في 24 يوليو 2026، نشرت Meta تحديثًا بعنوان واضح جدًا: "Meta AI Doesn't Just Think, It Acts". الشركة أعلنت أن Meta AI أصبح قادرًا على وضع خطط، الاتصال بالبريد الإلكتروني والكالندر، إنشاء عروض تقديمية ومتابعة مهام نيابة عن المستخدم بدل أن يحتاج إلى Prompt جديد عند كل خطوة.
المصدر: Meta — Meta AI Doesn’t Just Think, It Acts
العنوان نفسه يلخص واحدة من أهم التحولات التي تحدث في AI الآن. طوال الفترة الماضية كنا نسأل: أي نموذج أذكى؟ أي Model يكتب أفضل؟ من يعطي إجابات أدق؟ لكن المرحلة الجديدة تضيف سؤالًا أكثر أهمية: بعد أن يعرف الـAI ما يجب فعله، هل يستطيع أن يفعله فعلًا؟
وهنا يبدأ الانتقال من AI Assistant إلى AI Agent.
الجيل الأول ساعدنا على التفكير
أول موجة كبيرة من Generative AI جعلت الوصول إلى المعرفة والإنتاج أسرع بكثير. أصبح بإمكان شخص واحد كتابة مسودة، تلخيص تقرير، تحليل بيانات، توليد كود أو اقتراح خطة خلال دقائق.
لكن معظم هذه الاستخدامات كانت تنتهي عند نقطة واحدة: الـAI ينتج شيئًا، والإنسان يأخذه ويكمل التنفيذ.
إذا طلبت منه تخطيط رحلة، يعطيك الخطة ثم تذهب أنت لحجز الفندق والرحلات. إذا طلبت تحليل منافسين، يعطيك التقرير ثم تدخل أنت إلى الأدوات وتبدأ العمل. وإذا طلبت كتابة حملة مبيعات، يعطيك الرسائل لكن يبقى عليك نقلها إلى النظام وإرسالها ومتابعة النتائج.
كان الـAI قويًا، لكن الحلقة الأخيرة من العمل بقيت غالبًا خارج يده.
المرحلة الجديدة تحاول إغلاق هذه الحلقة
AI Agent يبدأ من نتيجة وليس من إجابة فقط. يستطيع تقسيم الهدف إلى خطوات، استخدام أدوات مختلفة، قراءة المعلومات الناتجة من كل خطوة وتحديد ما يجب أن يحدث بعدها.
OpenAI أطلقت ChatGPT agent في 2025 بهذا الاتجاه، مع قدرة على التنقل عبر مواقع الويب، استخدام أدوات، تشغيل أكواد والتعامل مع مهام متعددة الخطوات. وفي 2026، نرى الفكرة تصبح جزءًا أكبر من منتجات الشركات، سواء عبر Meta أو OpenAI أو Google.
المصدر: OpenAI — ChatGPT agent
هذا لا يعني أن النظام أصبح مستقلًا عن الإنسان في كل شيء. ما زالت هناك حدود وموافقات وإشراف مطلوب، خصوصًا عندما يتعلق الأمر بإجراءات حقيقية. لكن اتجاه التطور واضح: تقليل المسافة بين "أعرف ماذا أفعل" و"أنجزته فعلًا".
الفرق يبدو صغيرًا حتى تضعه داخل شركة
تخيل موظف مبيعات يستخدم AI لكتابة الردود. في السيناريو الأول، يستقبل الرسالة، ينسخها إلى AI، يطلب تحليلها، يأخذ الرد، يعدله ثم يعود إلى نظام التواصل ويرسله.
هو أصبح أسرع، لكن العملية نفسها لم تتغير كثيرًا.
الآن تخيل Agent موجود أصلًا في نقطة التواصل. يعرف معلومات الشركة، يقرأ رسالة العميل، يحدد نوع السؤال، يسأله عن البيانات الناقصة، يشرح الخدمة المناسبة ثم يحدد إن كان العميل مؤهلًا ويحوّله إلى موظف المبيعات مع ملخص كامل.
هنا لم نسرّع مهمة الموظف فقط. غيّرنا تصميم العملية نفسها.
وهذه هي الفرصة الأكبر للشركات.
الأتمتة القديمة كانت تحتاج قواعد لكل شيء
الأتمتة ليست فكرة جديدة. الشركات تستخدمها منذ سنوات: إذا حدث X، افعل Y. إذا وصل نموذج، أرسل Email. إذا تغير Status، أنشئ Task. إذا اشترى العميل، أرسل رسالة.
هذه الأنظمة ممتازة عندما تكون الخطوات محددة مسبقًا. لكنها تصبح أصعب عندما يدخل شيء غير منظم مثل اللغة البشرية أو الظروف المختلفة من عميل لآخر.
المحادثة مثال ممتاز. لا تستطيع كتابة Rule منفصلة لكل صياغة محتملة يقولها العميل. هنا تأتي قيمة النماذج الحديثة: تستطيع فهم اللغة والسياق، ثم اختيار الإجراء المناسب ضمن مجموعة من الأدوات والحدود.
بالتالي، Agentic Automation لا تلغي الـAutomation التقليدية، بل تضيف طبقة تستطيع التعامل مع مساحات كانت صعبة على القواعد الجامدة.
لكن القدرة على التنفيذ ترفع مستوى المسؤولية
عندما يخطئ Chatbot في إجابة، لديك مشكلة. لكن عندما يخطئ Agent يستطيع تنفيذ إجراء، قد تصبح المشكلة أكبر.
ولهذا تظهر كلمات مثل permissions، guardrails، approvals، evaluations وhuman handoff بشكل متكرر في المنصات الجديدة. OpenAI Presence، مثلًا، مبني حول فكرة أن الشركة تحدد ما الذي يستطيع الـAgent فعله، متى يحتاج إلى موافقة، ومتى يجب أن تنتقل الحالة إلى إنسان.
كلما أعطيت Agent قدرة أكبر، يجب أن تكون حدوده أوضح. المستقبل ليس AI يفعل ما يشاء، بل AI يحصل على الصلاحية المناسبة للمهمة المناسبة.
بالنسبة للشركات، لا تبدأ بالسؤال: ماذا يستطيع AI أن يفعل؟
هذا السؤال واسع جدًا، والإجابة تتغير كل أسبوع تقريبًا.
السؤال الأكثر فائدة هو: أين توجد داخل شركتي عملية تبدأ بمعلومة أو محادثة وتنتهي بإجراء واضح؟
في المبيعات مثلًا، قد تبدأ العملية برسالة عميل وتنتهي بحجز اجتماع. في الدعم، قد تبدأ بمشكلة وتنتهي بحلها أو تحويلها إلى الفريق المختص. في متجر، قد تبدأ بسؤال عن الاحتياج وتنتهي بتحديد المنتج المناسب.
هذه العمليات مناسبة للتفكير بطريقة Agentic لأنها تحتوي على سياق وقرار ونتيجة.
بدل أن تسأل "كيف أستخدم AI في شركتي؟"، اختر عملية واحدة وارسمها من البداية إلى النهاية، ثم اسأل أين يستطيع Agent أن يأخذ مسؤولية خطوة أو مجموعة خطوات منها.
الرد وحده لم يعد معيارًا كافيًا
حتى وقت قريب، كان Demo جيد للـAI يعني أن تسأله سؤالًا معقدًا ويعطيك جوابًا مثيرًا للإعجاب. الآن أصبح السؤال التالي أكثر أهمية: وماذا بعد؟
إذا عرف العميل المنتج المناسب، هل يستطيع النظام توجيهه إليه؟ إذا اكتشف أنه Lead مؤهل، هل يستطيع جمع بياناته؟ إذا لم يعرف الإجابة، هل يستطيع التصعيد؟ وإذا احتاج إلى إجراء، هل يمكنه تنفيذ الإجراء ضمن صلاحيات واضحة؟
القيمة تنتقل تدريجيًا من جودة النص إلى جودة النتيجة النهائية.
وهذا بالضبط ما يهمنا في Blakode
في Blakode، الفكرة ليست أن نعطي الشركة واجهة تستطيع استخدام نموذج AI للرد على المستخدمين. هذا الجزء أصبح Commodity أكثر يومًا بعد يوم.
القيمة هي أن يفهم الـAgent البزنس الذي يعمل داخله: معلومات الشركة، خدماتها، منتجاتها، سياساتها، والجمهور الذي تتعامل معه، ثم يُصمم حول نتيجة تريد الشركة تحقيقها من المحادثة.
قد تكون النتيجة إجابة دقيقة، لكن قد تكون أيضًا تأهيل Lead أو توجيه العميل إلى خدمة أو جمع المعلومات المطلوبة قبل تحويله إلى الفريق.
المرحلة القادمة لن تُقاس بعدد الأسئلة التي يستطيع AI الإجابة عنها
قدرة الذكاء الاصطناعي على الإجابة ستستمر في التحسن، لكن هذا لم يعد الجزء الأكثر إثارة للاهتمام وحده.
القفزة الأكبر تحدث عندما يصبح AI قادرًا على ربط الفهم بالفعل. يعرف ماذا تريد، يعرف السياق الذي يعمل داخله، يمتلك الأدوات المناسبة، ويستطيع متابعة المهمة حتى نقطة مفيدة.
لهذا السبب عنوان Meta مهم أكثر مما يبدو: AI لا يفكر فقط، بل بدأ يتصرف.
وبالنسبة للشركات، هذا يعني أن السؤال القادم لن يكون فقط: "كيف أجعل فريقي يستخدم AI؟"
بل: أي عمل داخل شركتي أصبح من المنطقي أن يشارك الـAI في تنفيذه من البداية إلى النهاية؟
جاهز لأتمتة خدمة العملاء وزيادة مبيعاتك؟
أنشئ وكيل ذكاء اصطناعي يفهم محتوى عملك، يرد على استفسارات العملاء 24/7، ويحول المحادثات إلى طلبات بدون كود في 3 دقائق فقط.