قد تصبح البيانات المملوكة الحاجز الأكثر قيمة للذكاء الاصطناعي

الذكاء الاصطناعي أصبح أسهل للشركات في الوصول إليه. يمكن ترخيص النماذج الرائدة عبر منصات السحابة، ويمكن تخصيص الأنظمة المفتوحة المصدر، وتظهر مساعدين ذكاء اصطناعي داخل برامج الأعمال الشائعة. هذه الزيادة في التوافر تخلق سؤالًا مهمًا للمستثمرين: إذا كان بإمكان المنافسين الوصول إلى نماذج مماثلة، من أين ستأتي المزايا الدائمة للذكاء الاصطناعي؟

تشير دراسة جديدة نُشرت في مجلة Research Policy¹ إلى أن الجواب قد يكمن في مدى فعالية دمج الشركات للذكاء الاصطناعي مع البيانات المملوكة، والمعرفة المؤسسية، والخبرة البشرية. الحجة المركزية هي أن الذكاء الاصطناعي لم يعد يُعامل كأداة برمجية تقليدية. بل يصبح وكيل تعلم آخر داخل المنظمة.

هذه الفروقات مهمة لأن شراء الذكاء الاصطناعي لا يجعل الشركة تلقائيًا أفضل في التعلم. لا تزال الشركات تحتاج إلى بيانات ذات صلة، وموظفين يفهمون بيئة التشغيل، وفِرق تقنية قادرة على ضبط النماذج، وعملية تحول الرؤى التي يولدها الذكاء الاصطناعي إلى إجراءات. قد تطور الشركات التي تجمع هذه القدرات مبكرًا مزايا تصبح صعوبة متزايدة في تكرارها.

الذكاء الاصطناعي يغير طريقة امتصاص الشركات للمعرفة

يستخدم الباحثون في الإدارة مصطلح القدرة الامتصاصية لوصف قدرة الشركة على التعرف على المعرفة الخارجية القيمة، وفهمها، وتطبيقها تجاريًا. تقليديًا، كان يُنظر إلى هذه العملية كنشاط بشري يدعمه البحث، والاتصال، والتدريب، والخبرة.

تُشير الورقة الجديدة إلى أن هذا الإطار لم يعد كافيًا. يمكن لأنظمة الذكاء الاصطناعي الحديثة مسح المعلومات، واكتشاف الأنماط، ودمج البيانات من مجالات غير مرتبطة، وتوليد تفسيرات أو حلول محتملة. بدلاً من مجرد تخزين المعلومات ليتاح للموظفين استرجاعها، يمكن للذكاء الاصطناعي أن يؤثر على ما تبحث عنه المنظمة وكيفية تفسيرها لما تجد.

هذا يخلق ما يطلق عليه الباحث بنية تعلم مزدوجة. يظل التعلم البشري موجهًا بالتجربة والسياق والارتباط والحكم. يعمل التعلم الآلي عبر العلاقات الإحصائية الموجودة عبر البيانات. لكل منهما نقاط قوة وضعف مختلفة، ولا يكفي أي منهما بمفرده.

هذا يدعم درسًا أوسع يتشكل عبر الاقتصاد: لا تُنشئ المعلومات قيمة حتى تتمكن المنظمة من تفسيرها وتحويلها إلى أفعال. وجدت تغطية Securities.io الأخيرة حول كيف الذكاء الاصطناعي يفتح فرصًا جديدة للأعمال الصغيرة بالمثل أن قدرة الذكاء الاصطناعي والقدرة الريادية تكملان بعضها البعض بدلاً من أن تكونا قابلة للاستبدال.

قد يصبح التراث البياني أصلًا مؤسسيًا متراكمًا

أحد أكثر المفاهيم فائدة في الورقة هو التراث البياني. يشير هذا إلى حجم وتنوع وجودة وتاريخ البيانات التي تراكمتها الشركة.

قواعد البيانات التقليدية سلبية إلى حد كبير. فهي تحتفظ بالمعلومات حتى يقوم شخص أو برنامج محدد مسبقًا باسترجاعها وتحليلها. يجعل الذكاء الاصطناعي البيانات المتراكمة أكثر نشاطًا لأن المعلومات الجديدة يمكن أن تغير طريقة تحديد النظام للأنماط وتوليد المعرفة المستقبلية.

على سبيل المثال، قد يمتلك مصنع سجلات صيانة لسنوات، وقياسات إنتاج، وتقارير عيوب، وسجلات معدات، وملاحظات فنيين. قد يشتري منافس برنامج ذكاء اصطناعي مماثل، لكنه لا يستطيع فورًا إعادة إنتاج تلك السجلات التشغيلية. يمكن لبيانات الشركة القائمة أن تساعد نماذجها على تشخيص الأعطال، وتحسين الإنتاج، وتحديد العلاقات التي لم تكن واضحة عندما أُنشئت السجلات.

يمكن أن تصبح العملية ذات تعزيز ذاتي. تساعد البيانات الأفضل نظام الذكاء الاصطناعي على تحديد أي معلومات إضافية قد تكون ذات قيمة. ثم تجمع الشركة معلومات أفضل، مما يحسن التحليل اللاحق ويوجه جمعًا إضافيًا. تصف الورقة هذا الاستثمار المتعمد في جمع البيانات، وتنقيتها، وتكاملها، وإدارتها بأنه جهد امتصاص البيانات.

الميزة الناتجة ليست مجرد امتلاك المزيد من البيانات. يمكن للبيانات غير المنظمة أو غير ذات صلة أو المتحيزة أن تضعف النظام. الحاجز يأتي من الجمع بين:

• معلومات مملوكة وذات صلة
• عمليات جمع وحوكمة موثوقة
• موظفون يفهمون سياق التشغيل
• خبرة تقنية قادرة على تعديل الذكاء الاصطناعي

يتماشى ذلك مع التحول الأوسع نحو استراتيجيات البيانات الهجينة التي تجمع بين المعلومات المملوكة للشركة ومجموعات البيانات الخارجية الأكبر. قد يصبح الوصول إلى نموذج قوي أمرًا شائعًا، لكن الوصول إلى السياق الداخلي الصحيح سيظل غير متساوٍ.

كيف يمكن للذكاء الاصطناعي الحفاظ على المعرفة المؤسسية

تُقدم الدراسة أيضًا فكرة افتراضية المعرفة. غالبًا ما يجمع الموظفون خبرة يصعب تدوينها. قد يكتشف فني متمرس مشكلة ميكانيكية من خلال اهتزاز غير عادي، بينما قد يتعرف محلل المخاطر على تطبيق مريب دون القدرة على تبسيط الحكم إلى قاعدة بسيطة.

تحافظ الشركات تقليديًا على هذه المعرفة الضمنية من خلال التدريب والإرشاد والروتين والخبرة المشتركة. هذه الأساليب قيمة لكنها مكلفة، وبطيئة في التوسع، وعرضة لتسربها بسبب دوران الموظفين.

يخلق الذكاء الاصطناعي قناة محتملة أخرى. يمكن للنماذج المدربة على القرارات والنتائج والوثائق وقراءات المستشعرات والحالات التاريخية أن تشفر أجزاء من المعرفة التجريبية إلى تمثيلات رياضية. هذا لا يعني أن النموذج يفهم حرفيًا كل ما يعرفه الموظف المتمرس. بل يعني أن المنظمة قد تكون قادرة على حفظ وإعادة نشر الأنماط المستمدة من تلك الخبرة.

يمكن أن يحول ذلك المعرفة التي كانت مرتبطة سابقًا بموظف أو فريق واحد إلى أصل مؤسسي قابل لإعادة الاستخدام. قد يتفاعل الموظفون الجدد مع نظام ذكاء اصطناعي يعكس أجزاء من اتخاذ القرار التاريخي للمنظمة، بينما يمكن للموظفين ذوي الخبرة استخدام نتائجه لتحديد الأدلة التي تم التغاضي عنها.

مع ذلك، هناك توتر استراتيجي. قد تكون المعرفة الضمنية ذات قيمة بالضبط لأن المنافسين لا يستطيعون نسخها بسهولة. يجعل افتراضية هذه المعرفة أكثر قابلية للتوسع داخليًا، لكنه يثير أيضًا مخاوف تتعلق بالأمان والحوكمة والملكية. إذا تم كشف بيانات التدريب الحساسة أو أوزان النموذج أو سير العمل، قد تنقل الشركة عن غير قصد جزءًا من ميزتها التشغيلية.

يجب أن يبقى الحكم البشري والآلي متصلين

تُسمي الورقة التنسيق الفعّال بين معرفة المجال ومعرفة الذكاء الاصطناعي بـ ‘الثنائية المعرفية’. تتطلب هذه القدرة أكثر من توظيف علماء البيانات إلى جانب المديرين ذوي الخبرة. يجب أن يكون المجموعتان قادرين على فهم بعضهما البعض وتحديه.

يحتاج خبراء المجال إلى ما يكفي من المعرفة بالذكاء الاصطناعي للتعرف على متى يكون النموذج غير موثوق، أو يعمل خارج بيئة تدريبه، أو يخلط بين الارتباط والسببية. تحتاج الفرق التقنية إلى إلمام كافٍ بالمجال لفهم أي النتائج ذات أهمية وأي قيود لا يمكن استنتاجها من البيانات وحدها.

بدون هذا الجسر، تواجه الشركات خطرين متضادين. قد يثق الموظفون في توصيات الذكاء الاصطناعي بسهولة مفرطة، مما يسمح للأخطاء أو التحيزات التاريخية بالانتشار على نطاق واسع. أو قد يرفضون النتائج المفيدة لأن منطق النظام غير مألوف أو غير قابل للشرح بشكل كافٍ.

يساعد ذلك في توضيح سبب إمكانية تحقيق مشاريع الذكاء الاصطناعي المؤسسية لنتائج مختلفة جدًا حتى عندما تستخدم المنظمات نماذج أساسية مماثلة. تعتمد الأداء على نظام التعلم المحيط. وقد حدد المنتدى الاقتصادي العالمي بالمثل البيانات الجاهزة للذكاء الاصطناعي، ومهارات الموظفين، والنماذج المناسبة، والحوكمة المسؤولة كمتطلبات مترابطة لتوسيع نطاق الذكاء الاصطناعي عبر المؤسسة.

ما وجدت الدراسة حول التعلم المدفوع بالذكاء الاصطناعي

دمج البحث مراجعة مفهومية مع 40 مقابلة أجريت عبر ثماني شركات صغيرة ومتوسطة الحجم تركز على الذكاء الاصطناعي في إيطاليا. شغل المشاركون مناصب تقنية وإدارية في مجالات الرعاية الصحية، والمالية، والمحتوى الإبداعي، وإدارة البيانات، والتنبؤ، وتحليل المخاطر.

الإطار ذو قيمة، لكن حدوده مهمة. هذه دراسة نوعية تبني نظرية بدلاً من دليل كمي يثبت أن هذه القدرات تزيد الأرباح أو عوائد المساهمين. لم يكن لدى أي من الشركات المشاركة 250 موظفًا أو أكثر، وجميعها كانت مقرها في دولة واحدة. هناك حاجة إلى مزيد من البحث لاختبار النموذج عبر مؤسسات كبيرة، وصناعات منخفضة التقنية، وبيئات اقتصادية مختلفة.

تقدم ServiceNow فرصة التعرض لتدفقات عمل الذكاء الاصطناعي المؤسسية

للمستثمرين الذين يسعون للحصول على تعرض لهذا التحول، تقدم ServiceNow مثالًا ذا صلة. تربط منصتها بيانات المؤسسة، وتدفقات العمل، والموظفين، وعوامل الذكاء الاصطناعي المستقلة بشكل متزايد. يعكس هذا التموقع بشكل وثيق حجة الورقة القائلة إن قيمة الذكاء الاصطناعي تنبع من تكامله مع عمليات المنظمة بدلاً من النموذج وحده.

قامت ServiceNow بتوسيع قدراتها في نسيج بيانات سير العمل، وبرج التحكم بالذكاء الاصطناعي، والتحليلات الذاتية. تصف الشركة أساس البيانات المؤسسية في الوقت الحقيقي كطريقة لتوفير سياق تشغيلي محكوم لأنظمة الذكاء الاصطناعي. كما قامت Securities.io بفحص الفرصة المجاورة من خلال تغطيتها لـ UiPath وسوق الأتمتة الوكيلة.

قضية الاستثمار ليست خالية من المخاطر. المنافسة في برمجيات المؤسسات شديدة، وقد تصبح ميزات الذكاء الاصطناعي سلعًا مدمجة، وقد يرفض العملاء تكلفة أو تعقيد نشر المنصات الواسعة. يجب على ServiceNow أيضًا إثبات أن منتجاتها من الذكاء الاصطناعي تولد قيمة قابلة للقياس للعملاء بدلاً من مجرد توسيع نطاق المنتجات.

مع ذلك، يوضح موقعها الفكرة الاستثمارية المركزية للورقة. مع تزايد إمكانية الوصول إلى نماذج الأساس، قد ينتقل القيمة المستدامة نحو الشركات التي تتحكم في سياق سير العمل، والوصول إلى البيانات المحكومة، والأنظمة التي تتحول من خلالها قرارات الإنسان والآلة إلى إجراءات تشغيلية.

قد يتسع الفجوة الحقيقية في الذكاء الاصطناعي مع مرور الوقت

قد لا يكون الفجوة الناشئة بين الشركات التي تستخدم الذكاء الاصطناعي وتلك التي لا تستخدمه. قد تكون بين الشركات التي تتعامل مع الذكاء الاصطناعي كأداة معزولة وتلك التي تبني نظام تعلم مؤسسي حوله.

البيانات المملوكة، والخبرة المتراكمة، وحوكمة النماذج، والتنسيق العابر للوظائف كلها تعتمد على المسار. تستغرق وقتًا لتطويرها وتحسينها من خلال الاستخدام المتكرر. قد تحصل الشركات التي تبدأ في بنائها مبكرًا على ميزة تراكمية، بينما لا يستطيع المتبنون المتأخرون إغلاق الفجوة ببساطة عن طريق شراء أحدث نموذج.

بالنسبة للمستثمرين، يغيّر هذا طريقة تقييم جاهزية الذكاء الاصطناعي. إن الإنفاق على البرمجيات والبنية التحتية الحاسوبية مهم، لكنه يكشف القليل عما إذا كانت الشركة قادرة على تحويل الذكاء الاصطناعي إلى قيمة قابلة للدفاع. الأسئلة الأكثر إيضاحًا تتعلق بالمعلومات المملوكة التي تتحكم فيها الشركة، وما إذا كانت تستطيع الحفاظ على خبرة الموظفين، ومدى قرب عمل الفرق التقنية مع المتخصصين في المجال، وما إذا كانت رؤى الذكاء الاصطناعي يمكن أن تصل إلى تدفقات العمل الفعلية.

لذلك قد تُعرّف الجيل القادم من الفائزين بالذكاء الاصطناعي أقل بما يملكه من وصول إلى الذكاء، وأكثر بمن يعرف كيف يمتصه.

المراجع:

¹ Pedota, M. (2026). العقول والآلات: إعادة التفكير في القدرة الامتصاصية في عصر الذكاء الاصطناعي. Research Policy, 55, 105600. https://doi.org/10.1016/j.respol.2026.105600