إذا كانت مساعدات عامة مثل ChatGPT وClaude تستطيع تحليل العقود، تلخيص التقارير وكتابة المستندات، فلماذا تظهر منتجات منفصلة للمحامين والمستشارين الماليين والأطباء؟
الإجابة لا تكمن دائمًا في بناء نموذج جديد لكل مهنة. ما يتغير غالبًا هو الطبقة المحيطة بالنموذج: البيانات المتخصصة، الأدوات، التكاملات، سير العمل، الصلاحيات والمراجعة البشرية.
هذا ما يُعرف عادة باسم الذكاء الاصطناعي العمودي (Vertical AI)، أي أنظمة مصممة لمهنة أو قطاع أو مشكلة محددة. وفي المقابل، يُستخدم وصف الذكاء الاصطناعي الأفقي (Horizontal AI) أحيانًا للنماذج العامة التي تخدم نطاقًا واسعًا من المهام والقطاعات.
الحالات الحديثة في القانون والمال والرعاية الصحية توضح أن المنافسة لم تعد تدور فقط حول سؤال: أي نموذج أذكى؟ بل تمتد أيضًا إلى سؤال آخر: أي نظام يستطيع استخدام هذا الذكاء داخل بيئة العمل الفعلية؟
ما هو الذكاء الاصطناعي العمودي ولماذا لا يكفي النموذج العام؟
النماذج العامة تستطيع تنفيذ جزء كبير من المهام التي يقوم بها المحامي أو المستشار المالي أو الطبيب. يمكنك مثلًا رفع عقد وطلب تلخيصه، أو إعطاء النموذج تقريرًا ماليًا واستخراج أهم النقاط منه.
لكن تنفيذ مهمة مهنية كاملة يحتاج غالبًا أكثر من فهم النص. النموذج العام لا يعرف تلقائيًا أين توجد بيانات المؤسسة، ولا يملك صلاحية الوصول إلى نظام إدارة العملاء أو السجلات الداخلية، ولا يعرف بالضرورة تسلسل الإجراءات الذي تتبعه المؤسسة.
قد يغيّر الأمر طريقة الإجابة، لكنه لا يمنح النموذج قاعدة بيانات قانونية مرخصة، أو صلاحية الدخول إلى أنظمة المؤسسة، أو سير عمل جاهزًا، أو آلية لمراجعة المخرجات واعتمادها.
يصبح الفرق أوضح عندما تكون المهمة متكررة، وبياناتها موزعة بين عدة أنظمة، وتحتاج إلى مصادر موثوقة أو إجراءات ثابتة أو اعتماد بشري.
ما الذي تضيفه طبقة Vertical AI فوق النموذج؟
يمكن تبسيط الفكرة إلى عدة طبقات تضاف حول النموذج الأساسي.
أولها البيانات المتخصصة. في القطاع القانوني قد تكون سوابق وتشريعات ومصادر قانونية، وفي إدارة الثروات قد تكون بيانات العملاء والمحافظ والاجتماعات، وفي الرعاية الصحية تصبح سجلات المرضى والمحتوى السريري جزءًا من السياق.
ثم تأتي الأدوات والتكاملات. بدل أن ينسخ الموظف البيانات يدويًا إلى نافذة الدردشة، يستطيع النظام الاتصال بالأدوات التي تستخدمها المؤسسة أصلًا، مثل CRM أو السجل الصحي أو أنظمة التقارير.
بعد ذلك يأتي سير العمل Workflow. هنا لا يعرف النظام المهمة فقط، بل يعرف الخطوات التي تتكون منها. قد يبدأ بجمع البيانات، ثم تحليلها، ثم إعداد مسودة، ثم تمريرها للمراجعة. وهذا قريب من الفكرة التي تناولناها سابقًا في شرح هندسة سير العمل بالذكاء الاصطناعي.
وفي بعض الأنظمة تضاف مهارات أو وكلاء يستطيعون اختيار الأدوات والخطوات المناسبة لتنفيذ مهمة متعددة المراحل. أما في المهن الحساسة، فتظهر أهمية الصلاحيات والحوكمة والمراجعة البشرية لتحديد ما يستطيع النظام تنفيذه وما يحتاج إلى اعتماد.
هذه الطبقات تعمل معًا: البيانات تمنح السياق، والتكاملات تفتح الوصول إلى الأنظمة، وسير العمل ينظم الخطوات، بينما تضبط الصلاحيات والمراجعة حدود التنفيذ.
Astra for Law: ماذا يحدث عندما يتخصص التجهيز لا النموذج فقط؟
أعلنت OpenAI في 17 سبتمبر 2026 عن Astra for Law، وهو مثال واضح على التخصص الذي يحدث في البيئة المحيطة بالنموذج.
بحسب OpenAI، يجمع المنتج GPT-6 Astra مع فهرس بحث قانوني مخصص وتعليمات للتحليل والكتابة القانونية. الفهرس يغطي القانون الأمريكي، بما في ذلك القضايا والقوانين واللوائح وقواعد المحاكم والقرارات الإدارية.
ونشرت OpenAI نتيجة اختبار على Legal Research Bench من Vals AI، باستخدام 200 سؤال من مجموعة التحقق الخاصة بالمعيار وعند أعلى مستوى استدلال للنظامين. حقق Astra for Law نسبة 54.0% في معيار الصحة الإجمالية، مقابل 38.7% لـGPT-6 Astra عند استخدام البحث عبر الويب فقط.
الفرق يبلغ 15.3 نقطة مئوية، وهو تحسن واضح في هذه المهمة المحددة. لكن مستوى الأداء نفسه مهم أيضًا: نتيجة 54% تعني أن النظام لم يجتز معيار الصحة الإجمالية في نحو 46% من الأسئلة، لذلك لا تلغي الطبقة المتخصصة الحاجة إلى مراجعة المحامي للمخرجات والمصادر.
كما أن الوصول إلى Astra for Law ليس عامًا حتى وقت التحقق. تطرحه OpenAI مبدئيًا لشركات قانونية مختارة في الولايات المتحدة عبر برنامج Trusted Access، وتقول إن الوصول عبر API سيأتي لاحقًا، دون إعلان موعد أو سعر حتى الآن.
Claude for Financial Advisors يركز على سير العمل والتكاملات
أطلقت Anthropic في 14 سبتمبر 2026 Claude for Financial Advisors، وهو يقدم شكلًا مختلفًا من التخصص. هنا لا تصف الشركة نموذجًا ماليًا جديدًا، بل مجموعة من الموصلات ومهارات سير العمل المصممة لأعمال المستشار المالي.
تتيح الحزمة ربط Claude بأنظمة يستخدمها المستشارون، مثل منصات الحفظ المالي، وإدارة المحافظ، وCRM، والتخطيط المالي وأدوات الاجتماعات. وتستخدم المهارات هذه البيانات في مهام مثل التحضير لاجتماع العميل، تحليل المحافظ، التوثيق وفحوص الامتثال.
ومن أوضح الأمثلة تكامل Schwab Advisor Services. فبحسب Anthropic، يستطيع موصل Schwab إحضار بيانات مثل الأرصدة، والمراكز، والمعاملات، وأساس التكلفة، والتنبيهات، وحالة تحويل الأموال إلى Claude.
وتستهدف شراكة Schwab تحديدًا المستشارين الماليين المستقلين المسجلين في الولايات المتحدة الذين تخدمهم Schwab Advisor Services، لذلك لا ينبغي فهم هذا المثال على أنه دليل على توفر جميع التكاملات نفسها لكل مستشار وفي كل سوق.
الفائدة هنا ليست مجرد الحصول على إجابة مالية. الطبقة المهنية تقلل الحاجة إلى جمع بيانات العميل من عدة أنظمة، ونسخها يدويًا إلى Claude، ثم إعادة النتيجة إلى أدوات العمل.
ولمن يريد تفاصيل المنتج والتوفر والاستخدامات، يمكن الرجوع إلى مراجعتنا المستقلة لـClaude for Financial Advisors.
Dragon Copilot: التخصص قد يمتد إلى النموذج والتطبيق معًا
الرعاية الصحية تقدم حالة أكثر تعقيدًا. ففي تحديث Microsoft Dragon Copilot المنشور خلال HIMSS في مارس 2026، عرضت Microsoft نظامًا يجمع بيانات المريض والمحتوى السريري وسياق العمل مع تطبيقات وتكاملات وتجارب تختلف حسب الدور المهني.
Dragon Copilot يدعم مسارات مختلفة للأطباء والممرضين واختصاصيي الأشعة، من التوثيق السريري وإنشاء الملخصات إلى الإحالات وتقارير الأشعة والعمل داخل السجل الصحي الإلكتروني.
وتشير Microsoft إلى استخدام نماذج ذكاء اصطناعي مهيأة لمتطلبات الرعاية الصحية داخل النظام، إلى جانب البيانات والتطبيقات وسير العمل. هذا لا يعني بالضرورة وجود نموذج مستقل لكل تخصص أو وظيفة، لكنه يوضح أن التخصص قد يحدث في أكثر من طبقة في الوقت نفسه.
وحتى داخل القطاع الواحد تختلف احتياجات الطبيب عن الممرض أو اختصاصي الأشعة، ما يجعل تصميم سير العمل حسب الدور المهني جزءًا أساسيًا من المنتج.
ما القاسم المشترك بين Astra وClaude وDragon Copilot؟
الحالات الثلاث لا تستخدم الطريقة نفسها للوصول إلى التخصص. Astra for Law يعتمد بدرجة كبيرة على المصادر القانونية والتعليمات المهيأة، بينما يركز Claude for Financial Advisors على الموصلات ومهارات سير العمل، ويجمع Dragon Copilot بين نماذج مهيأة للصحة وبيانات وتطبيقات وتجارب سريرية متخصصة.
| الحالة | أين يقع التخصص؟ | القيمة المضافة فوق النموذج العام |
|---|---|---|
| Astra for Law | مصادر قانونية وتعليمات وتجهيز مهني | بحث قانوني موثق وتحليل داخل سياق مهني |
| Claude for Financial Advisors | موصلات ومهارات سير عمل | ربط بيانات المستشار وأدواته بالمهمة |
| Dragon Copilot | نماذج صحية وبيانات وتطبيقات وسير عمل | تجارب سريرية متخصصة حسب الدور |
القاسم المشترك هو أن النموذج لا يعمل منفصلًا عن المهنة، بل يصبح مكوّنًا داخل نظام يعرف بياناتها وأدواتها وخطواتها وحدود التنفيذ فيها.
وإذا أردنا مثالًا أوضح على نموذج عمودي نفسه، فإن MedGemma من Google يمثل حالة مختلفة؛ فهو مجموعة من نماذج Gemma 3 دُرّبت وأُعدت لفهم النصوص والصور الطبية، مع بقاء مسؤولية التحقق والتكييف على المطور قبل استخدامها في تطبيقات صحية فعلية.
من يملك الطبقة المهنية: مزود النموذج أم شركة التطبيق؟
من منظور المؤسسة، الإجابة الجيدة وحدها ليست دائمًا ما يبرر شراء منتج مهني. القيمة تصبح أوضح عندما يقل وقت جمع البيانات، وعدد الخطوات اليدوية، والتنقل بين الأنظمة، ووقت التصحيح والمراجعة.
لكن تزايد الاستثمار في هذه الطبقة لا يحدد بعد من سيستحوذ على معظم قيمتها الاقتصادية. شركات متخصصة تستطيع بناء تطبيقات فوق النماذج العامة، وفي الوقت نفسه تدخل شركات النماذج نفسها، مثل OpenAI وAnthropic، إلى القطاعات المهنية بمنتجات وتكاملات خاصة بها.
لذلك ما يمكن قوله بثقة الآن هو أن أهمية الطبقة المهنية تتزايد. أما القول إن القيمة أو الأرباح انتقلت بالكامل من النموذج إلى التطبيق، فلا تدعمه الأدلة المتاحة حتى الآن.
متى تحتاج منتجًا متخصصًا ومتى يكفيك المساعد العام؟
ظهور Vertical AI لا يعني أنك تحتاج دائمًا إلى منتج متخصص.
المساعد العام يكفي غالبًا عندما تريد:
- كتابة مسودة أو تلخيص مستند.
- تحليل مجموعة محدودة من البيانات المتاحة أمامك.
- إجراء بحث يمكن مراجعته بسهولة.
- تنفيذ مهمة لا تحتاج إلى أنظمة أو صلاحيات داخلية.
أما المنتج المهني فيبدأ بإظهار فرق أكبر عندما:
- تتكرر المهمة باستمرار.
- تتوزع البيانات بين عدة أنظمة.
- تحتاج إلى مصادر مهنية خاصة أو مرخصة.
- توجد إجراءات ثابتة لتنفيذ العمل.
- تحتاج إلى صلاحيات أو سجل مراجعة واعتماد.
- يجب أن يعود المخرج إلى نظام العمل نفسه.
إذا كانت المشكلة في جودة الإجابة نفسها، فقد يكفي تحسين النموذج أو طريقة استخدامه. أما إذا كان الجزء المرهق هو جمع البيانات، والتنقل بين الأنظمة، وتكرار الخطوات وإعادة النتيجة إلى بيئة العمل، فهنا يبدأ المنتج المهني في تقديم قيمة مختلفة.
قبل شراء أي حل متخصص، اسأل: ما الذي سأحصل عليه فوق قدرات النموذج العام؟
إذا كانت الإجابة مجرد واجهة مختلفة وبعض الأوامر الجاهزة، فقد يكون الفرق محدودًا. أما إذا أضاف المنتج مصادر موثوقة، وتكاملات وصلاحيات وتنفيذًا داخل الأنظمة، فهنا يصبح التخصص أكثر وضوحًا.
ماذا يعني Vertical AI للمستخدم العربي؟
دعم اللغة العربية لا يساوي تلقائيًا ملاءمة مهنية للسوق المحلي.
Astra for Law مثال واضح على ذلك. فالفهرس القانوني المعلن عنه يغطي القانون الأمريكي، بما في ذلك القضايا والتشريعات واللوائح وقواعد المحاكم والقرارات الإدارية الأمريكية. حتى لو استطاع النموذج التعامل مع العربية، فهذا لا يجعله أداة قانونية جاهزة للقانون العُماني أو بقية الأنظمة العربية.
وينطبق الأمر نفسه على الرعاية الصحية والتمويل والمحاسبة. يجب النظر إلى القوانين المحلية، ومصادر البيانات، والتكاملات، والتوفر الجغرافي، والأنظمة التي يستطيع المنتج الاتصال بها، وليس إلى جودة اللغة وحدها.
لذلك ستكون قيمة الذكاء الاصطناعي العمودي في المنطقة مرتبطة بقدرته على فهم بيئة العمل المحلية والعمل داخلها، لا بمجرد التحدث بالعربية.
ماذا يعني صعود Vertical AI للمهن؟
الحالات الثلاث لا تثبت أن كل مهنة ستحصل على نموذج ذكاء اصطناعي مستقل، كما أنها لا تعني أن النماذج العامة فقدت أهميتها.
ما توضحه هو اتجاه أكثر واقعية: النموذج العام يتحول إلى مكوّن داخل نظام مهني أكبر، وتأتي قيمة إضافية من البيانات المتخصصة والأدوات والتكاملات وسير العمل والضوابط المحيطة به.
ولهذا قد يصبح السؤال الأكثر فائدة للمؤسسات أقل ارتباطًا بـ«أي نموذج أذكى؟» وأكثر ارتباطًا بـ«أي نظام يستطيع تحويل هذا الذكاء إلى مهمة مهنية قابلة للاستخدام والمراجعة داخل بيئة العمل؟»
أسئلة شائعة عن الذكاء الاصطناعي العمودي
هل Vertical AI يعني تدريب نموذج جديد لكل مهنة؟
لا. قد يحدث التخصص في البيانات أو الأدوات أو التكاملات أو سير العمل، بينما يبقى النموذج الأساسي عامًا. وفي حالات أخرى، مثل MedGemma، يكون النموذج نفسه مهيأ أو مدربًا لمجال محدد.
ما الفرق بين Vertical AI والذكاء الاصطناعي الأفقي؟
الذكاء الاصطناعي الأفقي يخدم نطاقًا واسعًا من المهام والقطاعات، مثل المساعدات العامة. أما Vertical AI فيركز على قطاع أو وظيفة أو مشكلة محددة، ويضيف عادة بيانات وأدوات وتكاملات وسير عمل مرتبطة بذلك الاستخدام.
متى تحتاج الشركة إلى Vertical AI بدل ChatGPT أو Claude العادي؟
يصبح الحل المتخصص أكثر فائدة عندما لا تكون المشكلة في صياغة الإجابة فقط، بل في الوصول إلى بيانات موزعة، وتشغيل أدوات متعددة، واتباع خطوات ثابتة، وتطبيق صلاحيات ومراجعة داخل بيئة العمل.
المصادر الرسمية
- OpenAI: Astra for Law
- Anthropic: Claude for Financial Advisors
- Microsoft: Dragon Copilot في HIMSS 2026
- Google: MedGemma
تم التحقق من المعلومات حتى 19 سبتمبر 2026.
