18,000 كوب ماء: أين يُخفق دائمًا الذكاء الاصطناعي الصوتي لخدمة السيارات

توقّف أحد الزبائن عند عمود مكبّر الصوت في أحد فروع Taco Bell في أغسطس 2025 وطلب 18,000 كوب ماء. فهمه الذكاء الاصطناعي فهمًا تامًّا. وأضاف الـ18,000 كوب كلها إلى الطلب. تجاوز المقطع 21.5 مليون مشاهدة، فأوقفت Taco Bell توسّعها في الذكاء الاصطناعي لمعرفة الخطأ الذي حدث.

وهنا الجزء المُحرج: لم يحدث أي خطأ في الذكاء الاصطناعي. كان التعرّف على الكلام لا تشوبه شائبة. وحلّل النموذج اللغوي الطلب تمامًا كما نُطق. ما كان مفقودًا هو قطعة واحدة من البرمجيات المملّة القائمة على القواعد تقع بين الذكاء الاصطناعي وآلة تسجيل النقد — من النوع الذي كان ينبغي أن ينظر إلى "18,000 كوب ماء" ويقول لا، هذا ليس طلبًا حقيقيًّا. لم يبنِه أحد.

أمضيتُ الفترة الأخيرة من مسيرتي المهنية داخل مجال الذكاء الاصطناعي الصوتي لخدمة السيارات — الأنظمة التي تتلقّى طلبك عند عمود مكبّر الصوت بينما يقف موظف بشري عند النافذة — وأريد أن أخبرك لماذا تتكرّر هذه الإخفاقات، لأن الدرس ليس هو ما توحي به العناوين. فالنموذج لا يكون هو المشكلة تقريبًا أبدًا. بل البنية المحيطة بالنموذج هي المشكلة.

سمع الذكاء الاصطناعي الطلب بشكل صحيح. لم يكن في النظام ببساطة أي شيء مسموح له بأن يقول "هذا لا يمكن أن يكون صحيحًا".

هذه الجملة هي القصة الكاملة لسبب استمرار الذكاء الاصطناعي الصوتي لخدمة السيارات في إحراج السلاسل التي تنشره. وهو قابل للإصلاح — ليس بنموذج أذكى، بل بالهندسة غير البرّاقة التي تجاوزها الجميع في طريقهم إلى العرض التوضيحي.

الهضبة ذات السنوات الثلاث التي لا يريد أحد التحدّث عنها

عندما بدأتُ أنظر بجدّية إلى هذا المجال، كانت القصة التحذيرية التي يشير إليها الجميع هي McDonald's. فقد أمضوا ثلاث سنوات في شراكة للذكاء الاصطناعي الصوتي لخدمة السيارات مع IBM، وعلقوا عند دقة طلبات تتراوح بين 80–85%، وأنهوا الأمر برمّته بهدوء في يوليو 2024. وعلى طول الطريق أضاف النظام 260 قطعة Chicken McNuggets إلى طلب إحدى السيارات وزيّن مثلّجات الفانيليا لأحدهم بلحم مقدّد. وهناك الآن إدراج له في متحف الإخفاق (Museum of Failure).

كان حدسي الأول هو نفسه الذي يراود معظم المهندسين: لا بدّ أنهم استخدموا نموذجًا ضعيفًا. لذا بدأنا من حيث يبدأ الجميع — نأخذ محرّك تحويل كلام إلى نص قويًّا، ونغذّي به نموذجًا لغويًّا قادرًا، ونربط المُخرَج بنظام نقاط بيع، ونتركه يعمل. في قاعة اجتماعات كان مبهرًا حقًّا. فقد تعامل مع طلبات معقّدة، ومُعدِّلات، وبدائل. كنتُ مقتنعًا بأننا حللناها في بضعة أسابيع.

ثم أخذناه إلى مسار فعلي في مساء بارد عاصف، فتفكّك على الفور تقريبًا.

كانت شاحنة تعمل في وضع الخمول على بُعد موقفين، فبدأ النظام يفرّغ صوت محرّكها نصًّا. وسُجّلت هبّة ريح على أنها دفقة كلام. وعندما كان مذياع سيارة أحد الزبائن يعمل، مزج الذكاء الاصطناعي بمرح صوت الـ DJ ضمن الطلب. الشيء الذي كان بارعًا في الداخل صار شبه غير قابل للاستخدام في الخارج، وكنتُ شخصيًّا قد راهنتُ في خارطة الطريق المبكّرة على افتراض أن النموذج هو الجزء الصعب. لم يكن كذلك. الجزء الصعب هو كل ما يحدث للصوت قبل أن يسمعه النموذج أصلًا.

تلك الليلة في موقف السيارات أعادت صياغة المشكلة بأكملها بالنسبة لي، وهي السبب في أننا انتهينا إلى بناء ما نبنيه في Veriprajna — ليس نموذجًا أفضل، بل الطبقات المفقودة المحيطة به.

لماذا يُعدّ عمود مكبّر الصوت أصعب مكان على وجه الأرض للاستماع

يُعدّ عمود مكبّر الصوت في خدمة السيارات واحدًا من أكثر البيئات عدائيةً من الناحية الصوتية التي يمكن أن تطلب من آلة أن تسمع فيها. ولا أقصد ذلك على سبيل المجاز.

يتركّز هدير المحرّك في نطاق 200–400 هرتز — الذي يصادف أنه يقع مباشرةً فوق التردّد الأساسي لصوت الرجل النموذجي. لذا فإن الضوضاء ليست بعيدةً بلطف إلى الجانب حيث يمكنك ترشيحها؛ بل هي متشابكة مع الترددات نفسها التي تحمل الكلمات. وتُحدث الريح موجات ضغط غير ثابتة تصفع الميكروفون في دفقات لا يمكن التنبؤ بها. ويضيف المطر هسيسًا عريض النطاق عبر مدى الكلام بأكمله. وأما الصوت المنافس — راكب، أو مذياع، أو المسار المجاور — فينتج صوتًا لا يستطيع كشف النشاط الصوتي القياسي ببساطة فصله عن الزبون.

عالج نظام McDonald's-IBM كل هذا بإرسال صوت خام غير مُرشَّح مباشرةً إلى طبقة فهم اللغة. ولهذا السبب "تنصّت" على طلبات من المسارات المجاورة، وأساء قراءة عابرات المحرّك على أنها شخص يبدأ بالكلام، وهلوَس بأصناف من القائمة انطلاقًا من شظايا صوتية. وعندما تدهورت جودة الصوت، فعل النموذج ما تفعله النماذج في ظل عدم اليقين: طابَق النفايات مع أقرب الرموز عالية الاحتمال وأنتج شيئًا واثقًا وخاطئًا.

لا يمكنك أن تخرج من صوت رديء بهندسة التوجيهات. فإذا كانت الإشارة تالفة قبل أن يراها النموذج، فإن النموذج الأذكى يعطيك فقط خطأً أكثر طلاقةً.

الحل هو خط أنابيب صوت متعدّد المراحل، وترتيب العمليات مهم. استبدلنا كشف الصوت القائم على الطاقة — الذي يعامل أي صوت عالٍ على أنه كلام — بكاشف عصبي (فئة نماذج Silero) يحافظ على عتبة احتمال مستمرّة مدتها 400 ميلي ثانية قبل أن يقرّر أن إنسانًا يتكلّم فعلًا. هذا التغيير وحده يقضي على معظم إخفاقات "المحرّك يطلب قطع الدجاج". وفوق ذلك نُشغّل بوّابة طيفية تزيل ما يقارب 75% من ضوضاء الخلفية قبل أن يتلقّى مُميِّز الكلام الإشارة أصلًا، وتشكيل حزمة عبر مصفوفات ميكروفونات — الـ Andrea DA-252 أو الـ Veovox AudioBox — تعزل صوت السائق مكانيًّا عن كل ما حوله من السيارة.

المشكلة، وهذا هو الجزء الذي يكرهه البائعون، هي أن هذه الطبقة يجب أن تُضبط لكل طراز عمود مكبّر صوت ولكل بيئة صوتية. فإلغاء الضوضاء الجاهز المُدرَّب على صوت مكتبي مرتّب ينهار في موقف سيارات. لا يوجد اختصار هنا، وهذا بالضبط سبب قِلّة من يفعلون ذلك.

الـ18,000 كوب ماء كانت خللًا برمجيًّا، لا خللًا في الذكاء الاصطناعي

دعني أعود إلى Taco Bell، لأنها أوضح تجسيد لنمط الإخفاق الثاني.

صباح انتشار ذلك المقطع، أرسل لي مشغّل سلسلة كنتُ أتحدّث معه المقطع، وسألني بصراحة عمّا إذا كان نظامنا سيفعل الشيء نفسه. إنه سؤال منصف، والجواب الصادق هو أن معظم الأنظمة المنشورة ستفعله، لأنها تتشارك الثغرة المعمارية نفسها.

فهم الذكاء الاصطناعي "18,000 كوب ماء" فهمًا صحيحًا. لم يكن ذلك موضع شك قط. لم يكن لدى النظام أي تحقّق من الكميات، ولا كشف للحالات الشاذّة، ولا حدّ للمعدّل لكل جلسة. تدفّق مُخرَج النموذج مباشرةً إلى نقطة البيع لأن لا أحد بنى البرمجيات الوسيطة التي تسأل عمّا إذا كان الطلب معقولًا فيزيائيًّا قبل أن يصل إلى المطبخ. الطبقة المفقودة نفسها هي سبب وضع McDonald's 260 قطعة على فاتورة ولحمًا مقدّدًا على المثلّجات. في كل حالة من هذه الحالات كان فهم اللغة صحيحًا وكان منطق الأعمال ببساطة غائبًا.

المُثير للجنون هو مدى رخص هذا الحل. فمحرّك تحقّق حتمي — وأعني به شيفرة قائمة على القواعد فعلًا، لا مزيدًا من الذكاء الاصطناعي — يستغرق بناؤه من أسبوعين إلى ثلاثة أسابيع لكل سلسلة. وهو يفرض حدودًا قصوى للكميات مستمدّة من توزيعات الطلبات الحقيقية (السقف الواقعي لطلب ماء واحد في مطعم خدمة سريعة هو نحو ثمانية أكواب، لا ثمانية عشر ألفًا). ويفحص منطق تركيبات الأصناف، حيث يكون الاحتمال التاريخي لـ"مثلّجات مع لحم مقدّد" في بيانات الطلبات صفرًا فعليًّا. ويحدّد عتبات سعرية لكل معاملة، ويُجبر إنسانًا على التدخّل في أي شيء يتجاوز تلك الحدود.

أرخص وأسرع حل في الذكاء الاصطناعي الصوتي لخدمة السيارات هو أيضًا الحل الذي يمنع الكوارث التي تحصد 21 مليون مشاهدة. إنها القواعد، لا الذكاء.

هذا هو الانقلاب الذي يفاجئ الناس. فالجزء البرّاق — النموذج الحواري — صار في معظمه قدرة محلولة ومتوفّرة كسلعة الآن. أما الجزء الذي يحمي العلامة التجارية فعلًا فهو طبقة حواجز الحماية الحتمية التي لا يضعها أحد في العرض التوضيحي لأنها ليست مثيرة للإعجاب عند مشاهدتها.

ماذا يحدث عندما يتوقّف شخص يتلعثم؟

نمط الإخفاق الثالث هو الذي يقضّ مضجعي، جزئيًّا لأنه مشكلة أخلاقية وجزئيًّا لأنه على وشك أن يصبح مشكلة قانونية.

وُصف نظام Wendy's FreshAI بأنه "غير قابل للاستخدام" من قِبَل الزبائن الذين يتلعثمون، وبمجرد أن تفهم الآليات يتّضح السبب. كان لدينا العيب نفسه في نسختنا المبكّرة، ولم أكتشفه إلا لأنني جلستُ وأعدتُ تشغيل تسجيل لشخص يطلب "b-b-baconator" مرارًا وتكرارًا. كان نظامنا يقطع عليه الحديث في كل مرة.

يُعطّل الكلام المتعثّر الذكاء الاصطناعي الصوتي بثلاث طرق متمايزة. فعندما يكرّر الشخص صوتًا — "b-b-baconator" — يُنتج المُميِّز رموزًا مكرّرة تُشوّش منطق الطلب. وعندما تحدث لديه إعاقة نطقية، أي وقفة صامتة في منتصف كلمة، يقرأ كاشف الصوت الصمت على أنه نهاية دوره فيتوقّف عن الاستماع في منتصف الطلب. وعندما يُطيل صوتًا — "Mmmmilk" — يمتدّ الصوت اللغوي بما يكفي ليسمع النظام كلمة مختلفة تمامًا ("Silk"). لا شيء من هذا غريب. فهو يؤثّر على نحو 80 مليون شخص حول العالم ممّن يتلعثمون، إضافةً إلى أعداد أكبر بكثير ذوي لهجات قوية، أو أنماط كلام كبار السن، أو نطق غير أصلي. دُرّبت هذه الأنظمة على الإنجليزية الأمريكية القياسية الطليقة، وهي تُخفق مع كل من عداهم.

كنتُ أُدرج إمكانية الوصول تحت بند "من الجيد توفّرها، لاحقًا". كنتُ مخطئًا، والمسار التنظيمي هو ما غيّر رأيي. فقطاع الأغذية والمشروبات صار الآن ثاني أكثر القطاعات استهدافًا بدعاوى إمكانية الوصول الرقمية بموجب قانون الأمريكيين ذوي الإعاقة، إذ يمثّل نحو 21% من كل الدعاوى المرفوعة، وقد ارتفعت تلك الدعاوى بنسبة 40% في عام 2025 مقارنةً بالعام السابق. ونشرت كندا المعيار CAN-ASC-6.2:2025 في ديسمبر 2025 — أول معيار وطني في العالم للذكاء الاصطناعي القابل للوصول — الذي يشترط أداءً منصفًا بصرف النظر عن الإعاقة وخيارًا فعّالًا لرفض الذكاء الاصطناعي لصالح إنسان. وتدخل التزامات الشفافية في قانون الذكاء الاصطناعي للاتحاد الأوروبي حيّز التنفيذ في أغسطس 2026، مشترطةً إبلاغ الزبائن بأنهم يتحدّثون إلى آلة.

لم تُرفع بعد أي دعوى تتعلّق بإمكانية الوصول في الذكاء الاصطناعي الصوتي لخدمة السيارات. لكن قضية الخصوصية البيومترية ضد McDonald's — وهي دعوى جماعية تزعم أنها جمعت بصمات صوتية دون موافقة — أظهرت بالفعل أن ذكاء خدمة السيارات الاصطناعي في مرمى التقاضي تمامًا، رغم أن تلك القضية بعينها رُفضت. وحساب التكلفة قاسٍ في الاتجاه الخاطئ: فتعديل نظام مُنشَر بالفعل لإضافة إمكانية الوصول يكلّف نحو خمسة أضعاف ما يكلّفه بناؤها من البداية. تصميمُ النظام ليستوعب الكلام المتعثّر منذ اليوم الأول ليس عملًا خيريًّا. بل هو النسخة الأرخص.

هل يعمل أيٌّ من هذا فعلًا؟ نعم — حين تكون البنية صحيحة

قد يسهل أن تقرأ إلى هذا الحدّ وتستنتج أن الذكاء الاصطناعي الصوتي لخدمة السيارات فكرة سيئة. لكنه ليس كذلك. فالسلاسل التي هندست الطبقات على نحو صحيح تسجّل أرقامًا لم تبلغها قط عمليات النشر الفاشلة، والفجوة بينهما هي جوهر الموضوع كله.

يُبلّغ Hi Auto، العامل في Bojangles عبر نحو 500 موقع، عن إتمام للطلبات بنسبة 93% ودقة بنسبة 96%، مع تدفّق أكثر من 100 مليون طلب سنويًّا عبر محفظته. ويحقّق نظام SoundHound في White Castle إتمامًا للطلبات يتجاوز 90% ويزعم توفيرًا سنويًّا يقارب 58,000 دولار لكل موقع. ووجدت دراسة Intouch Insight لخدمة السيارات لعام 2025 أن المسارات المدعومة بالذكاء الاصطناعي بلغ متوسط زمن خدمتها الإجمالي 3 دقائق و53 ثانية مقابل 4 دقائق و15 ثانية إجمالًا — أي أسرع بنحو 22 ثانية لكل طلب — ودفعت 17 إلى 18 سيارة في الساعة مقابل 16 بدون ذكاء اصطناعي. وجاء الرضا في المواقع المزوّدة بالذكاء الاصطناعي عند نحو 97%، أي أعلى بعدة نقاط من المسارات التقليدية.

انظر إلى الفارق. توقّف McDonald's-IBM عند 80–85%. وHi Auto-Bojangles عند 96%. هذا ليس الفرق بين نموذج ضعيف وآخر قوي — فبحلول عام 2026 صارت النماذج الأساسية متقاربة إلى حدٍّ كبير. إنه الفرق بين إرسال صوت خام إلى نموذج وبين هندسة معالجة الإشارة، والتحقّق الحتمي، والتكامل المحيط به.

تلك الكلمة الأخيرة — التكامل — هي حيث تموت كثير من النوايا الحسنة. فنحو 75 إلى 80% من إيرادات سلسلة كبرى يأتي عبر قناة خدمة السيارات، وذلك الطلب يجب أن يصل بنظافة إلى أي نظام نقاط بيع تُشغّله السلسلة أصلًا. ويكشف كلٌّ من NCR Aloha وToast وOracle Simphony واجهات برمجية مختلفة بحدود مختلفة لكيفية بثّ المُعدِّلات وكيفية بقاء جلسات المسارات المتعددة معزولة. والقوائم ليست ثابتة أيضًا: فالعروض محدودة الوقت، وتقسيم اليوم إلى فترات، والأصناف الإقليمية تتغيّر مرتين إلى أربع مرات في الأسبوع، وأي نظام يحتاج إلى إعادة تدريب نموذج لتعلّم صنف جديد لا يمكنه مواكبة الوتيرة. نحن بدلًا من ذلك نُسنِد فهم اللغة إلى تغذية قائمة حيّة، بحيث يصبح الصنف الجديد متاحًا في دقائق، لا أيام.

الأسئلة التي يطرحها عليّ المشغّلون فعلًا

عندما أتحدّث إلى الأشخاص الذين يديرون التقنية لهذه السلاسل، تتكرّر الاعتراضات نفسها، فدعني أجيب عنها بالطريقة التي أجيب بها عنها في الغرفة.

هل ينبغي أن نختار Google أو NVIDIA فحسب ونُنهي الأمر؟ يمكنك ذلك، وقد فعله كثيرون — Wendy's يعمل على Google Cloud، وTaco Bell على بنية NVIDIA التحتية عبر Yum!، ومساعد Burger King الموجّه للموظفين "Patty" على OpenAI. والمقايضة هي الاعتماد على المنصّة. فإذا تغيّرت الواجهة البرمجية أو تحوّل التسعير، صار نشرك بأكمله مكشوفًا، وأنت تحصل على نماذج عامة الغرض بدلًا من شيء مهندَس لصوتيات مساراتك المحدّدة. وميدان البائعين مزدحم وقادر — جمعت Presto 10 ملايين دولار في يناير 2026 ووظّفت المؤسّس الأصلي لـ FreshAI؛ وSoundHound وHi Auto وConverseNow وVox AI كلها منشورة على نطاق حقيقي — لكن كل واحد منهم يسلّمك حزمته التقنية، لا خط معالجة إشارة مخصّصًا. موقفنا محايد تجاه البائعين: دقّق فيما لديك، وابنِ الطبقات المفقودة فوق أي منصّة، دون أن نحبسك في نظام واحد.

ألن تُبطئ طبقتا التحقّق وإمكانية الوصول كل شيء؟ هذا هو التوتّر الهندسي الحقيقي. فالاستجابة دون 300 ميلي ثانية هي المعيار، وكل طبقة تضيفها تكلّف زمن استجابة. فالمعالجة السحابية وحدها تضيف من 100 إلى 500 ميلي ثانية من زمن ذهاب وإياب الشبكة؛ ونقل الاستدلال إلى جهاز طرفي يقلّص ذلك إلى 5 إلى 10 ميلي ثانية لكنه يضيف من 500 إلى 1,500 دولار من العتاد لكل موقع. والمهمة هي إضافة حواجز الحماية دون خفض عدد السيارات في الساعة تحت الأساس البشري، لأنه في اللحظة التي يُبطئ فيها نظامٌ الطابور، يُسحب بصرف النظر عن مدى دقّته. ذلك التوازن مشكلة هندسية بحلّ معروف، لا سببًا لتخطّي حواجز الحماية.

هل هذا بند ميزانية حقيقي أم مشروع علمي؟ تبلغ تكلفة الذكاء الاصطناعي الصوتي لكل موقع من 200 إلى 500 دولار شهريًّا في البرمجيات، ومن 400 إلى 980 دولارًا إجمالًا مع العتاد. في مقابل ذلك، تُبلّغ السلاسل عن إيرادات شهرية إضافية تتراوح بين 3,000 و18,000 دولار لكل موقع، وعن توفير في العمالة بأرقام من أربع خانات شهريًّا. الاقتصاد ناجح. ما لا ينجح هو إنفاق تلك الميزانية على الطبقة الحوارية وتخطّي الطبقات الثلاث التي تُبقيك فعلًا بعيدًا عن الصفحة الأولى.

الدرس الحقيقي من الإخفاقات التي انتشرت

عُد إلى كل كارثة في الذكاء الاصطناعي الصوتي لخدمة السيارات تصدّرت الأخبار — الـ260 قطعة دجاج، ومثلّجات اللحم المقدّد، والـ18,000 كوب ماء، والزبون الذي يتلعثم فيُقطع عليه الاتصال — ولن تجد ولا واحدة منها سببها نموذج عجز عن فهم الإنجليزية. كل واحدة منها إخفاق في البنية: صوت لم يُنظَّف قط، وطلب لم يُختبر منطقه قط، وصوت لم يُبنَ النظام أصلًا ليسمعه.

السلاسل الفائزة في هذا لم تشترِ دماغًا أفضل. بل بنت الجسد المحيط به — الأذنان اللتان تعملان في موقف سيارات، وردود الفعل التي توقف طلبًا سخيفًا قبل أن يصل إلى المطبخ، والحصافة لمعرفة كيف يبدو الطلب الحقيقي. هذا هو العمل الذي نقوم به في Veriprajna، وهو أقل بريقًا بكثير ممّا توحي به العروض التوضيحية.

التقنية اللازمة لأخذ طلب خدمة سيارات بواسطة آلة تعمل منذ فترة الآن. وما لا يزال مفقودًا، لدى معظم السلاسل المتسابقة لنشرها، هو الجزء الذي لا يصوّره أحد لإعلان الإطلاق: الصوت المُنظَّف، والقاعدة التي تلتقط الكوب الثامن عشر ألف من الماء، والصبر لترك المتلعثم يُكمل كلمته. ابنِ تلك الأشياء، ولن يكون النموذج قط هو الجزء الصعب. تخطّها، وأنت تعرف مسبقًا كيف ينتهي الفيديو.