في كل ثورة تقنية، ثمّة لحظة فاصلة تحدّد شكل المرحلة القادمة. بالنسبة للذكاء الاصطناعي، جاءت هذه اللحظة أواخر عام 2022، مع انطلاقة نموذج (ChatGPT) من شركة (OpenAI)، وما تبعه من انفجار غير مسبوق في استخدام النماذج اللغوية الضخمة (Large Language Models – LLMs). لم يكن الأمر مجرد تحسّن في قدرات الفهم أو التفاعل، بل كان مؤشّرًا على ولادة مقاربة جديدة بالكامل في تصميم الذكاء الاصطناعي؛ مقاربة لا تكتفي بوكلاء منفردين (AI Agents)، بل تدفع باتجاه أنظمة متكاملة من الوكلاء المتفاعلين الذين يعملون بشكل تعاوني لتحقيق أهداف معقّدة — ما يُعرف اليوم بـ الذكاء العميل (Agentic AI).
الذكاء الاصطناعي بين بنيتين مفاهيميتين
في جوهره، يقدّم مفهوم “الوكيل الذكي” (AI Agent) نموذجًا قائمًا على الاستقلالية الجزئية والقدرة على تنفيذ مهمة محدّدة دون إشراف دائم من الإنسان. ويقوم هذا الوكيل عادةً على محرك لغوي ضخم، مدعوم بأدوات خارجية (مثل API أو قواعد بيانات)، ما يتيح له تنفيذ أوامر المستخدم ضمن إطار زمني قصير ومهام محدودة بدقة.
لكن حين تتعقّد المهام، وتتعدّد المتغيّرات، ويُطلب من النظام تنفيذ سلسلة من العمليات المرتبطة عبر بيئة ديناميكية، فإن البنية الفردية للوكيل تصبح غير كافية. هنا يظهر مفهوم “الذكاء العميل” (Agentic AI): نظام متعدد الوكلاء (Multi-Agent System)، يعمل عبر تفاعل منسّق بين مجموعة من الوكلاء المتخصصين، مع وجود طبقة إشراف وتنظيم (Orchestration Layer)، وذاكرة مشتركة تحتفظ بالسياق والتاريخ التفاعلي.
من التنفيذ إلى الفهم: تطوّر المعمارية
اعتمادًا على الورقة البحثية الصادرة حديثًا (Sapkota et al., 2025)، يمكن القول إن الفروقات بين (AI Agents) و(Agentic AI) ليست فقط فروقات في الحجم أو التعقيد، بل هي تحوّلات جذرية في:
- الهدف الوظيفي: الأول يُركّز على تنفيذ مهمة واحدة بكفاءة، والثاني يُخطّط لمجموعة أهداف عبر مستويات متعددة.
- الهندسة المعمارية: بينما يعتمد (AI Agent) على دورة بسيطة من الإدخال والمعالجة والإخراج، يتطلّب (Agentic AI) بنية تشتمل على وحدات للتخطيط، اتخاذ القرار الجماعي، التعلّم من التجربة، وإعادة تنظيم الفرق وفق الأدوار والنتائج.
- نموذج الذاكرة: يتعامل الأول مع البيانات اللحظية فقط، بينما يحتاج الثاني إلى ذاكرة طويلة الأمد تجمع بين (Episodic Memory) و(Semantic Memory).
عندما تصبح الأنظمة العميلة ضرورة لا ترفًا
التطبيقات الواقعية تفرض هذه التحوّلات. على سبيل المثال:
- في الأبحاث الأكاديمية، تُستخدم أنظمة (Agentic AI) لإنشاء “مساعدين بحثيين متعددين”؛ أحدهم يجمع الدراسات، والثاني يُلخّصها، والثالث يُعدّ مقترح التمويل.
- في الروبوتات الصناعية، يُسند لكل وكيل دورًا ضمن سلسلة إنتاجية موحّدة، مثل التجميع، الفحص، النقل، مع تنسيق مستمر.
- في الرعاية الصحية التنبؤية، تُوزّع المهام بين وكلاء للتشخيص، التحليل الجزيئي، واقتراح العلاجات بناءً على قاعدة معرفية مشتركة.
التحديات النظرية والعملية
رغم الإمكانيات الهائلة، لا تخلو هذه الأنظمة من إشكالات، منها:
- القصور السببي (Causal Inference Limitations): الكثير من النماذج الحالية ما زالت تتعامل مع البيانات كمجرد ترابطات، دون فهم سببي حقيقي للعلاقات.
- التنسيق بين الوكلاء (Coordination Bottlenecks): كلما زاد عدد الوكلاء، زادت الحاجة إلى آليات ضبط عالية الكفاءة لتجنّب التضارب والتكرار.
- الشفافية والمساءلة (Explainability and Auditing): يصبح من الصعب معرفة من قام بماذا، ومتى، ولماذا، في بيئة تعتمد على عشرات القرارات في الثانية.
- السلوك الناشئ (Emergent Behavior): في بعض الحالات، يتصرّف النظام بطريقة غير متوقّعة بسبب التفاعلات غير الخاضعة للرقابة المباشرة بين الوكلاء.
المسارات المستقبلية والتقنيات المكمّلة
للتغلب على هذه التحديات، يقترح الباحثون اعتماد تقنيات مثل:
- النماذج المعزّزة بالاسترجاع (Retrieval-Augmented Generation – RAG): لربط مخرجات الوكلاء بمصادر خارجية موثوقة تقلل من الهلوسة.
- التفكير التكراري (ReAct Pattern): إدخال حلقة تفكير-فعل-ملاحظة تسمح للوكيل بتقييم نتيجة أفعاله قبل المتابعة.
- الهندسة الموجّهة للمحفزات (Prompt Engineering Pipelines): إنشاء قوالب مخصصة تحكم تواصل الوكلاء وتنظّم رسائلهم.
- حوكمة معرفية (Governance-Aware Architectures): أنظمة تمنح كل وكيل صلاحيات محدودة، مع سجل مراقبة audit trail يتيح المراجعة والمساءلة.
- التعلّم الذاتي (Self-Directed Learning): كما في إطار (Absolute Zero Reasoning – AZR) الذي يتيح للوكلاء إنشاء وتقييم سيناريوهات خاصة بهم دون الاعتماد على بيانات تدريب خارجية.
نحو ذكاء اصطناعي متكيّف، موثوق، وتعاوني
إن الانتقال من (AI Agents) إلى (Agentic AI) ليس مجرد قفزة تقنية، بل تحوّل فلسفي في الطريقة التي ننظر بها إلى الذكاء الاصطناعي نفسه. لم يعد الهدف مجرد أداة تفهم الكلام وتنفّذ الأوامر، بل أصبح الهدف إنشاء نظام قادر على فهم السياق، توزيع الأدوار، بناء قرارات جماعية، ومراكمة المعرفة عبر الزمن.
هذا النمط من الذكاء لا يفتح فقط آفاقًا جديدة في مجالات مثل البحث الطبي، وسلاسل التوريد، وإدارة الأعمال، بل يفرض أيضًا أسئلة عميقة حول الحوكمة، المسؤولية، والثقة… وهي تحديات لن تكون أقل أهمية من التقدّم التقني نفسه.
المرجع:
Sapkota, R., Roumeliotis, K. I., & Karkee, M. (2025). AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges. arXiv preprint arXiv:2505.10468. https://doi.org/10.48550/arXiv.2505.10468
