Business Case Agentic AI: من العرض التوضيحي إلى الاستثمار القابل للمساءلة

لقد أنهى للتو رئيس عمليات المالية عرضًا توضيحيًا لـ agentic AI. على الشاشة، تمكن الـ agent من البحث عن الفواتير المتأخرة، ومطابقتها مع أوامر الشراء، وإعداد توصيات الدفع في غضون ثوانٍ. أعجب فريقه بذلك. بدأ الرعاة من قطاع الأعمال يتساءلون متى يمكن تشغيله في بيئة الإنتاج. ولكن عندما اجتمع المدير المالي، ومدير تقنية المعلومات، وإدارة المخاطر معًا، لم تكن الأسئلة المطروحة حول العرض التوضيحي، بل حول التكلفة الكاملة، ومخاطر التنفيذ، والدليل على أن القيمة الموعودة يمكن قياسها بالفعل.

هذا الموقف مألوف في العديد من الشركات. غالبًا ما يصطدم الحماس تجاه agentic AI بنقطة حرجة واحدة: كيفية بناء business case قوي بما يكفي للحصول على الموافقة على الاستثمار، وواقعي بما يكفي للتنفيذ، ومنضبط بما يكفي ليكون قابلاً للمساءلة بعد الإنتاج. المشكلة أن business case لـ agentic AI لا يمكن إعداده مثل business case لروبوتات المحادثة أو الأتمتة البسيطة. فـ agentic AI يمس سير العمل، والقرارات، والتكامل، والرقابة، والقوى العاملة بطريقة مختلفة.

لماذا لا يكفي business case التقليدي

الخطأ الأكثر شيوعًا هو التعامل مع agentic AI كأداة إنتاجية عادية، ثم حساب فوائده فقط من توفير ساعات العمل. هذا النهج شبه مضلل دائمًا. بالنسبة للمساعد الفردي (copilot)، قد يكون توفير الوقت الشخصي نقطة انطلاق جيدة. ولكن بالنسبة لـ agentic AI، تظهر القيمة والتكلفة على مستوى مختلف: تدفق القيمة من البداية إلى النهاية (end-to-end value stream). الـ agent لا يساعد فقط شخصًا ما على الكتابة بشكل أسرع. بل يمكنه تغيير طريقة معالجة الاستثناءات، وكيفية توجيه القرارات، وكيفية تقليل الأعمال المتراكمة، وكيفية الوفاء باتفاقيات مستوى الخدمة (SLA)، أو كيفية معالجة المعاملات دون تدخل بشري.

لهذا السبب، يجب أن يتضمن business case لـ agentic AI مكونات غالبًا ما يتم تجاهلها في مرحلة العرض التوضيحي: تكلفة النموذج، أو الرموز (tokens)، أو الحوسبة؛ تكلفة التكامل مع أنظمة ERP وCRM وHRIS والأنظمة الأساسية الأخرى؛ إعداد البيانات وتنظيم المعرفة (knowledge curation)؛ الحوكمة والأمن وتطبيق السياسات؛ المراقبة والمراقبة والتقييم؛ إدارة التغيير وتدريب المستخدمين؛ بالإضافة إلى الإشراف البشري الضروري، خاصة في المجالات الخاضعة للتنظيم. إذا لم يتم حساب كل هذا منذ البداية، فسيبدو business case جذابًا جدًا على الشرائح، لكنه سينهار عند الانتقال إلى الإنتاج.

طريقة التفكير الأكثر صحة هي الانتقال من سؤال "كم ساعة عمل يمكن توفيرها؟" إلى "كيف يتغير اقتصاديات العملية إذا تم وضع الـ agent في النقطة الصحيحة؟". في حسابات الدفع (AP)، على سبيل المثال، إذا تم وضع الـ agent فقط كأداة مساعدة لتلخيص حالات عدم تطابق الفاتورة، فقد تكون الفائدة مجرد توفير وقت المحلل. ولكن إذا تم استخدام الـ agent لفرز الاستثناءات (triage)، وجمع الأدلة، واستدعاء بيانات أمر الشراء وإيصال استلام البضائع، وفتح الحالات، وتوجيه الحل، فقد يظهر التأثير على زمن الدورة (cycle time)، والأعمال المتراكمة، ومعدل المعالجة بدون لمس (touchless rate)، ومعدل الخطأ، وحتى خصومات الدفع أو علاقات الموردين. في عمليات العملاء، إذا كان الـ agent يساعد فقط في كتابة الردود، فقيمته محدودة. ولكن إذا قام الـ agent بالتحقق من سياق العميل، والتحقق من الاستحقاقات، وإعداد الإجراءات، وحل الحالات البسيطة باستقلالية محدودة (bounded autonomy)، فيجب النظر إلى business case من خلال معدل الحل من أول اتصال (first-contact resolution)، ووقت الحل، وحجم التصعيد، وتجربة العميل، وإمكانية الاحتفاظ بالإيرادات. بعبارة أخرى، يجب تقييم agentic AI كتدخل في نموذج التشغيل (operating model intervention)، وليس مجرد أداة مساعدة في العمل.

القيمة التي يجب فصلها بوضوح

إن business case الجيد لا يخلط جميع الفوائد في سردية واحدة عن "الكفاءة". بل يجب فصل الفوائد وفقًا لآلية قيمتها. غالبًا ما يكون تقليل زمن الدورة (cycle time reduction) هو الفائدة الأكثر وضوحًا في سير عمل المؤسسات. يمكن للـ agent تسريع البحث عن السياق، والفرز، والتوجيه، وتنفيذ الخطوات القياسية. في إقفال الحسابات المالية (finance close)، يتم تحديد الاستثناءات وتوجيهها بشكل أسرع. في المشتريات، يتم تصنيف طلبات الاستلام وتوجيهها بشكل أسرع. في عمليات تقنية المعلومات، يتم إثراء الحوادث ومعالجتها بشكل أسرع. في سلسلة التوريد، يتم الاستجابة لاستثناءات الشحن بشكل أسرع. يعتبر تقليل زمن الدورة مهمًا لأنه غالبًا ما يكون مصدرًا للفوائد المشتقة: انخفاض الأعمال المتراكمة، وتحسن SLA، وزيادة سعة الفريق دون الحاجة إلى تقليل عدد الموظفين بشكل مباشر.

بالنسبة للعمليات ذات الحجم الكبير، غالبًا ما تأتي القيمة الكبيرة من زيادة نسبة المعاملات التي يمكن معالجتها دون تدخل بشري كامل. يمكن معالجة استثناءات الفواتير البسيطة تلقائيًا إلى حد معين. يمكن حل طلبات خدمة الموظفين القياسية دون تصعيد. يمكن فرز وإثراء تذاكر تقنية المعلومات من المستوى الأول تلقائيًا. يمكن معالجة المبالغ المستردة منخفضة القيمة إذا استوفت السياسة. هنا، المقاييس ذات الصلة ليست فقط الوقت لكل حالة، بل النسبة المئوية للمعالجة بدون لمس (touchless rate)، وعدد الحالات لكل موظف بدوام كامل (FTE)، وسعة الإنتاجية في فترات الذروة.

العديد من عمليات المؤسسات تكون مكلفة ليس بسبب الحجم فقط، ولكن بسبب الأخطاء، وعمليات التسليم (handoffs)، وإعادة العمل (rework). يمكن للـ agent تقليل الأخطاء عن طريق التحقق من اكتمال المستندات، وتطبيق السياسات بشكل متسق، وتقليل النسخ واللصق اليدوي، وضمان أن السياق ذي الصلة ينتقل دائمًا مع عملية التسليم. في إعداد الموردين (vendor onboarding)، يمكن للـ agent الذي يتحقق من اكتمال المستندات واتساق البيانات أن يقلل من المراجعات ذهابًا وإيابًا مع مقدم الطلب. في المالية، يمكن للـ agent الذي يعد حزمة الأدلة (evidence pack) بهيكل متسق أن يقلل من إعادة العمل أثناء المراجعة.

في بعض حالات الاستخدام، لا تكمن القيمة الأكبر في أتمتة المعاملات، بل في تسريع القرارات. تحديد أولويات الاستثناءات أثناء الإقفال، وتحديد مسار المشتريات، وفرز حوادث تقنية المعلومات، أو تقييم خيارات التخفيف في حالات اضطراب سلسلة التوريد هي أمثلة حيث يمكن للقرارات الأسرع أن تقلل من تكاليف التأخير، وتحسن تجربة أصحاب المصلحة، وتزيد من مرونة العمليات.

غالبًا ما تُعتبر فوائد تجربة العميل أو الموظف "ناعمة"، بينما هي في الواقع مادية جدًا في العديد من الوظائف. لا يحتاج العميل إلى إعادة شرح سياق الحالة. يحصل الموظف على إجابات أسرع وأكثر اتساقًا من قسم الموارد البشرية. يحصل المورد على استجابة أسرع عند الإعداد أو النزاع. يحصل المستخدم الداخلي على حل أسرع للتذكرة. ومع ذلك، لا ينبغي ترك فوائد التجربة مجردة. يجب ربطها بمقاييس تشغيلية مثل SLA، ووقت الحل، ومعدل التصعيد، أو تكرار الشكوى.

بالنسبة لبعض حالات الاستخدام، قد تكون الفائدة الأكبر ليست توفير العمالة. في التحصيلات (collections)، يمكن للمتابعة الأسرع تحسين التدفق النقدي. في إدارة استثناءات الطلبات، يمكن للحل الأسرع تسريع عملية إصدار الفواتير. في الاحتفاظ بالعملاء، يمكن لحل أفضل للحالات تقليل معدل التراجع (churn). في المشتريات، يمكن أن يؤدي تقليل تأخير استلام الطلبات إلى خفض المشتريات الطارئة أو الإنفاق غير المنضبط (maverick spend). هذا مهم لأن العديد من business cases للذكاء الاصطناعي تقع بسرعة كبيرة في منطق "كم عدد الموظفين الذين يمكن توفيرهم"، بينما قد تأتي القيمة الاقتصادية الأكبر من النقد، أو الهامش، أو حماية الإيرادات.

هناك انضباط آخر غالبًا ما يكون مفقودًا وهو التمييز بين المكاسب لمرة واحدة (one-time gain)، مثل تنظيف الأعمال المتراكمة الأولية أو تسريع اللحاق بالركب، وبين القيمة المتكررة لمعدل التشغيل (recurring run-rate value)، وهي الفوائد التي تتكرر كل شهر أو ربع سنة. إذا انخفضت الأعمال المتراكمة لحسابات الدفع بشكل كبير في الشهر الأول بسبب تجربة مكثفة، فهذا لا يعني بالضرورة أن قيمة معدل التشغيل ستكون كبيرة بنفس القدر في كل فترة. تحتاج اللجنة التنفيذية إلى رؤية كليهما بشكل منفصل لتجنب سوء التوقعات.

أين غالبًا ما يكون business case متفائلًا جدًا

إذا كانت الفوائد غالبًا ما يتم المبالغة فيها، فإن التكاليف غالبًا ما يتم الاستهانة بها. بالنسبة لـ agentic AI، هذا أمر خطير لأن التكاليف لا تتوقف عند مرحلة البناء. تشمل تكلفة البناء وتكلفة التنفيذ تصميم حالة الاستخدام، وتطوير الـ agent، وتكامل الأدوات وواجهات API، وتكوين سير العمل، والاختبار، والتقييم، والتجهيز للإنتاج. إذا كانت حالة الاستخدام تمس العديد من الأنظمة الأساسية، فقد تكون تكلفة التكامل أكبر من تكلفة النموذج نفسه.

يجب نمذجة تكلفة النموذج بناءً على حجم المعاملات والتعقيد، وليس على افتراضات متوسطة مبسطة للغاية. قد يكون وكيل خدمة عملاء واحد رخيصًا عند اختباره على عشرات الحالات. ولكن عندما يرتفع الحجم، ستتأثر التكلفة بعدد التفاعلات لكل حالة، وطول السياق، وتكرار الاسترجاع، وعدد استدعاءات الأدوات، والحاجة إلى نماذج مختلفة لخطوات مختلفة، وإعادة المحاولة بسبب الفشل أو الغموض. يحتاج المدير المالي ومدير تقنية المعلومات إلى رؤية سيناريوهات التكلفة بناءً على الحجم المنخفض، والحجم المستهدف، والحجم الأقصى.

تنسى العديد من المؤسسات أنه لكي يعمل الـ agent بشكل جيد، يجب عليها أن تدفع ثمن تنظيف البيانات، وتنظيم مجموعة المعرفة (knowledge corpus)، وإضافة البيانات الوصفية، وبناء استرجاع يراعي الأذونات (permission-aware retrieval)، والحفاظ على جودة السياق محدثة. هذه ليست تكلفة لمرة واحدة. في العديد من المجالات، تتغير المعرفة والسياسات باستمرار.

إذا كانت الشركة جادة في بناء قدرة agentic، فيجب حساب تكلفة المنصة (platform): إدارة الهوية والوصول، ومحرك السياسات، والمراقبة، وسجلات التدقيق، وأداة التقييم (evaluation harness)، وإدارة الأسرار، وضوابط الأمان الأخرى. قد لا تكون هذه التكاليف مرئية إذا كانت حالة الاستخدام الأولى "تستفيد" من منصة غير مكتملة. ولكن عند التوسع، تصبح هذه التكاليف حقيقية.

يحتاج الـ agent الذي أصبح قيد التشغيل بالفعل إلى التشغيل المستمر: مراقبة الجودة، ومعالجة الحوادث، وضبط الاستفسارات (prompts) أو سير العمل، وتحديث السياسات، وإعادة التدريب أو إعادة التكوين، والدعم لمستخدمي الأعمال. إذا لم تكن هناك تكاليف تشغيل في business case، فمن شبه المؤكد أن النموذج ليس واقعيًا بعد.

الأهم من ذلك، في المجالات الخاضعة للتنظيم أو عالية المخاطر، لا يلغي الـ agent البشر؛ بل يغير دور البشر إلى الموافقة، ومعالجة الاستثناءات، ومراجعة الجودة، والإشراف على السياسات. في المالية، قد يظل المراقب المالي بحاجة إلى مراجعة الاستثناءات الجوهرية. في المشتريات، قد يظل المشتري بحاجة إلى الموافقة على فئات معينة. في الموارد البشرية، لا تزال الحالات الحساسة بحاجة إلى مراجعة بشرية. في عمليات العملاء، لا تزال المبالغ المستردة فوق حد معين بحاجة إلى مشرف. إذا افترض business case "معالجة كاملة بدون لمس" بينما المجال حساس، فستكون النتيجة متفائلة جدًا.

ليست كل حالات الاستخدام تستحق التقييم بنفس الطريقة

قد تبدو حالتا استخدام جذابتين بنفس القدر، لكن ملف المخاطر الخاص بهما مختلف تمامًا. يجب تعديل عائد الاستثمار لـ agentic AI وفقًا لمستوى الثقة ومخاطر التنفيذ. هناك على الأقل خمس مجموعات من المخاطر التي يجب أخذها في الاعتبار. يمكن أن يؤدي تأخير التنفيذ بسبب التكامل مع الأنظمة الأساسية، أو موافقات الأمان، أو جاهزية البيانات إلى تأخير الجدول الزمني. عدم استقرار جودة البيانات والسياق أو عدم جاهزية مجموعة المعرفة سيقلل من أداء الـ agent. تتطلب المراجعة التنظيمية أو مراجعة الرقابة في مجالات معينة مراجعة قانونية وامتثال وتدقيق أو مراجعة مخاطر النموذج بشكل أكبر. ضعف تبني المستخدم وتغيير نموذج التشغيل، حيث لا يثق المشرفون أو المحللون أو العاملون في الخطوط الأمامية بالـ agent، سيؤدي إلى عدم تحقيق القيمة. يمكن أن يؤثر الاعتماد على البائع (vendor dependency) فيما يتعلق بنموذج أو منصة أو شريك معين على التكلفة والمرونة.

النهج العملي الذي غالبًا ما يكون كافيًا هو الجمع بين تقدير القيمة المالية البسيطة، مثل صافي القيمة الحالية (NPV) أو الفائدة السنوية، مع مستوى الثقة في تحقيق القيمة. على سبيل المثال، قد تكون لحالة استخدام فرز استثناءات حسابات الدفع قيمة سنوية تقديرية عالية مع ثقة عالية، مما يجعلها جذابة. قد يكون لتنسيق إقفال الحسابات المالية قيمة عالية جدًا ولكن ثقة متوسطة، مما يجعلها جذابة ولكنها تحتاج إلى بوابات مراحل (stage gates) أكثر صرامة. قد تكون لأتمتة استرداد أموال العملاء قيمة متوسطة مع ثقة متوسطة، مما يجعلها جديرة بالاهتمام إذا كانت الضوابط قوية. قد يكون لفحص مستندات إعداد الموردين قيمة متوسطة مع ثقة عالية، مما يجعله مرشحًا لتحقيق مكاسب سريعة. ستختلف الأرقام التفصيلية لكل شركة. المهم هو المبدأ: القيمة الكبيرة مع الثقة المنخفضة ليست بالضرورة أفضل من القيمة المتوسطة مع الثقة العالية.

بالإضافة إلى القيمة المالية، يمكن للجنة التنفيذية استخدام تسجيل نقاط بسيط (scoring) لإمكانات القيمة، وتعقيد التنفيذ، ومخاطر الرقابة، وقابلية إعادة الاستخدام، ومستوى الثقة. يساعد هذا في مقارنة حالات الاستخدام السريعة التي تقدم دليلاً أوليًا مع الرهانات الاستراتيجية الأكثر تعقيدًا ولكنها قد تغير نموذج التشغيل.

يجب أن يكون التمويل تدريجيًا، وليس دفعة واحدة

من الأفضل ألا يتم تمويل agentic AI مثل مشروع كبير يُفترض أنه سيتوسع فورًا. النهج الأكثر صحة هو التمويل عبر بوابات المراحل (stage gate funding). في مرحلة الاكتشاف (discovery)، الهدف ليس بناء عرض توضيحي جميل، بل التحقق من الألم التجاري (pain point)، والوضع الأساسي (baseline)، وجاهزية البيانات والتكامل، وملف المخاطر، وفرضية القيمة. المخرجات المطلوبة هي بيان المشكلة (problem statement) الواضح، والأساس التشغيلي، وتقدير الفوائد والتكاليف الأولية، وراعي الأعمال الحقيقي.

في مرحلة الحد الأدنى من المنتج القابل للتطبيق (MVP)، تثبت الشركة أن النمط التقني والتشغيلي يمكن أن يعمل ضمن نطاق محدود. الأدلة المطلوبة هي جودة المخرجات، والتكامل الأساسي، والحاجة إلى الإشراف البشري، والمؤشرات الأولية على أن مقاييس العملية يمكن أن تتحرك.

التجربة الخاضعة للرقابة (Controlled Pilot) هي أهم مرحلة لـ business case. هنا تختبر الشركة حالة الاستخدام في ظروف تشغيلية أكثر واقعية، بحجم محدود ولكن تمثيلي، ومستخدمي أعمال حقيقيين، وحواجز حماية رسمية، وقياس منضبط للفوائد. في هذه المرحلة، سيتم تصحيح العديد من افتراضات business case. هذا صحي.

ادخل إلى مرحلة الإنتاج فقط إذا كان هناك دليل على القيمة، وموافقة على المخاطر والأمان، ودعم نموذج التشغيل، والمراقبة، ومالك الأعمال المستعد لقبول المساءلة. التوسع (Scale) ليس مجرد زيادة في الحجم. يعني التوسع إلى وحدات أخرى، وزيادة مستوى الاستقلالية إذا كان ذلك مناسبًا، واستخدام القدرات القابلة لإعادة الاستخدام، وربط حالات الاستخدام بمنصة مؤسسية أكثر توحيدًا.

لكي لا تصبح حوكمة الاستثمار مجرد إجراء شكلي، يجب أن تطلب كل بوابة ثلاثة أنواع من الأدلة. أولاً، دليل على القيمة: هل تحركت مقاييس العملية حقًا؟ ثانيًا، الموافقة على المخاطر: هل قام مسؤولو الأمان والامتثال والقانونيون ومالكو الرقابة بتقييم المخاطر؟ ثالثًا، قائمة التحقق من الجاهزية: هل البيانات والتكامل ونموذج الدعم وجاهزية القوى العاملة كافية للمرحلة التالية؟ يساعد هذا النهج في تجنب نقيضين: التوسع بسرعة كبيرة دون رقابة، أو البقاء في التجربة لفترة طويلة دون قرار استثماري واضح.

صفحة واحدة للجنة التنفيذية

لإبقاء المناقشة حادة، يجب أن يكون business case لـ agentic AI قابلاً للتلخيص في صفحة تنفيذية واحدة. يجب أن يتضمن محتواها كحد أدنى حالة الاستخدام وتدفق القيمة: ما هي العملية التي يتم لمسها، وما هي نقطة الاختناق التي نريد تحسينها، ولماذا هذا مهم للأعمال. الوضع الأساسي الحالي: الحجم، زمن الدورة، الأخطاء/إعادة العمل، الأعمال المتراكمة، SLA، أو مقاييس أخرى ذات صلة. النتيجة المستهدفة: ما هي المقاييس التي نريد تحريكها، وفي أي أفق زمني، وهل الفوائد لمرة واحدة أم متكررة. حل agentic المقترح: ماذا يفعل الـ agent، وما هي الأنظمة التي يلمسها، ومستوى استقلاليته (قراءة/توصية/تنفيذ)، وأين يظل البشر متواجدين. حالة الفوائد: العمالة/السعة، الإنتاجية، الجودة، رأس المال العامل، الإيرادات/تجربة العملاء، تقليل المخاطر. حالة التكاليف: البناء، الترخيص/النموذج/الحوسبة، التكامل، المنصة، الحوكمة/الأمان، العمليات، الإشراف البشري. الرأي المعدل حسب المخاطر: المخاطر الرئيسية، مستوى الثقة، التبعيات الحرجة، والتخفيف. طلب بوابة المرحلة: التمويل المطلوب للمرحلة التالية، وما الدليل الذي يجب تحقيقه، وما القرار المطلوب من اللجنة.

هذا التنسيق يجبر الفريق على التوقف عن بيع "الذكاء الاصطناعي الجذاب" والبدء في تقديم استثمار تشغيلي يمكن اختباره.

في النهاية، أفضل business case لـ agentic AI ليس الأكثر جرأة، بل الأكثر صدقًا تجاه الاقتصاديات، والانضباط تجاه المخاطر، والوضوح تجاه الأدلة التي يجب إنتاجها. هذا هو الفرق بين المؤسسات التي تكتفي بجمع العروض التوضيحية والمؤسسات التي تبني بالفعل مؤسسة agentic حقيقية.