طبقة الموثوقية التي يحتاجها الذكاء الاصطناعي قبل أن يقترب من أرقامك

اسأل نموذجاً متقدماً عن حاصل ضرب 4,182,019 في 7,431. سيجيبك في الحال، بثقة تامة، وعلى الأرجح ستكون إجابته خاطئة. ليس خطأ “تقريب” بسيط، بل خطأ بمئات الآلاف، معروضاً وكأنه خرج لتوّه من آلة حاسبة.

تخيّل الآن النموذج نفسه وهو يجيب عن سؤال يطرحه مجلس الإدارة حول اتجاه هامش الربح الإجمالي عبر ثلاثة كيانات، وعملتين، وتعديل في دليل الحسابات في منتصف العام. سيجيب بالقدر نفسه من الثقة. ولن تملك وسيلة سريعة تميّز بها بين الرقم الحقيقي والرقم المُختلق.

تلك الفجوة، بين مدى ثقة الذكاء الاصطناعي في نبرته ومدى موثوقية حساباته فعلياً، هي جوهر المشكلة كلها. وهي أيضاً سبب أن معظم الفرق المالية التي حاولت ربط روبوت محادثة بأرقامها توقفت عن استخدامه بهدوء.

النموذج ليس عنق الزجاجة

ثمة ميل تلقائي لدى قيادات المال اليوم لافتراض أن الإصدار التالي من النموذج سيحل هذه المشكلة. لن يفعل، على الأقل ليس بالشكل الذي يأمله الناس، لأن الخلل ليس فجوة في المعرفة، بل خلل في البنية ذاتها.

النماذج اللغوية لا تحسب. إنها تتنبأ بالرمز التالي بناءً على أنماط في النصوص. فالأرقام تُجزّأ إلى قطع لا يعيد النموذج تجميعها قط في كمية يستطيع إجراء العمليات عليها. لذا حين “يحسب” نموذج لغوي، فهو في الواقع يطابق الأنماط لما تبدو عليه عادةً إجابة مسألة مشابهة في الشكل. في العمليات الصغيرة الشائعة يصيب لأنه رآها ملايين المرات. أمّا حين تدفع به نحو عمليات حسابية أكبر أو أقل ألفة، فتنهار الدقة انهياراً حاداً. وقد وثّق الباحثون هذا النوع من الانهيار بالضبط: دقة شبه كاملة في الحالات السهلة، وعديم الجدوى تقريباً في الأصعب، دون أي إنذار بينهما.

ذلك الجزء الأخير هو ما ينبغي أن يقلق المدير المالي. النموذج لا يخفض من صوته حين يكون غير واثق. هو بليغ بالقدر نفسه حين يصيب وحين يختلق. نتعمّق في التفاصيل التقنية في لماذا يخطئ الذكاء الاصطناعي في الأرقام، لكن الخلاصة باختصار: النموذج الأكثر فصاحة ليس بالضرورة الأكثر دقة.

فإذا كان لا يمكن الوثوق بالنموذج في إجراء الحساب، فما الذي يبرع فيه الذكاء الاصطناعي فعلاً في المجال المالي؟ الكثير. قراءة سؤال مصاغ بلغة طبيعية بسيطة. معرفة أي الأرقام يهم. شرح انحراف بذكاء محلّل بارع. صياغة التعليقات والملاحظات. هذه مهام لغوية، واللغة هي تحديداً ما صُمّمت هذه الأنظمة من أجله. أمّا الحساب فهو الجزء الذي تنتزعه منها.

ولماذا لا يفلح “مجرّد تغذيته ببياناتنا” أيضاً

الميل الثاني الشائع هو الاسترجاع: اربط النموذج ببياناتك المالية الفعلية كي يكفّ عن التخمين. هذا هو الاتجاه الصحيح، لكنه لا يكفي وحده.

التوليد المعزَّز بالاسترجاع (RAG) يستطيع أن يخبرك من أين جاء الرقم. لكنه لا يستطيع أن يخبرك ما إذا كانت العملية الحسابية المبنية على ذلك الرقم صحيحة، أو ما إذا كانت البيانات الأساسية متطابقة ومتّسقة. وجّه نظام استرجاع نحو دفتر أستاذ عام مبعثر وثلاثة جداول بيانات مُصدَّرة، فستحصل على إجابات سريعة وموثَّقة المصدر مبنية على أرقام لم تتطابق أصلاً منذ البداية. واثقة، وموثَّقة، وخاطئة رغم ذلك. والاسترجاع الساذج يميل إلى الوصول إلى سقف يقصر عن مستوى الدقة الذي يوافق عليه فريق مالي. نفصّل هذا السقف في الاسترجاع وحده لا يكفي في المالية.

وثمة نقطة هيكلية أكبر تكمن تحت هذا، وقد وضع لها معهد MIT رقماً. وجدت دراسة من عام 2025 واسعة الاستشهاد أن الغالبية الساحقة من المشاريع التجريبية للذكاء الاصطناعي التوليدي في المؤسسات لم تُحدِث أثراً ملموساً في النتيجة النهائية. وفي المالية تحديداً، ما يُفشل هذه التجارب نادراً ما يكون النموذج. بل إن البيانات لم تكن قط في حالة يستطيع أي نظام أن يستدل عليها بوضوح. كانت الأرقام تعيش في أدوات مختلفة، وبتوقيتات مختلفة، وتحت تعريفات مختلفة لكلمة “الإيراد”. لا تسوية، ولا مصدر مشترك للحقيقة. نشرح ما يعنيه ذلك للفرق المالية في مشكلة الـ 95%.

النمط واحد في كل هذا. هندسة أوامر أذكى، ونوافذ سياق أوسع، ونماذج أحدث، لا شيء منها يصلح أساساً لم يُبْنَ من الأصل. عليك أن تبني الأساس.

ما هي طبقة الموثوقية فعلياً

إليك البنية التي تصمد. ثلاث وظائف، مفصولة فصلاً صارماً، كي لا يُسلَّم أبداً ما هو بارع في اللغة إلى ما يتطلب الدقة المطلقة.

نموذج واحد مُسوّى في الأساس. قبل أن يتدخل أي ذكاء اصطناعي، تسحب البيانات من أينما كانت، QuickBooks أو Xero أو NetSuite أو Sage أو مستودع بيانات أو كشوفات مرفوعة، ثم تحلّها في نموذج مالي واحد يتطابق مع دفتر الأستاذ. تعريف واحد لكل مقياس. مجموعة واحدة من الأرقام تتّسق فيما بينها. هذا هو الجزء الذي يريد الجميع تخطّيه، وهو الجزء الذي يعتمد عليه كل ما عداه.

محرك حتمي للحساب. حين يستلزم السؤال حساباً، تجري العمليات الحسابية في محرك حساب حقيقي، لا داخل “رأس” النموذج. المدخلات نفسها تنتج المخرجات نفسها في كل مرة. جمع عمود، أو بناء نسبة، أو تدوير توقّع، أو تشغيل سيناريو افتراضي، كله محسوب لا متنبَّأ به. النموذج اللغوي يقترح ما يجب حسابه. وهو لا يجري الحساب قط.

كل رقم يعود إلى مصدره. أي رقم يبلّغ عنه النظام يمكن تتبّعه رجوعاً إلى السجلات الأساسية وإلى مسار الحساب الدقيق الذي أنتجه. ليس “ثق بي”، بل انقر لترى من أين جاء. هذا ما يحوّل إجابة الذكاء الاصطناعي إلى شيء يمكنك أن تعرضه أمام مجلس إدارة أو مدقّق حسابات.

أتقِن هذه الثلاثة، وسيتغيّر دور الذكاء الاصطناعي. يصبح هو الواجهة والمحلّل، جالساً فوق أرقام جرت تسويتها من قبل وتُعاد حوسبتها دائماً بصورة حتمية. النموذج يتولّى المعنى. المحرك يتولّى الحساب. وطبقة النموذج تتولّى الحقيقة.

هذا تحديداً ما صُمّمت منصة Rexfin لتكونه، وكيف تعمل تستعرض المسار من أوله إلى آخره.

لاحظ ما غاب عمداً عن تلك القائمة: خطوة يُؤتمَن فيها الذكاء الاصطناعي على الرقم نفسه. النموذج لا يحمل الرقم قط. هو يطلبه، ويحتسبه المحرك على بيانات مُسوّاة، فتعود النتيجة وقد أُرفقت بسلسلة نسبها. هذا الفصل هو الغاية كلها. وهو أيضاً سبب أن هذا النهج يتدهور برفق. حين يكون النموذج غير واثق، يكون أسوأ الاحتمالات جملة غامضة، لا رقماً مختلقاً، لأن إنتاج الأرقام لم يكن يوماً من مهمة النموذج.

إلى أين يتجه هذا: الوكلاء

السبب الذي يجعل هذا أكثر أهمية كل ربع سنة هو الاستقلالية. الحديث يتحوّل من ذكاء اصطناعي يجيب حين يُسأل إلى وكلاء يتصرفون: يعيدون التوقّع من تلقاء أنفسهم، وينبّهون إلى خرق تعهّد مالي قبل أن تنتبه أنت، ويطلقون سيناريو حين يتحرك رقم. ويتوقّع معظم المدراء الماليين استخداماً روتينياً للوكلاء الماليين خلال سنوات قليلة.

الوكيل الذي يتصرف بناءً على رقم مختلق لا يرتكب خطأً واحداً صامتاً. بل يضاعف الخطأ بسرعة الآلة ويبثّه في القرار التالي. الاستقلالية ترفع المخاطر على الأساس، ولا تخفضها. لا يمكنك أن تؤتمت بأمان فوق أرقام لا تستطيع التحقق منها. الطبقة المُسوّاة القابلة للتتبّع ليست رفاهية إضافية في عصر الوكلاء، بل شرطاً مسبقاً له.

الحدود الصادقة

هذا ليس سحراً، والتظاهر بغير ذلك هو بالضبط فرط الثقة الذي نحذّر منه. إن كانت بياناتك المصدرية رديئة فعلاً، فطبقة التسوية تُظهر التعارضات، ولا تختلق اتساقاً غير موجود. والحالات الحدّية في الإعدادات المعقّدة متعددة الكيانات لا تزال تحتاج إلى إنسان يتّخذ القرار. والطبقة اللغوية قد تصوغ شرحاً بأسلوب ركيك حتى حين يكون الرقم وراءه دقيقاً.

ما تضمنه فعلاً هو الشيء الذي يهم حقاً: الرقم حقيقي، ويتطابق مع مصدره، ويمكنك إثباته. الموثوقية ليست أن تجعل الذكاء الاصطناعي يبدو جديراً بالثقة، بل أن تجعل الثقة قابلة للتحقق. هاتان مشكلتان مختلفتان، وواحدة منهما فقط تستحق الحل.

الخلاصة صريحة. لا تنتظر نموذجاً ذكياً بما يكفي للوثوق به في أرقامك، لأن النموذج ليس مصدر الثقة. الثقة تأتي من الطبقة التي تحته. ابنِ تلك أولاً، وعندها يكفّ الذكاء الاصطناعي في المالية عن كونه عرضاً تجريبياً يُبهر، ويبدأ في أن يصبح شيئاً تراهن عليه في اجتماع مجلس إدارة.

إن أردت أن ترى أرقاماً قابلة للتحقق وقابلة لتتبّع مصدرها وهي تعمل على دفتر أستاذ حقيقي، احجز عرضاً تجريبياً واصطحب معك سؤالاً تطرحه فعلاً على فريقك.