الذكاء الاصطناعي الذي اشترته شركتك يكذب عليك على الأرجح — وإليك ما نبنيه بدلًا منه

قبل بضعة أشهر، جلستُ قبالة مديرة مشتريات في إحدى شركات التصنيع المدرجة ضمن قائمة Fortune 500. كانت قد أنفقت 2.3 مليون دولار على نظام لاختيار المورّدين مدعوم بالذكاء الاصطناعي — واحدة من تلك المنصّات البرّاقة التي وعدت بـ"إحداث ثورة في التوريد بقوة GPT". فتحت لوحة المعلومات على حاسوبها المحمول، وأدارتها نحوي، وقالت: "إنه يوصي بالمورّدين الثلاثة أنفسهم دائمًا. لدينا 4,000 مورّد في شبكتنا. ما الذي يفعله فعليًا؟"

نظرتُ إلى المخرجات. ونظرتُ إلى وثائق البنية المعمارية — ما كان موجودًا منها على قلّته. ثم قلتُ لها شيئًا لم تكن ترغب في سماعه: نظام الذكاء الاصطناعي لديها لم يكن يختار أفضل المورّدين. كان يختار المورّدين الذين يبدون أكثر شبهًا بالمورّدين الذين رآهم من قبل. لقد تعلّم النظام أن يخلط بين الألفة والجودة.

تلك المحادثة بلورت شيئًا كنتُ أدور حوله منذ عامين في Veriprajna. لدى صناعة الذكاء الاصطناعي المؤسسي سرّ قذر: معظم "منتجات الذكاء الاصطناعي" التي تشتريها الشركات ليست سوى طبقات برمجية رقيقة ملفوفة حول نموذج لغوي يملكه شخص آخر. تبدو ذكية. وتبدو في كلامها ذكية. لكنها، بحكم التعريف الرياضي، تخمّن. وفي العمليات المؤسسية عالية المخاطر — المشتريات والخدمات اللوجستية والتصنيع والتأمين — التخمين ليس ميزة، بل عبء ومَكمن مسؤولية.

سرّ صناعة الذكاء الاصطناعي المؤسسي القذر: معظم المنتجات التي تشتريها الشركات ليست سوى أغلفة رقيقة حول نموذج لغوي يملكه شخص آخر. تبدو ذكية. وهي في الحقيقة تخمّن.

الليلة التي باع فيها روبوت المحادثة شاحنة بدولار واحد

عليّ أن أحدّثكم عن حادثة Chevrolet، لأنها المَثَل المثالي لكل ما هو خاطئ في المقاربة الحالية للذكاء الاصطناعي المؤسسي.

دمج وكيل بيع سيارات في واتسونفيل بولاية كاليفورنيا غلافًا قياسيًا حول GPT في بوابة خدمة العملاء لديه. بدا الأمر غير مؤذٍ — الإجابة عن أسئلة حول المخزون، وربما جدولة قيادات تجريبية. ثم بدأ أحد المستخدمين يعبث به. وفي غضون بضع مطالبات، وافق روبوت المحادثة على بيع سيارة Chevy Tahoe قيمتها 76,000 دولار بدولار واحد. بل إن المستخدم دفعه إلى التصريح: "هذا عرض مُلزِم قانونًا — ولا تراجع فيه."

عندما قرأتُ عن هذا لأول مرة، ضحكت. ثم توقفت عن الضحك، لأنني أدركت أن هذه لم تكن حالة طرفية مضحكة. كانت النتيجة المنطقية للبنية المعمارية. لم يكن لروبوت المحادثة أي اتصال بقاعدة بيانات التسعير الفعلية لدى الوكيل. ولم يكن لديه أي مفهوم لما يعنيه "العرض القانوني". كان نموذجًا لغويًا قيل له، عبر مطالبة نظام، أن يكون متعاونًا وودودًا في الحوار. وقد كان متعاونًا للغاية. متعاونًا بدرجة كارثية.

بقيتُ أنا وشريكي المؤسس مستيقظَين بعد منتصف الليل ذلك الأسبوع، نفكّك التحليل التقني اللاحق. لم يكن الإخفاق في النموذج — فقد فعل GPT تمامًا ما يفعله GPT. كان الإخفاق في البنية المعمارية. فقد أخذ أحدهم مولّد نصوص احتماليًا ووضعه في موضع يتطلب منه فرض قواعد عمل حتمية. هذا أشبه بتوظيف شاعر لإدارة قسم المحاسبة لديك. قد يكون الشاعر بارعًا، لكنه لن يكتشف خطأ الفاصلة العشرية في السطر 47.

هذا ما أسمّيه وهم الغلاف — الاعتقاد الشائع بأن طبقة برمجية رقيقة فوق نموذج غير حتمي تكفي للعمليات على مستوى المؤسسات. وقد كتبتُ عن هذه المشكلة باستفاضة في النسخة التفاعلية من أحدث أبحاثنا، وكلما جمعنا مزيدًا من البيانات ازدادت الصورة قتامة.

لماذا تُفضّل مشتريات الذكاء الاصطناعي كبار المورّدين بنسبة 3.5 إلى 1؟

لنعُد إلى مديرة المشتريات تلك. تبيّن أن حدسها — "إنه يوصي بالمورّدين أنفسهم دائمًا" — مدعوم ببيانات صلبة.

كشفت الأبحاث أن أنظمة المشتريات المدفوعة بالذكاء الاصطناعي تُفضّل المورّدين الأكبر حجمًا والعريقين على الشركات الأصغر أو المملوكة لأقليات بفارق 3.5:1. اقرأ ذلك مرة أخرى. فمقابل كل مورّد صغير مؤهَّل يُبرزه الذكاء الاصطناعي، يوصي بثلاثة ونصف من كبار المورّدين المتمكّنين أصلًا.

الآلية خبيثة. فمعظم أنظمة المشتريات القائمة على الذكاء الاصطناعي تتدرّب على بيانات الشراء التاريخية. الشركات الكبيرة موجودة منذ وقت أطول، ولديها معاملات أكثر في مجموعة البيانات، وتنتج إشارات رقمية "أنظف" لأن لديها البنية التحتية التي تتيح ذلك. الخوارزمية لا تتعلّم مَن هو الأفضل. بل تتعلّم مَن هو الأكثر تمثيلًا. يصبح الحجم التاريخي بديلًا عن الموثوقية — وهو أشبه بالحكم على مطعم بعدد المرات التي مررتَ فيها بجانبه.

أتذكّر جدالي حول هذا مع عالِم بيانات في فريقي. كان موقفه أن التحيّز مشكلة بيانات لا مشكلة بنية معمارية. قال: "احصل على بيانات تدريب أفضل". فاعترضت: حتى مع بيانات مثالية، سيجد النموذج الارتباطي مؤشّرًا ما بديلًا عن الحجم، لأن الحجم يرتبط بعشرات السمات الأخرى. لا يمكنك إزالة التحيّز من نظام يعمل جوهريًا على الارتباط. عليك أن تغيّر السؤال الذي يطرحه النظام.

لا يمكنك إزالة التحيّز من نظام يعمل جوهريًا على الارتباط. عليك أن تغيّر السؤال الذي يطرحه النظام.

عند تلك النقطة التزمنا بالذكاء الاصطناعي السببي (Causal AI). فبدلًا من السؤال "مَن تعاقدنا معه سابقًا؟"، تسأل نماذجنا السببية البنيوية (Structural Causal Models): "هل ستُعتبر مؤشرات أداء هذا المورّد المملوك لأقلية متفوّقة إذا أزلنا رياضيًا المتغيّر المُربِك المتمثّل في الحجم التاريخي؟" إنه استدلال مضاد للواقع — يتخيّل الذكاء الاصطناعي عالَمًا تكون فيه أرضية اللعب متكافئة، ويقيّم المورّدين بناءً على ذلك العالَم.

الفارق ليس تدريجيًا. إنه الفارق بين نظام يُديم الإقصاء وآخر يكتشف بفاعلية المواهب المُغفَلة. وهو الفارق بين سلسلة توريد هشّة تعتمد على ثلاثة مورّدين عملاقين وأخرى مرِنة تستمد من منظومة متنوّعة.

ماذا يحدث حين يعجز 77% من أنظمة الذكاء الاصطناعي اللوجستية عن تفسير نفسها؟

تحيّز المشتريات أزمة واحدة. أما عجز الشفافية في الخدمات اللوجستية فأزمة أخرى، وقد تكون أخطر لأنها غير مرئية إلى أن ينكسر شيء ما.

إليك الرقم الذي يُبقيني مستيقظًا ليلًا: 23% فقط من الأنظمة اللوجستية المدعومة بالذكاء الاصطناعي توفّر قابلية تفسير ذات معنى للقرارات. هذا يعني أنه في أكثر من ثلاثة أرباع العمليات المدفوعة بالذكاء الاصطناعي — تحسين المسارات، وتوزيع المخزون، والتنبؤ بالطلب — لا يملك المسؤولون البشريون فهمًا واضحًا: لماذا قدّم النظام توصية بعينها؟

تحدثتُ مع مدير سلسلة توريد رئيسي وصف الأمر ببراعة: "لديّ استثمار في الذكاء الاصطناعي بقيمة 40 مليون دولار يعطيني إجابات لا أستطيع مساءلتها وتفسيرات لا أستطيع فهمها. حين يكون على صواب أبدو عبقريًا. وحين يخطئ، لا أستطيع حتى معرفة ما حدث."

هذا ليس مُحبِطًا فحسب — إنه مدمّر اقتصاديًا. فرداءة جودة البيانات وغياب الشفافية تجعل الشركات تخسر ما بين 15% و25% من الإيرادات من الأخطاء المنهجية في العمليات الواردة وحدها. وهو السبب الرئيسي وراء تريّث 42% من قادة الخدمات اللوجستية في تبنّي الذكاء الاصطناعي الوكيلي (agentic AI) — أي الأنظمة المستقلة القادرة على تنفيذ القرارات دون موافقة بشرية. لا يمكنك تسليم المفاتيح لوكيل مستقل إذا كنت لا تستطيع تدقيق ما يفعله.

أفكّر في الأمر هكذا: بنَت صناعة الخدمات اللوجستية أسطولًا من الشاحنات ذاتية القيادة، لكنها نسيت تركيب الزجاج الأمامي. قد تسير الشاحنات في الاتجاه الصحيح. لكنك ببساطة لا تستطيع أن ترى إلى أين تتجه.

الفخّ العشوائي — ولماذا لن تنقذك "المطالبات الأذكى"

الناس يعترضون عليّ دائمًا هنا. "أشوتوش، ألا يمكنك ببساطة هندسة مطالبات أفضل؟ إضافة مزيد من حواجز الحماية (guardrails)؟ ضبط النموذج بدقة؟"

لا. وإليك السبب.

النماذج اللغوية الكبيرة، بحكم طبيعتها الرياضية، عشوائية احتمالية — فهي تتنبأ بالرمز التالي الأرجح في تسلسل بناءً على أنماط إحصائية في بيانات تدريبها. ليس لديها مفهوم لـ"الحقيقة". ولا تستدلّ منطقيًا. إنها تنتج نصًا معقولًا إحصائيًا، وهو أمر يختلف كثيرًا عن نص صحيح.

قد يجيب نموذج لغوي كبير بشكل صحيح عن ألف استعلام حول قواعد المشتريات، ثم يهلوس ببند خصم غير موجود في الاستعلام الواحد بعد الألف. معدّل الهلوسة في المجالات عالية المخاطر يتراوح بين 1.5% و6.4%. يبدو ذلك ضئيلًا حتى تدرك أنه يعني أن نحو واحد من كل عشرين قرارًا حاسمًا قد يستند إلى معلومات مُختلَقة.

هندسة المطالبات — ممارسة صياغة تعليمات ذكية لتوجيه النموذج — أشبه بوضع لافتة على نهر تطلب منه أن يجري إلى أعلى. قد تنجح اللافتة حين يكون التيار هادئًا. لكن ما إن تتغيّر الظروف — استعلام غير معتاد، مستخدم خصم، تحوّل دقيق في السياق — حتى يذهب الماء حيث تُملي الفيزياء.

كان لدى روبوت محادثة Chevrolet حواجز حماية. كانت لديه مطالبة نظام تخبره بأن يكون متعاونًا لكن ضمن سياسات الوكيل. تجاوز مستخدم مبدع كل ذلك في أقل من خمس دقائق. لأنه على المستوى المعماري، مطالبة النظام ومطالبة المستخدم مجرد... نص. يعالجهما النموذج ككتلة واحدة. لا يوجد فصل بنيوي بين "القواعد" و"المحادثة".

هندسة المطالبات أشبه بوضع لافتة على نهر تطلب منه أن يجري إلى أعلى. تنجح حتى تفشل — وفي الذكاء الاصطناعي المؤسسي، لحظة "الفشل" قد تكلّف الملايين.

ما الذي نبنيه فعليًا بدلًا من ذلك

حين أسّستُ Veriprajna، اخترتُ الاسم عن قصد — "Veri" من اللاتينية بمعنى الحقيقة، و"Prajna" من السنسكريتية بمعنى الحكمة. لا لأنني أردتُ اسمًا تجاريًا ذكيًا، بل لأن هذين المفهومين يحدّدان البنية التقنية التي نؤمن بها: أنظمة صحيحة على نحو قابل للتحقق وحكيمة سياقيًا.

نسمّي مقاربتنا البنية العصبية-الرمزية (Neuro-Symbolic)، والفكرة الجوهرية بسيطة على نحو خادع: لا تدع النموذج اللغوي يكون صانع القرار النهائي أبدًا.

إليك كيف يعمل ذلك عمليًا. حين يقترح محرّكنا العصبي استجابة — توصية بمورّد مثلًا، أو مسارًا لوجستيًا — تمرّ تلك المخرجات عبر طبقة تحقق رمزية قبل أن تصل إلى أي شخص. تستعلم هذه الطبقة من رسم بياني معرفي (Knowledge Graph) يحتوي على مصدر الحقيقة الفعلي للمؤسسة: العقود القانونية، وقواعد بيانات التسعير، والمواصفات الهندسية، والمتطلبات التنظيمية. كل ادّعاء تطرحه الطبقة العصبية يُفحص مقابل أدلة صلبة.

إذا حاول النموذج أن يهلوس بميزة مورّد غير موجودة في رسم العقود البياني، يلتقطها المدقّق الرمزي. ليس أحيانًا. بل في كل مرة. البنية المعمارية تجعل الهلوسة مستحيلة بنيويًا بالنسبة للحقائق المؤسَّسة على مصادر — فنحن نحقّق دقة 100% في استخراج البيانات، مقارنة بـ63–95% للنماذج المستقلة مثل GPT-4.

ننفّذ أيضًا ما نسمّيه حواجز الحماية الدستورية (Constitutional Guardrails) — وهنا يصبح الأمر مثيرًا للاهتمام. تحاول الأغلفة التقليدية منع المخرجات السيئة باستخدام تعليمات نصية. أما نحن فنمنع المخرجات السيئة باستخدام فك التشفير المقيّد، حيث تُقيَّد مخرجات النموذج رياضيًا ضمن مخطط محدد أو أنطولوجيا مجال بعينه. في سياق المشتريات، الذكاء الاصطناعي حرفيًا لا يستطيع أن ينتج درجة تقييم لمورّد تنتهك دستور العدالة لدى المؤسسة. تَرفض طبقة فك التشفير أي تسلسل رموز يُدخل تحيّزًا غير مشروع. إنه ليس اقتراحًا للنموذج. إنه قيد فيزيائي على ما يمكنه قوله.

للاطلاع على التفصيل التقني الكامل لكيفية تفاعل هذه الطبقات — الرسوم البيانية المعرفية، ونماذج الذكاء الاصطناعي السببي، وفك التشفير المقيّد — راجع تحليلنا التقني المعمّق.

حيث يصبح هذا واقعيًا: المصانع والمزارع والاحتيال

أريد أن آخذك في جولة عبر ثلاثة مواضع يكون فيها الفارق بين "الذكاء الاصطناعي المُغلَّف" و"الذكاء الاصطناعي العميق" ليس أكاديميًا — بل ماديًا.

في أرضية المصنع، يواجه نظام تفتيش قائم على الذكاء الاصطناعي السحابي زمن استجابة قدره 800 ميلي ثانية. يبدو ذلك سريعًا حتى تدرك أن سير النقل المتحرك بسرعة مترين في الثانية يكون قد حمل القطعة المعيبة مسافة 1.6 متر بعد نقطة التفتيش. أما نماذجنا الأصيلة على الحافة، المنشورة مباشرة على العتاد عند خط الإنتاج، فتستجيب في 12 ميلي ثانية — أي انخفاض بنسبة 98.5%. بل إننا نشغّل نماذج صوتية على متحكمات دقيقة متخصصة تكتشف البصمة الطيفية لمحمل على وشك العطب خلال 5 ميلي ثانية، فتُطلق مفتاح إيقاف فيزيائيًا قبل أن تمزّق الآلة نفسها. أتذكّر أول مرة عرضنا فيها هذا على مدير مصنع في بيئة حية. انطلق إنذار عطل المحمل قبل أن يسجّل مستشعر الاهتزاز أي شذوذ أصلًا. حدّق في القراءة لبرهة طويلة ثم قال: "هذا ليس ذكاءً اصطناعيًا. هذه حاسّة سادسة." كانت تلك أول مرة أشعر فيها أننا عبرنا الخط من البرمجيات إلى شيء يفهم فعلًا فيزياء المشكلة.

في الزراعة، لا تستطيع الكاميرات القياسية أن ترى ما يقتل المحاصيل إلا بعد فوات الأوان. نحن نبني بنى عصبية مخصصة تعالج بيانات فرط طيفية — أكثر من 200 نطاق ضوئي يتجاوز ما تستطيع العين البشرية اكتشافه. وبنمذجة التداخل الجوّي وإزالته حسابيًا، نستطيع تحديد نقص المغذيات أو الإصابات بالآفات بفارق أيام قبل أن تصبح مرئية، بما يتيح خفضًا بنسبة 60% في تكاليف ما قبل التصوّر المرئي.

في التأمين، نستبدل تصنيف الصور العام برؤية حاسوبية جنائية: تقسيم دلالي لتحديد حدود الضرر بدقة على مستوى البكسل، وتقدير عمق أحادي العين لحساب حجم الانبعاج دون ماسح ثلاثي الأبعاد، وتحليل الانعكاس المرآوي لكشف الصور المتلاعب بها. الذكاء الاصطناعي لا يخمّن ما إذا كانت المطالبة احتيالية. بل يُريك فيزياء السبب في أن أنماط الضوء في الصورة غير متسقة.

كيف تعرف أن بنية الذكاء الاصطناعي لديك معطوبة؟

هناك سؤال يُطرح عليّ في كل إحاطة تنفيذية تقريبًا، وعادةً بمزيج من الشك والقلق الصادق: "لقد استثمرنا بالفعل ملايين في منظومة الذكاء الاصطناعي الحالية لدينا. كيف أعرف إن كانت مشكلة فعلًا؟"

إليك إجابتي الصادقة: إذا كان نظام الذكاء الاصطناعي لديك عاجزًا عن أن يخبرك لماذا اتخذ قرارًا بعينه، مع استشهادات بنقاط بيانات محددة، فهذه مشكلة. إذا لم تتحسّن أرقام تنوّع المورّدين في نظام مشترياتك منذ نشره، فهذه مشكلة. إذا طوّر فريق العمليات لديك حلولًا التفافية — جداول بيانات يحتفظون بها إلى جانب نظام الذكاء الاصطناعي "تحسبًا لأي طارئ" — فهذه مشكلة.

الحلول الالتفافية هي الدليل. لقد دخلتُ مؤسسات تجد فيها لوحة الذكاء الاصطناعي على شاشة وجدول بيانات دعم القرار "الحقيقي" على الشاشة الأخرى. لا أحد يتحدث عن ذلك علنًا. لكنه يعني أن الفريق لا يثق بالنظام، وهم محقّون في ذلك.

سؤال آخر أسمعه: "أليست هذه مجرد مسألة نضج؟ ألن تتحسّن النماذج؟" ستتحسّن في اللغة. لن تتحسّن في الحقيقة. النموذج اللغوي الأقوى مخمّن أكثر إقناعًا، لا أكثر موثوقية. البنية المعمارية هي التي يجب أن تتغيّر.

انهيار Sports Illustrated ومخاطر الخطأ في هذا الأمر

أحتفظ بلقطة شاشة على سطح مكتبي كتذكير. إنها من نوفمبر 2023، حين ضُبطت Sports Illustrated — مؤسسة إعلامية عمرها 70 عامًا — وهي تنشر مقالات بتوقيعات مزيّفة مولّدة بالذكاء الاصطناعي. أسماء مثل "Drew Ortiz"، مكتملة بصور شخصية مُختلَقة وسِيَر ذاتية مُبتكَرة. كان المحتوى آليًا وتكراريًا ومنشورًا دون أي طبقة تحقق.

النتيجة: انهيار سعر السهم بنسبة 27% في يوم واحد. سحب الترخيص. تسريحات جماعية. علامة تجارية عريقة، أُفرغت من مضمونها.

فعل النموذج اللغوي تمامًا ما تفعله النماذج اللغوية — أكمل الأنماط. السيرة الذاتية للمؤلف مكوّن محتمل إحصائيًا في مراجعة منتج، فولّد النموذج واحدة. والصورة الشخصية ترافق سيرة المؤلف، فولّد أحدهم تلك أيضًا. لم يبنِ أحد نظامًا يسأل: "هل هذا الشخص موجود؟ هل جرى التحقق من صحة هذا المحتوى؟ هل يمكننا تتبّع كل ادّعاء إلى مصدره؟"

هذه هي كلفة وهم الغلاف على نطاق واسع. ليست حادثة روبوت محادثة مضحكة. بل حدث انقراض مؤسسي.

لماذا لا يمكنك ببساطة الاستمرار في استخدام واجهة برمجة التطبيقات؟

هناك بُعد أخير في هذا لا يرغب معظم موردي الذكاء الاصطناعي في مناقشته: سيادة البيانات.

حين تعتمد مؤسستك على واجهة برمجة تطبيقات تابعة لطرف ثالث — OpenAI أو Google أو Anthropic — فأنت تستأجر ذكاءً لا تتحكم به. ليس لديك أي رؤية لبيانات تدريب النموذج. ولا تحصل على أي تحذير حين يحدّث المورّد الأوزان، وهو ما قد يغيّر سلوك نظامك بصمت (يُسمّى هذا انحراف النموذج، وهو كابوس للقطاعات الخاضعة للتنظيم). ولا ضمان لديك بأن بياناتك الخاصة — الأسرار التجارية، ومعلومات العملاء، والاستخبارات التنافسية — لا تُعالَج على بنية تحتية لا تستطيع تدقيقها.

نحن ننشر نماذج مؤسسية سيادية على البنية التحتية الخاصة بعملائنا. لا تغادر أي بيانات جدار الحماية. لا تبعيات خارجية. تحكّم كامل بدورة الحياة، بما في ذلك الضبط الدقيق المخصص على أنطولوجيات مملوكة وقيود تنظيمية.

إنه أغلى مقدّمًا من اشتراك في واجهة برمجة تطبيقات. وهو أرخص بما لا يُقاس من اختراق بيانات، أو عقوبة تنظيمية، أو اكتشاف أن سلوك ذكائك الاصطناعي تغيّر لأن مورّدًا في سان فرانسيسكو دفع تحديثًا بعد ظهر يوم ثلاثاء.

نافذة الثمانية عشر شهرًا

هنا سأكون مباشرًا، لأنني أعتقد أن الجدول الزمني مهم.

المؤسسات التي تنتقل إلى بنى ذكاء اصطناعي حتمية في عام 2026 ستحظى بنافذة تمايز تنافسي حقيقي تتراوح بين 12 و18 شهرًا. بعد ذلك، تصبح هذه المقاربة الحد الأدنى المطلوب — التوقّع الأدنى للذكاء الاصطناعي المؤسسي في القطاعات الخاضعة للتنظيم.

تحيّز المشتريات بنسبة 3.5:1 لن يصلح نفسه. ومعدّل قابلية التفسير البالغ 23% لن يتحسّن عبر مطالبات أفضل. ومشكلة الهلوسة لن تختفي مع إصدار النموذج التالي. هذه إخفاقات معمارية، وتتطلب حلولًا معمارية.

لا أقول إن على كل مؤسسة أن تبني ما بنيناه. أقول إن على كل مؤسسة أن تفهم ما اشترته فعليًا. افتح غطاء المحرّك. اسأل مورّدك: أين طبقة التحقق؟ أين الرسم البياني المعرفي؟ ماذا يحدث حين يهلوس النموذج — هل هناك قيد بنيوي، أم مجرد مطالبة تقول "من فضلك لا تهلوس"؟

إذا كانت الإجابة مطالبة، فأنت لا تملك نظام ذكاء اصطناعي. أنت تملك صندوق اقتراحات باهظ الثمن جدًا.

إذا كانت إجابة مورّد الذكاء الاصطناعي لديك عن سؤال "كيف تمنعون الهلوسة" هي مطالبة أفضل، فأنت لا تملك نظام ذكاء اصطناعي. أنت تملك صندوق اقتراحات باهظ الثمن جدًا.

عصر الذكاء الاصطناعي المؤسسي الاحتمالي ينتهي — ليس لأن النماذج غير مبهرة، بل لأن الإبهار ليس مرادفًا للموثوقية، وفي المؤسسة، الموثوقية هي الشيء الوحيد الذي يُحتسب. نحن لا نبني ذكاءً اصطناعيًا يبدو صائبًا في كلامه. نحن نبني ذكاءً اصطناعيًا هو صائب فعلًا، ويستطيع إثبات ذلك.

هذا ليس عرضًا تسويقيًا. هذا متطلب هندسي. والمؤسسات التي تدرك ذلك أولًا ستكون هي الباقية واقفة حين تتداعى الأغلفة.