تحدي الذاكرة في وكلاء الذكاء الاصطناعي

تواجه أدوات الذكاء الاصطناعي الحالية معضلة تقنية تتمثل في عدم قدرتها على فهم السياق التجاري العميق المرتبط بمهام العمل. فبينما يمكن للنماذج الحالية حل مشكلات منطقية معقدة، تظل البيانات الأساسية للشركات -مثل التقارير المالية، والرسائل البريدية، والوثائق القانونية- مبعثرة في أنظمة مختلفة وغير مترابطة. تهدف شركة V7 ⁠ من خلال منصتها الجديدة "V7 Go" إلى سد هذه الفجوة عبر تحويل تلك الملفات إلى سياق معرفي قابل للبحث والتنفيذ. ويمكن الرجوع إلى OpenAI News للاطلاع على التفاصيل الأصلية للمصدر.

تأسست الشركة في عام 2018 بهدف تعليم أنظمة الذكاء الاصطناعي كيفية عمل المؤسسات من الداخل. اليوم، تأخذ المنصة هذا الهدف إلى مستوى جديد عبر أتمتة مهام بالغة الأهمية كانت تتطلب في السابق عشرات الساعات من الجهد البشري. ومن خلال ربط الوكلاء بالذاكرة المؤسسية الحية، تمكنت المنصة من معالجة بيانات غير منظمة وتحويلها إلى موارد يمكن للنماذج الاستناد إليها لاتخاذ قرارات دقيقة وموثوقة.

هيكلية الذاكرة: Context Graph

يعتمد الابتكار الأساسي في V7 Go على "Context Graph"، وهو هيكل بيانات متطور يربط بين الكيانات (مثل الشركات، الصناديق المالية، والأشخاص) والعلاقات والأدلة المستمدة من المصادر الأصلية. بدلاً من محاولة استرداد السياق في كل طلب جديد -وهو ما يعد مكلفاً وبطيئاً- يقوم هذا الرسم البياني بتنظيم المعلومات فور وصولها من مستودعات مثل Google Drive أو SharePoint.

يقلل هذا النهج من ظاهرة "الهلوسة" (Hallucinations) في النماذج بشكل كبير. ففي اختبارات الأداء، تفوق نظام الاسترداد الخاص بـ V7 على المعايير الرسمية بنسبة 69%، مع تقليل الأخطاء في الاستفسارات غير القابلة للإجابة بنسبة 38%. بفضل هذا الربط المباشر مع المصادر، تظل جميع المخرجات التي يقدمها الوكلاء مستندة إلى حقائق الشركة الموثقة، مما يوفر سجلًا تدقيقيًا كاملاً لكل خطوة عمل.

تكامل تقنيات OpenAI في سير العمل

تستغل المنصة قدرات نماذج OpenAI المتعددة لضمان تنفيذ المهام المعقدة. يتم توزيع المهام حسب الحاجة؛ حيث يتولى GPT-5.6 Luna عمليات الاستخراج المهيكلة، بينما تُستخدم نماذج Terra وSol في خطوات التفكير المعقد واستخدام الأدوات التي تتطلب تحليلات متعددة المراحل. وفي أحدث الاختبارات، أثبت نموذج GPT-6 Astra تفوقاً ملحوظاً في معالجة استعلامات الرسوم البيانية الصعبة، حيث حقق دقة بلغت 89% في الاختبارات الأكثر تعقيداً.

يعزز هذا التكامل من سرعة سير العمل، حيث تشير تقارير V7 إلى أن الوكلاء أصبحوا قادرين على إتمام مهام مكونة من 50 إلى 100 خطوة في غضون دقائق. هذا التطور لا يقتصر على السرعة فحسب، بل يمتد ليشمل خفض تكاليف العمليات؛ فقد لاحظت الشركة انخفاضاً بنسبة 78% في تكلفة معالجة المستندات الواحدة عند استخدام نماذج أكثر كفاءة، مما يعزز جدوى الاعتماد على الذكاء الاصطناعي في بيئات العمل المهنية.

النتائج الملموسة في القطاعات الحساسة

يظهر الأثر العملي لهذه التقنيات بوضوح في قطاعات التمويل والتأمين. ففي مجال إدارة الأصول، تمكن مديرو الاستثمار من تقليص وقت فحص الصفقات من يوم عمل كامل إلى 15 دقيقة فقط، بزيادة في السرعة تبلغ 21 ضعفاً. وفي خدمات مالية أخرى، انخفض زمن المراجعة من 100 ساعة إلى أقل من 10 ساعات، مما وفر تكاليف بشرية تقدر بـ 12 ألف دولار لكل مهمة.

أما في قطاع التأمين، فقد ساهم منح الوكلاء إمكانية الوصول إلى السجل التاريخي للمطالبات والسياسات في خفض الأخطاء البشرية بنسبة 13.5%. هذا النجاح يدفع المزيد من المؤسسات لتبني هذه الحلول التي توفر توازناً بين الأتمتة المتقدمة والدقة المطلوبة في الأعمال الحساسة.

مستقبل الربط بين الشركات والذكاء الاصطناعي

تتيح المنصة الآن للمستخدمين الاستفادة من هذه الإمكانات عبر خادم MCP الخاص بها، مما يسمح بالوصول إلى سياق البيانات عبر ChatGPT أو أدوات أخرى. وتتطلع الفرق التقنية إلى مزيد من التكامل الذي يقلل من زمن تصميم سير العمل ويجعل "الذاكرة المؤسسية" جزءاً أصيلاً من تفاعل البشر مع الأنظمة الذكية.

المصادر

• OpenAI NewsHow V7 gives AI agents institutional memory