الذكاء الاصطناعي في التجارة الإلكترونية: بوابة قبل التنفيذ

المشكلة التشغيلية اليومية ليست نقص القرارات الكبرى، بل تراكم الحالات الصغيرة: طلب مكرر، عنوان ناقص، دفعة لم تنعكس بعد، منتج نفد بين الشراء والتجهيز، أو عميل يريد التعديل بعد إصدار بوليصة الشحن. يستطيع النظام معالجة عشرات الحالات المتطابقة بسرعة، لكن حالة واحدة غير معتادة قد تحوّل الاختصار إلى استرداد خاطئ أو إلغاء غير قابل للتراجع.

لهذا لا ينبغي تعريف نجاح الذكاء الاصطناعي في التجارة الإلكترونية بعدد الخطوات التي ينفذها وحده. المقياس الأصح هو مقدار الوقت الذي أزاله من العمل المتكرر، من دون رفع إعادة العمل أو الشكاوى أو القرارات المالية الخاطئة. الرد اللغوي المقنع ليس بالضرورة إجراءً آمناً، والقدرة على اقتراح القرار لا تعني امتلاك صلاحية تنفيذه.

• المشكلة القابلة للأتمتة: حجم مرتفع، نمط متكرر، ومدخلات يمكن التحقق منها.
• المشكلة التي تحتاج توقفاً: أثر مالي أو نظامي أو تشغيلي يصعب الرجوع عنه.
• الهدف التجاري: خفض زمن تحرير الطلب للتجهيز مع ثبات معدل إعادة العمل.

يستطيع النموذج تلخيص سجل العميل، تصنيف سبب التعثر، استخراج عناصر العنوان، تجميع إشارات الطلب واقتراح رسالة معالجة. القيمة الجديدة هي خفض تكلفة القراءة والمسودة الأولى، خصوصاً عندما تصل المعلومات بصيغ متباينة من البريد والمحادثات وملاحظات الطلب.

لكن اتجاه الاستخدام نفسه لم يستقر على أتمتة كاملة. بيانات Anthropic لمنصة واحدة أظهرت انتقال التفاعل من 56% تعزيزي مقابل 41% آلي في يناير 2025، إلى تقدم طفيف للأتمتة في أغسطس، ثم عودة التعزيز إلى 52% مقابل 45% للأتمتة في نوفمبر. لا تمثل هذه الأرقام سوق التجارة كله، لكنها توضح أن الاستخدام يتذبذب بين التفويض والتعاون مع تغير المهام والمنتجات. (anthropic.com)

المعنى للتاجر: ما تغير هو تكلفة تنفيذ الجزء المتكرر، لا ملكية القرار. يظل النظام بحاجة إلى بيانات صحيحة عن الدفع والمخزون وحالة الشحن وسياسة الإرجاع، وإلى قاعدة معلنة تحدد متى يتوقف.

أفضل نقطة بداية ليست «وكيل طلبات» مفتوح الصلاحيات، بل طبقة فرز. تقرأ الطبقة كل حالة، تجمع حقائقها في بطاقة موحدة، تحدد السياسة ذات الصلة، وتقترح الإجراء والرسالة. الحالات المكتملة والمنخفضة الأثر تمر، أما الحالات التي تحمل تناقضاً أو مخاطرة فتنتقل إلى شخص محدد مع سبب واضح للتصعيد.

يمكن منح التنفيذ الآلي عندما يكون الإجراء قابلاً للرجوع، منخفض الأثر، وتدعمه بيانات منظمة وسياسة مستقرة؛ مثل تصنيف الاستفسار أو تحديث وسم داخلي. أما تعديل عنوان بعد بدء التجهيز، أو إلغاء طلب مدفوع، أو صرف استرداد، أو تجاوز المخزون، أو التعامل مع اشتباه احتيال، فتحتاج مراجعة بشرية إلزامية.

هذه ليست مراجعة لكل كلمة. هي توزيع للصلاحيات: الذكاء الاصطناعي يقرأ ويصنف ويقترح، والإنسان يتدخل عند بوابات محددة مسبقاً. وإذا لم يستطع الفريق كتابة شروط التوقف في صفحة واحدة، فالمسار لم يصبح جاهزاً للأتمتة.

• نفّذ آلياً: إجراء داخلي، منخفض الأثر، ويمكن عكسه.
• اقترح ثم اعرض للموافقة: تغيير يراه العميل أو يؤثر في حالة الطلب.
• ادعم الإنسان فقط: أموال، احتيال، نزاع، بيانات حساسة أو استثناء للسياسة.

في دراسة منشورة في Quarterly Journal of Economics، تلقى 5,172 موظف دعم اقتراحات فورية من أداة توليدية، مع حرية تعديلها أو تجاهلها. ارتفع عدد المسائل المحلولة لكل ساعة 15% في المتوسط، ووصل التحسن إلى 30% لدى الأقل خبرة ومهارة. كما ظهرت إشارات إيجابية في مشاعر العملاء وتعلم الموظفين. (academic.oup.com)

لكن الدراسة نفسها تسجل تحذيراً مهماً: الأكثر خبرة حققوا مكاسب محدودة، وظهرت لديهم بعض الانخفاضات الصغيرة في الجودة. الأتمتة لا تضيف القيمة نفسها لكل موظف أو نوع حالة؛ قد تنشر أفضل الممارسات بين الجدد، ثم تدفع الخبير لاحقاً إلى قبول اقتراح أدنى من حكمه.

لذلك لا يكفي قياس زمن المعالجة الإجمالي. يجب تقسيم النتائج بحسب نوع الحالة وخبرة المراجع: أين خفض الاقتراح وقت القراءة؟ أين عدّله الموظف؟ وأين وافق عليه ثم أعيد فتح الطلب؟ هذه التقسيمات هي التي تحول تجربة عامة إلى قرار تشغيلي.

في تجربة منشورة عام 2026 على 758 مستشاراً، رفع الذكاء الاصطناعي سرعة الإنجاز بأكثر من 25% وأداء المهام بأكثر من 30% داخل حدود قدرته. لكن في مهمة معقدة خارج تلك الحدود، كان المستخدمون أقل احتمالاً للوصول إلى الحل الصحيح بـ19 نقطة مئوية، رغم أن إجاباتهم بدت مقنعة. (pubsonline.informs.org)

التحليل التلوي المنشور في Nature Human Behaviour يوسع الصورة: عبر 106 تجارب، تفوق الإنسان مع الذكاء الاصطناعي على الإنسان وحده، لكنه لم يتفوق في المتوسط على أفضل طرف منفرد. وكانت الخسارة أوضح في مهام اتخاذ القرار، بينما كان الاتجاه أفضل في مهام إنشاء المحتوى. (nature.com)

هذا يغيّر تصميم المراجعة. لا تطلب من الموظف النظر إلى إجابة مكتملة ثم الضغط على «موافق». اعرض له الوقائع التي بُني عليها الاقتراح، والسياسة المستخدمة، والبيانات الناقصة، وسبب التصعيد. المراجعة الفعالة تفصل بين جمع الأدلة وصنع القرار، بدلاً من وضع الإنسان كختم نهائي على صندوق أسود.

البوابة الأولى هي اكتمال البيانات: هل تتفق حالة الدفع والمخزون والشحن، أم توجد إشارة مفقودة؟ الثانية قابلية الرجوع: هل يمكن عكس الإجراء من دون خسارة أو إرباك العميل؟ الثالثة أثر الخطأ: هل يمس المال أو الالتزام أو تجربة العميل مباشرة؟ الرابعة حداثة الحالة: هل تشبه حالات اختُبرت سابقاً، أم تجمع عناصر لم يرها النظام؟

لا تعتمد على قول النموذج إنه «واثق». الثقة التشغيلية هي نسبة نجاح مقاسة على حالات تاريخية مشابهة، لا رقماً يولده النموذج عن نفسه. وتوصي مبادئ سدايا بتحديد المسؤوليات، والمراجعة قبل الإنتاج، ومشغلات وتنبيهات مرتبطة بالأداء والبيانات وقد تحتاج إلى إشراف بشري. كما يدعو إطار NIST إلى تمييز أدوار الإنسان والنظام ومسؤوليات الرقابة بوضوح. (sdaia.gov.sa)

في المتجر السعودي، تشمل بيانات الطلب أسماء وعناوين وأرقام تواصل وبيانات معاملات. لذلك يجب تقليل ما يرسل إلى أي نموذج إلى الحد اللازم للغرض، وتحديد أين تعالج البيانات ومن يستطيع الوصول إليها؛ وهي اعتبارات تتسق مع مبادئ تحديد الغرض والحد الأدنى للبيانات في إرشادات حماية البيانات الشخصية. (dgp.sdaia.gov.sa)

• بيانات ناقصة أو متعارضة: توقف.
• إجراء غير قابل للرجوع: موافقة بشرية.
• أثر مالي أو متعلق بالخصوصية: قرار بشري مسجل.
• حالة جديدة أو خارج العينة المختبرة: تصعيد للتعلم، لا تخمين.