Grok 4.6 حصل على 61 في تصنيف الذكاء الاصطناعي. ماذا يعني ذلك لك؟

كل أسبوع تصلني رسالة على WhatsApp فيها لقطة شاشة لتصنيف ما والسؤال: "دييغو، هل يستحق التبديل إلى هذا؟". هذه المرة كانت اللقطة عن Grok 4.6، النموذج الجديد من xAI، الذي سجّل 61 نقطة في Artificial Analysis Intelligence Index. إنه رقم جيد. يضع النموذج في مجموعة النخبة، منافسًا لأفضل ما في السوق. لكن قبل أن تُخرج بطاقتك الائتمانية، يستحق الأمر أن تفهم ما يقيسه هذا الـ 61، وما لا يقيسه، وكيف يرتبط ذلك بإيراداتك.

ما هو Artificial Analysis Intelligence Index

Artificial Analysis شركة مستقلة تختبر نماذج الذكاء الاصطناعي بأكثر الطرق تشابهًا فيما بينها. يأخذون مجموعة من الاختبارات الموحدة: الاستدلال، الرياضيات، البرمجة، المعرفة العامة، القدرة على اتباع تعليمات طويلة، استخدام الأدوات. يشغّلون كل شيء في نفس الظروف ويجمعونه في درجة واحدة، من 0 إلى 100.

Grok 4.6 حصل على 61. للمقارنة: النماذج الرائدة اليوم تقع في نطاق الستينات المنخفضة. النماذج الجيدة والرخيصة تقع بين 40 و50. ونماذج ما قبل عام ونصف، التي بدت وقتها كالسحر، تقع تحت 40.

إذن نعم، إنها نتيجة من الرف الأول. خرجت xAI من "روبوت الدردشة الخاص بـ Twitter" إلى منافس حقيقي في ما يزيد قليلًا عن عامين.

لكن هناك تفصيل لا تُظهره لقطة الشاشة.

ما تخفيه الدرجة

المؤشر هو متوسط. والمتوسط يخفي أشياء.

قد يكون نموذج ما رائعًا في الرياضيات ومتوسطًا في اتباع تعليمات التنسيق. وقد يكون آخر ممتازًا في كتابة النصوص بالعربية وضعيفًا في الكود. وكلاهما قد يحصل على نفس الدرجة النهائية.

في حالة Grok 4.6، ما لفت الانتباه في التقرير كان الجمع بين أمرين: درجة عالية وسرعة عالية. يجيب بسرعة ويفكر جيدًا. وهذا نادر. عادةً، كلما "فكّر" النموذج أكثر قبل الإجابة، صار أبطأ وأغلى.

لكن التقرير يُظهر أيضًا أين يستهلك عددًا أكبر من التوكنات مقارنة بالمنافسين للوصول إلى نفس الإجابة. بلغة صاحب العمل: الفاتورة في نهاية الشهر قد تكون أكبر مما يوحي به السعر لكل مليون توكن، لأن النموذج يتكلم أكثر من اللازم لحل نفس المهمة.

التصنيف يقيس الامتحان. عملك يقيس النتيجة.

هذا التمييز يساوي أكثر من أي معيار قياس.

لماذا قد يكون أفضل نموذج في التصنيف أسوأ خيار لك

سأروي لك حالة حقيقية، بأسماء مُبدّلة.

تواصلت معي عيادة أسنان في بداية العام. أرادوا أتمتة فرز الرسائل على WhatsApp: تحديد ما إذا كانت حجز موعد، أو سؤالًا عن التأمين، أو طلب عرض سعر، أو شكوى، وتوجيهها إلى المكان الصحيح. الحجم: حوالي 400 رسالة يوميًا.

كان الشريك قد رأى تصنيفًا وأراد "الأفضل". الأفضل وقتها كان يكلف نحو 15 دولارًا لكل مليون توكن إخراج.

اختبرنا ثلاثة نماذج على 200 رسالة حقيقية من العيادة. النتيجة:

• النموذج الأعلى: أصاب 97% من التصنيفات.
• النموذج المتوسط: أصاب 96%.
• النموذج الرخيص: أصاب 94%.

الفرق بين الأول والثاني كان رسالتين من أصل 200. والتكلفة كانت سبعة أضعاف. اخترنا المتوسط. توفير يزيد عن 600 ريال برازيلي شهريًا في عملية صغيرة، دون خسارة ملحوظة.

تصنيف رسالة مريض ليس كحل مسألة رياضيات أولمبية. التصنيف يختبر الثانية. وأنت تحتاج الأولى.

متى يهم التصنيف فعلًا

لا أريدك أن تخرج من هنا معتقدًا أن معايير القياس بلا فائدة. إنها تهم في ثلاث حالات:

عندما تكون المهمة صعبة فعلًا. تحليل عقد ببنود متشابكة، كود معقد، تقارير تتطلب الربط بين عدة مصادر. هنا يظهر الفرق بين 55 و61 في الواقع، ويظهر في أخطاء باهظة الثمن.

عندما ستستخدم الوكلاء. الوكيل هو ذلك النظام الذي ينفذ مهامًا متعددة الخطوات بمفرده: يفتح جدول بيانات، يستعلم من API، يتخذ قرارًا، يتابع. خطأ في الخطوة 2 يلوث كل ما يليه. النماذج الأقوى تخطئ أقل في منتصف الطريق، وهذا يتراكم.

عندما لا تستطيع الاختبار مسبقًا. إذا لم يكن بالإمكان تشغيل تجربة ببياناتك، فالتصنيف هو أفضل بديل موجود. أفضل من دعاية الشركة، بالتأكيد.

خارج ذلك، التصنيف مجرد فضول. فضول جيد، لكنه فضول.

كيف تختار النموذج الصحيح دون أن تصبح خبيرًا

إليك العملية التي أستخدمها مع العملاء، مختصرة إلى جوهرها:

1. حدد المهمة بدقة. "استخدام الذكاء الاصطناعي في خدمة العملاء" ليست مهمة. "تصنيف الرسائل إلى 5 فئات" هي مهمة.
2. اجمع 100 إلى 200 مثال حقيقي. من بياناتك، لا من أمثلة الإنترنت. رسالة عميلك، مستندك، جدولك.
3. اختبر 3 نماذج من فئات سعرية مختلفة. واحد رائد، وواحد متوسط، وواحد رخيص.
4. قِس الدقة والتكلفة جنبًا إلى جنب. إذا أصاب الرخيص 94% والغالي 97%، اسأل: كم يكلف كل خطأ؟ أحيانًا يستحق الدفع. في معظم الأحيان، لا.
5. اجعل التبديل سهلًا. استخدم طبقة تسمح بتغيير النموذج دون إعادة كتابة كل شيء. بعد ثلاثة أشهر سيتغير التصنيف مجددًا ولن ترغب في إعادة بناء النظام.

هذه النقطة الأخيرة هي الأكثر توفيرًا للمال على المدى الطويل. Grok 4.6 اليوم هو النموذج المتوسط غدًا. رأيت ذلك يحدث مع كل نموذج كان يومًا "الأفضل".

وGrok 4.6، هل يستحق؟

رأيي الصادق: يستحق التجربة إذا كان لديك شيء يعمل بالفعل وتريد المقارنة. لا يستحق التبديل باندفاع.

النموذج كفء وسريع، وxAI تستثمر بكثافة في البنية التحتية. لكنها شركة شابة، بتاريخ من التغييرات الحادة في الاتجاه، ومنظومة الأدوات حولها لا تزال أصغر من منظومة المنافسين. بالنسبة لشركة تعتمد على نظام يعمل كل يوم، استقرار المورد يزن بقدر الدرجة في التصنيف.

إذا كانت عملية الذكاء الاصطناعي لديك تعتمد على رقم يتغير كل أسبوع، فالمشكلة ليست في النموذج. بل في غياب منهج للاختيار.

هذا بالضبط نوع القرارات التي أساعد الشركات على اتخاذها: الاختبار ببيانات حقيقية، وقياس ما يهم، وبناء أتمتة لا تنكسر عندما يتغير التصنيف. إذا أردت الحديث عن حالتك، تعرّف عليّ أكثر هنا.

Grok 4.6 حصل على 61 في تصنيف الذكاء الاصطناعي. وماذا بعد؟

كل أسبوع أستلم لقطة شاشة لتصنيف ما على WhatsApp مع نفس السؤال: "دييغو، هل يستحق التبديل؟"

التصنيف يقيس الامتحان. عملك يقيس النتيجة.

اختبرت ثلاثة نماذج على 200 رسالة حقيقية من عيادة: النموذج الأعلى أصاب 97%، والمتوسط 96%، والرخيص 94%. الأغلى كان يكلف سبعة أضعاف مقابل فرق رسالتين.

إذا كانت عملية الذكاء الاصطناعي لديك تعتمد على رقم يتغير كل أسبوع، فالمشكلة ليست في النموذج. بل في غياب منهج للاختيار.

تريد أن تعرف كيف تختار ببيانات حقيقية بدل لقطة شاشة؟ راسلني.

#الذكاء_الاصطناعي #الأتمتة #الذكاء_الاصطناعي_للأعمال #Grok #التقنية