تواجه المؤسسات التي تعتمد على الأنظمة القديمة والهجينة تحدياً متزايداً يتمثل في تراجع الخبرات المتخصصة بالتزامن مع ارتفاع تعقيد البنية التقنية. وفي هذا السياق، يبرز الذكاء الاصطناعي المحادثي كأداة جديدة يمكنها تقليص الفجوة بين المعرفة المتراكمة لدى عدد محدود من الخبراء وبين احتياجات فرق التشغيل التي تتعامل يومياً مع أنظمة حيوية لا تحتمل التوقف.
ويتركز هذا التحول بصورة خاصة في بيئات المينفريم، حيث لا يزال كثير من القطاعات الكبرى، مثل الخدمات المالية والتأمين والخدمات المؤسسية، يعتمد على هذه المنصات لتنفيذ عمليات أساسية. ومع تقاعد الجيل الذي بنى هذه الأنظمة أو عمل عليها لعقود، تصبح القدرة على فهم سلوك التطبيقات القديمة وتشخيص المشكلات بسرعة أكثر صعوبة، ما يرفع مخاطر التأخير في الإصلاح ويزيد من كلفة الانقطاعات.
من الاعتماد على الخبرة الفردية إلى تشخيص يستند إلى البيانات
في النماذج التقليدية لإدارة الأعطال، تعتمد الفرق التقنية غالباً على أدوات متفرقة وسجلات تشغيلية منفصلة، إضافة إلى خبرة شخصية غير موثقة بشكل كافٍ. هذا الأسلوب يجعل حل المشكلات عملية بطيئة ومجزأة، لأن الوصول إلى السبب الجذري قد يتطلب جمع إشارات من أنظمة متعددة ثم الربط بينها يدوياً.
أما في النموذج الجديد، فيمكن للمهندس أن يطرح سؤالاً بلغة طبيعية، ثم يحصل على تحليل لحظي يأخذ في الاعتبار السجلات ومؤشرات الأداء والأحداث المرتبطة عبر البنية الكاملة. وتكمن القيمة هنا في أن النظام لا يكتفي بعرض البيانات، بل يفسرها ويقترح الخطوات التالية بطريقة يمكن لفرق التشغيل استخدامها مباشرة ضمن بيئة عمل خاضعة للرقابة البشرية.
هذا النوع من الأدوات يغيّر طبيعة العمل من رد الفعل إلى الاستباق. فبدلاً من انتظار تعطل الخدمة ثم البدء في البحث، تستطيع فرق العمليات رصد الأنماط الشاذة مبكراً، وتحديد المسار المحتمل للمشكلة قبل أن تتحول إلى توقف مؤثر في الخدمة أو في تجربة المستخدم.
تحديث الأنظمة القديمة دون استبدال شامل
تدفع موجة التحديث الرقمي بعض المؤسسات إلى التفكير في استبدال أنظمة المينفريم بالكامل، لكن هذا الخيار ليس دائماً الأنسب. فهذه المنصات ما زالت تؤدي دوراً محورياً في تشغيل العمليات عالية الحساسية، كما أن الاستبدال الكامل قد يضيف مستوى جديداً من المخاطر التشغيلية ويستنزف الموارد دون ضمان نتائج أفضل.
النهج الأكثر واقعية يتمثل في البناء التدريجي فوق الأصول القائمة، مع إدخال قدرات جديدة تجعل إدارتها أسهل وأكثر شفافية. هنا يظهر دور الذكاء الاصطناعي الموجه للعمليات، لأنه يسمح بتتبع العلاقة بين المينفريم والأنظمة السحابية والتطبيقات الموزعة ضمن رؤية واحدة. وبدلاً من التعامل مع كل طبقة على حدة، يمكن للمؤسسة فهم السلسلة الكاملة للأحداث التي أدت إلى التباطؤ أو الانقطاع.
وتساعد هذه الرؤية الموحدة على تقليل الاعتماد على ما يُعرف في المؤسسات الكبيرة بالمعرفة الضمنية أو المعرفة المتوارثة بين الموظفين. فحين تصبح الإجراءات والأسباب المتوقعة أكثر وضوحاً، يمكن تدريب فرق جديدة بسرعة أكبر، وتقليل الفجوة بين الخبرات القديمة والاحتياجات التشغيلية الحالية.
التشخيص القابل للتفسير يرفع كفاءة الفرق التقنية
لا يكفي أن يحدد النظام أن هناك خللاً؛ الأهم أن يوضح لماذا حدث الخلل وما هي البيانات التي قادت إلى هذا الاستنتاج. وهنا يأتي مفهوم التشخيص القابل للتفسير، وهو النهج الذي يربط بين التحليل الآلي والشرح البشري الواضح. هذا النوع من الذكاء الاصطناعي لا يهدف فقط إلى الأتمتة، بل إلى بناء ثقة تشغيلية تسمح باتخاذ القرار بسرعة وبقدر أعلى من الدقة.
في بيئات COBOL والمينفريم والبيئات الهجينة، تصبح هذه الخاصية ذات أهمية مضاعفة، لأن المشكلات غالباً ما تكون ناتجة عن تفاعل معقد بين طبقات متعددة من الأنظمة. ومن خلال تحليل السلوك التشغيلي وربط الإشارات المتناثرة، يستطيع النظام المساعدة في تحديد السبب الجذري وتقليص زمن الإصلاح، وهو ما ينعكس مباشرة على زمن الاستعادة بعد الأعطال.
كما أن الدمج بين التحليل الآلي والإشراف البشري يساعد المؤسسات على تبني ما يمكن وصفه بالعمليات الوكيلة، حيث لا يقتصر دور الذكاء الاصطناعي على الإبلاغ، بل يمتد إلى تقديم توصيات قابلة للتنفيذ ضمن ضوابط واضحة. هذا النموذج يوازن بين السرعة والحوكمة، وهو عنصر أساسي في البيئات الحرجة التي تتطلب درجة عالية من الانضباط التشغيلي.
قدرات تشغيلية تدعم الرصد والتحليل
تتجه المنصات الحديثة في هذا المجال إلى تقديم مجموعة من القدرات الأساسية التي تجعلها أكثر ملاءمة للبيئات المعقدة. وتشمل هذه القدرات الرؤية الشاملة عبر الأنظمة المحلية والسحابية والهجينة، وربط السجلات والأحداث تلقائياً، وتحليل الأسباب الجذرية للمشكلات، والتفاعل باللغة الطبيعية، إلى جانب اكتشاف الأنماط غير الطبيعية بصورة مستمرة.
هذه الوظائف ليست مجرد تحسينات تقنية، بل عناصر تعيد تعريف طريقة إدارة العمليات. فحين تتوفر أداة يمكنها جمع الإشارات المتفرقة وتقديم تفسير واحد متماسك، يصبح من الممكن تقليل الوقت الذي يقضيه المهندسون في التنقل بين الأدوات، والتركيز بدلاً من ذلك على المعالجة واتخاذ القرار.
- رصد موحد عبر المينفريم والبيئات السحابية والتطبيقات الموزعة
- تحليل تلقائي للسجلات والأحداث وربطها زمنياً
- تشخيص مدعوم بالذكاء الاصطناعي للأعطال المعقدة
- استخدام اللغة الطبيعية في الاستعلام عن حالة الأنظمة
- اكتشاف مبكر للأنماط الشاذة داخل مسارات التحديث
أثر مباشر على المرونة التشغيلية
تنعكس هذه الأدوات على عدد من المؤشرات التي تهم الإدارات التقنية وفرق القيادة الرقمية. فكلما انخفض زمن تحديد المشكلة وزمن حلها، زادت موثوقية الخدمة وتحسنت استمرارية الأعمال. كما أن تقليل الاعتماد على خبرة أفراد محددين يحد من المخاطر المرتبطة بتغير القوى العاملة، خصوصاً في القطاعات التي تشهد فجوة متزايدة بين عدد الأنظمة الحساسة وعدد المتخصصين القادرين على إدارتها.
ويفيد هذا التوجه أيضاً في تسريع إدماج الموظفين الجدد، لأنهم لم يعودوا بحاجة إلى سنوات من الخبرة غير الموثقة لفهم المنظومة. فحين تصبح العلاقات بين المكونات أوضح، تصبح المعرفة التشغيلية قابلة للنقل والتوسع، وهو ما يعزز قابلية المؤسسة للنمو دون التضحية بالاستقرار.
الأهم من ذلك أن الذكاء الاصطناعي هنا لا يطرح بديلاً كاملاً عن فرق العمليات، بل يعيد توزيع الأدوار بينها وبين الأنظمة الذكية. فالخبرة البشرية تظل ضرورية للحكم النهائي، لكن النظام يمكنه أن يتولى جمع المعطيات وتفسيرها بسرعة أعلى، مما يرفع جودة القرار ويقلل من احتمالات الخطأ.
لماذا تكتسب هذه الأدوات أهمية لدى مسؤولي التقنية
بالنسبة إلى مسؤولي التقنية، لا يتعلق الأمر فقط بتحديث الأدوات المستخدمة، بل بإعادة بناء نموذج إدارة الأعطال نفسه. فالمؤسسة التي تستطيع فهم مشكلاتها بصورة أسرع، والتعامل مع الأنظمة القديمة دون تعطيل العمليات، ستكون أكثر قدرة على التكيف مع التحول الرقمي المتسارع.
كما أن الجمع بين الذكاء الاصطناعي المحادثي والتحليل القابل للتفسير يمنح الفرق التقنية مستوى جديداً من الشفافية، وهو ما يصبح ضرورياً عندما تكون الخدمات المرتبطة بالمينفريم جزءاً من البنية الأساسية للأعمال. في هذه الحالة، لا يعود السؤال هو ما إذا كانت الأنظمة القديمة ستختفي، بل كيف يمكن جعلها أكثر ذكاءً ومرونة واستعداداً للمرحلة التالية من التطور التقني.