تتحرك Salesforce لتوسيع نطاق منصة MuleSoft Agent Fabric عبر إضافة أدوات جديدة تمنح المؤسسات قدرة أكبر على ضبط وكلاء الذكاء الاصطناعي وتنسيق عملهم وتقليل الفوضى التي تظهر عندما تتعدد الفرق والأنظمة والموردون. التحديثات الجديدة لا تركز فقط على تنظيم الوكلاء داخل بيئة الشركة، بل تمتد أيضاً إلى ربطهم بأدوات خارجية وبنى بيانات قديمة بطريقة أكثر اتساقاً وقابلية للرقابة.
الفكرة الأساسية وراء هذه الخطوة واضحة: كلما زاد اعتماد المؤسسات على وكلاء الذكاء الاصطناعي، زادت الحاجة إلى طبقة تحكم تحدد من يفعل ماذا، ومتى، وبأي قواعد. من دون ذلك قد تتحول المشاريع إلى جزر منفصلة، أو تتكرر فيها المهام نفسها، أو تتضارب فيها السياسات الأمنية والتشغيلية.
منصة أوسع لإدارة الوكلاء
بدأت Agent Fabric كمكان تستطيع الشركات فيه تسجيل وكلاء الذكاء الاصطناعي ورؤيتهم وربطهم ببعضهم البعض وإدارتهم. وفي وقت لاحق أضيفت إليها أدوات للبرمجة الحتمية، إلى جانب آلية لاكتشاف الوكلاء الجدد وضمهم إلى السجل المركزي. أما الآن، فتسعى Salesforce إلى نقل هذه المنصة من مجرد طبقة تنظيمية إلى طبقة تشغيل أعمق تتحكم في كيفية اتخاذ الوكلاء للقرارات وكيفية تنقل المهام بينهم.
هذا التطور مهم لأن المؤسسات لا تتعامل عادة مع وكيل واحد، بل مع مجموعة من الوكلاء تعمل عبر فرق متعددة وبيئات مختلفة. ومع هذا التشعب، يصبح التحدي الحقيقي ليس في بناء الوكلاء فقط، بل في ضمان أن سلوكهم يبقى متوقعاً، وأن القرارات التي يخرجون بها قابلة للتتبع والمراجعة.
التوجيه الحتمي يدخل على الخط
أبرز إضافة جديدة هي Agent Script for Agent Broker، وهي قدرة جديدة داخل Agent Fabric تهدف إلى توجيه المهام بين الوكلاء وفق قواعد محددة مسبقاً. وظيفة هذه الخدمة هي مطابقة طلب المستخدم مع الوكيل الأنسب عبر منطق موجه، بدلاً من ترك كل شيء لاجتهاد نموذج ذكاء اصطناعي قد يختار المسار الذي يراه مناسباً دون ضوابط كافية.
هذا النوع من التوجيه الحتمي يمنح الشركات مستوى أعلى من الاتساق، لأنه يسمح للمطورين بكتابة قواعد واضحة تنظم سير العمل داخل الأنظمة متعددة الوكلاء. كما أنه قد يكون أقل كلفة من الناحية الحسابية، لأن بعض القرارات لا تحتاج إلى تشغيل نموذج لغوي كبير في كل مرة، بل يمكن حسمها عبر قواعد ثابتة ومحددة.
بالنسبة للمؤسسات، المعادلة هنا لا تتعلق بإلغاء الذكاء الاصطناعي، بل بتحديد المساحات التي يُسمح فيها للنموذج بالاستنتاج، وتلك التي يجب أن تبقى تحت رقابة صريحة. هذا التوازن بين المرونة والسيطرة هو ما تبحث عنه أغلب المشاريع الجادة في بيئات الإنتاج.
الحوكمة المركزية لتقليل الفوضى والتكلفة
إلى جانب التوجيه، أضافت Salesforce ميزة جديدة باسم LLM Governance داخل AI Gateway، وهي طبقة تحكم توفر رؤية مركزية لاستهلاك الرموز، والتكاليف، وتدفقات البيانات الخاصة بالنماذج الخارجية. هذه الميزة أصبحت متاحة بشكل عام، وهدفها الأساسي مساعدة الشركات على فهم أين تُستخدم النماذج، ولماذا، وكم تكلف.
أهمية هذه الإضافة تتضح عند النظر إلى الواقع داخل المؤسسات الكبيرة. في كثير من الأحيان تختار الفرق نماذج مختلفة بحسب احتياجاتها، أو تتعاقد على واجهات برمجة تطبيقات منفصلة، أو تدير ميزانيات الاستخدام محلياً من دون إشراف موحد. النتيجة تكون عادةً زيادة في التكاليف، وصعوبة في تطبيق سياسات أمنية متناسقة، وضعف في القدرة على تقييم العائد الفعلي من أدوات الذكاء الاصطناعي.
وجود نقطة مرور مركزية لكل حركة بين الأنظمة والنماذج يساعد فرق تقنية المعلومات على فهم أنماط الاستخدام ومراقبة الالتزام بالسياسات وربط التكلفة بالوظيفة الفعلية لكل حالة استخدام. وهذا بالضبط ما تبحث عنه الشركات عندما يبدأ الذكاء الاصطناعي بالخروج من مرحلة التجربة إلى مرحلة التشغيل الفعلي.
ربط أسهل مع واجهات APIs القديمة
ضمن التحديثات الجديدة أيضاً، أضافت Salesforce قدرات مرتبطة ببروتوكول Model Control Protocol، من بينها MCP Bridge، الذي يهدف إلى تسهيل الوصول إلى واجهات API القديمة، إضافة إلى MCPs مستضافة من Informatica. والهدف هنا هو جعل تفاعل الوكلاء مع البيانات المؤسسية والأنظمة القائمة أقل تعقيداً وأكثر قابلية للإدارة.
هذه النقطة مهمة جداً للمؤسسات التي تملك آلاف الواجهات القديمة المبنية قبل ظهور MCP بوقت طويل، مثل REST وSOAP وGraphQL. من الناحية العملية، لم تكن هذه الأنظمة مصممة أصلاً لتعمل مع وكلاء ذكاء اصطناعي يتحدثون لغة MCP، ما كان يفرض على الفرق الهندسية بناء طبقات وسيطة أو أغلفة برمجية إضافية حول كل واجهة.
MCP Bridge يهدف إلى تقليل هذا العبء عبر جعل تلك الواجهات متاحة كأدوات متوافقة مع MCP من دون الحاجة إلى إعادة كتابة الكود الأساسي. وإذا نجح ذلك على نطاق واسع، فقد يختصر كثيراً من الوقت والجهد المطلوبين لربط الذكاء الاصطناعي بالبنية التقنية القديمة داخل الشركات.
أما MCPs المستضافة من Informatica فتوفر طبقة إضافية من الفائدة، لأنها تدمج وظائف جودة البيانات والحوكمة مباشرة داخل سير العمل الخاص بالوكلاء. وهذا يفيد خصوصاً المؤسسات العاملة في قطاعات منظمة أو عالية الحساسية، حيث لا يكفي أن يصل الوكيل إلى البيانات، بل يجب أن تكون تلك البيانات دقيقة ومطابقة للمعايير المطلوبة.
مكاسب عملية مع بعض التحفظات
رغم الوعود الكبيرة، فإن هذه الأدوات ليست حلاً سحرياً. فالتعامل مع واجهات API القديمة قد يكشف عن سلوكيات غير متوقعة أو حالات خاصة يصعب التنبؤ بها مسبقاً، ما يعني أن الشركات ستحتاج إلى اختبار دقيق قبل الاعتماد الكامل على MCP Bridge في بيئات الإنتاج.
كذلك، فإن دمج أدوات جودة البيانات والحوكمة لا يلغي حقيقة أن عمليات التحقق من السجلات، واكتشاف التكرار، والمطابقة بين الأنظمة المختلفة تستهلك وقتاً، حتى لو كان هذا الوقت محدوداً بالمللي ثانية أو ثوانٍ قليلة. ومع أن هذا قد يبدو طبيعياً في بيئات المؤسسات، فإنه يظل عاملاً يجب أخذه في الحسبان عند تصميم أنظمة تعتمد على الاستجابة السريعة.
وبالنسبة لفرق التطوير، فإن القيمة الحقيقية تكمن في تقليل التعقيد التشغيلي. كل أداة تقلل الحاجة إلى بناء طبقات خاصة، أو متابعة عقود متعددة، أو إنشاء قواعد مكررة عبر الفرق، تمنح المؤسسات فرصة أفضل لتوسيع استخدام الذكاء الاصطناعي من دون التضحية بالسيطرة.
تحول استراتيجي في موقع MuleSoft
تبدو هذه التحديثات جزءاً من تحول أوسع في موقع MuleSoft داخل Salesforce. فبعد أن ارتبطت المنصة لسنوات بإدارة واجهات API والتكامل بين الأنظمة، تحاول الشركة اليوم تقديمها كبنية تحتية أساسية لوكلاء الذكاء الاصطناعي داخل المؤسسة.
بهذا المعنى، لم يعد Agent Fabric مجرد أداة لتنظيم الاتصال بين الأنظمة، بل مرشحاً لأن يصبح طبقة مرجعية تُدار من خلالها عمليات اكتشاف الوكلاء وتوجيههم والرقابة عليهم. وهذا يوسع دور MuleSoft من منصة تكامل تقليدية إلى جزء من البنية الأساسية للذكاء الاصطناعي المؤسسي.
لكن هذا التحول قد يثير أيضاً أسئلة لدى مسؤولي التقنية. فكلما أصبحت طبقة التحكم أكثر مركزية، ارتفعت كلفة الانتقال إلى بديل آخر. وكلما زاد عدد الوكلاء والسياسات والقواعد المرتبطة بالمنصة، أصبح الخروج منها أصعب وأكثر كلفة.
لذلك ستحتاج الشركات إلى تقييم مدى قابلية النقل، وعمق التكامل مع مصادر بيانات غير تابعة لـSalesforce، وآلية التسعير، وما إذا كانت المنصة تمنحها مرونة حقيقية أم تخلق اعتماداً طويل الأمد يصعب فكه لاحقاً.
في الوقت الحالي، الرسالة الأساسية من هذه الخطوات هي أن مرحلة التجربة في الذكاء الاصطناعي المؤسسي بدأت تتحول إلى مرحلة ضبط وتشغيل. ولم يعد السؤال فقط عن ما إذا كان الوكيل يستطيع إنجاز المهمة، بل عن كيف يمكن التأكد من أنه سينجزها بالطريقة الصحيحة، وبأقل تكلفة، وضمن حدود السياسة المؤسسية.