحة، ويتبع مسارات بحث منطقية، وينتقي مصادر موثوقة، ويعرف متى يتوقف؟ تُسجَّل درجاتها عادةً باستخدام نموذج لغوي كبير بوصفه حَكمًا، مقابل أمثلة مصنفة.
المستخدم (مستمرة): معدلات إنجاز المهام، والملاحظات النوعية من المستخدمين المتمرسين، وتحليلات الاستخدام. الاختبار الحاسم. هل بنينا شيئًا يراه الناس مفيدًا؟
يأتي عائد الاستثمار من المشكلات الصعبة، لا الآمنة. بعد تقارير تزعم أن معظم مشروعات الذكاء الاصطناعي المؤسسية لا تحقق عائدًا على الاستثمار، تلاشى تقبّل العروض المبهرة التي لا تصل إلى الإنتاج. يريد المسؤولون التنفيذيون دليلًا، ويريدونه سريعًا. لكن هذا الضغط قد يدفع الفرق، على نحو متناقض، إلى خيارات خاطئة. يغري البدء بمهام محدودة المخاطر لأنها سهلة النشر ولا يُرجح أن تثير اعتراضات. لكن حالات الاستخدام هذه نادرًا ما تُحدث أثرًا يكفي لتبرير استمرار الاستثمار. أنظمة البحث التفصيلي المؤسسية مؤهلة لإثبات قيمتها لأنها تستهدف أعمالًا مكلفة أصلًا: سير عمل معقدًا وعالي المخاطر تكون فيه تكلفة الوضع الراهن واضحة. أقوى حالات الاستخدام التي رأيناها تشمل إعداد طلبات العروض والعطاءات، وتحليل المشهد العلمي، وبحوث الاستثمار؛ وهي مجالات يُقاس أثرها بمعدلات الفوز، وتسريع الوصول إلى التجارب، وسرعة تكوين القناعة، لا بمجرد الساعات الموفرة.
تحول تجربة المستخدم: من المحادثة إلى التفويض، ومن الإجابات إلى المخرجات الجاهزة. نعتقد أن هذا أحد تحولات تجربة المستخدم التي سترسم ملامح 2026. وعند النظر إلى الحلول التي حققت أقوى تبنٍّ مؤخرًا، يبرز أمران. مع ازدياد موثوقية هذه الأنظمة، بدأ المستخدمون يعاملونها بدرجة أقل كروبوت محادثة يطرحون عليه الأسئلة، وبدرجة أكبر كمحلل يفوضون إليه العمل. يتيح ذلك أمران: تمكين الفرق من تخصيص القوالب ومعايير التوقف لتناسب سير عملها، والسماح لها بالتصدير مباشرةً إلى التنسيق المطلوب فعلًا، مثل مذكرة أو عرض شرائح أو موجز، بدل مطالبتها بتجميع الناتج النهائي من سلسلة محادثة. عند توافر الأمرين، لا يعود النظام أداة مرجعية، بل يصبح الوسيلة التي يُنجز بها العمل.
كتبنا العام الماضي عن تقديم البحث التفصيلي للمؤسسات. أخذنا بذلك نموذج البحث التفصيلي المتمحور حول الويب، الذي روّجت له OpenAI في البداية، ووسعناه ليشمل مصادر البيانات المملوكة للشركات من دون فقدان مصدر المعلومات أو السيطرة عليها. وأوضحنا أيضًا أن أنظمة البحث التفصيلي لا ينبغي اعتبارها خروجًا على أنظمة RAG التقليدية، بل تطورًا لها.
ما تغير مع دخول 2026 ليس مفهوم البحث التفصيلي بقدر ما هو سقف التنفيذ الممكن.
عندما بدأنا بناء هذه الأنظمة مطلع 2025، كانت النماذج الرائدة تشمل o1 وgpt-4o وclaude-3.5-sonnet، وقد قطعنا بالفعل شوطًا طويلًا في 12 شهرًا فقط، ثم تحققت قفزات كبيرة مع نماذج مثل o3 وgemini-2.5-pro في الأشهر الأولى من العام. كانت ممتازة في وقتها، وكان من الممكن بالتأكيد بناء تطبيقات بحث تفصيلي متينة بها، ولكن إلى حد معين. كان ذلك الحد عادةً بضع مئات من المصادر؛ وبعده كان يلزم تنقيح السياق بقوة، وإلا دفعت الثمن في صورة إجابة تفقد معلومات، أو تراجع في اتباع التعليمات، أو هلوسات صريحة.
إذا سبق أن بنيت هذه الأنظمة، فستتعرف إلى بعض أنماط الإخفاق هذه.
ولتوضيح ذلك: بدأنا في منتصف 2025 بناء حل بحث تفصيلي مؤسسي مع إحدى أكبر شركات الأدوية في العالم. وهو نظام يسرّع اكتشاف الأهداف الدوائية، حيث يبحث الباحثون عن جينات أو هرمونات أو عناصر أخرى في جسم الإنسان يمكن استهدافها لعلاج حالة مرضية. كان o3 أقوى نموذج متاح حينها. رغم أدائه القوي، احتوت 3-4% من الإجابات التي ولدها هذا النموذج على مصادر لم تُقدَّم إليه عبر استدعاءات الأدوات من مصادر بيانات العميل المملوكة. حدَدنا أثر ذلك بفحوص لاحقة للاستشهادات كانت تضع علامات على أقسام الإجابات غير المؤيدة بالسياق المقدم. نجح ذلك في بناء ثقة أصحاب المصلحة بالأداة خلال مرحلة إثبات المفهوم المبكرة، وساعدنا على التقدم سريعًا. لكننا واصلنا جهود خفض هذه الأخطاء، محاولين الحد من قيود النماذج مع تلبية طلبات أصحاب المصلحة لإضافة مزيد من المصادر إلى النظام.
جاءت نقطة تحول رئيسية في بناء حلول البحث التفصيلي الرائدة، والحلول الوكيلة عمومًا، مع ظهور gpt-5 في أغسطس. عند الانتقال من o3 إلى gpt-5، أظهرت تقييماتنا انخفاض معدل هلوسة المصادر فورًا إلى 0%.
وللدقة بشأن هذا المقياس: فهو يتتبع حصريًا ما إذا كان النموذج يستشهد بمعرّف وثيقة أو عنوان URL غير موجود في السياق المسترجع. في عصر o3 وما قبله، كانت النماذج تخترع أحيانًا أسماء ملفات أو أوراقًا تبدو معقولة لسد فجوات معرفتها. مكّننا gpt-5 من القضاء فعليًا على هذه العلة المحددة.
لاحظ أن ذلك يختلف عن أخطاء الأمانة، أي الاستشهاد بالوثيقة الصحيحة مع إساءة تفسير النص، وهي لا تزال تحديًا نديره عبر الفحوص اللاحقة المذكورة أعلاه.
كان ذلك إنجازًا حاسمًا. وبذلك بدأنا اختبار النظام لمعرفة أقصى ما يمكن بلوغه مع الجيل الجديد من النماذج. وجدنا أننا نستطيع زيادة عدد المصادر التي تُدرس في جولة البحث التفصيلي بنحو عشرة أضعاف، إلى قرابة 3-5,000 مصدر. ولم يكن الحد النهائي انهيار اتباع التعليمات، بل أداء السياق الطويل؛ إذ يكون طول السياق الفعلي للنماذج غالبًا أقل بكثير من المعلن، ولا سيما مع البيانات الدوائية الكثيفة مثلًا.
خفف إصدار gpt-5.2 في منتصف ديسمبر هذا القيد جزئيًا. أشارت معاييرنا الداخلية للسياق الطويل إلى قفزة كبيرة في أدائه الفعلي، ما مكّننا من دفع أنظمة البحث التفصيلي الرائدة إلى مدى أبعد. وكان ذلك مفيدًا لأنه أتاح لنا زيادة عدد الرموز التي يمكن تمريرها مباشرةً إلى النموذج الذي ينتج المخرجات للمستخدم، ومن ثم تقديم إجابة أغنى. ومع ذلك، نأمل استمرار زيادة أطوال السياق الفعلية للنماذج الرائدة خلال 2026.
في ضوء هذا التقدم في قدرات النماذج الأساسية، عادت اختناقات بناء أنظمة بحث تفصيلي قادرة، من جوانب كثيرة، إلى موضعها الطبيعي منذ البداية: بياناتك وتقييماتك وكيفية إعداد برنامج البحث التفصيلي في مؤسستك. تتطلب كل خطوة اتخاذ قرارات عملية بشأن ما يُحدث أثرًا حقيقيًا في بناء نظام البحث التفصيلي.
توضح بقية هذه المقالة نهجنا في التفكير في تلك القرارات.
قد يغري التعامل مع مشروعات البحث المؤسسي بوصفها مشكلة تكامل بيانات. وحّد المصادر، وطبّع المخطط، ثم أطلق النماذج فوقها.
وللتوضيح: أحيانًا تكون هذه هي الخطوة الصحيحة تمامًا. إذا كنت تعمل في مجال كياناته الأساسية مستقرة واستعلاماته متكررة، وهدفك النهائي تصنيع سير العمل على نطاق واسع، فقد يحقق التوحيد فوائد حقيقية. تشمل الحالات التقليدية ربط بيانات العملاء والإيرادات، وبيانات أسعار السوق، وكل ما يتطلب تقارير موثوقة عبر الأنظمة.
لكن القادة المبتكرين اليوم يبحثون عمليًا عن شيء مختلف في أنظمة البحث التفصيلي المؤسسية.
مع التركيز المتزايد على عائد الإنفاق على الذكاء الاصطناعي، يتمثل هدف رئيسي لصناع القرار في إثبات القيمة سريعًا ضمن الواقع الفوضوي لعمل المؤسسة. ويعد التوحيد الكامل لمصادر البيانات من أبطأ السبل للوصول إلى ذلك الإثبات الأول. إنه عمل ثقيل. وتحيط به التجاذبات. وغالبًا ما يجبرك على الالتزام بمسار قبل معرفة الأسئلة المهمة فعلًا.
لذا نعتقد أن نقطة البداية العملية لبناء أنظمة بحث تفصيلي رائدة في 2026 هي غالبًا: اجعل بياناتك قابلة للوصول قبل أن تجعلها مثالية.
إذا كان من الواقعي أن تضيف مزيدًا من المصادر بمرور الوقت، كما تفعل معظم المؤسسات، فإن قيمة الروابط المتناثرة لا تحظى بالتقدير الكافي. يمكنك إتاحة عشرات المصادر خلف واجهة استرجاع موحدة. سيظل النظام قادرًا على العمل، والأهم أنك تحافظ على قدرتك على التسليم سريعًا. وعندما تضيف مزيدًا من المصادر، لن تضطر إلى قلب المنظومة رأسًا على عقب. يمكنك ببساطة إضافة موصل جديد، وشرح ماهيته وكيفية استخدامه للنظام الأساسي، ثم ترك الباقي للنماذج. ينجح ذلك لأن النماذج الرائدة اليوم تستطيع إجراء ربط مرن بين مصدرين أو أكثر وقت الاستدلال، فتصل بين “Customer ID” في نظام و“Client Reference” في آخر، من دون أن يكتب أحد تعيينًا رسميًا. لسنا الفريق الوحيد الذي يفكر بهذه الطريقة. لسنا الفريق الوحيد الذي يفكر بهذه الطريقة: صُمم وكيل البيانات الداخلي لدى OpenAI لتمكين النماذج من الاستدلال عبر 70,000 مجموعة بيانات متباينة، بجعل السياق والروابط قابلة للوصول وقت الاستعلام بدل فرض توحيد كامل مقدمًا.
ومن المهم توضيح نقطة دقيقة هنا: لا يعني التناثر بالضرورة السطحية.
يعمل التكامل المتناثر بأفضل صورة حين تكون الروابط التي تنشئها ذات معنى ومعبّرًا عنها بطريقة يستطيع النظام استغلالها بسهولة. من المفيد اعتبار أجزاء معينة من المعلومات مرتكزات، مثل المواصفات والسياسات وتعريفات المنتجات ووحدات SKU وبنود العقود وما شابه. لا يلزم توحيد كل مجموعة بيانات لجعل هذه المرتكزات قوية؛ كل ما تحتاج إليه هو معرّف ثابت وبضعة روابط غنية بالإشارات.
تخيّل مثلًا أن نموذجًا، أو مستخدمًا، يبحث عن مواصفة. في نظام ساذج، ينتهي التفاعل عند هذا الحد. تسترجع المواصفة وتلخصها، وربما تستشهد بها. لكن عند التفكير في بناء هياكل بيانات مفيدة، نريد تحويل عملية البحث هذه إلى بداية لتوسع منضبط. يمكننا مثلًا ربط سجل تلك المواصفة اختياريًا بمخرجات ذات صلة تاريخية. يمكن أن تعني «ذات صلة» أشياء عدة، لكنها تتحدد عادةً وفق المهمة التي ينفذها النظام، وقد تشمل طلبات عروض أشارت إلى المواصفة، وردودًا سابقة فازت بعطاءات عليها، وتعديلات اعترض فيها الفريق القانوني عليها، وغير ذلك. يمكن أن يحقق هذا النهج فوائد هائلة في جودة الإجابة وزمن الاستجابة، بإبراز أهم الرؤى سريعًا لنظام البحث التفصيلي وقت الاستعلام.
وهذا يمهد للسؤال التالي: بعد إنشاء عالم من مصادر البيانات المترابطة بصورة متناثرة عبر بضعة روابط غنية بالإشارات، كيف تمنع نظام البحث التفصيلي من التجول كطفل في متجر حلوى وتجعله يتنقل كمحلل مخضرم؟
لا تتصرف مصادر بيانات المؤسسات كالويب. فهي متناثرة ومليئة بالأعراف المحلية، وغالبًا ما يكون لحقيقة معينة مصدر «صحيح» واحد فقط، إن استطعت العثور عليه. علاوة على ذلك، تميل النماذج اليوم إلى محاولة تعظيم الاستدعاء في أسئلة البحث، فتستنزف الاستعلامات غالبًا للعثور على مصدر إضافي واحد فقط، مستهلكةً زمن الاستجابة وصبر المستخدم. ويمكن الحد من ذلك جزئيًا بصياغة توجيهات دقيقة.
الحل الأكثر فاعلية هو أداة خفيفة تساعد النموذج على تحديد موقعه وسط مشهد بيانات المؤسسة الفوضوي. تسمي بعض الفرق ذلك أنطولوجيا. وتسميه فرق أخرى طبقة دلالية، أو خدمة بحث، أو رسمًا بيانيًا، أو مخزن مفاهيم. لا تهم التسمية فعليًا.
المهم أن تمنح النظام مجموعة من المسارات السريعة والمنخفضة التكلفة، كي ينتقل النموذج بكفاءة بين أجزاء السياق الصحيحة بدل التخبط زمنًا يبدو بلا نهاية.
تشبيه بسيط لذلك هو انضمامك إلى شركة أو مشروع جديد، فيقول لك زملاؤك: «يجب أن تحفظ هذه المواقع في إشاراتك المرجعية، فستستخدمها دائمًا»، أو «Whenever you have an issue with AWS just speak to Ross, he’ll get you the info you need»، وهكذا. وبالمثل، نحاول هنا ببساطة مساعدة نظام البحث التفصيلي على العثور سريعًا على ما يحتاج إليه.
عمليًا، لا يلزم أن يكون هذا النظام معقدًا أو خاضعًا للصيانة اليدوية. أفضل التطبيقات التي وجدناها إما تولدها النماذج اللغوية الكبيرة أثناء مسار استيعاب البيانات، باستخراج الكيانات لملء الرسم تلقائيًا، وإما تكون ممرات بسيطة إلى أنظمة السجلات القائمة، مثل البحث عبر واجهة Salesforce API. ومن الأمثلة الشائعة:
البحث في خرائط التجزئة، مثل الاستعلام باسم المنتج وإرجاع وصفه
بحث مبسط عن العلاقات «الشائعة»، مثل الأمراض الأكثر ارتباطًا بهذا الجين في رسم العلاقات السببية بين الجينات لدينا
نماذج التعرّف على الكيانات المسماة، وهي مفيدة أساسًا في المجالات التي تتسم بمشكلات معقدة في إزالة غموض الكيانات، مثل الأدوية
بالنسبة إلى أعقد علاقات البيانات، يمكن لرسوم RDF الخفيفة أن توفر الحل الأكثر قابلية للتوسعة لبناء أنطولوجيا
… وغيرها
بعد إعداد ذلك، يستطيع النظام التنقل بكفاءة عبر مصادر بياناتك. السؤال التالي بسيط: كيف تعرف أنه يفعل الصواب باستمرار في ظل الاستخدام الفعلي؟
بعد أن أصبحت بياناتك قابلة للوصول وصارت طبقة التوجيه توفر الخريطة، بات نظامك قادرًا على إنجاز العمل. لكن القدرة لا قيمة لها في سياق المؤسسات من دون الموثوقية.
وهنا تقع أكبر مقبرة لمشروعات الذكاء الاصطناعي. وقعت فرق كثيرة في فخ التقييمات «الانطباعية». كانت تشغّل استعلامًا، وتقرأ الناتج، وتهز رأسها استحسانًا، ثم تنشره. لا ينجح هذا النهج عند بناء نظام بحث تفصيلي قد يجتاز ذاتيًا 5,000 وثيقة ليقدم توصية بشأن قرار في سلسلة إمداد تبلغ قيمته ملايين الدولارات.
التحول المهم هنا أنك لم تعد تقيّم نموذجًا، بل تقيّم نظامًا. يظهر في تجربة المستخدم كل من تفسير السؤال، والتخطيط، واستدعاء الأدوات، والتفسير، وتنقيح السياق، وإعادة الترتيب، وحتى التفاصيل التي تبدو مملة في الموصلات مثل الطوابع الزمنية.
تساعدنا التقييمات المنظمة والقابلة للتكرار على حل هذه المشكلات.
عند بناء التقييمات، يمكننا تصنيفها عمومًا في ثلاث فئات تمتد من الميكانيكي إلى الذاتي.
هذا هو الجزء الأقرب إلى اختبارات الوحدات، وغالبًا ما تستطيع الفرق إحراز أسرع تقدم فيه في المراحل الأولى. وهي عادةً الأكثر استقرارًا بمرور الوقت؛ فبعد إعدادها تواصل تحقيق فوائد طوال عمر المشروع.
«التقييمات الميكانيكية» هي عمومًا فحوص يمكن إجراؤها مع كل استعلام من دون تدخل بشري. وتساعدنا على الاطمئنان إلى أن النظام يتصرف بصورة متوقعة وآمنة تحت أحمال المستخدمين الفعلية.
ومن أمثلتها:
سلامة الاستشهادات: هل تشير كل الاستشهادات إلى مقاطع جرى استرجاعها فعلًا؟ هل توجد ادعاءات بلا استشهادات؟ هل توجد ادعاءات لا تؤيدها المواد المصدرية؟ هل الاستشهادات عامة أكثر من اللازم، كالإحالة إلى وثيقة كاملة لإثبات ادعاء واحد؟
حسن استخدام الأدوات: هل استخدم النظام كل الأدوات التي قال إنه استخدمها؟ هل استخدم أدوات التوجيه استخدامًا صحيحًا؟ هل نسّق أي طلبات للأدوات تنسيقًا خاطئًا؟ هل أعاد المحاولة بصورة منطقية عند ظهور أخطاء؟
ميزانيات زمن الاستجابة والتكلفة: هل التزم بالوقت المستهدف لظهور أول رمز؟ هل تجاوز العدد المتوقع لاستدعاءات الأدوات أو الميزانية؟ هل استهلك زمن استجابة وقدرة حوسبة كبيرين لتحقيق مكسب هامشي؟
قد تبدو هذه الأمور روتينية، لكنها بالضبط الاختبارات التي تحمي النظام المؤسسي من التدهور.
في مثال واقعي من مشروع البحث التفصيلي لاكتشاف الأهداف الدوائية، استخدمنا طبقتين من فحوص الاستشهادات تعملان مع كل استعلام. أولًا، عند توليد إجابة، نوجّه النموذج إلى إدراج استشهادات متكررة داخل النص. إن قدرة النماذج اللغوية الكبيرة (LLM) على فعل ذلك بموثوقية ظاهرة حديثة نسبيًا أيضًا، ظهرت في النصف الأول من 2025؛ ومن حاول تطبيقه قبل ذلك على كميات معتبرة من البيانات يدرك حجم التحدي آنذاك. وبذلك يمكننا إجراء مجموعة من فحوص التعبيرات النمطية البسيطة لمعرفة، مثلًا، ما إذا ذُكر رابط مقال غير موجود في المصادر المقدمة.
تُجرى الطبقة الثانية من الفحوص بعد اكتمال بث الإجابة. تُقسَّم الإجابة أولًا إلى مقاطع، ثم يُقيَّم كل مقطع ويبحث النظام في البيانات المسترجعة عن مصادر تؤيد الادعاء أو الادعاءات الواردة فيه. إذا لم يُعثر على دليل مؤيد، يُشار إلى ذلك بوصفه هلوسة محتملة.
إذا كانت التقييمات الميكانيكية اختبارات الوحدات، فالتقييمات التحليلية هي مراجعة الشفرة.
هنا ننتقل إلى محاولة فهم ما إذا كان النظام ينجز العمل بإتقان. نهتم عادةً بفهم ما إذا كان يستخدم الأدوات الصحيحة، ويتبع مسارات البحث المناسبة، ويختار أوثق المصادر، ويعرف متى يتوقف، إلى جانب أمور أخرى.
عمليًا، تتخذ هذه التقييمات عادةً شكل سلسلة من أزواج الأسئلة والأجوبة، نعرف فيها مثلًا الترتيب المنطقي لاستدعاء الأدوات أو القرار الصحيح استنادًا إلى مجموعة أبحاث عثرت عليها الأداة الأولى. ولا يلزم أن تتطابق هذه الأزواج بنسبة 1:1 مع مدخلات نظام البحث التفصيلي الكامل ومخرجاته، إذ يمكننا أيضًا اختبار العمليات الفرعية بهذه الأساليب. وباستخدام هذه التصنيفات، التي قد ينتجها مصنّف بشري أو نموذج تصنيف قوي نسبيًا، يمكننا تطبيق أسلوب النموذج اللغوي الكبير بوصفه حَكمًا لمنح الجولات البحثية درجات وتقييم أدائها. ومن خلال تتبع هذه الدرجات بمرور الوقت، نستطيع معرفة ما إذا كانت تغييراتنا تحسّن النظام في الاتجاه المطلوب أو أحدثت تراجعًا في الأداء.
نظرًا إلى ارتفاع تكلفة هذه الجولات ماليًا وزمنيًا، ينبغي عادةً إجراؤها دوريًا وفق جدول محدد أو قبل تحديث الإصدارات.
وثمة فائدة ثانوية مهمة أيضًا: يمكن لهذه التقييمات التحليلية أن توجه مباشرةً تحسين الروابط المتناثرة التي ناقشناها سابقًا. إذا رأيت النموذج يكرر انتقالًا عالي الجودة، مثل «المواصفات ← أمثلة طلبات عروض ذات صلة تاريخية»، حتى حين لا يربط البشر هذه المخرجات صراحةً اليوم، فهذه معلومة مفيدة. يمكنك تحويل ذلك الانتقال إلى رابط أساسي أو اختصار، فتستفيد الجولات اللاحقة من زمن استجابة أقل واتساق أعلى.
وهنا أيضًا ترصد إحدى أكثر العلل تكلفةً في أنظمة البحث التفصيلي: الميل إلى تعظيم الاستدعاء تلقائيًا. يستطيع النموذج دائمًا العثور على مصدر إضافي. لكن السؤال هو: هل ينبغي له ذلك؟ يمكننا ضبط النموذج لتعزيز سلوك التوقف المنطقي، بحيث يدرك النظام أن الاسترجاع الإضافي لن يغيّر النتيجة على الأرجح، ويختار تقديم إجابة مؤيدة جيدًا وتعالج سؤال المستخدم.
تخبرك التقييمات الميكانيكية بأن النظام آمن. وتخبرك التقييمات التحليلية بأنه كفء. أما تقييمات المستخدم فتخبرك إن كان مفيدًا فعلًا.
وهذا مجال آخر تتعثر فيه فرق كثيرة. فهي تبني شيئًا مبهرًا تقنيًا لا يرغب أحد في استخدامه مرتين. في سياق المؤسسات، هذا هو الفارق بين نشر ناجح ومشروع بحثي مكلف.
تتمحور تقييمات المستخدم أساسًا حول فهم ما إذا كان النظام يحل المشكلة الصحيحة بالطريقة الصحيحة. وهذا يعني تجاوز سؤال «هل قدّم الإجابة الصحيحة؟» إلى سؤال «هل قدّم لي شيئًا يمكنني العمل به؟»
عمليًا، تتخذ تقييمات المستخدم عادةً أشكالًا عدة:
دراسات إنجاز المهام: هل يستطيع المستخدمون فعلًا إنجاز أعمالهم الحقيقية أسرع أو بصورة أفضل باستخدام النظام؟ لا يتعلق الأمر بما إذا كان النموذج يستطيع الإجابة عن سؤال، بل بما إذا حصل مستخدم حقيقي، ضمن سير عمله الفعلي، على ما يحتاج إليه.
دورات الملاحظات النوعية: محادثات منتظمة ومنظمة مع المستخدمين المتمرسين. ما الاستعلامات التي يكررونها؟ أين يفقدون الثقة؟ متى يستسلمون ويعودون إلى الطريقة القديمة؟ غالبًا ما تكشف هذه الجلسات أنماط إخفاق لا تظهر مطلقًا في مجموعات الاختبار، لأن المستخدمين يطرحون الأسئلة بطرق لم تتوقعها أو لديهم معايير ضمنية للجودة لم تكن تعرف بوجودها.
تحليلات الاستخدام: ما الاستعلامات التي يُعاد تشغيلها؟ ما الإجابات التي تُنسخ وتُستخدم في مواضع أخرى؟ متى ينقر المستخدمون زر عدم الإعجاب؟ لا يعني انخفاض الاستخدام الإخفاق دائمًا، فقد يحصل المستخدمون أحيانًا على إجابتهم ويمضون، لكن أنماط توقيت وكيفية التخلي عن الاستعلامات تكشف الكثير عن مواضع عدم تلبية النظام للتوقعات.
تمنحك هذه العناصر مجتمعةً وسيلة لقياس الفائدة من دون تخمين، وتساعدك على اكتشاف المشكلات قبل أن تبدأ في تقويض ثقة المستخدم.
لكن حتى النظام الذي يحقق درجات مثالية في الدقة الميكانيكية ويسعد مستخدميه الأوائل قد يفشل في الاختبار الحاسم: زيادة إيرادات المؤسسة. ليست الموثوقية ورضا المستخدم سوى شرطين مسبقين لذلك. للانتقال من مشروع تجريبي ناجح إلى أصل مؤسسي تحويلي، عليك تجاوز النظر إلى كيفية عمل النظام والتركيز على موضع تطبيقه.
استعرضنا كيفية جعل بياناتك تعمل لصالح نظامك، ثم كيفية جعل نظامك يعمل لصالح مستخدميك. والآن علينا مناقشة كيفية جعل هذا النظام يعمل لصالح مؤسستك.
حظي هذا مؤخرًا بتركيز شديد من قادة الأعمال، وهو أمر في محله. بعد تقارير مثل ادعاء MIT أن 95% من مشروعات الذكاء الاصطناعي المؤسسية لا تحقق عائدًا على الاستثمار، تلاشى تقبّل العروض المبهرة التي لا تصل إلى الإنتاج. النماذج جاهزة. والبُنى مثبتة الفاعلية. السؤال الآن: هل تستطيع نشر هذا فعليًا بطريقة تخلق قيمة لمؤسستك؟
الخبر السار أن أنظمة البحث التفصيلي الرائدة المبنية على المبادئ السابقة مؤهلة جيدًا لتجاوز هذا المعيار. فهي لا تحاول أتمتة كل شيء أو استبدال وظائف كاملة. بل تهدف إلى زيادة فاعلية أفضل موظفيك جذريًا في الأعمال عالية القيمة التي ينجزونها بالفعل.
لكن الانتقال من «يعمل تقنيًا» إلى «يحقق عائدًا على الاستثمار» يتطلب عوامل إضافية: خيارات التنظيم وتجربة المستخدم والقياس التي تحدد ما إذا كان سيصبح أداة يومية أم علامة تبويب منسية.
بحسب خبرتنا، هناك عاملان.
غالبًا ما يغري البدء بمهام داخلية محدودة المخاطر مثل “summarise this meeting.” ورغم أمانها، نادرًا ما تثبت حالات الاستخدام هذه قيمة تكفي لتبرير التكلفة.
تحقق أنظمة البحث التفصيلي أفضل نجاح حين تُوجَّه إلى مهام كبيرة وصعبة؛ أي مشكلات مكلفة يؤدي تحسين جودتها أو سرعتها إلى زيادة قابلة للإثبات في الإيرادات أو إلى ميزة استراتيجية.
نرى أعلى عائد على الاستثمار حين تستهدف الشركات نقاط انطلاق مثل:
إعداد العطاءات وطلبات العروض المعقدة: يمكن لأنظمة البحث التفصيلي أن تستخرج تلقائيًا أقرب حالات الفوز السابقة، والخسائر أيضًا، وتحدد البنود القليلة التي تستدعي دائمًا تعديلات قانونية، وتعثر على أقوى الأدلة لكل متطلب، ثم تحول كل ذلك إلى طرح قوي ومتماسك للعطاء. المقياس هنا ليس الوقت الموفّر، بل معدل الفوز، والحفاظ على الهامش، وتقليل المفاجآت القانونية والتجارية في المراحل الأخيرة.
تحليل المشهد العلمي: في المؤسسات كثيفة البحث والتطوير، مثل الأدوية والتقنية الحيوية وأشباه الموصلات، تتمثل نقطة الانطلاق في اختصار أسابيع من مراجعة الأدبيات والمعرفة الداخلية إلى مسار بحثي قابل للاستخدام. يستطيع نظام البحث التفصيلي قراءة آلاف الأوراق وبراءات الاختراع والتقارير الداخلية وملاحظات المختبر ومراجعات البرامج السابقة، لرسم خريطة لما هو معروف وما هو موضع خلاف، وإنتاج مشهد مدعوم بالأدلة. وبذلك يتيح دورات تطوير أسرع، ورهانات أقل على مسارات مسدودة، والأهم تقليص الوقت اللازم للوصول إلى أول تجربة بشرية.
رؤى السوق: بالنسبة إلى البنوك وصناديق التحوط، تكمن القيمة في تحويل البحوث الداخلية المتفرقة، من ملاحظات ونماذج ونصوص وتعليقات الوسطاء، إلى جانب الإشارات الخارجية، من إفصاحات ونتائج ومؤشرات اقتصادية وأخبار، إلى دعم تداول صالح لاتخاذ القرار. يمكن لنظام البحث التفصيلي أن يبني ويحدّث باستمرار رؤية عن شركة أو موضوع أو سؤال اقتصادي كلي، ويبرز أهم التغيرات منذ الأسبوع الماضي، ويوفق بين المصادر المتعارضة، وينتج مذكرة استثمار أو حزمة تداول موثقة المصدر بالكامل.
القاسم المشترك أن هذه ليست محادثات. بل هي مسارات عمل معقدة تتطلب عادةً مستشارين خارجيين مكلفين أو أسابيع من وقت كبار الموظفين. عندما توجه نظام بحث تفصيلي إلى هذه المشكلات، تصبح قيمته جلية.
هذا أحد تحولات تجربة المستخدم التي سترسم ملامح 2026.
إذا كان نظام البحث التفصيلي مجرد روبوت محادثة يستعلم منه المستخدمون للعثور على الأشياء، فقد يتراجع سريعًا إلى أداة تُستخدم على فترات متباعدة. فيظل أداة مرجعية، ويضطر المستخدمون في النهاية إلى تجميع مخرجاته بأنفسهم للوصول إلى النتائج النهائية المطلوبة. أما إذا بدا كمحلل متاح دائمًا يمكن إسناد العمل إليه، فقد يغير نموذج عمل الفريق بالكامل.
نشهد انتقالًا من «المحادثة»، أي جولات قصيرة متبادلة، إلى التفويض، أي تحديد النطاق والقالب والهدف ثم ترك النظام يعمل.
تتيح ذلك ثلاثة تحولات محددة:
المخرجات بوصفها منتجات جاهزة: نادرًا ما يوجد العمل عالي القيمة في نافذة محادثة؛ بل يوجد في الوثائق والمذكرات وعروض الشرائح. ينبغي لأنظمة البحث التفصيلي الحديثة تجاوز مرحلة المحادثة وتوليد المنتج النهائي للأعمال مباشرةً. عندما يستطيع المستخدم طلب “3-page investment memo in our corporate format” والحصول على ملف قابل للتنزيل بدل تدفق نصي، ينخفض الوقت اللازم لتحقيق القيمة انخفاضًا حادًا. ويمتد ذلك عادةً إلى عمليات توليد مجدولة، حيث يمكن للمستخدمين طلب إنشاء رسائل بريد إلكتروني أو تقارير تلقائيًا برؤى جديدة وتوزيعها على الأطراف المعنية مع ظهور بيانات جديدة.
التحسين المحلي عبر قوالب مخصصة: أصبحت النماذج متينة بما يكفي لتمكين وحدات الأعمال، بل وحتى الأفراد، من صياغة توجيهاتهم وسلوكياتهم الخاصة من دون تعطيل النظام. يختلف تقرير المخاطر في لندن عنه في نيويورك. عندما تسمح للفرق برفع قوالبها الهيكلية أو تصميمها، وتحديد معايير التوقف الخاصة بها، مثل “always check these three specific internal databases”، أو تنسيق المخرجات، يحصل المستخدمون على قيمة أكبر بكثير وينشئون شيئًا تتزايد رغبتهم في استخدامه.
الثقة بوصفها واجهة: عندما يفوّض المستخدم مهمة يستغرق تنفيذها أكثر من 20 دقيقة، تصبح الثقة أولوية قصوى. لا يمكنك تقديم صندوق أسود. يجب أن تكشف الواجهة تفكير النظام وخياراته، فتوضح للمستخدم الأدوات المستخدمة، وتولّد الاستشهادات، وغير ذلك. غالبًا ما نجد أن أفضل تجربة مستخدم لهذه الأنظمة تعرض افتراضيًا رؤى عامة عن تقدم البحث، وتتيح للمستخدم التعمق عبر توسيع شريط جانبي أو ما شابه لعرض مزيد من المعلومات.
نتصور مستقبلًا تمتلك فيه كل مؤسسة رائدة نظام بحث تفصيلي مخصصًا يدعم أهم مسارات عملها. سيتجسد ذلك في سلسلة من المحللين المتاحين دائمًا، القادرين على اجتياز آلاف المخرجات الداخلية بموثوقية وإنتاج قرارات وتسليمات يمكن للناس العمل بها. مع رفع النماذج الرائدة سقف التنفيذ، ينتقل عامل التميز إلى الأساسيات: إتاحة الوصول إلى بياناتك، ومنح النظام خريطة، وتحويل الموثوقية إلى ممارسة تشغيلية عبر التقييمات.
مكاسب قدرات النماذج التي شهدناها خلال العام الماضي هي أوضح مؤشر إلى وجهة هذا المجال. الفرصة المتاحة للقادة في 2026 هي التحرك مبكرًا. اختر نقطة انطلاق تكون فيها القيمة واضحة، واكسب الثقة عبر توثيق المصادر وضوابط الأمان، وحوّل حل البحث التفصيلي المؤسسي من مشروع تجريبي إلى قدرة تراكمية تستخدمها المؤسسة يوميًا.