هل يمكن لموظفي الأعمال بناء أنظمة بأنفسهم باستخدام الذكاء الاصطناعي؟ 3 شروط و5 حدود من واقع حالة شركة لتربية الحيوانات

ملاحظة الكاتب: في شركة لتربية المواشي تضم نحو 120 موظفًا، أنشأ المدير العام نظامًا لإدارة أعمال التربية بنفسه بمساعدة أدوات البرمجة بالذكاء الاصطناعي. لا تكرر هذه المقالة مقولة «الجميع يستطيع التطوير»، بل تحلل الشروط التي جعلت هذه التجربة ممكنة، والحدود التي يظل على المختصين بالأعمال مراعاتها عند بناء أنظمة بأنفسهم باستخدام الذكاء الاصطناعي.

في نوفمبر 2026، أُعلنت نتائج جائزة التقنيات الرائدة في مؤتمر الإنترنت العالمي في ووتشن، وكانت منصة الوكلاء الذكيين Qoder التابعة لعلي بابا منتج الوكيل العام الوحيد من الصين الذي نال الجائزة. ومن بين الحالات التي تناولتها التغطيات، برزت قصة يسهل اختصارها في عبارة «يمكن للمختصين بالأعمال أيضًا بناء أنظمتهم بأنفسهم»: فقد استخدم تشانغ ليفي، المدير العام لشركة شيشيانجي لتربية المواشي في نينغشيا، أدوات البرمجة بالذكاء الاصطناعي لبناء عدة أنظمة للأعمال، منها نظام لإدارة تربية المواشي، في غضون أكثر من ثلاثة أشهر.

هذه ليست قصة شخص «أصبح مبرمجًا بين ليلة وضحاها دون خبرة سابقة». فقد عمل تشانغ ليفي في البحث والتطوير لدى هواوي وإريكسون في بداية مسيرته، كما يعرف أعمال شركته في التربية والذبح والمعالجة معرفة وثيقة. وهذان العاملان يحددان ما يمكن استخلاصه من هذه التجربة، وما لا يمكن استخلاصه منها.

الفائدة الأساسية: بعد قراءة المقال، ستتمكن من تقييم مدى ملاءمة احتياجات عملك لبناء نظام باستخدام الذكاء الاصطناعي، وستعرف التحديات الثلاثة التي عليك تجاوزها: وصف المتطلبات، والتحقق من النتائج، والصيانة المستمرة.

بناء الأنظمة باستخدام الذكاء الاصطناعي: أبرز حقائق الحالة

لنرتّب أولًا الحقائق المؤكدة في التقرير، ثم نناقش دلالاتها. جميع المعلومات في الجدول مستمدة من تقرير نشرته GeekPark في 5 نوفمبر 2026.

كيف يبني العاملون في المجال أنظمتهم باستخدام الذكاء الاصطناعي؟

يتضمن التقرير تفصيلًا يسهل إغفاله: لم يكن جانغ ليفاي «يقول جملة واحدة فيسلّمه الذكاء الاصطناعي نظامًا كاملًا». بل كان يفتح عدة جلسات تطوير في الوقت نفسه، وينتقل إلى جلسة أخرى بينما ينتظر نتيجة مهمة. وبعد أن ينتهي الذكاء الاصطناعي من التعديلات، يفحص النتائج بنفسه ويضيف المستجدات التي تطرأ على العمل.

هذا نموذج للتعاون بين «خبير بالأعمال وذكاء اصطناعي يتولى التنفيذ». يظل تفصيل المتطلبات وتقييم النتائج وتحديد اتجاه التحسين مسؤولية الإنسان، بينما يتولى الذكاء الاصطناعي كتابة الشفرة وتعديلها وتشغيل المهام. ومن هذه الزاوية، تتضح دلالة الحالة أكثر.

كيف يساعد الذكاء الاصطناعي موظفي الأعمال على بناء الأنظمة: ما العوائق التي يخفّضها؟

بناء أدوات داخلية باستخدام برمجة الذكاء الاصطناعي يعني، في جوهره، إعادة توزيع عمل كان يتطلب في السابق فريقًا صغيرًا. ويقارن الجدول التالي بين مراحل التطوير التقليدي المخصص والجهة التي تتولى كل مرحلة في هذه الحالة.

يتضح من الجدول أن الذكاء الاصطناعي خفّض العائق بدرجة أكبر في مرحلة «تحويل المتطلبات الواضحة إلى شفرة قابلة للتشغيل»، كما قلّل الجهد الضائع في التواصل بين أصحاب المتطلبات وفريق التطوير. وكانت أكبر صعوبة واجهها تشانغ ليفي سابقًا هي غياب فريق قادر على تحويل أفكاره إلى نظام، وهي فجوة تجيد أدوات البرمجة بالذكاء الاصطناعي سدّها.

لكن تحديد المتطلبات والتحقق من النتائج لم يختفيا؛ بل أصبحا مسؤولية تقع بدرجة أكبر على عاتق مسؤول الأعمال. ويذكر التقرير نفسه أن الإصدار الجديد من Qoder يستهدف أشخاصًا «لديهم أهداف واضحة ويستطيعون التمييز بين المخرجات الجيدة والسيئة»، وهذا شرط مهم.

3 شروط تمكّن أصحاب الأعمال من بناء أنظمتهم باستخدام الذكاء الاصطناعي

انطلاقًا من هذه الحالة، يمكن تلخيص شروط النجاح في ثلاثة أمور:

1. معرفة موضع المشكلة: أدرك تشانغ ليفي أن المشكلة الأساسية هي عدم معرفة ربح دفعة من الأغنام إلا بعد الذبح، فكان لديه هدف تجاري واضح.
2. القدرة على توضيح المتطلبات: استطاع وصف الحقول والعمليات وقواعد الحساب، ووضع معايير قابلة للتحقق لقبول النتائج، بدلًا من الاكتفاء بطلب «أنشئ لي نظام إدارة».
3. القدرة على تقييم النتائج: ساعدته خلفيته في التطوير على فهم بنية النظام واكتشاف الأخطاء المنطقية وتصحيح مسار الذكاء الاصطناعي عند الحاجة.

يمتلك معظم مسؤولي الأعمال الشرط الأول، لكن الشرطين الثاني والثالث هما ما يصنع الفارق. هذا لا يعني أن من ليس لديهم خلفية في التطوير لا يستطيعون النجاح، لكنهم يحتاجون إلى تخصيص وقت إضافي للتعلم، ولا تكفي حالة واحدة للحكم على معدل نجاحهم.

🚀 للبدء سريعًا: إذا أردت اختبار قدرتك على توضيح متطلباتك بتكلفة منخفضة، يمكنك استخدام نموذج لغة كبير لتحويل وصف عملك إلى وثيقة متطلبات منظمة. تتيح لك APIYI على apiyi.com استدعاء عدة نماذج رائدة باستخدام مفتاح API واحد، لتجربتها على نطاق صغير قبل اتخاذ قرار الاستثمار في التطوير الفعلي.

قبل بناء نظامك باستخدام AI: حوّل احتياجات العمل إلى مواصفات

تفشل كثير من مشاريع بناء الأنظمة، ليس لأن AI يعجز عن كتابة الشفرة، بل لأن المتطلبات نفسها غير واضحة. قبل البدء، يمكنك الاستعانة بالنموذج لتحويل وصف العمل اليومي إلى حقول وقواعد وشروط قبول، ثم مراجعتها بنفسك بندًا بندًا.

فيما يلي مثال بسيط يستدعي النموذج عبر واجهة متوافقة مع OpenAI، لتحويل وصف العمل إلى مواصفات للمتطلبات:

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

desc = "三个养殖场，按批次记录每天饲料消耗和羊的体重，想在出栏前就知道每批羊大概赚多少钱。"
resp = client.chat.completions.create(
    model="gpt-4o-mini",  # يمكن استبداله بنموذج آخر متاح على المنصة
    messages=[{"role": "user", "content": f"把以下业务需求整理成数据字段、计算规则和验收条件：{desc}"}]
)
print(resp.choices[0].message.content)

import openai
from typing import Optional

SYSTEM_PROMPT = (
    "你是资深业务分析师。请把用户的业务描述整理为：\n"
    "1. 核心数据实体与字段（含单位）\n"
    "2. 计算规则（写出公式）\n"
    "3. 验收条件（每条都必须可被人工检查）\n"
    "4. 需要用户补充确认的问题清单\n"
    "不要假设用户没说过的规则，不确定的地方放进问题清单。"
)

def build_spec(
    business_desc: str,
    model: str = "gpt-4o-mini",
    extra_context: Optional[str] = None,
    max_tokens: int = 1500
) -> str:
    """تحويل وصف العمل اليومي إلى مواصفات متطلبات قابلة للمراجعة"""
    client = openai.OpenAI(
        api_key="YOUR_API_KEY",
        base_url="https://api.apiyi.com/v1"
    )
    content = business_desc
    if extra_context:
        content += f"\n补充背景：{extra_context}"

    try:
        resp = client.chat.completions.create(
            model=model,
            messages=[
                {"role": "system", "content": SYSTEM_PROMPT},
                {"role": "user", "content": content},
            ],
            max_tokens=max_tokens,
        )
        return resp.choices[0].message.content
    except Exception as e:
        return f"调用失败：{e}"

if __name__ == "__main__":
    spec = build_spec(
        business_desc="按批次管理在栏羊，记录每日饲料消耗、体重和生长阶段，"
                      "希望出栏前估算每批羊的成本和利润。",
        extra_context="目前用 Excel 台账，有三个养殖场。"
    )
    print(spec)

لا تطوّر هذه الشفرة النظام بدلًا منك؛ قيمتها أنها تكشف الجوانب التي ظننت أنك أوضحتها، لكنها ما زالت غامضة. وكلما طالت قائمة الأسئلة التي يطرحها النموذج، دلّ ذلك على أن المتطلبات تحتاج إلى مزيد من الصقل قبل تسليمها إلى أدوات البرمجة بالذكاء الاصطناعي لتنفيذها.

هل يستطيع موظفو الأعمال بناء أنظمة بأنفسهم باستخدام الذكاء الاصطناعي؟ إطار لتقييم الملاءمة

تثبت هذه الحالة أمرًا واحدًا: يمكن لموظفي الأعمال بناء أنظمة داخلية باستخدام الذكاء الاصطناعي عندما تتوافر الظروف المناسبة. لكنها لا تثبت أن هذه الطريقة مناسبة لجميع الأنظمة. يساعدك الإطار التالي على التمييز بين ما يمكن البدء ببنائه ذاتيًا وما يحتاج إلى تدخل فريق متخصص.

يقع نظام إدارة التربية لدى شيشيانجي، إلى حد كبير، ضمن الجانب الأيسر: يُستخدم داخليًا لاتخاذ قرارات التغذية وتسويق الحيوانات، ويمكن اكتشاف المشكلات فيه بسرعة. إذا كانت احتياجاتك من النوع نفسه، فإن بناء النظام باستخدام الذكاء الاصطناعي يستحق التجربة. أما إذا انطبق عليك أكثر من معيار في الجانب الأيمن، فالأكثر أمانًا هو استخدام الذكاء الاصطناعي لبناء نموذج أولي وتوضيح المتطلبات، ثم تسليمها إلى فريق متخصص أو شراء منتج جاهز.

مقارنة بين ثلاثة مسارات: البناء الذاتي بالذكاء الاصطناعي والشراء والتطوير المخصص

تتضح الفروق أكثر عند وضع المسارات الثلاثة جنبًا إلى جنب:

هذه المسارات ليست متعارضة. ومن الخيارات الشائعة البدء بالبناء الذاتي باستخدام الذكاء الاصطناعي لتجربة سير العمل والتحقق من الحاجة الفعلية إليه؛ ثم، عندما يزداد عدد المستخدمين وتصبح البيانات أكثر حساسية، يمكن تقرير ما إذا كان من المناسب إسناد إعادة بناء النظام إلى فريق متخصص.

تحليل أثر بناء أنظمة ذاتية بالذكاء الاصطناعي من قبل موظفي الأعمال

التأثير على مسؤولي الشركات الصغيرة والمتوسطة

• لم يعد غياب الفريق سببًا لتأجيل الاحتياجات: الشركات مثل شيشيانجي، التي لا يضم فريقها التقني سوى شخص واحد، كانت مضطرة سابقًا للاختيار بين «برامج عامة غير مناسبة» و«حلول مخصصة باهظة التكلفة». أما الآن، فلديها مسار إضافي يستحق التجربة.
• تتضاعف قيمة المعرفة بالأعمال: يستطيع الأشخاص الأكثر فهمًا لطبيعة العمل إدخال خبراتهم مباشرة في النظام وتعديله باستمرار أثناء الاستخدام اليومي، ما يقلل فقدان المعلومات الناجم عن «ترجمة المتطلبات».
• ترتفع تكلفة الوقت على المسؤولين: يذكر التقرير أن تشانغ لي في كان يعمل على التطوير بعد الدوام وخلال فترات فراغه أثناء رحلات العمل. وهذا الوقت تكلفة أيضًا، ولا يصح اعتباره ببساطة جزءًا من حل «بلا تكلفة».

التأثير على فرق التطوير المتخصصة وأقسام تقنية المعلومات

• يتحول الدور من «كتابة الشفرة» إلى «توفير الدعم وضمان السلامة»: مع ازدياد الأدوات التي يبنيها موظفو الأعمال بأنفسهم، تزداد الحاجة إلى تدخل المتخصصين في مراجعة الأمان وتصميم الصلاحيات والنسخ الاحتياطي للبيانات وتكامل الأنظمة.
• تزداد مخاطر الأنظمة غير الخاضعة لإشراف تقنية المعلومات: إذا أنشأ كل قسم أدواته الخاصة باستخدام الذكاء الاصطناعي، فقد تظهر مشكلات تشتت البيانات واختلاف معاييرها وغياب من يتولى الصيانة بعد مغادرة الموظفين. لذلك، من الضروري وضع ضوابط مسبقة.

خمسة أسئلة لم تجب عنها هذه الحالة بعد

يعرض التقرير نتيجة ناجحة، لكن المعلومات التالية لا تقل أهمية لصنّاع القرار، ولم تتناولها المواد المنشورة حتى الآن:

إلى أن تتوفر إجابات لهذه الأسئلة، فمن الأفضل التعامل مع هذه الحالة بوصفها دليلًا على أن الأمر «ممكن عند توفر الظروف المناسبة»، لا دليلًا على أن «أي شخص يستطيع فعله».

الأسئلة الشائعة FAQ

أبرز الخلاصات حول إنشاء موظفي الأعمال أنظمتهم باستخدام الذكاء الاصطناعي

• لنجاح التجربة شروط: يجمع صاحب التجربة بين خلفية في التطوير وفهم عميق للأعمال، لذا لا يصح تعميمها بالقول إن «الجميع قادرون على التطوير».
• الذكاء الاصطناعي يخفّض عتبة التنفيذ: أصبحت كتابة الشفرة وتكرار التحسينات أسرع، لكن تحديد المتطلبات والتحقق من النتائج لا يزالان بحاجة إلى تدخل بشري.
• أنظمة مناسبة للبدء ببنائها ذاتيًا: أدوات للاستخدام الداخلي، لا تتعامل مع بيانات حساسة، ويمكن تصحيح أخطائها يدويًا.
• أنظمة تحتاج إلى تدخل متخصصين: تلك التي تتعامل مع المعلومات الشخصية أو المدفوعات أو الصلاحيات المعقدة أو التكامل بين أنظمة متعددة.
• لا تتجاهل التكاليف الخفية: يجب احتساب الوقت وتكاليف الأدوات والصيانة طويلة الأمد عند اتخاذ القرار.
• تحقّق قبل الاستثمار: يمكن استدعاء النموذج بتكلفة منخفضة عبر APIYI على apiyi.com لترتيب مواصفات المتطلبات، ثم تقرير ما إذا كان الأنسب هو البناء الذاتي أو الشراء أو التطوير المخصص.

الخلاصة

توضح تجربة 西鲜记 أنه عندما يعرف المسؤول عن العمل موضع المشكلة، ويستطيع شرح احتياجاته وتقييم النتائج، يمكن لأدوات البرمجة بالذكاء الاصطناعي تحويل متطلبات الأنظمة المؤجلة إلى واقع. وتتلخص أبرز الدروس في ثلاث نقاط:

1. انخفاض حاجز الدخول أمر حقيقي: يستطيع الذكاء الاصطناعي الآن تولّي معظم العمل من تحديد المتطلبات إلى إنتاج شفرة قابلة للتشغيل.
2. القدرة على التقييم لا غنى عنها: لا يزال وصف المتطلبات وفحص النتائج والصيانة المستمرة مسؤولية من يفهم طبيعة العمل.
3. يجب تحديد الحدود مسبقًا: يحدد أمن البيانات والصلاحيات والصيانة طويلة الأمد الأنظمة التي يمكن بناؤها داخليًا وتلك التي تحتاج إلى فريق متخصص.

إذا كنت تفكر في بناء أدوات داخلية باستخدام الذكاء الاصطناعي، فابدأ بإجراء صغير تكون تكلفة الخطأ فيه منخفضة. استخدم الذكاء الاصطناعي لتحويل المتطلبات إلى مواصفات وبناء نموذج أولي، ثم حدد الخطوة التالية بناءً على النتائج. وننصحك بتجربة APIYI عبر apiyi.com للتحقق من النتائج سريعًا؛ إذ يكفي مفتاح API واحد للمقارنة بين عدة نماذج رائدة.

📚 المراجع

1. 极客公园 – ما وراء جائزة التكنولوجيا الرائدة في المؤتمر العالمي للإنترنت: كيف تصدّر Qoder سوق البرمجة بالذكاء الاصطناعي في الصين؟: مصدر وقائع الحالة الواردة في المقال
2. الرابط: geekpark.net/news/373542
3. ملاحظة: يتضمن حالة نظام إدارة تربية الماشية لدى 西鲜记، إلى جانب تجارب البرمجة بالذكاء الاصطناعي في شركات مثل 吉利 و山大华天

الكاتب: الفريق التقني في APIYI
للتواصل التقني: للاستفسار عن استدعاء النموذج وربطه بالأدوات الداخلية، يُرجى التواصل معنا عبر الصفحة الرئيسية لموقع APIYI على apiyi.com