منصات المعرفة المؤسسية: حتمية بيانات وكلاء الذكاء الاصطناعي

مقدمة تحليلية

في الثالث والعشرين من أغسطس 2026، كشفت VentureBeat عن حقيقة تقنية حاسمة: وكلاء الذكاء الاصطناعي المؤسسيون لا يتجاوزون موثوقية الوثائق الأكثر فوضى التي يعتمدون عليها. لقد تأسس الذكاء الاصطناعي المؤسسي بشكل كبير حول "هندسة السياق"، حيث تقوم الفرق بربط أنظمة المؤسسة، وإنشاء "أجزاء" و"تضمينات" (embeddings)، وبناء مسارات استرجاع، وتجميع السياق اللازم لتطبيقات الذكاء الاصطناعي الفردية. ورغم فعالية هذا النهج للمساعدين الرقميين والطيارين المساعدين المعزولين، إلا أنه يتعامل مع المعرفة المؤسسية كسياق خاص بالتطبيق بدلاً من أصل مؤسسي مشترك.

مع نشر المؤسسات المزيد من تطبيقات ووكلاء الذكاء الاصطناعي، ينهار هذا النموذج لثلاثة أسباب رئيسية. أولاً، تصبح المعرفة غير متسقة عبر الأنظمة المستقلة ذات المخططات وتعريفات الأعمال ودورات التحديث المختلفة، مما يؤدي إلى فهم متضارب للأعمال. ثانياً، يصبح نشر التغييرات أمراً صعباً، حيث تحتفظ كل من مسارات السياق الخاصة بها، مما يؤدي إلى عمليات على إصدارات مختلفة من المعرفة. ثالثاً، تُعاد بناء نفس "مسارات المعرفة" مراراً وتكراراً، مما ينتج عنه جهد هندسي مكرر، وتكاليف بنية تحتية غير ضرورية، ومعرفة مجزأة. هذه ليست مشكلات هندسة سياق بقدر ما هي مشكلات إدارة معرفة جوهرية.

التحليل التقني

لقد حلت منصات البيانات المؤسسية مشكلة مماثلة للبيانات المهيكلة، عبر إدارة البيانات مرة واحدة ومشاركتها بين التطبيقات. تتطلب منصة الذكاء الاصطناعي المؤسسية الآن الانضباط المعماري ذاته: منصة معرفة مؤسسية مشتركة تدير المعرفة مرة واحدة وتنشر تمثيلات قابلة لإعادة الاستخدام لكل تطبيق ذكاء اصطناعي. تعمل هذه المنصة على فصل إدارة المعرفة إلى أربع طبقات ذات مسؤوليات مميزة، مما يسمح لكل مرحلة بالتطور بشكل مستقل مع توفير أساس متسق لكل تطبيق لاحق.

تُنظّم المعرفة المؤسسية في هذه الطبقات الأربع كالتالي:

• الطبقة الأولية (Raw): تحافظ على مصادر المؤسسة الأصلية، وتشمل سجلات قواعد البيانات، وفعاليات التغيير، وملفات PDF، ووثائق Confluence، وتذاكر Jira، والتعليمات البرمجية المصدر، واستجابات API، ورسائل البريد الإلكتروني، والصور، وتدفقات الأحداث. لا يهدف هذا المستوى إلى تجهيز المعلومات لوكيل ذكاء اصطناعي، بل إلى الحفاظ على مصدر موثوق يمكن من خلاله إعادة بناء المعرفة في المراحل اللاحقة.
• الطبقة المُنقّحة (Refined): تحوّل المصادر غير المتجانسة إلى كائنات معرفة مُدارة. يُنظّم كل مصدر إلى تمثيل متسق يحافظ على هويته وبياناته الوصفية وصلاحياته وإصداراته ونسبه ومراجعه إلى المحتوى الأصلي. على سبيل المثال، تُحوّل وثيقة متطلبات منتج إلى كائن معرفة مهيكل يحتوي على معرف الوثيقة، ومعرف المنتج، والعنوان، ونظام المصدر، والمؤلف، والإصدار، والصلاحيات، والعلامات، ووقت الإنشاء، ووقت آخر تعديل.
• الطبقة المتكاملة (Integrated): تحوّل كائنات المعرفة المستقلة إلى نموذج معرفة مؤسسي موحد. تخدم هذه الطبقة غرضين: ربط المعرفة عبر الأنظمة ومجالات الأعمال، ونمذجة علاقات الأعمال التي يحتاجها الذكاء الاصطناعي للاستدلال. تُربط المعرفة باستخدام معرفات الأعمال المشتركة (مثل معرفات المنتجات أو العملاء)، أو المراجع الصريحة عبر الأنظمة (مثل روابط Jira وGit)، أو حل الكيانات القائم على الذكاء الاصطناعي عند عدم وجود علاقة مباشرة. ثم تنمذج علاقات العمل بناءً على منطق العمل مثل `implemented_by`، و`contains`، و`belongs_to`، و`affects`، و`depends_on`، مما يسمح للذكاء الاصطناعي بتتبع المعرفة عبر الهندسة والمنتج ودعم العملاء والتمويل والمجالات الأخرى.
• طبقة التقديم (Serving): تحوّل نموذج المعرفة المؤسسي إلى تمثيلات محسّنة لأعباء عمل الذكاء الاصطناعي المختلفة. تتضمن هذه التمثيلين فئتين: تمثيلات المؤسسة المشتركة (مثل SQL views، وفهارس البحث، والأجزاء، والتضمينات، ونماذج الرسوم البيانية، وAPIs)، والتمثيلات الخاصة بالوكيل (مثل سياق المنتج، سياق الإيرادات، سياق العميل، سياق التخطيط، سياق الترميز) التي تُجمّع ديناميكياً من نموذج المعرفة المتكامل لتلبية احتياجات كل وكيل. هذا النموذج يُغذي وكلاء مثل Product Agent، وRevenue Agent، وCustomer Agent.

السياق وتأثير السوق

منذ إطلاق ChatGPT 3 في أواخر عام 2022، استثمرت الصناعة جهوداً هائلة في النماذج الأساسية، وبنى RAG المعمارية، وقواعد بيانات المتجهات، والتضمينات، وMCP، وأطر العمل متعددة الوكلاء. هذه التقنيات حسّنت بشكل كبير كيفية بناء ونشر تطبيقات الذكاء الاصطناعي، وأصبح مكدس تطبيقات الذكاء الاصطناعي ينضج بسرعة. ومع ذلك، فإن الأنظمة المعرفية المؤسسية الحالية، مثل صفحات Confluence وتذاكر Jira وأنظمة البيانات الوصفية، صُممت للبشر وليس للذكاء الاصطناعي، مما يسمح للموظفين بالبحث والتفسير والربط باستخدام خبراتهم. أما الآلات، فلا يمكنها تحقيق ذلك بنفس الطريقة دون أساس بيانات مُحكم.

إن التحول النموذجي الذي أحدثته النماذج اللغوية الكبيرة يتطلب أكثر من مجرد تطبيقات ذكاء اصطناعي جديدة؛ إنه يتطلب أساس بيانات جديد يدير المعرفة المؤسسية كبنية تحتية وليست مجرد تضمين فردي. هذه المنصة المعرفية المُدارة توفر الأساس لوكلاء الذكاء الاصطناعي، وتحول أنظمة المعرفة الموجهة للبشر إلى بنية تحتية جاهزة للذكاء الاصطناعي، عبر تنظيم المعرفة المؤسسية في منصة بيانات متسقة، قابلة لإعادة الاستخدام، وخاضعة للإدارة. تختلف هذه المنصة بشكل جوهري عن منهجية "هندسة السياق" السابقة التي تتسم بالتجزئة والتكرار، وتقدم قدرات أساسية مثل إدارة دورة حياة المعرفة، والحوكمة والثقة (بما في ذلك التتبع الشامل والصلاحيات وربط استجابات الذكاء الاصطناعي بالمصادر الأصلية)، وخدمات المعرفة القابلة لإعادة الاستخدام، والتطور المستمر، مع تمكين حلقة تغذية راجعة مغلقة لتحسين المعرفة المؤسسية بشكل مستمر.

رؤية Glitch4Techs

إن الرهان على بناء المزيد من وكلاء الذكاء الاصطناعي دون معالجة الأساس المعرفي يمثل استثماراً مضللاً. لقد أصبح عنق الزجاجة التالي ليس في النموذج أو إطار عمل الوكيل، بل في الأساس البياناتي المؤسسي الكامن وراءهما. وكلاء الذكاء الاصطناعي، بطبيعتهم، لا يتجاوزون كفاءة البيانات والمعرفة التي يستهلكونها. النماذج الأفضل لا يمكنها تعويض الوثائق المجزأة، أو تعريفات الأعمال غير المتسقة، أو الأنظمة غير المتصلة، أو المعرفة المؤسسية سيئة الإدارة.

وكما هو الحال مع كل نظام يعتمد على البيانات قبله، فإن الذكاء الاصطناعي المؤسسي يتبع في النهاية نفس المبدأ: "Garbage in, garbage out". إن التركيز على بناء المزيد من الوكلاء هو إهدار للموارد ما لم يتم بناء منصة المعرفة المؤسسية المتكاملة التي تدعم *كل* وكيل، وهو ما يُعد الاستثمار الأكثر أهمية وفقاً لما أشار إليه تقرير Shuhua Xu في VentureBeat، وإلا فإن الشركات ستستمر في بناء حلول هشة وغير قابلة للتطوير على أساس هش بطبيعته.