The open source AI movement has produced genuinely impressive models. DeepSeek now processes over a third of all tokens

لقد أنتجت حركة الذكاء الاصطناعي مفتوحة المصدر نماذج مبهرة حقاً. تعالج DeepSeek الآن أكثر من ثلث جميع الرموز (tokens) التي تمر عبر بوابة Vercel للذكاء الاصطناعي. ويحتل نموذج GLM-5.2 من Z.ai مكانة مريحة ضمن المراكز الأربعة الأولى في المنصة من حيث الحجم. هذه ليست مشاريع للهواة، بل هي أنظمة جاهزة للإنتاج تتعامل مع أعباء عمل المؤسسات الحقيقية على نطاق هائل. وبالنظر إلى هذه الأرقام، قد يكون من السهل افتراض أن مختبرات الطليعة مثل Anthropic تواجه تهديداً وجودياً لمكانتها في السوق.

هذا الافتراض يغفل ما يحدث بالفعل.

العمل الحقيقي لنماذج الطليعة

اقترح Jesse Zhang، الرئيس التنفيذي لشركة Decagon، طريقة أوضح لفهم الانقسام بين الذكاء الاصطناعي المملوك والذكاء الاصطناعي مفتوح المصدر. فالمنافسة ليست مجرد سباق بسيط لاستبدال أحدهما الآخر، بل تخدم الفئتان مرحلتين مختلفتين من دورة حياة المؤسسة الواحدة.

تعمل نماذج الطليعة كطبقة للاستكشاف. فعندما تبدأ شركة في استكشاف كيف يمكن للذكاء الاصطناعي أن يغير عملية داخلية، تكون المهمة دائماً تقريباً غير محددة بدقة. المدخلات تكون غير منظمة، والمخرجات المطلوبة غامضة. يتطلب النجاح القدرة على التفكير عبر الغموض، والتعامل مع الحالات الاستثنائية التي لم يقم الفريق بفهرستها بعد، والتكيف مع الأوامر (prompts) التي تتغير كل ساعة. هذا هو عمل بناء النماذج الأولية وإثبات المفهوم. وهو يتطلب النظام الأكثر قدرة المتاح، بغض النظر عن التكلفة، لأن البديل هو تجربة فاشلة لا تعلم شيئاً.

في هذه المرحلة، لا يُعد نموذج الطليعة المكلف عبئاً إضافياً، بل هو تكلفة أبحاث السوق التي تم ضغطها في بضع استدعاءات لواجهة برمجة التطبيقات (API calls). وبمجرد إثبات حالة الاستخدام ورسم مخطط سير العمل، تتغير طبيعة المشكلة؛ حيث يختفي الغموض، وتصبح المدخلات معيارية، وتستقر الأوامر، وتصبح المهمة روتينية. عند هذه النقطة، تقوم العديد من المؤسسات بنقل عبء العمل إلى نموذج أخف وأرخص. وهنا يأتي دور البدائل مفتوحة المصدر لتتولى مرحلة الإنتاج، بينما تظل نماذج الطليعة في المقدمة للتعامل مع الموجة التالية من المشكلات غير المعروفة.

هذه ليست نظرية حول كيفية عمل الذكاء الاصطناعي، بل هي وصف لكيفية تحرك الميزانيات بالفعل.

عندما تنتقل أعباء العمل إلى الفئات الأقل تكلفة

إن الانتقال إلى المصادر المفتوحة حقيقي، وهو واضح في بيانات حركة المرور. يُظهر الارتفاع الكبير في DeepSeek لتتجاوز ثلث حجم الرموز (tokens) على بنية Vercel التحتية أن الشركات تقوم بتشغيل كميات هائلة من عمليات الاستدلال (inference) عبر نماذج أرخص. كما استطاع نموذج GLM-5.2 من Z.ai حجز مكانة ضمن المراكز الأربعة الأولى من خلال التعامل مع حركة مرور ثابتة ويمكن التنبؤ بها.

تتفوق هذه النماذج في المهام التي تم ترويضها. فكر في استخراج البيانات بكميات كبيرة من النماذج المعيارية، أو الفرز الأولي لدعم العملاء الذي يوجه التذاكر بناءً على كلمات رئيسية واضحة، أو عمليات فحص الكود (linting) الروتينية وتوليد التوثيق. الأوامر تكون قوالب جاهزة، وأنماط الخطأ مفهومة، والمخاطر التجارية للمخرجات السيئة محدودة. عندما يكون العمل محدداً ومتكرراً، تصبح تكلفة الاستدلال هي الشاغل الرئيسي. لذا، فإن تشغيل نفس عبء العمل على نموذج بتكلفة ستة سنتات بدلاً من فئة مميزة (premium tier) يعد منطقياً من الناحية المالية الفورية.

لكن الحجم لا يعني الإيرادات. حقيقة أن النماذج مفتوحة المصدر تهيمن على أعداد الرموز (tokens) لا تعني أنها تهيمن على خلق القيمة. فحجم الرموز يقيس النشاط، بينما يقيس الإنفاق على الرموز ما ترغب الشركات في دفعه مقابل القدرات التي لا يمكن استبدالها.

أين تتدفق الأموال حقاً

تجعل بيانات بوابة Vercel للذكاء الاصطناعي الانقسام الاقتصادي أمراً لا يمكن تجاهله. فعلى الرغم من هيمنة DeepSeek على حركة الرموز الخام، لا تزال Anthropic تستحوذ على أكثر من نصف إجمالي الإنفاق على الذكاء الاصطناعي في المنصة. ويعود الفارق بين النشاط والإنفاق إلى تفاوت هائل في الأسعار.

وفقاً لبيانات OpenRouter، تبلغ تكلفة نموذج Anthropic Opus 4.8 حوالي 1.37 دولار لكل مليون رمز (token). بينما تبلغ تكلفة DeepSeek V4Flash حوالي ستة سنتات لنفس الحجم. سعر Opus أعلى بنحو ثلاثة وعشرين ضعفاً. وهذا المضاعف يهم أكثر مما قد تفعله أعداد الرموز الخام أبداً. يمكن لفريق تطوير أن ينقل تسعين بالمائة من حجم الاستدلال الخاص به إلى النموذج الأرخص، ومع ذلك سيظل النموذج المكلف يمثل غالبية ميزانيته.

هذا التفاوت ليس محض صدفة، بل يعكس حقيقة أن مزودي النماذج الرائدة يبيعون شيئاً مختلفاً؛ فهم لا يبيعون مجرد tokens، بل يبيعون القدرة على التفكير المنطقي وحل المشكلات التي تفتقر إلى أدلة عمل جاهزة. والشركات التي تدفع أسعاراً باهظة لا تفعل ذلك عن جهل، بل لأن المهام التي تسندها إلى هذه النماذج إما أنها عالية المخاطر أو معقدة هيكلياً. فالفريق القانوني الذي يحلل التعرض التنظيمي المستجد لا يمكنه التسامح مع استشهاد وهمي، وفريق المنتج الذي يصمم سير عمل وكيل (agentic workflow) متعدد الخطوات يحتاج من النموذج ربط المنطق بشكل صحيح عبر عدة جولات. إن تكلفة الفشل في هذه السيناريوهات تتجاوز بكثير تكلفة استدعاء واجهة برمجة التطبيقات (API).

يتدفق الإنفاق الرأسمالي نحو الطبقة التي لا تزال القيمة تُخلق فيها، وليس مجرد الطبقة التي يتم فيها التنفيذ.

السوق ينمو بشكل أسرع من عملية الانتقال

إذا كانت النماذج مفتوحة المصدر أرخص بكثير، وكانت الشركات تنقل أعباء العمل الناضجة إليها بنشاط، فلماذا لم ينهار الإنفاق على النماذج الرائدة؟ الإجابة هي أن إجمالي سوق مهام الذكاء الاصطناعي القابلة للاستهداف يتوسع بسرعة أكبر من قدرة أي نموذج منفرد على تحويلها إلى سلعة.

في كل مرة تنجح فيها شركة في أتمتة سير عمل يمكن التنبؤ به باستخدام بديل مفتوح المصدر، يحدث أمران: أولاً، يوفر ذلك الفريق المال في عملية التنفيذ. ثانياً، يتم إعادة توجيه تلك الموارد وتلك المواهب نحو مشكلات مجاورة أكثر صعوبة. أصبح العمل الروتيني الآن يُدار بواسطة الآلات، مما يعني أن البشر يمكنهم التركيز على الأمور غير المنتظمة، والاستراتيجية، وغير المسبوقة. والمشكلة المكتشفة حديثاً تتطلب دائماً تقريباً عمق التفكير المنطقي الذي توفره النماذج الرائدة.

يتكرر هذا النمط عبر مختلف الصناعات. فالبنك يقوم بأتمتة مراجعة المستندات باستخدام نموذج رخيص، ثم يوجه اهتمامه نحو بناء نموذج مخاطر ديناميكي يتطلب حكماً دقيقاً. وشركة البرمجيات تقوم بأتمتة توليد الاختبارات، ثم تحاول بناء وكيل تصحيح أخطاء (debugging agent) مستقل يجب أن يتتبع الأخطاء عبر الأنظمة الموزعة. تستمر الحدود في التقدم؛ فبمجرد أن تصبح إحدى المهام سلعة، تظهر حالة استخدام أكثر تعقيداً تتطلب قدرات متميزة.

تظل العديد من مهام الشركات أيضاً حساسة للغاية بحيث لا يمكن تسليمها للجيل الحالي من البدائل مفتوحة المصدر. فدعم الفرز الطبي، والتنبؤ المالي تحت الرقابة التنظيمية، وتحليل الاستراتيجية التنفيذية، تحمل جميعها مخاطر سلبية تجعل تكلفة الاستدلال (inference cost) غير ذات صلة مقارنة بالدقة والموثوقية. تخلق أعباء العمل هذه طبقة متميزة ومستدامة. والنتيجة هي اقتصاد مستقر ثنائي المستويات: طبقة ذات هامش ربح عالٍ للتفكير المنطقي والاكتشاف، وطبقة سلع ذات حجم كبير لتنفيذ الإنتاج الروتيني.

ماذا يعني هذا لمشتري الشركات

الخلاصة العملية هي أن اختيار النموذج يجب أن يتبع نضج العمل، وليس الأيديولوجيا. قم ببناء والتحقق من تطبيقات الذكاء الاصطناعي الجديدة باستخدام أكثر النماذج الرائدة قدرة والتي يمكنك الوصول إليها. ادفع السعر المرتفع خلال مرحلة الاكتشاف؛ فهذا أرخص من البناء على نموذج محدود، ثم الفشل في إثبات القيمة، ومن ثم التخلي عن المشروع. وبمجرد معرفة المدخلات والمخرجات وأنماط الفشل، قم حينها بالتحسين بقوة. انقل أعباء العمل المستقرة إلى بديل مفتوح المصدر واستفد من توفير التكاليف.

إن محاولة فرض كل مهمة في مستوى واحد هي وصفة إما لهدر رأس المال أو لفقدان القدرات. الشركات التي ستدير هذا الأمر بشكل صحيح ستعتمد بنيات هجينة (hybrid architectures) بشكل افتراضي، وليس كمجرد حل وسط.

القصة هنا ليست أن المصدر المفتوح يخسر، أو أن مختبرات النماذج الرائدة لا تُقهر. القصة هي أن كلا المستويين ينموان، لكنهما ينموان في اتجاهات مختلفة. النماذج مفتوحة المصدر تبتلع عالم مهام الذكاء الاصطناعي المعروف. أما النماذج الرائدة فهي تضع مطالباتها في المجهول. وفي المستقبل المنظور، يعد هذا ترتيباً مريحاً لكلا الطرفين.