مع تزاحم إصدارات 2026، اختيار نموذج الذكاء الاصطناعي يصبح قرار ملاءمة لا ترتيب

شهد 2026 إصدار عدد كبير من النماذج القوية في فترة قصيرة. فقد صدرت عائلة GPT-5.6 بثلاثة أحجام: Sol للمهام الأصعب، وTerra بمستوى قريب من GPT-5.5 بنصف التكلفة، وLuna السريع. وصدر Grok 4.5، ونماذج صينية مفتوحة بأسعار أقل، بينما تأخر Gemini بعد ملاحظات مختبرين على أدائه في الاستدلال والبرمجة. ويلخص متابعو المجال التحول بأنه انتقال من «الأفضل يفوز» إلى «الأنسب يفوز».

وأول ما يفسر ذلك أن جداول الترتيب (leaderboards) قد تضلل. فالنماذج تُقاس على اختبارات معروفة (benchmarks)، وهذه الاختبارات تقيس مهمة محددة لا عمل كل مستخدم. كما أن النموذج قد يتحسن على نوع الاختبار نفسه، فيرتفع الرقم دون أن ترتفع القيمة الفعلية بالقدر نفسه، وهي ظاهرة معروفة باسم benchmark overfitting أو contamination.

وثانيًا، هناك عوامل تحسم الاختيار غير الذكاء:

• السعر: نموذج أذكى قليلًا قد يكون أغلى بأضعاف، وفي المهام البسيطة يُدفع ثمن ذكاء غير مستخدم.
• السرعة (latency): التطبيقات التي ترد على المستخدم لحظيًا تحتاج نموذجًا سريعًا ولو كان أقل ذكاء.
• الإتاحة: نموذج ممتاز لكنه محجوب أو غير متاح في منطقة ما غير موجود عمليًا فيها.
• حجم الـ context: مقدار المعلومات الذي يستطيع النموذج استيعابه في المرة الواحدة.
• خصوصية البيانات: هل يمكن تشغيله على خوادم المؤسسة، أم يجب أن تخرج البيانات؟

ولهذا أصبحت شركات كبيرة تستخدم أكثر من نموذج: نموذج رخيص وسريع للمهام الكثيرة البسيطة، ونموذج قوي وغالٍ للمهام الصعبة فقط. وهذا تصميم هندسي، لا تقتير.

وبالنسبة لمن يبنون منتجات في المنطقة العربية، قد لا تكون الميزة في استخدام أقوى نموذج فور صدوره، بل في تركيب النموذج المناسب لكل مهمة بأقل تكلفة، وبناء منتج يفهم المستخدم فوقه. وبما أن الأسماء والأرقام تتغير بسرعة، فإن مبدأ الملاءمة يبقى أطول عمرًا من أي ترتيب لحظي.