لماذا يفشل الذكاء الاصطناعي لخدمة طلبات السيارات مع 80 مليون شخص يعانون من التأتأة

المشكلة

يكرر العملاء في خدمة طلبات السيارات (drive-thru) بمطاعم ويندوز (Wendy's) طلباتهم ثلاث مرات أو أكثر لمجرد الحصول على برغر. ويتوسع النظام الصوتي FreshAI الخاص بالسلسلة — والمُشغَّل بواسطة Google Cloud — ليصل إلى 500-600 موقع بحلول نهاية عام 2025، على الرغم من وصف المستخدمين له بأنه "بطيء" و"مزعج" وغير دقيق في كثير من الأحيان. ويشير العملاء إلى أنهم يضطرون للصراخ بكلمة "موظف" (AGENT) لمجرد التحدث إلى إنسان. ويقاطع الروبوت العملاء في منتصف الجملة، ويقترح نكهات مثلجات Frosty عندما يسأل أحدهم عن الشاي، ويعاني مع الطلبات البسيطة مثل "بدون مخلل".

لكن الإخفاق الأشد يصيب فئة قد لا تخطر ببالك على الفور: الأشخاص الذين يعانون من التأتأة. تؤثر التأتأة على أكثر من 80 مليون شخص حول العالم. وبالنسبة لهم، يُوصف النظام بأنه "غير قابل للاستخدام". فعندما يتعرض شخص لتوقف صامت في منتصف الكلمة، يظن الذكاء الاصطناعي أنه انتهى من الحديث ويقاطعه. وعندما يكرر شخص صوتاً معيناً — مثل "بـ-بـ-بـ-بيكوناتور" — يعجز النظام عن ربطه بالصنف الصحيح في قائمة الطعام. وتُظهر الأبحاث أن بعض نماذج التعرف على الكلام تُرجع نتائج مشوهة لدرجة أنها تسجل درجة معنى سلبية؛ مما يعني أن الذكاء الاصطناعي لم يسئ سماع العميل فحسب، بل فقد كل فهم لما قاله.

تُعلن Wendy's عن معدل نجاح يبلغ 86% للطلبات التي تتم دون تدخل بشري. يبدو هذا الرقم قوياً حتى تدرك أن نسبة الـ 14% المتبقية تمثل معدل فشل هائلاً في قطاع تدفع فيه السرعة والدقة ولاء العملاء. إذا نشرت شركتك نظاماً يفشل مع عميل من بين كل سبعة عملاء، فهل ستعتبره جاهزاً للطرح على المستوى الوطني؟

لماذا يهم هذا عملك

هذه ليست مجرد قصة عن الوجبات السريعة؛ بل هي معاينة مسبقة لما يحدث عندما تتوسع أي شركة تتعامل مع المستهلكين في تطبيق الذكاء الاصطناعي قبل أن يكون جاهزاً. إن المخاطر المالية والقانونية والمتعلقة بالسمعة حقيقية — وتتنامى بسرعة.

إليك ما تكشفه البيانات:

• 72% من شركات S&P 500 تُصنف الآن فشل الذكاء الاصطناعي كخطر جوهري في إفصاحاتها العامة، ارتفاعاً من 12% فقط في عام 2023. مجلس إدارتك يراقب ذلك.
• 53% من المستهلكين يخشون من إساءة استخدام بياناتهم الشخصية بواسطة خدمة عملاء الذكاء الاصطناعي. وتآكل الثقة يضرب علامتك التجارية قبل أن تراه في أرقامك الفصلية.
• تعديل وتحديث نظام ذكاء اصطناعي غير ممتثل عبر مئات المواقع قد يكلف خمسة أضعاف تكلفة بنائه بشكل صحيح منذ البداية. هذا هو الفارق بين نفقات رأسمالية مخطط لها وميزانية علاجية طارئة.

كما أن الجدران التنظيمية تضيق أيضاً؛ فقانون الأمريكيين ذوي الإعاقة (ADA) يحظر بالفعل التمييز في الأماكن العامة. وتتطلب المعايير الجديدة مثل CAN-ASC-6.2:2025 — أول معيار مخصص لإمكانية الوصول لأنظمة الذكاء الاصطناعي — إشراك الأشخاص ذوي الإعاقة في تصميم واختبار وحوكمة الذكاء الاصطناعي لديك. وبدأ تطبيق قانون إمكانية الوصول الأوروبي في يونيو 2025 بفرض غرامات باهظة.

إذا كان الذكاء الاصطناعي لديك يعاقب العملاء على الكلام البطيء أو المتكرر، فإنك تواجه مخاطر إمكانية الوصول والانحياز التي تستهدفها الجهات التنظيمية على وجه التحديد. والسؤال المطروح على فريقي الشؤون القانونية والمخاطر لديك بسيط: هل يمكنك إثبات أن الذكاء الاصطناعي يعامل كل عميل على قدم المساواة، بغض النظر عن طريقة كلامه؟

ما يحدث بالفعل خلف الكواليس

المشكلة الجوهرية ليست في "عقل" الذكاء الاصطناعي — بل في "أذنيه". تعتمد معظم أنظمة الذكاء الاصطناعي لخدمة طلبات السيارات على ما تسميه الصناعة نهج "غلاف واجهة برمجة التطبيقات (API wrapper)". فكر في الأمر كربط ميكروفون بدائي بعبقري يجلس في غرفة عازلة للصوت على بعد أميال؛ العبقري ذكي، لكنه لا يسمع سوى شظايا مما قلته ممزوجة بضوضاء المحرك والرياح.

نقطة الفشل الأولى هي اكتشاف النشاط الصوتي (VAD) — النظام الذي يحدد متى بدأت في الحديث ومتى توقفت. تعمل أنظمة VAD الأساسية استناداً إلى عتبات مستوى الصوت، وقد صُممت للغرف الهادئة المزودة بميكروفونات جيدة. أما في مسار طلبات السيارات، فيمكن لمحرك ديزل أو عاصفة رياح أو إغلاق باب سيارة بقوة أن يخدعها.

عندما تتوقف لنصف ثانية لإلقاء نظرة على لوحة القائمة، يفسر النظام هذا الصمت على أنه "انتهاء من الحديث". فيلتقط جملتك غير المكتملة ويرسلها إلى السحابة لمعالجتها، فترجع النتيجة مشوهة، ويرد الروبوت بشيء لا صلة له بالموضوع. تكرر كلامك، فيحدث هذا مجدداً. وبعد ثلاث محاولات، تجد نفسك تصرخ طلباً لإنسان.

الفشل الثاني هو زمن الانتقال (Latency). إذ يجب أن تنتقل كل كلمة منطوقة من ميكروفون طلبات السيارات عبر الإنترنت العام إلى مركز بيانات ثم تعود مرة أخرى. وتستغرق رحلة الذهاب والإياب وحدها من 100 إلى 500 مللي ثانية قبل أن يبدأ الذكاء الاصطناعي في المعالجة أصلاً. والمعيار الذهبي للتفاعل الصوتي الطبيعي يقل عن 300 مللي ثانية إجمالاً. وبمجرد تجاوز 700-900 مللي ثانية، تنهار المحادثة. وعند ثانيتين، يبدو الأمر كمكالمة هاتفية رديئة يقاطع فيها المتحدثون بعضهم بعضاً.

هذه ليست مشكلات شكلية، بل هي نقاط ضعف بنيوية لا يمكن لأي قدر من هندسة الأوامر (prompt engineering) إصلاحها.

ما ينجح (وما لا ينجح)

ثلاثة أساليب شائعة تفشل في العالم الحقيقي:

• "فقط ارفع حساسية الميكروفون." هذا يلتقط مزيداً من الضوضاء إلى جانب الصوت. وبات الذكاء الاصطناعي يسمع كل هدير لمحرك ويفسره على أنه كلام، فتتفاقم المشكلة بدلاً من أن تتحسن.
• "اضبط النموذج السحابي بدقة باستخدام المزيد من البيانات." نموذج اللغة الكبير ذو الأغراض العامة لا يحتاج إلى كتابة الشعر — بل يحتاج إلى معرفة أن "Dave's Single" هو شطيرة برغر وليس عنوان ألبوم. النماذج العامة أبطأ وأقل دقة في المهام المحددة مقارنة بالنماذج المصممة خصيصاً للغرض.
• "أضف مهلة توقف مؤقت أطول." إن مهلة الانتظار الثابتة التي تنتظر ثانيتين للجميع تعني أن عملاءك الذين يتحدثون بسرعة سيظلون يحدقون في مكبر صوت صامت. فالإعدادات الموحدة للجميع تخلق احتكاكاً جديداً للأغلبية بينما بالكاد تفيد الأقلية.

ما ينجح بالفعل هو بنية معمارية ثلاثية الطبقات تعالج المشكلات في كل مرحلة:

1. معالجة الإشارات الذكية عند المصدر. بدلاً من عتبة الصوت البسيطة، تخصص نماذج VAD العصبية درجة احتمالية للصوت القادم؛ إذ يمكنها التمييز بين الصوت البشري والضوضاء العابرة للمحرك. وتستخدم تقنية النوافذ الطيفية (spectral gating) — وهي تقنية لترشيح الضوضاء — لإزالة حوالي 75% من ضوضاء الخلفية قبل أن يغادر الصوت الجهاز. كما يبدأ النظام في معالجة الصوت عند 250 مللي ثانية لكنه ينتظر حتى 600 مللي ثانية لنقطة نهاية مؤكدة، مما يقلل التأخير الملحوظ بمقدار 350-600 مللي ثانية ويمنع الانقطاعات المبكرة.

2. المعالجة المحلية على أجهزة الحافة (Edge). بدلاً من إرسال كل كلمة إلى مركز بيانات بعيد، تتم المعالجة على شرائح متخصصة في المطعم نفسه؛ مما يقلل زمن الانتقال من 100-500 مللي ثانية إلى 5-10 مللي ثانية. ويعمل نظامك حتى أثناء انقطاع الإنترنت. وتبقى بيانات صوت العملاء في الموقع، وهو أمر بالغ الأهمية من أجل سيادة البيانات والخصوصية. وتستبدل رسوم واجهة برمجة التطبيقات السحابية غير المتوقعة بتكلفة أجهزة ثابتة — مما يقلل النفقات التشغيلية بنسبة 30-40% عادةً.

3. تناوب الأدوار والتصعيد الواعي بالسياق. إذا قال العميل: "أريد بيكوناتور و..." يدرك النظام أن حرف العطف "و" يعني أن دوره في الكلام لم ينتهِ بعد، حتى لو توقف لثانية واحدة. وإذا قال العميل: "هذا كل شيء"، يستجيب النظام في أقل من 200 مللي ثانية. وبالنسبة للأشخاص الذين يعانون من التأتأة، يُدرَّب النظام على الكلام الذي يتضمن توقفات وإطالات وتكرارات؛ فلا يخلط بين الصمت في منتصف الكلمة ونهاية الجملة.

ميزة الامتثال هنا حاسمة لفرق التدقيق لديك؛ فكل قرار — سبب انتظار النظام، وسبب تصعيده لموظف بشري، وسبب تفسيره لطلب بطريقة معينة — قابل للتتبع. ويمكنك أن توضح للجهات التنظيمية بالضبط كيف تعامل الذكاء الاصطناعي لديك مع تفاعل بعينه. وتستخدم اختبارات ما قبل النشر مجموعات متنوعة من المتحدثين، كما تلتقط حواجز الحماية الفورية أي لغة محظورة أو سلوك خارج عن السيناريو. ويحدد نظام المراقبة بعد التفاعل أنماط الفشل للتحسين المستمر، بينما يسلم التصعيد التلقائي الاستفسارات ذات الاحتكاك العالي إلى البشر قبل أن يشعر العميل بالإحباط.

يجب أن يقدم نظام الذكاء الاصطناعي الصوتي لديك سجلاً قابلاً للتدقيق، لا لغزاً غامضاً.