بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
خفّضت شركة Harvey تكلفة كل خلية معالجة في وكلائها الذكائية بنسبة 54.8%، وخفّضت عدد tokens الداخلة بنسبة 50.3%، دون أن تتنازل عن جودة الإجابات أو دقة الاستشهادات — بل رفعتها (وفقاً لمنشور Harvey الرسمي عبر تقرير Applied Compute Review Tables). الرقمان معاً يمثّلان نتيجة واحدة وليس مقايضة.
Harvey في تخفيض تكاليف الوكلاء وعدد tokens”>السر لم يكن في نموذج أكبر أو بنية تحتية أغلى. ما حدث هو تحوّل معماري من استرجاع واسع النطاق — يمرّر صفحات طويلة من المستندات القانونية إلى السياق — إلى استدعاءات أدوات مستهدفة تسحب فقط ما تحتاجه الوكيلة في تلك اللحظة تحديداً. الفرق يبدو بسيطاً على الورق، لكنه ينعكس مباشرة على فاتورة tokens وعلى جودة ما يُنتجه النموذج.
الدرس الذي يمكن تعميمه على أي فريق يبني وكلاء AI بحجم مرتفع ينقسم إلى شقّين. الأول: درّب نموذجك على التوزيع الحقيقي للمهام التي تواجهها فعلاً، لا على التوزيع العام. Harvey تعمل في قانون عالي الحجم، وكل مليون استعلام يمثّل فرصة لتشكيل النموذج حول ما يحدث فعلاً في الملفات القانونية، لا ما يحدث في بنشمارك عام. الثاني: لا تعامل الاسترجاع كخطوة واحدة واسعة — قسّمه إلى استدعاءات أدوات محددة تجلب المقطع الصحيح من المستند الصحيح في الوقت الصحيح. هذا ما يعنيه “agentic retrieval” في هذا السياق.
الإجابة عن سؤالٍ يطرحه كثير من المطوّرين — هل تحسين الكفاءة يعني دائماً تراجع الجودة؟ — تبدو هنا حاسمة. Harvey تقول لا. وهذا ليس مجرد تحسين هندسي، بل يحمل أثراً تجارياً مباشراً: في بيئات حجم مرتفع كالمنصات القانونية أو الطبية أو المالية، كل نقطة مئوية في التكلفة تُضرب في ملايين الاستعلامات. تخفيض 54.8% لا يعني مجرد توفير — يعني إمكانية تشغيل وكلاء أكثر بنفس الميزانية، أو إعادة توجيه الفارق نحو بنى أكثر تعقيداً.
المنطق نفسه يسري على أي فريق يستخدم وكلاء ذكاء اصطناعي بكثافة. الاسترجاع العشوائي الواسع كان حلاً عملياً في مرحلة البروتوتايب، لكنه يصبح عبئاً حين يرتفع الحجم. ما تفعله Harvey يشير إلى أن الخطوة التالية في نضج هندسة الوكلاء هي التخصص: تخصص في البيانات التدريبية، وتخصص في كيفية الاسترجاع. الجمع بين الاثنين هو ما أنتج الأرقام التي ترى أعلاه.
