ستة أنواع من المشكلات الصعبة: إطار لفهم ما يمكن للذكاء الاصطناعي أتمتته وما يعجز عنه

في كل مرة يصدر فيها نموذج ذكاء اصطناعي جديد، تنشأ المحادثة ذاتها: هل هو أذكى من سابقه؟ هل سيسرق وظيفتي؟ أي معيار قياسي تفوق فيه؟

هذه الأسئلة الخاطئة. إنها تعامل الذكاء كمحور واحد — أكثر منه أو أقل — في حين أن الواقع أدق من ذلك بكثير. صعوبة المشكلة ليست بُعداً واحداً، بل هي على الأقل ستة أبعاد متمايزة، والذكاء الاصطناعي يُؤتمت هذه الأبعاد وفق جداول زمنية متباينة تبايناً جذرياً.

إن فهم هذا الإطار لن يغيّر فحسب طريقة تقييمك لإصدار النموذج التالي، بل سيغيّر أيضاً طريقة تقييمك لمسيرتك المهنية.

أسطورة الذكاء الأحادي

حين أصدرت Google نموذج Gemini 3.1 Pro في فبراير 2026 وتصدّر 13 من أصل 16 مقارنة مباشرة مع Claude Opus 4.6 من Anthropic وo3-ultra من OpenAI، كان رد الفعل الطبيعي هو إعلانه “أذكى نموذج”. على معيار ARC AGI-2 — وهو اختبار مصمم تحديداً لقياس التفكير الجديد الذي لا يمكن حله بمطابقة الأنماط — سجّل Gemini 3.1 Pro نسبة 18.2%، وهو ما يكاد يُضاعف أفضل نتيجة سابقة كانت 9.8% في جيل واحد. إنها أكبر قفزة في قدرة التفكير الجديد تُقاس في جيل واحد على الإطلاق.

مثير للإعجاب. لكن إليك السؤال غير المريح الذي يتبعه: هل يجعل ذلك منه أفضل نموذج لعملك؟

على الأرجح لا. لأن عملك في الغالب لا يعاني من عنق زجاجة في التفكير الجديد. عنق الزجاجة فيه شيء مختلف تماماً — التنسيق، أو الغموض، أو خبرة المجال، أو الجهد المستدام، أو الذكاء العاطفي. وهذه جميعها أنواع مختلفة من الصعوبة، تُؤتمَت وفق جداول متباينة كلياً.

الخطأ الجوهري الذي يقع فيه معظم المحترفين والمؤسسات هو تقييم قدرة الذكاء الاصطناعي كتلة واحدة متجانسة. “هل يزداد الذكاء الاصطناعي ذكاءً؟” سؤال مبهم مثل سؤالك “هل يتحسن هذا الرياضي؟” دون تحديد ما إذا كنت تقصد سرعته في العدو، أو قدرته على التحمل، أو تفكيره الاستراتيجي، أو أداءه تحت الضغط. بطل الشطرنج وجراح الصدمات كلاهما بارع، غير أن براعتهما لا تكاد تتقاطع في شيء.

الأمر ذاته ينطبق على المشكلات التي يتعلم الذكاء الاصطناعي حلها.

الأنواع الستة للصعوبة

النوع الأول: الصعوبة الاستدلالية

هل تستطيع حل هذا البرهان الرياضي؟ هل تستطيع اكتشاف الخلل المنطقي في هذا الاستدلال القانوني؟ هل تستطيع تتبع نظام موزع معقد لتحديد موقع الخطأ البرمجي؟

المشكلات الصعبة استدلالياً تستلزم سلاسل مستدامة من الاستنتاج المنطقي. إنها تتطلب القدرة على استيعاب متغيرات متعددة في آنٍ واحد، وتتبع الانعكاسات عبر خطوات كثيرة، والوصول إلى استنتاجات قابلة للتحقق بصحتها أو خطئها.

الجدول الزمني للأتمتة: الآن. هذا هو النوع من الصعوبة الذي تُؤتمته نماذج الذكاء الاصطناعي الحالية بأسرع وتيرة. قدرة Deep Think في Gemini 3.1 Pro — سلاسل الاستدلال الموسعة التي يعمل فيها النموذج على المشكلة خطوة بخطوة، أحياناً لدقائق، قبل أن يُنتج الإجابة — تمثل نقلة نوعية في الاستدلال الخالص. لقد دحض النموذج تخمينات رياضية مفتوحة عجز الرياضيون المحترفون عن حلها، واكتشف أخطاء في أوراق علمية محكّمة منشورة.

إن كانت قيمتك في مؤسستك تتمثل أساساً في أنك تُفكّر بصرامة أكبر من زملائك، فأنت في الفئة التي تتحداها التطورات الحالية في الذكاء الاصطناعي مباشرةً.

النوع الثاني: الصعوبة الجهدية

هل تستطيع مراجعة 500 عقد بحثاً عن بند المسؤولية ذاته؟ هل تستطيع معالجة 10,000 إدخال بيانات للتحقق من التناقضات؟ هل تستطيع المحافظة على التركيز ثماني ساعات على مهمة مملة لكنها لا تتطلب تفكيراً عميقاً؟

المشكلات الصعبة جهدياً ليست معقدة معرفياً، بل هي متطلبة حجمياً. صعوبتها في الحفاظ على الانتباه والدقة عبر تنفيذ متكرر بمقياس واسع.

الجدول الزمني للأتمتة: الآن، عبر النماذج الفاعلة. الجيل الحالي من أنظمة الذكاء الاصطناعي الفاعلة — النماذج القادرة على مواصلة العمل لساعات أو أيام في مهام ممتدة — مبني تحديداً لهذا الغرض. النماذج الفاعلة كـOpus 4.6 وCodex من OpenAI مُصمَّمة للجهد المستدام في المهام الطويلة: توليد الكود عبر مستودعات كاملة، ومراجعة الوثائق بمقياس واسع، وتدفقات معالجة البيانات التي تعمل لساعات.

إن كان عملك في المقام الأول صعوباً جهدية، فالأتمتة لم تأتِ بعد — بل هي هنا بالفعل.

النوع الثالث: الصعوبة التنسيقية

هل تستطيع توحيد اثني عشر صاحب مصلحة عبر أربعة أقسام للاتفاق على مواصفات منتج؟ هل تستطيع إدارة التبعيات بين ثلاثة فرق هندسية تعمل على أنظمة متشابكة؟ هل تستطيع التعامل مع أولويات تنظيم مصفوفي متنافسة لاستحصال تمويل لمشروع؟

المشكلات الصعبة تنسيقياً تستلزم فهم منظورات متعددة، وإدارة تفاوتات المعلومات، والتفاوض على مقايضات بين أطراف ذات حوافز مختلفة، والحفاظ على التوافق عبر الزمن مع تغيّر الظروف.

الجدول الزمني للأتمتة: مراحل أولى، تقدم بطيء. أنظمة الذكاء الاصطناعي متعددة العوامل بدأت تتصدى للمشكلات التنسيقية — تنظيم سير العمل عبر عوامل متعددة، وإدارة عمليات التسليم، وحل التعارضات بين مخرجات العوامل. غير أن التنسيق في المؤسسات ينطوي على سياسات وثقة واتفاقيات ضمنية وديناميكيات اجتماعية تكاد أنظمة الذكاء الاصطناعي الحالية لا تُنمذجها. نظام متعدد العوامل يستطيع تنسيق تنفيذ المهام، لكنه لا يستطيع التعامل مع الديناميكيات غير المعلنة في مفاوضة ميزانية بين أقسام متعددة.

النوع الرابع: الصعوبة المتعلقة بخبرة المجال

هل تستطيع تشخيص هذه الحالة المناعية النادرة في ضوء عرض أعراض غير نمطي؟ هل تستطيع تقييم هذه الصفقة للاستحواذ والاندماج M&A في ضوء معرفتك بكيفية قيام المنظمين في هذه الولاية القضائية المحددة بالبت في معاملات مماثلة؟ هل تستطيع التنبؤ بسلوك هذه المادة المركبة تحت دورات التسخين الحراري المستمر؟

صعوبة خبرة المجال تستلزم معرفة تراكمت عبر سنوات من الممارسة — ليست مجرد معلومات، بل التعرف على الأنماط الناتج عن مشاهدة مئات الحالات، وارتكاب الأخطاء، وتطوير حدس يتجاوز ما هو مكتوب في الكتب المدرسية.

الجدول الزمني للأتمتة: بطيء، مع فجوة قائمة. نماذج الذكاء الاصطناعي تزداد قدرةً على محاكاة خبرة المجال من خلال بيانات التدريب. نموذج حدودي يستطيع مناقشة طب القلب أو قانون العقود بطلاقة لافتة. لكن ثمة فجوة ذات معنى بين “قرأ عنه” و”عاشه”. المهندس الأول لا يُصحح الأخطاء البرمجية بسرعة أكبر لأنه يُفكّر بصرامة أكبر من المهندس المبتدئ. يُصحّحها بسرعة لأنه شاهد تلك العلامة الكاملة للرسالة السابقة من قبل، ويعرف تفاصيل المكتبة غير الموثقة، ويتذكر الحادثة في الإنتاج عام 2019 التي كانت لها السبب الجذري ذاته.

محامي الاستحواذ والاندماج المخضرم لا يُقيّم الصفقات بصورة أفضل لأنه أذكى. يُقيّمها بصورة أفضل لأنه أغلق 300 صفقة واستوعب أي الإقرارات والضمانات تُلاحَق فعلياً أمام القضاء وأيها نصوص اعتيادية لا يطبّقها أحد.

تُمتصّ هذه المعرفة المُعاشة ببطء في بيانات التدريب، لكن الفجوة لا تزال حقيقية — ولا سيما في المجالات ذات الأدبيات المنشورة الشحيحة، حيث تتجسد أكثر المعارف قيمةً في الذاكرة المؤسسية والحدس المهني لا في النصوص المكتوبة.

النوع الخامس: الصعوبة الغامضة

هل تستطيع تحديد ما يريده العميل فعلاً حين يقول إنه يريد أن “يبدو أكثر فخامة”؟ هل تستطيع الحكم على ميزة المنتج التي تبنيها في المرحلة التالية حين تكون إشارات السوق متناقضة؟ هل تستطيع اتخاذ قرار توظيف حين يكون مرشحان قويَّين في أبعاد مختلفة كلياً؟

المشكلات الغامضة الصعبة مختلفة جوهرياً عن الأنواع السابقة. الصعوبة ليست حسابية؛ إنها أن لا توجد إجابة صحيحة موضوعياً. أفضل استجابة تعتمد على القيم والسياق والاستراتيجية المؤسسية وديناميكيات أصحاب المصلحة والأحكام التقديرية التي لا يمكن حلها بمزيد من المعلومات أو تفكير أفضل.

الجدول الزمني للأتمتة: بطيء جداً. هنا يبقى الحكم البشري أكثر ما لا يُعوَّض. أنظمة الذكاء الاصطناعي تستطيع توليد الخيارات وإبراز البيانات ذات الصلة وحتى صياغة المقايضات. لكن فعل إصدار حكم في ظل شكٍّ حقيقي — حيث يختلف العقلاء، وحيث تعتمد الإجابة على القيم لا المنطق — يظل راسخاً في يد الإنسان.

وليس من قبيل المصادفة أن هذا هو المكان الذي يجري فيه أكثر العمل المعرفي قيمةً. القرارات التي ترسم شكل المؤسسات ليست تلك التي لها إجابات صحيحة واضحة؛ بل هي تلك التي تتطلب التعامل مع الغموض.

النوع السادس: الصعوبة العاطفية الذكائية

هل تستطيع إدراك أن أحد أعضاء الفريق يقترب من الإجهاد رغم إصراره على أنه بخير؟ هل تستطيع التعامل مع السياسات في اجتماع مجلس الإدارة حيث مديران يملكان أجنداتٍ متضاربةً لم يُصرّحا بهما؟ هل تستطيع تقديم ملاحظات الأداء المدمِّرة بطريقة تحفّز عوضاً عن الإحباط؟

مشكلات الذكاء العاطفي الصعبة تتطلب قراءة الناس — مخاوفهم غير المعلنة وحالاتهم العاطفية وديناميكياتهم الاجتماعية ودوافعهم — والاستجابة بطرق ملائمة للموقف وفعّالة في العلاقات.

الجدول الزمني للأتمتة: الأبعد زمنياً. أنظمة الذكاء الاصطناعي الحالية تستطيع محاكاة التعاطف نصياً وتوظيف النبرة المناسبة والتعبير عن الاهتمام. لكن الذكاء العاطفي الفعلي — القراءة الآنية لأجواء الغرفة، والتعامل مع الديناميكيات الشخصية، والحكم على متى تُصرّ ومتى تتراجع — يستلزم نوعاً من الوعي الاجتماعي الحي الذي لا يقترب من الأتمتة بعد.

لماذا يُغيّر هذا الإطار كل شيء

القوة العملية لهذا الإطار أنه يحوّل القلق الغامض من الذكاء الاصطناعي (“هل سيسرق وظيفتي؟”) إلى تحليل محدد وقابل للتنفيذ.

الخطوة الأولى: دقّق عملك حسب نوع المشكلة. أمضِ أسبوعاً في تصنيف كل مهمة تؤديها — ليس بحسب الموضوع، بل بحسب ما يجعلها صعبة. هل هي صعبة استدلالياً؟ جهدياً؟ تنسيقياً؟ خبرةً في المجال؟ غموضاً؟ عاطفياً؟

معظم المحترفين سيكتشفون أن المهام التي يقضون فيها أكثر وقتاً ليست المهام ذاتها التي تجعلهم أكثر قيمة. محلل مالي قد يقضي 60% من وقته في مهام صعبة جهدياً (معالجة البيانات وتجميع التقارير) و20% في مهام غامضة صعبة (توصيات الاستثمار في ظل الشكوك). الـ60% قابل للأتمتة العالية اليوم. الـ20% هو سبب وجوده في الوظيفة.

الخطوة الثانية: توقّف عن السؤال “أي نموذج الأفضل.” السؤال لا معنى له دون محدِّد نوع المشكلة. للاستدلال الخالص — البراهين الرياضية والتحليل المنطقي وتصحيح الأخطاء المعقدة — Gemini 3.1 Pro مع Deep Think هو على الأرجح أقوى خيار حالي. للعمل المعرفي اليومي — الصياغة والتلخيص والتحليل الحواري — تبقى Claude وChatGPT ممتازتَين والفوارق بينهما هامشية. للمهام الجهدية الممتدة — توليد الكود الطويل ومراجعة الوثائق ومعالجة البيانات — النماذج الفاعلة مُصمَّمة لهذا.

السؤال “أي نموذج الأفضل” كالسؤال “أي مركبة الأفضل” دون تحديد ما إذا كنت تحتاج عبور المحيط أو التنقل في المدينة أو نقل البضائع.

الخطوة الثالثة: استثمر في قدراتك الأقل قابلية للأتمتة. إن كانت قيمتك الأساسية لمؤسستك هي الاستدلال، فأنت في سباق مع نماذج تُضاعف درجات تفكيرها الجديد في أجيال واحدة. المسار واضح. لن تخسر هذا السباق في الربع القادم، وربما لا في العام التالي، لكن الاتجاه لا لبس فيه.

إن كانت قيمتك الأساسية في التعامل مع الغموض وبناء التوافق واتخاذ الأحكام في ظل الشكوك والاستفادة من خبرة المجال العميقة المتراكمة عبر سنوات، فأنت في وضع أقوى بكثير. هذه القدرات هي الأصعب أتمتةً والأكثر قيمةً في السياقات المؤسسية.

الانعكاسات على المؤسسات

لهذا الإطار عواقب تتجاوز المسارات المهنية الفردية؛ إذ يُعيد تشكيل طريقة تفكير المؤسسات في نشر الذكاء الاصطناعي.

معظم الشركات تنشر الذكاء الاصطناعي استناداً إلى المجالات الأكثر إثارة للإعجاب في العروض التجريبية — مهام الاستدلال والجهد. تُؤتمت توليد التقارير وتحليل البيانات وصياغة المحتوى. هذه مكاسب حقيقية في الإنتاجية، لكنها أيضاً أدنى تطبيقات الإطار قيمةً.

أعلى التطبيقات قيمةً تكمن في طبقات التنسيق والغموض وخبرة المجال — باستخدام الذكاء الاصطناعي لتعزيز القدرات البشرية لا استبدالها في المجالات التي تكون فيها القرارات أكثر أهميةً. نظام ذكاء اصطناعي يساعد فريقاً طبياً على النظر في التشخيصات التفاضلية التي ربما فاتتهم (تعزيز خبرة المجال) أو يُبرز الإشارات المتناقضة في السوق لفريق منتجات كي يُقيّمها (هيكلة الغموض) يخلق قيمةً بمرتبة مختلفة عن الذكاء الاصطناعي الذي يُصيّغ الرسائل الإلكترونية بسرعة أكبر.

المؤسسات التي تنشر الذكاء الاصطناعي فقط في مواجهة المشكلات الصعبة استدلالياً وجهدياً ستحقق كفاءات إضافية. أما المؤسسات التي تتعلم نشر الذكاء الاصطناعي كمكمّل للقدرات البشرية في المجالات الغامضة والتنسيقية فستحقق ميزةً استراتيجية.

الحقيقة غير المريحة حول المعايير القياسية

يُفسّر هذا الإطار أيضاً سبب كون المعايير القياسية للذكاء الاصطناعي أكثر تضليلاً كمؤشرات على التأثير الفعلي. المعايير تقيس بصورة طاغية القدرات الصعبة استدلالياً وجهدياً. تختبر القدرة الرياضية وكفاءة البرمجة والاستدعاء الواقعي والاستنتاج المنطقي. وهذه أكثر أنواع الصعوبة قابلية للأتمتة.

المعايير لا تقيس — وهيكلياً لا تستطيع قياس — أنواع الصعوبة الأكثر أهميةً في السياقات المؤسسية: التنسيق في ظل التعقيد السياسي، والحكم في ظل الغموض الحقيقي، والحدس المجالي المبني على سنوات من الممارسة، والذكاء العاطفي في المواقف الشخصية عالية المخاطر.

حين تتضاعف درجات المعيار لنموذج ما، الاستجابة الصحيحة ليست “الذكاء الاصطناعي أصبح أكثر قدرة بمقدار الضعف.” بل هي: “الذكاء الاصطناعي أصبح أكثر قدرة بمقدار الضعف في الأنواع المحددة من الصعوبة التي تقيسها المعايير، وهي أيضاً الأنواع التي تُؤتمَت بأسرع وتيرة، وهي أيضاً الأنواع الأقل مساهمةً في العمل المعرفي الأكثر قيمة.”

هذا عنوان أقل إثارة. وهو أكثر دقةً.

ما التالي

الإطار المؤلف من ستة أنواع ليس ثابتاً؛ ستتحول الحدود. تتآكل خبرة المجال بسرعة أكبر في الحقول ذات الأدبيات المنشورة الغنية (القانون، والطب) مقارنةً بالحقول ذات التوثيق الشحيح (التصنيع المتخصص، والاستشارات المتخصصة). تتقدم قدرة التنسيق مع نضوج البنى المعمارية متعددة العوامل. حتى معالجة الغموض ستتحسن مع تطوير النماذج لتمثيلات أفضل للسياق المؤسسي.

لكن من غير المرجح أن تنعكس هرمية صعوبة الأتمتة. الاستدلال والجهد سيبقيان الأسهل أتمتةً. الذكاء العاطفي والغموض سيبقيان الأصعب. والمحترفون والمؤسسات الذين يفهمون هذه الهرمية — ممن يستثمرون في القدرات الموجودة في الطرف الصعب للأتمتة ويستخدمون الذكاء الاصطناعي للتعامل مع البقية — سيكونون المزدهرين في السنوات المقبلة.

لم يعد السؤال ما إذا كان الذكاء الاصطناعي يزداد ذكاءً. إنه يزداد ذكاءً في أنواع محددة من الذكاء، وفق جداول زمنية محددة، مع انعكاسات محددة على أنواع محددة من العمل. الإطار هو الاستراتيجية.

المصادر والقراءات الإضافية

• ARC AGI-2 Benchmark: Novel Reasoning Evaluation
• Google DeepMind: Gemini 3.1 Pro Technical Report (February 2026)
• McKinsey Global AI Survey 2025-2026: The State of AI
• Deloitte 2026 State of AI in the Enterprise Report
• Google Research: Deep Think Extended Reasoning Chains (2026)
• World Economic Forum: Future of Jobs Report 2025