استمع إلى هذا المقال
ربما استُخدم الذكاء الاصطناعي في إنتاج هذا الصوت.
اضغط مسافة أو K للتشغيل أو الإيقاف، وJ أو L للرجوع أو التقديم 15 ثانية.المصادر مراجعة بتاريخ 11 أكتوبر 2026.
ف مهمه واحده من تجربه سنة 2023 على 758 مستشار ف Boston Consulting Group، الناس الشغالين بدون AI وصلو للإجابه الصاح ف حوالي 84.5% من المرات. الاستلمو GPT-4 وصلو ليها ف حوالي 70%، والاستلمو GPT-4 مع دليل قصير لكتابة الـ prompts ف حوالي 60%. ومع ده كلو، توصياتهم المكتوبه اتقيّمت أعلى، سواء الإجابه كانت صاح ولا غلط. [1]
وف 18 مهمه تانيه، الـ model كان شاطر فيها، نفس المستشارين خلّصو 12.2% أكتر منها، وأسرع بـ 25.1%، وبجوده أعلى بأكتر من 40%. [1] ف المهمه الصعبه الـ model م رفض وم اتردد. جاوب بنفس اللغه الواثقه، ومافي حاجه ف الكلام ده بتوري القاري هو ف ياتو نوع من المهام.
ده الوضع البيعيشو أي فريق بيستخدم الأدوات دي هسه. إنتاج الإجابه بقى م بيكلّف حاجه تقريباً. بس إنك تقرر تثق فيها ولا لا، وشنو الفاتها، وشنو البيحصل بعد م تشتغل بيها، ده لسه غالي، والجزء ده واقع عليك إنت. مسح عملو باحثين من Microsoft وCarnegie Mellon لـ 319 زول من الـ knowledge workers قالها بوضوح: الـ generative AI "بيحوّل التفكير النقدي ناحية التحقق من المعلومه، ودمج الإجابات، والإشراف على المهمه" (ترجمتي). [2]
والأدوات للشغل ده قديمه. ف 1943، عالم النفس Kenneth Craik قال انو العقل البيشيل "نموذج صغير" (small-scale model) للواقع الحوله بيقدر "يجرّب بدائل مختلفه" قبل م يتحرك. [3] وبعد خمسين سنه، Charlie Munger قال لطلاب كلية أعمال: "لازم يكون عندك models ف راسك"، وأكتر من واحد أو اتنين، لأنك لو عندك قليلين "حتلوي الواقع لحدي م يناسب الـ models بتاعتك" (ترجمتي). [4]
ديل خمسه تستاهل تخليهم قريبين منك لمّن الآله تكون جاهزه بإجابه. مافي واحد فيهم جديد. وكل واحد فيهم قيمتو هسه أكبر من زمن م كانت الإجابات نادره.
1. الخريطه م هي الأرض
جملة Alfred Korzybski، الخريطه م هي الأرض (the map is not the territory)، بتفكّرك انو أي وصف بيسيب حاجه برّه. درجة الـ benchmark خريطه للـ model. وترتيبو ف الـ leaderboard خريطه، والـ demo خريطه، وحتى شرح الـ model لإجابتو خريطه.
أحدّ نسخه للفكره دي كتبتها عالمة الأنثروبولوجيا Marilyn Strathern ف 1997: "لمّن المقياس يبقى هدف، بيبطّل يكون مقياس كويس" (ترجمتي). وذكرت انو الفكره عندها اسم أصلاً، قانون Goodhart، على اسم الاقتصادي Charles Goodhart. [5]
والـ benchmarks بتاعة الـ AI مقاييس تحت ضغط شديد. تحليل ف 2025 لحوالي مليونين مواجهه ف Chatbot Arena، وده leaderboard عام الناس بتتابعو كتير، لقى انو Meta جرّبت 27 نسخه خاصه هناك قبل م تنزّل Llama 4. وGoogle وOpenAI كل واحد فيهم استلم حوالي خُمس داتا الـ arena، بينما 83 open-weight model مع بعض استلمو أقل من التلت. [6] والباحثين ورّو انو التدريب على داتا الـ arena بيرفع الدرجات ف أسئله زي أسئلة الـ arena. هل بيساعد ف أسئلتك إنت؟ ده موضوع تاني.
التلوّث (contamination) هو النسخه الأهدى. لمّن باحثين ف Scale AI كتبو 1205 مسأله رياضيات جديده بمستوى الابتدائي، مطابقه لـ test set مشهور، بعض عائلات الـ models جابت درجات أقل لحدي 8 نقاط ف المسائل الجديده، بينما الـ frontier models جابت تقريباً نفس الدرجه ف الاتنين. [7] يعني جزء من الدرجه القديمه كان خريطه للحاجات الـ models ديك شافتها قبل كده.
قبل م تثق ف أي رقم عن model، اسأل اتقاس على شنو، وهل في زول كان عندو سبب يصوّب عليهو. وبعداك جرّب الـ model على عينه من شغلك إنت. دي مافي زول عمل ليها optimize.
2. اعرف دايرة معرفتك بتنتهي وين
Warren Buffett، ف خطابو للمساهمين سنة 1996: "حجم الدايره م مهم شديد؛ بس معرفة حدودها ضروريه" (ترجمتي). [8]
تجربة BCG صوره لدايرتين. دايرة الـ model مسنّنه: قوي ف مهمه، وغلطان ف مهمه جنبها شكلها صعب زيها بالضبط. الباحثين سموها الحدود التقنيه المسنّنه (jagged technological frontier). [1] وتقرير Stanford للـ AI Index سنة 2026 بيدّي مثال أوضح: model جاب ميدالية ذهبيه ف أولمبياد الرياضيات الدولي، وأحسن model بيقرا الساعه أم عقارب صاح ف 50.1% بس من المرات. [9]
يعني هسه ف حدّين محتاج تعرفهم. حدّك إنت بيقول ليك هل بتقدر تكشف الإجابه الغلط. وحدّ الـ model م بتعرفو إلا لمّن تراجع شغلو ف مهام إنت أصلاً عارف إجابتها.
ف المكان الدايرتين بيتقاطعو فيهو، الأداه بتخليك أسرع وبتقدر تراجعها. بس لمّن تكون برّه دايرتك إنت وفاكر إنك جوّه دايرة الـ model، م بتقدر تفرّق بين الإجابه الكويسه والإجابه السلسه. والتوصيات اللامعه الغلط بتاعة المستشارين ديك بتعيش هناك.
3. اقلبها
Munger تاني، ف خطاب تخرّج سنة 2007: المشاكل "بتبقى أسهل ف الحل لو لفّيتها بالعكس" (ترجمتي). لو عاوز تساعد الهند، قال، م تسأل كيف أساعد الهند؛ اسأل "شنو البيعمل أكبر ضرر ف الهند؟" وكيف تتفاداهو. [10]
القلب (inversion) أرخص استخدام لـ assistant أنا بعرفو. اسألو الخطه بتاعتك حتفشل كيف، م تسألو هي كويسه ولا لا. الـ assistants بتميل توافقك، وكتبنا عن ده ف مقالين هنا قبل كده [11]، وسؤال الفشل بيقلب الميل ده.
الـ premortem هو النسخه الرسميه: قبل م المشروع يبدأ، الفريق بيتخيّل انو فشل خلاص، وبيكتب ليه. وعادةً بيمشي معاهو رقم، انو تخيّل الفشل كأنو حصل بيحسّن قدرة الناس يلقو أسبابو بـ 30%، والرقم ده بينسبوهو لدراسه سنة 1989 لـ Deborah Mitchell وJay Russo وNancy Pennington. أنا م لقيت الرقم ده ف ملخّص الورقه.
الملخّص بيقول حاجه أفيد. إنك تختّ الحدث ف الماضي بدل المستقبل "أثرو كان بسيط" (ترجمتي). بس إنك تعامل النتيجه كأنها مؤكده غيّر التفسيرات: بقت أطول، وفيها أسباب حكائيه (episodic) أكتر، يعني سلاسل أحداث محدده. [12] القوه ف إنك تقول "فشل"، م "ممكن يفشل".
وللمشاريع البتستخدم AI، ف زول جمع قائمة الفشل خلاص. RAND عملت مقابلات مع 65 data scientist ومهندس عندهم خبره ف 2023، وطلّعت خمسه أسباب جذريه؛ أولها، انو المشكله ذاتها م مفهومه، كان الأكتر شيوعاً. [13] ابدا الـ premortem بتاعك من قائمتهم.
السبب الجذري حسب RAND | سؤال الـ premortem |
|---|---|
المشكله م مفهومه، أو الـ model اتعمل ليهو optimize على metric غلط | منو اتفق على معنى النجاح، وهل هو نفس الرقم البنقيسو؟ |
الداتا م موجوده | عندنا الداتا الليله، ومصنّفه، للمهمه دي بالذات؟ |
التقنيه جات قبل المشكله | كنا حنعمل المشروع ده لو مافي AI؟ |
مافي infrastructure يشغّلو | منو البيصونو ف الشهر السابع؟ |
المشكله أصعب من قدرة الـ AI | ف حاجه حلّت نسخه أصغر منها قبل كده؟ |
4. اسأل البيحصل بعدين شنو
Howard Marks بيسمّي ده التفكير من المستوى التاني (second-level thinking). "التفكير من المستوى الأول بسيط وسطحي، وأي زول تقريباً بيقدر يعملو" (ترجمتي). [14] والمستوى التاني بيسأل شنو البيجي بعد كده، وبعد الداك شنو.
ف 1865، الاقتصادي William Stanley Jevons لاحظ انو المكنات البخاريه الأكفأ م وفّرت فحم: "خلط كامل للأفكار إنك تفتكر انو الاستخدام الاقتصادي للوقود معناهو استهلاك أقل. العكس هو الصحيح" (ترجمتي). [15] وف 27 يناير 2025، اليوم الوقّع فيهو model أرخص من DeepSeek أسهم الـ AI، رئيس Microsoft التنفيذي Satya Nadella كتب: "Jevons paradox strikes again!" [16]
والأرقام بتأيّدو. Epoch AI لقت انو سعر الوصول لمستوى أداء ثابت نزل بين 9 و900 مره ف السنه، حسب الـ benchmark، والوسيط 50 مره. [17]
والاستخدام مشى ف الاتجاه التاني. Google بتقول انها عالجت 9.7 تريليون token ف الشهر عبر منتجاتها ف مايو 2024، وأكتر من 3.2 كوادرليون ف مايو 2026. [18]
استنتاج المستوى الأول انو الـ AI بقى رخيص. واستنتاج المستوى التاني انو الفاتوره بتاعتك بتعتمد على قدر شنو بتستخدم، والـ tokens الرخيصه بتعزم استخدام أكتر: agents بتشتغل ساعه كامله، وreasoning models بتكتب آلاف الـ tokens قبل م تجاوب. Andreessen Horowitz، الكانت بتتابع نزول الأسعار، لاحظت انو o1 من OpenAI سعر الـ output token بتاعو نفس سعر GPT-3 يوم إطلاقو، 60 دولار للمليون. [19] القدره المحدده بتبقى أرخص؛ الـ frontier لا. اعمل ميزانيتك بالمهمه الخلصت، م بالـ token.
ونفس السؤال بينطبق على الناس. لو الشغل الكان بيدرّب الـ juniors اتسلّم لـ model، التوفير بيظهر السنه دي، والتكلفه بتظهر لمّن تحتاج seniors. [20]
5. ابدا من المعدّل الأساسي
Daniel Kahneman وDan Lovallo كتبو ف 1993 انو "متخذي القرار عندهم ميل قوي يعاملو المشاكل كأنها فريده"، وانو التوقعات المتفائله جايه من نظره من جوّه "بتربط التوقعات بالخطط والسيناريوهات" (ترجمتي). [21] والعلاج هو النظره من برّه (outside view): قبل م تشوف خطتك، شوف شنو البيحصل عادةً لخطط زيها.
Bent Flyvbjerg بنى أكبر مجموعه من الأدله دي، أكتر من 16 ألف مشروع. [22] وده ملخّصو هو ليها.
والمعدلات الأساسيه لمشاريع الـ AI أصغر وأرقّ، والمشهوره منها محتاجه مراجعه قبل م تستلفها. الرقم المتداول انو 95% من المؤسسات م جابت أي عائد من الـ generative AI جاي من تقرير أولي مرتبط بـ MIT، مبني على 52 مقابله و153 رد ف استبيان ومراجعة حالات منشوره، وبتعريف ضيق للنجاح. [24] و"أكتر من 80% من مشاريع الـ AI بتفشل" البتاع RAND رقم التقرير نقلو من تغطيه سابقه، م رقم قاسو هو. [13] وتحذيرات Gartner، انو 30% على الأقل من مشاريع الـ generative AI حتتساب بعد الـ proof of concept لحدي نهاية 2025، وأكتر من 40% من مشاريع الـ agentic AI حتتلغى لحدي نهاية 2027، دي توقعات. [25]
مافي واحد من ديل معدّل أساسي دقيق. بس كلهم بيشاورو على نفس الاتجاه، وده كفايه يغيّر السؤال الافتراضي من "حينجح؟" لـ "ليه مشروعنا حيكون الاستثناء؟"
رأيي
أي model بيقدر يطبّق الخمسه ديل لو طلبت منو. حيكتب ليك premortem، ويجيب ليك معدلات أساسيه، ويتتبّع الآثار من المستوى التاني. الحاجه الم حيعملها انو ينتبه انو دي اللحظه الصاح للسؤال. الانتباه ده، الجرس الصغير البيضرب لمّن إجابه تجيك بسهوله زياده، هو الجزء البيفضل معاك إنت. وده الكانت الـ mental models معمولة عشانو من الأول.
ديل م checklist لكل prompt. ديل أسئله المفروض تضرب لمّن يكون ف حاجه حقيقيه على المحك:
الرقم ده اتقاس على شنو، ومنو الكان بيصوّب عليهو؟
أنا جوّه دايرتي هنا؟ وراجعت الـ model ف مهمه أنا عارف إجابتها؟
لو ده فشل بعد ستة شهور، الـ post-mortem حيقول شنو؟
نجح. البيحصل بعدين شنو، وبعد الداك؟
شنو البيحصل عادةً لمشاريع زي ده؟
اختار واحد منهم وجرّبو على أول إجابه كنت ناوي تقبلها.
المصادر
[1] Dell'Acqua وزملاؤه: Navigating the jagged technological frontier. ورقة عمل Harvard Business School رقم 24-013، 2023؛ اتنشرت بعدين ف Organization Science، مارس 2026.
[2] Lee وزملاؤه: The impact of generative AI on critical thinking. مؤتمر CHI 2025؛ استبيان بيعتمد على تقييم الناس لنفسهم، فبيوري ارتباط، م سبب.
[3] Craik: The Nature of Explanation، 1943. المقطع منقول ف Farnam Street.
[4] Munger: A lesson on elementary, worldly wisdom. كلية الأعمال ف USC، 1994؛ نص المحاضره.
[5] Strathern: "Improving ratings": audit in the British University system. مجلة European Review، العدد 5(3)، 1997.
[6] Singh وزملاؤه: The Leaderboard Illusion. preprint، 2025.
[7] Zhang وزملاؤه: A careful examination of large language model performance on grade school arithmetic. preprint، النسخه الرابعه؛ النسخه الأولى كانت بتقول الهبوط وصل 13%.
[9] Stanford HAI: The 2026 AI Index Report. أهم الخلاصات.
[10] Munger: خطاب التخرّج ف كلية القانون ف USC، 2007. نص الخطاب.
[11] Fkra: A friendlier chatbot can give worse answers. وشوف كمان مقالنا عن ليه تحذير من تملّق الـ AI م كفّى.
[12] Mitchell وRusso وPennington: Back to the future. مجلة Journal of Behavioral Decision Making، العدد 2(1)، 1989؛ الملخّص.
[13] Ryseff وDe Bruhl وNewberry: The root causes of failure for artificial intelligence projects. RAND، 2024.
[14] Marks: It's not easy. مذكرة Oaktree، سبتمبر 2015.
[15] Jevons: The Coal Question، 1865. الفصل السابع، مقتطف منشور ف مشروع Energy History ف Yale.
[17] Epoch AI: LLM inference prices have fallen rapidly but unequally across tasks. مارس 2025.
[18] Google: Sundar Pichai ف I/O 2026. نقاط 2025 من خطاب I/O 2025 ومنشورات أرباح الربع التاني والربع التالت 2025.
[19] Appenzeller: Welcome to LLMflation. Andreessen Horowitz، نوفمبر 2024.
[20] Fkra: If juniors stop getting hired, where do seniors come from?
[21] Kahneman وLovallo: Timid choices and bold forecasts. مجلة Management Science، العدد 39(1)، 1993؛ الملخّص.
[22] Flyvbjerg: Towards a theory of modular natives. preprint، 2026؛ بيوصف قاعدة البيانات.
[23] Flyvbjerg: How Big Things Get Done، بملخّصو هو. Next Big Idea Club، 2023.
[24] MIT NANDA: The GenAI Divide, State of AI in Business 2025. تقرير أولي، يوليو 2025.
[25] Gartner: 30% من مشاريع الـ generative AI حتتساب بعد الـ proof of concept (يوليو 2024) وأكتر من 40% من مشاريع الـ agentic AI حتتلغى (يونيو 2025). بيانات صحفيه؛ توقعات.
رسالة واحدة مع كل مقال جديد، فيها أبحاث وقرارات منتج وما تبلغنا به الفرق.
