أفضل وكيل ذكاء اصطناعي يحلّ مهمة خبير واحدة من كل ثماني. ماذا يعني ذلك للمطوّرين؟

أجرت شركة الأبحاث SemiAnalysis للتو اختبارًا لأفضل نماذج الذكاء الاصطناعي في العالم على 206 مهام حقيقية للخبراء — تصميم الرقائق والتمويل والقانون وعلم الأحياء والتداول الكمّي وغيرها. أفضل نموذج، Claude Opus 5.5 من Anthropic، أنجز 12% منها فقط. ليس لأن الذكاء الاصطناعي ضعيف، بل لأن المهام صعبة فعلًا. لا تزال وكلاء الذكاء الاصطناعي تفشل في 88% من العمل الخبير الحقيقي، وهذا الرقم هو في الواقع خريطة مفيدة لكل من يبني بالذكاء الاصطناعي اليوم.

التفصيل أهم من النتيجة الإجمالية. تفوّق Claude في التداول الكمّي وتصميم الرقائق. وتميّز Gemini 4 Carbon من Google في علم الأحياء وهندسة البرمجيات. أما التمويل والقانون؟ سجّل كل نموذج تقريبًا صفرًا — المهام كانت أصعب من أن يحلّ أي منهم مهمة واحدة. هذا ليس فشلًا شاملًا للذكاء الاصطناعي، بل إشارة واضحة: هذان المجالان غير جاهزَين لوكلاء مستقلين يتعاملون مع القرارات الخبيرة الصعبة.

تقيس معظم اختبارات الذكاء الاصطناعي ما إذا كان النموذج يعرف الإجابة الصحيحة. أما GDPx فسألت: هل يستطيع إنجاز العمل فعلًا؟ — كتابة كود حقيقي، وتشغيل محاكاة فعلية، وإتمام مهام متعددة الخطوات يتحقق منها متخصصون. بُني كل مجال بالتعاون مع شركة شريكة مهمتها التحقق من النتائج. هذا ما يجعل هذه الأرقام أكثر مصداقية من الاختبارات التي تبيّن، وفقًا لـ SemiAnalysis، أن 50% من مهامها معطوبة.

لمن يبني المنتجات أو الأتمتة بالذكاء الاصطناعي الآن، هذا الاختبار خريطة وليس حكمًا. التداول الكمّي وتصميم الرقائق يتقدمان بسرعة. التمويل والقانون غير جاهزَين لعمل الوكلاء المستقلين — على الأقل لما يتطلب حكمًا خبيرًا حقيقيًا. الخلاصة العملية: ركّز عمل الوكلاء حيث تحقق النماذج نتائج حقيقية بالفعل، لا حيث تسجّل صفرًا. تخطط SemiAnalysis لتحديث GDPx كل ثلاثة إلى ستة أشهر.