#_stop making just an AI generator: the real value is completing an entire job

يُدركان شيئين في آنٍ واحد. في أحدهما، عرضت WonderClip في مؤتمر Yunqi خط إنتاج متكامل: “رفع سيناريو → تقسيم المشاهد → تحضير المواد → الإنتاج بالجملة”؛ وفي الآخر، أصبح من الصعب تسعير أدوات الإنتاج المفردة. شركات النموذج تُدمج قدرات الإنتاج في منتجاتها الأصلية، وAgents العامون يمتصون القدرات المفردة في تدفقات العمل، ونماذج مفتوحة المصدر تُسقط أسعار API إلى أدنى مستوياتها — ثلاث طبقات من الضغط متراكمة، والطبقة الرقيقة من القيمة التي كانت تمتلكها منتجات الذكاء الاصطناعي تُمحى بسرعة.

عند جمع هذين الأمرين معًا، نحصل على حكم فاصل: تتقلص قدرة الإنتاج بسرعة لتصبح سلعة، والجزء الذي يمكن أن يحتفظ بعمق تجاري يبدأ بالانتقال نحو تدفقات العمل الكاملة. يجب أن تحدث ثلاث هجرات في وقت واحد — رفع الكائن من File إلى Job، ورفع الأصل من Prompt إلى Skill، ونقل الحاجز من النموذج إلى الأصول التجارية. لنفصّل كل نقطة.

أولاً: منتجات الذكاء الاصطناعي الأسهل في التصنيع غالباً ما تكون الأسهل في التسعير المنخفض

بعد ظهور الذكاء الاصطناعي التوليدي، يمكن وصف عدد كبير من المنتجات في السوق بنفس البنية:

رفع مدخل، اختيار نموذج، النقر على إنتاج، الحصول على نتيجة، تنزيل.

لقد مرت جميع هذه الأدوات — أدوات الكتابة والتصميم الجرافيكي وإنتاج الفيديو والترجمة والتعليق الصوتي والترميز — بالمرحلة ذاتها.

إن هذه المنتجات ليست بلا قيمة على الإطلاق. فهي تعالج احتياجات فعلية، خاصة في المراحل الأولى لإطلاق نموذج جديد حين يكون المستخدمون غير ملمين بكيفية استخدامه، فإن تغليف النموذج في صورة زر بسيط يحمل في ذاته قيمة حقيقية.

غير أن هذه القيمة سطحية وهشة.

慢慢学AI<038>：AI应用落地的关键阶段

摘要

本文探讨企业在AI应用落地过程中面临的阶段性挑战，结合国际分析师观点与中国市场实际情况，为CIO提供决策参考。

正文

模型厂商正加速将更多能力直接集成到原生产品中，通用工具也在持续吸纳各类单点能力，而开源模型与API的价格则呈现持续下降趋势。Gartner在2025年AI技术成熟度曲线中将生成式AI整体置于”幻灭低谷”（Trough of Disillusionment）阶段，同时预测到2026年，将有40%的企业应用内嵌任务级AI智能体，而2025年这一比例尚不足5%——这无疑是量级上的巨大飞跃。基础生成能力正被逐步吸收为默认配置，其速度远超多数独立产品的迭代步伐（来源：Gartner，2025年8月26日新闻稿；Haritha Khandabattu与Birgi Tamersoy，2025年6月11日报告口径）。第三方分析师进一步指出，未来12至18个月内，试点阶段与规模化生产之间的距离将进一步拉大（来源：buildingcreativemachines.com分析，仅作方向性参考）。这两点所传递的核心信号是一致的：单点生成器的”产品窗口期”正在收窄。

倘若一款产品的主要竞争优势仅仅在于”将模型封装成一个按钮”，那么其毛利空间与定价权必将持续承压。

Learn AI Slowly

كيف تُحدَّد قيمة أدوات الذكاء الاصطناعي؟

عندما نرافق عملاءنا في عملية اختيار أدوات الذكاء الاصطناعي، نلاحظ نمطًا متكررًا: أدوات الإنتاج أحادية الوظيفة المتشابهة تجعل المشتري يتفاوض على تجديد العقد خلال عام، لأن “الاستعانة بأي مُزوِّد آخر ستُفضي إلى النتيجة ذاتها”.

إذن السؤال الجوهري الذي يجب طرحه هو: إلى أي جزء من سير العمل الكامل للمستخدم ينتمي هذا الزر؟

ثانيًا: ما يميّز WonderClip هو إعادة إدماج عملية التوليد في سلسلة الإنتاج

WonderClip هي منصة إنتاج فيديو بالذكاء الاصطناعي التوليدي من Alibaba Cloud، أُطلقت رسميًا في عام 2026، وأضيفت خلال معرض Cloudnest (云栖) في سبتمبر كلٌّ من “Jingzai Agent” ومنصة Skill Studio المفتوحة (المصدر: Sina Finance، 2026-05-21؛ Tencent News، تقارير حية من معرض Cloudnest، 2026-09-22). يُظهر العرض التوضيحي المباشر المسار الرئيسي التالي:

رفع السيناريو → مراجعة التفصيل → تجهيز الأصول → التوليد بالجملة

حول هذا المسار الرئيسي، نمت قدرات فرعية تشمل: Storyboard وCanvas وSkill Studio وإدارة الأصول والتعاون في المشاريع وإدارة الإصدارات.

لا تبدو أيٌّ من هذه القدرات مذهلة منفردة. لكن عند جمعها معًا، تبدأ في تشكيل منظومة إنتاج متكاملة.

العمل الحقيقي في إنتاج الفيديو لم يكن يومًا مجرد “استدعاء نموذج فيديو مرة واحدة”.

من File إلى Job: التحول الجوهري في منتجات الذكاء الاصطناعي

السياق التقني والأعباء الخفية

في المراحل الأولى من الإنتاج—سواء كانت مرحلة ما قبل التصوير أو مرحلة الإعداد والتقسيم—تواجه فرق العمل تحديات متعددة تتعلق بالاتساق والتنسيق. وبينما تتزايد سرعات الإنشاء والتوليد بشكل ملحوظ، تبرز العوائق الخفية التي كانت مهملة سابقًا. وتشمل هذه العوائق:

التنقل المتكرر بين الأدوات المختلفة، مما يستلزم عمليات تحميل وتنزيل متكررة
الحاجة إلى إعادة شرح品牌形象 والسرد narratif في كل مرة يتم فيها الانتقال بين الأدوات
صعوبة تتبعRelations between materials والـ shots عند تضاعف الإصدارات
تحديات الحفاظ على اتساق الشخصيات عند استخدام نماذج مختلفة
العودة إلى أساليب المراجعة التقليدية عبر مجموعات الدردشة وتسمية الملفات

القيمة الحقيقية للـ Workflow

هذه التحديات تمثل التكلفة الفعلية التي تتجاوز قدرات أدوات التوليد الفردية. وهذا ما لمسه بشكل جوهري في مؤتمر Yunqi: فطبقة النماذج تزداد تعقيدًا، بينما انتقلت القيمة الحقيقية للمنتج بالفعل إلى الطبقة التي تقع فوق النماذج مباشرة.

التحول من File إلى Job كمبدأ تصميمي

تعمل أدوات توليد الصور بشكل طبيعي حول مفهوم الصورة، وأدوات الفيديو حول الفيديو. لكن عندما يدفع المستخدمون مقابل البرمجيات، فإن هدفهم الحقيقي يتجاوز مجرد الحصول على ملف.

فالمتاجر الإلكترونية تسعى لإتمام حملة تسويقية كاملة، ووكالات الإعلان تهدف لتسليم مشروع للعميل، والفرق الإبداعية تحتاج مجموعة من المحتويات القابلة للنشر بشكل مستمر، بينما تبحث الفرق الإنتاجية عن مقاطع قابلة للاندماج في مراحل التصوير اللاحقة.

لذلك، عند توجه منتجات الذكاء الاصطناعي نحو الاستخدام التجاري، يجب أن ينتقل الكائن الأساسي من الملف (File) إلى المهمة (Job).

العمليات الإبداعية: المجال الحقيقي الذي يمكن للذكاء الاصطناعي في التجارة الإلكترونية اقتطاعه منه

لنأخذ المحتوى التجاري كمثال:

عندما يكون المنتج مجرد “صورة”، تتركز الوظائف حول الخلفية والحجم والإنشاء والتحميل.

لكن عندما يتحول المنتج إلى حملة تسويقية متكاملة، يجب أن يفهم النظام مفاهيم مثل العلامة التجارية والمنتج والتسويق والجمهور والمنصة واستراتيجية الإبداع والمتغيرات والتقييم والتوزيع والأداء.

العمق التجاري لهذين النوعين من المنتجات مختلف تماماً. الأول يبيع نتيجة، بينما الثاني يبيع القدرة على تشغيل الأعمال.

أجرينا تقييماً لفريق تجارة إلكترونية عابر للحدود: كان هذا الفريق قد اشترى في الأصل أربع أدوات منفصلة للتصميم، وتكاليف الاشتراك السنوية تراكمت بشكل ملحوظ، لكن مع كل منتج جديد يدخل سوقاً جديداً كان الفريق يضطر إلى إعادة تشغيل العمليات يدوياً من جديد. لاحقاً، أقترحنا عليهم التحول إلى نظام يدعم الحملات التسويقية المتكاملة، وعلى الرغم من أن تكلفة الاشتراك ارتفعت قليلاً، إلا أن توفير الوقت المهني في تشغيل العمليات أتاح تعويض التكلفة خلال ربع سنة واحد فقط (حالة مُعمَّاة هوية أطرافها، للأغراض الاسترشادية والاتجاهية، وليست بيانات رسمية قابلة للإفصاح؛ الأساس المقارن/النافذة الزمنية/حجم العينة غير معلنة وفقاً لاتفاقية عدم الإفصاح). أهم درس استخلصناه من هذه التجربة هو أن تحديد موضوع المنتج في الذكاء الاصطناعي يحدد سقف إمكانياته.

العمليات الإبداعية: ما يمكن للذكاء الاصطناعي في التجارة الإلكترونية اقتطاعه منه حقاً

تعلم الذكاء الاصطناعي ببطء <004>

مثال عملي: توطين المحتوى الإعلاني عبر الحدود

لنفترض أن تاجرًا يملك منتجًا واحدًا ويرغب في اختراق السوقين الأمريكية واليابانية بالتزامن مع الترويج عبر TikTok وMeta وYouTube Shorts.

تكتفي الأدوات التقليدية للذكاء الاصطناعي بتوفير قدرات منفردة: تغيير المنتج، والترجمة، والتعليق الصوتي، وإنشاء الترجمة، وتعديل الأبعاد، وتوليد الفيديو. وعلى الرغم من فائدتها، يظل التاجر مضطرًا لربط هذه الأدوات ببعضها يدويًا.

أما النظام الأكثر نضجًا فينطلق من الهدف ك نقطة بداية:

المنتج / رمز المنتج → السوق → هدف الحملة → الاستراتيجية الإبداعية → الخطافات الجذابة → النصوص → اللقطات → المتغيرات → المراجعة → النشر → الأداء → الجولة التالية

عندئذٍ لا تقتصر قيمة الذكاء الاصطناعي على “إنشاء عشرين فيديو بالنيابة عني”، بل تتجلى في نقاط جوهرية أخرى:

الإمكانات الحقيقية:

هل يمكن لنفس المحتوى الإبداعي الذي أثبت فعاليته أن يخضع للتوطين السريع في دول متعددة مع الحفاظ على اتساق المنتج والعلامة التجارية؟

هل يمكن توليد عدد كافٍ من المتغيرات دفعة واحدة لتحقيق قفزة حقيقية في حجم الاختبارات التي يجريها فريق الإعلانات؟

هل يمكن ضمان عدم تغيير الشعار والشروحات على العبوة والألوان من قِبل النموذج بشكل عشوائي؟

هل يمكن للفحص الآلي أن يتولى التحقق من مواصفات_FORMATS الخاصة بكل منصة إعلانية ومتطلباتها التنظيمية؟

هل يمكن تغذية نتائج التشغيل terug إلى النظام，以便下一轮素材从真实数据出发؟

الحواجز الحقيقية ستنتقل من النماذج إلى الأصول التشغيلية

في هذا الإطار، تُعدّ النماذج مهمة بلا شك، لكنّها نادراً ما تمثّل الحاجز الوحيد الذي يصعب تجاوزه.

ما قد يخلق قيمة مستدامة على المدى الطويل هو توفّر الأصول التشغيلية التالية:

Product Fidelity (الالتزام بمنتج أصيل): لا يمكن للنموذج تعديل المنتج بشكل عشوائي، بل يجب الحفاظ على الشعار والتغليف والألوان والهيكل بشكل موثوق. بدون ذلك، لن تكون نتائج التوليد الجيد قابلة للنشر مهما بلغ مستوى جودتها.

Brand Context (السياق البراند): يجب تجميع نبرة العلامة التجارية والمعايير البصرية والتعبيرات المحظورة والجمهور المستهدف والمواد الموجودة مسبقاً في سياق قابل لإعادة الاستخدام، بدلاً من إعادة وصفها في كل مرة.

Workflow (سير العمل): إنشاء عملية مستقرة من مرحلة الـ Brief إلى المقطع النهائي ثم النشر، تتيح للفريق接力接力 والتكرار.

Skill (المهارات): تحويل أساليب الإنتاج الخاصة بمنصات أو دول أو قطاعات مختلفة إلى معارف منظمة، حتى يستطيع الوافدون الجدد تبنّيها دون إعادة اختراع العجلة.

الامتثال: يمكن التحقق تلقائيًا من متطلبات قانون الإعلان وقواعد المنصات ونسبة النصوص والكلمات المطلقة وغيرها، مما يوفر تكاليف الرفض في أي حملة إعلانية.

بيانات الأداء: معرفة أي نوع من الخطافات والأدوات الإعلانية وأي سوق وأي شريحة جمهور يحقق نتائج فعلية، ثم إرجاع هذه التغذية الراجعة إلى عملية إنتاج المحتوى.

كلما تراكمت هذه الأصول، أصبح الإنتاج التالي أسرع وأكثر استقرارًا، مما يولّد تأثير الفائدة المركبة الحقيقي للمنتج.

الموديلات قد تتغير، لكن الأصول التجارية الخاصة بالعميل وقواعد الامتثال وعمليات الإنتاج وبيانات الأداء لا تتغير معها. وهذا يمثل مستوى أعمق من الارتباط التشبّثي (Lock-in)، وحاجزًا يصعب اختراقه مباشرة من خلال المشاريع مفتوحة المصدر وواجهات برمجة التطبيقات (APIs).

أمثلة مضادة وحدود (يجب القراءة)

هناك حدّان لتطبيق这套判断成立的两个边界 يُشكّلان صحة هذا التقييم، لذا من الضروري توضيحهما لتجنّب التطبيق الأعمى:

المُنشئ أحادي الغرض لا يزال مربحًا للفرق الصغيرة / الاستخدام المتقطع / المجالات المتخصصة.工作室工作室对于一个仅三人制 equipos pequeños que 只专注于一件事生产、一个月只输出 50 条内容的小型工作室، فإن “توفير تكاليف الاحتكاك”带来的摩擦成本节省未必大于单品采购成本本身،，此时此刻，通用 SaaS 的采购成本本身就大于摩擦成本节省، 所以单点工具更合适.إن توجيه الكائن إلى Job هو اتجاه التوسع والتجارة، وليس اتجاه MVP المبكر.规模化、商业化的方向，不是早期MVP的方向.
Anthropic و OpenAI و Mistral تُمثّل أمثلة مضادة.它们卖的是模型本身，这些公司销售的是模型本身، وحواجزها هي: scale 预训练规模 + البيانات + قوة الحوسبة + كثافة أفضل الباحثين.模型本身，预训练规模+数据+算力+顶级研究者密度是它们的壁垒، وهذا لا يندرج ضمن نفس ساحةbattlefield المعركة التي نناقشها حول “حواجز منتجات طبقة التطبيقات”.与本文讨论的”应用层产品壁垒”不是同一战场.إن “النموذج كحاجز” يظل ساريًا لا يزال صحيحًا头部模型厂商那里依然成立، لكن منتجات طبقة التطبيقات لا يمكنها learnfromlearnfrom复制，也不该去学.
“القفل على الأصول التجارية” يفشل عندما تكون قدرات التنظيم للعميل ضعيفة.إذا لم يكن لدى العميل فريق عمليات محتوى / فريق لا يمتلك العميل فريقًا للعمليات المحتوىية ولا انضباطًا لإدارة الإصدارات ولا عودة بيانات من منصات إعلانية، فإن ترسيب مكتبة المهارات وبيانات الأداء becomes يُصبح بلا معنى cuando nadie lo mantenga لأن لا أحد يقوم بصيانته.沉淀下来也没人维护——此时产品要先帮客户把组织能力搭起来，再谈资产积累.

六、不要沉淀 Prompt，要沉淀可执行 Skill

六、不要沉淀 Prompt，要沉淀可执行 Skill

منصة WonderClip للـ Skill Studio تستحق الاهتمام

تُمثّل Skill Studio من WonderClip نقلة نوعية في توثيق الخبرات البرمجية.

إذ تعمل على تحويل “خبرات الـ Prompt” المتفرقة بين أعضاء الفريق إلى وحدات Skill منظمة وقابلة للنشر، وهو ما يتوافق تمامًا مع بروتوكول Skills الذي أطلقته Anthropic في أكتوبر 2025 (المصدر: مدونة هندسة Anthropic، 16 أكتوبر 2025، مقال تأهيل الوكلاء للعالم الحقيقي من خلال Agent Skills؛，随后在 2025-12-18 تم نشره كمع开放标准 على agentskills.io). According to the official definition من Anthropic، يُعدّ Skill “مجلدًا يحتوي على الإرشادات والسكربتات والموارد، يتم تحميلها تدريجيًا حسب الحاجة من خلال ما يُعرف بـ progressive disclosure” — بحيث يكون التحميل التدريجي هو الآلية الأساسية، بدلاً من حشو المزيد من التوجيهات في السياق.

لكن في سياق تطبيقات الذكاء الاصطناعي الصينية، غالباً ما يمتد مفهوم Skill الناضج ليعكس احتياجات أعمق لدى فرق العمل. واستناداً إلى خبرتي في مساعدة الشركات على بناء مكتبات Skills، فإن TikTok UGC Skill القادر على تحقيق مخرجات مستقرة في بيئة الإنتاج عادةً ما يتضمن الحقول التالية (تكوين نموذجي للقطاع، وليس معياراً من شركة واحدة): المنصة والتشكيلة المستهدفة، الجمهور المستهدف، هيكل السيناريو، قواعد Hook، اقتراحات التصوير، متطلبات صحة المنتج، المناطق المحظورة للعلامة التجارية، النماذج القابلة للاستدعاء، قواعد اختيار المواد، متطلبات الترجمة، أبعاد المخرجات، نقاط فحص الجودة، مراحل المراجعة البشرية.

بينما يتبع Main Image Skill الموجه لـ Amazon مجموعة مختلفة تماماً من القواعد: نسبة الصورة الرئيسية، متطلبات الخلفية البيضاء، المناطق المحرّمة للنصوص، مواصفات الأبعاد، الاختلافات بين المواقع المختلفة، واستراتيجيات إنشاء المتغيرات.

وعند تقسيم هذه الحقول إلى طبقات هيكلية ضمن النظام الذي ساعدنا الشركات على بنائه، نجد أن Skill = Context + Constraints + Examples + Tools + Model Routing + Workflow + Verification هو إطار العمل المكون من سبعة عناصر (IAIUSE Framework، حيث يُشكّل Anthropic Skills البروتوكول الأساسي له). وهنا يجب تحديد الحدود بوضوح:

المهارة بحد ذاتها (طبقة بروتوكول Anthropic) = instructions + scripts + resources + progressive disclosure
طبقة منصة المهارات (مُنشأة داخلياً / SaaS) = Model Routing (اختيار النموذج حسب المهمة) + Workflow (سير العمل) + Verification (فحص الجودة) — وضع هذه الطبقات الثلاث فوق طبقة البروتوكول هو ما يُمكّن المهارات من العمل فعلياً داخل المؤسسات

بعد ترقية النماذج، تظل المهارات ذات قيمة لأنها تُجسّد أساليب العمل، وليست مجرد prompt الحالي الذي يحتاجه النموذج.

هذا هو السبب في توجهي المتزايد إلى النظر إلى “عدد قوالب Prompt المُتراكمة” كإشارة منتج ضعيفة نسبياً. ما ينبغي التركيز عليه فعلاً هو: هل تمكن الفريق من تحويل عمليات العمل إلى مكتبة مهارات قابلة للتنفيذ وإعادة الاستخدام والتحقق؟

سبعة، يجب أن يتخلى واجهة مستخدم منتجات الذكاء الاصطناعي عن نمط “وحدة تحكم النموذج”

تبدو واجهات العديد من منتجات الذكاء الاصطناعي بطبيعتها كوحدات تحكم للنماذج: معاملات على اليسار، إدخال على اليمين، توليد في المنتصف، وسجلات المحفوظات في الأسفل.

هذا النمط من الواجهات معقول في مرحلة الأدوات.

عندما يبدأ المنتج في الدوران حول مهمة عمل كاملة (Job)، يجب أن تتطور الواجهة وفقاً لذلك.

الثامن، ستتغير أيضًا نماذج الأعمال

أدوات الإنتاج الفردي تتبع بشكل طبيعي نموذج التسعير حسب الأرصدة، لأن كل استدعاء يقابل تكلفة نموذجية محددة.

أما المنتجات التي توفر تدفقات عمل كاملة فتتوفر معها طرق تسعير أكثر تنوعًا.

يمكن فرض الرسوم بناءً على عدد العلامات التجارية، أو عدد وحدات SKU، أو عدد الحملات النشطة، أو عدد مقاعد الفريق، أو دفعات المحتوى، أو عدد الأسواق، أو عدد استدعاءات واجهة برمجة التطبيقات API، أو قدرات التسمية البيضاء، أو صلاحيات الموافقة، أو قدرات الأتمتة.

#慢慢学AI<009>

إن ربط投放 بالمبيعات يعني إمكانية ربط القيمة مباشرة بالنتائجbusiness، سواء عبر احتساب العمولة according to GMV أو مشاركة الزيادة في عائد الإنفاق الإعلاني (ROAS).

لا يعني ذلك ضرورة تحويل جميع منتجات الذكاء الاصطناعي إلى منصات ضخمة؛ بل الأهم هو اختيار مهمة (Job) sufficiently narrow but sufficiently complete.

فالمهمة المحددة كـ”مساعدة فريق التجارة الإلكترونية العابرة للحدود في осуществление localized versions من إعلان تم التحقق من فعاليته لأسواق متعددة، مع توليد مستمر لأجيال جديدة من إصدارات الاختبار” تُعد تدفقًا عموديًا دقيقًا كفاية لدعم إيرادات سنوية قوية لشركة SaaS متوسطة الحجم.

تسعة، التطبيق في أربعة قطاعات: يختلف شكل التدفق العملي الكامل باختلاف السيناريو

يختلف شكل التطبيق العملي للتدفق الكامل بشكل كبير من قطاع لآخر.

قطاع الاتصالات: تكمن مشكلةOperators الحقيقية ليس في كتابة نص ترويجي، بل في عبارات تبديل الباقات، ومقترحات الخطوط المؤسسية، ومعالجة الشكاوى عبر المجالات - وهي مهام تستلزم الرجوع إلى بيانات多个 الأنظمة الداخلية. الأداة الذكية الفعّالة يجب أن تكون قادرة على ربط أنظمة CRM وBOSS والفوترة وتذاكر الدعم وقاعدة المعرفة (الخمس أنظمة على الأقل)، وتجميع المعلومات حسب الأدوار، وتقديم حلول قابلة للتنفيذ - بدلاً من مجرد كونها “مولد عبارات لخدمة العملاء”.

القطاع المالي: ما تحتاجه البنوك والتأمين ليس “توليد تقرير سنوي”، بل مسودات تقارير بحثية، وفحص مسبق لوثائق الائتمان، ودعم تقديم التقارير التنظيمية. كل خطوة يجب أن تكون قابلة للشرح والمراجعة والتتبع. لا مشكلة في تغيير النموذج، لكن معايير الامتثال وقوالب الجهات الرقابية ومكتبات الحالات التاريخية وقواعد إدارة المخاطر لا يمكن الاستغناء عنها.

التصنيع

تكمن قيمة الذكاء الاصطناعي في قطاع التصنيع لا في “رسم صورة جميلة”، بل في القدرة على ربط بيانات أنظمة MES وERP وQMS وSRM معًا، وتوليد مقترحات قابلة للتنفيذ تتعلق بتعديلات العمليات وتتبع الجودة وتعاون الموردين وفقًا لأوامر العمل والدُفعات والمعدات. في السيناريوهات الحقيقية التي عملنا فيها مع العملاء، فإن المجال الذي يحقق أعلى عائد على الاستثمار بسهولة هو هذا النظام المغلق الذي يجمع بين “التعرف على صور الجودة + الفرز التلقائي للمنتجات المعيبة + إعادة تشغيل معايير العملية من خلال أوامر العمل الشاذة” - حيث يشكّل النموذج الذكي 30% فقط من القيمة، بينما تُشكّل أنظمة أوامر العمل وتدفق البيانات من MES والانضباط التعاوني لفرق الورديات 70%.

التجارة الإلكترونية

الخطأ الشائع في تطبيقات الذكاء الاصطناعي في التجارة الإلكترونية هو التحول إلى “إنتاج المزيد من المحتوى”. لكن القيمة الحقيقية تكمن في ربط جميع عناصر العملية (Brief وSKU وMarket وCreative وReview وDistribution وPerformance) في حلقة مغلقة واحدة. المحتوى مجرد حلقة واحدة منها، والحلقة المغلقة هي ما يُشكّل الحاجز التنافسي.

العوامل المشتركة عبر السيناريوهات

عندما نضع هذه السيناريوهات الأربعة جنبًا إلى جنب، نلاحظ أمرًا واحدًا واضحًا: على الرغم من اختلاف شكل سير العمل الكامل، إلا أن البنية التحتية متشابهة بشكل كبير - حيث لا يمكن الاستغناء عن العناصر الأساسية التالية: الكائنات، والسياق، والعمليات، والمهارات، والامتثال، والتغذية الراجعة.

عشرة معايير لتقييم عمق المنتج الذكي

عند تقييم أي منتج ذكاء اصطناعي، السؤال الأول الذي أطرحه على نفسي هو:

بعد أن ينتهي المستخدم من استخدام هذه الميزة، ما الذي سيحتاج إلى إنجازه يدويًا بعد ذلك؟

إذا كان المنتج لا يزال يتطلب نسخًا وتحميلًا وتنزيلًا وإعادة تفسير السياق وترتيبًا يدويًا للإصدارات وتبديل الأدوات ومراجعة يدوية وتسجيل النتائج، فإن هناك مجالًا واسعًا لتحسين سير العمل.

عندما يبدأ المنتج في ربط هذه الخطوات ببعضها والاحتفاظ بالسياق التجاري والتغذية الراجعة بحيث يمكن لل دورة الإنتاج التالية الاستفادة فعليًا من الدورة السابقة، فإنه يبدأ بالاقتراب من نظام إنتاج حقيقي.

ستصبح قدرات التوليد أرخص يومًا بعد يوم. هذا ليس تشاؤمًا، بل واقع.

ما هو ثمين حقًا هو أن تكون هناك قدرة على فهم قطعة العمل بأكملها وتنفيذها بدقة متزايدة.

دلالات على صانعي القرار

قد تتساءل

س1: هل يستحق الاستثمار في أدوات التوليد النقطية؟

نعم، لكن بتغيير Mindset — تعامل معها كنموذج أولي MVP في مرحلة مبكرة، وليس كنموذج تجاري طويل الأمد. ابدأ باستخدام الأدوات النقطية للتحقق من الحاجة الحقيقية لقطاع محدد، وتحقق من العائد على الاستثمار، ثم انتقل لاحقاً إلى منتجات Workflow. في المراحل المبكرة، لا تُرهق فريقك سعياً وراء “المظهر المكتمل”.

السؤال الثاني: ما الفرق بين مكتبة المهارات (Skills) وقوالب الأوامر (Prompt)؟

الأمر (Prompt) هو طريقة استدعاء لمهمة واحدة، وتصبح غير صالحة عند تغيير النموذج. أما المهارة (Skill) فهي مزيج من الطريقة الفعّالة لأداء المهمة، وتتدفق العمل (Workflow)، وقواعد التحقق (Validation). عند تغيير النموذج، يكفي إعادة “التوجيه (Routing)” لتعمل المهارة مرة أخرى.

المعيار بسيط: هل يمكن إعادة استخدام المكون مباشرة بعد الترقية إلى نموذج أقوى؟ إذا كانت الإجابة نعم، فهو مهارة (Skill). إذا كانت لا، فهو مجرد أمر (Prompt).

السؤال الثالث: ألا يستطيع مصنعو النماذج أيضًا بناء تدفقات عمل كاملة؟

بعضهم يستطيع، لكن جزئيًا فقط. ما يقدمه المصنعون هو “قاعدة أساسية عامة وتدفقات عمل عامة”. بينما ما يحتاجه العملاء فعلاً هو “عمليات محددة لمجالات متخصصة محددة”، وهذا بالضبط ما تقوم به أنظمة SaaS والبناء الداخلي للشركات.

هذه نفس الفكرة التي نجدها في صناعة السحابة: على الرغم من أن مزودي الخدمات السحابية يقدمون قواعد بيانات، إلا أن شركات SaaS المتخصصة في مجالات معينة لا تزال لديها مساحة للنمو والتطور.

تعلّم الذكاء الاصطناعي ببطء

تحذيرات جوهرية

لا تُجمّل الصورة: أكبر مخاطر هذه المقالة هي اعتبار “سير العمل الكامل” حلاً سحرياً. والاستثناء المضاد لذلك هو أن أدوات التوليد المفردة تظل الأكثر اقتصادية للفرق الصغيرة أو الاستخدام المتقطع أو المجالات المتخصصة. كما أن منطق “النموذج حاجز تنافسي” الذي تتبناه شركات النموذج الرائد (Anthropic، OpenAI، Mistral) لا يزال سارياً في سياقها الخاص.
لا تتجاهل التنظيم: الاعتماد على أصول العمل يتعزز فقط عندما تكون قدرات تنظيم العملاء ضعيفة؛ يجب أولاً مساعدة العملاء على بناء الانضباط في إدارة المحتوى والقدرات على إدارة الإصدارات، ثم الحديث عن تراكم مكتبة المهارات (Skill).
لا ت treat قصص حالات الشركات المصنّعة كمعيار صناعي: البيانات التي تُ引用ها حول فريق AutoNavi (高德) - حيث ارتفع معدل نجاح المهام من المحاولة الأولى من 37.3% إلى 61.5% -، وحالات钛动科技 / A.O. سميث / 小五兄弟 هي أرقام مقدمة من الشركات المصنّعة. يمكن الاستفادة من الاتجاهات كمرجع، لكن لا تستنسخ الأرقام المطلقة (راجع ملاحظات الاستشهاد للتفاصيل).

نقاط التوطين (ترجمة مقارنة بعدة لغات، اتفاقيات IAIUSE متعددة اللغات · 2026-08-09)

عند الترجمة إلى 19 لغة، يجب استبدال المحتوى التالي بالتوطين وفقاً لسوق اللغة المستهدفة، مع الحفاظ على البنية والعرض:

أمثلة قطاع الاتصالات: يُستبدل بممثلين إقليميين: AT&T / Verizon / NTT / KDDI / Deutsche Telekom / Telefónica / Vodafone (يُختار وفقاً لسوق اللغة المستهدفة).
أمثلة القطاع المصرفي: يُستبدل بممثلين إقليميين: JPMorgan Chase / Bank of America / HSBC / BNP Paribas / Deutsche Bank / Santander.
أمثلة قطاع التصنيع: يُستبدل بممثلين إقليميين: Siemens / Bosch / Toyota / Samsung / General Electric / Honeywell.
أمثلة قطاع التجارة الإلكترونية: يُستبدل بممثلين إقليميين: Amazon / eBay / Alibaba / Rakuten / Mercado Libre / Shopee.
المصطلحات التنظيمية الصينية: مثل “等保测评” تُترجم لأول مرة كـ “等保测评 (تقييم أمن المعلومات China’s Multi-level Protection System)”؛ و”算法备案” كـ “算法备案 (التسجيل الخوارزمي China’s Algorithmic Registration)”؛ و”数据出境评估” كـ “数据出境评估 (تقييم نقل البيانات خارج البلاد China’s Cross-border Data Transfer Assessment)”؛ و”信创” كـ “信创 (الابتكار التقني الذاتي China’s Tech Independence Initiative)”. يجب تعيين المفاهيم التنظيمية المكافئة في السوق المستهدف: مثل اللائحة العامة لحماية البيانات (GDPR) للاتحاد الأوروبي، أو NIS2، أو قانون حماية المعلومات الشخصية الياباني، أو SOC 2/HIPAA الأمريكي.
مصطلحات是中国法律: يُحتفظ بـ《网络安全法》(قانون الأمن السيبراني الصيني) و《数据安全法》(قانون أمن البيانات الصيني) مع اختصارات توضيحية.
أرقام البيانات والنسب المئوية والمصادر: تُ保留بشكل كامل دون تغيير.
رقم المقال: يُ localiz إلى “تعلّم الذكاء الاصطناعي ببطء” بالعربية.

中文稿内容	英文版	日文版	德文版	阿拉伯版
WonderClip（保留产品名）	WonderClip	WonderClip	WonderClip	WonderClip
阿里云（保留）	Alibaba Cloud	アリババクラウド	Alibaba Cloud	علي بابا كلاود
飞书 / 钉钉	Slack / Teams	Slack / Teams / Lark	Slack / Teams	لارك / دينغ تاك
TikTok / Meta / YouTube Shorts（保留）	TikTok / Meta / YouTube Shorts	TikTok / Meta / YouTube Shorts	TikTok / Meta / YouTube Shorts	تيك توك / ميتا / يوتيوب شورتس

قناة ويتشات (التواصل)	قنوات Slack / Teams	Slack / Teams	Slack / Teams	Microsoft Teams
الصين تيليكوم / تشاينا موبايل / تشاينا يونيكوم (زاوية القطاع)	AT&T / Verizon / T-Mobile	NTT / KDDI / سوفت بنك	دويتشه تيليكوم / فودافون	STC / اتصالات
تشاينا ميرشانت بنك / آي سي بي سي (زاوية القطاع)	JPMorgan Chase / Bank of America	بنك ميتسوبيشي يو إف جي / سوميتومو ميتسوي	دويتشه بنك / كوميرتسбанк	بنك الخليج التجاري / QNB
ممثلو التصنيع الصيني (زاوية القطاع)	Tesla / Ford / GM	تويوتا /日产	سيمنز / بوش	أرامكو السعودية / سابيك

说明：除上述本地化项外，文中全球性产品/概念（WonderClip وTikTok وMeta وYouTube Shorts وSkill وWorkflow وJob وFile وContext وBrand وSKU وCampaign وCreative Operations）保持原文不译。其他 15 语种按 IAIUSE 三梯队执行：重点 5 语（中/英/德/日/阿）按上表本地化；顺带 9 语（西/法/葡/韩/俄/意/荷/波/土）保留 WonderClip / TikTok 原名 + 替换本地代表企业；可选 5 语（瑞典/泰/越/乌克/印尼）保留原名占位。

##引用说明（逐条标注·来源/日期/谁说的/证据层级/立场）

القيد 1 إلزامي: كل حالة / بيانات / اقتباس بارز، يُفصَّل مصدره وتاريخه ومُنسبه ومستوى الدليل وتصنيفه. لا يُقبل “المصدر: xxx” كإشارة مجملة.

#	文中表述	来源（标题 + 机构 / 作者）	发布日期	谁说的	证据层级	立场
1	WonderClip هي منصة إنتاج فيديوهات بالذكاء الاصطناعي مُولَّدة بالكامل من Alibaba Cloud، أُطلقت رسمياً في 2026	Sina Finance أطلقت Alibaba Cloud منصة “WonderClip” لإنتاج الفيديو بالذكاء الاصطناعي المُولَّد بالكامل	2026-05-21	Sina Finance (نقلاً عن البيان الرسمي لـ Alibaba Cloud)	حقيقة موثقة (بيان صحفي للشركة المصنّعة)	موقف الشركة المصنّعة — Alibaba Cloud
2	عرض مباشر لـ WonderClip للعمليات الرئيسية + Skill Studio + وكيل “镜仔 Agent”	Tencent News استناداً إلى Wan3.0، أُطلقت منصة “镜仔 Agent” مع إطلاق الموقع الدولي WonderClip	2026-09-22	يانغ دي، مدير خط الأعمال الشامل Mass التابع لمجموعة ATH事业的 في Alibaba Cloud، مدير منصة تطبيقات Qianwen AI	ادّعاء الشركة المصنّعة (المعرض في مؤتمر Yunqi)	موقف الشركة المصنّعة — Alibaba Cloud

| 3 | مصفوفة قدرات WonderClip: القصة المصورة / اللوحة اللانهائية / الوكيل / منصة الأدوات / واجهة برمجة التطبيقات / حزمة العلامة التجارية | Sina Finance (انظر #1) | 2026-05-21 | Alibaba Cloud الرسمي | حقائق موثقة (بيان صحفي للشركة المصنعة) | موقف الشركة المصنعة — Alibaba Cloud |
| 4 | شركاء التعاون الإبداعي: Xiaowu Brothers (بث الدراما القصيرة بالذكاء الاصطناعي خارجياً) / A.O. Smith (نسخ رقمية لجميع مندوبي المبيعات) / Taeed Technology (إنتاج محتوى ضخم على نطاق واسع) | Sina Finance (انظر #1) | 2026-05-21 | Alibaba Cloud الرسمي | ادعاءات الشركة المصنعة (قائمة العملاء المتعاونين) | موقف الشركة المصنعة — Alibaba Cloud |
| 5 | توقعات Gartner: بحلول عام 2026، سيضم 40% من التطبيقات المؤسسية وكلاء ذكاء اصطناعي متخصصين في المهام | Gartner Newsroom Gartner Predicts 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026 | 2025-08-26 | Gartner | حقائق موثقة (توقعات مؤسسة استشارية) | موقف المؤسسة الاستشارية — Gartner |

#	الوصف	المصدر	التاريخ	المزود	النوع	الموقف
6	Gartner 2025 Hype Cycle for AI وضع الذكاء الاصطناعي التوليدي بالكامل في Trough of Disillusionment	Gartner Hype Cycle for Artificial Intelligence, 2025（Haritha Khandabattu & Birgi Tamersoy）	2025-06-11، وفقًا للتقرير؛ تاريخ المقالة 2025-07-08	Gartner	حقيقة موثقة (تقرير شركة استشارية)	موقف المؤسسة الاستشارية — Gartner
7	“خلال 12-18 شهرًا القادمة، ستتسع الفجوة بين التجريب وخط الإنتاج”	buildingcreativemachines.com Riding the Gartner Hype Cycle: AI in 2025 vs 2024	2025	محلل مستقل (Substack)	رصد القطاع (تفسير جهة خارجية)	موقف المحلل المستقل — ليس نص Gartner الأصلي

| 8 | فريق التجارة الإلكترونية العابرة للحدود: “من 4 أدوات توليد نقطية مفردة → نظام الحملات يعادل التكلفة في الربع الأول” | ملاحظات داخلية للمؤلف خلال تقديم استشارات مؤسسية مُعمَّاة | 2026 (حالة مُعمَّاة) | فريق IAIUSE يرافق العميل في التنفيذ | استنتاج المؤلف (بموجب اتفاقية عدم الإفصاح، مُعمَّى؛ طبيعته: إرشادية، اتجاهية؛ خط الأساس / المقارنة / النطاق الزمني / العينة غير مُعلنة وفقاً لاتفاقية NDA) | موقف المؤلف — IAIUSE |
| 9 | بروتوكول Anthropic Skills: إطلاق أولي في 2025-10-16، فتح المعيار في 2025-12-18 | Anthropic Engineering تمكين الوكلاء للواقع العملي من خلال مهارات الوكيل | 2025-10-16 | Anthropic | حقائق مُثبتة (مدونة تقنية الشركة المُصنِّعة) | موقف الشركة المُصنِّعة — Anthropic |

إشعار: هذا الجدول هو سجل مرجعي اعتبارًا من تاريخ الكتابة، ويجب التحقق مجددًا من المتغيرات المتقلبة قبل تجميد البوابة 1 (بيانات حالات العملاء، والجداول الزمنية لتحليلات الأطراف الثالثة). وقد أُضيفت مؤهلات إلى جميع ادعاءات المؤلفين الاستنتاجية في النص (استرشادية / اتجاهية / مُعمَّاة)، وذلك تفاديًا لسوء تفسير القارئ لها بوصفها بيانات أداء رسمية.

إذا كنت تقيّم من أين يجب أن تبدأ مؤسستك في تبني الذكاء الاصطناعي، وأي سير عمل يستحق إعادة هيكلته باستخدام الذكاء الاصطناعي، وأيها مجرد أدوات نقطية ستُطغى عليها تحديثات النماذج، يسعدنا إجراء حوار معك. نقدم ثلاثة أنماط للتعاون:

التدريب المؤسسي الداخلي: تدريب تمهيلي لمدة 1-3 أيام لنقل منهجية “تحويل قدرات توليد الذكاء الاصطناعي إلى قدرات تشغيلية أعمال” إلى فريقك.
الاستشارات المتخصصة: إعادة تصميم سير العمل، واختيار الأهداف، وبناء نظام المقاييس، مع تقديم التشخيص والمتابعة التطبيقية وفقًا لخصوصية عملك.
عروض قيادات الإدارة والخطابات الصناعية: جلسات مغلقة لصناع القرار، ومنتديات صناعية، وعروض حول الرقمنة للحكومات أو الشركات المملوكة للدولة، مع تخصيص الموضوعات وفقًا لمتطلبات الجهة المنظمة.

بريد التعاون: [email protected]

قراءة موسعة: 《إطار العمل السباعي للتحول بالذكاء الاصطناعي》، الذي يشرح بشكل منهجي المسار الكامل لتطبيق الذكاء الاصطناعي في المؤسسات.

حول هذه السلسلة

ملاحظات من قمة يونتشي

ملاحظات من قمة يونتشي هي سلسلة تقارير ميدانية أطلقها معهد IAIUSE، تنطلق من فعاليات قمة يونتشي للحوسبة السحابية عام 2026، وتهدف إلى تفكيك التحولات الفعلية التي يشهدها قطاع الذكاء الاصطناعي من منظور باحث. لا نطارد العناوين المثيرة، بل نركّز على الاتجاهات التي تُراهن عليها الصناعة وقوة الأدلة التي تدعمها.

تغطي السلسلة مواضيع تشمل: طبقة الأنظمة فوق النماذج الأساسية، ونشر الوكلاء الذكيين (Agents)، وإدارة أصول السياق (Context)، وتصميم المنظمات المدعومة بالذكاء الاصطناعي في المؤسسات، وانتقال وحدات المنافسة في منتجات الذكاء الاصطناعي، وغيرها من المحاور، في حوالي 10 مقالات.

عنا

أتمتع بخبرة تقارب 8 سنوات في الاستشارات المؤسسية والتحليل التجاري في الشركات الكبرى، حيث عملت سابقًا في شركة IBM وشاركت في مشاريع متعلقة بقطاعي الاتصالات والمصارف والتأمين والصناعة التحويلية.，随后继续在运营商产品、互联网产品和 AI 应用开发一线，从事需求分析、产品设计和跨团队落地。文中”我们陪企业蹚过”的多数项目，是我们几位共同交付过的。

本系列的判断来自我的现场观察、行业交叉验证和厂商案例的脱敏推演，带有明确的作者立场，所有判断按”已验证事实 / 厂商主张 / 行业观察 / 作者推演”四层标注，不为任何厂商观点背书。

系列覆盖

模型之上的系统层
Agent 落地
Context 资产
企业 AI 组织设计
AI 产品竞争单位迁移

共约 10 篇。

作者背景

我有近 8 年大型企业咨询与商业分析经验，曾任职于 IBM，参与过电信、金融、保险和制造业相关项目。此后继续在运营商产品、互联网产品和 AI 应用开发一线，从事需求分析、产品设计和跨团队落地。这个号背后其实是一个小团队——我和 1-2 位长期协作的同事，分头负责 AI 编程工具研究、组织治理案例梳理、教练对话这几块。文中”我们陪企业蹚过”的多数项目，是我们几位共同交付过的。