وكيلك لا يستطيع التنبؤ بالبهجة. بالكاد يفهم عربة التسوق.

ملخص تنفيذي

• الاندفاع المحموم للصناعة نحو "agentic commerce" (التجارة القائمة على الوكلاء) يركز على المشكلة الخاطئة: واجهة الدردشة. تُظهر الأبحاث الأكاديمية الحديثة أن العمل الحقيقي يكمن في بناء محركات تنبؤية تفهم وتتنبأ برضا العملاء باستخدام بيانات متعددة الوسائط (multi-modal data) وشبكات الرسم البياني (graph networks)، وليس فقط معالجة اللغة [1].
• وكيل الذكاء الاصطناعي الذي لا يستطيع التنبؤ بما إذا كان العميل سيكون سعيدًا بعملية شراء هو مجرد شريط بحث يتم تنشيطه بالصوت. الطبقة الأساسية لوكيل حقيقي هي بنية يمكنها حساب احتمالية نتيجة إيجابية، وهو مفهوم بعيد كل البعد عن روبوتات الدردشة الحالية التي تعتمد على مطابقة الكلمات الرئيسية [2].
• جاهزية واجهة المتجر القائمة على الوكلاء (Agentic storefront readiness) لا علاقة لها بواجهة برمجة التطبيقات (API) أو اختيارك لنموذج اللغة الكبير (LLM). إنها تتعلق بنضج البنية التحتية لبياناتك. هل يمكنك نمذجة تفاعلات المستخدم والعنصر على شكل رسم بياني؟ هل يمكنك دمج المراجعات النصية، وتاريخ الشراء، والإشارات السلوكية الضمنية للتنبؤ بالرضا؟ إذا كانت الإجابة لا، فأنت لست مستعدًا [4].

كنت أقف في متجر Erewhon في Venice Blvd الأسبوع الماضي، وشاهدت شخصًا يحدق في جدار المكملات الغذائية، مشلولًا تمامًا. حاول موظف المتجر، أصلحه الله، المساعدة. سأل: "ماذا تبحث عنه؟" أجاب العميل: "شيء ... كما تعلم ... يساعد على التركيز؟" أشار الموظف إلى بعض الزجاجات التي تحتوي على الجنكة بيلوبا. كان هذا مثالًا بشريًا مثاليًا لمطابقة الكلمات الرئيسية. وكان عديم الفائدة تمامًا.

لم يكن العميل يريد الجنكة بيلوبا. لقد أراد نتيجة مضمونة. لقد أراد تنبؤًا. لقد أراد أن يعرف أي من الـ 50 زجاجة المتطابقة تقريبًا ستعمل بالفعل لصالحه - لبيولوجيته، ونمط حياته، وأهدافه. لقد أراد نظامًا يمكنه التفكير في الاحتمالات والنتائج، وليس مجرد مطابقة استعلام نصي ("تركيز") لسمة منتج ("جنكة").

هذا هو نفس الخطأ الجوهري الذي ترتكبه كل علامة تجارية تقريبًا وهي تتسابق لبناء ما يسمى بأنظمة "agentic commerce" (التجارة القائمة على الوكلاء). نحن جميعًا نبني مساعدين يمكنهم تحليل جملة وجلب نتيجة. نحن نبني نسخًا رقمية من موظف المتجر المساعد ولكن الغافل. التحدي الحقيقي، العمل الذي يهم حقًا، ليس بناء محاور أفضل. إنه بناء محرك تنبؤي يمكنه إخبار العميل بما سيسعده، وما سيحل مشكلته، وما لن يعيده في غضون ثلاثة أيام. ووفقًا لأحدث الأبحاث، هذا المحرك لا يُبنى على الذكاء الاصطناعي التخاطبي؛ بل يُبنى على الرسوم البيانية.

لماذا كل مساعد تسوق يعمل بالذكاء الاصطناعي غبي للغاية؟

لنكن صريحين. الجيل الحالي من "مساعدي التسوق بالذكاء الاصطناعي" مخيب للآمال بشكل هائل. إنهم مجرد غطاء رقيق من معالجة اللغة الطبيعية (natural language processing) فوق نفس البحث بالكلمات الرئيسية القديم الذي كان يدعم التجارة الإلكترونية منذ أواخر التسعينيات. لقد استبدلوا شريط البحث بفقاعة دردشة، لكن المنطق الأساسي لا يزال بسيطًا بشكل مثير للشفقة.

تسأله: "ابحث لي عن زوج من الجينز الأسود." يرد: "بالتأكيد، إليك جميع الـ 247 زوجًا من الجينز الأسود التي نبيعها."

هذه ليست مساعدة؛ إنها مجرد تفريغ كتالوج. إنها آلة تفهم التركيب اللغوي (syntax) ولكن ليس لديها أي فهم للنية (intent). لا يمكنها التعامل مع الأسئلة الضمنية والبشرية التي تدفع التجارة بالفعل:

• "ابحث لي عن جينز أسود يناسبني مثل زوجي المفضل من العلامة التجارية X، ولكن لا يتلاشى بعد غسلتين."
• "لدي حفل زفاف في أوجاي الشهر المقبل. قواعد اللباس هي 'أناقة الصحراء'. ابحث لي عن زي بأقل من 500 دولار لن أراه على ثلاثة أشخاص آخرين."
• "ابحث لي عن قطعة أثاث لشقتي الجديدة في DTLA (وسط مدينة لوس أنجلوس) ستتحمل الانتقال إلى شقتي التالية."

تتطلب الإجابة على هذه الأسئلة أكثر من مجرد البحث. إنها تتطلب الاستدلال والتفكير، والأهم من ذلك، التنبؤ. يحتاج الوكيل إلى التنبؤ بالملاءمة، والتنبؤ بالقبول الاجتماعي، والتنبؤ بالمتانة. يحتاج إلى حساب احتمالية نتيجة ناجحة للمستخدم. بدلاً من ذلك، ما نقوم ببنائه هو وكلاء يمكنهم فقط معالجة الأوامر الأكثر وضوحًا، وكلاء هم مجرد خدم متفاعلين بدلاً من شركاء استباقيين. ينتظرون أمرًا، وينفذون بحثًا، ويقدمون قائمة. هذا فشل ذريع في الخيال، وهو نتيجة مباشرة للتركيز على الواجهة الأمامية البراقة بدلاً من الذكاء الخلفي الذي يتطلب جهدًا وصعوبة شديدين.

إن أصحاب رؤوس الأموال المغامرة الذين يمولون شركات روبوتات الدردشة الناشئة وفرق التسويق التي تصيغ بيانات صحفية مثيرة للإعجاب حول "التجارة التخاطبية" يغفلون تمامًا عن الفكرة. قيمة الوكيل ليست في قدرته على فهم جملة. قيمته في قدرته على التنبؤ بالمستقبل.

الحقيقة الأساسية تكمن في الرسم البياني، وليس في المطالبة

بينما ينشغل عالم التجارة بعروض LLM (نماذج اللغة الكبيرة) البراقة، يتم إنجاز العمل الحقيقي والأساسي في مكان آخر. قضيت الأسبوع الماضي غارقًا في أحدث المطبوعات الأولية على arXiv لشهر فبراير 2026، والرسالة واضحة: حدود ذكاء التجارة الاصطناعي ليست في اللغة الطبيعية؛ إنها في شبكات الرسم البياني العصبية (graph neural networks) ودمج البيانات متعددة الوسائط (multi-modal data fusion).

على سبيل المثال، لا تحاول ورقة بحثية من باحثين في جامعة غوجارات التكنولوجية بناء روبوت دردشة [1]. إنهم يعملون على مشكلة أصعب بكثير: التنبؤ الموثوق برضا العملاء. نموذجهم لا ينظر فقط إلى نص المراجعة. إنه يدمج تضمينات BERT (BERT embeddings) - التي تلتقط المعنى الدلالي للنص - مع تضمينات الرسم البياني LightGCN (LightGCN graph embeddings)، والتي تحدد العلاقات المعقدة بين جميع المستخدمين وجميع المنتجات.

فكر فيما يعنيه ذلك. يرى النظام التقليدي مراجعة بخمس نجوم ويقول: "رائع، هذا منتج جيد." يفهم هذا النموذج الجديد مراجعة الخمس نجوم ويفهم السياق على الفور: من كتبها، وماذا اشترى أيضًا، وماذا اشترى المستخدمون المشابهون، وكيف تتصل هذه المراجعة الواحدة بآلاف تفاعلات المستخدم والعنصر الأخرى في الشبكة. يتيح لهم هذا النهج معالجة مشكلة "البداية الباردة" (cold start problem) - كيفية التوصية بشيء لمستخدم جديد بدون سجل. يمكن للنظام تحديد أن ملف تعريف عميل جديد من سانتا مونيكا يشبه بشكل كبير مجموعة معروفة من العملاء السعداء في فينيس بيتش والتنبؤ برضاهم عن منتج لم يروه من قبل، وكل ذلك بناءً على بنية الرسم البياني.

تستخدم ورقة بحثية أخرى، بعنوان "الكشف عن الشركات الصغيرة والمتوسطة ذات الإمكانات العالية باستخدام شبكات الرسم البياني العصبية غير المتجانسة" (Detecting High-Potential SMEs with Heterogeneous Graph Neural Networks)، نموذجًا قائمًا على الرسم البياني للتنبؤ بالشركات الصغيرة التي من المرجح أن تنجح، محققة دقة مذهلة بلغت 89.6% في أفضل 100 مرشح [2]. وهذا أفضل 2.14 مرة من فرصة عشوائية. الاستنتاج الرئيسي هو أن هيكل البيانات - العلاقات بين الشركات ومواضيع البحث ووكالات التمويل - هو مؤشر أقوى للنجاح من سمات الشركة المستقلة.

الآن، تخيل تطبيق نفس القوة التنبؤية على التجارة. بدلاً من التنبؤ بالشركات الناجحة، يمكنك التنبؤ بالمنتجات "الرائجة" لشريحة صغيرة محددة من قاعدة عملائك. أو يمكنك التنبؤ بأزواج العملاء والمنتجات ذات الإمكانات العالية التي من المرجح أن تؤدي إلى قيمة عمرية عالية. هذا هو العمل الحقيقي لـ "الوكيل" - ليس جلب المنتجات، بل تحديد وتوصية بالنتائج عالية الإمكانات. المطالبة من المستخدم هي مجرد إشارة إدخال واحدة وصغيرة. الحقيقة الأساسية تكمن في الويب الهائل المترابط لكل تفاعل حدث على نظامك الأساسي على الإطلاق.

هندسة التنبؤ، لا المحادثة

العقلية المعمارية لمعظم فرق التجارة تعيقها. يرون "agentic commerce" ويفكرون على الفور في واجهات برمجة التطبيقات (APIs)، و webhooks، وخدمات معالجة اللغة الطبيعية (NLP). إنهم يحاولون إضافة طبقة محادثة إلى بنية قاعدة بيانات مصممة لعمليات البحث البسيطة. لن ينجح هذا أبدًا. لا يمكنك بناء نظام تنبؤي على أساس تفاعلي.

البنية النموذجية لـ "روبوت الدردشة" اليوم خطية بشكل مؤلم.

هذا، من الناحية الوظيفية، شريط بحث بخطوات إضافية. يأخذ استعلامًا، ويقسمه إلى كلمات رئيسية، ويجلب العناصر المطابقة، ويعيد قائمة. لا يوجد ذكاء هنا.

يتطلب نظام الوكيل الحقيقي بنية مختلفة تمامًا، تركز على جوهر تنبؤي.

هذه بنية للتنبؤ. إنها تستوعب إشارات متعددة، وليس فقط استعلامًا نصيًا. إنها تدمجها في محرك متعدد الوسائط يستفيد من المحتوى الدلالي للنص [1] والبنية العلائقية لشبكة المستخدم والعنصر [2]. جوهر النظام هو "مُتنبئ الرضا/النتائج"، وهو نموذج وظيفته الوحيدة هي حساب احتمالية نتيجة ناجحة (على سبيل المثال، شراء، عدم إرجاع، مراجعة إيجابية).

الناتج ليس قائمة منتجات غبية. إنه "مشعب التوصيات" (Recommendation Manifold)، وهو مفهوم أشارت إليه الأبحاث الحديثة حول الاستدلال التسلسلي، مثل ورقة ManCAR التي تستكشف التنقل في المساحات الكامنة للتوصيات على مجموعات بيانات أمازون الضخمة [4]. الوكيل لا يكتفي باكتشاف المنتجات؛ إنه يتنقل في مساحة احتمالات معقدة للعثور على الخيارات القليلة التي لديها أعلى درجة نجاح متوقعة لذلك المستخدم المحدد، في تلك اللحظة المحددة. هذا نظام لا يجيب فقط على السؤال: "ماذا لديك؟"؛ يجيب على السؤال: "ماذا يجب أن أحصل عليه؟؟"

البيانات التي لديك مقابل البيانات التي تحتاجها

أتحدث يوميًا مع علامات تجارية يشعر مديروها التنفيذيون بالرغبة الشديدة في نشر وكيل يعتمد على الذكاء الاصطناعي. سؤالي الأول هو دائمًا نفسه: "أرني رسم بياني التفاعل الخاص بك." الإجابة المعتادة هي نظرة فارغة. لديهم قواعد بيانات مليئة بالمستخدمين والطلبات والمنتجات. لديهم سجلات ضخمة من Google Analytics. لكن ليس لديهم الشيء الوحيد الذي يهم حقًا: تمثيل منظم للعلاقات بين نقاط البيانات الخاصة بهم. لديهم أسماء وأفعال، ولكن لا توجد جمل.

البحث قاطع في هذه النقطة: الإشارة في الهيكل [2]. بياناتك الجدولية - الصفوف والأعمدة في مثيل Snowflake الخاص بك - هي مجرد ظل باهت لحقيقة عملك. يحدث السحر في الاتصالات.

من سجلات المعاملات إلى رسوم بيانية التفاعل

بناء هذا الأساس هو العمل الحقيقي للتحضير لمستقبل قائم على الوكلاء. إنها هندسة البيانات غير الجذابة، التي تتطلب الكثير من الجهد، والتي يجب أن تحدث قبل أن تكتب سطرًا واحدًا لبرنامج الدردشة الآلي. يبدأ الأمر بنمذجة عملك كرسم بياني. المستخدمون والعناصر هي عقد. يصبح كل تفاعل - عرض، إضافة إلى السلة، شراء، مراجعة، إرجاع، تذكرة خدمة عملاء - حافة موجهة وموزونة ومختومة بوقت تربط تلك العقد.

الآن، بدلاً من طرح السؤال "كم مرة تم شراء المنتج #123؟"، يمكنك طرح أسئلة أكثر قوة: "ما هي مجموعة المستخدمين الذين عرضوا المنتج #123 بعد شراء المنتج #456 ثم أعادوه؟ ما الذي يجمعهم؟ وما هو المنتج الذي كان ينبغي أن نعرضه عليهم بدلاً من ذلك والذي لديه أعلى احتمالية للاحتفاظ به، بناءً على سلوك مجموعات المستخدمين المماثلة؟" هذا هو الاستعلام الذي يؤدي إلى الذكاء.

التقاط الإشارات الضمنية

لا تزال الأوراق التي أراها تستخدم إشارات بسيطة نسبيًا، مثل اعتبار تقييم المنتج بأكثر من 3 نجوم تفاعلًا إيجابيًا في مجموعات بيانات أمازون [4]. هذه بداية جيدة، لكن العالم الحقيقي أغنى بكثير. البيانات التي تحتاجها ليست فقط في الإجراءات الصريحة التي يتخذها المستخدمون؛ إنها في المحيط الواسع من سلوكياتهم الضمنية.

• كم من الوقت ظلوا يحومون فوق صورة؟
• هل قاموا بالتكبير على تفصيل معين؟
• ما مدى سرعة تمريرهم لمنتج معين؟
• هل أضافوا عنصرًا إلى السلة، وترددوا لمدة دقيقتين، ثم أزالوه؟

هذه كلها إشارات قوية للاهتمام أو الارتباك أو عدم الرضا. يخبرك جدول orders الخاص بك بما حدث. تخبرك هذه البيانات الضمنية لماذا. إن التقاط هذه الإشارات ودمجها في نموذج الرسم البياني الخاص بك هو ما يميز الموصل الأساسي عن المحرك التنبئي الحقيقي. لا تم تصميم تطبيق GA4 القياسي الخاص بك لهذا الغرض. تحتاج إلى خط أنابيب أحداث مخصص مصمم لالتقاط وتنظيم هذه العلامات السلوكية الدقيقة التي ستغذي نماذج التنبؤ الخاصة بك.

ماذا تعني "جاهزية واجهة المتجر القائمة على الوكلاء" بالفعل؟

تنشأ صناعة ناشئة حول "جاهزية واجهة المتجر القائمة على الوكلاء"، تبيع عمليات تدقيق وشهادات لا تعدو كونها مجرد خادعة. سيخبرونك أن الأمر يتعلق بوجود واجهات برمجة تطبيقات (APIs) نظيفة، وتوثيق جيد، وبنية حديثة غير رأسية (headless architecture). هذه هي الأساسيات. الأمر أشبه بالقول إن جاهزية سيارة Formula 1 تتحدد بما إذا كانت تحتوي على أربع عجلات وعجلة قيادة.

الاستعداد الحقيقي لا علاقة له بواجهة المستخدم الأمامية أو طبقة واجهة برمجة التطبيقات الخاصة بك. إنه مقياس لنضج وقوة التنبؤ في بنية بياناتك. لتوضيح الأمر، إليك نموذج نضج يعكس هذه الحقيقة.

معظم العلامات التجارية التي أراها عالقة في المستوى 1 أو 2. الأكثر تقدمًا بالكاد بدأت في المستوى 3. البحث الأكاديمي الحالي يدفع بقوة نحو منطقة المستوى 4. لكن محادثة الصناعة بأكملها، مدفوعة بالضجيج، تتظاهر بأنه يمكننا القفز مباشرة إلى المستوى 5. لا يمكنك. الوكيل بدون أساس تنبؤي، قبل الوكيل، هو دمية بلا محرك - يمكنها التحدث، لكن ليس لديها ذكاء مستقل.

ماذا يعني هذا لعلامتك التجارية؟

إذا كنت قائدًا لعلامة تجارية، فأنت بحاجة إلى تغيير الأسئلة التي تطرحها. توقف عن سؤال فريقك، "متى يمكننا نشر متسوق ذكي؟" ابدأ بسؤالهم هذه الأسئلة بدلاً من ذلك:

1. هل لدينا رؤية موحدة وفي الوقت الفعلي لكل تفاعل مع العملاء، من أول ظهور للإعلان إلى تذكرة دعم ما بعد الشراء؟
2. كيف نقوم بنمذجة العلاقات بين عملائنا ومنتجاتنا؟ هل هي في رسم بياني؟
3. ماذا نفعل لالتقاط البيانات السلوكية الضمنية (التحويم، التردد، سرعة التمرير) وربطها بملفات تعريف العملاء؟
4. هل يمكننا، اليوم، حساب درجة تتنبأ باحتمالية رضا عميل معين عن منتج معين؟

هذا هو العمل. هذا هو الأساس. إنها هندسة بيانات، ونمذجة تعلم آلي (ML)، وهندسة أنظمة. إنها ليست مثيرة. لا تُظهر نتائج جيدة لمجلس الإدارة. لكنها المسار الوحيد لبناء نظام ذكاء اصطناعي مفيد حقًا.

في CTO.LA، هذا هو العمل الذي نقوم به. نحن فريق من مهندسي ذكاء التجارة الاصطناعي هنا في لوس أنجلوس. نحن لا نبيع تراخيص روبوتات الدردشة. نحن نتشارك مع علامات تجارية للتجارة الإلكترونية لتصميم وبناء البنية التحتية للبيانات الأساسية ونماذج التنبؤ التي تعد شرطًا أساسيًا لأي نظام ذكي. نساعدك على الوصول إلى المستوى 4، بحيث عندما يحين الوقت، تكون خطوتك إلى المستوى 5 خطوة منطقية تالية، وليست قفزة يائسة من الإيمان.

لا تبنِ وكيلًا. ابنِ محركًا للحقيقة.

الجميع يريد بناء وكيل. إنه الكائن اللامع. يبدو كالمستقبل. لكنك تحاول بناء السقف قبل أن تضع الأساس.

انس الوكيل للحظة. ركز على بناء محرك للحقيقة. محرك يستوعب كل جزء من البيانات التي يولدها عملك، وفي المقابل، يوفر تنبؤًا واحدًا عالي الدقة: احتمالية نتيجة جيدة. احتمالية أن هذا المستخدم، بهذا التاريخ، في هذا السياق، سيحب هذا المنتج.

بمجرد أن تحصل على ذلك - بمجرد أن تتمكن من التنبؤ بالبهجة بشكل موثوق ودقيق - يصبح الوكيل الجزء السهل. واجهة المحادثة هي مجرد واجهة مستخدم تعرض مخرجات محرك الحقيقة الخاص بك. العمل الحقيقي هو التنقيب في فوضى بيانات عملائك المعقدة والجميلة والعثور على الإشارات الخفية التي تؤدي إلى رضا حقيقي.

في المرة القادمة التي تزحف فيها على طريق 405، فكر في ملايين نقاط البيانات المنفصلة التي يولدها عملاؤك في تلك اللحظة بالذات. هل تسمح لهم ببساطة بالاختفاء في الأثير، أم أنك تنسجها في رسم بياني يمكنه التنبؤ بمستقبل عملك؟

تعمل CTO.LA مع العلامات التجارية التجارية التي تبني هذه البنية التحتية القائمة على الوكلاء. دعنا نتحدث.

المراجع

1. Towards Reliable Customer Satisfaction Prediction: An AIML-Driven Multi-Modal Approach for E-Commerce Platforms
2. Detecting High-Potential SMEs with Heterogeneous Graph Neural Networks
3. zezhishao/DailyArXiv
4. ManCAR: Manifold-Constrained Latent Reasoning with Adaptive Reasoning
5. ArxivDaily Thread on Recommendation Systems
6. AI-empowered financial stock: A survey
7. ManCAR: Manifold-Constrained Latent Reasoning with Adaptive Reasoning (PDF)
8. A Novel Approach to Multi-Criteria Decision Making for Enterprise Resource Planning Systems Selection in E-Commerce

• agentic commerce
• commerce AI architecture
• graph neural networks
• data engineering
• machine learning