معرفة متى تستخدم الذكاء الاصطناعي في منتج ما تعود إلى أربعة فحوص. استخدم نموذجًا عندما تكون المدخلات فوضوية أو متغيرة فعلًا، وعندما يتفوق النموذج على قاعدة أبسط في نتيجة تهم المستخدمين، وعندما تكون الأخطاء رخيصة أو سهلة الاكتشاف، وعندما تستطيع اختباره على أمثلة حقيقية. إذا كانت أي إجابة «لا»، فابدأ بقاعدة أو استعلام أو شخص.
أبرز النقاط
تبدأ قواعد التعلم الآلي (Rules of Machine Learning) من Google بالقاعدة رقم 1: لا تخَف من إطلاق منتج دون تعلم آلي (Google).
نصيحة Anthropic لتطبيقات النماذج اللغوية الكبيرة هي إيجاد أبسط حل يعمل، وهو ما «قد يعني عدم بناء أنظمة وكيلية على الإطلاق» (Anthropic, 2024).
الثقة ليست مضمونة: 46% من المطوّرين يقولون إنهم لا يثقون بدقة أدوات الذكاء الاصطناعي و33% يثقون بها، و66% يُحبَطون من إجابات شبه صحيحة لكنها ليست كذلك تمامًا (Stack Overflow, 2025).
يسرد دليل People + AI Guidebook من Google حالات لا يكون فيها الذكاء الاصطناعي أفضل غالبًا: حين تهم القابلية للتنبؤ، أو تكون الأخطاء مكلفة، أو تلزم الشفافية الكاملة (Google PAIR).
اكتب موجزًا من صفحة واحدة لميزة الذكاء الاصطناعي قبل الموجِّه (prompt): المستخدم، والأدلة، والحدود، ومسار الفشل، والتقييم، والمسؤول.
متى ينبغي أن تستخدم ميزة المنتج الذكاء الاصطناعي؟
ابدأ بمهمة المستخدم لا بالنموذج. يميل الذكاء الاصطناعي إلى المساعدة حين تتضمن المهمة نصًا حرًا أو صورًا أو سياقًا ناقصًا أو حالات كثيرة مختلفة قليلًا يفسّرها شخص اليوم يدويًا، وحين يمكن فحص المخرجات بأمان. قد تكون القاعدة الثابتة أبسط. وقد يحتاج القرار عالي العواقب إلى شخص يمسك بزمام الأمر.
يقول فريق PAIR في Google، الذي كتب دليل People + AI Guidebook، الأمر بوضوح: في حالات كثيرة يعمل الحل الأبسط بالجودة نفسها مثل نسخة الذكاء الاصطناعي، وهو أسهل في البناء والشرح وتصحيح الأخطاء والصيانة. يقترح دليله استبدال «هل يمكننا استخدام الذكاء الاصطناعي لفعل X؟» بـ«كيف يمكننا حل X؟»، ثم السؤال عمّا إذا كان الذكاء الاصطناعي يحله بطريقة فريدة.
يسرد الدليل مواقف يكون فيها الذكاء الاصطناعي على الأرجح أفضل من القواعد:
التوصية بمحتوى مختلف لمستخدمين مختلفين
التنبؤ بأحداث مستقبلية، مثل أسعار الرحلات الجوية
تخصيص يحسّن التجربة، مثل منظّم حرارة يتعلم العادات
فهم اللغة الطبيعية
التعرف على فئة عامة من الأشياء، مثل الأجسام في الصور
اكتشاف الأحداث النادرة التي تتغير بمرور الوقت، مثل الاحتيال
ويسرد الفصل نفسه المواضع التي لا يكون فيها الذكاء الاصطناعي أفضل على الأرجح: الحفاظ على القابلية للتنبؤ (يجب أن يبقى زر «إلغاء» في مكانه)، والمعلومات الثابتة أو المحدودة مثل نموذج الدفع بالبطاقة، وتقليل الأخطاء المكلفة، والشفافية الكاملة، والتحسين للسرعة وانخفاض التكلفة فوق كل شيء، والمهام التي يقول الناس إنهم لا يريدون أتمتتها.
كيف تقرر متى تستخدم الذكاء الاصطناعي في منتج؟
لتقرير متى تستخدم الذكاء الاصطناعي في منتج، مرّ على هذه الأسئلة الأربعة بالترتيب مع من يملك المشكلة: مدير منتج، أو مؤسس، أو مهندس منتج، أو الشخص الذي يوجّه وكيل برمجة يعمل بالذكاء الاصطناعي.
1. هل مشكلة المستخدم متغيرة فعلًا؟
دوّن المدخل والقرار الذي يجب أن تتخذه الميزة. انظر إلى أمثلة حقيقية من سير العمل: طلبات الدعم الأخيرة، وملاحظات المقابلات، والنماذج المُرسلة، أو غيرها من الإشارات التمثيلية.
إذا كان المدخل منظَّمًا والمطابقة ثابتة، فابدأ بخط أساس حتمي (deterministic) مثل قاعدة أو استعلام أو سير عمل عادي. وإذا كان على الناس تفسير نص حر أو صور أو سياق ناقص، فقد يساعد النموذج في التعامل مع التغيّر.
هذا اختبار وليس منعًا للذكاء الاصطناعي مع البيانات المنظَّمة. تقول القاعدة رقم 3 لدى زينكيفيتش (Zinkevich) أن تختار التعلم الآلي بدل الاستدلال المعقّد (heuristic) متى توفرت لديك بيانات، لأن الاستدلال البسيط يُشحن بسرعة أما المعقّد فيصبح غير قابل للصيانة. المقصود أن تسمّي ما يضيفه النموذج ولا يضيفه نهج أبسط.
2. هل يحسّن الذكاء الاصطناعي النتيجة مقارنةً بخيار أبسط؟
سمِّ التحسين من منظور المستخدم. قد يكون تقليل الفرز اليدوي المتكرر، أو تسهيل مراجعة مجموعة كبيرة من الأدلة، أو تمكين المستخدم من وصف مهمة بلغة طبيعية. «يستخدم الذكاء الاصطناعي» ليست نتيجة.
قارن الميزة المقترحة ببديل واقعي: سير العمل الحالي، أو نسخة قائمة على القواعد، أو شخص ينجز المهمة. دوّن المفاضلات في زمن الاستجابة والتكلفة والقابلية للتنبؤ وإمكانية الوصول والصيانة. تلاحظ Anthropic أن الأنظمة الوكيلية كثيرًا ما تقايض زمن الاستجابة والتكلفة بأداء أفضل في المهمة، وأن المهام المحددة جيدًا تخدمها عادةً مسارات العمل المتوقعة بشكل أفضل. وإذا لم تحسّن نسخة الذكاء الاصطناعي نتيجة مهمة للمستخدم، فاحتفظ بالنسخة الأبسط.
ويضيف زينكيفيتش تحذيرًا بشأن البيانات: النموذج المستعار من مشكلة أخرى والمعدَّل لمنتجك سيؤدي على الأرجح أسوأ من الاستدلالات الأساسية. وغياب البيانات يعني عادةً أنه لا نموذج بعد.
3. ماذا يحدث حين يخطئ النموذج؟
اذكر أنماط الفشل المحتملة وما يكلّفه كل منها المستخدم. ملخص مسودة يحتاج إلى تحرير يحمل مخاطرة تختلف عن نموذج يغيّر الصلاحيات أو يحسب فاتورة أو يرسل رسالة نيابةً عن أحد.
أشباه الإصابات هي الأغلى. في استطلاع Stack Overflow لعام 2025، كان أكبر إحباط مفرد، ذكره 66% من المطوّرين، هو مخرجات الذكاء الاصطناعي شبه الصحيحة، وقال 45% إن تصحيح أخطاء الكود الذي يولّده الذكاء الاصطناعي يستغرق وقتًا أطول. الإجابة الخاطئة التي تبدو صحيحة تكلّف وقت مراجعة؛ والإجابة الخاطئة الواثقة التي لا يراجعها أحد تكلّف الثقة.
اختر الضابط بما يناسب العاقبة:
أبقِ المخرجات اقتراحًا حين يستطيع شخص مراجعتها.
أظهر الأدلة أو المدخلات التي تقف خلف التوصية حيث يساعد ذلك المستخدم على الحكم.
وفّر بديلًا واضحًا أو طريقة سهلة لتصحيح النتيجة.
حوّل الحالات غير المؤكدة أو الجسيمة إلى شخص.
اجعل الإجراءات المؤتمتة قابلة للتراجع وسجّل ما فعله النظام.
تغطي إرشادات Microsoft للتفاعل بين الإنسان والذكاء الاصطناعي (Guidelines for Human-AI Interaction)، التي جرى التحقق منها في ورقة CHI 2019، كيف ينبغي أن يتصرف النظام عند الاستخدام الأول وأثناء الاستخدام المنتظم وعبر الزمن وحين يخطئ حتمًا (Microsoft Research). وفي القرارات عالية الأثر تحتاج أيضًا إلى مراجعة خاصة بالمجال؛ فقائمة تحقق عامة للذكاء الاصطناعي لا تحل محل المراجعة القانونية أو الأمنية أو مراجعة أهل الاختصاص. ويبيّن دليل قرارات الذكاء الاصطناعي المقيَّدة بحدود كيف تكتب التسليم إلى الإنسان.
4. هل يستطيع الفريق تقييمه بأمثلة تمثيلية؟
قبل الإطلاق، اجمع أمثلة تعكس المدخلات المتوقعة والحالات الحدّية المهمة والطرق التي يصوغ بها المستخدمون طلباتهم أو يجمعونها. صنّف النتيجة المتوقعة أو المعايير التي سيستخدمها المراجع. قارن سلوك الذكاء الاصطناعي بخط الأساس الأبسط على الحالات نفسها.
حدّد بوابة إطلاق قبل أن ترى النتائج: أي الأخطاء غير مقبولة، وأي المخرجات تحتاج مراجعة بشرية، وما الجودة الكافية لطرح محدود. وبعد الإطلاق، تتبّع التصحيحات واستخدام البديل وبلاغات الفشل وزمن الاستجابة والتكلفة والنتيجة التي صُممت الميزة لتحسينها.
لا يوجد عدد عالمي من الأمثلة يجعل الميزة آمنة. ينبغي أن تكون المجموعة كبيرة ومتنوعة بما يكفي للقرار المطروح، مع تدوين ثغراتها. ويتناول إطار تقييم الذكاء الاصطناعي لفرق المنتج مجموعات البيانات ومعايير التقييم والمقيِّمين خطوة بخطوة.
الذكاء الاصطناعي أم القواعد أم شخص: ماذا تختار؟
الحالة
خيار أول جيد
ما الذي يجب التحقق منه
مدخل ثابت وقاعدة معروفة قابلة للتكرار
قاعدة أو سير عمل
القاعدة تغطي حالات حقيقية ولها مسؤول واضح
توجد قاعدة لكنها تضخّمت إلى عشرات الاستثناءات
نموذج، متى توفرت لديك بيانات
يتفوق النموذج على القاعدة في الحالات المصنَّفة نفسها
مدخل فوضوي؛ يستطيع شخص مراجعة مسودة مفيدة
مساعدة الذكاء الاصطناعي
يستطيع المستخدمون تصحيحها، وتوفّر المسودة جهدًا دون إخفاء مصادرها
يستطيع النموذج تنفيذ إجراء محدود وقابل للتراجع
أتمتة مقيَّدة بحدود
النطاق والصلاحيات والبديل والتسجيل والتراجع محددة
مهمة مفتوحة متعددة الخطوات بخطوات لا يمكن التنبؤ بها
وكيل، إن كان زمن الاستجابة والتكلفة مقبولين
كل خطوة قابلة للمراقبة ويستطيع شخص إيقاف التشغيل
مشكلة المستخدم أو أدلة التقييم غير واضحة
اكتشاف (discovery) أو نموذج أولي
تعلّم من مستخدمين حقيقيين قبل الالتزام بالأتمتة في الإنتاج
هذا الجدول يؤطّر القرار؛ ولا يتخذه نيابةً عن الفريق. ينبغي أن تكون لميزة الذكاء الاصطناعي مستخدم مسمّى ومهمة حقيقية وخط أساس أبسط وطريقة لاكتشاف أنها لا تعمل.
هل يجب أن يؤتمت الذكاء الاصطناعي المهمة أم يعزّز الشخص؟
يرسم PAIR Guidebook خطًا ثانيًا لا تغطيه الأسئلة الأربعة: هل يريد الناس أصلًا أن تُنجَز المهمة نيابةً عنهم. يقترح أتمتة المهام الصعبة أو غير السارة أو التي تحتاج إلى نطاق واسع، ويُفضَّل حيث يتفق من ينجزونها اليوم على الإجابة الصحيحة. ويقترح تعزيز (augment) المهام التي يستمتع بها الناس، أو التي تمنحهم رأس مال اجتماعيًا، أو التي يختلف الناس فيها حول شكل «الصحيح».
هذا سير عمل توضيحي، وليس حالة عميل لدى Specky ولا نتيجة مُبلَّغًا عنها. لنفترض أن فريقًا من 5 أشخاص يتلقى نحو 400 ملاحظة بنص حر شهريًا عبر الدعم ومكالمات المبيعات وأداة داخل التطبيق. اليوم يقضي شخص واحد نحو 6 ساعات شهريًا في وسمها، ويريد الفريق إيجاد المواضيع المتكررة وتقرير ما يبحثه تاليًا.
طبّق الأسئلة الأربعة:
متغيّر؟ جزئيًا. نحو 70% من العناصر تذكر مجالًا معروفًا من المنتج بالاسم، ويمكن لقاعدة كلمات مفتاحية وسمه. والباقي يصف المشكلات بكلمات العميل نفسه.
أفضل من الأبسط؟ فقط للـ30% المتبقية. يستطيع النموذج اقتراح مواضيع وإرفاق المقتطفات الأصلية التي تدعمها. وتبقى العدّات الدقيقة للوسوم المعروفة استعلامات عادية.
كلفة الخطأ؟ منخفضة، إن راجع شخص المواضيع المقترحة قبل أن تصبح قرارات خريطة طريق وأمكنه دمجها أو إعادة تسميتها أو رفضها.
قابل للتقييم؟ نعم. يصنّف الفريق يدويًا 100 عنصر سابق ويفحص هل تحافظ مواضيع النموذج على فروق مهمة، مثل «التصدير بطيء» مقابل «التصدير ينقصه تنسيق».
والنتيجة هجين: قاعدة للـ70%، واقتراحات من الذكاء الاصطناعي للـ30%، وشخص يقرر ما يهم. ينظّم النموذج اللغة الملتبسة؛ ولا يقرر ما يبنيه الفريق. ثم يتتبع الفريق وقت المراجعة مقابل خط الأساس البالغ 6 ساعات ومدى تكرار تصحيح المراجعين لموضوع ما. وإذا بقيت التصحيحات فوق، لنقل، 1 من كل 4 بعد شهر، فإنه يعود إلى الوسم اليدوي لتلك الشريحة. ويصف قالب تجميع مقابلات العملاء خطوة المراجعة بتفصيل أكبر.
موجز ميزة الذكاء الاصطناعي القابل للنسخ
استخدم هذا الموجز القصير قبل كتابة موجِّه أو تسليم العمل إلى وكيل برمجة يعمل بالذكاء الاصطناعي:
المستخدم والمهمة: من يحاول فعل ماذا؟
الأدلة: أي الأمثلة الحقيقية تُظهر أن هذه المشكلة تحدث؟
مهمة الذكاء الاصطناعي: ما المدخل الذي يتلقاه النموذج، وما المخرج الذي يُسمح له بإعادته؟
لماذا الذكاء الاصطناعي: ما الذي يحسّنه النموذج مقارنةً بأبسط خط أساس مفيد؟
الحدود: ما الذي يجب ألا يقرره النموذج أو يفعله أبدًا؟
مسار الفشل: كيف سيلاحظ المستخدم نتيجة خاطئة أو يصححها أو يتعافى منها؟
التقييم: أي الأمثلة والحالات الحدّية سيستخدمها المراجعون؟
بوابة الإطلاق: ما الذي يجب أن يتحقق قبل الطرح، وما الذي يستوجب التوقف؟
مقياس النجاح: أي نتيجة للمستخدم ينبغي أن تتحسن، وأي المفاضلات ستُتتبَّع؟
المسؤول: من يراجع الميزة بعد إطلاقها؟
وللذين يبنون بأدوات البرمجة بالذكاء الاصطناعي: أبقِ مشكلة المستخدم والسلوك منفصلين عن خيارات التنفيذ. فمثلًا يحمل Spec Kit من GitHub مواصفة الميزة عبر التخطيط والتنفيذ، ويتضمن عملية لتقرير ما إذا كانت الفكرة تستحق الاستثمار أصلًا (GitHub Spec Kit). المواصفة تجعل النية أسهل في المراجعة؛ لكنها لا تثبت صحة الكود المولَّد أو مخرجات النموذج. ويغطي دليل PRD بقية الوثيقة.
أخطاء شائعة عند اتخاذ قرار استخدام الذكاء الاصطناعي
البدء من التقنية. ذكرت مقابلات RAND مع 65 ممارسًا للذكاء الاصطناعي أن التركيز على أحدث تقنية بدل مشكلات المستخدمين الحقيقية أحد خمسة أسباب جذرية لفشل مشاريع الذكاء الاصطناعي (RAND, 2024). ويتناول تحليلنا لـلماذا رقم 95% عن تجارب الذكاء الاصطناعي التجريبية مضلِّل بقية الأمر.
تخطي خط الأساس. إذا لم يقس أحد زمن العملية اليدوية، فلا يستطيع أحد القول إن نسخة الذكاء الاصطناعي أفضل.
معاملة الأمثلة الاصطناعية كدليل. حالات الاختبار المولَّدة توسّع التغطية؛ لكنها لا تُظهر أن المستخدمين الحقيقيين سيستفيدون.
إخفاء عدم اليقين. إجابة واثقة بلا مصادر تعلّم المستخدمين إما الإفراط في الثقة أو تجاهل الميزة.
غياب خطة الخروج. تحتاج كل ميزة ذكاء اصطناعي إلى مسؤول مسمّى وشرط يُعاد بموجبه الأمر إلى النسخة الأبسط.
حتى الاختبار الجيد له حدود. بعض الميزات تبدو هامشية في التجربة ولا تصبح ذات قيمة إلا حين يبني الاستخدام البيانات التي يحتاجها النموذج، وهو النمط الذي تصفه القاعدة رقم 3 لدى زينكيفيتش. دوّن ذلك كسبب لإعادة النظر لاحقًا، لا كسبب للإطلاق الآن.
كيف تدير مخاطر ميزة الذكاء الاصطناعي بعد الإطلاق؟
لا ينتهي قرار استخدام الذكاء الاصطناعي حين تجتاز الميزة تقييم ما قبل الإطلاق. فالمدخلات وسلوك المستخدمين والنماذج وسير العمل المحيط كلها تتغير. أسنِد إلى شخص مسؤولية مراجعة الجودة والأخطاء بعد الإطلاق، وأعد النظر في خط الأساس الأبسط حين تتغير الميزة أو حين لا تعود الأدلة تدعم قيمتها.
يساعد إطار NIST لإدارة مخاطر الذكاء الاصطناعي (AI Risk Management Framework)، الذي صدر في 26 يناير 2023 ويُقصد به الاستخدام الطوعي، الفرق على تنظيم أسئلة الجدارة بالثقة عبر التصميم والتطوير والاستخدام والتقييم (NIST). وأضافت NIST ملفًا خاصًا بالذكاء الاصطناعي التوليدي، NIST-AI-600-1، في 26 يوليو 2024. ولا يعتمد أي منهما ميزة ما ولا يحل محل التقييم الخاص بالمنتج.
أين يندرج Specky
يعتمد الموجز أعلاه على الأدلة: أمثلة حقيقية، وخط أساس، وسجل لسبب اختيار الفريق للذكاء الاصطناعي. يقرأ Specky مكالمات العملاء والملاحظات وSlack وJira والتحليلات في Product Graph ويصوغ المواصفات مع الاستشهاد بتلك الأدلة داخل النص، فيرافق سبب استخدام النموذج المواصفة. ويمكنك البدء من دونه: مولّد PRD المجاني يحوّل الموجز إلى مسودة أولى.
الأسئلة الشائعة
متى ينبغي أن تستخدم ميزة المنتج الذكاء الاصطناعي؟
القاعدة المختصرة لمعرفة متى تستخدم الذكاء الاصطناعي في منتج: استخدمه حين يكون في المهمة تغيّر حقيقي، مثل نص حر أو صور، وحين يتفوق النموذج على خط أساس أبسط في نتيجة للمستخدم، وحين تكون الأخطاء رخيصة أو قابلة للمراجعة، وحين تستطيع اختباره على أمثلة تمثيلية. واستخدم سير عمل حتميًا حين يكون المنطق ثابتًا وأسهل شرحًا أو صيانة.
متى لا ينبغي أن تستخدم الذكاء الاصطناعي في منتج؟
تجنّب الذكاء الاصطناعي حيث تكون القابلية للتنبؤ أهم شيء، أو حيث المعلومات ثابتة، أو حيث الأخطاء مكلفة جدًا، أو حيث تلزم الشفافية الكاملة، أو حيث يقول المستخدمون إنهم لا يريدون أتمتة المهمة. يسرد دليل People + AI Guidebook من Google هذه الحالات، وتوصي قواعد التعلم الآلي لديه بالإطلاق دون تعلم آلي حين تفتقر إلى البيانات.
كيف تقيّم فرق المنتج ميزة الذكاء الاصطناعي؟
استخدم أمثلة تمثيلية، وحدّد معايير المراجعة قبل الاختبار، وقارن النموذج بسير العمل الحالي أو القائم على القواعد، وافحص الحالات الحدّية المهمة. وبعد الإطلاق راقب التصحيحات والإخفاقات وزمن الاستجابة والتكلفة ونتيجة المستخدم. وأبقِ الحالات عالية المخاطر تحت المراجعة البشرية إلى أن تدعم الأدلة مزيدًا من الأتمتة.
هل ينبغي لوكيل برمجة بالذكاء الاصطناعي أن يقرر ما إذا كانت الميزة تحتاج إلى الذكاء الاصطناعي؟
لا. يستطيع وكيل البرمجة المساعدة في استكشاف الخيارات أو صياغة خطة تنفيذ، لكن على فريق المنتج أن يملك مشكلة المستخدم والأدلة وحدود المخاطر وقرار الإطلاق. أعطِ الوكيل موجزًا تكون هذه القرارات فيه قد اتُّخذت بالفعل، ليُنفّذ السلوك المتفق عليه بدل أن يخترع سلوكًا من عنده.
ماذا لو لم تتوفر بيانات حقيقية كافية بعد؟
عامل نقص الأدلة كمهمة اكتشاف (discovery). قابل المستخدمين، أو راقب سير العمل الحالي، أو أنشئ نموذجًا أوليًا للتجربة بحدود واضحة. ولا تقدّم أمثلة اصطناعية كدليل على أن الميزة ستنجح مع المستخدمين الحقيقيين. وغالبًا ما يكون الإطلاق بقاعدة بسيطة وجمع البيانات أسرع طريق إلى نموذج مفيد.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing