يتسابق الجميع لبناء متسوق بالذكاء الاصطناعي. وتُثبت أحدث الأبحاث أنهم يبنونه على أساس من الرمال. بينما يكمن العمل الحقيقي في الرسم البياني للبيانات.
خلاصة سريعة
- بينما تسعى الصناعة وراء وكلاء التسوق المبهرجين بالذكاء الاصطناعي، فإن أحدث الأبحاث الأكاديمية اعتبارًا من فبراير 2026 لا تُركز على الذكاء الاصطناعي للمحادثة. فالانجازات الحقيقية تحدث في الطبقة الأساسية غير الجذابة: هيكل البيانات.
- تُحقق التقنيات المتقدمة مثل الشبكات العصبية الرسوم البيانية غير المتجانسة (Heterogeneous Graph Neural Networks) مكاسب كبيرة وقابلة للقياس في التنبؤ والتصنيف—حيث تصل إلى دقة 89.6% في تحديد الأهداف عالية الإمكانات في إحدى الدراسات [2]. وهذا هو المكان الذي تكمن فيه عائد الاستثمار (ROI) الفعلي في تجارة الذكاء الاصطناعي اليوم.
- جاهزية واجهة المتجر الذكي (Agentic storefront readiness) لا علاقة لها بإطلاق روبوت محادثة (chatbot). إنها تتعلق بإعادة هندسة بيانات منتجك، وعملائك، وتفاعلاتهم في رسم بياني قابل للقراءة آليًا يمكنه دعم التفكير المعقد متعدد الخطوات—وهو نوع العمل الذي ظهر في مجموعات بيانات ضخمة تضم أكثر من 2.8 مليون تفاعل [4].
كنت أحتسي القهوة في أبوت كيني الأسبوع الماضي عندما سمعت فريق تسويق يتحدث عن "وكيل التسوق بالذكاء الاصطناعي" الجديد الخاص بهم. كانوا متحمسين، يتحدثون بحماس عن "شخصيته الشبيهة بالبشر". كنت قد قضيت الصباح أقرأ أحدث أوراق تجارة الذكاء الاصطناعي من arXiv [3]، وكان الانفصال صارخًا. بينما تتناقش العلامات التجارية في فينيسيا حول شخصيات روبوتات المحادثة، فإن العمل الجاد—العمل الذي يحقق فرقًا حقيقيًا—ينشأ في عمق البنية، في التمثيل الرياضي للعلاقات بين العملاء والمنتجات والنوايا.
تُعاني الصناعة من حالة كبيرة من الإعجاب بالواجهة الأمامية (frontend fixation). فالجميع يريد واجهة محادثة على غرار فيلم "Her"، الوكيل الذي يتوقع كل احتياجاتك. لكنهم يحاولون بناءه على بنية تحتية للبيانات لا تختلف أساسًا عما كانت عليه قبل عقد من الزمان. إنه مثل محاولة تشغيل قطار مغناطيسي (maglev train) على مسارات تم وضعها في القرن التاسع عشر. وتؤكد أحدث الأبحاث هذا الشك. فالأوراق التي تدفع حدود تجارة الذكاء الاصطناعي حقًا الآن لا تتعلق بنماذج اللغة الكبيرة؛ بل تتعلق بالرسوم البيانية (graphs) والتنوعات (manifolds) ودمج البيانات متعدد الوسائط (multi-modal data fusion) [1, 2, 4]. إنها تتعلق بالبنية الأساسية. وإذا كنت قائدًا في مجال التجارة، فهذا هو الشيء الوحيد الذي يجب أن تُقلق بشأنه.
هل استراتيجية الذكاء الاصطناعي الخاصة بك مجرد واجهة؟
لنكن صريحين. معظم ما يُطلق عليه "تجارة الذكاء الاصطناعي" اليوم هو مجرد قشرة رقيقة فوق الأنظمة القديمة. على سبيل المثال، دوار توصيات مدعوم بخوارزمية تصفية تعاونية أفضل قليلاً، أو شريط بحث مع بعض التحليلات اللغوية الطبيعية الأساسية (NLP) المُثبتة. إن وعد التجارة الذكية (agentic commerce)—حيث تتصرف الوكلاء المستقلون نيابة عن المستهلك لاكتشاف المنتجات والتفاوض وشرائها—مُغرٍ جدًا. لكنه أيضًا مجرد خيال كامل بدون تحول جذري في بنية البيانات الأساسية.
عندما ألقي نظرة على مسودات فبراير 2026، أرى غيابًا صارخًا للأوراق البحثية حول تدفقات عمل التجارة متعددة الوكلاء (multi-agent commerce workflows) أو البحث التوليدي للتسوق (generative search for shopping) [3]. وبدلاً من ذلك، ينصب التركيز من العالم الأكاديمي، الذي يسبق الصناعة دائمًا بـ 18-24 شهرًا، على شيء أكثر أساسية بكثير. إنهم يعملون على حل مشكلة تمثيل النظم البيئية التجارية المعقدة رياضيًا.
على سبيل المثال، لم تستخدم ورقة بحثية حديثة عن تحديد الشركات الصغيرة والمتوسطة عالية الإمكانات (SMEs) نموذج لغة كبيرة (LLM). بل قامت ببناء رسم بياني غير متجانس ضخم يضم أكثر من 32,000 عقدة شركة وحوالي 100,000 اتصال تمثل علاقات دلالية مختلفة [2]. والنتيجة؟ من خلال فهم هيكل سوق B2B كرسم بياني، استطاع نموذجها التنبؤ بالشركات التي ستنجح بدقة 89.6% —أي أكثر من ضعف خط الأساس [2]. هذا لا يتعلق بالمحادثة؛ بل يتعلق بالاتصال. إنها قوة تنبؤية لا يمكنك تحقيقها بمجرد سؤال روبوت محادثة (chatbot)، "مع أي شركة يجب أن أتعاون؟" الإجابة ليست في سلسلة من النصوص؛ بل تُدمج في طوبولوجيا البيانات. وهذا هو أساس بنية تجارة الذكاء الاصطناعي الواقعية.
العمل الحقيقي يكمن في الرسم البياني، وليس في نافذة الدردشة
الفرق بين كتالوج قديم وكتالوج يعتمد على الذكاء الاصطناعي هو كيفية تخزين العلاقات. فمتجرك على Shopify أو Magento يعلم أن مستخدمًا ما قد اشترى منتجًا. أما النظام القائم على الرسوم البيانية، فإنه يعلم تسلسل المنتجات التي شاهدها المستخدم، والفئات التي تصفحها، والعناصر التي شارك في شرائها مع مستخدمين آخرين، والمشاعر النصية لمراجعته، وكيف ترتبط كل هذه النقاط البيانية بكل مستخدم ومنتج آخر في النظام.
وهذا بالضبط ما تستغله أحدث الأبحاث. وتتناول ورقة "ManCAR" من أوائل فبراير 2026 التوصيات المتسلسلة—توقع الشيء التالي الذي تريده—باستخدام إطار عمل "مقيد بالتنوعات" (Manifold-constrained) [4]. وهذه طريقة معقدة لقول أنها تتعلم "الشكل" الأساسي لتفضيلات المستخدم في مساحة عالية الأبعاد. وقد اختبر الباحثون ذلك على مجموعات بيانات ضخمة وحقيقية لمراجعات أمازون، إحداها تحتوي على 2.8 مليون تفاعل في فئة البقالة وحدها [4]. وقد حققوا أداءً هو الأفضل في فئته لأن نموذجهم لم يكن ينظر فقط إلى المشتريات المعزولة؛ بل كان يعمل على التفكير في رحلة المستخدم بأكملها كمسار عبر تنوع بيانات معقد.
وتُقدم ورقة أخرى خطوة أبعد، مُقترحة نهجًا متعدد الوسائط يدمج ثلاثة أنواع مختلفة من البيانات للتنبؤ برضا العملاء [1]: 1. المراجعات النصية: تُحلل باستخدام تضمينات BERT لفهم المحتوى الدلالي. 2. علاقات المستخدم بالمنتج: تُنمذج باستخدام شبكة عصبية بيانية (LightGCN) لالتقاط أنماط التعاون. 3. البيانات الوصفية (Metadata): تُشفر لتضمين ميزات أخرى مثل فئة المنتج أو سعره.
هذا لا يعني مجرد إضافة المزيد من البيانات إلى المشكلة. إنها استراتيجية دمج بيانات متطورة تُدرك أن نية العميل هي مركب مما يقوله (نص)، وما يفعله (تفاعلات)، ومن هو (بيانات وصفية). محاولة تشغيل وكيل تسوق باستخدام إشارة واحدة فقط من هذه الإشارات أشبه بمحاولة التنقل في 405 في ساعة الذروة باستخدام دليل توماس من عام 1998 (Thomas Guide). أنت تفتقد غالبية الصورة.
بناء بنية ذكاء اصطناعي تجارية تعمل حقيقة
إذًا، كيف تبدو بنية الذكاء الاصطناعي التجارية الصحيحة، المستندة إلى الرسوم البيانية أولاً؟ إنها ليست تطبيقًا واحدًا. إنها نظام متعدد الطبقات مصمم لاستيعاب البيانات وربطها وتنشيطها بطريقة لا يمكن تحقيقها ببساطة باستخدام قواعد البيانات العلائقية التقليدية.