يعزّز الذكاء الاصطناعي التوليدي عمليات الشراء عبر إتاحة الإمداد الذكي، وإدارة الموردين، وصنع القرارات بكفاءة أعلى لتحقيق نتائج أفضل.
ما لم تكن تعيش في كهف خلال الأعوام الخمسة الماضية، فلا بد أنك سمعت بمصطلح «الذكاء الاصطناعي التوليدي» (GenAI). لكن المفاهيم الكامنة وراء المصطلح وما يرتبط به لا تزال تثير الكثير من الالتباس. حان الوقت لتبسيط المصطلحات، لأن المؤكد أن GenAI سيؤثر في كل جانب تقريبًا من جوانب عملنا، ولا سيما في المشتريات.
فلنبدأ ببعض التعريفات للإجابة عن الأسئلة: ما الذي يفعله GenAI؟ ما الذي يميّزه عن الذكاء الاصطناعي عمومًا؟ ما الفرق بين GenAI وChatGPT؟ ما الفارق بين «نماذج اللغة الضخمة» (LLM) وGenAI؟ وما قصة «الذكاء الاصطناعي القائم على الوكلاء» (Agentic AI) الوافد الأحدث إلى الساحة؟
الذكاء الاصطناعي التوليدي
الذكاء الاصطناعي التوليدي هو نوع من الذكاء الاصطناعي لا يكتفي بتحليل البيانات الموجودة، بل يُنتج محتوى جديدًا أيضًا. ويستخدم نماذج التعلّم العميق. والتعلّم العميق نوع من تعلّم الآلة (ML) يعتمد على الشبكات العصبية الاصطناعية للتعلّم من البيانات. تتعلّم النماذج من مجموعات بيانات ضخمة لاكتشاف الأنماط وتوليد محتوى جديد مشابه لبيانات التدريب التي أُعدّت بها. والشبكات العصبية الاصطناعية مستوحاة من عصبونات الدماغ البشري، أي الخلايا العصبية التي تتلقّى الإشارات وتنقلها. ويمكن استخدام هذه الشبكات لحل طيف واسع من المشكلات، بما في ذلك التعرّف على الصور، ومعالجة اللغة الطبيعية، والتعرّف على الكلام.
انطلاقًا من هذا الأساس، يمكن استخدام GenAI لكتابة النصوص، وإنشاء الصور، وتأليف الموسيقى، وتوليد الشيفرة البرمجية، بل وحتى إنشاء المحاكاة والبيانات الاصطناعية. وللذكاء الاصطناعي التوليدي قدرة على إحداث تحوّل جذري في مجالات كثيرة، من الصناعات الإبداعية إلى البحث والتطوير، وكما سنرى في هذه السلسلة من المقالات، في عمليات الشراء مثل إنشاء طلبات التسعير RFQ وإعداد العقود.
GenAI مقابل أنماط الذكاء الاصطناعي الأخرى
يركّز الذكاء الاصطناعي التقليدي على حلّ مشكلات محدّدة بناءً على قواعد مُسبقة، في حين يُنشئ GenAI محتوى جديدًا—كنصوص أو صور—استنادًا إلى أنماط متعلَّمة من مجموعات بيانات هائلة. عادةً ما يتعلّم الذكاء الاصطناعي التقليدي من بيانات تاريخية مُنظمة للتنبؤ باحتمال وقوع حدث مستقبلي. على سبيل المثال، يُستخدم في الصيانة التنبؤية لتمكين المهندسين من اكتشاف العطل وإصلاحه قبل وقوعه.
يلخّص الجدول 1 الفروقات بين الذكاء الاصطناعي التقليدي والذكاء الاصطناعي التوليدي. وفي المشتريات، وجد الذكاء الاصطناعي التقليدي تطبيقات في مجالات مثل التنبؤات (مثل توقّع احتمال التسليم في الوقت المحدّد)، واكتشاف الاحتيال، وأنظمة التوصية، وروبوتات المحادثة. أمّا GenAI فهو التقنية الصاعدة. وقد بدأ يُستخدم بالفعل في إعداد العقود وإنشاء RFQ، فيما تُستكشف مجالات أخرى مثل بحوث العمليات.
الجدول 1: الذكاء الاصطناعي التقليدي مقابل الذكاء الاصطناعي التوليدي
| الميزة | الذكاء الاصطناعي التقليدي | الذكاء الاصطناعي التوليدي |
| الوظائف | يحلّ مشكلات محددة وفق قواعد | يَخلق محتوى جديدًا اعتمادًا على أنماط متعلَّمة |
| البيانات | يستخدم بيانات مُنظمة للتحليل والتنبؤ | يستخدم بيانات ضخمة وغالبًا غير مُنظمة للتوليد |
| القابلية للتكيّف | أقل قابلية للتكيّف ويتطلب تدخّلًا بشريًا | عالي القابلية للتكيّف ويتعلّم ويتحسّن مع الوقت |
| الشفافية | أكثر شفافية لأن القواعد مُحددة مُسبقًا | أقل شفافية بسبب تعقيد خوارزميات التعلّم |
| المخرجات | تنبؤات أو رؤى أو قرارات | محتوى جديد مثل النصوص والصور والفيديوهات |
ما هو ChatGPT؟
إن كنت سمعتَ عن GenAI فالأغلب عبر ChatGPT، وهو روبوت محادثة توليدي أطلقته OpenAI في عام 2022. يستند إلى «نماذج لغة ضخمة» (LLMs) متطورة تُحاكي الحوار البشري. يُجيد ChatGPT توليد نصوص استجابةً لأسئلة المستخدم—ويمكنه صياغتها وفق الإرشادات من حيث عدد الكلمات والأسلوب… إلخ—مع التزام بقواعد النحو والصرف بما يتفوّق على معظم البشر. كما يمكنه أداء مهام أخرى مثل تأليف الموسيقى ورسم الصور وتوليد الشيفرة.
وبصفته أداة عامة، يمكن لـChatGPT مساعدة محترفي المشتريات بطرق عديدة. مثلًا، يوفّر مكاسب كفاءة: فهو يولّد ردودًا سريعًا، يجيب عن الأسئلة، ويؤتمت بعض المهام موفّرًا الوقت والموارد. وفي مجالات علاقات المورّدين، يمكن استخدامه لتقديم ردود فورية وشخصية، ما يعزّز التفاعل والتعاون. كما يعين في الكتابة والعصف الذهني وإنشاء صيغ محتوى متنوعة. وفي اقتصاد مُعولم، تُعدّ قدرات الترجمة الدقيقة والفعّالة التي يوفّرها رصيدًا كبيرًا لتيسير التواصل عبر اللغات.
لكن ينبغي استخدام ChatGPT بحذر شديد. فقد ينتج أحيانًا معلومات خاطئة أو مضلّلة، خاصة إذا لم يُدرَّب على مجموعة بيانات شاملة. وتقرّ OpenAI بأن ChatGPT «أحيانًا يكتب إجابات تبدو معقولة لكنها غير صحيحة أو لا معنى لها». ويُطلق على هذه الظاهرة، الشائعة في LLMs، «الهلوسة». ورغم أن نقص الإبداع والاتهامات بالسرقة الأدبية قد لا تكون قضايا جوهرية في المشتريات، فإن مخاطر الأمان تبقى مقلقة. يتطلّب استخدام ChatGPT تبادل بيانات ومعلومات مع النظام، ما يثير مخاطر محتملة تتعلق بحماية البيانات وأمنها. على المستخدمين اتخاذ الإجراءات المناسبة لضمان حماية البيانات الحسّاسة ومنع وقوعها في الأيدي الخطأ. وأخيرًا، قد يؤدّي الإفراط في الاعتماد على كفاءات ChatGPT إلى انتقاص حاجة محترفي المشتريات إلى التفكير النقدي والذكاء العاطفي الضروريين عند التعامل مع البشر.
نماذج اللغة الضخمة (LLMs) مقابل GenAI
نموذج اللغة الضخم (LLM) هو نوع من نماذج الذكاء الاصطناعي صُمّم لفهم اللغة البشرية وتوليدها. يُدرّب على كمّيات هائلة من النصوص لتوقّع وإنتاج ردود متماسكة. و«المحوّل التوليدي المُدرَّب مُسبقًا» (GPT) هو نوع محدّد من LLM—وهو «GPT» في ChatGPT. يستخدم بنية شبكات عصبية تُسمّى «المحوّل» (Transformer) ويطبّق تقنيات من معالجة اللغة الطبيعية (NLP).
اليوم، تُبنى معظم LLMs باستخدام بنى المحوّلات وأساليب تدريب متشابهة، لكن مصطلحي LLM وGPT غير قابلين للاستبدال. كل GPT هو LLM، لكن ليس كل LLM هو GPT. حاليًا، تُعدّ أكبر LLMs وأكثرها قدرةً من عائلة GPT، إلا أن GPTs متنوّعة للغاية. وباستخدام تشبيه: LLM كأنه «مركبة»—تصنيف واسع؛ أما GPT فهو نوع معيّن من المركبات المصمّم لغرض محدد. لذا قد تختلف GPTs بقدر اختلاف الجرّار عن سيارة العائلة. ومن دون الغوص عميقًا، فإن نماذج فردية مثل GPT-4 أشبه بطرازات سيارات محدّدة؛ إصدارات مُحسّنة بقدرات وخصائص أداء وحالات استخدام معيّنة.
الذكاء الاصطناعي القائم على الوكلاء—«الوافد الجديد»
بينما يركّز الذكاء الاصطناعي التوليدي على إنشاء محتوى جديد—كالنصوص والصور والفيديوهات أو حتى الموسيقى والبرمجة—يبرز «الذكاء الاصطناعي القائم على الوكلاء» (Agentic AI) كتقنية ناشئة قادرة على اتّخاذ القرارات وأداء المهام من دون تدخّل بشري مباشر. تستجيب العوامل الذكية تلقائيًا للظروف لإنتاج نتائج عملياتية. وفي المشتريات مثلًا، يمكن استخدامها لاتّخاذ قرارات الشراء أو اختيار المورّدين بناءً على تغيّرات الأسعار وعوامل المخاطر وتوقّعات الطلب… إلخ.
تطوّر الذكاء الاصطناعي التوليدي
ربما أكثر من أي تقنية أخرى، يشبه GenAI حركة المرور التي تدخل ازدحامًا ثم تنطلق فجأة: تقدّم بطيء وثابت عبر فترة طويلة تبعه انفجار سريع. تعود أصوله إلى أعمال عالم الرياضيات الروسي أندريه ماركوف في بدايات القرن العشرين. استخدمت مولّدات النصوص الأوّلية (مثل الجُمل المُنشأة عشوائيًا) «سلاسل ماركوف» لاختيار الكلمة التالية بناءً على الكلمة أو الكلمتين السابقتين. نرى أثر هذا المفهوم اليوم في «النص التنبّئي» (والبعض ما زال يراه بدائيًا!). وفي أربعينيات وخمسينيات القرن الماضي، قدّم عالم الرياضيات الأمريكي كلود شانون إسهامات جمّة في الذكاء الاصطناعي، وشارك في تنظيم «مؤتمر دارتموث» عام 1956 الذي يُعدّ الحدث المؤسِّس للمجال. وكانت آلة «Theseus» أول جهاز كهربائي يتعلّم عبر المحاولة والخطأ.
ظهر أول نظام لمعالجة اللغة الطبيعية باسم «إليزا» ELIZA (تيمّنًا بشخصية في «د. دوليتل»). ابتكره جوزيف فايزنباوم في منتصف الستينيات، وكان يُحاكي المُعالج النفسي عبر مطابقة الأنماط وقواعد نصّية.
بالتوازي، ظهرت «الأنظمة الخبيرة» لتطبيقات مثل تشخيص الأمراض. اعتمدت على منطق «إذا–فإن» وقواعد مُنسّقة يدويًا، وكانت مرحلة مفصلية في تطوّر الذكاء الاصطناعي، رغم أنها لم تمتلك قدرات تعلّم أو توليد بعد.
تسارع التطوّر في الثمانينيات والتسعينيات مع الإحصاء في معالجة اللغة الطبيعية وتعلّم الآلة. شكّل نموذج اللغة «إن-غرام» (n-gram)، وهو نموذج احصائي خالص للغة، أساسًا لظهور نماذج اللغة الضخمة. وأسهمت أشجار القرار وآلات المتجهات الداعمة (SVM) وتعلّم الآلة الكلاسيكي في التحوّل إلى مقاربات «مدفوعة بالبيانات»—لكنها لم تكن توليدية بعد.
وشهدت الفترة نفسها بروز «النماذج المخفية لمارکوف» (HMMs)، وهي سلاسل ماركوف مع حالة مخفية تولّد الملاحظات. وبالإضافة إلى تطبيقات معالجة اللغة الطبيعية، نافعت HMMs في تحليل السلاسل الزمنية—أي التحليلات التنبؤية كالتنبؤ بأسعار الأسهم أو تحليل أنماط الطقس—فضلًا عن العمليات الروبوتية.
في العقد 2010، تطوّرت تقنيات مثل «الشبكات العصبية المتكرّرة» (RNN) القادرة على توليد تسلسلات مثل النص والموسيقى. استُخدمت لتطبيقات مثل توليد النصوص والترجمة الآلية. على سبيل المثال، انتقل «مترجم غوغل» عام 2016 من الترجمة الإحصائية إلى RNN. وقدّمت «المشفّرات التلقائية التباينية» (VAEs) و«الشبكات التوليدية الخصمية» (GANs) (2014–2015) أساسًا للتوليد غير النصّي.
عام 2017، نشر ثمانية مؤلفين ورقة «الانتباه هو كل ما تحتاجه» (Attention Is All You Need) التي قدّمت بنية «المحوّل» (Transformer) للتعلّم العميق. كانت هذه الانطلاقة المحورية في معالجة اللغة الطبيعية التي أطلقت طفرة GenAI في السنوات الأخيرة. ونشرت OpenAI أولى نسخ GPT-3 في يوليو 2020، ما أتاح القوة لـChatGPT الذي أُطلق نهاية 2022.
الجدول 2: تطوّر الذكاء الاصطناعي التوليدي
| الحقبة | المحطة | الإسهام |
| مطلع 1900s | سلاسل ماركوف | نمذجة احتمالية للتسلسلات |
| 1940s–1960s | شانون، ELIZA | لغة إحصائية وروبوتات نصّية مُبرمجة |
| 1980s–2000s | n-grams، HMMs | نماذج لغوية أقوى |
| 2010s | Word2Vec، RNNs، GANs | المتجهات الدلالية ونماذج توليدية |
| 2017–الآن | المحوّلات، GPT | الأساس لـGenAI الحديث |
ما الذي يدفع تبنّي GenAI في المشتريات؟
سنتناول تفاصيل تطبيقات GenAI في المشتريات في مقالات لاحقة. لكن بدايةً: لماذا أصبح GenAI موضوع الساعة؟
يدفع تبنّي GenAI في المشتريات عددٌ من الضغوط المتق converging: الحاجة إلى سرعة ورشاقة أكبر في الإمداد، والانفجار في البيانات المُنظمة وغير المُنظمة، وتزايد توقّعات التجارب الرقمية السلسة، والتركيز المتنامي على المخاطر والامتثال والاستدامة. أدوات المشتريات التقليدية، رغم فاعليتها في السيناريوهات القياسية، تُكابد في التكيّف مع التعقيد المتزايد وحجم المعلومات الذي يتعيّن على فرق المشتريات الحديثة معالجته. هنا يأتي دور GenAI ليس كمُجرّد مُوفّر للوقت، بل كمُمكّن لرؤى أعمق، وقرارات أفضل، وعمليات مشتريات أكثر استجابة.
تولّد المشتريات كمّيات هائلة من البيانات، وتُمكّن LLMs مع الموصلات (connectors) من فتح الصوامع البياناتية لتطبيقات الذكاء التوليدي. كما يتيح GenAI جسر الفجوة بين البيانات المُنظمة (كما في أنظمة ERP) والبيانات غير المُنظمة (مثل محتوى الرسائل والبُنى PDF التي تشكّل أساس الاتفاقات غير الرسمية والعقود الرسمية). وهذا بالغ الأهمية لتسريع عمليات مثل إنشاء RFQ وإدارة العقود.
فوائد GenAI في المشتريات
لا يتحقق التقدّم التقني وينتشر إلا حيث توجد حاجة أعمالية أو اجتماعية. في عالم اليوم، البطء يعني الهشاشة. الأسواق أكثر تقلّبًا، وتوقّعات العملاء أكثر فورية، ودورات الابتكار تسارعت جذريًا. اتخاذ القرارات بسرعة—والتحرّك على أساسها بسرعة—صار ضرورة في كل نشاط، وبالتأكيد في المشتريات. لكن بلوغ السرعة صعب حين تكابد أنظمة مُجزّأة، وبيانات مُشتّتة، وعمليات معقّدة، ونقصًا في القدرة البشرية.
سنستعرض الفوائد المحدّدة لاحقًا، لكن الفائدة الجامعة هي أن GenAI يُقلّل الاحتكاك جذريًا—لا سيما الاحتكاك الناتج عن فرط المعلومات. تساعد المشتريات مؤسساتها على الاستجابة بسرعة ومسؤولية عبر تلخيص وتفسير واستنباط المعنى من كتل هائلة من البيانات غير المُنظمة، سواء عند مسح مئات تقارير استدامة الموردين أو تفسير تحوّلات أسعار السلع.
التحدّيات والاعتبارات الأخلاقية
قد يبدو تسارع الذكاء الاصطناعي مُربكًا—لا تقلق. GenAI غير كامل. لن يحلّ محلّ البشر بالكامل، وإن كان سيُعيد تشكيل عالم العمل، بما يشمل وظيفة المشتريات. أشرنا إلى «الهلوسة»، أي حين يُنتج النموذج مخرجات غير دقيقة أو بلا معنى رغم مظهرها المنطقي. إذا كان إدخال المستخدم غير واضح أو يفتقر للسياق، أو كانت المعلومات غير كافية، فقد يضع النموذج افتراضات خاطئة أو يملأ الثغرات بطريقة مضلّلة.
مثلًا: إذا سأل مدير فئةٍ مساعدَ GenAI: «أي المورّدين في الفئة (أ) لديه أدنى درجة مخاطرة أخلاقية وفق أحدث بيانات ESG؟» قد يجيب المساعد فورًا بأن «المورّد س» يمتلك أفضل نتيجة بلا ملاحظات سلبية—لكن ربما لأن «س» لا يملك تقارير حديثة أو تغطية إعلامية، أو يعمل في ولاية قضائية منخفضة الشفافية وضعيفة التنظيم. هذا ليس دليلًا على التميّز الأخلاقي؛ بل إن غياب الأدلة لا يعني دليلًا على الغياب. هنا تتولّد «الهلوسة» من خلط «غياب الدليل» بـ«دليل الغياب».
هنا يتفوّق الذكاء البشري: المحترف المُدرَّب يوظّف ملكاته النقدية لرفض مثل هذه التوصيات—أو، والأفضل، لتجنّب الوقوع في الفخ من الأصل عبر صياغة أسئلة أدق.
هناك أيضًا شواغل أخلاقية أخرى. لأن GenAI مدفوع ببيانات تاريخية، قد يُعيد إنتاج التحيّزات السابقة أو يضخّمها. وهذا يحدّي أي مؤسسة تسعى لتنويع قاعدة مورّديها، سواء لتقليل المخاطر أو اتباع سياسات ESG.
مسألة أخرى هي الشفافية—لا سيما في القطاع العام أو الصناعات الثقيلة الامتثال. إذا أوصى مساعد GenAI بمورّدٍ ما، أو أعاد صياغة بندٍ تعاقدي، أو حدّد مخاطرة امتثال، فهل يمكن شرح المنطق بوضوح؟ «لأن الذكاء الاصطناعي قال ذلك» ليست إجابة مقبولة لأي مُدقّق! لذا يظلّ التدخّل البشري حيويًا.
وأخيرًا، يفتقر الذكاء الاصطناعي إلى المهارات اللينة والمعرفة الضمنية التي تُؤسّس لإدارة علاقات المورّدين: فهم ثقافة المورّد وخصوصيات المناطق والديناميكيات البَين-شخصية. المُشتري يريد صفقة جيدة دائمًا، لكن محترف المشتريات يُدرك الفرق بين مورّد استراتيجي وآخر يُساوَم على السعر. قد تبدو المراسلات المؤتمتة مع المورّدين عدوانية أو غير صادقة أو تلاعبية إن لم تُراجع بعناية.
ولكل ذلك تبعات كبيرة على الوظائف والمسارات المهنية.
ثمة اعتقاد شائع بأن GenAI يخصّ «الصناعات الإبداعية» فقط. في الواقع، ربما يكون أثره التحويلي في الصناعات التقليدية—كالـتصنيع—أكبر، لأنها تتعامل مع أنظمة معقّدة وبيانات مُنظمة وغير مُنظمة وعمليات قابلة للتحسين المتكرر.
خاتمة: قطعنا شوطًا بعيدًا خلال زمن قصير!
رغم أن أسس GenAI وُضعت عبر عقود، فإن تطوّره في الأعوام القليلة الماضية كان لاهثًا. تحوّلت «التطوّر» إلى «ثورة».
ندرك أن المحتوى كثير، ونأمل أن تكون هذه المقالة مقدّمة جيدة. سنغوص أعمق في مقالات لاحقة لنبين كيف ولماذا سيستمر إدماج الذكاء التوليدي في برمجيات JAGGAER خلال الأعوام المقبلة، وكيف سيؤثر ذلك في مهنة المشتريات. ونؤمن بأن هذا سيجعل المسار المهني في هذا التخصّص أكثر إثارة وتحدّيًا فكريًا من أي وقت مضى.
يمنح GenAI عمليات المشتريات سرعة وكفاءة ورؤىً أعمق. لكنه يجب أن يُنشر مع حواجز أخلاقية مُحكمة، وأن يُستخدم جنبًا إلى جنب مع الحكم البشري والخبرة والمعرفة الضمنية.
