من النماذج إلى الوكلاء: كيف تعمل منظومة ChatGPT الحديثة؟

لم يعد ChatGPT مجرد صندوق نكتب داخله سؤالًا ونحصل على إجابة نصية. خلال السنوات الأخيرة توسعت قدراته لتشمل البحث على الويب، وتحليل الملفات والبيانات، وفهم الصور، وإنشاء المحتوى، وحفظ السياق، وإدارة المشروعات، وتنفيذ مهام أطول باستخدام الوكلاء. لهذا أصبح من الأدق النظر إلى منظومة ChatGPT باعتبارها مجموعة مترابطة من القدرات والأدوات، وليس نموذجًا لغويًا منفردًا يؤدي كل شيء بالطريقة نفسها.

هذا التحول مهم لأنه يغير طريقة استخدام الخدمة. المستخدم لم يعد مضطرًا إلى تقسيم العمل يدويًا بين عشرات الأدوات في كل مرة؛ يمكن أن تبدأ المهمة بسؤال، ثم تحتاج إلى ملف، أو بحث حديث، أو تحليل بيانات، ثم تتحول النتيجة إلى تقرير أو جدول أو عرض، وبعدها تدخل الذاكرة والمشروعات والأتمتة للحفاظ على استمرار العمل.

الإجابة السريعة

منظومة ChatGPT الحديثة تجمع عدة طبقات في مكان واحد: النماذج والاستدلال، المحادثة الصوتية، التعامل مع الصور والملفات، البحث على الإنترنت، Deep Research، تحليل البيانات، إنشاء الصور والمستندات والجداول والعروض، الذاكرة والمشروعات، المهام المجدولة، ChatGPT Work وCodex، إضافة إلى التطبيقات والأدوات المتصلة. الفكرة الأساسية هي الانتقال من «اسأل واحصل على إجابة» إلى «حدد النتيجة المطلوبة واستخدم الأدوات المناسبة للوصول إليها».

ChatGPT ليس هو النموذج اللغوي نفسه

أولى النقاط التي تساعد على فهم منظومة ChatGPT هي الفصل بين المنتج والنموذج الذي يعمل في الخلفية. النموذج مسؤول عن جزء كبير من الفهم والتوليد والاستدلال، لكن ChatGPT كمنتج يضيف فوقه طبقات أخرى مثل البحث والأدوات والملفات والذاكرة وواجهات العمل.

وهذا يفسر لماذا تختلف طبيعة المهام داخل الخدمة بشدة. كتابة فقرة قصيرة ليست مثل تحليل ملف Excel، والبحث في عشرات المصادر ليس مثل تعديل صورة، وإنشاء تقرير كامل ليس مثل سؤال سريع يحتاج إجابة من سطرين.

بالتالي لا توجد ضرورة لاستخدام نفس مستوى المعالجة في كل موقف؛ المهم أن تتعامل المنظومة مع طبيعة المهمة وتستخدم القدرات المناسبة لها.

الاستدلال: عندما لا تكفي الإجابة المباشرة

جزء أساسي من منظومة ChatGPT هو الاستدلال أو Reasoning. الفكرة هنا ليست مجرد معرفة معلومة، وإنما التعامل مع مشكلة تحتاج إلى تحليل أو تخطيط أو مقارنة عدة عوامل قبل الوصول إلى نتيجة.

مثال بسيط: سؤال مثل «ما عاصمة اليابان؟» لا يحتاج إلى سلسلة عمل معقدة. لكن إعداد خطة مشروع، أو تحليل مشكلة تقنية، أو مقارنة عدة خيارات وفق ميزانية وشروط، يحتاج إلى مستوى مختلف من التفكير وتنظيم المعلومات.

وهنا يصبح النموذج نقطة البداية التي تستطيع الاستعانة بعدها بأدوات أخرى إذا احتاجت المهمة إلى بيانات حديثة أو ملفات أو تنفيذ خطوات إضافية.

المحادثة لم تعد نصية فقط

تدعم ChatGPT اليوم أكثر من شكل لإدخال المعلومات. يمكن أن يبدأ المستخدم بنص، أو يتحدث بالصوت، أو يرفع صورة أو مستندًا أو ملف بيانات.

هذه القدرة متعددة الوسائط تجعل منظومة ChatGPT أكثر مرونة من واجهات الذكاء الاصطناعي القديمة التي كانت تتوقع دائمًا نصًا مكتوبًا.

يمكن مثلًا إرسال لقطة شاشة وطلب تفسير ما يظهر فيها، أو رفع PDF وطلب تلخيص جزء معين، أو تقديم جدول بيانات وتحليل الأرقام الموجودة داخله، وكلها مهام تختلف عن المحادثة النصية التقليدية.

البحث على الويب يحل مشكلة المعلومات المتغيرة

النموذج اللغوي وحده لا يكفي دائمًا عندما يكون السؤال عن خبر صدر اليوم أو سعر أو منتج أو قانون أو معلومة تغيرت مؤخرًا. لذلك أصبح البحث جزءًا من منظومة ChatGPT.

باستخدام البحث يمكن إدخال معلومات حالية إلى المحادثة ثم استخدام قدرات النموذج في تلخيصها ومقارنتها وشرحها، بدل الاعتماد فقط على المعرفة التي تعلمها النموذج أثناء التدريب.

وهذا يغير وظيفة البحث أيضًا. بدل أن يحصل المستخدم على عشرة روابط ويبدأ في قراءتها بنفسه، يمكن استخدام البحث كمرحلة داخل عملية أكبر تنتهي بإجابة أو مقارنة أو تقرير.

Deep Research عندما يحتاج السؤال إلى أكثر من بحث سريع

هناك فارق بين البحث عن معلومة سريعة وبين إعداد تقرير يحتاج إلى عشرات المصادر والخطوات. هنا تظهر ميزة Deep Research.

توضح OpenAI أن Deep Research يستطيع العمل على الأسئلة متعددة المراحل، والبحث في الويب أو مواقع محددة والملفات والتطبيقات المتصلة، ثم تجميع النتائج في تقرير موثق بالمصادر.

هذا النوع من العمل يمثل طبقة متقدمة داخل منظومة ChatGPT لأنه يحول البحث من خطوة لحظية إلى عملية بحث فعلية لها خطة ومصادر ونتيجة منظمة.

تحليل البيانات: ChatGPT لا يقرأ الجداول فقط

عند رفع جدول بيانات، لا تقتصر الفائدة على قراءة محتواه كنص. يمكن استخدام أدوات تحليل البيانات لفهم الأرقام، وإجراء حسابات، واستخراج أنماط، وتنظيم النتائج.

وهذا مهم جدًا في الاستخدام المهني لـمنظومة ChatGPT لأن كثيرًا من الأعمال لا تبدأ بوثيقة مكتوبة، بل تبدأ ببيانات خام تحتاج إلى تفسير.

وبدل التنقل بين برنامج جداول وأداة تحليل ومساعد ذكاء اصطناعي، يمكن أن تصبح المحادثة هي الواجهة التي تصف من خلالها المطلوب، بينما تنفذ الأدوات الجزء الحسابي والتحليلي.

من الإجابة إلى إنشاء مخرجات حقيقية

أحد أكبر التحولات هو أن النتيجة لم تعد مضطرة إلى البقاء رسالة داخل نافذة الدردشة.

يمكن أن تستخدم منظومة ChatGPT في إنشاء أو تطوير صور ومستندات وجداول بيانات وعروض تقديمية وغيرها من المخرجات التي يمكن استخدامها مباشرة في العمل.

الفرق هنا مهم: في الاستخدام القديم كان المساعد يخبرك ماذا تكتب في العرض. في الاستخدام الأحدث يمكن أن يصبح إنتاج العرض نفسه جزءًا من المهمة.

الصور: الفهم والإنشاء والتعديل

للصور وظيفتان مختلفتان داخل المنظومة. الأولى هي فهم صورة موجودة بالفعل، والثانية إنشاء صورة جديدة أو تعديل صورة وفق تعليمات المستخدم.

هذا الجمع يسمح بمسارات عمل عملية جدًا. يمكنك مثلًا رفع تصميم، تحليله، تحديد نقاط ضعفه، ثم طلب تعديل أو إنشاء نسخة جديدة بناءً على النتيجة.

وهكذا لا تعمل قدرات منظومة ChatGPT في جزر منفصلة، بل يمكن أن ينتقل الناتج من أداة إلى أخرى داخل نفس المهمة.

المستندات والجداول والعروض تغير مفهوم «الإجابة»

في بيئة العمل، الإجابة المثالية ليست دائمًا فقرة نصية. المدير قد يحتاج إلى تقرير، والمحلل يحتاج إلى جدول، وفريق التسويق يحتاج إلى عرض تقديمي.

لهذا أصبحت القدرة على إنتاج مخرجات منظمة جزءًا منطقيًا من تطور ChatGPT.

والأهم أن إنشاء الملف يمكن أن يكون المرحلة الأخيرة بعد مراحل سابقة من البحث والتحليل؛ أي أن التقرير النهائي قد يبدأ من عدة ملفات ومصادر ثم يمر بالتحليل قبل أن يتحول إلى مستند قابل للاستخدام.

ChatGPT Work: الانتقال من المحادثة إلى تنفيذ العمل

أبرز تعبير عن هذا الاتجاه هو ChatGPT Work، الذي تصفه OpenAI كوكيل للمهام الأطول والأكثر تعقيدًا.

بدل أن يجيب فقط، يستطيع Work جمع السياق من الأدوات والملفات، والتخطيط للعمل، واتخاذ خطوات لإنشاء مستندات وجداول وعروض وتقارير ومواقع مع إبقاء المستخدم قادرًا على متابعة ما يحدث وتغيير الاتجاه أو الموافقة على الإجراءات المهمة.

هنا تصل منظومة ChatGPT إلى مرحلة مختلفة: المستخدم يحدد الهدف أكثر مما يحدد كل خطوة صغيرة.

ما الفرق بين Chat وWork؟

Codex يمثل التخصص في العمل البرمجي

إلى جانب Work يوجد Codex كبيئة مخصصة أكثر للعمل البرمجي والتقني.

وهنا تظهر فكرة مهمة داخل منظومة ChatGPT: ليس من الضروري أن يعالج مساعد عام كل نوع من العمل بالطريقة نفسها. بعض المجالات تستفيد من وكيل متخصص يمتلك أدوات ومسارات عمل تناسب طبيعتها.

وهو نفس الاتجاه الذي تحدثنا عنه سابقًا في سوالف في مقال كيف تنشيء AI Agents على ChatGPT، حيث تتحول الفكرة من مساعد ينتظر السؤال إلى وكيل يتعامل مع مهمة أو هدف محدد.

المهام المجدولة تضيف عنصر الوقت

بعض المهام لا يجب تنفيذها الآن، بل غدًا أو كل أسبوع أو عند تكرار موعد معين.

لهذا تتضمن منظومة ChatGPT مهام مجدولة يمكن استخدامها في بعض الحسابات لتشغيل أعمال مستقبلية أو متكررة، مثل إرسال تذكير أو تنفيذ تحليل أو إجراء بحث دوري.

وهذا فارق جوهري عن المحادثة العادية؛ فالخدمة لم تعد مرتبطة فقط باللحظة التي يفتح فيها المستخدم نافذة ChatGPT.

المراقبة: عندما تكون المهمة انتظار تغير ما

هناك نوع آخر من الأتمتة لا يعتمد فقط على الوقت، بل على متابعة شيء يتغير.

قد تكون المهمة متابعة خبر أو سعر أو حالة أو معلومة حتى يظهر تطور يستحق التنبيه. هنا يصبح العمل عملية مستمرة بدل سؤال يُطرح مرة واحدة.

هذه الإمكانية تقرب منظومة ChatGPT أكثر من أدوات التشغيل والأتمتة التقليدية.

الذاكرة: لماذا لا تبدأ كل محادثة من الصفر؟

إذا استخدمت مساعدًا باستمرار، يصبح تكرار نفس المعلومات في كل مرة عبئًا كبيرًا. لهذا تلعب Memory دورًا مهمًا في الحفاظ على معلومات وسياق يمكن الاستفادة منهما في محادثات لاحقة بحسب إعدادات المستخدم.

الذاكرة تجعل ChatGPT أكثر قدرة على الاستمرار في العمل مع نفس الشخص أو النمط من المهام دون الحاجة إلى إعادة شرح كل شيء دائمًا.

لكن الذاكرة ليست بديلًا عن الملفات أو المشروع؛ لكل طبقة وظيفة مختلفة داخل منظومة ChatGPT.

Projects تجمع العمل طويل المدى في مكان واحد

المشروع هو مساحة تجمع المحادثات والملفات والتعليمات المتعلقة بهدف واحد.

وفق OpenAI، يمكن استخدام Projects للكتابة والبحث والتخطيط والأعمال التي تستمر عبر جلسات متعددة، مع الاحتفاظ بالسياق المتعلق بالمشروع.

هذا يجعلها مفيدة جدًا عندما لا تكون المهمة عبارة عن سؤال ينتهي في عشر دقائق، وإنما مشروع تعود إليه خلال أيام أو أسابيع.

الملفات تتحول إلى جزء من سياق المشروع

رفع ملف لا يعني فقط تحليله مرة واحدة. داخل المشروع يمكن أن تصبح الملفات مصادر مرجعية يستخدمها ChatGPT أثناء استمرار العمل.

وبذلك تبني منظومة ChatGPT طبقة معرفة عملية حول المهمة نفسها: محادثات سابقة، تعليمات، ملفات، وسياق يساعد على استمرار العمل بشكل أكثر اتساقًا.

التطبيقات والأدوات المتصلة توسع حدود ChatGPT

حتى الآن تحدثنا عن المعلومات الموجودة في المحادثة والويب والملفات، لكن الأعمال الحقيقية غالبًا موزعة بين خدمات مختلفة.

يمكن للتطبيقات المتصلة أن تمنح ChatGPT إمكانية الوصول إلى مصادر أو أدوات خارجية حسب الصلاحيات المتاحة، بحيث يصبح من الممكن استخدام بيانات العمل دون نسخها يدويًا في كل مرة.

وهنا تتوسع منظومة ChatGPT من مساعد مستقل إلى واجهة يمكن أن تتعامل مع أجزاء أخرى من البيئة الرقمية للمستخدم.

Custom GPTs تضيف طبقة التخصص

يمكن إنشاء GPT مخصص له تعليمات وملفات وأدوات مختارة لخدمة مهمة أو جمهور معين.

الفكرة ليست بناء نموذج جديد من الصفر، وإنما إنشاء نسخة متخصصة من تجربة ChatGPT حول هدف محدد، مثل مساعد للكتابة أو التعليم أو الدعم أو إجراءات داخل مؤسسة.

وبالتالي يمكن أن توجد عدة تجارب متخصصة فوق البنية الأساسية نفسها.

منظومة ChatGPT في جدول واحد

كيف تستخدم هذه المنظومة بصورة عملية؟

أفضل طريقة ليست البحث عن أكبر عدد من الأدوات واستخدامها كلها، وإنما البدء بالنتيجة التي تريدها.

إذا كان المطلوب إجابة سريعة استخدم المحادثة. إذا كانت المعلومة حديثة استخدم البحث. إذا كان السؤال معقدًا ويحتاج إلى مصادر كثيرة استخدم Deep Research. وإذا كان لديك ملف أو جدول، ارفعه بدل إعادة كتابة بياناته.

أما إذا كان العمل ممتدًا فضعه داخل Project، وإذا كان الهدف يحتاج إلى عدة خطوات أو مخرج نهائي فقد تكون أدوات العمل والوكلاء أكثر مناسبة.

بهذه الطريقة تستخدم منظومة ChatGPT على أساس المهمة وليس على أساس تجربة كل ميزة لمجرد أنها موجودة.

التحول الحقيقي: من Chatbot إلى بيئة عمل

أكبر تغير ليس أن ChatGPT أصبح يملك مزايا أكثر؛ المنتجات التقنية تضيف مزايا طوال الوقت. التغير الأعمق هو أن هذه القدرات بدأت تعمل معًا.

يمكن أن تبدأ بملف، ثم تبحث عن معلومات حديثة، وتحلل البيانات، وتنتج مستندًا، وتحفظ المشروع، ثم تعود إليه لاحقًا أو تجعل مهمة معينة تعمل وفق جدول.

عند هذه النقطة لم نعد أمام Chatbot بالمعنى التقليدي، وإنما أمام طبقة عمل تحاول الجمع بين المعرفة والسياق والأدوات والتنفيذ.

ليس كل مستخدم بحاجة إلى كل شيء

وجود هذه الأدوات لا يعني أنك يجب أن تستخدمها كلها.

قد يكون مستخدم آخر سعيدًا باستخدام المحادثة والبحث فقط، بينما يحتاج باحث إلى Deep Research والمشروعات والملفات، ويحتاج مطور إلى Codex، وتحتاج شركة إلى Work والتطبيقات المتصلة.

قيمة منظومة ChatGPT تأتي من إمكانية اختيار الجزء المناسب من المنظومة بدل إجبار الجميع على مسار استخدام واحد.

إلى أين تتجه تجربة ChatGPT؟

الاتجاه أصبح واضحًا: تقليل المسافة بين الفكرة والنتيجة.

في الجيل الأول من المساعدات الذكية، كان الذكاء الاصطناعي يكتب لك نصًا ثم تبدأ أنت العمل الحقيقي في برنامج آخر. أما الاتجاه الحالي فهو جعل مزيد من هذا العمل يحدث داخل البيئة نفسها أو عبر أدوات متصلة بها.

ولمعرفة القدرات التي توفرها الخدمة رسميًا حاليًا، يمكن الرجوع إلى دليل OpenAI الرسمي لقدرات ChatGPT، والذي يجمع معلومات حول البحث وDeep Research والملفات والصور والذاكرة والمشروعات والمهام وغيرها.

منظومة ChatGPT أكبر بكثير من نافذة المحادثة

أفضل طريقة لفهم ChatGPT اليوم هي النظر إلى المكونات باعتبارها سلسلة مترابطة: نموذج يفهم المهمة، واستدلال يساعد في حلها، وبحث يجلب المعلومات الحديثة، وملفات توفر سياقًا، وأدوات تحليل وإنشاء تنتج العمل، وذاكرة ومشروعات تحافظ على الاستمرارية، ووكلاء وأتمتة تتولى المهام الأطول والمتكررة.

لهذا أصبحت منظومة ChatGPT أقرب إلى بيئة عامة للعمل بالذكاء الاصطناعي منها إلى روبوت دردشة فقط. وربما يكون هذا التحول أهم من أي نموذج منفرد؛ لأن القيمة الحقيقية تظهر عندما تتعاون الأدوات والسياق والنماذج للوصول إلى نتيجة لا يستطيع عنصر واحد تنفيذها بمفرده.

لا يسمح بنقل هذا المحتوى من سوالف دون الاشارة برابط مباشر

استضافة مجانية