المصدر الواحد للحقيقة مقابل النُسخ الكافية من الحقيقة: ما الذي يخطئ فيه المدراء الماليون بشأن الأرقام الجاهزة للذكاء الاصطناعي

ما انفكّت Gartner تنصح قادة البيانات بالكفّ عن مطاردة نسخة واحدة من الحقيقة. تذهب أبحاثها إلى أن على المؤسسات أن تسعى بدلاً من ذلك إلى “نُسخ كافية من الحقيقة”، والأرقام في هذا الصدد ليست خافتة. فبحسب تقدير Gartner، يُرجَّح أن تنتج استراتيجية النُسخ الكافية بيانات جاهزة لاتخاذ القرار بنسبة أعلى تبلغ نحو 41% مقارنةً بنهج النسخة الواحدة، ويزيد احتمال تحسينها لجودة القرار بمقدار الضعف تقريباً. ومع ذلك، لم ينتقل إلى هذا النهج فعلياً سوى ربع المؤسسات تقريباً.

إن كنت تدير الشؤون المالية، فقد تبدو هذه النصيحة وكأنها إذنٌ بالتراخي. لكنها ليست كذلك. حجّة Gartner صحيحة بالنسبة للمؤسسة ككلّ، لكنها خاطئة بهدوء فيما يخصّ الجزء الذي أنت مسؤول عنه. المأزق هو أن تتعامل مع “النُسخ الكافية من الحقيقة” بوصفها رخصة تسمح لـالأرقام بأن تتعارض. فبالنسبة لذكاء اصطناعي يحسب هامش الربح الإجمالي ويستشهد به أمام مجلس إدارتك، لا تُعدّ تعددية نُسخ الرقم الأساسي مرونةً، بل عيباً ينتظر من يقتبسه.

ما تقصده Gartner فعلاً

فكرة “النُسخ الكافية من الحقيقة” هي ردّ فعل على إخفاق حقيقي. فعلى مدى عقدين، ضخّت فرق البيانات الأموال في مستودعات مركزية يُفترض أن تحتفظ بالقيمة الحقيقية الوحيدة لكلّ مؤشر. كان من المنتظر أن يتفق أخيراً “العميل النشط” لدى التسويق، و”العميل النشط” لدى المبيعات، و”العميل النشط” لدى المالية. لكنها لم تتفق قطّ، لأن التعريفات لم تكن في الأصل تجيب عن السؤال التجاري ذاته. لم يُنتج السعي وراء رقم واحد للجميع سوى مسرحية حوكمة باهظة الثمن وبيانات لم يثق بها أحد بما يكفي للتصرّف بناءً عليها.

تصحيح Gartner منطقي: دع المجالات تمتلك بياناتها، وعرّف المؤشرات بحسب القرار المطروح، واحكم بما يكفي للحفاظ على الاتساق، لا التطابق التامّ. بإمكان التسويق أن يعدّ العميل بطريقة، والمالية بطريقة أخرى، طالما أن كلّ تعريف ملائم لغرضه وأن المفاضلات متعمّدة.

تأمّل ما تدور حوله هذه الحجّة. إنها تدور حول التعريفات والملكية عبر الوظائف. وهي ليست حجّةً مفادها أن الرقم نفسه (الإيراد نفسه لشهرٍ مُقفَل، الرصيد النقدي نفسه) ينبغي أن يحلّ إلى قيم مختلفة باختلاف من يسأل. الكفاية تسكن على مستوى “أي سؤال نُجيب عنه”. وهي لا تسكن داخل إجابة واحدة.

أين يكسر الذكاء الاصطناعي هذا القياس

يتعامل المحلل البشري مع الغموض بأناقة. اطلب منه “الإيراد”، فيردّ المراقب المالي البارع بسؤال: إجمالي أم صافي؟ معترف به أم مفوتر؟ بعملة ثابتة؟ إنه يمسك بثلاث قراءات محتملة في ذهنه ويختار الصحيحة منها للسياق.

أما نماذج اللغة الكبيرة (LLM) فلا تفعل ذلك بشكل موثوق، بل تفعل ما هو أسوأ: تختار واحدة بصمت وتعرضها بثقة تامّة. فإن كانت طبقة بياناتك تتيح أربع نُسخ من الإيراد دون قاعدة تحدّد أيّها المرجعية لسؤال بعينه، فسيختار النموذج (بناءً على أي نصّ استرجعه، وبأي ترتيب جاءه) ثم يدافع عن اختياره بفقرة سلسة. لن ترى المفترق على الطريق. ستُرى لك إجابة واثقة، يصادف أنها مخطئة بمقدار الفرق بين المفوتر والمعترف به.

لهذا تفشل “النُسخ الكافية من الحقيقة” حين تُطبَّق ببساطة على مالية الذكاء الاصطناعي. تفترض الاستراتيجية وجود إنسان كفؤ يجلس بين البيانات والقرار، يقوم بالمفاضلة التي تصفها Gartner. أزِل هذا الإنسان، أو استبدله بروبوت محادثة، فإن المفاضلة ستُجرى على أي حال، لكن دون أن يجريها أحد، ودون مساءلة أي جهة، ودون سجلّ.

وثمّة مشكلة ثانية. فحتى حين يختار الذكاء الاصطناعي النسخة الصحيحة، يبقى عليك أن تثق في الحساب نفسه. نماذج اللغة معروفة بعدم موثوقيتها في الحسابات متعددة الخطوات؛ فهي تطابق الأنماط نحو أرقام تبدو معقولة بدلاً من أن تحسب فعلاً. لذا فإن السؤال بالنسبة للمالية ليس فقط “أي رقم استخدمت”، بل “هل جمعتها فعلاً بشكل صحيح، وهل يمكنها أن تُظهر خطوات عملها”. ولا تملك حوكمة نُسخ الحقيقة ما تقوله في هذا الشأن. (نطرح حجّتنا ضدّ اعتبار إعداد LLM-على-ERP كافياً في لماذا لا يزال ربط نموذج لغوي بنظام ERP لديك يخطئ في الحساب.)

نموذج واحد مُطابَق، سيناريوهات متعددة

ها هو التمييز الذي يحلّ التناقض. النُسخ مكانها في السيناريوهات، لا في الأرقام.

لكي يحسب الذكاء الاصطناعي الأرقام ويستشهد بها بأمان، تحتاج إلى نموذج مالي واحد مُطابَق في الأساس: مجموعة واحدة من الأرقام تتطابق مع دفتر الأستاذ، مع مسارٍ مرفقٍ بكلّ قيمة بحيث يعود أي رقم إلى القيد المحاسبي أو البيان المصدري الذي أتى منه. هنا تحديداً يصبح “المصدر الواحد للحقيقة” غير قابل للمساومة. ينبغي أن تكون هناك قيمة واحدة بالضبط للإيراد المعترف به لشهرٍ مُقفَل، وأن تساوي ما يقوله نظامك المحاسبي، وأن تكون قادراً على إثبات ذلك.

وفوق هذا الأساس الثابت، أنت تريد من النُسخ بقدر ما يحتاج العمل، لكن بوصفها سيناريوهات، لا حقائق متعارضة. السيناريو الأفضل، والسيناريو المتشائم، نسخة مجلس الإدارة، نسخة الممول، “ماذا لو أجّلنا التوظيف ربع سنة”. كلّ سيناريو هو تحويل متعمّد للأساس المُطابَق نفسه، ويحمل افتراضاته الخاصة موثّقةً في السجلّ. هنا تكمن مرونة Gartner، وهي آمنة هنا بالضبط لأن الأساس الكامن تحتها لا يتزحزح.

ومن ثمّ يبدو التركيب على النحو التالي:

• الحقائق: مصدر واحد للحقيقة. نموذج واحد مُطابَق، مرتبط بدفتر الأستاذ، مع مسارٍ للتتبّع. لا تفرّعات صامتة.
• السيناريوهات: نُسخ كافية. بقدر ما يتطلبه القرار، كلٌّ منها فرعٌ صريح ومُسمّى ينطلق من الأساس نفسه، ولكلٍّ افتراضاته المعلَنة.

نمط الإخفاق الذي تحذّر منه Gartner (بيانات مركزية جامدة لا يثق بها أحد) يحدث حين تخلط بين هاتين الطبقتين وتحاول جعل الحقائق تخدم كلّ سيناريو في آنٍ واحد. أما نمط الإخفاق الذي يأتي به الذكاء الاصطناعي فيحدث حين تدع السيناريوهات تتسرّب رجوعاً إلى الحقائق، فتكفّ الأرقام الأساسية نفسها عن التطابق.

ما الذي يتطلبه هذا من البنية التحتية

قول “الحقائق واحدة، السيناريوهات متعددة” أمرٌ سهل. أما فرضه فهو العمل الفعلي.

يعني النموذج المُطابَق الاتصال بأنظمتك الفعلية (QuickBooks أو Xero أو NetSuite أو Sage أو SAP أو Oracle أو مستودع بيانات أو بيانات مرفوعة) وبناء نموذج واحد يتطابق، بدلاً من ترك كلّ مستهلِك يسحب صفوفاً خاماً ويعرّف المؤشرات على عجل. ينبغي أن يجري الحساب عبر محرّك حتمي، لا عبر نموذج اللغة: يسترجع الذكاء الاصطناعي الأرقام ويصوغ السؤال، ويحسب المحرّك الإجابة، وتُنتج المدخلات نفسها دائماً المخرَج نفسه. وينبغي أن يكون كلّ رقم مُستشهَد به قابلاً لإعادة التشغيل، قابلاً للتتبّع وصولاً إلى مصدره مثلما تتبّع صيغة في جدول بيانات رجوعاً عبر خلاياها. نتعمّق في ذلك في إثبات رقم الذكاء الاصطناعي بالطريقة نفسها التي تُثبت بها صيغة.

هذا هو نقيض فوضى جداول البيانات المنتشرة التي تعمل عليها فعلاً معظم الفرق المالية، حيث يكون “المصدر الواحد” هو أيّ مصنّف عمل أرسله أحدهم بالبريد آخر مرة، وهو نهج نرى أنه الأساس الخاطئ لمالية الذكاء الاصطناعي من الأساس. وهو أيضاً التصميم الكامن وراء طبقة النمذجة المالية الموثوقة للذكاء الاصطناعي: نموذج واحد مُطابَق يقف عليه الذكاء الاصطناعي، مع إبقاء النُسخ حيث تنتمي.

الخلاصة

Gartner محقّة في أن رقماً واحداً للجميع مشروعٌ مؤسسي فاشل. لكن “النُسخ الكافية من الحقيقة” كانت نصيحة لبشرٍ يجرون مفاضلات يستطيعون رؤيتها والدفاع عنها. سلّم الموقف نفسه لذكاء اصطناعي، فستحصل على إجابات واثقة مبنية على أرقام تتعارض بهدوء. أبقِ الحقائق مفردةً ومُطابَقة وقابلة للتتبّع. وضع التعددية في السيناريوهات. هذا هو الخطّ الذي ينبغي لمدير مالي متشكّك أن يتمسّك به، لأنه حين يستشهد النموذج برقمٍ أمام مجلس إدارتك، فإن “الأمر يتوقف على أيّ نسخة” ليست جملةً تودّ أن تقولها.

إن أردت أن ترى كيف يبدو نموذج واحد مُطابَق مع مسارٍ للتتبّع تحت إدارة الذكاء الاصطناعي، احجز عرضاً توضيحياً.