إنفاق الشركات على الذكاء الاصطناعي يبلغ 177 مليار دولار في 2026: 5 مؤشرات على أن الوكلاء يغيرون سوق استهلاك API

ملاحظة الكاتب: يستعرض هذا المقال تقرير Menlo Ventures لعام 2026 عن الذكاء الاصطناعي في المؤسسات، ويوضح كيف يغيّر الوكلاء (Agents) استخدام النماذج من «أسئلة يطرحها البشر» إلى «مهام تنفذها الآلات باستمرار»، وما أثر ذلك على استدعاءات API والتزامن وهيكل المشتريات.

نشرت Menlo Ventures تقرير «The State of Enterprise AI» في 3 نوفمبر 2026. ويقدّر التقرير إنفاق المؤسسات على استخدام الذكاء الاصطناعي في عام 2026 بنحو 177 مليار دولار (176.8 مليار دولار وفق الرقم الأصلي في التقرير)، أي نحو 5.4 أضعاف إنفاق عام 2025 البالغ 33 مليار دولار. والأكثر لفتًا للانتباه أن ما أنفقته المؤسسات فعليًا بلغ في المتوسط نحو 2.5 ضعف ما خططت له في الأصل.

الأمر ليس مجرد حديث عام آخر عن «ضخامة سوق الذكاء الاصطناعي». يستند التقرير إلى استطلاع شمل ما يقرب من 400 من صانعي القرار في المؤسسات الأمريكية، ويستشهد ببيانات OpenRouter حول الرموز (Tokens). وتشير النتائج إلى تحول واحد: لم يعد المصدر الرئيسي لنمو الإنفاق هو «زيادة عدد الأشخاص الذين يطرحون الأسئلة على الذكاء الاصطناعي»، بل «الوكلاء الذين يواصلون العمل نيابةً عن البشر».

ما ستجده في المقال: نستعرض أبرز بيانات إنفاق المؤسسات على الذكاء الاصطناعي والوكلاء، ونشرح لماذا يغيّر الوكلاء طريقة استهلاك الرموز واستدعاء API، ونحلل ما يحتاج مطورو API ومسؤولو المشتريات إلى الاستعداد له مسبقًا.

أبرز أرقام إنفاق الشركات على الذكاء الاصطناعي في 2026

لنبدأ بالأرقام. جميع الأرقام في الجدول مستمدة من تقديرات السوق التي أعدّتها Menlo Ventures، وليست إجمالي مدفوعات الشركات المدقّق، ولا إيرادات شركة بعينها من مزودي النماذج.

تجاوز الإنفاق على استخدام الذكاء الاصطناعي الإنفاق على بناء النماذج يشير إلى نقطة تحول. فالنقاش حول سلسلة صناعة الذكاء الاصطناعي كان يركز سابقًا على التدريب والقدرة الحاسوبية، أما الآن فقد أصبحت رسوم الخدمات التي تدفعها الشركات لتجعل النماذج تنجز العمل هي الجزء الأكبر. ومن المهم أيضًا أن «الإنفاق على الاستخدام» يشمل البنية التحتية واشتراكات التطبيقات وواجهات API وغيرها، لذا لا يمكن اعتباره مباشرةً إيرادات سوق واجهات API.

وفي الفترة نفسها، صرّح رئيس OpenAI، Greg Brockman، في مؤتمر WSJ للتكنولوجيا يوم 4 نوفمبر بأن أكثر من نصف إيرادات الشركة يأتي من قطاع الأعمال. ويتعلق هذا الرقم بتركيبة إيرادات OpenAI نفسها، وهو يختلف عن تقدير Menlo بأن «حصة OpenAI تبلغ 31% من إنفاق الشركات على واجهات API». فلكل رقم نطاق قياس مختلف، ولا تجوز المقارنة بينهما مباشرةً.

لماذا يتجاوز إنفاق الشركات على الذكاء الاصطناعي الميزانية؟ عمق الاستخدام أهم من عدد المستخدمين

الفجوة بين ميزانية الذكاء الاصطناعي والإنفاق الفعلي

أكثر بيانات التقرير مخالفة للتوقعات تتعلق بالفجوة في الميزانية. فقد قلّلت الشركات عمومًا في بداية العام من تقدير سرعة استهلاك ميزانيات الذكاء الاصطناعي:

تجاوز المتوسط ضعف قيمة الوسيط، ما يشير إلى أن عددًا قليلًا من الشركات التي تستخدم الذكاء الاصطناعي بكثافة رفع إجمالي الإنفاق. ولم يرتفع معدل الاعتماد سوى 10 نقاط مئوية، بينما اقترب متوسط إنفاق الشركة الواحدة من خمسة أضعاف مستواه السابق. لذا، لا يعود النمو أساسًا إلى بدء المزيد من الشركات باستخدام الذكاء الاصطناعي، بل إلى توسع الشركات التي تستخدمه بالفعل في استخدامه.

الإنفاق على الذكاء الاصطناعي يخلق ميزانيات جديدة للشركات

من حيث مصادر التمويل، تقدّر Menlo أن نحو 55% من الإنفاق الإضافي على الذكاء الاصطناعي يأتي من ميزانيات جديدة، ونحو 22% من ميزانيات البرمجيات القائمة. بعبارة أخرى، لا يقتصر دور الذكاء الاصطناعي على استبدال خدمات البرمجيات التقليدية كخدمة (SaaS)، بل يخلق أيضًا بنود مشتريات لم تكن موجودة من قبل. وبالنسبة إلى مسؤولي المشتريات، لم يعد الذكاء الاصطناعي مجرد بند ضمن «تكاليف أدوات تقنية المعلومات»، بل أصبح تكلفة تشغيلية تحتاج إلى إدارة مستقلة.

كيف يغيّر Agent استهلاك API: من طرح الأسئلة إلى تنفيذ المهام

الفرق بين آلية استدعاء روبوتات الدردشة وAgent

السبب المباشر لخروج الميزانية عن السيطرة هو تغيّر نمط الاستدعاء. يعمل روبوت الدردشة عادةً وفق مبدأ «سؤال وجواب»: يرسل المستخدم رسالة ويعيد النموذج نتيجة واحدة، فيتناسب استهلاك الرموز (Tokens) تقريبًا مع عدد أسئلة المستخدمين. أما Agent فيعمل وفق دورة «تحديد الهدف، وتقسيم المهمة، واستدعاء الأدوات، وفحص النتائج، ثم التكرار». وقد تتطلب مهمة واحدة عشرات الاستدعاءات للنموذج.

📊 توضيح الرسم: يمكن لتدفق Agent متعدد النماذج على اليمين استخدام نموذج مختلف في كل مرحلة من مراحل التخطيط والتنفيذ والتحقق. وإذا أردت اختبار بنية الاستدعاء هذه بنفسك، يمكنك استخدام مفتاح واحد عبر APIYI apiyi.com للتبديل بين نماذج من مزودين مختلفين ومقارنتها.

استهلاك Tokens يرتبط بحجم المهام المنفّذة

رصدت Menlo باستخدام بيانات OpenRouter أن وكلاء Agent يستحوذون بالفعل على نحو 80% من إجمالي استهلاك Tokens على المنصة، أي نحو 130.9 تريليون Token أسبوعيًا. ومنذ تجاوز حركة Agent للحركة التي يقودها البشر في فبراير 2026، نمت حركة Agent بنحو 37 ضعفًا، مقابل نحو 5 أضعاف فقط للحركة التي يقودها البشر خلال الفترة نفسها.

يتألف مستخدمو OpenRouter أساسًا من المطورين والشركات الناشئة، لذا لا تمثل هذه البيانات القطاع بأكمله، لكن اتجاهها يتفق مع مؤشرات أخرى. ويُظهر تقرير OpenAI للمؤسسات لعام 2025 أن متوسط استهلاك Tokens للاستدلال عبر API لكل مؤسسة نما بنحو 320 ضعفًا مقارنةً بالعام السابق. وذكر تقرير Axios عن Codex أيضًا أن أكثر من 60% من المستخدمين يشغّلون مهام متعددة بالتزامن في وقت ما خلال اليوم. وتشير هذه البيانات إلى أن استهلاك Tokens ينتقل من الارتباط بالأشخاص إلى الارتباط بالمهام.

أين يذهب إنفاق الشركات على الذكاء الاصطناعي؟ ولماذا تتصدر البرمجة وروبوتات الدردشة المؤسسية؟

توزيع الإنفاق في سوق تطبيقات الذكاء الاصطناعي

يتوزع الإنفاق في سوق تطبيقات الذكاء الاصطناعي، المقدّر بنحو 77.3 مليار دولار، بتركيز واضح:

ويزداد التركيز في مجال البرمجة. إذ تقدّر Menlo أن Claude Code وCodex يستحوذان معًا على نحو 24 مليار دولار من سوق تطبيقات البرمجة، أي ما يقارب 70% منه. ويرتبط نجاح نموذج الوكلاء الذكيين (Agent) في البرمجة قبل غيرها بثلاثة شروط مباشرة.

ثلاثة شروط لنجاح تطبيق الوكلاء الذكيين

1. بيئة تتيح تنفيذ الإجراءات: يحتاج الوكيل إلى الوصول إلى GitHub والبريد الإلكتروني والتقويم وSlack ووثائق الشركة وقواعد البيانات. فالقدرة على الاستدلال وحدها، من دون أدوات، لا تكفي لإنجاز عمل حقيقي.
2. سياق كامل للمهمة: لا يكفي سؤال المستخدم؛ بل يحتاج الوكيل أيضًا إلى معرفة معايير الشركة وعملياتها وتاريخ المشروع وقيود التشغيل ومعايير النجاح.
3. إمكانية التحقق من النتائج: يستطيع المترجم التحقق من إمكانية بناء الشفرة، وتستطيع الاختبارات التحقق من عمل الوظائف كما ينبغي. وهذا سبب رئيسي لتقدم وكلاء البرمجة. في المقابل، يصعب التحقق موضوعيًا من نتائج مهام البحث والاسترجاع.

وتفسّر النقطة الثالثة أيضًا مخاطر تكلفة الوكلاء الذكيين. ففي المجالات التي يصعب فيها التحقق من النتائج، قد يستهلك الوكيل عددًا كبيرًا من الرموز (Tokens) ثم يتوصل إلى استنتاجات خاطئة. وقد تناولت Axios حالة استخدم فيها أستاذ جامعة ستانفورد Andrew Hall أداة Claude Code لتحديث ورقة بحثية قديمة، وكشفت المراجعة البشرية لاحقًا عن أخطاء في جمع البيانات ومعالجة الشفرة.

تحليل تأثير الوكلاء على سوق استهلاك API

التأثير على مطوري API

• إعادة حساب نموذج التكلفة: لم يعد تقدير ميزانية API على أساس «عدد المستخدمين × سعر الوحدة» دقيقًا. الأفضل هو تقديرها وفق «عدد المهام × متوسط عدد جولات الاستدعاء × طول السياق».
• الحاجة إلى ضوابط للميزانية: يجب تحديد سقف للرموز لكل مهمة، وحد أقصى للتكرارات، وآلية لإيقاف التنفيذ عند تكرار الفشل للوكلاء الذين يعملون باستمرار في الخلفية. وإلا فقد تتضاعف ميزانية الشركة من 1.9 إلى 4.7 أضعاف.
• الجمع بين نماذج متعددة يصبح أمرًا معتادًا: يمكن استخدام نموذج قوي للتخطيط، ونموذج منخفض التكلفة للتنفيذ على نطاق واسع، ونموذج من مزود آخر للتحقق المتبادل. وهذا يخفض تكلفة المهمة الواحدة بشكل ملحوظ.

التأثير على مزودي خدمات API

يمكن تلخيص التغيرات في الطلب التي يجلبها الوكلاء في خمس فئات، تقابل كلًا منها قدرات يحتاج إليها مزود الخدمة:

💡 نصيحة للاختيار: إذا كان سير عمل الوكيل لديك يتطلب الجمع بين نماذج من عدة مزودين، يمكنك تجربة نموذجك الأولي على APIYI عبر apiyi.com باستخدام واجهة متوافقة مع OpenAI. وتتيح الفوترة حسب الاستخدام تتبع التكلفة الفعلية لكل مرحلة بسهولة.

نظرة متوازنة: إنفاق الشركات على الذكاء الاصطناعي لا يساوي إيرادات API

لا يصح افتراض أن «زيادة عدد الوكلاء تعني بالضرورة ارتفاع إيرادات مزودي خدمات API»، وذلك لثلاثة أسباب:

• يذهب جزء كبير من مبلغ 176.8 مليار دولار إلى البنية التحتية واشتراكات التطبيقات، وليس إلى رسوم استدعاء API.
• الأسعار مستمرة في الانخفاض. فقد ارتفعت حصة النماذج مفتوحة المصدر من استخدام الرموز إلى 19%، لكن حصتها من الإنفاق لا تتجاوز نحو 4%، ما يعني أن زيادة حجم الرموز لا تؤدي بالضرورة إلى نمو مماثل في الإيرادات.
• يؤدي التخزين المؤقت والمعالجة الدفعية وتوجيه الطلبات بين النماذج إلى خفض تكلفة الوحدة. وفي النهاية، تتمحور المنافسة حول الاستقرار ومعدل نجاح المهام، وليس مجرد حجم مبيعات الرموز.

كيفية بناء سير عمل لوكيل متعدد النماذج باستخدام API

مثال مبسّط

توضح الشفرة التالية أبسط آلية لعمل الوكيل عبر استدعاءين: «التخطيط ← التنفيذ». استبدل أسماء النماذج بأخرى متاحة في لوحة تحكم المنصة:

from openai import OpenAI

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

plan = client.chat.completions.create(
    model="YOUR_PLANNER_MODEL",
    messages=[{"role": "user", "content": "把“整理本周销售周报”拆成 3 个步骤"}]
).choices[0].message.content

result = client.chat.completions.create(
    model="YOUR_EXECUTOR_MODEL",
    messages=[{"role": "user", "content": f"按以下步骤执行并输出结果：\n{plan}"}]
)
print(result.choices[0].message.content, result.usage.total_tokens)

import time
from openai import OpenAI

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

MODELS = {
    "planner": "YOUR_PLANNER_MODEL",    # نموذج قوي في الاستدلال، مسؤول عن تقسيم المهمة
    "executor": "YOUR_EXECUTOR_MODEL",  # نموذج منخفض التكلفة، مسؤول عن التنفيذ على دفعات
    "checker": "YOUR_CHECKER_MODEL",    # نموذج من مزود آخر، للتحقق المتبادل
}
TOKEN_BUDGET = 50_000   # الحد الأقصى للرموز لكل مهمة
MAX_ROUNDS = 3          # الحد الأقصى لجولات التكرار

used_tokens = 0

def call(role: str, prompt: str, retries: int = 3) -> str:
    global used_tokens
    if used_tokens >= TOKEN_BUDGET:
        raise RuntimeError("超出单任务 Token 预算，熔断")
    for i in range(retries):
        try:
            resp = client.chat.completions.create(
                model=MODELS[role],
                messages=[{"role": "user", "content": prompt}],
            )
            used_tokens += resp.usage.total_tokens
            return resp.choices[0].message.content
        except Exception as e:
            time.sleep(2 ** i)  # الانتظار المتزايد أسيًا
            last_err = e
    raise last_err

def run_agent(goal: str) -> str:
    plan = call("planner", f"将目标拆成可执行步骤：{goal}")
    output = call("executor", f"按步骤执行：\n{plan}")
    for _ in range(MAX_ROUNDS):
        verdict = call("checker", f"检查结果是否满足目标“{goal}”，"
                                  f"合格只回复 PASS，否则指出问题：\n{output}")
        if verdict.strip().startswith("PASS"):
            break
        output = call("executor", f"根据反馈修正：\n{verdict}\n原结果：\n{output}")
    print(f"本任务共消耗 Token：{used_tokens}")
    return output

print(run_agent("整理本周销售数据并写一份 300 字摘要"))

تجسد هذه الشفرة عدة نقاط وردت سابقًا: تتطلب المهمة ثلاثة استدعاءات على الأقل، وتستخدم الأدوار الثلاثة نماذج مختلفة، فيما تساعد ميزانية الرموز والحد الأقصى للتكرار على إبقاء التكاليف تحت السيطرة.

🚀 بداية سريعة: يُنصح بالحصول أولًا على رصيد تجريبي مجاني من APIYI على apiyi.com، وتجربة نماذج مختلفة لكل دور، ثم تسجيل بيانات usage قبل اختيار مجموعة النماذج لبيئة الإنتاج.

الأسئلة الشائعة FAQ

أبرز النقاط حول إنفاق الشركات على الذكاء الاصطناعي والوكلاء

• الحجم: تقدّر Menlo إنفاق الشركات على استخدام الذكاء الاصطناعي في عام 2026 بنحو 176.8 مليار دولار، أي قرابة 5.4 أضعاف العام السابق.
• الفجوة في الميزانية: بلغ متوسط الإنفاق الفعلي للشركات 4.7 أضعاف العام السابق، بينما كانت الخطط تستهدف 1.9 ضعف فقط.
• مصدر النمو: يأتي النمو أساسًا من تعمّق استخدام الشركات التي اعتمدت التقنية بالفعل، لا من ارتفاع معدل اعتمادها.
• آلية الاستدعاء: يربط الوكلاء استهلاك الرموز (Tokens) بحجم المهام ومستوى التنفيذ المتوازي ومدة التشغيل.
• شروط التطبيق: يتطلب الأمر بيئة تنفيذ وسياقًا كاملًا ونتائج قابلة للتحقق، ولهذا يتصدر مجال البرمجة التطبيقات العملية.
• تقييم واقعي: إنفاق الشركات على الذكاء الاصطناعي لا يساوي إيرادات API، كما أن نمو استهلاك الرموز لا يعني نمو الإيرادات بالنسبة نفسها على أساس سنوي.
• كيف تبدأ: يمكنك عبر APIYI apiyi.com الجمع بين نماذج من عدة مزودين باستخدام مفتاح واحد، وحساب تكلفة المهام الفعلية.

الخلاصة

تتمثل التغيرات الأساسية في إنفاق الشركات على الذكاء الاصطناعي عام 2026 في ثلاث نقاط:

1. من استخدام يقوده البشر إلى استخدام تقوده المهام: يتحول استهلاك النماذج تدريجيًا من «أسئلة يطرحها البشر» إلى «تنفيذ مستمر بواسطة الوكلاء».
2. من رسوم أدوات إلى ميزانية مستقلة: يأتي أكثر من نصف الإنفاق الإضافي من ميزانيات جديدة، وأصبح الذكاء الاصطناعي تكلفة تشغيلية تُدار بشكل مستقل.
3. من بيع الرموز إلى بيع الموثوقية: ستركز المنافسة بين خدمات API على الاستقرار والتنفيذ المتزامن والتبديل بين النماذج ومراقبة الاستخدام.

بالنسبة إلى المطورين ومسؤولي المشتريات، فإن أفضل خطوة الآن هي حساب «تكلفة المهمة الواحدة» باستخدام مهام فعلية، بدلًا من تقدير الميزانية بناءً على عدد المستخدمين. ويمكن استخدام APIYI apiyi.com لإنشاء نموذج أولي لوكيل متعدد النماذج بسرعة، والاستناد إلى بيانات usage الفعلية لإعداد ميزانية الذكاء الاصطناعي للعام المقبل.

📚 المراجع

1. Menlo Ventures – 2026 The State of Enterprise AI: المصدر الرئيسي للبيانات في هذا المقال
2. الرابط: menlovc.com/perspective/2026-the-state-of-enterprise-ai

3. التفاصيل: يشمل الإنفاق المؤسسي على الذكاء الاصطناعي، وحصص API، وبيانات OpenRouter عن الوكلاء، ومنهجية البحث

4. Reuters – Brockman谈 OpenAI 企业收入: تشكّل إيرادات المؤسسات أكثر من نصف إيرادات OpenAI

5. الرابط: reuters.com/legal/transactional

6. التفاصيل: تقرير بتاريخ 5 نوفمبر 2026. تجدر الإشارة إلى أن هذا المقياس يختلف عن مقياس حصة API لدى Menlo

7. OpenAI – The State of Enterprise AI 2025: بيانات أساسية عن استخدام المؤسسات

8. الرابط: openai.com/business/guides-and-resources/the-state-of-enterprise-ai-2025-report

9. التفاصيل: يتضمن بيانات تاريخية، منها زيادة استهلاك رموز الاستدلال لكل مؤسسة بنحو 320 ضعفًا على أساس سنوي

10. Axios – Office workers drive OpenAI’s Codex growth: تنفيذ الوكلاء لمهام متعددة بالتوازي والإشراف عليهم

11. الرابط: axios.com/2026/06/02/openai-codex-knowledge-workers
12. التفاصيل: بيانات من يونيو 2026، مفيدة لفهم كيفية استخدام العاملين في مجال المعرفة للوكلاء

الكاتب: الفريق التقني في APIYI
للتواصل التقني: إذا كانت لديكم أسئلة عملية حول سير عمل الوكلاء واستدعاء نماذج متعددة، يسعدنا تواصلكم معنا عبر الصفحة الرئيسية لـ APIYI على apiyi.com