الأوامر تساعد، والأنظمة تتوسّع

عرفت معظم الشركات الذكاء الاصطناعي عبر مربع فارغ ومؤشر يومض. وكان ما يخرج يتوقف على ما يدخل، فتعلّم الناس كتابة الأوامر. وبرع بعضهم فيها. فطلب زملاؤهم الكلمات السحرية، ولُصقت الكلمات في المستندات والمحادثات، وولد نوع جديد من الفلكلور.

كتابة الأوامر مهمة، وتستحق أن تُجاد. لكن الشركة لا تستطيع أن تقوم على الفلكلور. إليكم ما يجعل الأمر جيدًا، وما توصي به المختبرات نفسها، ولماذا تتوقف الشركات التي تحصل على أكبر فائدة من الذكاء الاصطناعي عن الاعتماد على الأوامر الذكية.

أمر سيئ وأمر جيد

خذوا طلبًا يقدّمه كل فريق تسويق. الصيغة السيئة تقول: «اكتب منشورًا على LinkedIn عن خدمتنا الجديدة».

ليس لدى النموذج ما يعمل عليه، فيكتب المنشور المتوسط على LinkedIn عن الخدمة المتوسطة، بسؤال افتتاحي وصف من الرموز التعبيرية ودعوة إلى اتخاذ إجراء. هو ليس خاطئًا. لكنه لا يخص أحدًا.

أما الصيغة الجيدة فتقول من الذي يكتب ولمن، وما الخدمة وكم تكلّف، وما الذي ينبغي أن يفعله القارئ بعد ذلك، وما الطول المسموح للمنشور، وما الكلمات التي لا تستخدمها الشركة أبدًا. وتتضمن منشورين سابقين نجحا، موسومين كأمثلة. وتذكر السبب: المنشور موجّه إلى مسؤولي المالية المتشككين في الذكاء الاصطناعي، فينبغي أن يبدأ بحقيقة لا بوعد.

الأمر الثاني أطول بكثير، وأرجح بكثير أن ينتج مسودة يستطيع أحدهم استخدامها. والفرق ليس في الذكاء. إنه في السياق.

ما توصي به المختبرات

الأدلة الرسمية للمختبرات الكبرى الثلاثة تقول الأمر نفسه تقريبًا.

يطلب دليل Anthropic الخاص بـ Claude أن «تتخيلوا Claude موظفًا لامعًا لكنه جديد، يفتقر إلى السياق بشأن أعرافكم وسير العمل لديكم». وقاعدته الذهبية: «اعرضوا أمركم على زميل لا يعرف عن المهمة إلا القليل واطلبوا منه أن ينفّذه. فإن ارتبك هو، سيرتبك Claude أيضًا». ويبيّن الدليل كذلك لماذا تتفوق الأسباب على الأوامر الصارمة. فبدلًا من كتابة «ممنوع استخدام نقاط الحذف» بالأحرف الكبيرة، اشرحوا أن الإجابة سيقرؤها بصوت عالٍ محرك تحويل النص إلى كلام لا يستطيع نطقها. يعمّم النموذج انطلاقًا من السبب.

ويوصي دليل OpenAI بأن تعطوا النموذج السياق الذي يحتاج إليه وأمثلة على مدخلات محتملة مع المخرجات المطلوبة، ضمن نطاق متنوع. ويصف كتابة الأوامر بأنها «مزيج من الفن والعلم».

ويوصي دليل Google الخاص بـ Gemini بأن تضيفوا دائمًا بضعة أمثلة، ويحذّر من أن الأوامر الخالية منها يُرجَّح أن تكون أقل فعالية. وللمهام المعقدة يقترح أن تجعلوا كل خطوة أمرًا مستقلًا وأن تربطوها معًا في سلسلة. وهو صريح بشأن العملية: «هندسة الأوامر عملية تكرارية».

لماذا لا تتوسع الأوامر

أعيدوا قراءة تلك الأدلة ولاحظوا ما تفترضه: شخصًا يعرف أعراف الشركة، وبين يديه الأمثلة الصحيحة، ولديه وقت للتكرار والتحسين. وفي أغلب الفرق، هذا يصف قلة من الناس، في يوم جيد.

أما الجميع فينسخون أمرًا من محادثة، ويغيّرون كلمة، ويحصلون على نتيجة مختلفة. والأمر الذي نجح في الربيع يتصرف على نحو مختلف بعد تحديث النموذج. وفريقان يحتفظان بنسختين بقواعد متناقضة. ويحذّر أحد أدلة OpenAI نفسها من أن التعليمات المتناقضة أو الغامضة قد تضر نموذج الاستدلال أكثر، لأنه يبذل جهدًا في محاولة التوفيق بينها. ومثاله مساعد رعاية صحية قيل له ألا يحجز موعدًا دون موافقة مسجّلة من المريض، وأن يحجز أقرب موعد دون أن يتصل بالمريض أولًا.

ولهذا السبب تتعامل OpenAI مع الأوامر على أنها برمجيات. فدليلها يطلب من المطورين أن يحتفظوا بأوامر الإنتاج داخل شيفرة تطبيقاتهم، وأن يثبّتوا التطبيقات على لقطات محددة من النماذج، وأن يبنوا اختبارات ومجموعات تقييم تقيس سلوك الأوامر. وهذا عكس مكتبة أوامر في مستند مشترك.

والكلفة تظهر في النتائج. أفادت مبادرة NANDA في MIT في العام الماضي بأن نحو 5 بالمئة فقط من المشاريع التجريبية للذكاء الاصطناعي التي درستها حققت تسارعًا سريعًا في الإيرادات. ولخّصت Fortune السبب بأنه فجوة تعلّم: الأدوات العامة تتعثر داخل الشركات لأنها لا تتعلم من طريقة إنجاز العمل ولا تتكيّف معها.

من الأوامر إلى الأنظمة

استخلصت المختبرات النتيجة بنفسها. تتحدث Anthropic اليوم عن هندسة السياق بدلًا من هندسة الأوامر: أي انتقاء كل ما يراه النموذج، لا التعليمة وحدها، وإيجاد أصغر مجموعة ممكنة من الرموز (tokens) عالية الإشارة تجعل النتيجة الصحيحة مرجّحة. ويحذّر مهندسوها من نمطين من الإخفاق: منطق هش مكتوب صلبًا داخل الأوامر من جهة، وإرشاد مبهم لا يمنح النموذج شيئًا ملموسًا من جهة أخرى.

والجواب العملي هو المهارات. تصفها Anthropic بأنها «مجلدات منظمة من التعليمات والنصوص البرمجية والموارد» يحمّلها الوكيل حين يحتاج إليها، وتشبّه كتابة واحدة منها بـ«إعداد دليل تعريفي لموظف جديد». وفي منشور عن التصميم كتبت الشركة نفسها أن المهارات تجعل الأوامر الفعالة قابلة لإعادة الاستخدام وملائمة للسياق، فلا يضطر أحد إلى تكرار الإرشاد نفسه في كل طلب. ومنذ ديسمبر 2025 صارت الصيغة معيارًا مفتوحًا.

المهارة أمر جيد كُتب مرة واحدة، وأُعطي أسبابه وأمثلته وفحوصه، واختُبر، ووُضع حيث يستطيع كل مساعد في الشركة أن يجده. أضيفوا إليه معرفة الشركة وقواعدها وارتباطاتها بالأنظمة الحقيقية، فيكون لديكم دماغ شركة. عندها لا تعود الجودة تتوقف على من كتب.

كيف نساعد

هذا هو العمل الذي يقف وراء Twin. نكتشف كيف تعمل الشركة فعلًا، ونحسّن العملية حيث تحتاج إلى ذلك، ثم نبني دماغها: معرفة مع المصدر في كل إجابة، ومهارات لكل دور مكتوبة وفق أعراف الشركة، وتكاملات مع أنظمتها، وقواعد وصلاحيات بحسب الدور. ويعمل داخل المساعد الذي يستخدمه الفريق أصلًا، Claude أو ChatGPT أو Codex، وتتسلّم الشركة الشيفرة المصدرية.

بلا Twin يبدأ كل أمر من الصفر وتتوقف الجودة على من يسأل. ومع Twin يبدأ كل جواب من الشركة نفسها، بمعيار واحد على كل مكتب.

ونُشغّل crue بالطريقة نفسها: أكثر من 80 مهارة ودماغ لكل منتج من منتجاتنا، في Claude وChatGPT وعلى عتادنا الخاص بنموذجنا الخاص. وحين تكون البيانات شديدة الحساسية بحيث لا يجوز أن تغادر المبنى، يوجد Eigna، الذي تبنيه شريكتنا Eigna Labs: نموذج خاص مدرَّب على ملفات الشركة وقواعدها ولغتها، يعمل في سحابتها أو على خوادمها، ويُعاد تدريبه على مراحل لا تُطلق إلا حين تُظهر الاختبارات أنها أفضل.

ما الذي تستطيع الشركة فعله

واصلوا كتابة الأوامر بإتقان، وتعلموا الأساسيات من الأدلة المذكورة أعلاه. ثم اجمعوا الأوامر العشرة التي يستخدمها أفضل العاملين لديكم فعلًا، واسألوا عما يعرفه كل منها ولا يعرفه النموذج. دوّنوا ذلك مرة واحدة: السياق والأسباب والأمثلة والقواعد وفحصًا ختاميًا. وأعطوا كل واحد منها مالكًا واختبارًا، وضعوه حيث يصل إليه كل مساعد. هذه هي المهارة.

نريد للآلة أن تتولى الروتين والمسودات الأولى وعمليات البحث، وأن تؤديها أسرع وأكثر اتساقًا مما يستطيع أي منا. أما الحكم والتواصل الشخصي مع العملاء والمسؤولية عما يُرسل فتبقى لدى الناس، والنظام الجيد يمنحهم مزيدًا من الوقت لذلك بالذات.

الأمر الذكي يجعل شخصًا واحدًا أسرع. أما النظام فيجعل الشركة كلها أفضل، ويواصل العمل بعد أن يعود الشخص الذكي إلى بيته.