أيُّ ذكاء اصطناعي ينبغي أن تستخدم فعلاً؟ لقد بنيتُ ذكاءً اصطناعياً لهذا الغرض.

المشكلة

بنيتُ MemodoAI، وهو fork من LibreChat، لأمنح الشركة كلها روبوت دردشة بالذكاء الاصطناعي ووكلاء دون اشتراكات لكل مقعد. ثم جعلتُ Claude يُنتج درساً تعريفياً مدته 18 دقيقة. كلاهما ساعد. لكن أياً منهما لم يحلّ المشكلة الجوهرية التي كنتُ قد رأيتُها قبل MemodoAI بوقت طويل: معظم الناس يستخدمون أدوات الذكاء الاصطناعي لشريحة ضيّقة فقط مما تستطيع فعله. إعادة صياغة بريد إلكتروني، تلخيص، وهذا كل شيء.

الوصول ليس عنق الزجاجة. والتعليمات ليست كذلك أيضاً. ما ينقص هو الرابط بين ما تستطيع الأداة فعله والعمل المحدّد الذي يقوم به شخص بعينه كل يوم. الدرس التعليمي يغطّي الميزات. لكنه لا يخبر الـ controller أيٌّ من تلك الميزات ينطبق على إقفاله الشهري.

ماذا يفعل Sherpa

يُجري Sherpa مقابلة مع شخص واحد حول عمله: المهام المتكرّرة، الأنظمة التي يستخدمها، أين يضيّع الوقت، وما الذي يُعيد إدخاله يدوياً. ثم يقدّم من ثلاث إلى خمس توصيات. كل واحدة تسمّي قدرة محدّدة من قدرات الذكاء الاصطناعي (في MemodoAI أو Claude أو أي أداة معتمدة)، وتشرح كيفية تطبيقها على سير عمل ذلك الشخص، وتعطي تقديراً متحفّظاً للوقت المُوفَّر مع ذكر الافتراض الذي يقوم عليه. وينتهي بأن يطلب من الشخص الالتزام بتجربة واحدة.

تجري المقابلة دون تحميل كتالوج الأدوات. وهذا مقصود. فلو كان الوكيل يعرف القائمة وهو يطرح الأسئلة، لوجّهها نحو الاحتياجات التي يستطيع تلبيتها أصلاً. والعمل دون رؤية الكتالوج يُجبره على رسم خريطة العمل أولاً، ثم المطابقة مع الكتالوج في مرحلة منفصلة. وهذا يتيح له أيضاً الإبلاغ عن الفجوات: احتياجات حقيقية لا توجد خلفها أداة جيدة، وهي التي تخبرك بما ينبغي بناؤه أو شراؤه تالياً.

مستشار شخصي، على نطاق واسع

يقدّم Sherpa نوع التوجيه الذي يتطلّب عادةً مستشاراً، شخصاً يجلس مع كل موظف ويربط عمله بما هو متاح. هذا لا يتوسّع، لذلك لا تفعله معظم الشركات أبداً. لكن Sherpa برمجية، لذا يمكن لنفس المحادثة المُفصَّلة أن تجري للجميع في آن واحد، بأي عدد من المرات يحتاجونه، بما في ذلك في كل مرة تظهر فيها أداة أو قدرة جديدة.

الأوامر من الأعلى والتدريبات الجماعية للموظفين كافة لا تحقّق ذلك. الناس يتبنّون الذكاء الاصطناعي حين يُريهم أحدٌ كيف يناسب عملهم الخاص، وSherpa يستطيع فعل ذلك للجميع دفعة واحدة.

كيف بُنِيَ

Sherpa تطبيق LangGraph بثلاث عُقَد (diagnose وmatch وcommit) وكائن state ذي نوع محدّد ينقل needs profile مُهيكَلاً بينها. ويُقدَّم خلف نقطة نهاية FastAPI رفيعة متوافقة مع OpenAI، بحيث يمكن وصله لاحقاً بـ MemodoAI دون إعادة توصيل. يجري الاستدلال على open weights عبر Together AI. ويتولّى LangSmith التتبّع (tracing) والتقييمات (evals). أما التوصيات فتُجمَّع في الشيفرة من كائن JSON مُهيكَل بدلاً من أن يكتبها النموذج بحرّية، ما يُبقي صيغة المُخرَجات ثابتة والجودة قابلة للفحص.

الحالة

هو proof of concept. النطاق ضيّق عن قصد: بنك أسئلة واحد للقسم المالي، مستخدم واحد، وسجلّ التزامات محلي بدلاً من طبقة قياس على مستوى المؤسسة. الغرض من الـ POC هو اختبار ما إذا كانت التوصيات تخرج محدّدة ومفيدة فعلاً قبل بناء أي شيء حولها. القيود المعروفة وخارطة الطريق المؤجَّلة موجودة في الـ repo.

ما الذي يعالجه

يغطّي Sherpa الأجزاء من تبنّي الذكاء الاصطناعي التي تتعامل معها المؤسسات عادةً كمشكلات منفصلة:

• الاكتشاف: أين يمكن للذكاء الاصطناعي أن يساعد في دور محدّد.
• التبنّي: حمل الناس على استخدام أدوات موجودة بالفعل.
• القياس: أي الاقتراحات يجري تبنّيها عبر الشركة، كي ترى أين يؤتي الذكاء الاصطناعي ثماره فعلاً. هذا ليس مراقبةً للإنتاجية. Sherpa يعدّ الاقتراحات، لا الأشخاص. لا يتعقّب من يستخدم الذكاء الاصطناعي ومن لا يستخدمه، ولا يقيّم الأداء الفردي لأحد. لا توجد لوحة معلومات لكل شخص. وقياس التبنّي بدلاً من الأفراد هو أيضاً ما يُبقيه ضمن حدود مجلس العمل وقانون GDPR.
• التحسين الذاتي: كل محادثة تُنتج إشارة. بماذا التزم الناس، وما الذي وفّر وقتاً، وأين انحرفت التقديرات، وأي الاحتياجات لم تكن لها أداة. الـ eval harness يلتقط ذلك؛ وعند إعادة تغذيته، يضبط بنك الأسئلة والمطابقة والتقديرات. أقوم بهذا الضبط يدوياً الآن. ومع قدر كافٍ من الاستخدام الحقيقي، يمكن لوكيل مُشرِف أن يتولّاه، ويعيد مسح قدرات الأدوات الجديدة، ويعيد تغذية الاثنين معاً.

جرّبه

إنه مفتوح المصدر. أوضح صورة عن الحالة الحقيقية هي مجلد SDD/: المواصفات والمراجعات النقدية وراء البناء، وهي نفس العملية المدفوعة بالمواصفات التي كتبتُ عنها من قبل.

Repo: github.com/pablooliva/sherpa