«إيفري داي بنش» يضع وكلاء الويب الحي أمام اختبار المهام اليومية: سقف الإنجاز الصارم يقف عند 54% لفرق المنطقة
استمع لهذا المقال
بصوت ليلى (Layla)
تختبر ورقة بحثية جديدة نشرها باحثون عبر منصة «أركايف» قدرة وكلاء الذكاء الاصطناعي على تنفيذ المهام الرقمية اليومية على شبكة الإنترنت المباشرة، كاشفة أن أعلى معدل نجاح صارم بين 23 تكوينًا لنماذج الوكلاء لم يتجاوز 54.55%، وهو ما يضع خطط الأتمتة المستقلة لدى المؤسسات والشركات في الخليج ومصر أمام واقع تشغيلي حذر يفرض إعادة تقييم الاعتماد الكامل على الوكلاء في بيئات العمل الحية. وتوضح الدراسة المعنونة باسم «إيفري داي بنش» أن الانتقال من مجرد استرجاع المعلومات إلى تقديم مخرجات ونتائج صالحة للاستخدام النهائي يظل العقبة الكبرى أمام نماذج الويب.
يرتكز المعيار الجديد على 77 مهمة صاغها باحثون بشريون وتغطي ثمانية مجالات من الحياة اليومية وبيئات العمل، بدءًا من اختيار المنتجات وتخطيط الرحلات وصولًا إلى إجراء الأبحاث وبناء المصنوعات الرقمية. ولا يفرض المعيار مسار عمل إلزاميًا أو إجابة محددة مسبقًا، بل يحدد معايير النجاح قبل بدء التنفيذ، تاركًا لكل وكيل حرية اختيار نتائجه ومساراته، وهو ما يحاكي تعقيد الويب المباشر حيث تتعدد النتائج الصحيحة وتتغير بيانات الصفحات بمرور الوقت.
ولتقييم المخرجات بدقة، دمجت منهجية التقييم ثلاث ركائز متكاملة: الفحص الحتمي للقيود الصريحة والشروط المحددة مسبقًا، والتحقق من صحة الادعاءات بالرجوع إلى صفحات الويب التي استشهد بها الوكيل والتي يجري استرجاعها وقت التقييم الفعلي، ثم التقييم القائم على قواعد محددة لجودة المخرج النهائي. وأثبت الباحثون متانة هذا البروتوكول عبر مطابقة النتائج بأحكام بشرية، وإعادة التقييم تحت أدلة ثابتة، واختبار حالات الإخفاق المتحكم فيها في ربط المصادر.
أظهرت النتائج المسجلة تباينًا ملحوظًا بين النماذج، إذ تعادل كل من «كلود أوبوس 5.5» و«كلود فيبل 5.1» في صدارة أعلى معدل اجتياز صارم بنسبة بلغت 54.55%. في المقابل، تراوح أداء «جي بي تي-6 سول» في تجارب الجهد المتحكم فيه بين 29.87% عند مستوى الجهد المنخفض و45.45% عند أقصى جهد تشغيلي. كما بينت الاختبارات أن الموثوقية تختلف جذريًا باختلاف طبيعة المهمة، حيث تصدر «جي بي تي-5.6 سول» مهام البحث والاسترجاع، بينما قاد «فيبل 5.1» مهام التخطيط، وتعادل «أوبوس 5.5» و«فيبل 5.1» في مهام المقارنة، في حين تقاسم «جي بي تي-6 أسترا» و«سونيت 5.5» الصدارة في إنشاء المخرجات المخصصة.
ماذا يعني هذا للمنطقة
تكشف نتائج هذا الاختبار لمديري التقنية وفرق التطوير في الخليج ومصر والشام أن الرهان على الأتمتة الكاملة لوكلاء الويب المستقلين في خدمة العملاء أو إعداد التقارير المباشرة ما يزال ينطوي على نسبة خطأ تتجاوز 45% حتى مع أقوى النماذج المتاحة. هذا الفارق يعني تشغيليًا ضرورة الإبقاء على طبقات التحقق البشري الصارم وعدم تفويض اتخاذ القرارات الحيوية أو إرسال المعاملات الحية إلى الوكلاء بصورة منفردة في هذه المرحلة.
كما يعيد هذا التوزيع المتفاوت للكفاءات رسم معايير اختيار النماذج لمشاريع الأتمتة الإقليمية؛ فالاعتماد على نموذج واحد لكافة الأعباء يرفع التكلفة دون ضمان الجودة، إذ تظهر البيانات تفوق نماذج محددة في البحث والاسترجاع بينما تتفوق أخرى في التخطيط أو المخرجات المخصصة، مما يفرض على الفرق الهندسية تبني بنية توجيه هجينة تخصص لكل مهمة النموذج الأكثر موثوقية بحسب طبيعة العمل المطلوب تسليمه.