توقّف عن قياس كم تستخدم من الذكاء الاصطناعي

صادفتُ مؤخرًا كلمة مثيرة يجري الحديث عنها في عالم الذكاء الاصطناعي: Tokenmaxxing.

على مدى العامين الماضيين، كانت إحدى طرق الشركات لقياس تبنّي الذكاء الاصطناعي بسيطة بشكل مفاجئ: كم يستخدم الناس من الذكاء الاصطناعي؟

كم موظفًا يستخدمه؟ كم طلبًا يُرسَل؟ كم توكنًا يُستهلك؟

كان في ذلك بعض المنطق. عندما كان الذكاء الاصطناعي جديدًا، كان الاستخدام نفسه علامة على التبنّي.

لكنني أعتقد أننا نتجاوز تلك المرحلة بسرعة.

السؤال الأفضل

السؤال الأفضل لم يعد:

كم تستخدم من الذكاء الاصطناعي؟

بل:

ماذا تحصل عليه من كل توكن تستخدمه؟

هذا يرتبط ارتباطًا وثيقًا بشيء كتبت عنه مؤخرًا: Loop Engineering.

النظام الجيد للذكاء الاصطناعي لا ينبغي أن يأخذ طلبًا ويولّد إجابة ويتوقف.

يجب أن يفهم الهدف، ويجرّب نهجًا، ويقيّم النتيجة مقابل معايير قبول واضحة، ويتعلم ما لم ينجح، ويحاول مجددًا.

Prompt ← Execute ← Evaluate ← Learn ← Repeat ← Outcome.

لكن هناك نقطة مهمة هنا.

هدف الحلقة ليس أن تصنع حلقات أكثر.

وهدف الذكاء الاصطناعي ليس بالتأكيد أن يستهلك توكنات أكثر.

الهدف هو تحقيق النتيجة التجارية.

لماذا هذا مهم لـ SnapLedger

هذا التمييز مهم للغاية في طريقة بنائنا لـ SnapLedger.

نريد أن يستفيد مستخدمونا من تقنيات ذكاء اصطناعي متزايدة التطور — Loop Engineering و Context Engineering وسير العمل الوكيلي وتوجيه النماذج والذاكرة والتقييم — دون أن يضطروا لفهم أي منها.

لا ينبغي أن يحتاج صاحب مشروع صغير لأن يصبح مهندس ذكاء اصطناعي ليستخدم الذكاء الاصطناعي بفعالية.

لا ينبغي أن يتعلم كيف يكتب الطلب المثالي.

لا ينبغي أن يقرر أي نموذج يستخدم، أو كم سياقًا يقدّم، أو ماذا يجب أن يذهب إلى الذاكرة، أو متى يعيد الوكيل المحاولة، أو كيف يقيّم نتيجته.

يجب أن يقوم SnapLedger بهذا العمل عنهم.

والأهم، أن SnapLedger يملك ميزة لا يملكها المساعد العام للذكاء الاصطناعي بطبيعته:

نحن مركّزون على بعض أهم المعلومات داخل المشروع.

المعاملات.

الفواتير.

العقود.

العملاء.

المورّدون.

الهويات الضريبية.

المعالجات المحاسبية.

الحسابات البنكية.

المحادثات التجارية.

وبشكل متزايد — تاريخ القرارات المتخذة حولها جميعًا.

مع الوقت، لا يضطر Snappy لإعادة اكتشاف المشروع من الصفر في كل مرة يسأل فيها أحدهم سؤالًا.

يمكنه أن يتعلم باستمرار ما يهم.

اقتصاديات التوكن

هذا يغيّر اقتصاديات الذكاء الاصطناعي.

التوكن المُنفَق مع السياق التجاري الصحيح أثمن بكثير من التوكن المُنفَق في محاولة إعادة بناء ذلك السياق.

حلقة الاستدلال بهدف قبول واضح أثمن بكثير من عشرة طلبات مفتوحة بلا هدف.

والذكاء الاصطناعي الذي يفهم شركتك مسبقًا يستطيع غالبًا الوصول إلى الإجابة الصحيحة أسرع من ذكاء اصطناعي يضطر لمقابلتك في كل مرة.

فبمعنى ما، نحن فعلًا نريد تعظيم توكنات مستخدمينا.

لكن ليس بتعظيم عدد التوكنات التي يستهلكونها.

نريد تعظيم القيمة المنتَجة من كل توكن.

تعريف مختلف لسهولة الاستخدام

لهذا أعتقد بشكل متزايد أن إحدى مهام SnapLedger هي إخفاء تعقيد هندسة الذكاء الاصطناعي الحديثة عن أصحاب المشاريع الصغيرة.

خلف Snappy، يمكننا باستمرار تبنّي نماذج أفضل، وحلقات أفضل، وإدارة سياق أفضل، وذاكرة أفضل، وتقنيات تقييم أفضل.

لا يحتاج المستخدم أن يعرف ذلك.

يحتاج فقط أن يرى أن Snappy يفهم مشروعه بشكل أفضل، ويتطلب شرحًا أقل، وينجز أشياء أكثر.

حاولت أنظمة SaaS التقليدية أن تجعل البرمجيات أسهل استخدامًا.

أعتقد أن الـ SaaS الأصيل بالذكاء الاصطناعي لديه فرصة أكبر:

أن يجعل الذكاء الاصطناعي المتطور أسهل استفادةً.

هذا تعريف مختلف تمامًا لسهولة الاستخدام.

وربما، في عصر الذكاء الاصطناعي، المقياس الأهم ليس كم توكنًا يستهلك مشروعك.

بل كم قيمة تجارية يستطيع كل توكن أن يصنع.