أين يوفر الذكاء الاصطناعي وقتك وأين يكلفك بصمت

تأتي أقوى النتائج من عمل محدد ومتكرر ومكتوب. فقد وجدت دراسة شملت 5,179 موظفا في دعم العملاء داخل شركة واحدة أن مساعدا بالذكاء الاصطناعي رفع الإنتاجية، مقيسة بعدد المشكلات المحلولة في الساعة، بنسبة 14% في المتوسط ^[1]. وبلغ المكسب 34% للعاملين المبتدئين وذوي المهارات المحدودة، مع أثر ضئيل لدى الأكثر خبرة. وإحدى القراءات أن الأداة تقلص الفجوة بين الموظفين الجدد وذوي الخبرة، وهذا مفيد لأي فريق يعاني ارتفاع معدل دوران الموظفين أو طول فترة التأهيل.

وتظهر نتيجة مشابهة في الكتابة. ففي تجربة شملت 453 محترفا يؤدون مهام كتابية، انخفض متوسط الوقت بنسبة 40% وارتفعت جودة المخرجات بنسبة 18% ^[3]. وفي تجربة مسجلة مسبقا شملت 758 مستشارا في BCG، أنجز من عملوا على مهام داخل نطاق قدرات الذكاء الاصطناعي مهاما أكثر بنسبة 12.2%، وبسرعة أكبر بنسبة 25.1% ^[2]. وأظهرت تجربة عشوائية على 95 مطورا أن من استخدموا GitHub Copilot أنجزوا مهمة برمجية أسرع بنسبة 55.8% ^[4].

اقرأ هذه الأرقام مع حدودها. دراسة الدعم تخص شركة واحدة. ونتائج الكتابة والاستشارات جاءت من مهام مضبوطة لا من ربع سنة عادي مليء بالتعقيد. ونتيجة Copilot جاءت من مهمة برمجية واحدة محددة بعينة صغيرة. كما أن النماذج المستخدمة أقدم من تلك التي تستخدمها الفرق اليوم، فالأرقام تصف اتجاها لا توقعا لما سيحدث في شركتك. ومع ذلك لا يصح إهمال هذه النتائج، فالاتجاه متسق: حيث تكون المهمة واضحة ويمكن فحص المخرجات، يستطيع الذكاء الاصطناعي المساعدة، وتكون استفادة الموظفين الأحدث هي الأكبر.

تحتوي تجربة BCG نفسها على النتيجة الأهم من ناحية المخاطر. ففي مهمة تقع خارج حدود ما يجيده الذكاء الاصطناعي، كان المستشارون الذين استخدموه أقل احتمالا بنسبة 19% لتقديم حلول صحيحة ^[2]. ويصف الباحثون ذلك بالحدود المتعرجة: قد يؤدي الذكاء الاصطناعي مهمة بإتقان ويفشل في أخرى تبدو مشابهة لها، ولا يوجد على الشاشة ما يخبر المستخدم أيهما أمامه.

وتشير نتيجة ثانية في الاتجاه نفسه. فقد أجرت METR تجربة عشوائية على 16 مطورا من ذوي الخبرة في المصادر المفتوحة، يعملون على قواعد برمجية ناضجة يعرفونها جيدا. وباستخدام أدوات الذكاء الاصطناعي استغرقوا وقتا أطول بنسبة 19%، مع أنهم اعتقدوا أن الذكاء الاصطناعي سرع عملهم بنحو 20% ^[5]. العينة صغيرة والأدوات تعود إلى أوائل 2025، فلا يصح اعتبار ذلك دليلا على أن الذكاء الاصطناعي يبطئ الخبراء في كل مكان. لكن ما تظهره أضيق وأنفع: الناس لا يقدرون جيدا الوقت الذي يوفرونه، وقد يكون أصحاب الخبرة في العمل المعقد المألوف أقل المستفيدين.

والخطر العملي للقائد خطر صامت. فالعمل الذي يبدو أسرع قد يكون أبطأ، والعمل الذي يبدو منجزا قد يكون خاطئا. وإذا كان دليلك الوحيد هو شعور فريقك تجاه الأداة، فلا دليل لديك بعد.

وعلى فرق تجربة العملاء أن تأخذ ذلك بجدية. فالرد السلس الواثق الخاطئ يكلف أكثر من رد بطيء صحيح، لأن العميل يتصرف بناء عليه. وينطبق الأمر نفسه على ملخص يعتمد عليه مسؤول تنفيذي أو رقم يدخل تقريرا. والسؤال الذي ينبغي طرحه على كل حالة استخدام ليس مقدار السرعة فقط، بل كلفة الخطأ ومن سيلاحظه.

لو كانت مكاسب المهام كبيرة وقابلة للتعميم، لظهرت في الأجور والساعات والمخرجات. وقد بحثت إحدى أوسع الدراسات عن ذلك تحديدا. فباستخدام بيانات إدارية دنماركية، وجد هوملوم وفيستيرغورد آثارا صفرية دقيقة على الدخل والساعات المسجلة، مع استبعاد أي أثر يتجاوز 2%، بعد عامين من إطلاق ChatGPT ^[6]. هذه دولة واحدة وفترة واحدة، وهي تقيس سوق العمل ككل لا سير عمل محكم الإدارة، فلا تعني أن الذكاء الاصطناعي لا يمكن أن يحقق عائدا. لكنها تعني أن نشر الأدوات على القوى العاملة لم يغير الأرقام بحد ذاته.

والتبني ليس هو العامل المقيد. فمؤشر الذكاء الاصطناعي 2026 الصادر عن ستانفورد يفيد بأن تبني المؤسسات للذكاء الاصطناعي بلغ 88%، وأن الحوادث الموثقة المرتبطة به ارتفعت إلى 362 ^[7]. أي أن الاستخدام الواسع وسجل الإخفاقات المتزايد يسيران جنبا إلى جنب.

قراءتنا، وهي قراءة لا نتيجة بحثية، أن توفير الوقت الفردي يتبدد قبل أن يصل إلى الشركة. فالدقائق التي وفرت في المسودة تنفق في مراجعتها. والخطوة الأولى الأسرع تصطدم بطابور الموافقات نفسه. وتذهب المكاسب إلى من كانوا سريعين أصلا، أو يمتصها إنتاج إضافي لم يطلبه أحد. وما لم يتغير سير العمل المحيط بالشخص، فالساعة الموفرة مجرد ساعة مختلفة قليلا.

وهناك كلفة نادرا ما تظهر في دراسات الجدوى: الوقت المخصص لمراجعة مخرجات الذكاء الاصطناعي وتصحيحها وضبطها. إنه عمل حقيقي، وغالبا ما يؤديه الأكثر خبرة، وهو أول ما تتجاهله التجارب الأولية حين تعلن الوقت الموفر.

هنا يقع نهج The Mok Company، ونصفه كممارسة لا كنتائج. ولا نذكر أرقام عملاء لأن المقصود هو الأسلوب.

أولا، ابدأ من سير العمل لا من الأداة. اختر عملية متكررة لها مالك، مثل حل طلب خدمة أو إعداد عرض أو توجيه قرار مخزون، وارصد أين يضيع الوقت وتقع إعادة العمل فعلا. واختبر الذكاء الاصطناعي في تلك الخطوة وحدها في البداية.

ثانيا، قس قبل التطبيق وبعده على العمل نفسه. اتفق مسبقا على خط الأساس: زمن الحل ومعدل إعادة العمل ومعدل الخطأ وكلفة الحالة. ولا تعتمد على الوفورات التي يذكرها الأفراد عن أنفسهم؛ فنتيجة METR توضح السبب.

ثالثا، ضع نقاط المراجعة البشرية حيث تكون الحدود غير مؤكدة. حدد ما يجوز للنظام اقتراحه وما يجوز له تنفيذه وما يعود دائما إلى شخص، بما يتناسب مع كلفة الخطأ؛ فنتيجة BCG توضح السبب. ابدأ بحدود ضيقة يمكن للناس ملاحظتها، ولا توسعها إلا حيث يدعمها الدليل.

رابعا، غير العملية المحيطة بالأداة. إذا أصبحت المهمة أسرع، فحدد ما سيحدث للوقت المتاح، وأزل خطوة الموافقة أو الانتقال بين الفرق التي ستبتلعه. هذا ما ينقل النتيجة من يوم الموظف إلى الأرقام التشغيلية.

وهذا يعني عمليا عددا صغيرا من مسارات العمل المختارة بعناية، لكل منها مالك معلوم وخط أساس وحدود قرار وإيقاع مراجعة، بدلا من طرح واسع لا يستطيع أحد تقييمه. إنه أبطأ في الإعلان وأسرع في التعلم. وإذا لم يظهر مسار عمل مكسبا مقابل خط الأساس، فنفضل إيقافه على توسيعه.

جاءت معظم الأدلة أعلاه من خارج مصر والمنطقة، ولم تصمم أي منها لقياس مؤسسات في بيئتنا. ولا ينبغي افتراض أن النسب تنتقل كما هي. فتنوع اللغات وجودة البيانات والأنظمة القديمة وثقافة الموافقات قد تغير النتيجة، وفي عمليات العملاء بالعربية تستحق الاختبار المباشر.

واتجاه السياسات واضح. فالاستراتيجية الوطنية للذكاء الاصطناعي في مصر (2025-2030) تضع أهدافا هي مساهمة بنسبة 7.7% في الناتج المحلي الإجمالي، و30,000 متخصص في الذكاء الاصطناعي، وأكثر من 250 شركة ناشئة فيه ^[8]. وهذه أهداف لا نتائج محققة، وتدل على وجهة المواهب والتمويل والاهتمام، لا على ما ستكسبه شركة بعينها.

وبالنسبة للشركات المتوسطة والكبيرة في المنطقة، يدعو ذلك إلى بداية منضبطة لا إلى بداية متأخرة. اختر مسار عمل واحدا يمكنك قياسه بأمانة، وتعرف على سلوك الذكاء الاصطناعي مع لغتك وبياناتك وعملائك، وابن نقاط المراجعة قبل أن يكبر الحجم. فالسبق لا ينفع إلا إذا استطعت أن تعرف ما إذا كان العمل ينجح.