منصة جديدة تراهن على ذاكرة مؤسسية محلية
دخلت شركة Mindstone البريطانية ساحة تنسيق وكلاء الذكاء الاصطناعي بمنصة جديدة تحمل اسم Rebel، وتقدمها بوصفها نظام تشغيل محلياً مخصصاً للفرق التي تريد إدارة مهام الذكاء الاصطناعي داخل بيئة يمكن فهمها وتعديلها ومراجعتها بسهولة. الفكرة الأساسية هنا ليست مجرد توفير مساعد ذكي آخر، بل بناء طبقة تشغيل تسمح للمؤسسات بتحديد كيف يتصرف الوكلاء، وأين تُخزن تعليماتهم، وأي نموذج يجب استخدامه في كل خطوة.
المنصة أُطلقت رسمياً هذا الأسبوع، وتستهدف الشركات التي بدأت تنتقل من مرحلة التجربة الفردية لأدوات الذكاء الاصطناعي إلى مرحلة التشغيل المنظم داخل الفرق والإدارات. وفي هذا السياق، تحاول Mindstone أن تعرض Rebel كبديل أخف وأكثر وضوحاً من الأطر المعقدة التي تحتاج عادة إلى ربط قواعد بيانات وخدمات سحابية ومنطق مخصص لإدارة الحالة.
ما يميز هذا الطرح أن Rebel لا يعتمد على طبقة مخفية من البنية السحابية بقدر ما يعتمد على ملفات نصية محلية قابلة للقراءة والتعديل، ما يجعل بنية النظام أقرب إلى سير العمل المكتوب منه إلى منصة مغلقة صعبة الفهم.
ملفات Markdown في قلب البنية
تعتمد Rebel على صيغة Markdown لتخزين التعليمات والذاكرة والإعدادات، وهي خطوة تبدو بسيطة لكنها تحمل أثراً عملياً كبيراً. فبدلاً من دفن منطق الوكيل داخل واجهات مغلقة أو قواعد بيانات معقدة، يتم حفظ ما يحتاجه النظام في ملفات محلية يمكن فتحها وفحصها ونقلها وتعديلها بسهولة. وتقول Mindstone إن هذا الأسلوب يشمل حالات الاستخدام الأساسية، والتعليمات، وطبقات الذاكرة، وحدود التشغيل الخاصة بكل وكيل.
الملف الرئيسي في هذه البنية هو agents.md، والذي يعمل كنقطة مرجعية مركزية لتعليمات الوكيل وسلوك التشغيل. ومن الناحية العملية، يعني ذلك أن الفريق يستطيع مراجعة ما يفعله النظام من دون الحاجة إلى تفكيك بنية خدمية معقدة أو الاعتماد على تفسيرات غير مباشرة من داخل منصة SaaS.
وترى الشركة أن هذا التصميم يساعد أيضاً على خفض التكاليف، لأن Markdown يحافظ على المحتوى قريباً من النص الخام، من دون الإضافات التنسيقية التي تستهلك جزءاً من نافذة السياق في النماذج اللغوية. كلما كان النص أنظف وأقرب إلى المعلومة نفسها، قل الهدر في التوكنات، وارتفعت كفاءة الاستخدام، خصوصاً في البيئات التي تتعامل مع كميات كبيرة من المستندات والطلبات.
تخفيف الاعتماد على مزود واحد
أحد الأبعاد الاستراتيجية في Rebel هو تقليل خطر الارتباط بمزود واحد. فإذا كانت تعليمات الوكلاء وعملياتهم وذاكرتهم مخزنة محلياً كملفات نصية، فإن الشركة لا تصبح رهينة لواجهة واحدة أو قاعدة بيانات واحدة داخل خدمة مغلقة. هذه النقطة تكتسب أهمية أكبر مع توسع استخدام الذكاء الاصطناعي في البريد الإلكتروني والوثائق والمواعيد والمهام الداخلية الحساسة.
في البيئات المؤسسية، لا تكمن المشكلة دائماً في الوصول إلى نموذج قوي، بل في القدرة على التحكم في السلوك والبيانات والحدود. ولهذا تحاول Mindstone أن تقدم Rebel بوصفها طبقة تسمح بالمراجعة والانتقال والتخصيص من دون كسر المنظومة. هذا لا يلغي التعقيد، لكنه يوزعه بطريقة أكثر شفافية مقارنة بالأنظمة التي تحتفظ بكل شيء داخل صندوق مغلق.
تبديل النماذج وفق المهمة والحساسية
أكثر ما يلفت الانتباه في Rebel هو قدرتها على تنسيق المهام بين أكثر من نموذج لغوي. فالمنصة تستطيع تقسيم المهمة الواحدة إلى أجزاء مختلفة، ثم توجيه كل جزء إلى النموذج الأنسب له، سواء كان نموذجاً محلياً أو سحابياً. وقد يكون نموذج قوي ومكلف مناسباً للتخطيط والاستدلال، بينما يكفي نموذج أقل تكلفة لتنفيذ المهام الروتينية، في حين تُسند الخطوات الحساسة إلى نموذج محلي يعمل على الجهاز نفسه.
هذا الأسلوب يمنح الشركات درجة أعلى من المرونة. فليس من المنطقي إرسال كل العمليات إلى النموذج الأغلى ثمناً، كما أن بعض الاستخدامات لا يجوز أن تغادر البنية المحلية بسبب سياسات الخصوصية أو الامتثال. ومن هنا، تحاول Rebel أن تجعل الاختيار بين المحلي والسحابي قراراً سياقياً، لا قراراً ثابتاً لكل الحالات.
وقال غريغ دتري، كبير مسؤولي التكنولوجيا في Mindstone، إن الفكرة هي أن يفهم النظام ما هو شخصي وما هو حساس وما يمكن مشاركته على مستوى أوسع داخل الشركة. هذا التمييز، في نظر الشركة، هو ما يحول الوكيل من أداة منفصلة إلى طبقة عمل قابلة للتكيّف مع سياسات المؤسسة.
ذاكرة متعددة الطبقات بدل الاعتماد على البحث فقط
تعالج Rebel مشكلة شائعة في أنظمة الذكاء الاصطناعي المؤسسية: تكديس كم كبير من المعلومات ثم الاعتماد على البحث وحده لاستعادتها لاحقاً. بدلاً من ذلك، تستخدم المنصة بنية ذاكرة متعددة الطبقات تقيم قيمة المعلومة المتوقعة قبل تحديد مكان تخزينها. فإذا كانت المعلومة مرجحاً أن تكون مفيدة كثيراً لاحقاً، تُكتب في ملف readme.md محلي خاص بمساحة المشروع. وإذا كانت أهميتها متوسطة، يتم تحويلها إلى رابط مرجعي يعود إلى سجلات أعمق. أما المواد الأقل أولوية فتُحفظ في دليل ذاكرة مفهرس، يبقى متاحاً لكنه غير نشط إلى أن تستدعيه مهمة مناسبة.
هذا النهج يختلف عن فكرة “ضع كل شيء في قاعدة بيانات ثم ابحث لاحقاً”. فهو يحاول أن يجعل الذاكرة أكثر انتقائية، بحيث تحتفظ المنصة بما هو عملي فعلاً، وتخفف من الضوضاء التي غالباً ما تربك الأنظمة المعتمدة فقط على الاسترجاع الآلي.
وظائف قابلة لإعادة الاستخدام وأتمتة خلفية
تضيف Rebel طبقة تشغيلية أخرى عبر ثلاث وحدات رئيسية: Skills وOperators وAutomations. الـSkills هي إجراءات متعددة الخطوات يمكن للوكيل إعادة استخدامها متى احتاج إلى تنفيذ مهمة شبيهة. أما الـOperators فتغير طريقة تقييم المهمة نفسها، مثل مراجعة عرض استثماري بعين المستثمر أو فحص مهمة ما من زاوية أمنية. في المقابل، تسمح الـAutomations بجدولة أعمال خلفية مثل مسح الرسائل أو الملفات، واستخراج المستجدات، وصياغة الردود الأولية، أو تجهيز العمل قبل أن يفتح الموظف التطبيق.
هذه البنية مهمة لأنها تنقل الذكاء الاصطناعي من مجرد دردشة إلى سلوك تشغيلي مستمر. وكلما زادت إمكانية إعادة الاستخدام، أصبحت المنصة أقرب إلى نظام عمل داخل المؤسسة وليس مجرد أداة منفصلة لكل مستخدم.
ضبط الصلاحيات والحوكمة يبقيان محوراً حساساً
رغم الجاذبية التقنية لفكرة الوكيل المحلي، فإن الأسئلة المتعلقة بالأمان لا تقل أهمية. فالأنظمة الوكيلة تحتاج غالباً إلى صلاحيات واسعة لقراءة الملفات وصياغة الرسائل والتفاعل مع الأنظمة الداخلية. وإذا كانت طبقة الموافقة النهائية تعتمد على نموذج سحابي خارجي، فقد تعتبر بعض الفرق ذلك مخاطرة امتثالية.
Mindstone تقول إن Rebel يمكن ضبطها بحيث تعتمد على نموذج محلي حتى في قرارات الإيقاف أو التحقق من الإجراءات الحساسة. كما تستخدم المنصة مساحات محددة وملفاً محلياً يوصف بأنه Chief-of-staff README للفصل بين المعلومات الخاصة والفريق والمستوى العام داخل المؤسسة. وعندما تصبح الإشارة السياقية غير واضحة، يتوقف النظام ويطلب موافقة المستخدم بدلاً من التخمين.
هذا التركيز على الوضوح ينسجم مع توجه أوسع في سوق الذكاء الاصطناعي المؤسسي، حيث لم يعد السؤال فقط عن “ما الذي يستطيع النموذج فعله؟”، بل عن “كيف نعرف ما الذي فعله، ولماذا، وتحت أي حدود؟”.
ترخيص Fair Source ونقطة البيع للمؤسسات
تطرح Mindstone Rebel تحت رخصة Fair Source، وهي صيغة تقع بين البرمجيات المغلقة والمفتوحة بالكامل. وبحسب هذا النموذج، يمكن الاطلاع على الشيفرة وتدقيقها وتعديلها ونشرها. كما يمكن للأفراد والمؤسسات التي لا تتجاوز 100 مستخدم متزامن استخدام النظام مجاناً، بينما تحتاج المؤسسات الأكبر إلى ترخيص Mindstone Pro.
وتضيف الشركة بنداً آخر يجعل الإصدارات تتحول تلقائياً إلى رخصة MIT بعد عامين من طرحها. الهدف من ذلك، وفق المنطق التجاري للمنتج، هو تقليل المخاطر التي ترافق الاعتماد على منصة واحدة، خاصة عندما تكون البيانات والتعليمات والعمليات محفوظة محلياً ويمكن نقلها لاحقاً إلى بيئة أخرى.
بالنسبة للعميل المؤسسي، هذه ليست مجرد مسألة ترخيص، بل مسألة ملكية تشغيلية: هل تبقى الأتمتة والذاكرة داخل حدود يمكن إدارتها؟ وهل يمكن مراجعة النظام ونقله إذا تغيرت الحاجة أو المزود؟ Rebel تحاول أن تجعل الإجابة أقرب إلى نعم.
بداية تجارية واختبار عملي مبكر
تقول Mindstone إن المنصة بدأت بالفعل في الاستخدام لدى شركة Epignosis التي تضم 250 موظفاً، وتشمل فرق المبيعات والهندسة والمنتج والمالية وخدمة العملاء. ووفقاً للشركة، أسهم نشر Rebel على مدى 12 أسبوعاً في استعادة ما يعادل قدرة ثمانية موظفين بدوام كامل، وهو رقم يعكس طموحاً واضحاً في تسويق المنصة كأداة إنتاجية لا مجرد تجربة تقنية.
كما تشير Mindstone إلى أن التوسع داخل المؤسسة لم يكن نتيجة فرض إداري مباشر فقط، بل جاء أيضاً من انتشار الاستخدام بين الموظفين بعد أن شاهدوا زملاءهم يختصرون مهاماً تستهلك الوقت. هذا النمط ينسجم مع الرهان الأساسي للشركة: الذكاء الاصطناعي المؤسسي لا ينجح فقط عندما يملك الموظفون وصولاً إلى الأدوات، بل عندما تصبح هناك ذاكرة مشتركة وعمليات قابلة للتكرار وتنسيق واضح بين البشر والوكلاء.
رهان على طبقة تشغيل لا على عدد أكبر من المقاعد
في المحصلة، تراهن Mindstone على فكرة أن مستقبل الذكاء الاصطناعي المؤسسي لن يتحدد بعدد التراخيص أو المقاعد فقط، بل بمدى قدرة المنصات على بناء طبقة تشغيل يمكن الوثوق بها. Rebel تقدم نفسها كحل يحاول الجمع بين الذاكرة المحلية، والتبديل الذكي بين النماذج، والشفافية التشغيلية، وإمكانية التخصيص، مع إبقاء البيانات أقرب إلى المؤسسة نفسها.
لكن الطريق أمام هذا النموذج ليس سهلاً. فالأنظمة المحلية قد تكون أصعب في الإدارة من الخدمات السحابية، والذاكرة المشتركة تثير أسئلة حوكمة معقدة، وتنسيق عدة نماذج يضيف طبقة جديدة من التعقيد. ومع ذلك، ترى Mindstone أن المؤسسات لم تعد بحاجة فقط إلى أدوات ذكاء اصطناعي فردية، بل إلى بنية تحتية تجعل هذه الأدوات تعمل كجزء من نظام عمل متماسك وقابل للمراجعة.