تتجه شركات عديدة اليوم إلى الذكاء الاصطناعي بحثاً عن أدوات أسرع وأكثر دقة لفهم اضطرابات سلاسل الإمداد، لكن التحدي الأكبر لا يزال في المرحلة التي تسبق الموانئ والأسواق والتقارير الرسمية. هذه هي المنطقة المعروفة باسم «الميل الأول»، حيث تنشأ المواد الخام الزراعية والسلع اللينة، وحيث تكون البيانات غالباً متأخرة أو مجزأة أو غير دقيقة بما يكفي لاتخاذ قرارات مالية وتشغيلية مهمة.
في هذا السياق، تقدم Treefera نموذجاً مختلفاً يعتمد على الذكاء الاصطناعي وتحليل صور الأقمار الصناعية والبيانات المكانية والزمنية لتحويل الإشارات الميدانية إلى معلومات قابلة للاستخدام في إدارة المخاطر والامتثال والاستدامة. الشركة، التي تأسست في لندن عام 2022، تبني منصتها على فكرة بسيطة لكنها شديدة الأهمية: معرفة ما يحدث في الحقل قبل أن يظهر أثره في الأسعار أو التقارير الحكومية.
فجوة البيانات في بداية سلسلة التوريد
يرى مؤسس Treefera، Jonathan Horn، أن المشكلة الأساسية في تقييم مخاطر السلع الزراعية لا تكمن في نقص النماذج، بل في ضعف البيانات التي تُغذي هذه النماذج. فالقيمة التجارية للسلع المرتبطة بالطبيعة ضخمة، لكن جزءاً كبيراً من المعلومات المستخدمة لتقدير المخاطر ما زال يجمع يدوياً وبفوارق زمنية طويلة، ما يجعل النتائج متأخرة عن الواقع ومفتقرة إلى الدقة المحلية.
هذا الخلل يصبح أكثر وضوحاً في سلاسل التوريد الزراعية، حيث يمكن لتغيرات الطقس أو الجفاف أو إزالة الغابات أو التوسع في المساحات المزروعة أن تؤثر مباشرة في الإنتاج، ثم في التمويل والتأمين والتسعير. وبسبب أن معظم تلك الإشارات تنشأ عند نقطة الإنتاج الأولى، فإن غياب الرؤية في هذه المرحلة يعني أن المؤسسات قد تتعامل مع مخاطرها بعد فوات الأوان.
Treefera تحاول سد هذه الفجوة عبر جمع بيانات فضائية ومؤشرات مناخية ونماذج تعلم عميق لتقدير الإنتاجية، واكتشاف التغيرات في استخدام الأراضي، وقياس التعرض لمخاطر الاستدامة والامتثال. والهدف ليس عرض خرائط فقط، بل إنتاج تقديرات يمكن الدفاع عنها داخل غرف المخاطر والشراء والتمويل.
لماذا لا تعتمد Treefera على النماذج اللغوية الكبيرة
في وقت تهيمن فيه النماذج اللغوية على النقاش العام حول الذكاء الاصطناعي، تضع Treefera نفسها في فئة مختلفة تماماً. فالشركة لا تستخدم الذكاء الاصطناعي من أجل توليد النصوص أو تلخيص المستندات، بل من أجل تفسير العالم المادي. هذا الفارق مهم لأن التنبؤ بإنتاج محصول أو تقدير خطر في منطقة زراعية يتطلب معالجة صور وأحوال مناخية وديناميكيات بيولوجية، وليس مجرد فهم اللغة.
النماذج اللغوية الكبيرة ممتازة في المهام المكتبية، لكنها لا تحل المشكلة التي تواجهها المؤسسات عندما تسأل: ما حجم المحصول المتوقع بعد ثلاثة أشهر؟ وما درجة الثقة في هذا التقدير؟ هنا يصبح الذكاء الاصطناعي أداة علمية ذات آثار مالية مباشرة، لا مجرد مساعد إنتاجية. لذلك تعتمد Treefera على نماذج تعلم عميق مدربة على بيانات العالم الحقيقي، بهدف تقديم مخرجات دقيقة وقابلة للتدقيق.
هذه المقاربة تعكس اتجاهاً أوسع في قطاع الذكاء الاصطناعي المؤسسي، حيث تتزايد قيمة الحلول المتخصصة التي تعالج مشكلة محددة جداً بدلاً من محاولة القيام بكل شيء. وفي مجالات مثل الزراعة والتجارة والتمويل، قد تكون هذه التخصصية هي الفارق بين نموذج مثير للإعجاب ونظام يمكن الاعتماد عليه عملياً.
الحوسبة الرشيقة كبديل للتوسع غير الضروري
من الجوانب اللافتة في نموذج Treefera أيضاً ما تسميه الشركة «الحوسبة الرشيقة»، وهو نهج يقوم على تقليل الاعتماد على البنية السحابية الدائمة والتعامل الذكي مع الموارد الحاسوبية المتاحة. الفكرة هنا أن المهمة لا تحتاج إلى أن تعمل على مدار الساعة طالما أن المدخلات تأتي على فترات منتظمة، مثل صور الأقمار الصناعية أو تحديثات الطقس أو بيانات نمو المحاصيل.
بدلاً من استنزاف طاقة كبيرة في تشغيل مستمر، توزع Treefera أحمال العمل على شبكة من الموارد المتاحة خلال فترات الخمول، مع استخدام عتاد مناسب لمتطلبات العمل بدلاً من الاعتماد على أقوى الشرائح وأكثرها كلفة. هذا النموذج يقلل النفقات ويخفض الاستهلاك الطاقي، لكنه يفعل أكثر من ذلك: يفرض انضباطاً تقنياً يجعل النموذج أكثر قابلية للتفسير وأقرب إلى احتياجات المستخدمين في قطاعات المخاطر والعمليات.
في تطبيقات الذكاء الاصطناعي المؤسسي، لا يعني الأداء الأفضل دائماً مزيداً من الحوسبة. أحياناً تكون القيمة الحقيقية في الوصول إلى الإجابة الصحيحة بأقل قدر من التعقيد والموارد. وهذا تحديداً ما تحاول Treefera إثباته من خلال بنيتها التقنية.
رؤية أسبوعية بدل التقارير المتأخرة
تعتمد كثير من الشركات والبنوك وشركات التأمين والمتعاملين في السلع الزراعية على تقارير رسمية تصدر بعد فترة من جمع البيانات الميدانية. المشكلة أن هذه التقارير تعكس الماضي أكثر مما تعكس اللحظة الحالية. وفي الأسواق التي تتحرك بسرعة، فإن الفارق الزمني قد يكون مكلفاً للغاية.
تعمل Treefera على تقليل هذا الفارق عبر تقديم تحديثات أسبوعية حول مسار الإنتاج والمخاطر في مناطق زراعية محددة. وتُترجم البيانات الخام إلى مؤشرات قابلة للاستخدام، مثل توقعات الغلة، وتقديرات المساحات المزروعة، ودرجات الإجهاد المناخي، والتنبيهات المتعلقة بتغيرات الاستخدام الأرضي. هذا النوع من الرصد يمنح المؤسسات فرصة للتحرك قبل أن تتحول المشكلة إلى صدمة سعرية أو تعطل تشغيلي.
وتشير الشركة إلى أمثلة على قدرة نماذجها على التقاط التغيرات مبكراً قبل الجهات الرسمية في بعض الحالات، ما يعزز قيمة المعلومة المبكرة للمستثمرين والمشترين والممولين. وفي أسواق السلع، لا تُقاس الأهمية فقط بدقة التنبؤ، بل أيضاً بتوقيت التنبؤ.
الامتثال والشفافية تحت ضغط تشريعي ومناخي
لم يعد الاهتمام بـ«الميل الأول» مقتصراً على إدارة المخاطر التجارية. فالتشريعات البيئية ومتطلبات الإفصاح والاستدامة باتت تفرض على الشركات معرفة مصدر السلع والظروف التي أُنتجت فيها. هذا يعني أن الشفافية أصبحت ضرورة قانونية في كثير من الحالات، وليست مجرد ميزة تشغيلية.
تشمل هذه البيئة التنظيمية أطر عمل مثل EUDR وCSRD وTCFD، والتي تدفع الشركات إلى إثبات مصدر المواد الخام وكيفية ارتباطها بمخاطر إزالة الغابات أو الانبعاثات أو التغير المناخي. وفي هذا السياق، تصبح البيانات التي توفرها Treefera مفيدة ليس فقط للشراء والتسعير، بل أيضاً لإثبات الامتثال أمام الجهات التنظيمية والشركاء التجاريين.
هناك أيضاً بعد جيوسياسي لا يقل أهمية. فاعتماد الأسواق على مصدر واحد أو منطقة واحدة من العالم قد يتحول إلى مخاطرة هيكلية إذا تعرضت تلك المنطقة لاضطراب سياسي أو مناخي. ومن دون رؤية مبكرة عند مصدر الإنتاج، تجد المؤسسات نفسها أمام سوق أعاد تسعير الخطر بالفعل.
توسع الطلب على الذكاء الاصطناعي المتخصص
النمو السريع الذي تحققه Treefera، إلى جانب اهتمام مؤسسات كبيرة بمنصتها، يعكس اتجاهاً متنامياً في سوق الذكاء الاصطناعي: الرغبة في أدوات متخصصة، قابلة للتدقيق، ومبنية على بيانات ميدانية حقيقية. فالمستخدم المؤسسي لا يبحث عادة عن نموذج كبير بالضرورة، بل عن إجابة موثوقة يمكن أن يعتمد عليها في لجنة المخاطر أو قرار الشراء أو ملف الامتثال.
كما أن المستثمرين بدأوا ينظرون إلى الكفاءة التشغيلية بوصفها عاملاً تنافسياً بحد ذاته. فمع ارتفاع كلفة البنية التحتية السحابية والطلب على الطاقة، تصبح الحلول التي تحقق نتيجة دقيقة باستخدام حوسبة أقل أكثر جاذبية من الناحية الاقتصادية والبيئية.
وتشير تجربة Treefera إلى أن الجيل المقبل من تطبيقات الذكاء الاصطناعي قد لا يُقاس فقط بحجم النماذج وعدد المعاملات، بل بمدى ارتباطها بالعالم الحقيقي وقدرتها على إنتاج أثر تجاري ملموس. فكلما كانت البيانات أقرب إلى مصدرها، وكانت النماذج أكثر تخصصاً، ازدادت فرصة بناء منظومات ذكاء اصطناعي فعّالة في القطاعات الحساسة.
مستقبل الذكاء الاصطناعي المؤسسي
تطرح Treefera رؤية واضحة للمستقبل: الذكاء الاصطناعي الأكثر قيمة لن يكون بالضرورة الأكبر، بل الأكثر ارتباطاً بالواقع والأكثر كفاءة في التشغيل. ففي الزراعة وسلاسل الإمداد والتمويل، لا يكفي أن يكون النموذج متقدماً تقنياً؛ يجب أن يكون قادراً على تقديم نتائج دقيقة في الوقت المناسب وبصيغة مفهومة لأصحاب القرار.
هذا التحول من النماذج العامة إلى الحلول المتخصصة ينسجم مع احتياجات السوق الحالية، حيث ترتفع أهمية البيانات الخاصة بالمجال والخبرة العلمية والبنية القادرة على مراقبة العالم الفيزيائي بشكل مستمر. وبينما تتوسع أدوات الذكاء الاصطناعي في كل اتجاه، يبدو أن القيمة الحقيقية ستتركز أكثر فأكثر في التطبيقات التي تحل مشكلات محددة بوضوح وتُظهر نتائج قابلة للقياس.
في حالة Treefera، تكمن تلك القيمة في نقطة واحدة بالغة الحساسية: جعل «الميل الأول» مرئياً. ومن خلال ذلك، تحاول الشركة تحويل السلاسل الزراعية المعقدة من منطقة غامضة إلى مساحة يمكن قياسها ومقارنتها والتصرف بناءً عليها.