فجوة السياق في الذكاء الاصطناعي مشكلة توسع عالمية

قضت شركات الذكاء الاصطناعي سنوات تنافسًا على حجم النموذج، ونتائج المعايير، وقدرة الاستدلال، وتكاليف الاستنتاج. هذه القياسات مهمة، لكنها لا تجيب بالكامل على سؤال تجاري أكثر: هل يمكن لنفس النموذج تقديم إجابات مفيدة عبر أسواق مختلفة جدًا؟

توفر دراسة عام 2026 في الحوسبة والتعليم المفتوح¹ حالة اختبار مفيدة. قيم الباحثون ستة نماذج لغوية كبيرة تقدم إرشادات مهنية في مجال الحوسبة عبر عشرة دول أفريقية. عرفت النماذج عمومًا ما هي المهارات التقنية المهمة، لكنها كانت أقل موثوقية بكثير في التعرف على الصناعات المحلية، واللغات، والسياسات، والمؤسسات، والبنية التحتية.

بالنسبة للمستثمرين، هذه الفجوة تتجاوز مجال التعليم. إذا كان الذكاء الاصطناعي التوليدي سيصبح طبقة برمجيات عالمية، فسيحتاج المزودون إلى أنظمة تفهم القيود المحلية وكيفية تعديل تلك الظروف للإجابة التي قد تكون صحيحة في غيرها.

ما اختبرته دراسة نماذج اللغة الكبيرة فعليًا

قارن الباحثون بين ChatGPT-4 وClaude 3.5 Sonnet وGemini 1.5 Pro وLlama 3 70B وDeepSeek‑V2 وMistral 7B. تلقى كل نموذج نفس الطلب لتوجيه المهنة للولايات التالية: مصر، جنوب أفريقيا، تونس، المغرب، نيجيريا، السنغال، كينيا، بنين، غانا، وزامبيا، ما أسفر عن 60 استجابة إجمالاً.

تضمن التقييم فحص التغطية التقنية، والوعي السياقي، والتوازن بين المهارات التقنية والمهنية، وعمق التنفيذ. كان الوعي السياقي كشفًا خاصًا. تحقق الباحثون مما إذا كانت الردود تعترف بأربعة أنواع من المعلومات المحلية: قطاع التكنولوجيا، والعوامل اللغوية أو الثقافية، والسياسة الوطنية، والمؤسسات المحلية.

عبر جميع الـ60 استجابة، توافر فقط 35.4٪ من مؤشرات السياق الممكنة. تصدرت Llama بنسبة 67.5٪، تلتها DeepSeek بنسبة 50٪. وصل Claude إلى 40٪، وChatGPT إلى 32.5٪، وGemini إلى 22.5٪، وسجل Mistral عدم وجود مؤشرات سياقية خاصة بالدول.

لا ينبغي اعتبار هذه الدراسة قائمة تصنيف للنماذج الحالية. جُمعت البيانات في أبريل 2025، وقد تطورت النماذج التي تم اختبارها منذ ذلك الحين. إسهامها الأكثر دوامًا هو إظهار مدى سهولة إغفال التقييمات للكفاءة السياقية.

الإجابات الصحيحة ليست دائمًا إجابات مفيدة

اتفق النماذج عمومًا على البرمجة، وPython، والخوارزميات، وهياكل البيانات، والذكاء الاصطناعي، وتعلم الآلة، وغيرها من المهارات الأساسية في الحوسبة. يبدو ذلك مشجعًا. ظهرت المشكلة عندما تصادمت التوصيات العامة مع الظروف المحلية.

تسلط الورقة الضوء على توصيات تشمل منصات سحابية عالمية، وشهادات دولية، وأنظمة شبكات مهنية قد تبدو معقولة من حيث المبدأ لكنها أقل إمكانية وصول أو أقل صلة في أسواق معينة. كما وجدت أن الاعتراف بالتنظيم الوطني، وبيئات العمل متعددة اللغات، وشبكات التوظيف المحلية، والنظم التقنية الخاصة بكل دولة كان محدودًا.

هذا هو الفرق بين المعرفة والفائدة العملية في السياق. قد يعرف الذكاء الاصطناعي أن الحوسبة السحابية مهمة بينما يغفل عن تكاليف الشهادات، أو قيود الاتصال، أو أصحاب العمل المحليين، أو تنظيم البيانات.

هذه المشكلة ليست حصريةً لأفريقيا. أي شركة تنشر الذكاء الاصطناعي عبر ولايات قضائية ستواجه في النهاية اختلافات في:

• اللغة، والمصطلحات، وتوقعات الثقافة؛
• التنظيم، وقواعد الخصوصية، ومعايير الصناعة؛
• البنية التحتية المتاحة وأنظمة البرمجيات؛
• المؤسسات المحلية، وأسواق العمل، وممارسات الأعمال.

لذا تصبح عملية التوطين أكثر من مجرد ترجمة. إنها تصبح جزءًا من بيئة تشغيل النموذج.

قد يصبح توطين الذكاء الاصطناعي طبقة بنية تحتية خاصة به

تتضح التداعيات الاستثمارية مع تقارب أداء النماذج المتقدمة. ويشير مؤشر الذكاء الاصطناعي لعام 2026 الصادر عن Stanford إلى أن النماذج الرائدة باتت أكثر تقاربًا في مقاييس الأداء الرئيسية، ما يزيد حدة المنافسة على صعيد التكلفة والموثوقية والأداء المتخصص في مجالات بعينها.

إذا أصبحت ذكاء النموذج الأساسي أقل تمييزًا، قد يزداد أهمية الطبقة القيمة التي تحيط بالنموذج. ويشمل ذلك مجموعات البيانات المملوكة، وأنظمة الاسترجاع، والتخصيص الدقيق، وأدوات الامتثال الإقليمية، وسير العمل المتخصص، والخبرة البشرية. وقد فحصت Securities.io مؤخرًا ديناميكية مشابهة في حجتها بأن البيانات المملوكة قد تصبح حاجزًا أكثر أهمية للذكاء الاصطناعي مع انتشار الوصول إلى النماذج القادرة.

يمكن النظر إلى السياق المحلي من خلال نفس المنظور. يوفر نموذج الأساس القادر المحرك، لكن البيانات والتكامل الإقليمي يحددان ما إذا كان سيؤدي عملًا مفيدًا. وهذا يخلق مساحة لمزودي التوطين، ومنصات السحابة الإقليمية، وبائعي البيانات، وأدوات التخصيص، وتطبيقات الذكاء الاصطناعي العمودية.

الأسواق الناشئة تكشف عن افتراضات خفية في نماذج الذكاء الاصطناعي

تُعد أفريقيا مفيدة بشكل خاص لدراسة هذه المشكلة لأنها تجمع بين اقتصادات رقمية سريعة النمو وفروقات كبيرة في البنية التحتية واللغة والسياسة والقدرات المؤسسية. وقد أعلن الاتحاد الأفريقي أن القدرة المحلية على الذكاء الاصطناعي، ومجموعات البيانات المحلية، والبنية التحتية، والحلول المحلية الصنع هي أولويات استراتيجية، مما يعكس رغبة في تشكيل أنظمة الذكاء الاصطناعي وفقًا للظروف الأفريقية بدلاً من استيرادها فقط.

هذا يخلق درسًا تجاريًا مهمًا. لا يعني نشر الذكاء الاصطناعي عالميًا بالضرورة توزيع نفس المنتج في كل مكان. قد يتطلب ذلك حوسبة محلية، وإقامة للبيانات، وشراكات إقليمية، وتكييف تنظيمي، ومنتجات مخصصة للسوق.

الجانب المادي لصناعة الذكاء الاصطناعي يتحرك بالفعل في هذا الاتجاه. يقوم مزودو السحابة والبنية التحتية للذكاء الاصطناعي بشكل متزايد ببناء القدرة القريبة من الأسواق التي ينوون خدمتها. وتوضح الاستثمارات الإقليمية في بنية تحتية للذكاء الاصطناعي الأخيرة في الشرق الأوسط كيف تقوم شركات التكنولوجيا العالمية بدمج توسيع الحوسبة مع شراكات محلية، وتطوير المهارات، واعتبارات تنظيمية.

يمكن أن ينتقل نفس المنطق صعودًا إلى طبقة البرمجيات. بمجرد أن تصبح الحوسبة إقليمية، قد تحتاج النماذج والتطبيقات إلى أن تكون إقليمية أيضًا.

النماذج المفتوحة توفر مرونة، لا ميزة تلقائية

كان أحد أكثر الاكتشافات إثارة للاهتمام هو أداء النماذج التي صنفها البحث على أنها مفتوحة المصدر. حققت Llama وDeepSeek أعلى درجتين مركبتين، بينما أظهرت Llama أقوى وعي سياقي. قد يجعل ذلك النماذج القابلة للتكيف جذابة بشكل خاص في الأسواق التي ترغب فيها الجامعات والحكومات والشركات في مزيد من التحكم في النشر والتخصيص.

مع ذلك، يعقّد Mistral الاستنتاج. فقد طابق الدرجة المركبة العامة لـChatGPT لكنه لم ينتج أي مؤشرات سياقية خاصة بالدول. الدرس ليس أن النماذج المفتوحة بطبيعتها أكثر توطينًا. لا يزال بيانات التدريب، وحجم النموذج، وما بعد التدريب، وأولويات التصميم، وتوافر البيانات المحلية عوامل مؤثرة.

يوضح إصدار Llama 4 اللاحق من Meta مدى سرعة استجابة الصناعة لمتطلبات التعدد اللغوي والتخصيص. وتقول Meta إن الجيل تم تدريبه مسبقًا على 200 لغة وزاد بشكل كبير من بيانات التدريب المتعددة اللغات مقارنةً بـLlama 3. وهذا لا يثبت أن نماذج Llama الأحدث قد حلت الفجوات السياقية التي حددتها الدراسة، لكنه يُظهر أن الوصول المتعدد اللغات والنشر القابل للتكيف أصبحا من أولويات المنتج.

لماذا قد يكون للسياق أهمية أكبر مع توسع الذكاء الاصطناعي

الفكرة الاستثمارية الأوسع هي أن سوق الذكاء الاصطناعي القابل للتعامل يتوسع فقط عندما تصبح القدرة قابلة للاستخدام. لا يزال الأداء القوي في المعايير قد يخلق احتكاكًا في الاعتماد إذا كان على المؤسسات تصحيح الافتراضات حول القوانين المحلية أو اللغة أو البنية التحتية أو سلوك العملاء باستمرار.

هذا يصبح أكثر أهمية مع انتقال أنظمة الذكاء الاصطناعي من الإجابة على الأسئلة إلى اتخاذ إجراءات. فالدردشة العامة التي تقدم نصائح غير دقيقة تُسبب إزعاجًا بسيطًا. أما الوكيل الذي يجري عمليات شراء أو يفرز المتقدمين أو يوصي بمنتجات مالية أو يدير سير عمل مؤسسي، فيمكن أن يسبب عواقب أكبر بكثير عندما يكون سياقه خاطئًا.

يمكن لذلك أن يؤثر على عدة متغيرات يهتم بها المستثمرون: اكتساب العملاء، والاحتفاظ بهم، ومخاطر التنظيم، واقتصاديات الاستدلال، واستعداد المؤسسات للدفع، وفي النهاية حجم الإيرادات العالمية التي يمكن لمزودي النماذج تحقيقها.

Meta Platforms توفر تعرضًا لنماذج الذكاء الاصطناعي القابلة للتكيف

للمستثمرين الذين يسعون إلى التعرض لهذا الاتجاه، تعد Meta Platforms (META ) ذات صلة بشكل خاص لأن الدراسة قيمت مباشرةً Llama 3 70B ووجدت أنه يمتلك أقوى أداء سياقي شامل. ومنذ ذلك الحين استمرت الشركة في الاستثمار في أجيال أحدث من Llama، وأنظمة متعددة اللغات، وبنية تحتية للذكاء الاصطناعي، ومنتجات الذكاء الاصطناعي الموزعة عبر منصاتها العالمية.

كما أن لدى Meta حافزًا مباشرًا لتحسين التوطين. تعمل منتجاتها عبر دول ولغات وأنظمة تنظيمية وبيئات ثقافية على نطاق هائل. يمكن أن يدعم تحسين الصلة الإقليمية كلًا من الذكاء الاصطناعي للمستهلكين واعتماد المطورين.

في النتائج الربع الثاني 2026، وصفت Meta الذكاء الاصطناعي بأنه يسرّع أعمالها الأساسية بينما يفتح فرصًا جديدة للمنتجات والمؤسسات. لذا فإن حالة الاستثمار أوسع من مجرد ما إذا كان Llama سيفوز بأي معيار محدد. السؤال الأكثر أهمية هو ما إذا كانت Meta قادرة على تحويل نظام نماذجها وتوزيعها العالمي إلى منتجات ذكاء اصطناعي تظل مفيدة عندما تتجاوز الحدود.

المعيار التالي للذكاء الاصطناعي قد يكون العالم الحقيقي

إعداد الدراسة لتوجيه المهن ضيق، لكن الضعف الذي تكشفه ليس كذلك. المرحلة التالية من المنافسة في مجال الذكاء الاصطناعي ستتطلب من النماذج دمج الذكاء العام مع معرفة محددة حول المستخدمين والمؤسسات والصناعات والمناطق.

مع تضييق الفجوة في أداء المعايير، قد يصبح السياق أحد المجالات التي لا يزال التمييز المعنوي ممكنًا فيها. وهذا يحوّل جزءًا من قيمة الصناعة بعيدًا عن نموذج الأساس وحده وإلى البيانات، والتوطين، والبنية التحتية، والتكامل، والنشر.

بالنسبة للمستثمرين، يقدم هذا طريقة أكثر فائدة للتفكير في تبني الذكاء الاصطناعي عالميًا. قد لا يكون الفائزون مجرد الشركات التي تبني أذكى النماذج؛ بل قد تكون الشركات التي تستطيع جعل تلك النماذج تفهم أين تُستخدم.

المراجع:

¹ إزي، ب.، لَنّ، س.، وبيرهاني، ب. (2026). تقييم نماذج اللغة الكبيرة لتوجيه المهن: تحليل مقارن لتوصيات كفاءة الحوسبة عبر عشر دول أفريقية. Computers and Education Open, 100425. https://doi.org/10.1016/j.caeo.2026.100425