كيف منع نظام المحاور الثلاثة الذكاء الاصطناعي من إحراج المستخدمين مع أقاربهم؟

مقدمة تحليلية

انخفضت معدلات شكاوى العملاء من مسودات الرسائل التي ينشئها الذكاء الاصطناعي في أداة Recon من 7% إلى أقل من 1% فور التخلي عن نموذج التصنيف أحادي البعد. القصة بدأت ببلاغ غريب من عميل يسأل: 'لماذا يحاول الذكاء الاصطناعي بيع منتجات SaaS لعمّتي؟'. هذا السؤال البسيط كشف عن فجوة عميقة في كيفية فهم النماذج اللغوية الكبيرة LLMs للسياق الاجتماعي المعقد، حيث فشلت الأداة في التمييز بين المهنة (صاحبة متجر زهور) والعلاقة (العمة)، مما أدى لصياغة عرض بيع احترافي موجه لأحد أفراد العائلة، مما جعل العمة تعتقد أن حساب ابن أخيها قد تعرض للاختراق. تكمن المشكلة الأساسية في أن الاعتماد على تصنيف واحد مثل 'قطاع العميل' (Segment) يؤدي بالضرورة إلى خلط الحقائق المهنية بالنوايا الشخصية. عندما قرأ الذكاء الاصطناعي السيرة الذاتية للعمة على فيسبوك ولينكد إن، وجد أنها تدير عملاً تجارياً، فصنفها تلقائياً كـ 'صاحبة عمل' (Business Owner)، متجاهلاً تماماً الرابط العائلي الذي يفرض بروتوكولاً مختلفاً تماماً في التواصل. هذا الخطأ التقني ليس مجرد خلل في البرمجة، بل هو انعكاس لعدم قدرة الذكاء الاصطناعي على استنتاج 'العلاقة' من البيانات العامة وحدها.

التحليل التقني

اعتمد الإصدار الأول من الأداة على حقل تصنيف واحد يسمى segment، حيث يتم تعيين قيم مثل family أو friend أو biz_owner. كانت المشكلة تقنياً هي أن خطوة 'تقييم الملاءمة' (Fit-assessment) في نموذج LLM كانت تستخرج البيانات من ملفات التواصل الاجتماعي وتحدث هذا الحقل. إذا كانت البيانات تشير إلى نشاط تجاري، يتم تجاوز تصنيف 'العائلة' لصالح 'صاحب العمل' لضمان تخصيص الرسالة، وهو ما أدى للكارثة الاجتماعية. لحل هذه المعضلة، تم الانتقال إلى هيكل بيانات ثلاثي المحاور مستلهم من المنطق العلائقي:

• المحور الأول: العلاقة (Relationship): يحدد من هو الطرف الآخر بالنسبة للمستخدم (عائلة، صديق مقرب، زميل عمل سابق). هذا الحقل 'مقدس' ولا يمكن للذكاء الاصطناعي تخمينه؛ بل يجب أن يحدده المستخدم البشري حصراً.
• المحور الثاني: النهج (Approach): يحدد زاوية العرض التسويقي (بيع مباشر، شراكة، متابعة). يمكن للذكاء الاصطناعي اقتراح هذه القيمة بناءً على الملف الشخصي، لكنها تظل منفصلة عن طبيعة العلاقة.
• المحور الثالث: الهدف (Goal): يحدد 'ضغط البيع' المطلوب (بناء علاقة طويلة الأمد، صلح اجتماعي، إغلاق صفقة فورية). هذا المحور يتحكم في نبرة الصوت Tone بشكل مستقل عن نوع العرض.

القاعدة البرمجية الصارمة التي تم إدخالها هي: إذا كانت قيمة 'العلاقة' تساوي family أو close_friend، يتم إلغاء تأثير محور 'النهج' تلقائياً وتحويل نبرة الرسالة إلى 'لا بيع' (No-pitch tone)، بغض النظر عن مدى جودة العرض التجاري المحتمل.

السياق وتأثير السوق

في سوق أدوات التسويق عبر الذكاء الاصطناعي التي تعتمد على Chrome Extensions وScraping، يقع المطورون غالباً في فخ 'التبسيط المخل'. يعتقد الكثيرون أن تزويد النموذج اللغوي ببيانات الملف الشخصي كافٍ لإنتاج رسالة 'شخصية'. لكن الواقع أثبت أن الشخصنة (Personalization) لا تعني فقط ذكر اسم الشخص أو مهنته، بل تعني احترام حدود العلاقة الاجتماعية. الأدوات المنافسة التي تعتمد على تصنيف أحادي لا تزال تعاني من معدلات رفض عالية أو 'ردود فعل عكسية' من المتلقين. التحول نحو تصنيف متعدد المحاور يمنح المستخدمين (وخاصة العاملين في التسويق الشبكي MLM أو مبيعات B2B) سيطرة دقيقة على 'خوارزمية الحرج'. البيانات الواردة بعد شهرين من تطبيق هذا التحديث تظهر أن الإجراء الأكثر شيوعاً للمستخدمين هو تغيير حقل 'الهدف' يدوياً من 'إغلاق البيع' إلى 'بناء علاقة'، مما يشير إلى أن المستخدمين أصبحوا يستخدمون الأداة كأداة مساعدة للذكاء الاجتماعي وليس مجرد آلة لإرسال الرسائل.

رؤية Glitch4Techs

الدرس الأهم من تجربة Dev.to هو أن الذكاء الاصطناعي يفتقر إلى ما يسمى في علم النفس بـ 'نظرية العقل' (Theory of Mind)؛ فهو لا يدرك كيف سيشعر المتلقي تجاه الرسالة بناءً على تاريخهما المشترك. بناء مخططات البيانات (Schemas) التي تفصل بين الحقائق (ماذا يفعل الشخص) والنوايا (ماذا نريد منه) هو السبيل الوحيد لبناء وكلاء ذكاء اصطناعي AI Agents يمكن الوثوق بهم في البيئات الحساسة اجتماعيًا. نتوقع أن تصبح نماذج التصنيف متعددة الأبعاد معياراً في واجهات برمجة التطبيقات للمبيعات الذكية. التوصية التقنية هنا هي: لا تسمح أبداً للذكاء الاصطناعي باستنتاج العلاقات الشخصية الحميمة من البيانات العامة. اجعل 'العلاقة' دائماً مدخلاً بشرياً، واجعلها المحرك الأساسي الذي يمتلك حق 'النقض' (Veto) على كافة مخرجات النموذج. في المستقبل، ستكون القيمة المضافة لأدوات SaaS ليست في جودة النص المنتج، بل في قدرتها على تجنب الأخطاء التي قد تدمر السمعة الشخصية للمستخدم.