بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
نصف المؤسسات التقنية الكبرى سبق لها أن أطلقت وكيل ذكاء اصطناعي اجتاز اختباراتها الداخلية، ثم تسبّب في إخفاق مباشر أمام العملاء في الإنتاج — هذه ليست تخمينات، بل الاستنتاج المحوري لدراسة شملت 157 مؤسسة أجرتها VentureBeat Pulse Research في يونيو 2026 ضمن سلسلة “Agentic Reliability & Evals tracker”، واستهدفت المسؤولين التقنيين في شركات تضمّ مئة موظف أو أكثر، مع نسبة 38% منهم في مواقع القرار النهائي.
المشكلة التي رصدها الباحثون ليست نقص أدوات التقييم، بل انفصام حقيقي بين الاختبارات المعمول بها والواقع الميداني. يصفها التقرير بـ”فجوة التقييم”: الهوّة الممتدة بين الاستقلالية التي تمنحها المؤسسات لوكلائها، والثقة التي توليها للاختبارات المفترض أنها تحكم تلك الاستقلالية. والنتيجة أن اجتياز وكيل AI للاختبار لم يعد يعني أنه يعمل فعلاً.
- 50% منهن نشرن وكيلاً فشل في الإنتاج — نصف المؤسسات المشمولة بالدراسة أكّدت (وفقاً لـ VentureBeat) أنها نشرت خلال العام الماضي وكيل AI أو ميزة LLM اجتازت اختباراتها الداخلية ثم تسبّبت في أعطال مواجِهة للعملاء، وربع هذه المؤسسات تكرّرت معها الحادثة أكثر من مرة.
- 5% فقط يثقون تمام الثقة بالتقييم الآلي — واحد من كل عشرين مسؤولاً فحسب يصف ثقته بالتقييم الآلي بأنها كاملة (وفقاً لـ VentureBeat). هذا الرقم الهزيل يكشف كم أن ثقة الصناعة في أدواتها هشّة، بينما تواصل في الوقت ذاته توسيع صلاحيات الوكلاء.
- 29% يرون أن التقييمات لا تعكس النتائج الحقيقية — الضعف الأكثر استشهاداً في المنظومة الحالية هو أن الاختبارات ببساطة لا تتوافق مع ما يحدث في العالم الحقيقي (وفقاً لـ VentureBeat). المؤسسات لا تعاني من قلة أدوات القياس، بل من أن هذه الأدوات تقيس الشيء الخطأ.
- 66% تسير نحو نشر بلا مشاركة بشرية — ثلثا المؤسسات إما تسمح بالفعل بالنشر الآلي الكامل دون أي إنسان في الحلقة للوكلاء منخفضة المخاطر (34%)، أو تعمل بنشاط على هندسة خطوط إنتاجها لتحقيق ذلك خلال اثني عشر شهراً (33%) (وفقاً لـ VentureBeat). بعبارة أخرى: الاستقلالية تتسارع بمعزل عن نضج الضمانات.
- منظومة التقييم مجزّأة وغير ناضجة — الأدوات الأكثر استخداماً كأدوات أساسية هي تقييمات مزوّدي النماذج الأصليين — وهي بالتساوي مع الحالة الأسوأ: غياب أي أدوات مخصصة كلياً، بنسبة 17% لكل منهما (وفقاً لـ VentureBeat). والأخطر أن ربع المؤسسات فقط تُجري فحوصات جودة في الوقت الفعلي على حركة الإنتاج المباشرة — وهذا يعني أن معظمها يُدير أنظمة حيّة دون رصد مستمر.
التناقض الجوهري هنا ليس تقنياً بحتاً، بل استراتيجي. المؤسسات تعرف أن أدوات التقييم لديها قاصرة — تقولها بالأرقام — لكنها تتحرك في الاتجاه المعاكس: تُقلّص دور البشر في الإشراف وتوسّع صلاحيات الوكلاء. هذا الرهان مفهوم من زاوية التنافسية وضغوط السوق، لكنه ينطوي على مخاطر تراكمية واضحة: حوادث موثّقة تتكرر عند ربع المؤسسات، وأدوات رصد مباشر تكاد تكون غائبة عند ثلاثة أرباعها.
ما يستحق الانتباه هو أن المشكلة ليست في حجم التغطية أو عدد الاختبارات، بل في ما تقيسه هذه الاختبارات. اختبار يقيس أداء النموذج في بيئة معزولة قد يجتازه الوكيل بامتياز، بينما يفشل فشلاً ذريعاً حين يواجه حالات حافة حقيقية، أو تدخلات مستخدمين غير متوقعة، أو تسلسلات قرارات مركّبة. هذا بالضبط ما يسمّيه التقرير مشكلة التوافق مع الواقع — وهو تشخيص أدق وأصعب حلاً من مجرد “نحتاج المزيد من الاختبارات”. إن كنت تبني أنظمة وكلاء أو تشرف عليها، فالسؤال الحقيقي ليس “هل اجتاز الوكيل الاختبار؟” بل “هل يقيس اختبارنا ما يحدث فعلاً مع المستخدم؟” — وبحسب هذه البيانات، معظم المؤسسات لا تزال عاجزة عن الإجابة.
